CN116266257A - 一种风场敏感点位的定量筛选方法及装置 - Google Patents

一种风场敏感点位的定量筛选方法及装置 Download PDF

Info

Publication number
CN116266257A
CN116266257A CN202111549981.1A CN202111549981A CN116266257A CN 116266257 A CN116266257 A CN 116266257A CN 202111549981 A CN202111549981 A CN 202111549981A CN 116266257 A CN116266257 A CN 116266257A
Authority
CN
China
Prior art keywords
vector data
speed vector
wind
wind speed
field
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
Application number
CN202111549981.1A
Other languages
English (en)
Inventor
尹元
李扬森
林瑞宗
刘志伟
傅本钊
邓元婧
张宏杰
邵帅
杨风利
黄国
李茂华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Fujian Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111549981.1A priority Critical patent/CN116266257A/zh
Publication of CN116266257A publication Critical patent/CN116266257A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Fluid Mechanics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及输电线路防灾减灾技术领域，具体提供了一种风场敏感点位的定量筛选方法及装置，包括：对区域进行流场仿真分析，获取全流域风场内每个网格中心点处的风速向量数据；剔除所述风速向量数据中的坏数据，并对剔除坏数据后的风速向量数据进行平滑处理；基于平滑处理后的风速向量数据筛选风场敏感点位。本发明提供的技术方案可用于快速筛选海量风场仿真分析数据，推荐适宜布置输电铁塔的遮挡区塔位，预警不宜布置输电铁塔的加速区塔位。

Description

一种风场敏感点位的定量筛选方法及装置
技术领域
本发明涉及输电线路防灾减灾技术领域，具体涉及一种风场敏感点位的定量筛选方法及装置。
背景技术
随着计算机和流体动力学仿真分析技术的发展，复杂山地风场仿真分析技术不断趋于成熟，能够通过仿真分析得到复杂山地的仿真分析云图及对应的海量分析数据。
风场敏感点位是指那些风速加速效应或风速遮挡效应特别显著，与平原地区入流风速有较大差异的点位。复杂山地风场敏感点位往往通过观察仿真分析云图的方式，由研究者根据自身感觉对风速加速区和风速遮挡区进行划定，无法进行准确的风场敏感点位定量分析。这极大的影响了风场仿真分析结果的客观性，也无法对海量数据进行迅速准确的判断，不利于准确掌握复杂山地风场的分布规律。
发明内容
为了克服上述缺陷，本发明提出了一种风场敏感点位的定量筛选方法及装置。
第一方面，提供一种风场敏感点位的定量筛选方法，所述风场敏感点位的定量筛选方法包括：
对区域进行流场仿真分析，获取全流域风场内每个网格中心点处的风速向量数据；
剔除所述风速向量数据中的坏数据，并对剔除坏数据后的风速向量数据进行平滑处理；
基于平滑处理后的风速向量数据筛选风场敏感点位。
优选的，所述全流域风场内每个网格中心点处的风速向量数据的计算式如下：
Figure BDA0003417186730000011
上式中，Ui为全流域风场内第i个网格中心点处的风速向量数据，ux,i为全流域风场内第i个网格中心点处的水平风速，uy,i为全流域风场内第i个网格中心点处的垂直风速，i∈[1,n]，n为全流域风场内网格总数。
进一步的，所述剔除所述风速向量数据中的坏数据，包括：
若全流域风场内第i个网格中心点处的风速向量数据Ui不满足下述计算式：
Figure BDA0003417186730000021
则剔除Ui，否则，不剔除Ui，其中std为全流域风场内全部网格中心点处的风速向量数据的标准差值。
进一步的，所述对剔除坏数据后的风速向量数据进行平滑处理，包括：
当全流域风场内第k个网格中心点处的风速向量数据被剔除时，按下式获取平滑处理后的全流域风场内第k个网格中心点处的风速向量数据Uk：
Uk＝spline(Uk-j,Uk+j)
上式中，spline为三次样条插值函数，Uk-j为全流域风场内第k-j个网格中心点处的风速向量数据，Uk+j为全流域风场内第k+j个网格中心点处的风速向量数据，k,j∈[1,n]。
优选的，所述基于平滑处理后的风速向量数据筛选风场敏感点位，包括：
对平滑处理后的风速向量数据进行降序排列，获取风速向量数据降序序列；
对平滑处理后的风速向量数据进行升序排列，获取风速向量数据升序序列；
利用所述风速向量数据降序序列和风速向量数据升序序列筛选风场敏感点位。
进一步的，所述风场敏感点位至少包括下述中的一种：风场加速效应敏感点位、风场遮挡效应敏感点位。
进一步的，所述利用所述风速向量数据降序序列和风速向量数据升序序列筛选风场敏感点位，包括：
当所述风速向量数据降序序列中第x个风速向量数据满足：
Figure BDA0003417186730000022
或x<P1时，所述第x个风速向量数据在全流域风场内对应的网格为风场加速效应敏感点位，其中，x∈[1,n]，n为全流域风场内网格总数，P1为第一预设值。
当所述风速向量数据升序序列中第x个风速向量数据满足：
Figure BDA0003417186730000023
或x<P2时，所述第x个风速向量数据在全流域风场内对应的网格为风场遮挡效应敏感点位，其中，P2为第二预设值。
第二方面，提供一种风场敏感点位的定量筛选装置，所述风场敏感点位的定量筛选装置包括：
获取模块，用于对区域进行流场仿真分析，获取全流域风场内每个网格中心点处的风速向量数据；
平滑处理模块，用于剔除所述风速向量数据中的坏数据，并对剔除坏数据后的风速向量数据进行平滑处理；
筛选模块，用于基于平滑处理后的风速向量数据筛选风场敏感点位。
第三方面，提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的风场敏感点位的定量筛选方法。
第四方面，提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的风场敏感点位的定量筛选方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本发明涉及输电线路防灾减灾技术领域，具体提供了一种风场敏感点位的定量筛选方法及装置，包括：对区域进行流场仿真分析，获取全流域风场内每个网格中心点处的风速向量数据；剔除所述风速向量数据中的坏数据，并对剔除坏数据后的风速向量数据进行平滑处理；基于平滑处理后的风速向量数据筛选风场敏感点位。本发明提供的技术方案能够基于海量仿真分析数据迅速、客观、准确的筛选风场敏感点位，实现对复杂山地海量风速数据的自动批量化处理，为输电线路选线定塔位等工作提供数据参考。
附图说明
图1是本发明实施例的风场敏感点位的定量筛选方法的主要步骤流程示意图；
图2是本发明实施例的风场敏感点位的定量筛选装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，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它实施例，都属于本发明保护的范围。
参阅附图1，图1是本发明的一个实施例的风场敏感点位的定量筛选方法的主要步骤流程示意图。如图1所示，本发明实施例中的风场敏感点位的定量筛选方法主要包括以下步骤：
步骤S101：对区域进行流场仿真分析，获取全流域风场内每个网格中心点处的风速向量数据；
步骤S102：剔除所述风速向量数据中的坏数据，并对剔除坏数据后的风速向量数据进行平滑处理；
步骤S103：基于平滑处理后的风速向量数据筛选风场敏感点位。
本实施例中，所述全流域风场内每个网格中心点处的风速向量数据的计算式如下：
Figure BDA0003417186730000041
上式中，Ui为全流域风场内第i个网格中心点处的风速向量数据，ux,i为全流域风场内第i个网格中心点处的水平风速，uy,i为全流域风场内第i个网格中心点处的垂直风速，i∈[1,n]，n为全流域风场内网格总数。
在一个实施方式中，所述剔除所述风速向量数据中的坏数据，包括：
若全流域风场内第i个网格中心点处的风速向量数据Ui不满足下述计算式：
Figure BDA0003417186730000042
则剔除Ui，否则，不剔除Ui，其中std为全流域风场内全部网格中心点处的风速向量数据的标准差值。
在一个实施方式中，所述对剔除坏数据后的风速向量数据进行平滑处理，包括：
当全流域风场内第k个网格中心点处的风速向量数据被剔除时，按下式获取平滑处理后的全流域风场内第k个网格中心点处的风速向量数据Uk：
Uk＝spline(Uk-j,Uk+j)
上式中，spline为三次样条插值函数，Uk-j为全流域风场内第k-j个网格中心点处的风速向量数据，Uk+j为全流域风场内第k+j个网格中心点处的风速向量数据，k,j∈[1,n]。
本实施例中，所述基于平滑处理后的风速向量数据筛选风场敏感点位，包括：
对平滑处理后的风速向量数据进行降序排列，获取风速向量数据降序序列；
对平滑处理后的风速向量数据进行升序排列，获取风速向量数据升序序列；
利用所述风速向量数据降序序列和风速向量数据升序序列筛选风场敏感点位。
其中，所述风场敏感点位至少包括下述中的一种：风场加速效应敏感点位、风场遮挡效应敏感点位。
在一个实施方式中，所述利用所述风速向量数据降序序列和风速向量数据升序序列筛选风场敏感点位，包括：
当所述风速向量数据降序序列中第x个风速向量数据满足：
Figure BDA0003417186730000051
或x<P1时，所述第x个风速向量数据在全流域风场内对应的网格为风场加速效应敏感点位，其中，x∈[1,n]，n为全流域风场内网格总数，P1为第一预设值。
当所述风速向量数据升序序列中第x个风速向量数据满足：
Figure BDA0003417186730000052
或x<P2时，所述第x个风速向量数据在全流域风场内对应的网格为风场遮挡效应敏感点位，其中，P2为第二预设值。
基于上述方案，本发明提供了一种最优的实施方式，具体基于某山区复杂山地风场敏感点位的筛选工作，进行专利实例应用介绍：
(1)提取复杂山地的地表高程数据，在风场仿真分析软件中，生成刚体地表边界模型，在风场仿真分析软件中，对复杂山地刚体边界上层的风场进行网格划分，对流场仿真分析的参数进行设置，给定入流风速U＝10m/s，进行流场仿真分析。
(2)通过流体仿真分析软件后处理器中的数据导出功能，批量导出10×10网格大小全流域风场内总计100个网格中心点处的水平风速{10.31,11.23,14.50,12.11,…uxi,…,ux,99,ux,100}和{0.03,0.12,-1.33,0.45,…uyi,…uy,99,uy,100}，根据公式(1)计算得到全流域内任意点位i处的风速向量{10.31,11.23,14.56,12.12,…Ui,…U99,U100}。
(3)令n＝50，以50个数为1组，作为相邻区域风速向量U。计算得该组风速向量的平均数为14.3216，标准差为10.3669，当风速Ui处于[-21.9627,50.61]范围内时，均可判定为正常数值结果，经搜索发现，当i＝10时，Ui＝84.14，属于非正常数值解，其中：
Figure BDA0003417186730000053
(4)采用三次样条插值函数interp，借助记录位置附近点位处的风速U9和U10，按照公式(3)，对突变区内记录位置k＝10处的非正常数值解进行替换，替换后的风速向量
Figure BDA0003417186730000061
为：
Figure BDA0003417186730000062
(5)基于降序排序函数，对平滑处理后的风速向量
Figure BDA0003417186730000063
进行排序，形成新的风速向量/>
Figure BDA0003417186730000064
Figure BDA0003417186730000065
根据需要设定阈值5％，位置关系满足
Figure BDA0003417186730000066
或x<P2的均为复杂山地风场加速效应敏感点位，共计3个点位；
基于升序排序函数，对平滑处理后的风速向量
Figure BDA0003417186730000067
进行排序，形成新的风速向量
Figure BDA0003417186730000068
Figure BDA0003417186730000069
根据需要设定阈值5％，位置关系满足
Figure BDA00034171867300000610
或x<P1的均为复杂山地风场加速效应敏感点位，共计3个点位。
基于同一发明构思，本发明提供一种风场敏感点位的定量筛选装置，如图2所示，所述风场敏感点位的定量筛选装置包括：
获取模块，用于对区域进行流场仿真分析，获取全流域风场内每个网格中心点处的风速向量数据；
平滑处理模块，用于剔除所述风速向量数据中的坏数据，并对剔除坏数据后的风速向量数据进行平滑处理；
筛选模块，用于基于平滑处理后的风速向量数据筛选风场敏感点位。
优选的，所述全流域风场内每个网格中心点处的风速向量数据的计算式如下：
Figure BDA0003417186730000071
上式中，Ui为全流域风场内第i个网格中心点处的风速向量数据，ux,i为全流域风场内第i个网格中心点处的水平风速，uy,i为全流域风场内第i个网格中心点处的垂直风速，i∈[1,n]，n为全流域风场内网格总数。
进一步的，所述剔除所述风速向量数据中的坏数据，包括：
若全流域风场内第i个网格中心点处的风速向量数据Ui不满足下述计算式：
Figure BDA0003417186730000072
则剔除Ui，否则，不剔除Ui，其中std为全流域风场内全部网格中心点处的风速向量数据的标准差值。
进一步的，所述对剔除坏数据后的风速向量数据进行平滑处理，包括：
当全流域风场内第k个网格中心点处的风速向量数据被剔除时，按下式获取平滑处理后的全流域风场内第k个网格中心点处的风速向量数据Uk：
Uk＝spline(Uk-j,Uk+j)
上式中，spline为三次样条插值函数，Uk-j为全流域风场内第k-j个网格中心点处的风速向量数据，Uk+j为全流域风场内第k+j个网格中心点处的风速向量数据，k,j∈[1,n]。
优选的，所述基于平滑处理后的风速向量数据筛选风场敏感点位，包括：
对平滑处理后的风速向量数据进行降序排列，获取风速向量数据降序序列；
对平滑处理后的风速向量数据进行升序排列，获取风速向量数据升序序列；
利用所述风速向量数据降序序列和风速向量数据升序序列筛选风场敏感点位。
进一步的，所述风场敏感点位至少包括下述中的一种：风场加速效应敏感点位、风场遮挡效应敏感点位。
进一步的，所述利用所述风速向量数据降序序列和风速向量数据升序序列筛选风场敏感点位，包括：
当所述风速向量数据降序序列中第x个风速向量数据满足：
Figure BDA0003417186730000073
或x<P1时，所述第x个风速向量数据在全流域风场内对应的网格为风场加速效应敏感点位，其中，x∈[1,n]，n为全流域风场内网格总数，P1为第一预设值。
当所述风速向量数据升序序列中第x个风速向量数据满足：
Figure BDA0003417186730000081
或x<P2时，所述第x个风速向量数据在全流域风场内对应的网格为风场遮挡效应敏感点位，其中，P2为第二预设值。
进一步的，本发明提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的风场敏感点位的定量筛选方法。
进一步的，本发明提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的风场敏感点位的定量筛选方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种风场敏感点位的定量筛选方法，其特征在于，所述方法包括：
对区域进行流场仿真分析，获取全流域风场内每个网格中心点处的风速向量数据；
剔除所述风速向量数据中的坏数据，并对剔除坏数据后的风速向量数据进行平滑处理；
基于平滑处理后的风速向量数据筛选风场敏感点位。
2.如权利要求1所述的方法，其特征在于，所述全流域风场内每个网格中心点处的风速向量数据的计算式如下：
Figure FDA0003417186720000012
上式中，Ui为全流域风场内第i个网格中心点处的风速向量数据，ux,i为全流域风场内第i个网格中心点处的水平风速，uy,i为全流域风场内第i个网格中心点处的垂直风速，i∈[1,n]，n为全流域风场内网格总数。
3.如权利要求2所述的方法，其特征在于，所述剔除所述风速向量数据中的坏数据，包括：
若全流域风场内第i个网格中心点处的风速向量数据Ui不满足下述计算式：
Figure FDA0003417186720000011
则剔除Ui，否则，不剔除Ui，其中std为全流域风场内全部网格中心点处的风速向量数据的标准差值。
4.如权利要求2所述的方法，其特征在于，所述对剔除坏数据后的风速向量数据进行平滑处理，包括：
当全流域风场内第k个网格中心点处的风速向量数据被剔除时，按下式获取平滑处理后的全流域风场内第k个网格中心点处的风速向量数据Uk：
Uk＝spline(Uk-j,Uk+j)
上式中，spline为三次样条插值函数，Uk-j为全流域风场内第k-j个网格中心点处的风速向量数据，Uk+j为全流域风场内第k+j个网格中心点处的风速向量数据，k,j∈[1,n]。
5.如权利要求1所述的方法，其特征在于，所述基于平滑处理后的风速向量数据筛选风场敏感点位，包括：
对平滑处理后的风速向量数据进行降序排列，获取风速向量数据降序序列；
对平滑处理后的风速向量数据进行升序排列，获取风速向量数据升序序列；
利用所述风速向量数据降序序列和风速向量数据升序序列筛选风场敏感点位。
6.如权利要求5所述的方法，其特征在于，所述风场敏感点位至少包括下述中的一种：风场加速效应敏感点位、风场遮挡效应敏感点位。
7.如权利要求6所述的方法，其特征在于，所述利用所述风速向量数据降序序列和风速向量数据升序序列筛选风场敏感点位，包括：
当所述风速向量数据降序序列中第x个风速向量数据满足：
Figure FDA0003417186720000021
或x<P1时，所述第x个风速向量数据在全流域风场内对应的网格为风场加速效应敏感点位，其中，x∈[1,n]，n为全流域风场内网格总数，P1为第一预设值。
当所述风速向量数据升序序列中第x个风速向量数据满足：
Figure FDA0003417186720000022
或x<P2时，所述第x个风速向量数据在全流域风场内对应的网格为风场遮挡效应敏感点位，其中，P2为第二预设值。
8.一种风场敏感点位的定量筛选装置，其特征在于，所述装置包括：
获取模块，用于对区域进行流场仿真分析，获取全流域风场内每个网格中心点处的风速向量数据；
平滑处理模块，用于剔除所述风速向量数据中的坏数据，并对剔除坏数据后的风速向量数据进行平滑处理；
筛选模块，用于基于平滑处理后的风速向量数据筛选风场敏感点位。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的方法。
CN202111549981.1A 2021-12-17 2021-12-17 一种风场敏感点位的定量筛选方法及装置 Pending CN116266257A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111549981.1A CN116266257A (zh) 2021-12-17 2021-12-17 一种风场敏感点位的定量筛选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111549981.1A CN116266257A (zh) 2021-12-17 2021-12-17 一种风场敏感点位的定量筛选方法及装置

Publications (1)

Publication Number Publication Date
CN116266257A true CN116266257A (zh) 2023-06-20

Family

ID=86743589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111549981.1A Pending CN116266257A (zh) 2021-12-17 2021-12-17 一种风场敏感点位的定量筛选方法及装置

Country Status (1)

Country Link
CN (1) CN116266257A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094254A (zh) * 2023-10-20 2023-11-21 自然资源部第一海洋研究所 基于风场敏感度参数提高海洋模式模拟精度的方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094254A (zh) * 2023-10-20 2023-11-21 自然资源部第一海洋研究所 基于风场敏感度参数提高海洋模式模拟精度的方法及系统
CN117094254B (zh) * 2023-10-20 2024-01-09 自然资源部第一海洋研究所 基于风场敏感度参数提高海洋模式模拟精度的方法及系统

Similar Documents

Publication Publication Date Title
CN110263988B (zh) 一种基于电厂脱硫系统的数据运行优化方法
CN105512799B (zh) 一种基于海量在线历史数据的电力系统暂态稳定评估方法
CN104103005B (zh) 一种有限条件下突发性水环境事件污染源的溯源方法
CN104965787B (zh) 一种基于三支决策的两阶段软件缺陷预测方法
CN106815596A (zh) 一种图像分类器建立方法及装置
CN104794492B (zh) 基于功率特征模型的机床设备加工运行状态在线识别方法
CN105571645A (zh) 一种大坝自动化监测方法
CN116266257A (zh) 一种风场敏感点位的定量筛选方法及装置
CN106483942A (zh) 一种半导体制造设备和工艺的智能控制系统及方法
CN110378870B (zh) 一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法
CN116307289B (zh) 一种纺织品加工工序参数检测预测方法、系统及存储介质
CN116069002B (zh) 一种电机控制器转速均衡测试方法及系统
CN115660196A (zh) 一种制药车间的生产管理方法及系统
CN108956783B (zh) 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法
CN115238559B (zh) 一种三维轧件拉伸建模过程边界组元自动提取方法及系统
CN110413949B (zh) 一种呈递增或递减变化趋势的数据处理方法
CN116451291A (zh) 一种工程图纸布局质量的量化评价方法及系统
CN115330088A (zh) 一种小型水库的防洪精细化预测方法
CN111724203A (zh) 基于多重回归模型的产品加工价格预估方法及系统
CN110826904B (zh) 风机的数据处理方法、装置、处理设备及可读存储介质
CN110210657B (zh) 一种基于单机模型的风机功率预测方法、系统及计算机存储介质
CN104537167B (zh) 基于鲁棒区间极限学习机的区间型指标预报方法
CN113469955A (zh) 一种光伏组件故障区图像检测方法及系统
CN111291464A (zh) 一种电力系统动态等值方法及装置
CN110874258B (zh) 物理机变更方法、装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication