CN106886564A - 一种基于空间聚类订正nwp风能图谱的方法及装置 - Google Patents

一种基于空间聚类订正nwp风能图谱的方法及装置 Download PDF

Info

Publication number
CN106886564A
CN106886564A CN201710002216.5A CN201710002216A CN106886564A CN 106886564 A CN106886564 A CN 106886564A CN 201710002216 A CN201710002216 A CN 201710002216A CN 106886564 A CN106886564 A CN 106886564A
Authority
CN
China
Prior art keywords
data
wind
nwp
illustrative plates
wind energy
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
Application number
CN201710002216.5A
Other languages
English (en)
Other versions
CN106886564B (zh
Inventor
向婕
雍正
董芬
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.)
Beijing Guo Nengxin System Control Technique Co Ltd
Original Assignee
Beijing Guo Nengxin System Control Technique 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 Beijing Guo Nengxin System Control Technique Co Ltd filed Critical Beijing Guo Nengxin System Control Technique Co Ltd
Priority to CN201710002216.5A priority Critical patent/CN106886564B/zh
Publication of CN106886564A publication Critical patent/CN106886564A/zh
Application granted granted Critical
Publication of CN106886564B publication Critical patent/CN106886564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于空间聚类订正NWP风能图谱的方法级装置，方法包括对气象站和测风塔的实测数据进行分类以及处理，建立实测数据序列；计算NWP风能图谱，并对NWP网格点进行空间聚类，将风能图谱划分为不同的区域；利用建立的实测数据序列对NWP风能图谱里的每个格点的数据进行订正。本发明用实测数据对数值模拟风速做订正,提高风速的准确率；用K值空间聚类对区域进行划分，使格点风速能找到属性最接近的实测站点进行订正，提高了订正的可靠性和合理性；通过订正，提高了风资源图谱的精确度，为宏观选址提供可靠的依据。

