CN115907463A - 一种电力通道故障率计算方法 - Google Patents
一种电力通道故障率计算方法 Download PDFInfo
- Publication number
- CN115907463A CN115907463A CN202211384541.XA CN202211384541A CN115907463A CN 115907463 A CN115907463 A CN 115907463A CN 202211384541 A CN202211384541 A CN 202211384541A CN 115907463 A CN115907463 A CN 115907463A
- Authority
- CN
- China
- Prior art keywords
- data
- wind speed
- tower
- power channel
- valley
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电力通道故障率计算方法,包括:获取电力通道中每个杆塔所在位置的原始风速数据和地形数据,所述电力通道至少包括一个杆塔;根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据;根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率;根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。可见,本申请能够通过地形数据对原始风速数据进行修正,提高了原始风速数据的有效性,使得基于原始风速数据预测出的电力通道的故障率的准确性大大提高,进而能够提高电力系统在台风灾害下的可靠性和稳定性。
Description
技术领域
本申请涉及电网配置技术领域,更具体地说,涉及一种电力通道故障率计算方法、装置、设备及可读存储介质。
背景技术
台风是影响我国沿海配电网安全的重要因素。西北太平洋及南海海域平均每年有26.5个台风生成,经常在福建、浙江、广东等地登陆,出现最多的月份是8月,其次是7月和9月。浙江省东南部地区在夏秋季节每年都遭受台风灾害,其中温州为受台风灾害影响最严重的地区,台州、丽水次之,每年登陆的台风数量和强度均有差异。台风带来的强风直接威胁着电力通道的安全,极容易引起跳线风偏闪络跳闸、悬垂串风偏闪络跳闸、断股、断线、掉串、倒塔等故障,导致电力系统的可靠性和稳定性大大下降。因此,如何准确计算台风灾害环境下电力通道的故障率成为了亟待解决的问题。
发明内容
本申请实施例提供了一种电力通道故障率计算方法、装置、设备及可读存储介质,提高了原始风速数据的有效性,使得基于原始风速数据预测出的电力通道的故障率的准确性大大提高,进而能够提高电力系统在台风灾害下的可靠性和稳定性。
有鉴于此,本申请实施例提供了一种电力通道故障率计算方法,包括:
获取电力通道中每个杆塔所在位置的原始风速数据和地形数据,所述电力通道至少包括一个杆塔;
根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据;
根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率;
根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。
可选地,所述地形数据包括高程数据、地貌数据和山谷数据;所述根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据,包括:
根据所述高程数据和所述地貌数据对所述原始风速数据进行修正,得到初始风速修正数据;
根据所述山谷数据对所述初始风速修正数据进行修正,得到所述风速修正数据。
可选地,所述根据所述高程数据和所述地貌数据对所述原始风速数据进行修正,得到初始风速修正数据,具体为:
其中,Vz为所述初始风速修正数据,z是所述杆塔距离地面的海拔高度,z0为标准参考高度,V0为所述标准参考高度对应的平均风速,α是地表粗糙度系数。
可选地,所述根据所述山谷数据对所述初始风速修正数据进行修正,得到所述风速修正数据,具体为:
其中,V为所述风速修正数据,Vz为所述初始风速修正数据,W为山谷的宽度,H为山谷深度,L为山谷长度,θ为山谷的复杂度系数。
本申请实施例还提供了一种电力通道故障率计算装置,包括:
获取单元,用于获取电力通道中每个杆塔所在位置的原始风速数据和地形数据,所述电力通道至少包括一个杆塔;
修正单元,用于根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据;
确定单元,用于根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率;
计算单元,用于根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。
可选地,所述地形数据包括高程数据、地貌数据和山谷数据;所述修正单元,具体包括:
