CN115860288B - 一种风能潜在地区预测方法及预测系统 - Google Patents
一种风能潜在地区预测方法及预测系统 Download PDFInfo
- Publication number
- CN115860288B CN115860288B CN202310191736.0A CN202310191736A CN115860288B CN 115860288 B CN115860288 B CN 115860288B CN 202310191736 A CN202310191736 A CN 202310191736A CN 115860288 B CN115860288 B CN 115860288B
- Authority
- CN
- China
- Prior art keywords
- data
- area
- wind energy
- regional
- ellipse
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风能潜在地区预测方法及预测系统,预测方法步骤为:根据研究区域生成对应的研究任务,并采集研究区域在预设时间内生成的数据集,对采集的数据集进行预处理后得到地区现状数据集;计算逐年面积和椭圆范围生成逐年现状数据集;对逐年现状数据集计算,形成地区发展空间格局数据集,获得地区发展空间格局数据;对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据;对风能预期区域数据进行计算获得风能潜在值,生成风能潜在地区数据;根据风能潜在地区数据绘制出对应的风能潜在地区图谱。本发明具有以下优点和积极效果:能够有效的预测内陆风能潜在地区,提高计算地区风能潜在地区的自动化水平。
Description
技术领域
本发明属于遥感图像处理与信息提取领域,具体为一种风能潜在地区预测方法及预测系统。
背景技术
风能是指存在于地球表面大气流动形成的动能资源。近来,已经开发了许多预测风力的技术。但是现有的方法停留在盲目研究气候以及研究地区活动存在结果片面等问题,并没有一种专门的风能潜在地区预测方法。专利公开号CN107016470 A公开了一种风力发电场风能预测方法和装置,虽然也是公开了风能的预测方法,解决风能预测方法准确预测风力发电机输出的功率,但是和本方法存在本质的区别。
发明内容
本发明提出了一种风能潜在地区预测方法及预测系统,通过绘图方法评估区域内未来风能指标,能够有效的预测内陆风能潜在地区,给风电资源选址带来极大优势。
本发明采用如下的技术方案:一种风能潜在地区预测方法,包括以下步骤:
S1:根据研究区域生成对应的研究任务,并采集研究区域在预设时间内生成的数据集,对采集的数据集进行预处理后得到地区现状数据集;
S2:根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合,逐年面积统计后的数据和范围拟合后的数据生成逐年现状数据集;
S3:对逐年现状数据集进行计算,计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据;
S4:对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据;
S5:构造风能潜在指数,对风能预期区域数据进行计算,获得风能潜在值,生成风能潜在地区数据;
S6:根据风能潜在地区数据绘制出对应的风能潜在地区图谱。
进一步的,步骤S1中对采集的数据集进行预处理,具体步骤为:
S11:获取研究区域内往年的地区现状数据,地区现状数据为逐年矢量数据,统一成矢量面数据形成地区现状数据集,地区现状数据包括道路数据、建成区数据、居民点数据、河流水系数据、自然保护区数据与兴趣点数据;
S12:收集研究区域内风能潜在地区相关数据,形成风能潜在地区相关数据集,风能潜在地区相关数据包括风速、数字高程模型、温度、降雨、坡度;
S13:对地区现状数据和风能潜在地区相关数据进行预处理操作,预处理操作包括辐射校正、图像拼接、地理配准、波段合成和进行统一栅格化图像处理。
进一步的,步骤S2中根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合;具体为:
将地区现状数据集按照年份直接进行叠加操作,形成逐年地区现状数据集,对逐年地区现状数据集进行逐年面积统计和使用标准差椭圆进行拟合,形成逐年现状数据集,逐年现状数据集包括逐年地区现状面积数据和逐年地区现状椭圆数据。
进一步的,步骤S3中对逐年现状数据集进行计算,计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据,具体步骤为:
S31:根据逐年地区现状面积数据构建函数,包括但不限于一次相关性函数,以时间年度为自变量,区域现状面积为因变量,根据函数确定未来地区发展空间数据中的面积;
S32:根据标准差椭圆对逐年现状数据集进行计算形成椭圆,计算结果包含椭圆中心的坐标、椭圆的斜率以及椭圆的长轴和椭圆的短轴;
以时间年度为自变量,椭圆中心的经度坐标和纬度坐标分别为因变量,根据函数确定未来地区发展空间数据中椭圆中心的坐标;
以时间年度为自变量,椭圆的短半轴为因变量,根据函数确定未来地区发展空间数据中椭圆的短半轴长度,根据函数确定未来地区发展空间数据中椭圆的长半轴长度;
以时间年度为自变量,椭圆的斜率为因变量,根据函数确定未来地区发展空间数据中椭圆的斜率;
得到一个带有坐标属性的预椭圆;
S33:根据未来地区发展空间数据中的面积与预椭圆面积比,等比缩放确定未来地区发展空间数据中椭圆长半轴与短半轴的长度,椭圆面积公式:S=π×a×b;其中π是圆周率,a是椭圆的长半轴的长,b是椭圆的短半轴的长;
S34:对未来地区发展空间数据中椭圆与地区现状数据椭圆交集取反,保留未来地区发展空间数据中椭圆部分,椭圆部分即椭圆变化区域,将椭圆变化区域与地区现状数据椭圆的圆心形成夹角,统计每度夹角位置与未来地区发展空间数据中椭圆的面积,设为夹角预面积,再次统计夹角预面积与未来地区发展空间数据中椭圆变化区域面积的比,设为面积占比;
S35:计算夹角位置真实面积与未来地区发展空间数据中的面积,减去区域现状面积数据,结果乘以面积占比,设为夹角面积;
S36:将地区现状数据在夹角方向向外生成缓冲区,缓冲区的面积为夹角面积,计算过程中获得的数据为地区发展空间格局数据。
进一步的,步骤S4中对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据,具体为:
设定缓冲区距离为未来地区发展空间数据中椭圆短半轴长度的5%,对未来地区发展空间格局数据进行缓冲区处理,形成地区发展空间格局影响数据,将地区发展空间格局影响数据与研究区域进行叠置分析,重合部分为背景数据,其余为风能预期区域数据。
进一步的,步骤S5中对风能预期区域数据进行计算,获得风能潜在值,具体步骤为:
S51:对风速数据和风向数据进行预处理;
对风速数据进行预处理为提取每小时的风速大小,计算风速的日、月、年平均值和风速时长,以小时为计算单位;
对风向数据进行预处理为提取每小时的风向的角度,计算风向的日、月、年平均角度,根据一元一次函数,以时间小时为自变量,以风向的平均角度为因变量,计算风向的斜率;
S52:将风能预期区域数据进行计算与分级,Fs表示为年平均风速值,单位为米每秒,Ft表示为年风速值,单位为千小时,Fd表示为风向年稳定性值即风向的平均变化斜率值;
将坡度划分为若干预设坡度等级,并根据若干预设坡度等级确定对应的地形因素比Si;
研究区域的像元计算为计算若干缓冲区的距离值Di,通过对未来地区发展空间数据生成缓冲区,计算每个研究区域的像元位于缓冲区的距离值,单位为千米;
统计建成区的平均高度,将建成区的平均高度设为默认值;将所述研究区域的像元数字高程模型减去默认值,设为建成区的高度差值Hi,对高度差值进行等级分类,按照降序依次排列;
S53:构造风能潜在影响模型,分别构造边长为1,2,3,到边长为n的同一中心的等边三角形,将风能影响因子填写在等边三角形的顶点处,风能影响因子系数为风能影响因子到等边三角形中心的距离的倒数;
将风能影响因子系数乘以本身的风能影响因子的数值得到一个结果,将不同的风能影响因子得到的结果相加后即为风能潜在指数,将年平均风速值Fs、年风速值Ft、风向的平均变化斜率Fd放入边长为1的等边三角形顶点上,将地形因素比Si、缓冲区的距离值Di、建成区的高度差值Hi放入边长为2的等边三角形顶点上,风能潜在指数表达式为:
其中,WEP为风能潜在指数,为年平均风速值的风能影响因子系数,为年风速千小时值的风能影响因子系数,为风向的平均变化斜率的风能影响因子系数,为建成区的高度差值的风能影响因子系数,为缓冲区的距离值的风能影响因子系数,为地形因素比的风能影响因子系数;
S54:根据风能潜在指数对风能预期数据进行计算,获得每个像元风能潜在值,并生成风能潜在地区数据。
进一步的,本发明采用另外一种技术方案,一种风能潜在地区预测系统,包括获取数据模块,采集数据模块、第一计算模块、检测数据模块、第二计算模块、输出数据模块,获取数据模块处理后连接采集数据模块,采集数据模块处理后连接第一计算模块,第一计算模块处理后连接检测数据模块,检测数据模块处理后连接第二计算模块,第二计算模块处理后连接输出数据模块;
其中获取数据模块即根据研究区域生成对应的研究任务,并采集研究区域在预设时间内生成的数据集,对采集的数据集进行预处理后得到地区现状数据集;
采集数据模块即根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合,逐年面积统计后的数据和范围拟合后的数据生成逐年现状数据集;
第一计算模块即对逐年现状数据集进行计算,计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据;
检测数据模块即对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据;
第二计算模块即构造风能潜在指数,对风能预期区域数据进行计算,获得风能潜在值,生成风能潜在地区数据;
输出数据模块即根据风能潜在地区数据绘制出对应的风能潜在地区图谱。
本发明具有以下优点和积极效果:
(1)通过考虑地区未来空间发展和综合多种环境因素构建了风力潜能指数(WEP),根据该指数和地区未来发展空间通过绘图方法评估区域内风能指标,能够有效的预测内陆风能潜在地区,提高了计算地区风能潜在地区的自动化水平。
(2)以往的研究并没有考虑到地区未来发展空间问题。本研究利用多种长时间序列数据,拟合了未来地区活动的发展空间。能够进一步的减少在风能潜在地区的选址上对地区未来发展的影响。
附图说明
图1为本发明的预测方法步骤流程图。
图2为本发明的风能潜在地区预测系统的结构框图。
图3为本发明的地区发展空间格局数据构建示意图。
图4为本发明的风能潜在指数的强弱关系示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相应地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
如图1所示,为本发明的步骤流程图,设计了一种风能潜在地区预测方法,实施例采用如下的技术方案:
S1:根据研究区域生成对应的研究任务,并采集研究区域在预设时间内生成的数据集,对采集的数据集进行预处理后得到地区现状数据集;
S2:根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合,逐年面积统计后的数据和范围拟合后的数据生成逐年现状数据集;
S3:对逐年现状数据集进行计算,计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据;
S4:对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据;
S5:构造风能潜在指数,对风能预期区域数据进行计算,获得风能潜在值,生成风能潜在地区数据;
S6:根据风能潜在地区数据绘制出对应的风能潜在地区图谱。
关于S1,根据研究区域生成对应的研究任务,并采集研究区域在预设时间内生成的数据集,对采集的数据集进行预处理;
选择江西省作为研究区域,用于研究该区域2100年的风能潜在地区的情况。获取1990-2020年每年、覆盖江西省的地区现状数据,地区现状数据包括道路数据、建成区数据、居民点数据、河流水系数据、自然保护区与兴趣点(POI)数据,这些信息是逐年矢量数据从OSM等方式收集的,更新到2020版本,统一成矢量面数据形成地区现状数据集。同时收集风能潜在地区相关数据,包括风速、数字高程模型(DEM)、温度、降雨;我们还选择了坡度作为地形特征,该地形特征来源于30 m尺度的航天飞机雷达地形任务。并对以上数据进行预处理操作。该预处理可以包括辐射校正、图像拼接、地理配准、波段合成以及进行统一栅格化图像处理。
进行统一栅格化为200米分辨率,结果为栅格数据,是由一个个即200米分辨率的单个像元代表实际边长为200米正方形地理范围,形成风能潜在地区相关性数据集。栅格数据就是将空间分割成有规律的网格,每一个网格称为一个单元(像元),并在各单元上赋予相应的属性值来表示实体的一种数据形式。
关于S2,根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合,生成逐年现状数据集;
将地区现状数据集按照年份进行叠加形成逐年地区现状数据集,比如2020年地区现状数据集是指2020年的道路数据、建成区数据、居民点数据、河流水系数据、保护区与POI(兴趣点)数据统一进行叠加操作,这些地区现状数据已经过S1步骤后都是矢量面数据,可以直接进行叠加操作。对逐年地区现状数据集进行逐年面积统计和使用标准差椭圆进行拟合,形成逐年现状数据集。
关于S3,对逐年现状数据集进行计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据。
S31:逐年现状数据集包括逐年地区现状面积数据和地区现状椭圆数据。根据逐年地区现状面积数据构建出对应的函数,包括但不限于一次相关性函数。其中,以时间年度为自变量,区域现状面积为因变量,以根据函数确定出所述未来地区发展空间数据中的面积。
便于理解,优选的,例如计算出上述未来地区发展空间数据中的面积的函数为一次相关性函数:y=47.62x+9280,则2100年的未来地区发展空间面积为109282km2。根据标准差椭圆对逐年现状数据集进行计算形成椭圆,结果包含椭圆中心的坐标和椭圆的斜率以及椭圆的长轴、椭圆的短轴。
以时间年度为自变量,椭圆中心的经度和椭圆中心的纬度坐标分别为因变量,根据函数确定出未来地区发展空间数据中椭圆中心的坐标。
以时间年度为自变量,椭圆的短半轴为因变量,根据函数确定出未来地区发展空间数据中椭圆的短半轴长度;根据函数确定出未来地区发展空间数据中椭圆的长半轴长度;
以时间年度为自变量,椭圆的斜率为因变量,根据线性函数确定出所述未来地区发展空间数据中椭圆的斜率。综上获得一个带有坐标属性的预椭圆。
最后,根据未来地区发展空间数据中的面积与预椭圆面积比,等比缩放确定未来地区发展空间数据中椭圆长半轴与短半轴的长度。椭圆面积公式:S=π(圆周率)×a×b,其中a、b分别是椭圆的长半轴的长,椭圆的短半轴的长。
S32:如图3所示,通过未来地区发展空间数据中椭圆与2020年的地区现状数据椭圆交集取反,保留未来地区发展空间数据中椭圆部分,为椭圆变化区域。将椭圆变化区域与2020年的地区现状数据椭圆的圆心形成夹角,统计每度夹角位置与未来地区发展空间数据中椭圆的面积,设为夹角预面积,进一步统计夹角预面积未来地区发展空间数据中椭圆变化区域面积的比,设为面积占比。
S33:计算夹角位置真实面积与未来地区发展空间数据中的面积减去2020年区域现状面积数据结果乘以面积占比,设为夹角面积。
将在2020年的地区现状数据在夹角方向向外生成缓冲区,缓冲区的面积即为夹角面积,结果将获得地区发展空间格局数据。此过程中2100年的地区发展空间格局数据为地区发展空间格局数据集中的子集。
关于S4,对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据。
设定缓冲区距离为未来地区发展空间数据中椭圆短半轴长度的5%,对2100年的地区发展空间格局数据进行缓冲区处理,形成地区发展空间格局影响数据,将地区发展空间格局影响数据与研究区域进行叠置分析,重合部分为背景数据,其余为风能预期区域数据。
关于S5,构造风能潜在指数,对风能预期数据进行计算获得风能潜在值,并生成风能潜在地区数据。对风能预期区域数据进行逐像元计算风能潜在值。
S51:对风速数据进行预处理,提取每小时的风速大小,计算风速的日、月、年平均值和风速时长,以小时为计算单位。对风向数据进行预处理提取每小时的风向的角度,计算风向的日、月、年平均角度,同时根据一元一次函数,以时间小时为自变量,以风的角度为因变量,计算风向的斜率。
S52:将风能预期区域数据进行计算与分级,Fs为年平均风速值,单位为米每秒,比如2020年年平均风速为5m/s,则Fs(2020)=5;Ft为年风速值,单位为千小时,比如2020年风速时长为4000小时,则Fs(2020)=4;Fd为风向年稳定性值,为比如2020年风向的平均变化斜率为0.3,则;
将所述地形因素中的坡度划分为若干预设坡度等级,并根据若干所述预设坡度等级确定出对应的地形因素比;具体的,本实施例具体将坡度的等级定义为5个级别:,并且将这五个等级的地形因素比Si定义为;
将所述研究区域的像元计算为若干缓冲区距离值Di,通过对未来地区发展空间数据生成缓冲区,计算每个像元位于缓冲区的数值,单位为千米。比如a点为0.3,则表示点距离未来地区发展空间数据为0.3千米,则;
统计建成区的平均高度,将建成区的平均高度设为默认值。将所述研究区像元DEM减去默认值,设为建成区的高度差值Hi;与此同时,本实施例还会通过自然间断方法对上述高度差值进行分类,并且按照降序依次排列为非常高、高、中、低、非常低,优选的,在本实施例中,上述等级可以分别定义为:。
S53:如图4所示,构造风能潜在影响模型,分别构造边长为1,2,3,到边长为n的同一中心的等边三角形,将风能影响因子填写在等边三角形的顶点处,风能影响因子系数为风能影响因子到等边三角形中心的距离的倒数;比如b点为风速影响因子,变长为1的等边三角形的顶点,则表示b点距离中心为,则b的系数为;
将风能影响因子系数乘以本身的风能影响因子的数值得到一个结果,将不同的风能影响因子得到的结果相加后即为风能潜在指数,将年平均风速值Fs、年风速值Ft、风向的平均变化斜率Fd视为强风能影响因子放入边长为1的等边三角形顶点上,将地形因素比Si、缓冲区的距离值Di、建成区的高度差值Hi放入边长为2的等边三角形顶点上,风能潜在指数表达式为:
其中,WEP为风能潜在指数,为年平均风速值的风能影响因子系数,为年风速千小时值的风能影响因子系数,为风向的平均变化斜率的风能影响因子系数,为建成区的高度差值的风能影响因子系数,为缓冲区的距离值的风能影响因子系数,为地形因素比的风能影响因子系数;
S54:根据风能潜在指数对风能预期数据进行计算,获得每个像元风能潜在值,并生成风能潜在地区数据。
根据公式计算出每个像元的WEP值,算出整个区域的WEP就是结果,结果就是研究区域内的风能潜在地区数据。
关于S6,根据风能潜在地区数据绘制出对应的风能潜在地区图谱。在本步骤中,需要说明的是,本步骤是基于风能预期区域数据,根据上述风能潜在指数绘制出对应的风能潜在地区图谱。
如图2所示,一种风能潜在地区预测系统,包括获取数据模块,采集数据模块、第一计算模块、检测数据模块、第二计算模块、输出数据模块,获取数据模块处理后连接采集数据模块,采集数据模块处理后连接第一计算模块,第一计算模块处理后连接检测数据模块,检测数据模块处理后连接第二计算模块,第二计算模块处理后连接输出数据模块;
其中获取数据模块即根据研究区域生成对应的研究任务,并采集研究区域在预设时间内生成的数据集,对采集的数据集进行预处理后得到地区现状数据集;
采集数据模块即根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合,逐年面积统计后的数据和范围拟合后的数据生成逐年现状数据集;
第一计算模块即对逐年现状数据集进行计算,计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据;
检测数据模块即对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据;
第二计算模块即构造风能潜在指数,对风能预期区域数据进行计算,获得风能潜在值,生成风能潜在地区数据;
输出数据模块即根据风能潜在地区数据绘制出对应的风能潜在地区图谱。
Claims (6)
1.一种风能潜在地区预测方法,其特征是:包括以下步骤:
S1:根据研究区域生成对应的研究任务,并采集研究区域在预设时间内生成的数据集,对采集的数据集进行预处理后得到地区现状数据集;
S2:根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合,逐年面积统计后的数据和范围拟合后的数据生成逐年现状数据集;
S3:对逐年现状数据集进行计算,计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据;
S4:对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据;
S5:构造风能潜在指数,对风能预期区域数据进行计算,获得风能潜在值,生成风能潜在地区数据;
S6:根据风能潜在地区数据绘制出对应的风能潜在地区图谱;
步骤S4中对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据,具体为:
设定缓冲区距离为未来地区发展空间数据中椭圆短半轴长度的5%,对未来地区发展空间格局数据进行缓冲区处理,形成地区发展空间格局影响数据,将地区发展空间格局影响数据与研究区域进行叠置分析,重合部分为背景数据,其余为风能预期区域数据。
2.根据权利要求1所述的一种风能潜在地区预测方法,其特征是:步骤S1中对采集的数据集进行预处理,具体步骤为:
S11:获取研究区域内往年的地区现状数据,地区现状数据为逐年矢量数据,统一成矢量面数据形成地区现状数据集,地区现状数据包括道路数据、建成区数据、居民点数据、河流水系数据、自然保护区数据与兴趣点数据;
S12:收集研究区域内风能潜在地区相关数据,形成风能潜在地区相关数据集,风能潜在地区相关数据包括风速、数字高程模型、温度、降雨、坡度;
S13:对地区现状数据和风能潜在地区相关数据进行预处理操作,预处理操作包括辐射校正、图像拼接、地理配准、波段合成和进行统一栅格化图像处理。
3.根据权利要求2所述的一种风能潜在地区预测方法,其特征是:步骤S2中根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合;具体为:
将地区现状数据集按照年份直接进行叠加操作,形成逐年地区现状数据集,对逐年地区现状数据集进行逐年面积统计和使用标准差椭圆进行拟合,形成逐年现状数据集,逐年现状数据集包括逐年地区现状面积数据和逐年地区现状椭圆数据。
4.根据权利要求3所述的一种风能潜在地区预测方法,其特征是:步骤S3中对逐年现状数据集进行计算,计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据,具体步骤为:
S31:根据逐年地区现状面积数据构建函数,包括但不限于一次相关性函数,以时间年度为自变量,区域现状面积为因变量,根据函数确定未来地区发展空间数据中的面积;
S32:根据标准差椭圆对逐年现状数据集进行计算形成椭圆,计算结果包含椭圆中心的坐标、椭圆的斜率以及椭圆的长轴和椭圆的短轴;
以时间年度为自变量,椭圆中心的经度坐标和纬度坐标分别为因变量,根据函数确定未来地区发展空间数据中椭圆中心的坐标;
以时间年度为自变量,椭圆的短半轴为因变量,根据函数确定未来地区发展空间数据中椭圆的短半轴长度,根据函数确定未来地区发展空间数据中椭圆的长半轴长度;
以时间年度为自变量,椭圆的斜率为因变量,根据函数确定未来地区发展空间数据中椭圆的斜率;
得到一个带有坐标属性的预椭圆;
S33:根据未来地区发展空间数据中的面积与预椭圆面积比,等比缩放确定未来地区发展空间数据中椭圆长半轴与短半轴的长度,椭圆面积公式:S=π×a×b;其中π是圆周率,a是椭圆的长半轴的长,b是椭圆的短半轴的长;
S34:对未来地区发展空间数据中椭圆与地区现状数据椭圆交集取反,保留未来地区发展空间数据中椭圆部分,椭圆部分即椭圆变化区域,将椭圆变化区域与地区现状数据椭圆的圆心形成夹角,统计每度夹角位置与未来地区发展空间数据中椭圆的面积,设为夹角预面积,再次统计夹角预面积与未来地区发展空间数据中椭圆变化区域面积的比,设为面积占比;
S35:计算夹角位置真实面积与未来地区发展空间数据中的面积,减去区域现状面积数据,结果乘以面积占比,设为夹角面积;
S36:将地区现状数据在夹角方向向外生成缓冲区,缓冲区的面积为夹角面积,计算过程中获得的数据为地区发展空间格局数据。
5.根据权利要求4所述的一种风能潜在地区预测方法,其特征是:步骤S5中对风能预期区域数据进行计算,获得风能潜在值,具体步骤为:
S51:对风速数据和风向数据进行预处理;
对风速数据进行预处理为提取每小时的风速大小,计算风速的日、月、年平均值和风速时长,以小时为计算单位;
对风向数据进行预处理为提取每小时的风向的角度,计算风向的日、月、年平均角度,根据一元一次函数,以时间小时为自变量,以风向的平均角度为因变量,计算风向的斜率;
S52:将风能预期区域数据进行计算与分级,Fs表示为年平均风速值,单位为米每秒,Ft表示为年风速值,单位为千小时,Fd表示为风向年稳定性值即风向的平均变化斜率值;
将坡度划分为若干预设坡度等级,并根据若干预设坡度等级确定对应的地形因素比Si;
研究区域的像元计算为计算若干缓冲区的距离值Di,通过对未来地区发展空间数据生成缓冲区,计算每个研究区域的像元位于缓冲区的距离值,单位为千米;
统计建成区的平均高度,将建成区的平均高度设为默认值;将所述研究区域的像元数字高程模型减去默认值,设为建成区的高度差值Hi,对高度差值进行等级分类,按照降序依次排列;
S53:构造风能潜在影响模型,分别构造边长为1,2,3,到边长为n的同一中心的等边三角形,将风能影响因子填写在等边三角形的顶点处,风能影响因子系数为风能影响因子到等边三角形中心的距离的倒数;
将风能影响因子系数乘以本身的风能影响因子的数值得到一个结果,将不同的风能影响因子得到的结果相加后即为风能潜在指数,将年平均风速值Fs、年风速值Ft、风向的平均变化斜率Fd放入边长为1的等边三角形顶点上,将地形因素比Si、缓冲区的距离值Di、建成区的高度差值Hi放入边长为2的等边三角形顶点上,风能潜在指数表达式为:
;
其中,WEP为风能潜在指数,为年平均风速值的风能影响因子系数,为年风速值的风能影响因子系数,为风向的平均变化斜率的风能影响因子系数,为建成区的高度差值的风能影响因子系数,为缓冲区的距离值的风能影响因子系数,为地形因素比的风能影响因子系数;
S54,根据风能潜在指数对风能预期数据进行计算,获得每个像元风能潜在值,并生成风能潜在地区数据。
6.一种利用权利要求5所述的风能潜在地区预测方法的预测系统,其特征是:预测系统包括获取数据模块,采集数据模块、第一计算模块、检测数据模块、第二计算模块、输出数据模块,获取数据模块处理后连接采集数据模块,采集数据模块处理后连接第一计算模块,第一计算模块处理后连接检测数据模块,检测数据模块处理后连接第二计算模块,第二计算模块处理后连接输出数据模块;
其中获取数据模块即根据研究区域生成对应的研究任务,并采集研究区域在预设时间内生成的数据集,对采集的数据集进行预处理后得到地区现状数据集;
采集数据模块即根据面积统计对地区现状数据集进行逐年面积统计,使用标准差椭圆对地区现状数据集进行范围拟合,逐年面积统计后的数据和范围拟合后的数据生成逐年现状数据集;
第一计算模块即对逐年现状数据集进行计算,计算未来时期的地区发展空间,形成地区发展空间格局数据集,获得地区发展空间格局数据;
检测数据模块即对地区发展空间格局数据集建立缓冲区,计算获得风能预期区域数据以及背景数据;
第二计算模块即构造风能潜在指数,对风能预期区域数据进行计算,获得风能潜在值,生成风能潜在地区数据;
输出数据模块即根据风能潜在地区数据绘制出对应的风能潜在地区图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310191736.0A CN115860288B (zh) | 2023-03-02 | 2023-03-02 | 一种风能潜在地区预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310191736.0A CN115860288B (zh) | 2023-03-02 | 2023-03-02 | 一种风能潜在地区预测方法及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860288A CN115860288A (zh) | 2023-03-28 |
CN115860288B true CN115860288B (zh) | 2023-05-16 |
Family
ID=85659730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310191736.0A Active CN115860288B (zh) | 2023-03-02 | 2023-03-02 | 一种风能潜在地区预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860288B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239662A (zh) * | 2013-06-14 | 2014-12-24 | 中国科学院城市环境研究所 | 一种定量评价区域风能资源开发潜力的方法 |
KR102025335B1 (ko) * | 2019-01-30 | 2019-09-25 | 서울대학교산학협력단 | 인공지능 기반 설계풍속 자동 산정 방법 및 시스템 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110099509A (ko) * | 2010-03-02 | 2011-09-08 | 대한민국(기상청장) | 풍력-기상자원지도 구축 시스템 및 그 구축 방법 |
CA3072045A1 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
US11138526B2 (en) * | 2018-06-01 | 2021-10-05 | Conduent Business Services, Llc | Crime analysis using domain level similarity |
CN115392105A (zh) * | 2022-03-31 | 2022-11-25 | 长江生态环保集团有限公司 | 一种基于海洋气旋去除的海上风能对比评估方法 |
CN115700634A (zh) * | 2022-11-11 | 2023-02-07 | 湖南大学 | 一种基于未来风险的雨洪调蓄空间优化布局方法 |
-
2023
- 2023-03-02 CN CN202310191736.0A patent/CN115860288B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239662A (zh) * | 2013-06-14 | 2014-12-24 | 中国科学院城市环境研究所 | 一种定量评价区域风能资源开发潜力的方法 |
KR102025335B1 (ko) * | 2019-01-30 | 2019-09-25 | 서울대학교산학협력단 | 인공지능 기반 설계풍속 자동 산정 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CN115860288A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651885A (zh) | 一种智慧型海绵城市洪涝预报方法 | |
Degerli et al. | Using the remote sensing method to simulate the land change in the year 2030 | |
CN107688818A (zh) | 一种基于卫星遥感影像特征分析的路径智能选择方法及系统 | |
CN105095589A (zh) | 一种山区电网风区分布图绘制方法 | |
CN104268429A (zh) | 基于星载sar的近海岸海上风能资源遥感方法及系统 | |
CN112926468B (zh) | 一种潮滩高程自动提取方法 | |
CN111340668B (zh) | 一种台风灾害评估系统 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
Aniskevich et al. | Modelling the spatial distribution of wind energy resources in Latvia | |
CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
CN102496185B (zh) | 基于多分辨率遥感影像离散点融合的dem构建方法 | |
CN115860288B (zh) | 一种风能潜在地区预测方法及预测系统 | |
CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
Liu et al. | Architecture planning and geo-disasters assessment mapping of landslide by using airborne LiDAR data and UAV images | |
Brivio et al. | Urban pattern characterization through geostatistical analysis of satellite images | |
Arundel et al. | The effect of resolution on terrain feature extraction | |
Wang et al. | Spatial Downscaling of Remote Sensing Precipitation Data in the Beijing-Tianjin-Hebei Region | |
CN115964958B (zh) | 通量观测足迹与遥感像元空间尺度的匹配方法 | |
CN104134158A (zh) | 一种核电厂景观干扰分析方法 | |
Nael et al. | Spatial analysis of the land suitability for cocoa plantations in East Dusun District | |
CN117612038B (zh) | 基于无人机影像的矿区植被碳汇精细演算方法 | |
CN114565802B (zh) | 一种风力发电机提取方法 | |
CN116127787B (zh) | 火烧烈度-高程积分方法及火后泥石流易发性评估方法 | |
Savchenko et al. | Methodology for identifying natural phenomena that form large floods using satellite data |
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 |