Description

一种基于空间聚类订正NWP风能图谱的方法及装置
技术领域
本发明属于风电功率技术领域，尤其是涉及一种基于空间聚类订正NWP风能图谱的方法及装置。
背景技术
风力发电是我国重要的后续能源之一,大力发展风电对我国能源供应和环境保护极为重要。NWP模式通过大量计算得出的风能图谱为宏观选址提供依据，帮助投资者找到风资源丰富适合开发的区域。解决人工现场踏勘工作量大、耗时长、可靠性低的问题。
目前行业常规的风资源图谱大多是利用全球环流的再分析数据，采用中尺度大气模式,对所在区域进行模拟计算，获得分辨率1～3km范围的风资源图谱。数值模式是在一定的初始和边界条件下，通过数值求解大气运动方程，从而预知大气运动状态的技术。受初始边界条件及地形、粗糙度描述的准确性，次网格尺度物理过程的引入和数值方法自身的误差等因素的限制，数值模式的误差是客观存在的，并具有较大的不确定性。而且中尺度数值模式水平分辨率太低，无法体现出局地地形和粗糙度对风速分布的影响。由于这些原因，现在的风资源图谱存在较大的误差。
数值模式是在一定的初始和边界条件下，通过数值求解大气运动方程，从而预知大气运动状态的技术。受初始边界条件及地形、粗糙度描述的准确性，次网格尺度物理过程的引入和数值方法自身的误差等因素的限制，数值模式的误差是客观存在的，并具有较大的不确定性。而且中尺度数值模式水平分辨率太低，无法体现出局地地形和粗糙度对风速分布的影响。由于这些原因，现在的风资源图谱存在较大的误差。
用实测数据订正风资源风速分布时，研究人员通常找距离最近的气象站数据来进行订正。气象要素是典型的时空数据，在时间和空间上有很强的相关性。用最邻近的点订正只考虑了空间距离，忽略了周围环境差异造成的较近两点气象特征差异大、相关性低。
空间聚类是指将空间数据集中的对象分成由相似对象组成的类。同类中的对象间具有较高的相似度，而不同类中的对象间差异较大。通过空间聚类，将属性相似、空间邻近的点聚成一簇，划为一个区域，用这一区域里的气象站数据订正NWP风速序列。聚类后的这一区域不仅距离相近，气象属性相似度高，从理论上来说同一簇里的测风塔与格点之间风速相关性较高，能有效的订正NWP数值模拟风速序列。
发明内容
有鉴于此，本发明旨在提出一种基于空间聚类订正NWP风能图谱的方法，用实测数据对NWP数值模拟风速序列进行订正后，以减小数值模式产生的误差，极大的提高风能图谱的准确性，为风场前期选址提供依据。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于空间聚类订正NWP风能图谱的方法，包括如下步骤：
(1)对气象站和测风塔的实测数据进行分类以及处理，建立实测数据序列；
(2)计算NWP风能图谱，并对NWP网格点进行空间聚类，将风能图谱划分为不同的区域；
(3)利用步骤(1)建立的实测数据序列对NWP风能图谱里的每个格点的数据进行订正。
进一步的，所述步骤(1)具体包括如下步骤：
(a1)对实测数据进行分类，分为气象站数据和测风塔数据；
(a2)对气象站自动观测数据进行检验，删除掉无效数据；
(a3)对测风塔数据进行完整性和合理性分析，检验出缺测数据和不合理数据，整理出一套连续一年完整的逐小时测风数据；
(a4)测风塔风速序列推长，利用风场附近长期气象站30年的观测数据，将风场测风塔数据推长，补齐历史30年风速序列；
(a5)循环a.1-a.4步骤直至所有实测数据处理完毕。
进一步的，所述步骤(a2)中无效数据包括不刷新死数，即连续6小时数值不变、以及越限数据，即风速值超过40m/s。
进一步的，所述步骤(2)具体包括如下步骤：
(b1)采用NCEP发布的水平分辨率2.5°×2.5°的历史30年全球再分析数据，利用WRF数值模式降尺度，得到目标区域的1km×1km的逐小时风资源数据；
(b2)提取每个格点的10m高度层的30年平均风速V(i,j)，其中i为经度，j为纬度；
(b3)将N个V(i,j)分为k个簇；
(b4)选择k个聚类中心a1,a2,a3……ak,用这k个点的平均风速建立k个空间聚类表V1,V2,V3……Vk；
(b5)按照最小距离法则逐个对样本V(i,j)进行分类,计算其与每个代表点的距离，将其指派到离聚类中心最近的组里；
(b6)用各聚类表计算聚类均值V，并用来作为各聚类新的代表点；
(b7)循环b4、b5直到聚类均值V不变或代表点未发生变化，则说明函数收敛，停止计算；
(b8)将每个聚类表里的元素边界连在一起，将要订正的图谱划分成为k个区域m1,m2,m3……mk；
(b9)变换k值，循环b4～b8，选取效果较好的一次k值进行空间聚类。
进一步的，所述步骤(3)具体包括如下步骤：
(c1)对风能图谱里的每个格点,找到所属区域范围内最近的三个实测站点n1,n2,n3；
(c2)根据站点风速序列与模拟的风速序列的相关关系，分别用这三个站点的风速序列对NWP模拟的风速序列进行订正，得到3组订正结果；
(c3)将3组订正结果根据站点与格点的距离进行距离加权，得到最终的订正结果。
相对于现有技术，本发明所述的一种基于空间聚类订正NWP风能图谱的方法具有以下优势：