第一修正子单元,用于根据所述高程数据和所述地貌数据对所述原始风速数据进行修正,得到初始风速修正数据;
第二修正子单元,用于根据所述山谷数据对所述初始风速修正数据进行修正,得到所述风速修正数据。
可选地,所述第一修正子单元,具体用于根据如下公式进行修正:
其中,Vz为所述初始风速修正数据,z是所述杆塔距离地面的海拔高度,z0为标准参考高度,V0为所述标准参考高度对应的平均风速,α是地表粗糙度系数。
可选地,所述第二修正子单元,具体用于根据如下公式进行修正:
其中,V为所述风速修正数据,Vz为所述初始风速修正数据,W为山谷的宽度,H为山谷深度,L为山谷长度,θ为山谷的复杂度系数。
本申请实施例还提供了一种计算机设备,其特征在于,包括:存储器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,以实现上述所述的任意一种电力通道故障率计算方法;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
本申请实施例还提供了一种计算机可读存储介质,其特征在于,存储有指令,当其在计算机上运行时,使得计算机执行如上述所述的任意一种电力通道故障率计算方法。
本申请实施例提供了一种电力通道故障率计算方法,包括:获取电力通道中每个杆塔所在位置的原始风速数据和地形数据,所述电力通道至少包括一个杆塔;根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据;根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率;根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。可见,本申请能够通过地形数据对原始风速数据进行修正,提高了原始风速数据的有效性,使得基于原始风速数据预测出的电力通道的故障率的准确性大大提高,进而能够提高电力系统在台风灾害下的可靠性和稳定性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种电力通道故障率计算方法的流程示意图;
图2为本申请实施例提供的一种电力通道故障率计算装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
台风是影响我国沿海配电网安全的重要因素。西北太平洋及南海海域平均每年有26.5个台风生成,经常在福建、浙江、广东等地登陆,出现最多的月份是8月,其次是7月和9月。浙江省东南部地区在夏秋季节每年都遭受台风灾害,其中温州为受台风灾害影响最严重的地区,台州、丽水次之,每年登陆的台风数量和强度均有差异。台风带来的强风直接威胁着电力通道的安全,极容易引起跳线风偏闪络跳闸、悬垂串风偏闪络跳闸、断股、断线、掉串、倒塔等故障,导致电力系统的可靠性和稳定性大大下降。因此,如何准确计算台风灾害环境下电力通道的故障率成为了亟待解决的问题。
因此,针对上述问题,本申请实施例提供了一种电力通道故障率计算方法、装置、设备及可读存储介质,提高了原始风速数据的有效性,使得基于原始风速数据预测出的电力通道的故障率的准确性大大提高,进而能够提高电力系统在台风灾害下的可靠性和稳定性。
请参阅图1,本申请实施例所提供的一种电力通道故障率计算方法包括以下步骤。
S101、获取电力通道中每个杆塔所在位置的原始风速数据和地形数据。
本实例中,可以预先获取电力通道中每个杆塔所在位置的原始风速数据和地形数据。其中,电力通道至少包括一个杆塔。可以理解的是,为了计算整个电力通道的故障率,需要先对电力通道中的每个杆塔的故障率进行计算分析,所以需要获取电力通道中的每个杆塔的原始风速数据和地形数据,以供后续进行计算分析。
在一种可能实现的方式中,可以先获取电力通道中每个杆塔的位置信息,然后分别将每个杆塔的位置信息输入至预先构建的原始风速数据库和地形数据库中,得到每个杆塔的原始风速数据和地形数据。其中原始风速数据库中存储有原始风速数据与位置信息的对应关系,且原始风速数据库可以基于气象网站建立,地形数据库可以基于地形数据网站建立。
S102、根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据。
本实施例中,在获取电力通道中每个杆塔的原始风速数据和地形数据后,可以根据该地形数据对该原始风速数据进行修正,得到电力通道中每个杆塔的风速修正数据。可以理解的是,从原始风速数据库中获取的原始风速数据一般无法准确反映出杆塔实际所承受的风速,随着杆塔所处的海拔高度的不同以及杆塔所处的地貌的不同,杆塔所承受的实际风速也是不同的。一般来说,原始风速数据中的风速通常是低于杆塔所承受的实际风速值的,若直接利用未经修正的原始风速数据来分析电力通道在台风灾害下的故障率,可能导致得到的杆塔的故障率和电力通道的故障率要远小于实际情况,从而可能造成电力工作人员无法及时对电力通道进行防护和维修,因此,本实施例中能够通过地形数据对原始风速数据进行修正,提高了原始风速数据的有效性,使得基于原始风速数据预测出的电力通道的故障率的准确性大大提高,进而能够提高电力系统在台风灾害下的可靠性和稳定性。
