CN116307278B - 一种风能和太阳能月尺度资源的预报方法 - Google Patents
一种风能和太阳能月尺度资源的预报方法 Download PDFInfo
- Publication number
- CN116307278B CN116307278B CN202310560809.9A CN202310560809A CN116307278B CN 116307278 B CN116307278 B CN 116307278B CN 202310560809 A CN202310560809 A CN 202310560809A CN 116307278 B CN116307278 B CN 116307278B
- Authority
- CN
- China
- Prior art keywords
- meteorological
- energy
- month
- forecast
- mode
- 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
- 238000013277 forecasting method Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 description 19
- 238000000354 decomposition reaction Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 230000003247 decreasing effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种风能和太阳能月尺度资源的预报方法,包括:将预报时间段对应的参照预报数据输入至预测模型,得到预报时间段的气象能源的强度指标。构建预测模型的构建方法,包括:获取预定历史时间段内指定区域的逐月气象能源强度指标;根据预定历史时间段内指定区域的逐月气象能源强度指标确定所述指定区域内气象能源的主要模态;根据所述预定历史时间段同期的多组参照数据确定影响所述气象能源的模态变化的关键环流要素以及所述指定区域内的气象能源显著关键区,所述参照数据为所述气象能源的强度指标数据;根据所述关键环流要素以及所述气象能源显著关键区构建各个所述主要模态的预测模型。本公开还提供一种电子设备和一种计算机可读介质。
Description
技术领域
本公开涉及计算机领域,具体地,涉及一种用于气象能源预报的预测模型的构建方法、一种气象能源的月尺度预报方法、一种电子设备和一种计算机可读介质。
背景技术
风能、太阳能均是可再生资源,近年来风能发电、太阳能发电均得到了广泛的应用。为了更好地实现发电并网,需要对相应地区风能、以及太阳能进行预测。
目前风能、以及太阳能的预测多局限于超短期预测,这种预测往往难以满足利用风能、以及太阳能进行发电的需求。
如何对预报风能、以及太阳能进行相对较长时间的预测成为本领域亟待解决的技术问题。
发明内容
本公开的目的在于提供一种用于气象能源预报的预测模型的构建方法、一种气象能源的月尺度预报方法、一种电子设备和一种计算机可读介质,可以实现以月为尺度对风能、以及太阳能进行预测。
作为本公开的第一个方面,提供一种用于气象能源预报的预测模型的构建方法,包括:
获取预定历史时间段内指定区域的逐月气象能源强度指标;
根据预定历史时间段内指定区域的逐月气象能源强度指标确定所述指定区域内气象能源的主要模态;
根据所述预定历史时间段同期的多组参照数据确定影响所述气象能源的模态变化的关键环流要素以及所述指定区域内的气象能源显著关键区,所述参照数据为所述气象能源的强度指标数据;
根据所述关键环流要素以及所述气象能源显著关键区构建各个所述主要模态的预测模型。
可选地,所述根据所述预定历史时间段同期的多组参照数据确定影响所述气象能源的模态变化的关键环流要素以及所述指定区域内的气象能源显著关键区,包括:
分别根据各组参照数据确定相应的初始环流要素、以及相应的初始关键区,所述初始环流要素为影响所述气象能源的模态变化的要素;
将多组初始环流要素中重合的环流要素作为所述关键环流要素;
将多组初始关键区中重合的关键区作为所述气象能源显著关键区。
可选地,多组所述参照数据包括ERA5再分析数据、以及MRI-CGCM模式回报数据。
可选地,所述根据预定历史时间段内指定区域的逐月气象能源强度指标确定所述指定区域内气象能源的主要模态,包括:
根据获取到的所述逐月气象能源强度指标计算气象能源强度指标距平百分率序列;
对所述气象能源强度指标距平百分率序列进行EOF展开,得到所述气象能源的前N个模态的空间场和相应的时间系数,其中,风能的前N个模态为所述指定区域内风能的主要模态,N为正整数,且N≥2;
所述分别根据各组参照数据确定相应的初始环流要素、以及相应的关键区,包括:
确定各组所述参照数据中与所述气象能源的主要模态对应的时间系数相匹配的环流要素作为所述初始环流要素;
确定各组所述参照数据中与所述气象能源的主要模态对应的时间系数相匹配的关键区作为所述初始关键区。
可选地,所述根据所述关键环流要素以及所述气象能源显著关键区构建各个所述主要模态的预测模型,包括:
利用所述关键环流要素、以及所述气象能源显著关键区,通过机器学习方法对初始模型进行训练,得到所述预测模型。
可选地,所述气象能源包括太阳能和/或风能。
作为本公开的第二个方面,提供一种气象能源的月尺度预报方法,包括:
将预报时间段对应的参照预报数据输入至预测模型,得到预报时间段的气象能源的强度指标,其中,所述预测模型为第一个方面所提供的构建方法所构建的预测模型。
可选地,所述参照预报数据为MRI-CGCM模式预报数据;
所述将预报时间段对应的预定预报数据输入至预测模型,得到预报时间段的气象能源的强度指标,包括:
所述将预报时间段对应的预定预报数据输入至预测模型,得到所述预报时间段的时间系数;
将所述预报时间段的时间系数与所述气象能源的主要模态的空间场相乘,得到所述预报时间段内的预测场。
作为本公开的第三个方面,提供一种电子设备,包括:
一个或多个处理器;
存储器,其上存储有一个或多个应用程序,当所述一个或多个应用程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现第一个方面所述的构建方法和/或第二个方面所述的月尺度预报方法;
一个或多个I/O接口,连接在所述处理器与存储器之间,配置为实现所述处理器与第一存储器的信息交互。
作为本公开的第四个方面,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现根据第一个方面所述的构建方法和/或第二个方面所述的月尺度预报方法。
在本公开中,气象能源可以是风能、也可以是太阳能,还可以是其他与气象相关的能源。对于风能而言,“指定区域的逐月气象能源强度指标”是指逐月平均风速,进一步地,可以是逐月10m平均风速。对于太阳能而言,“指定区域的逐月气象能源强度指标”是指逐月总辐射量。
在本公开中,可以通过指定区域的本地观测站获取所述预定历史时间段内指定区域的逐月气象能源强度指标。
在本公开实施例所提供的构建方法中,“参照数据”是指包括所述指定区域的目标区域所获得的气象能源的相关数据,也就是说,所述目标区域的范围要大于所述指定区域的范围。由于参照数据还包括除了指定区域之外的其他区域的气象能源的数据,因此,通过所述参照数据可以确定影响指定区域的气象能源的因素(即,所述关键环流要素),也就是说,在构建预测模型时不仅局限于本地观测数据,还引入了关键环流要素,考虑更加全面,从而可以使得最终构建的预测模型的预测结果更加精确。
构建预测模型的数据为气象能源的月度数据,因此,所述预测模型输出的数据也是月度数据,通过所述预测模型可以实现气象能源的月度预报,从而更加有利于气象能源的应用。
附图说明
图1是本公开提供的用于气象能源预报的预测模型的构建方法的一种实施方式的流程图;
图2是步骤S130的一种实施方式的示意图;
图3至图10所示的是中国1月10m风速EOF分解后,前8个模态时间系数变化;
图11至图18是中国7月份10m风速EOF分解后,前8个模态的时间系数变化图;
图19至图26是中国10月10m风速EOF分解后,前8个模态的时间系数变化图;
图27至图34是中国1月水平面总辐射EOF分解后,前8个模态的时间系数变化图;
图35至图42是中国7月水平面总辐射EOF分解后,前8个模态的时间系数变化图;
图43至图50是中国10月水平面总辐射EOF分解后,前8个模态的时间系数变化图;
图51是步骤S133的一种实施方式的示意图;
图52是本公开所提供的气象能源的月尺度预报方法的一种实施方式的流程示意图;
图53是本公开所提供的气象能源的月尺度预报方法的另一种实施方式的流程示意图;
图54是本公开所提供的预测模型的构建方法、及气象能源的月尺度预报方法的一种具体实施方式的示意图。
具体实施方式
为使本领域的技术人员更好地理解本公开的技术方案,下面结合附图对本公开提供的用于气象能源预报的预测模型的构建方法、气象能源的月尺度预报方法、电子设备和计算机可读介质进行详细描述。
在下文中将参考附图更充分地描述示例实施例,但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之,提供这些实施例的目的在于使本公开透彻和完整,并将使本领域技术人员充分理解本公开的范围。
在不冲突的情况下,本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的,术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例,且不意欲限制本公开。如本文所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。还将理解的是,当本说明书中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
除非另外限定,否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本文明确如此限定。
作为本公开的第一个方面,提供一种用于气象能源预报的预测模型的构建方法,如图1所示,所述构建方法包括:
在步骤S110中,获取预定历史时间段内指定区域的逐月气象能源强度指标;
在步骤S120中,根据预定历史时间段内指定区域的逐月气象能源强度指标确定所述指定区域内气象能源的主要模态;
在步骤S130中,根据所述预定历史时间段同期的多组参照数据确定影响所述气象能源的模态变化的关键环流要素以及所述指定区域内的气象能源显著关键区,所述参照数据为所述气象能源的强度指标数据;
在步骤S140中,根据所述关键环流要素以及所述气象能源显著关键区构建各个所述主要模态的预测模型。
在本公开中,气象能源可以是风能、也可以是太阳能,还可以是其他与气象相关的能源。对于风能而言,“指定区域的逐月气象能源强度指标”是指逐月平均风速,进一步地,可以是逐月10m平均风速。对于太阳能而言,“指定区域的逐月气象能源强度指标”是指逐月总辐射量。
在本公开中,可以通过指定区域的本地观测站获取所述预定历史时间段内指定区域的逐月气象能源强度指标。
在本公开实施例所提供的构建方法中,“参照数据”是指包括所述指定区域的目标区域所获得的气象能源的相关数据,也就是说,所述目标区域的范围要大于所述指定区域的范围。由于参照数据还包括除了指定区域之外的其他区域的气象能源的数据,因此,通过所述参照数据可以确定影响指定区域的气象能源的因素(即,所述关键环流要素),也就是说,在构建预测模型时不仅局限于本地观测数据,还引入了关键环流要素,考虑更加全面,从而可以使得最终构建的预测模型的预测结果更加精确。
构建预测模型的数据为气象能源的月度数据,因此,所述预测模型输出的数据也是月度数据,通过所述预测模型可以实现气象能源的月度预报,从而更加有利于气象能源的应用。
在本公开中,对如何具体执行步骤S130不做特殊的限定。作为一种可选实施方式,如图2所示,所述根据所述预定历史时间段同期的多组参照数据确定影响所述气象能源的模态变化的关键环流要素以及所述指定区域内的气象能源显著关键区,包括:
在步骤S131中,分别根据各组参照数据确定相应的初始环流要素、以及相应的初始关键区,所述初始环流要素为影响所述气象能源的模态变化的要素;
在步骤S132中,将多组初始环流要素中重合的环流要素作为所述关键环流要素;
在步骤S133中,将多组初始关键区中重合的关键区作为所述气象能源显著关键区。
根据每组参照数据都可以确定出初始环流要素、以及初始关键区。所谓“关键区”是指相关性高的区域。例如,如果采用两组参照数据,那么就可以得到两组初始环流要素和两组关键区;如果采用三组参照数据,那么就可以得到三组初始环流要素和三组关键区。
在本公开中,将多组初始环流要素中重合的环流要素作为关键环流要素,且多组初始关键区中重合的关键区为气象能源显著关键区,从而是的“关键环流要素”、以及“气象能源显著关键区”的确定更加客观准确。
作为一种可选实施方式,多组所述参照数据包括ERA5再分析数据、以及MRI-CGCM模式回报数据。
ERA5再分析数据是由欧洲数值预报中心提供气候逐月分析数据。ERA5再分析数据的时间分辨率较高,并且将更多的历史观测数据尤其是卫星数据利用到先进的数据同化和模式系统中。ERA5再分析数据将更多的历史观测数据尤其是卫星数据利用到先进的数据同化和模式系统中,用以估计更为准确的大气状况。本公开使用的ERA5要素主要包括位势高度、风速、气温等要素(具体要素见表2.1.1及变形要素见表2.1.2),水平分辨率2.5°×2.5°。此外,ERA5还提供逐月的10m和100m高度上的风场,本公开将其引入用来分析指定区域内的风切变指数,水平分辨率为0.25°×0.25°。表1中所示的是本公开一种实施方式中所使用的ERA5要素,表2中所示的是本公开一种实施例中所使用的ERA5变形要素。在执行步骤S131时,可以使用表1中的数据,也可以使用表2中的数据。
表1
2m气温 | 100hPa位势高度 | 200hPa位势高度 | 200hPa温度 |
200hPaU风 | 200hPaV风 | 300hPa位势高度 | 500hPa位势高度 |
500hPa温度 | 500hPaU风 | 500hPaV风 | 850hPa位势高度 |
850hPa比湿 | 850hPa相对湿度 | 850hPa温度 | 850hPaU风 |
850hPaV风 | 海平面气压 | 降水 | 海表温度 |
表2
2m气温梯度 | 100hPa位势高度梯度 | 200hPa位势高度梯度 | 200hPa温度梯度 |
300hPa位势高度梯度 | 500hPa位势高度梯度 | 500hPa温度梯度 | 850hPa位势高度梯度 |
850hPa温度梯度 | 海平面气压梯度 | 200hPa全风速 | 500hPa全风速 |
850hPa全风速 |
MRI-CGCM模式回报数据是日本全球大气海洋模式回报数据,日本气象厅MRI-CGCM模式,该模式由大气环流模式AGCM(TL95,水平分辨率1.875°×1.875°1,垂直方向分成40层)和海洋环流模式OGCM(水平分辨率在经向为1.0°,纬向为0.3°~1°,垂直方向分成50层)耦合而成。
利用ERA5再分析数据和MRI-CGCM模式回报数据作为参考数据,可以提高确定的关键环流要素、和气象能源显著关键区的准确性。
在本公开中,对步骤S120的具体实施方式不做特殊的限定。作为一种可选实施方式,所述根据预定历史时间段内指定区域的逐月气象能源强度指标确定所述指定区域内气象能源的主要模态,包括:
根据获取到的所述逐月气象能源强度指标计算气象能源强度指标距平百分率序列;
对所述气象能源强度指标距平百分率序列进行正交经验函数(EOF,EmpiricalOrthogonal Function)展开,得到所述气象能源的前N个模态的空间场和相应的时间系数,其中,风能的前N个模态为所述指定区域内风能的主要模态,N为正整数,且N≥2。
“距平百分率”可以表示为(实测值-同期历史均值)/同期历史均值,距平百分率可以体现变化程度。
在本公开中,在确定时间系数预报方程时,采用了风速距平百分率和辐射量距平百分率,从而可以更好地对待预报的月份内的气象能源的变化情况进行预测。
EOF分析能够将变量场分解为相互独立的模态(特征向量场和时间系数),这些模态可以代表变量场典型的时空变化特征。EOF分析的稳定性较好,具有计算收敛性快的特点,同时这种方法用于分析离散的资料时效果较好。EOF分析能够把随时间变化的气象(海洋)要素场分解为空间函数部分和时间函数(主分量)部分。空间函数部分概括场的地域分布特点,这部分是不随时间变化的;而时间函数部分则由空间点(变量)的线性组合所构成,称为主分量,这些主分量的头几个占原空间点(变量)的总方差的很大部分。
EOF分解的基本原理和分解过程可以用下面的公式表述:设有一气象(海洋)要素场,其中包括个空间点有/>次观测。将这一气象(海洋)变量场以矩阵表示,即
其中表示任意变量/>在任意时刻/>的观测值,将上述矩阵/>分解成正交的空间函数矩阵/>和时间函数矩阵/>两部分:
并且满足正交性:
的每一列表是一个空间典型场,只与空间有关。/>的每一列表示相应的时间系数,只与时间有关。根据主成份的性质,主成分是按照方差贡献的大小来排列的,而且是相互独立的,因此前几个模态表征了该物理量场的主要变化信息和空间特征。
在本公开中,对N的具体数值不做特殊的限定,作为一种可选实施方式,N=3。下面以1、4、7、10共4个月份为典型月份代表春夏秋冬四个季节进行解释和说明。
表3给出了中国1月份风速EOF分解前8模态解释方差及累计方差,可以看到1月份风速EOF分解收敛速度还是比较快的,前8模态累计方差达到67.38%,前3模态累计方差达到46.52%。图3至图10所示的是中国1月10m风速EOF分解前8个模态时间系数变化。
表3
第1模态 | 第2模态 | 第3模态 | 第4模态 | 第5模态 | 第6模态 | 第7模态 | 第8模态 | |
解释方差 | 22.66 | 16.16 | 7.69 | 5.92 | 5.25 | 3.61 | 3.15 | 2.92 |
累计方差 | 22.66 | 38.83 | 46.52 | 52.45 | 57.70 | 61.31 | 64.46 | 67.38 |
从1月份中国风速EOF分解前8模态空间分布可以看出,第一模态全国区域普遍以大于0的分布为主,其中大值区域位于青藏高原西北部、内蒙古大部、东北中南部、华东地区北部。从对应的时间系数上看,在1979-2018年间,时间系数呈逐渐减小的趋势,表明中国1月份整体的风速呈逐渐减少的趋势。
第二模态全国以负值为主,其中负值中心位于新疆大部、华中以及华南地区。从时间系数上可以看到,这一变化趋势在2003年以前是呈增加趋势,随后逐渐减小。第三模态的空间分布上可以看到,中国区域风速整体呈南北反相的分布特点,高值中心主要位于中国华北和东北地区,低值地区主要位于西南华南地区。且这种空间分布具有明显的年际变化,无明显的增加或减少趋势。
第四模态中中国东北地区为负值中心,青海东部及华东地区为正值大值区。在第五模态中负值中心主要位于华北地区东部到东北南部、甘肃西部以及内蒙古地区西部地区,正值中心主要位于中国秦岭-淮河以南地区。第六模态正值区域位于云南四川一直到内蒙古东部一线,负值中心为江苏、安徽以及新疆中西部地区。第七模态正值中心位于中国东北地区,包括内蒙古东部,负值中心为内蒙古中西部以及山东、江苏等地。第八模态正值中心主要位于东北地区东部以及青藏高原中北部地区。
表4给出了中国7月份风速EOF分解前8模态解释方差及累计方差,可以看到7月份风速EOF分解收敛速度相对较慢,前8模态累计方差为63.53%,前3模态累计方差达到43.37%,较1月份和4月收敛速度偏慢。
表4
第1模态 | 第2模态 | 第3模态 | 第4模态 | 第5模态 | 第6模态 | 第7模态 | 第8模态 | |
解释方差 | 20.87 | 15.28 | 7.22 | 5.70 | 4.22 | 3.88 | 3.28 | 3.08 |
累计方差 | 20.87 | 36.15 | 43.37 | 49.07 | 53.29 | 57.17 | 60.45 | 63.53 |
在7月中国10m风速EOF分解前8模态空间分布中,第一模态基本呈现全区一致的正值,其中大值中心位于东北地区中部、内蒙古中部、华东地区北部以及西南地区。在1979-2017年的年际变化中可以看到,在近几十年中呈现明显的下降趋势,表明在中国区域中国7月风速整体呈现减少的趋势。第二模态的空间分布上可以看到大值区域主要位于长江以南地区,其他地区正负相间,从对应的时间系数可以看出,该模态在2000年前后由减少转为增加。从第三模态的空间分布上可以看到,在云贵高原到湖南、江西一带为大值区域,这些地区以北地区则以负值为主,2个负值中心分别位于陕西和辽宁境内,这一模态在2013年以前变化比较平稳,从2013年开始明显下降。从第四模特的空间分布可以看到,大值区域主要位于新疆南部、东北地区西部、宁夏地区以及浙江境内,主要的负值区域位于西藏地区。图11至图18是中国7月份10m风速EOF分解前8模态时间系数变化图,从时间系数的演变上看,主要表现为年代际变化。从第五模态的空间分布可以看到,正值区域主要集中在长江中下游地区,负值区域主要集中在华南地区和中国100°E以西地区。第六模态的空间分布上可以看到,自北向南表现为“-+”的空间分布特征,±分界线位于秦岭-淮河一带。第七模态的空间分布中内蒙古中部和东北地区南部为正值中心,其他地区正负相间。在第八模态中,云贵高原、宁夏地区附件以及华北地区东部到东北地区南部为3个高值中心,其他地区主要为负值。
表5给出了中国10月份风速EOF分解前8模态解释方差及累计方差,可以看到10月份风速EOF分解收敛速度相对较快,前8模态累计方差为66.62%,前3模态累计方差达到45.55%。
表5
第1模态 | 第2模态 | 第3模态 | 第4模态 | 第5模态 | 第6模态 | 第7模态 | 第8模态 | |
解释方差 | 22.16 | 15.29 | 8.10 | 5.97 | 5.33 | 3.52 | 3.29 | 2.96 |
累计方差 | 22.16 | 37.45 | 45.55 | 51.52 | 56.85 | 60.37 | 63.67 | 66.62 |
在10月,中国月平均风速EOF第一模态除浙江到广东一带表现为弱的负值区,其他大部地区表现为一致的正值区域,从对应的时间系数上看(图19至图26),在1979-1017年间主要表现为减少趋势,年际变化不大,说明近几十年中,中国区域10月平均风速整体呈减小趋势。第二模态的空间分布中可以看到,东北地区中部、华东地区北部为负值区域,其他大部分地区为正值,在近几十年的变化中呈现先减小后增加的特点,最低值出现在2002年。第三模态为秦岭-淮河以北为正值区域,大值中心位于华北地区,秦岭-淮河以南为负值区域,同时青藏高原为负值区域,近几十年中该模态具有明显的年际变化特点。第四模态的空间分布主要表现为西北地区西部、华北地区中部为正值区域,其他地区以负值为主,在近几十年的变化中表现为先减少再增加,再减小的变化特点。第五模态的空间分布中,华北地区中西部及青藏高原大部为正值区域,其他地区以负值为主。第六模态空间分布表现为东北地区大部和新疆西北部为正值区域,其他大部分地区为负值区域。第七模态空间分布上,华北地区南部、华中、华东为正值区域,其他区域为负值。在第八模态中华东地区北部、西北地区大部以及贵州等地为负值区域,其他大部分地区为正值区域。
表6给出了中国1月份水平面总辐射EOF分解前8模态解释方差及累计方差,可以看到1月份水平面总辐射EOF分解收敛速度相对较快,前8模态累计方差为65.10%,前3模态累计方差达到38.54%。
表6
第1模态 | 第2模态 | 第3模态 | 第4模态 | 第5模态 | 第6模态 | 第7模态 | 第8模态 | |
解释方差 | 19.36 | 10.47 | 8.70 | 6.62 | 5.48 | 5.25 | 4.89 | 4.33 |
累计方差 | 19.36 | 29.83 | 38.54 | 45.15 | 50.63 | 55.88 | 60.77 | 65.10 |