(1)本发明用实测数据对数值模拟风速做订正,提高风速的准确率；
(2)本发明用K值空间聚类对区域进行划分,使格点风速能找到属性最接近的实测站点进行订正,提高了订正的可靠性和合理性，通过订正，能使风资源图谱的精确度提高，为宏观选址提供可靠的依据。
本发明的另一目的在于提出一种基于空间聚类订正NWP风能图谱的装置，以提高风能图谱的准确性，为风场前期选址提供依据。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于空间聚类订正NWP风能图谱的装置，包括
用于对气象站和测风塔的实测数据进行分类以及处理，建立实测数据序列的实测数据序列建立装置；
用于计算NWP风能图谱，并对NWP网格点进行空间聚类，将风能图谱划分为不同的区域的空间聚类装置以及风能图谱划分装置；
用于利用实测数据序列对NWP风能图谱里的每个格点的数据进行订正的订正装置。
进一步的，所述实测数据序列建立装置包括
用于对实测数据进行分类，分为气象站数据和测风塔数据的数据分类装置；
用于对气象站自动观测数据进行检验，删除掉无效数据的数据检验装置；
用于对测风塔数据进行完整性和合理性分析，检验出缺测数据和不合理数据，整理出一套连续一年完整的逐小时测风数据的数据整理装置；
用于对测风塔风速序列推长，利用风场附近长期气象站30年的观测数据，将风场测风塔数据推长，补齐历史30年风速序列的数据补齐装置。
进一步的，所述空间聚类装置以及风能图谱划分装置包括
用于采用NCEP发布的水平分辨率2.5°×2.5°的历史30年全球再分析数据，利用WRF数值模式降尺度，得到目标区域的1km×1km的逐小时风资源数据的目标区域获得装置；
用于提取每个格点的10m高度层的30年平均风速V(i,j)，其中i为经度，j为纬度的格点数据提取装置；
用于将N个V(i,j)分为k个簇的划分装置；
用于选择k个聚类中心a1,a2,a3……ak,用这k个点的平均风速建立k个空间聚类表V1,V2,V3……Vk；的空间聚类表建立装置；
用于按照最小距离法则逐个对样本V(i,j)进行分类,计算其与每个代表点的距离，将其指派到离聚类中心最近的组里的分类装置；
用于用各聚类表计算聚类均值V，并用来作为各聚类新的代表点的聚类均值计算装置；
用于循环分类装置以及聚类均值计算装置直到聚类均值V不变或代表点未发生变化，则说明函数收敛，停止计算的聚类循环装置；
用于将每个聚类表里的元素边界连在一起，将要订正的图谱划分成为k个区域m1,m2,m3……mk的图谱划分装置；
用于变换k值，选取效果较好的一次k值进行空间聚类的聚类结果选取装置。
进一步的，所述订正装置包括
用于对风能图谱里的每个格点,找到所属区域范围内最近的三个实测站点n1,n2,n3的实测点查找装置；
用于根据站点风速序列与模拟的风速序列的相关关系，分别用这三个站点的风速序列对NWP模拟的风速序列进行订正，得到3组订正结果的风速序列订正装置；
用于将3组订正结果根据站点与格点的距离进行距离加权，得到最终的订正结果的最终结果订正装置。
所述一种基于空间聚类订正NWP风能图谱的装置与上述一种基于空间聚类订正NWP风能图谱的方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的一种基于空间聚类订正NWP风能图谱的方法示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明是采用下述的技术方案实现的：
A、实测数据处理，所述方法包括：
a.1数据类型分类，分为气象站数据和测风塔数据；
a.2气象站自动观测数据检验，删除掉无效数据，无效数据包括：(1)不刷新死数(连续6小时数值不变)；(2)越限数据(风速值超过40m/s)；
a.3对无效数据进行修订，根据邻近气象站测风数据与该气象站测风数据的相关关系，补齐缺测和无效数据；
a.4根据GB/T18710-2002标准检查测风塔原始数据，对其进行完整性和合理性分析，检验出缺测数据和不合理数据，经过适当处理，整理出一套连续一年完整的逐小时测风数据；
a.5测风塔风速序列推长，利用风场附近长期气象站30年的观测数据，将风场测风塔数据推长，补齐历史30年风速序列；
循环a.1-a.5步骤直至所有实测数据处理完毕。
B、NWP网格点空间聚类：
b.1计算NWP风能图谱。采用NCEP发布的水平分辨率2.5°×2.5°的历史30年全球再分析数据，利用WRF(Weather Research and Forecast Model)数值模式降尺度，得到目标区域的1km×1km的逐小时风资源数据；
b.2提取每个格点的10m高度层的30年平均风速V(i,j)，其中i为经度，j为纬度；
b.3采用K均值(K-Means)空间聚类算法对所有格点进行聚类。将N个V(i,j)分为k个簇，k值需事先设定，k值大小应小于站点个数；
b.4初始化,选择k个聚类中心a1,a2,a3……ak,用这k个点的平均风速建立k个空间聚类表V1,V2,V3……Vk；