在一种可能实现的方式中,地形数据包括高程数据、地貌数据和山谷数据,可以先根据高程数据和地貌数据对原始风速数据进行修正,得到初始风速修正数据;然后再根据山谷数据对初始风速修正数据进行修正,得到风速修正数据。
可以理解的是,首先可以先根据每个杆塔对应的高程数据和地貌数据对每个杆塔的原始风速数据进行初步修正,得到每个杆塔的初始风速修正数据,从而大大消除海拔高度以及地貌情况给每个杆塔的原始风速数据带来的不确定性影响,使得初步修正后的初始风速修正数据逐渐靠近杆塔所承受的实际风速数据。其中,可以利用美国国家航天局的全球地理高程数据等数据源,利用ArcGIS将高程文件转换成可读取的数据文件形式后,转化得到规划区域杆塔高程数据;地貌数据可以包括地表粗糙度系数,具体如下表1所示。
表1地貌(地表粗糙度)分类
具体地,可以根据如下公式对原始风速数据进行修正,得到初始风速修正数据:
其中,Vz为所述初始风速修正数据,z是所述杆塔距离地面的海拔高度,z0为标准参考高度,V0为所述标准参考高度对应的平均风速,α是地表粗糙度系数。
其次,在根据高程数据和地貌数据对原始风速数据进行修正得到初始风速修正数据后,可以根据山谷数据对初始风速修正数据进行修正,得到风速修正数据。
可以理解的是,一般而言,随着山体高度的不断升高,平均风速随之逐渐变大,通常最大风速都将出现在山体顶端,而背风坡处的平均风速随高度下降而减少,因此在山顶的杆塔会承受较大的风速值。根据流体相关知识可知:当气流逐渐接近流道逐步变小的峡谷时,由于“狭管效应”的影响,风速逐渐变大,风速较两侧略大。即当空气通过峡谷时,气流被两边的山脊挤压,并开始在峡谷内加速。空气流经狭管时受到挤压,峡谷中的风速高于开阔的地面。一旦气流最终通过峡谷,两侧空气的速度在开阔地面将会明显减少,导致峡谷出口两侧出现严重的涡流。因此,需要根据每个杆塔所在位置的山谷数据对初始风速修正数据进行进一步修正,消除山谷的差异给初始风速修正数据带来的不确定性,使得修正后的风速修正数据进一步靠近杆塔所承受的实际风速数据。
具体地,可以根据如下公式对初始风速修正数据进行修正,得到风速修正数据:
其中,V为所述风速修正数据,Vz为所述初始风速修正数据,W为山谷的宽度,H为山谷深度,L为山谷长度,θ为山谷的复杂度系数。
S103、根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率。
本实施例中,在对原始风速数据进行修正后得到风速修正数据后,可以根据风速修正数据和故障率模型确定电力通道中每个杆塔的故障率。可以理解的是,故障率模型可以根据每个杆塔的历史风速修正数据和历史故障率训练得到。
在一种可能实现的方式中,由风荷载公式可知,风速与风荷载间呈指数关系,因此指数型曲线模型能更好的反映杆塔承受风速越大越容易失效的特点,当超过设计风速时,随着所承受风速的增大,杆塔的失效率开始缓慢增加,一旦超过设计的极限风速时,杆塔毁坏,故障率模型可以如下所示:
其中,Vmin为杆塔的设计风速(m/s),Vex为杆塔的极限风速(m/s),可根据实际或根据破坏性试验确定(设计取2Vmin),K为训练后的模型系数,取值范围可以为0~0.4;V为所述风速修正数据,ps为每个杆塔的故障率。此故障率模型与线性模型最大区别是突出了风速增大后故障率的“陡升”效应。例如,模型可抑制50m/s及以下风速对杆塔的破坏作用,同时提升了60m/s以上风速对杆塔的破坏作用,更切合通道实际灾损情况。
S104、根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。
本实施例中,在确定每个杆塔的故障率后,可以根据电力通道中每个杆塔的故障率计算电力通道的故障率。可以理解的是,电力通道作为串联可靠性系统,电力通道的故障率受电力通道中各杆塔故障概率的直接影响,可以直接根据电力通道中每个杆塔的故障率计算出整条电力通道的故障率。
在一种可能实现的方式中,可以根据以下公式计算电力通道的故障率:
其中,p为电力通道的故障率。
在本申请实施例中提供了一种电力通道故障率计算方法,包括:获取电力通道中每个杆塔所在位置的原始风速数据和地形数据,所述电力通道至少包括一个杆塔;根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据;根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率;根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。可见,本申请能够通过地形数据对原始风速数据进行修正,提高了原始风速数据的有效性,使得基于原始风速数据预测出的电力通道的故障率的准确性大大提高,进而能够提高电力系统在台风灾害下的可靠性和稳定性。
请参阅图2,本申请实施例提供了一种电力通道故障率计算装置,包括:
获取单元201,用于获取电力通道中每个杆塔所在位置的原始风速数据和地形数据,所述电力通道至少包括一个杆塔;
修正单元202,用于根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据;
确定单元203,用于根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率;
计算单元204,用于根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。
可选地,所述地形数据包括高程数据、地貌数据和山谷数据;所述修正单元202,具体包括:
第一修正子单元,用于根据所述高程数据和所述地貌数据对所述原始风速数据进行修正,得到初始风速修正数据;
第二修正子单元,用于根据所述山谷数据对所述初始风速修正数据进行修正,得到所述风速修正数据。
可选地,所述第一修正子单元,具体用于根据如下公式进行修正:
其中,Vz为所述初始风速修正数据,z是所述杆塔距离地面的海拔高度,z0为标准参考高度,V0为所述标准参考高度对应的平均风速,α是地表粗糙度系数。
可选地,所述第二修正子单元,具体用于根据如下公式进行修正:
其中,V为所述风速修正数据,Vz为所述初始风速修正数据,W为山谷的宽度,H为山谷深度,L为山谷长度,θ为山谷的复杂度系数。
本申请实施例提供了一种电力通道故障率计算装置,能够通过地形数据对原始风速数据进行修正,提高了原始风速数据的有效性,使得基于原始风速数据预测出的电力通道的故障率的准确性大大提高,进而能够提高电力系统在台风灾害下的可靠性和稳定性。
本申请实施例还提供了一种计算机设备,包括:存储器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,以实现上述所述的一种通道故障率计算方法;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
本申请实施例还提供了一种计算机可读存储介质,存储有指令,当其在计算机上运行时,使得计算机执行如上述所述的一种电力通道故障率计算方法。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力通道故障率计算方法,其特征在于,包括:
获取电力通道中每个杆塔所在位置的原始风速数据和地形数据,所述电力通道至少包括一个杆塔;
根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据;
根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率;
根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。
2.根据权利要求1所述的方法,其特征在于,所述地形数据包括高程数据、地貌数据和山谷数据;所述根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据,包括:
根据所述高程数据和所述地貌数据对所述原始风速数据进行修正,得到初始风速修正数据;
根据所述山谷数据对所述初始风速修正数据进行修正,得到所述风速修正数据。
5.一种电力通道故障率计算装置,其特征在于,包括:
获取单元,用于获取电力通道中每个杆塔所在位置的原始风速数据和地形数据,所述电力通道至少包括一个杆塔;
修正单元,用于根据所述地形数据对所述原始风速数据进行修正,得到所述电力通道中每个杆塔的风速修正数据;
确定单元,用于根据所述风速修正数据和故障率模型确定所述电力通道中每个杆塔的故障率;
计算单元,用于根据所述电力通道中每个杆塔的故障率计算所述电力通道的故障率。
6.根据权利要求5所述的装置,其特征在于,所述地形数据包括高程数据、地貌数据和山谷数据;所述修正单元,具体包括:
第一修正子单元,用于根据所述高程数据和所述地貌数据对所述原始风速数据进行修正,得到初始风速修正数据;
第二修正子单元,用于根据所述山谷数据对所述初始风速修正数据进行修正,得到所述风速修正数据。
9.一种计算机设备,其特征在于,包括:存储器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,以实现权利要求1至4中任一项所述的方法;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
10.一种计算机可读存储介质,其特征在于,存储有指令,当其在计算机上运行时,使得计算机执行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211384541.XA CN115907463A (zh) | 2022-11-07 | 2022-11-07 | 一种电力通道故障率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211384541.XA CN115907463A (zh) | 2022-11-07 | 2022-11-07 | 一种电力通道故障率计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907463A true CN115907463A (zh) | 2023-04-04 |
Family
ID=86494287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211384541.XA Pending CN115907463A (zh) | 2022-11-07 | 2022-11-07 | 一种电力通道故障率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907463A (zh) |
-
2022
- 2022-11-07 CN CN202211384541.XA patent/CN115907463A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106321368B (zh) | 基于运营风机scada数据的海上风电场尾流损失测量方法 | |
Solyali et al. | Wind resource assessment of Northern Cyprus | |
Hughes et al. | A stochastic approach for assessing the effect of changes in synoptic circulation patterns on gauge precipitation | |
Estévez et al. | Guidelines on validation procedures for meteorological data from automatic weather stations | |
Noriah et al. | Probable maximum precipitation for 24 h duration over southeast Asian monsoon region—Selangor, Malaysia | |
Hong et al. | Basis for recommending an update of wind velocity pressures in Canadian design codes | |
CN110334404B (zh) | 一种流域尺度骤发干旱精准识别方法 | |
CN104182594A (zh) | 一种电力系统风区图的绘制方法 | |
Afzali-Gorouh et al. | Probable maximum precipitation estimation in a humid climate | |
CN105046581A (zh) | 基于多参数风荷载的输电线路强风跳闸风险评估方法 | |
CN103093044B (zh) | 输电线路覆冰舞动分布图测绘方法 | |
CN107403004B (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
CN114861451A (zh) | 沿海地区杆塔抗台风设计方法 | |
Mortensen | Planning and development of wind farms: wind resource assessment and siting | |
CN114266796B (zh) | 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质 | |
CN113537846B (zh) | 基于气象灾害的输配电线路杆塔的风险分析方法及系统 | |
CN107944188A (zh) | 基于气象站实测数据的台风近地面风眼半径辨识方法 | |
CN115907463A (zh) | 一种电力通道故障率计算方法 | |
Birkelund et al. | Wind power predictions in complex terrain using analog ensembles | |
CN116415495A (zh) | 面向复杂地形与气象环境的雷击跳闸率获取方法及设备 | |
Bean et al. | Predicting Utah ground snow loads with PRISM | |
CN103115598A (zh) | 电网覆冰区域分布的测绘方法 | |
Cechet et al. | Climate Futures for Tasmania: severe wind hazard and risk technical report | |
Al-Mamun et al. | Generalised long duration probable maximum precipitation (pmp) isohyetal map for Peninsular Malaysia | |
Suh et al. | Near real-time immediate forecasting of storm surge based on typhoon advisories |
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 |