通过对中国53个站点1979-2017年1月水平面总辐射进行EOF分解得到前8模态空间分布,从第一模态空间分布可以看出,中国区域内除东北地区南部和西南地区部分地区外,其他大部分地区呈一致的正值,其中大值中心位于华东地区南部,最大值超过0.24,从其对应的时间系数上可以看出(图27至图34),该空间分布型具有明显的年际变化,最大值出现在2014年,最小值出现在2009年。在第二模态中,中国区域内自西南向东北呈现“-+-”的空间分布特点,中国西南地区为负值,华东地区北部、华北地区东部和东北地区大部为负值,西北地区到华北地区西部为正值。从第二模态时间系数上看,近几十年由正转负,表明该模态由逐渐由“-+-”转为“+-+”。从第三模态空间分布上看,仍然呈现由西南地区到东北地区“-+-”的空间分布格局,不同的是正负的中心不同,此模态负值中心分别位于云南地区和东北地区北部,正值中心位于华北地区北京附近,该模态年际变化较为明显,时间系数最大值出现在2012年,最低值出现在2007年。第四模态高值区域位于西藏高原、四川东部及华北地区大部,负值区域主要位于甘肃北部到内蒙古西部、长江中下游以南地区。第五模态中,正值中心分别位于新疆西部、西北地区西部以及东北地区南部,负值中心分别位于华中地区到华南地区西部、东北地区北部。第六模态中,正值中心主要位于华东地区及西藏地区南部,其他地区以负值为主。第七模态中,正值区域主要位于青藏高原、东北地区中部以及福建和广东大部,其他地区以负值为主。第八模态中,负值区域主要位于青藏高原和东北地区北部,正值中心主要位于四川到云南地区、东北地区南部、福建广东地区。
表7给出了中国4月份水平面总辐射EOF分解前8模态解释方差及累计方差,可以看到4月份水平面总辐射EOF分解收敛速度较1月份略快,前8模态累计方差为65.70%,前3模态累计方差达到39.61%。
表7
第1模态 | 第2模态 | 第3模态 | 第4模态 | 第5模态 | 第6模态 | 第7模态 | 第8模态 | |
解释方差 | 18.92 | 11.46 | 9.24 | 6.74 | 6.00 | 5.01 | 4.30 | 4.05 |
累计方差 | 18.92 | 30.38 | 39.61 | 46.35 | 52.35 | 57.36 | 61.66 | 65.70 |
在4月份,中国水平面总辐射EOF第一模态整体呈全区一致型分布,高值中心主要位于长江下游地区。从时间系数的演变上看(图35至图42),该模态对应的时间系数在波动中上升,表明4月份中国区域整体辐射呈增加趋势。第二模态空间分布上看,除东北地区外,中国大部分地区呈南负北正的空间分布,从时间系数上看,在1994年之前处于高值时段,以正值为主,1994年发生转变,转为以负值为主,表明中国由南负北正的空间分布逐渐转为南正北负的空间分布。从第三模态的空间分布上可以看到,在青藏高原以东为正值中心,其他地区以负值为主,从时间系数上可以看到,在1998年之前年际变化明显,之后转为较为稳定的时段。第四模态的空间分布中,华北地区及华南地区为负值区域,其他大部分地区以正值为主,其中青海地区及云南地区为主要的正值中心。在第五模态中,西部地区到广西地区为主要的负值区域,其他地区以正值为主,其中东北地区北部和西藏南部为正值中心。在第六模态中正值中心位于东北地区北部、华北地区以及华南地区,其他地区以负值为主。第七模态中正值主要位于东北地区南部、青藏高原及西北地区,其他地区以负值为主。第八模态中,东北地区、华中、华东及华南地区为正值,其他地区以负值为主。
表8给出了中国7月份水平面总辐射EOF分解前8模态解释方差及累计方差,可以看到7月份水平面总辐射EOF分解收敛速度相对较慢,前8模态累计方差为61.75%,前3模态累计方差仅为34.66%。
表8
第1模态 | 第2模态 | 第3模态 | 第4模态 | 第5模态 | 第6模态 | 第7模态 | 第8模态 | |
解释方差 | 15.58 | 10.61 | 8.47 | 7.51 | 5.43 | 5.31 | 4.60 | 4.24 |
累计方差 | 15.58 | 26.19 | 34.66 | 42.17 | 47.59 | 52.90 | 57.51 | 61.75 |
在中国7月水平面总辐射EOF分解第一模态空间分布上,中国除了华南地区及福建南部部分地区外,全国大部分地区均为一致的正值,大值区域主要位于青藏高原、长江中下游以及东北地区东部,从对应的时间系数上看(图43至图50),2008年以前年际变化较为明显,2008年之后呈明显的增加趋势,表明在2008年以后中国10月水平面总辐射整体呈增加趋势。第二模态中大致以秦岭淮河为界,呈北负南正的空间分布特点,负值中心主要位于宁夏-陕西到陕西南部一带,正值中心主要位于贵州、广西、广东以及福建一带,从对应的时间系数上看,该模态年际变化较为明显,最大值出现在2003年,最小值出现在1988年从第三模态的空间分布上可以看到,该模态主要体现在西北地区到长江中下游地区与其他地区呈反相变化的特点,时间系数最小值出现在1991年,最大值出现在1982年。从第四模态的空间分布上可以看到,正值区域主要位于青藏高原及东北地区北部,其中心位于西藏地区南部,其他地区以负值为主。在第五模态中,东北地区及中国西北地区以负值为主,其他地区有正有负。第六模态中中国自西向东呈现出“+-+”的空间分布特点,负值区域主要位于自青海和西藏东部到陕西湖北一带。第七模态中正值区域主要位于西北地区中部、华南地区及华北地区东部,其他地区以负值为主。第八模态中,中国东北地区、西北地区大部以及华南地区为正值,其他地区以负值为主。
表9给出了中国10月份水平面总辐射EOF分解前8模态解释方差及累计方差,可以看到,10月份水平面总辐射EOF分解收敛速度较快,前8模态累计方差为66.52%,前3模态累计方差达到41.02%。
表9
第1模态 | 第2模态 | 第3模态 | 第4模态 | 第5模态 | 第6模态 | 第7模态 | 第8模态 | |
解释方差 | 21.10 | 11.39 | 8.52 | 6.80 | 6.22 | 4.29 | 4.20 | 3.98 |
累计方差 | 21.10 | 32.50 | 41.02 | 47.82 | 54.05 | 58.33 | 62.54 | 66.52 |
在中国10月水平面总辐射EOF分解前8模态的空间分布中,第一模态中,中国东北地区中北部和西南地区的部分地区呈正值,其他大部分地区均为负值,负值中心位于黄淮地区,从对应的时间系数可以看到(图35至图42),时间系数年际变化明显,最低值出现在1979年,最高值出现2000年。第二模态中的正值区域主要位于中国西北地区中西部、东北地区北部及华北部分地区,其他大部分地区以负值为主,其中负值中心位于西南地区。从对应的时间系数上可以看出,在1993年之前以正值为主,之后转为以负值为主的时段。第三模态中,中国东北地区中北部和秦岭淮河以南地区为负值,其他地区以正值为主,正值中心位于山西附近,从时间系数上可以发现,该模态年际变化十分明显,最大值出现在1981年,最小值出现在2017年。第四模态中,中国东北地区中南部到华北地区北部以负值为主,其他地区以正值为主。第五模态中,东北地区南部、华东地区以及云南等地以正值为主,其他地区以负值为主。第六模态中负值中心位于甘肃省中部、西藏南部及华东地区中部,其他地区以正值为主。第七模态中,长江流域到黄河流域表现正值,其他地区以负值为主。第八模态中正值区域主要位于东北地区、华北地区东部、西藏地区及中国东南部沿海地区,其他地区以负值为主。
相应地,如图51所示,所述分别根据各组参照数据确定相应的初始环流要素、以及相应的关键区,包括:
在步骤S133a中,确定各组所述参照数据中与所述气象能源的主要模态对应的时间系数相匹配的环流要素作为所述初始环流要素;
在步骤S133b中,确定各组所述参照数据中与所述气象能源的主要模态对应的时间系数相匹配的关键区作为所述初始关键区。
在本公开中,对如何构建所述预测模型不做特殊的限定。作为一种可选实施方式,所述根据所述关键环流要素以及所述气象能源显著关键区构建各个所述主要模态的预测模型,包括:
利用所述关键环流要素、以及所述气象能源显著关键区,通过机器学习方法对初始模型进行训练,得到所述预测模型。
可选地,所述机器学习方法可以是随机森林(Random Forest Regressor)、梯度提升树(Gradient Boosting Regressor)、决策树(Decision Tree Regressor)和L邻近(KNeighbors Regressor)中的任意一者。
作为本公开的第二个方面,提供一种气象能源的月尺度预报方法,如图52所示,所述月尺度预报方法可以包括:
在步骤S200中,将预报时间段对应的参照预报数据输入至预测模型,得到预报时间段的气象能源的强度指标。
其中,所述预测模型为本公开第一个方面所提供的上述构建方法所构建的预测模型。
所述参照预报数据是其他机构发布的预报数据。
如上文中所述,所述参考数据可以为ERA5再分析数据和MRI-CGCM模式回报数据。相应地,所述预定预报数据可以为MRI-CGCM模式预报数据。
如图53所示,步骤S200可以包括:
在步骤S210中,所述将预报时间段对应的参照预报数据输入至预测模型,得到所述预报时间段的时间系数;
在步骤S220中,将所述预报时间段的时间系数与所述气象能源的主要模态的空间场相乘,得到所述预报时间段内的预测场。
下面结合图54介绍本公开第一个方面所提供的构建方法和本公开第二个方面所提供的月尺度预报方法。
虚线左侧的是模型构建方法,虚线右侧的是月尺度预报方法。
模型构建方法包括:
对逐月观测风能、以及太阳能数据进行EOF展开,获得EOF向量场和时间系数;
确定同期的ERA5再分析数据中各个要素;
确定同期的MRI-CGCM模式回报数据中的各个要素;
利用所述时间系数对同期的ERA5再分析数据中各个要素进行相关普查,获得显著关键区及关键因子;
利用所述时间系数对同期的MRI-CGCM模式回报数据中各个要素进行相关普查,获得显著关键区及关键因子;
根据ERA5再分析数据中的显著关键区及关键因子、以及MRI-CGCM模式回报数据中的显著关键区及关键因子的重合部分,得到关键区环流因子序列;
根据所述时间系数、以及关键区环流因子序列,利用机器学习的方法对初始模型进行训练,得到预测模型。
在所述月尺度预报方法中,将MRI-CGCM模式预报数据代入指定的主模态对应的预测模型中,可以获得指定的主模态在预报时间段对应的时间系数;
将指定的主模态在预报时间段对应的时间系数与所述EOF向量场相乘,可以得到预报时间段的风能距平百分率预测值、以及预报时间段的太阳能距平百分率预测值;
结合气候值、以及标准差复原,可以得到预测场。
作为本公开的第三个方面,提供一种电子设备,包括:
一个或多个处理器;
存储器,其上存储有一个或多个应用程序,当所述一个或多个应用程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据本公开第一个方面所述的构建方法和/或本公开第二个方面所提供的月尺度预报方法;
一个或多个I/O接口,连接在所述处理器与存储器之间,配置为实现所述处理器与存储器的信息交互。
其中,处理器为具有数据处理能力的器件,其包括但不限于中央处理器(CPU)等;第一存储器为具有数据存储能力的器件,其包括但不限于随机存取存储器(RAM,更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH);I/O接口(读写接口)连接在处理器与存储器间,能实现处理器与存储器的信息交互,其包括但不限于数据总线(Bus)等。
在一些实施例中,处理器、存储器和I/O接口通过总线相互连接,进而与计算设备的其它组件连接。
作为本公开的第四个方面,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本公开第一个方面所提供的构建方法和/或本公开第二个方面所提供的月尺度预报方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据,并且可包括任何信息递送介质。
本文已经公开了示例实施例,并且虽然采用了具体术语,但它们仅用于并仅应当被解释为一般说明性含义,并且不用于限制的目的。在一些实例中,对本领域技术人员显而易见的是,除非另外明确指出,否则可单独使用与特定实施例相结合描述的特征、特性和/或元素,或可与其它实施例相结合描述的特征、特性和/或元件组合使用。因此,本领域技术人员将理解,在不脱离由所附的权利要求阐明的本公开的范围的情况下,可进行各种形式和细节上的改变。
Claims (9)
1.一种用于气象能源预报的预测模型的构建方法,其特征在于,包括:
获取预定历史时间段内指定区域的逐月气象能源强度指标;所述逐月气象能源强度指标包括:逐月平均风速,逐月总辐射量;
根据预定历史时间段内指定区域的逐月气象能源强度指标确定所述指定区域内气象能源的主要模态;
根据所述预定历史时间段同期的多组参照数据确定影响所述气象能源的模态变化的关键环流要素以及所述指定区域内的气象能源显著关键区,所述参照数据为所述气象能源的强度指标数据;
根据所述关键环流要素以及所述气象能源显著关键区构建各个所述主要模态的预测模型;
其中,所述根据所述预定历史时间段同期的多组参照数据确定影响所述气象能源的模态变化的关键环流要素以及所述指定区域内的气象能源显著关键区,包括:
分别根据各组参照数据确定相应的初始环流要素、以及相应的初始关键区,所述初始环流要素为影响所述气象能源的模态变化的要素;所述参照数据是指包括所述指定区域的目标区域所获得的气象能源的相关数据,所述目标区域的范围要大于所述指定区域的范围;
将多组初始环流要素中重合的环流要素作为所述关键环流要素;
将多组初始关键区中重合的关键区作为所述气象能源显著关键区。
2.根据权利要求1所述的构建方法,其特征在于,多组所述参照数据包括ERA5再分析数据、以及MRI-CGCM模式回报数据。
3.根据权利要求1所述的构建方法,其特征在于,所述根据预定历史时间段内指定区域的逐月气象能源强度指标确定所述指定区域内气象能源的主要模态,包括:
根据获取到的所述逐月气象能源强度指标计算气象能源强度指标距平百分率序列;
对所述气象能源强度指标距平百分率序列进行EOF展开,得到所述气象能源的前N个模态的空间场和相应的时间系数,其中,风能的前N个模态为所述指定区域内风能的主要模态,N为正整数,且N≥2;
所述分别根据各组参照数据确定相应的初始环流要素、以及相应的关键区,包括:
确定各组所述参照数据中与所述气象能源的主要模态对应的时间系数相匹配的环流要素作为所述初始环流要素;
确定各组所述参照数据中与所述气象能源的主要模态对应的时间系数相匹配的关键区作为所述初始关键区。
4.根据权利要求1至3中任意一项所述的构建方法,其特征在于,所述根据所述关键环流要素以及所述气象能源显著关键区构建各个所述主要模态的预测模型,包括:
利用所述关键环流要素、以及所述气象能源显著关键区,通过机器学习方法对初始模型进行训练,得到所述预测模型。
5.根据权利要求1至3中任意一项所述的构建方法,其特征在于,所述气象能源包括太阳能和/或风能。
6.一种气象能源的月尺度预报方法,其特征在于,包括:
将预报时间段对应的参照预报数据输入至预测模型,得到预报时间段的气象能源的强度指标,其中,所述预测模型为权利要求1至5中任意一项所述的构建方法所构建的预测模型。
7.根据权利要求6所述的月尺度预报方法,其中,所述参照预报数据为MRI-CGCM模式预报数据;
所述将预报时间段对应的预定预报数据输入至预测模型,得到预报时间段的气象能源的强度指标,包括:
将预报时间段对应的预定预报数据输入至预测模型,得到所述预报时间段的时间系数;
将所述预报时间段的时间系数与所述气象能源的主要模态的空间场相乘,得到所述预报时间段内的预测场。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,其上存储有一个或多个应用程序,当所述一个或多个应用程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至5中任意一项所述的构建方法和/或权利要求6或7所述的月尺度预报方法;
一个或多个I/O接口,连接在所述处理器与存储器之间,配置为实现所述处理器与第一存储器的信息交互。
9.一种计算机可读介质,其特征在于,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至5中任意一项所述的构建方法和/或权利要求6或7所述的月尺度预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560809.9A CN116307278B (zh) | 2023-05-18 | 2023-05-18 | 一种风能和太阳能月尺度资源的预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310560809.9A CN116307278B (zh) | 2023-05-18 | 2023-05-18 | 一种风能和太阳能月尺度资源的预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307278A CN116307278A (zh) | 2023-06-23 |
CN116307278B true CN116307278B (zh) | 2023-08-08 |
Family
ID=86799931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310560809.9A Active CN116307278B (zh) | 2023-05-18 | 2023-05-18 | 一种风能和太阳能月尺度资源的预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307278B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10197706B1 (en) * | 2016-03-04 | 2019-02-05 | The Florida State University Research Foundation, Inc. | System and method for sub-seasonal forecasts of extreme weather events in winter |
CN110058328A (zh) * | 2019-01-30 | 2019-07-26 | 沈阳区域气候中心 | 东北夏季降水多模式组合降尺度预测方法 |
WO2023060466A1 (zh) * | 2021-10-13 | 2023-04-20 | 中山大学 | 一种基于确定性系数的降水预报能力与遥相关作用关联方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10656306B2 (en) * | 2016-05-19 | 2020-05-19 | The Catholic University Of America | System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid |
-
2023
- 2023-05-18 CN CN202310560809.9A patent/CN116307278B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10197706B1 (en) * | 2016-03-04 | 2019-02-05 | The Florida State University Research Foundation, Inc. | System and method for sub-seasonal forecasts of extreme weather events in winter |
CN110058328A (zh) * | 2019-01-30 | 2019-07-26 | 沈阳区域气候中心 | 东北夏季降水多模式组合降尺度预测方法 |
WO2023060466A1 (zh) * | 2021-10-13 | 2023-04-20 | 中山大学 | 一种基于确定性系数的降水预报能力与遥相关作用关联方法 |
Non-Patent Citations (1)
Title |
---|
基于DERF 2.0产品东北地区降尺度气温预测模型研究;李菲;王永光;王小桃;秦美欧;吴琼;易雪;林蓉;;气象与环境学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307278A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
CN108229060B (zh) | 基于有效波高、平均波周期和波向的参数化联合分布模型 | |
CN105868853A (zh) | 一种短期风电功率组合概率预测方法 | |
CN107784165A (zh) | 基于光伏电站的地表温度场多尺度资料同化方法 | |
CN105591407A (zh) | 可再生能源电站有功出力预测误差间相关性的研究方法 | |
Nacar et al. | A six parameter single diode model for photovoltaic modules | |
CN116307278B (zh) | 一种风能和太阳能月尺度资源的预报方法 | |
Xin et al. | An enhanced feature extraction based long short-term memory neural network for wind power forecasting via considering the missing data reconstruction | |
Guo et al. | A new approach for interval forecasting of photovoltaic power based on generalized weather classification | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
CN112700164A (zh) | 一种能源系统的定量评价方法、系统和可读介质 | |
Wadood et al. | Fraction order particle swarm optimization for parameter extraction of triple-diode photovoltaic models | |
Liu et al. | A graded index for evaluating precipitation heterogeneity in China | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
Gao et al. | Normal and extreme wind conditions for power at coastal locations in China | |
CN115905360A (zh) | 一种基于随机构建矩阵的异常数据量测辨识方法和装置 | |
Li et al. | Three parameter Weibull distribution estimation based on particle swarm optimization | |
Liu et al. | A Self-Data-Driven Method for Lifetime Prediction of PV Arrays Considering the Uncertainty and Volatility | |
CN111612289A (zh) | 基于新能源多场景风险特征导向的电力系统风险评估方法 | |
Wang et al. | Prediction of short-term precipitation in qinghai lake based on BiLSTM-attention method | |
Zhang et al. | Variation Characteristics Analysis and Short-Term Forecasting of Load Based on CEEMDAN | |
CN111931972A (zh) | 基于swi-rs分析法的风电场风能资源评估与预测方法及系统 | |
Peng et al. | SAGA-FCM-LSSVM model-based short-term power forecasting of photovoltaic power plants |
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 |