b.5按照最小距离法则逐个对样本V(i,j)进行分类,计算其与每个代表点的距离，将其指派到离聚类中心最近的组里；
b.6用各聚类表计算聚类均值V，并用来作为各聚类新的代表点(更新代表点)
b.7循环b5、b6,直到聚类均值V不变或代表点未发生变化，则说明函数收敛，停止计算；
b.8区域划分，将每个聚类表里的元素边界连在一起，将要订正的图谱划分成为k个区域m1,m2,m3……mk；
b.9变换k值，循环b4～b8，选取效果较好的一次k值进行空间聚类。C、区域内实测站点订正：
c.1对风能图谱里的每个格点,找到所属区域范围内最近的三个实测站点n1,n2,n3；
c.2根据站点风速序列与模拟的风速序列的相关关系，分别用这三个站点的风速序列对NWP模拟的风速序列进行订正，得到3组订正结果；
c.3将3组订正结果根据站点与格点的距离进行距离加权，得到最终的订正结果。
本发明还提出一种基于空间聚类订正NWP风能图谱的装置，包括
(1)用于对气象站和测风塔的实测数据进行分类以及处理，建立实测数据序列的实测数据序列建立装置；
所述实测数据序列建立装置包括
用于对实测数据进行分类，分为气象站数据和测风塔数据的数据分类装置；
用于对气象站自动观测数据进行检验，删除掉无效数据的数据检验装置；
用于对测风塔数据进行完整性和合理性分析，检验出缺测数据和不合理数据，整理出一套连续一年完整的逐小时测风数据的数据整理装置；
用于对测风塔风速序列推长，利用风场附近长期气象站30年的观测数据，将风场测风塔数据推长，补齐历史30年风速序列的数据补齐装置
(2)用于计算NWP风能图谱，并对NWP网格点进行空间聚类，将风能图谱划分为不同的区域的空间聚类装置以及风能图谱划分装置；
所述空间聚类装置以及风能图谱划分装置包括
用于采用NCEP发布的水平分辨率2.5°×2.5°的历史30年全球再分析数据，利用WRF数值模式降尺度，得到目标区域的1km×1km的逐小时风资源数据的目标区域获得装置；
用于提取每个格点的10m高度层的30年平均风速V(i,j)，其中i为经度，j为纬度的格点数据提取装置；
用于将N个V(i,j)分为k个簇的划分装置；
用于选择k个聚类中心a1,a2,a3……ak,用这k个点的平均风速建立k个空间聚类表V1,V2,V3……Vk；的空间聚类表建立装置；
用于按照最小距离法则逐个对样本V(i,j)进行分类,计算其与每个代表点的距离，将其指派到离聚类中心最近的组里的分类装置；
用于用各聚类表计算聚类均值V，并用来作为各聚类新的代表点的聚类均值计算装置；
用于循环分类装置以及聚类均值计算装置直到聚类均值V不变或代表点未发生变化，则说明函数收敛，停止计算的聚类循环装置；
用于将每个聚类表里的元素边界连在一起，将要订正的图谱划分成为k个区域m1,m2,m3……mk的图谱划分装置；
用于变换k值，选取效果较好的一次k值进行空间聚类的聚类结果选取装置。
(3)用于利用实测数据序列对NWP风能图谱里的每个格点的数据进行订正的订正装置，所述订正装置包括
用于对风能图谱里的每个格点,找到所属区域范围内最近的三个实测站点n1,n2,n3的实测点查找装置；
用于根据站点风速序列与模拟的风速序列的相关关系，分别用这三个站点的风速序列对NWP模拟的风速序列进行订正，得到3组订正结果的风速序列订正装置；
用于将3组订正结果根据站点与格点的距离进行距离加权，得到最终的订正结果的最终结果订正装置。
本方案通过K均值空间聚类给格点快速找到属性接近的实测站点。在方法上面，应用其他空间聚类方法也可以得结果。但大多只考虑空间目标的邻近性，忽视了空间目标的属性相似性，或者考虑了属性相似性忽视了目标的空间邻近性。相比较本方案兼顾空间位置和属性双重特性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于空间聚类订正NWP风能图谱的方法，其特征在于：包括如下步骤：
(1)对气象站和测风塔的实测数据进行分类以及处理，建立实测数据序列；
(2)计算NWP风能图谱，并对NWP网格点进行空间聚类，将风能图谱划分为不同的区域；
(3)利用步骤(1)建立的实测数据序列对NWP风能图谱里的每个格点的数据进行订正。
2.根据权利要求1所述的一种基于空间聚类订正NWP风能图谱的方法，其特征在于：所述步骤(1)具体包括如下步骤：
(a1)对实测数据进行分类，分为气象站数据和测风塔数据；
(a2)对气象站自动观测数据进行检验，删除掉无效数据；
(a3)对测风塔数据进行完整性和合理性分析，检验出缺测数据和不合理数据，整理出一套连续一年完整的逐小时测风数据；
(a4)测风塔风速序列推长，利用风场附近长期气象站30年的观测数据，将风场测风塔数据推长，补齐历史30年风速序列；
(a5)循环a.1-a.4步骤直至所有实测数据处理完毕。
3.根据权利要求2所述的一种基于空间聚类订正NWP风能图谱的方法，其特征在于：所述步骤(a2)中无效数据包括不刷新死数，即连续6小时数值不变、以及越限数据，即风速值超过40m/s。
4.根据权利要求1所述的一种基于空间聚类订正NWP风能图谱的方法，其特征在于：所述步骤(2)具体包括如下步骤：
(b1)采用NCEP发布的水平分辨率2.5°×2.5°的历史30年全球再分析数据，利用WRF数值模式降尺度，得到目标区域的1km×1km的逐小时风资源数据；
(b2)提取每个格点的10m高度层的30年平均风速V(i,j)，其中i为经度，j为纬度；
(b3)将N个V(i,j)分为k个簇；
(b4)选择k个聚类中心a1,a2,a3……ak,用这k个点的平均风速建立k个空间聚类表V1,V2,V3……Vk；
(b5)按照最小距离法则逐个对样本V(i,j)进行分类,计算其与每个代表点的距离，将其指派到离聚类中心最近的组里；
(b6)用各聚类表计算聚类均值V，并用来作为各聚类新的代表点；
(b7)循环b4、b5直到聚类均值V不变或代表点未发生变化，则说明函数收敛，停止计算；
(b8)将每个聚类表里的元素边界连在一起，将要订正的图谱划分成为k个区域m1,m2,m3……mk；
(b9)变换k值，循环b4～b8，选取效果较好的一次k值进行空间聚类。
5.根据权利要求1所述的一种基于空间聚类订正NWP风能图谱的方法，其特征在于：所述步骤(3)具体包括如下步骤：
(c1)对风能图谱里的每个格点,找到所属区域范围内最近的三个实测站点n1,n2,n3；
(c2)根据站点风速序列与模拟的风速序列的相关关系，分别用这三个站点的风速序列对NWP模拟的风速序列进行订正，得到3组订正结果；
(c3)将3组订正结果根据站点与格点的距离进行距离加权，得到最终的订正结果。
6.一种基于空间聚类订正NWP风能图谱的装置，其特征在于：包括
用于对气象站和测风塔的实测数据进行分类以及处理，建立实测数据序列的实测数据序列建立装置；
用于计算NWP风能图谱，并对NWP网格点进行空间聚类，将风能图谱划分为不同的区域的空间聚类装置以及风能图谱划分装置；
用于利用实测数据序列对NWP风能图谱里的每个格点的数据进行订正的订正装置。
7.根据权利要求6所述的一种基于空间聚类订正NWP风能图谱的装置。其特征在于：所述实测数据序列建立装置包括
用于对实测数据进行分类，分为气象站数据和测风塔数据的数据分类装置；
用于对气象站自动观测数据进行检验，删除掉无效数据的数据检验装置；
用于对测风塔数据进行完整性和合理性分析，检验出缺测数据和不合理数据，整理出一套连续一年完整的逐小时测风数据的数据整理装置；
用于对测风塔风速序列推长，利用风场附近长期气象站30年的观测数据，将风场测风塔数据推长，补齐历史30年风速序列的数据补齐装置。
8.根据权利要求6所述的一种基于空间聚类订正NWP风能图谱的装置。其特征在于：所述空间聚类装置以及风能图谱划分装置包括
用于采用NCEP发布的水平分辨率2.5°×2.5°的历史30年全球再分析数据，利用WRF数值模式降尺度，得到目标区域的1km×1km的逐小时风资源数据的目标区域获得装置；
用于提取每个格点的10m高度层的30年平均风速V(i,j)，其中i为经度，j为纬度的格点数据提取装置；
用于将N个V(i,j)分为k个簇的划分装置；
用于选择k个聚类中心a1,a2,a3……ak,用这k个点的平均风速建立k个空间聚类表V1,V2,V3……Vk；的空间聚类表建立装置；
用于按照最小距离法则逐个对样本V(i,j)进行分类,计算其与每个代表点的距离，将其指派到离聚类中心最近的组里的分类装置；
用于用各聚类表计算聚类均值V，并用来作为各聚类新的代表点的聚类均值计算装置；
用于循环分类装置以及聚类均值计算装置直到聚类均值V不变或代表点未发生变化，则说明函数收敛，停止计算的聚类循环装置；
用于将每个聚类表里的元素边界连在一起，将要订正的图谱划分成为k个区域m1,m2,m3……mk的图谱划分装置；
用于变换k值，选取效果较好的一次k值进行空间聚类的聚类结果选取装置。
9.根据权利要求6所述的一种基于空间聚类订正NWP风能图谱的装置。其特征在于：所述订正装置包括
用于对风能图谱里的每个格点,找到所属区域范围内最近的三个实测站点n1,n2,n3的实测点查找装置；
用于根据站点风速序列与模拟的风速序列的相关关系，分别用这三个站点的风速序列对NWP模拟的风速序列进行订正，得到3组订正结果的风速序列订正装置；
用于将3组订正结果根据站点与格点的距离进行距离加权，得到最终的订正结果的最终结果订正装置。
CN201710002216.5A 2017-01-03 2017-01-03 一种基于空间聚类订正nwp风能图谱的方法及装置 Active CN106886564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710002216.5A CN106886564B (zh) 2017-01-03 2017-01-03 一种基于空间聚类订正nwp风能图谱的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710002216.5A CN106886564B (zh) 2017-01-03 2017-01-03 一种基于空间聚类订正nwp风能图谱的方法及装置

Publications (2)

Publication Number Publication Date
CN106886564A true CN106886564A (zh) 2017-06-23
CN106886564B CN106886564B (zh) 2020-02-14

Family

ID=59176651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710002216.5A Active CN106886564B (zh) 2017-01-03 2017-01-03 一种基于空间聚类订正nwp风能图谱的方法及装置

Country Status (1)

Country Link
CN (1) CN106886564B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943747A (zh) * 2017-11-17 2018-04-20 南京航空航天大学 基于二维导热微分方程对多连通区域自动分解的方法
CN110208251A (zh) * 2019-06-20 2019-09-06 安徽创谱仪器科技有限公司 等离子体发射光谱干扰校正方法
CN111325376A (zh) * 2018-12-14 2020-06-23 北京金风科创风电设备有限公司 风速预测方法及装置
CN111680408A (zh) * 2020-05-26 2020-09-18 中国能源建设集团广东省电力设计研究院有限公司 一种用于海上风电的风资源图谱绘制方法及装置
CN113239318A (zh) * 2021-05-17 2021-08-10 中国气象局乌鲁木齐沙漠气象研究所 一种区域数值预报模式的土壤湿度初值订正方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005760A (zh) * 2010-11-18 2011-04-06 西北电网有限公司 一种通用风电功率短期预报方法
CN102570453A (zh) * 2012-01-06 2012-07-11 甘肃省电力公司风电技术中心 基于多套数值天气预报源的短期风电功率预测方法及***
CN103400230A (zh) * 2013-08-08 2013-11-20 上海电机学院 一种风电功率预测***及方法
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
CN104112062A (zh) * 2014-06-05 2014-10-22 清华大学 基于插值方法的风资源分布的获取方法
CN104112167A (zh) * 2014-06-06 2014-10-22 国家电网公司 可发电风资源分布的获取方法
CN104574303A (zh) * 2014-12-26 2015-04-29 河海大学 基于空间聚类的机载LiDAR点云地面滤波方法
US9037521B1 (en) * 2015-01-23 2015-05-19 Iteris, Inc. Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005760A (zh) * 2010-11-18 2011-04-06 西北电网有限公司 一种通用风电功率短期预报方法
CN102570453A (zh) * 2012-01-06 2012-07-11 甘肃省电力公司风电技术中心 基于多套数值天气预报源的短期风电功率预测方法及***
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
CN103400230A (zh) * 2013-08-08 2013-11-20 上海电机学院 一种风电功率预测***及方法
CN104112062A (zh) * 2014-06-05 2014-10-22 清华大学 基于插值方法的风资源分布的获取方法
CN104112167A (zh) * 2014-06-06 2014-10-22 国家电网公司 可发电风资源分布的获取方法
CN104574303A (zh) * 2014-12-26 2015-04-29 河海大学 基于空间聚类的机载LiDAR点云地面滤波方法
US9037521B1 (en) * 2015-01-23 2015-05-19 Iteris, Inc. Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高阳 等: ""聚类分析在短期风电功率预测模型中的应用"", 《电器与能效管理技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943747A (zh) * 2017-11-17 2018-04-20 南京航空航天大学 基于二维导热微分方程对多连通区域自动分解的方法
CN107943747B (zh) * 2017-11-17 2021-01-08 南京航空航天大学 基于二维导热微分方程对多连通区域自动分解的方法
CN111325376A (zh) * 2018-12-14 2020-06-23 北京金风科创风电设备有限公司 风速预测方法及装置
CN110208251A (zh) * 2019-06-20 2019-09-06 安徽创谱仪器科技有限公司 等离子体发射光谱干扰校正方法
CN111680408A (zh) * 2020-05-26 2020-09-18 中国能源建设集团广东省电力设计研究院有限公司 一种用于海上风电的风资源图谱绘制方法及装置
CN113239318A (zh) * 2021-05-17 2021-08-10 中国气象局乌鲁木齐沙漠气象研究所 一种区域数值预报模式的土壤湿度初值订正方法

Also Published As

Publication number Publication date
CN106886564B (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
Zhong et al. A city-scale estimation of rooftop solar photovoltaic potential based on deep learning
CN105046374B (zh) 一种基于核极限学习机模型的功率区间预测方法
KR102076426B1 (ko) 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
CN106886564A (zh) 一种基于空间聚类订正nwp风能图谱的方法及装置
CN106022528B (zh) 一种基于密度峰值层次聚类的光伏电站短期功率预测方法
Olaofe et al. Statistical analysis of wind resources at Darling for energy production
CN103514328B (zh) 一种基于wrf的极端干旱地区风场模拟方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN104077632B (zh) 一种基于深度神经网络的风电场功率预测方法
CN104112062B (zh) 基于插值方法的风资源分布的获取方法
CN108981616B (zh) 一种由无人机激光雷达反演人工林有效叶面积指数的方法
CN114444378A (zh) 一种区域风电集群的短期功率预测方法
CN112418346B (zh) 一种数值天气预报总辐射***误差分类计算方法
Franke et al. Factors affecting the calculation of wind power potentials: A case study of China
CN105631520B (zh) 一种提取风速随机模糊不确定特征的建模新方法
CN110133755A (zh) 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法
CN110674864A (zh) 一种含同步相量量测装置的风电异常数据辨识方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN115204444A (zh) 基于改进聚类分析和融合集成算法的光伏功率预测方法
Berkovic Winter wind regimes over Israel using self-organizing maps
CN105279582B (zh) 基于动态相关性特征的超短期风电功率预测方法
CN112052996B (zh) 基于卷积神经网络技术的小水电集群功率预测方法
CN111427101B (zh) 一种雷雨大风分级预警方法、***、存储介质
Kim et al. Surface wind regionalization based on similarity of time-series wind vectors
CN110188964A (zh) 一种基于相关性的光伏出力预测方法

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
CB02 Change of applicant information

Address after: No.227, 2f, building 1, building materials City, Xisanqi, Haidian District, Beijing 100096

Applicant after: New energy Polytron Technologies Inc

Address before: 100081, No. 19, building 68, College Road, Haidian District, Beijing, four, 407

Applicant before: Beijing Guo Nengxin system control technique company limited

CB02 Change of applicant information
CB03 Change of inventor or designer information

Inventor after: Xiang Jie

Inventor after: Yong Zheng

Inventor after: Dong Fen

Inventor after: He Jiangfeng

Inventor before: Xiang Jie

Inventor before: Yong Zheng

Inventor before: Dong Fen

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant