CN115293393A - 结合湍流物理模型和历史数据优化的近地面风速预测方法 - Google Patents
结合湍流物理模型和历史数据优化的近地面风速预测方法 Download PDFInfo
- Publication number
- CN115293393A CN115293393A CN202210373862.3A CN202210373862A CN115293393A CN 115293393 A CN115293393 A CN 115293393A CN 202210373862 A CN202210373862 A CN 202210373862A CN 115293393 A CN115293393 A CN 115293393A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- ground
- ground layer
- model
- optimized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000013517 stratification Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 74
- 230000000052 comparative effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 3
- 239000004202 carbamide Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Aviation & Aerospace Engineering (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种结合湍流物理模型和历史观测数据优化的近地面风速预测方法,该方法中建立近地面层风速估算模型,通过该模型进行风速预测,其中,所述近地面层风速估算模型中包含待优化的虚拟静态强迫参数,通过近地面层顶气象变量、地面气象变量和近地面风速观测值作为训练数据集,通过解算获得估算风速和观测风速的均方根误差,将最小均方根误差对应的虚拟静态强迫参数作为最优虚拟静态强迫参数,从而确定该近地面层风速估算模型。
Description
技术领域
本发明涉及数值天气预报的近地面气象要素估算技术,尤其是涉及一种结合湍流物理模型和历史观测数据优化的近地面风速估算方法。
背景技术
当前数值天气预报中关于风速预测的准确性一直有待提高,风速预测存在较大误差的原因比较复杂,目前数值天气预报中风速预测方案的研究以及比较完善和深入,继续按照目前的技术方案进一步深入研究,难以实现效果的快速提升,所以需要考虑通过新的预测方案进行风速预测研究,在此基础上,结合湍流物理模型和历史观测数据优化,对近地面风速进行估算预测的方法给风速预测领域带来了新的研究方向。
由于上述原因,本发明人对结合湍流物理模型和历史观测数据优化做了深入研究,以期待设计出一种能够准确预测近地面风速的结合湍流物理模型和历史数据优化的近地面风速预测方法。
发明内容
为了克服上述问题,本发明人进行了锐意研究,设计出一种结合湍流物理模型和历史观测数据优化的近地面风速预测方法,该方法中建立近地面层风速估算模型,通过该模型进行风速预测,其中,所述近地面层风速估算模型中包含待优化的虚拟静态强迫参数,通过近地面层顶气象变量、地面气象变量和近地面风速观测值作为训练数据集,通过解算获得估算风速和观测风速的均方根误差,将最小均方根误差对应的虚拟静态强迫参数作为最优虚拟静态强迫参数,从而确定该近地面层风速估算模型,从而完成本发明。
具体来说,本发明的目的在于提供一种结合湍流物理模型和历史观测数据优化的近地面风速预测方法,
该方法包括如下步骤:
步骤1,建立近地面层风速估算模型;
步骤2,将所述近地面层风速估算模型耦合到数值天气预报中,从数值天气预报的数据信息中调取待预测区域的近地面层顶气象变量和地面气象变量,将之输入到所述近地面层风速估算模型中,获得该待预测区域的近地面风速。
其中,所述近地面层顶气象变量包括:离地高度、风速、温度、气压、比湿、空气密度;
所述地面气象变量包括:地表大气温度、气压和比湿。
其中,所述近地面层风速估算模型通过下述步骤获得:
S1、在近地面层物理模型中加入待优化的虚拟静态强迫,得到待优化的近地面层风速估算模型;
S2、使用近地面层顶气象变量和地面气象变量训练所述待优化的近地面层风速估算模型;
S3、对所述近地面层风速估算模型进行验证。
其中,在S1中,所述待优化的近地面层风速估算模型包括物理模型的风速方程、物理模型的位温方程和物理模型的湍动能方程,通过所述三个方程联合求解获得近地面风速估计值;
所述物理模型的风速方程为下式(一):
所述物理模型的位温方程为下式(二):
所述物理模型的湍动能方程为下式(三):
其中,U表示垂直分层中每一层的风速,θ表示位温,e表示湍动能,TurbU表示湍流对风动量的垂直输送,Turbθ表示湍流对热量的垂直输送,DynProd表示湍动能动力制造,Thermprod表示湍动能热力制造,Diss表示湍动能耗散,表示虚拟风场强迫,表示虚拟湍动能强迫。
其中,H表示近地面层顶高度,A表示待优化的虚拟静态强迫参数。
其中,所述S2包括如下子步骤:
S21、收集样本中所述的全部近地面层顶气象变量和地面气象变量;
S22、将全部样本都代入到待优化的近地面层风速估算模型中;
S23、控制待优化的虚拟静态强迫参数A在-1.0到5.0之间,每隔0.02逐一取值,并针对每个取值,都通过近地面层风速估算模型获得全部样本对应的待计算高度上的预测风速;
S24、进一步获得在全部样本上预测风速和观测风速的均方根误差,使得均方根误差最小的虚拟静态强迫参数A即为最优虚拟静态强迫参数;
S25、将所述最优虚拟静态强迫参数代回到所述待优化的近地面层风速估算模型中得到最优近地面层风速估算模型。
本发明所具有的有益效果包括:
根据本发明提供的结合湍流物理模型和历史数据优化的近地面风速预测方法,该方法能够与数值天气预报模式相耦合,可以缓解现有数值天气预报模式中风速偏差较大的问题,提供更为准确的风速预测。
附图说明
图1示出本发明实施例中的近地面层风速估算模型的垂直分层示意图;
图2示出本发明实施例中观测数据与预测数据差值大小及分布状况示意图;
图3示出本发明对比例1中观测数据与预测数据差值大小及分布状况示意图;
图4示出本发明对比例2中观测数据与预测数据差值大小及分布状况示意图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
根据本发明提供的结合湍流物理模型和历史数据优化的近地面风速预测方法,该方法包括如下步骤:
步骤1,建立近地面层风速估算模型;
步骤2,将所述近地面层风速估算模型耦合到数值天气预报中,从数值天气预报的数据信息中调取待预测区域的近地面层顶气象变量和地面气象变量,将之输入到所述近地面层风速估算模型中,获得该待预测区域的近地面风速。
优选地,近地面层顶气象变量和地面气象变量都来自于耦合的数值天气预报模式计算的中间变量,具体来说,所述近地面层顶气象变量包括:离地高度、风速、温度、气压、比湿、空气密度;所述地面气象变量包括:地表大气温度、气压和比湿。
优选地,由于数值天气预报中的近地面层顶气象变量和地面气象变量都是随时间变化的预测值,据此获得的近地面风速也是对应的随时间变化的预测值,其时间变化周期与数值天气预报中相关参数的变化周期一致。
在一个优选的实施方式中,所述近地面层风速估算模型通过下述步骤获得:
S1、在近地面层物理模型中加入待优化的虚拟静态强迫,得到待优化的近地面层风速估算模型;
在S1中,所述待优化的近地面层风速估算模型包括物理模型的风速方程、物理模型的位温方程和物理模型的湍动能方程,通过所述三个方程联合求解获得近地面风速估计值;
所述物理模型的风速方程为下式(一):
所述物理模型的位温方程为下式(二):
所述物理模型的湍动能方程为下式(三):
其中,U表示垂直分层中每一层的风速,θ表示位温,e表示湍动能,都是方程组的自变量。在垂直方向上分层,可以迭代计算地面到近地层顶每一层的风速U,其中U和θ的初始值可以由Moni-obukhov理论廓线得到,所述Moni-obukhov理论廓线通过Jiménez,P.A.,Dudhia,J.,González-Rouco,J.F.,Navarro,J.,Montávez,J.P.and García-Bustamante,E.:A revised scheme for the WRF surface layer formulation,Mon.Weather Rev.,140(3),898–918,doi:10.1175/MWR-D-11-00056.1,2012.获得,e初始值为0。所述三个方程的迭代过程包括如下子步骤:
子步骤1,将初始值带入方程(一),(二)和(三)中,将方程组使用半隐式差分展开,求解得到更新后的U,θ和e;所述半隐式差分展开可参考Masson,V.and Seity,Y.:Including atmospheric layers in vegetation and urban offline surface schemes,J.Appl.Meteorol.Climatol.,48(7),1377–1397,doi:10.1175/2009JAMC1866.1,2009.
子步骤2,将更新后的U,θ和e作为新的初始值重复子步骤1。
子步骤3,持续重复子步骤1和子步骤2,直至迭代到U的变化小于10-3m s-1为止。
TurbU表示湍流对风动量的垂直输送,Turbθ表示湍流对热量的垂直输送,DynProd表示湍动能动力制造,Thermprod表示湍动能热力制造,Diss表示湍动能耗散,其中
优选地,所述CU表示风速,Cθ,表示位温,C∈表示湍动能的湍流扩散系数,g表示重力加速度,z表示离地高度,所述CU、Cθ和C∈的可通过Masson,V.and Seity,Y.:Includingatmospheric layers in vegetation and urban offline surface schemes,J.Appl.Meteorol.Climatol.,48(7),1377–1397,doi:10.1175/2009JAMC1866.1,2009.获得;Lk表示混合长度,L∈表示耗散长度,可以通过Redelsperger,J.L.,Mahé,F.andCarlotti,P.:A simple and general subgrid model suitable both for surfacelayer and free-stream turbulence,Boundary-Layer Meteorol.,101(3),375–408,doi:10.1023/A:1019206001292,2001.获得。
其中,H表示近地面层顶高度,所述近地面层顶高度取数值天气预报模式垂直分层中最低层的平均离地高度;
A表示待优化的虚拟静态强迫参数。
S2、使用近地面层顶气象变量和地面气象变量训练所述待优化的近地面层风速估算模型;在模型训练过程中,计算全部样本中各种虚拟静态强迫取值下的近地面风速的均方根误差,依据均方根误差最小原则确定最优近地面层风速估算模型;
具体来说,所述S2包括如下子步骤:
S21、收集样本中所述的全部近地面层顶气象变量和地面气象变量;训练样本的标签为待计算高度处的风速观测值。优选地,所述最优近地面层风速估算模型可以选择全球范围内任意区域的任意多个观测点进行同时训练和应用。
S22、将全部样本都代入到待优化的近地面层风速估算模型中;
S23、控制待优化的虚拟静态强迫参数A在-1.0到5.0之间,每隔0.02逐一取值,并针对每个取值,都通过近地面层风速估算模型获得全部样本对应的待计算高度上的预测风速;
S24、进一步获得在全部样本上预测风速和观测风速的均方根误差,使得均方根误差最小的虚拟静态强迫参数A即为最优虚拟静态强迫参数;即在该子步骤中,从301个均方根误差中挑选出最小值,该最小值对应的虚拟静态强迫参数A即为最优虚拟静态强迫参数。
S25、将所述最优虚拟静态强迫参数代回到所述待优化的近地面层风速估算模型中得到最优近地面层风速估算模型。
S3、对所述近地面层风速估算模型进行验证。在模型验证过程中,应用最优近地面层风速估算模型预测近地面风速,比较3-24小时预测值与观测值之间的误差,当该误差小于数值天气预报模型给出的误差时,即可认定该近地面层风速估算模型通过验证,能够用于预测近地面层的风速。
实施例
建立待优化的近地面层风速估算模型,该模型包括如下式(一)所示的物理模型的风速方程、如下式(二)所示的物理模型的位温方程和如下式(三)所示的物理模型的湍动能方程;
其中,U表示垂直分层中每一层的风速,θ表示位温,e表示湍动能;将0到24米之间的垂直层次分为0.5,2,5,10,15和24米,如图1中所示,其中近地面层顶为24米;所述待预测的近地面层风速指10米高度处的风速;所述待预测的10米风速为自下而上第4层的风速;
H表示近地面层顶高度,A表示待优化的虚拟静态强迫参数。
调取中国境内的2700个地面10米风速站点在2019年6,7,8月和2020年6,7月逐3小时的观测数据作为训练样本的标签,相应地,从数值天气预报的数据信息中调取2700个地面10米风速站点处在2019年6,7,8月和2020年6,7月逐3小时的近地面层顶气象变量和地面气象变量,从而构成训练样本;
控制待优化的虚拟静态强迫参数A在-1.0到5.0之间,每隔0.02逐一取值,并针对每个取值,都通过近地面层风速估算模型获得全部样本对应的待计算高度上的预测风速;
进一步获得在全部样本上预测风速和观测风速的均方根误差,使得均方根误差最小的虚拟静态强迫参数A即为最优虚拟静态强迫参数;即在该子步骤中,从301个均方根误差中挑选出最小值,该最小值对应的虚拟静态强迫参数A即为最优虚拟静态强迫参数,从而得到最优近地面层风速估算模型。
从数值天气预报的数据信息中调取2700个地面10米风速站点处在2020年8月逐3小时的近地面层顶气象变量和地面气象变量,将之输入到所述最优近地面层风速估算模型中,预测出对应的近地面层风速,再调取中国境内的2700个地面10米风速站点在2020年8月逐3小时的观测数据,将观测数据与预测数据逐一进行比对,记录其差值,统计在图2中;图中圆点即为风速站点所在位置,圆点颜色表示该站点对应的差值大小;该2700个站点处的平均差值为0.2m/s。
对比例1:
调取数值天气预报中2700个地面10米风速站点处在2020年8月逐3小时给出的近地面层风速,与对应的观测数据逐一进行比对,记录其差值,统计在图3中,该2700个站点处的平均差值为1.1m/s。
对比例2:
通过纯粹基于物理的近地面层湍动能物理模型对近地面层风速进行预测,其预测用模型来自于Masson,V.and Seity,Y.:Including atmospheric layers in vegetationand urban offline surface schemes,J.Appl.Meteorol.Climatol.,48(7),1377–1397,doi:10.1175/2009JAMC1866.1,2009.:
通过该模型对2700个地面10米风速站点处在2020年8月逐3小时的近地面层顶气象变量和地面气象变量;将得到的结果与对应的观测数据逐一进行比对,记录其差值,统计在图4中,该2700个站点处的平均差值为0.5m/s。
通过上述实验例和对比例可知,本申请提供的结合湍流物理模型和历史数据优化的近地面风速预测方法能够准确地预测近地面层风速,将之应用到数值天气预报系统中,能够大幅度提升天气预报中风速预测的准确性。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (6)
1.一种结合湍流物理模型和历史观测数据优化的近地面风速预测方法,其特征在于,
该方法包括如下步骤:
步骤1,建立近地面层风速估算模型;
步骤2,将所述近地面层风速估算模型耦合到数值天气预报中,从数值天气预报的数据信息中调取待预测区域的近地面层顶气象变量和地面气象变量,将之输入到所述近地面层风速估算模型中,获得该待预测区域的近地面风速。
2.根据权利要求1所述的结合湍流物理模型和历史观测数据优化的近地面风速预测方法,其特征在于,
所述近地面层顶气象变量包括:离地高度、风速、温度、气压、比湿、空气密度;
所述地面气象变量包括:地表大气温度、气压和比湿。
3.根据权利要求1所述的结合湍流物理模型和历史观测数据优化的近地面风速预测方法,其特征在于,
所述近地面层风速估算模型通过下述步骤获得:
S1、在近地面层物理模型中加入待优化的虚拟静态强迫,得到待优化的近地面层风速估算模型;
S2、使用近地面层顶气象变量和地面气象变量训练所述待优化的近地面层风速估算模型;
S3、对所述近地面层风速估算模型进行验证。
4.根据权利要求3所述的结合湍流物理模型和历史观测数据优化的近地面风速预测方法,其特征在于,
在S1中,所述待优化的近地面层风速估算模型包括物理模型的风速方程、物理模型的位温方程和物理模型的湍动能方程,通过所述三个方程联合求解获得近地面风速估计值;
所述物理模型的风速方程为下式(一):
所述物理模型的位温方程为下式(二):
所述物理模型的湍动能方程为下式(三):
6.根据权利要求3所述的结合湍流物理模型和历史观测数据优化的近地面风速预测方法,其特征在于,
所述S2包括如下子步骤:
S21、收集样本中所述的全部近地面层顶气象变量和地面气象变量;
S22、将全部样本都代入到待优化的近地面层风速估算模型中;
S23、控制待优化的虚拟静态强迫参数A在-1.0到5.0之间,每隔0.02逐一取值,并针对每个取值,都通过近地面层风速估算模型获得全部样本对应的待计算高度上的预测风速;
S24、进一步获得在全部样本上预测风速和观测风速的均方根误差,使得均方根误差最小的虚拟静态强迫参数A即为最优虚拟静态强迫参数;
S25、将所述最优虚拟静态强迫参数代回到所述待优化的近地面层风速估算模型中得到最优近地面层风速估算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210373862.3A CN115293393B (zh) | 2022-04-11 | 2022-04-11 | 结合湍流物理模型和历史数据优化的近地面风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210373862.3A CN115293393B (zh) | 2022-04-11 | 2022-04-11 | 结合湍流物理模型和历史数据优化的近地面风速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115293393A true CN115293393A (zh) | 2022-11-04 |
CN115293393B CN115293393B (zh) | 2023-04-18 |
Family
ID=83820609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210373862.3A Active CN115293393B (zh) | 2022-04-11 | 2022-04-11 | 结合湍流物理模型和历史数据优化的近地面风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293393B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794996A (zh) * | 2010-02-10 | 2010-08-04 | 华东电网有限公司 | 风电场出力实时预测方法 |
CN102044872A (zh) * | 2010-11-18 | 2011-05-04 | 西北电网有限公司 | 一种风电功率中长期预报方法 |
CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
WO2015108154A1 (ja) * | 2014-01-17 | 2015-07-23 | 国立大学法人京都大学 | 最大瞬間風速予測システム、コンピュータプログラム、及び、突風警報情報発令システム |
CN106971032A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 基于非参数核密度估计与数值天气预报的风速预测方法 |
CN108983320A (zh) * | 2018-04-08 | 2018-12-11 | 浙江大学 | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 |
CN114004430A (zh) * | 2022-01-05 | 2022-02-01 | 中国电力科学研究院有限公司 | 一种风速预报方法和系统 |
-
2022
- 2022-04-11 CN CN202210373862.3A patent/CN115293393B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794996A (zh) * | 2010-02-10 | 2010-08-04 | 华东电网有限公司 | 风电场出力实时预测方法 |
CN102044872A (zh) * | 2010-11-18 | 2011-05-04 | 西北电网有限公司 | 一种风电功率中长期预报方法 |
CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
WO2015108154A1 (ja) * | 2014-01-17 | 2015-07-23 | 国立大学法人京都大学 | 最大瞬間風速予測システム、コンピュータプログラム、及び、突風警報情報発令システム |
CN106971032A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 基于非参数核密度估计与数值天气预报的风速预测方法 |
CN108983320A (zh) * | 2018-04-08 | 2018-12-11 | 浙江大学 | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 |
CN114004430A (zh) * | 2022-01-05 | 2022-02-01 | 中国电力科学研究院有限公司 | 一种风速预报方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115293393B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951612B (zh) | 土壤冻融过程中动态蓄水容量产流计算方法 | |
CN109635435B (zh) | 一种基于贝叶斯理论的天然河道水位流量关系确定方法 | |
CN103793511B (zh) | 一种提高风速预报精度的方法 | |
CN104036121B (zh) | 基于概率分布转移的测风数据风速订正方法 | |
CN110598290A (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
CN107194097A (zh) | 基于风电场气动模拟和风速风向数据的分析方法 | |
CN107045568B (zh) | 基于动态规划逐次逼近法的河道糙率反演方法 | |
CN110489719A (zh) | 基于集合预报数据的风速预测方法 | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
Vollmer et al. | Transient LES of an offshore wind turbine | |
CN105893672A (zh) | 一种狭长河道型水库全生命周期温度场研究方法 | |
Stieren et al. | Impact of wind farm wakes on flow structures in and around downstream wind farms | |
CN102236746B (zh) | 无测风记录区风资源模拟推算方法 | |
CN115293393B (zh) | 结合湍流物理模型和历史数据优化的近地面风速预测方法 | |
CN105701066A (zh) | 一种河口潮差快速预报方法 | |
Olsen | Mesoscale to microscale coupling for determining site conditions in complex terrain | |
CN109766611B (zh) | 一种考虑地形坡度的风电场功率简化预测方法 | |
CN107609250B (zh) | 地形重力波举力参数化方法 | |
Onel et al. | Short-Term Numerical Forecasting of Near-Ground Wind Fields Using OpenFOAM Coupled With WRF | |
Zhang et al. | Estimation of oceanic eddy viscosity profile and wind stress drag coefficient using adjoint method | |
Potentier et al. | Analysis of the DANAERO wind turbine field database to assess the importance of different state‐of‐the‐art blade element momentum (BEM) correction models | |
Hu et al. | CFD simulation of heating process of greenhouse irrigation water in wintering period | |
Jin et al. | Wind Turbine Ice Detection Using AEP Loss Method–A Case Study | |
Maniaci et al. | Wind energy high-fidelity model verification and validation roadmap | |
Lovatto et al. | Predicting the inlet wind profile of the neutral atmospheric boundary layer for wind resource assessment over non-flat terrains using CFD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |