CN110632681B - 基于机器学习的电网午后雷阵雨的短临预警方法及*** - Google Patents
基于机器学习的电网午后雷阵雨的短临预警方法及*** Download PDFInfo
- Publication number
- CN110632681B CN110632681B CN201910876786.6A CN201910876786A CN110632681B CN 110632681 B CN110632681 B CN 110632681B CN 201910876786 A CN201910876786 A CN 201910876786A CN 110632681 B CN110632681 B CN 110632681B
- Authority
- CN
- China
- Prior art keywords
- afternoon
- thunderstorm
- prediction
- data
- power grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000001556 precipitation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 3
- 230000010485 coping Effects 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Medical Informatics (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学***均观测或预测值，在午后雷阵雨事件中的观测或预测值，在持续稳定晴好事件中的观测或预测值，分别输入预测模型进行预测，将预测结果分别与实际午后雷阵雨发生情况进行对比，修正预测模型；采用修正后的预测模型进行午后雷阵雨预报。本发明可以有效延长威胁电网安全的午后雷阵雨的短临预警提前时长。
Description
技术领域
本发明涉及电网防护技术领域，尤其涉及一种基于机器学习的电网午后雷阵雨的短临预警方法及***。
背景技术
在强烈太阳辐射下，夏季地面温度经常超过50摄氏度，受局地地面加热和局地地形抬升作用，中国中东部地区经常在中午到傍晚时间段出现局地性雷阵雨，这种降水的特征是发展快(一般从出现到消亡只有几个小时)、尺度小(一般只有几千米到几十千米)、危害大(小时降水量一般可达20mm以上，经常伴随雷暴、大风、冰雹等恶劣天气现象)、预测难度大。
2019年7月，受午后雷阵雨影响，1条±500kV输电线路和1条±800kV输电线路在大功率满负荷运行时突然发生停运，严重威胁电网安全。但目前由于这种雷阵雨生命周期短、空间尺度小、局地性强，数值模式难以提前预报；而现有短临预警***基于雷达监测，只能在午后雷阵雨出现后才能监测到，电力部门来不及采取应对措施，因此需要一种提前时间更长的短临预警方法。
午后雷阵雨发生时内部运动复杂，目前难以用精确的物理和化学规律描述，因此预测模型建立困难，但可以通过机器学习方法，利用大量数据建立统计规律模型，改进现有短临预警模型，延长午后阵雨的提前预警时间，为电力企业应对灾害预留足够的时间。
发明内容
本发明提供了一种基于机器学习的电网午后雷阵雨的短临预警方法及***，用以解决午后的局地性雷阵雨难以提前预报的技术问题。
为解决上述技术问题，本发明提出的技术方案为：
一种基于机器学习的电网午后雷阵雨的短临预警方法，包括以下步骤：
获取历年午后雷阵雨事件，并获取午后雷阵雨发生前第一时间段和发生后第二时间段内的卫星遥感观测数据、雷达监测数据和地面自动站的地面观测数据；并收集午后雷阵雨发生之前第三时间段的中尺度数值模式预测数据；
从卫星遥感观测数据、雷达监测数据、地面观测数据和数值模式预测数据中选取与午后雷阵雨过程直接相关的低空动力场和水气条件相关的因子作为特征因子，采用逻辑回归算法建立预测模型；
针对预测模型中每个特征因子：计算该特征因子在历年的平均观测或预测值，在午后雷阵雨事件中的观测或预测值，在持续稳定晴好事件中的观测或预测值，采用单一变量方法，将该特征因子的参数值分别设定为前述三者之一，输入预测模型进行预测，将预测结果分别与实际午后雷阵雨发生情况进行对比，根据对比结果修正特征因子参数值，修正预测模型；
采用修正后的预测模型进行午后雷阵雨预报。
优选地，采用修正后的预测模型进行午后雷阵雨预报后，方法还包括：将预报结果与电网线路杆塔以及变电站信息进行反演匹配，开展电网暴雨短临预警。
优选地，午后雷阵雨发生前第一时间段为发生前8小时；午后雷阵雨发生后第二时间段为发生后8小时；午后雷阵雨发生之前第三时间段为午后雷阵雨发生之前48小时；卫星遥感观测数据为逐10分钟卫星遥感观测数据；雷达监测数据为逐6分钟雷达监测数据；地面自动站的地面观测数据为逐10分钟地面观测数据。
优选地，卫星遥感观测数据、雷达监测数据、地面观测数据和数值模式预测数据中与午后雷阵雨过程直接相关的低空动力场和水气条件相关的因子中：
卫星遥感观测数据中的因子包括1040nm最大/最小/平均亮温、73nm最小/最大亮温变率以及最大/平均可降水量；
雷达监测数据中的因子包括基本反射率和谱宽、垂直累积液态水含量、回波顶高及雨强；
地面观测数据中的因子包括10分钟降水、温度、湿度、风速及风向；
数值模式预测数据中的因子包括10米/925hPa/850hPa平均散度、850hPa假相当位温/位涡/位温、抬升指数以及K指数。
优选地，午后雷阵雨事件为降水过程时间为0.5～3小时，空间范围1～30千米，台站监测最大降水≥30mm。
优选地，历年为近3年。
本发明还提供一种计算机***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果：
本发明的基于机器学习的电网午后雷阵雨的短临预警方法及***，思路清晰，实用性强，可以有效延长威胁电网安全的午后雷阵雨的短临预警提前时长，提升电力企业应对灾害的能力。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请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是本发明优选实施例的基于机器学习的电网午后雷阵雨的短临预警方法的流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1，本发明的基于机器学习的电网午后雷阵雨的短临预警方法，包括以下步骤：
获取历年午后雷阵雨事件，并获取午后雷阵雨发生前第一时间段和发生后第二时间段内的卫星遥感观测数据、雷达监测数据和地面自动站的地面观测数据；并收集午后雷阵雨发生之前第三时间段的中尺度数值模式预测数据；
从卫星遥感观测数据、雷达监测数据、地面观测数据和数值模式预测数据中选取与午后雷阵雨过程直接相关的低空动力场和水气条件相关的因子作为特征因子，采用逻辑回归算法建立预测模型；
针对预测模型中每个特征因子：计算该特征因子在历年的平均观测或预测值，在午后雷阵雨事件中的观测或预测值，在持续稳定晴好事件中的观测或预测值，采用单一变量方法，将该特征因子的参数值分别设定为前述三者之一，输入预测模型进行预测，将预测结果分别与实际午后雷阵雨发生情况进行对比，根据对比结果修正特征因子参数值，修正预测模型；
采用修正后的预测模型进行午后雷阵雨预报。
实施时，采用修正后的预测模型进行午后雷阵雨预报后，还可以将预报结果与电网线路杆塔以及变电站信息进行反演匹配，开展电网暴雨短临预警。
通过上述步骤，可以有效延长威胁电网安全的午后雷阵雨的短临预警提前时长，提升电力企业应对灾害的能力。
实际实施时，以上的方法还能进行以下的扩充或应用，以下实施例中的技术特征都能相互组合，实施例仅作为示例，不作为对技术特征的正常组合限制。
实施例1：
本实施例的基于机器学习的电网午后雷阵雨的短临预警方法，包括以下步骤：
(1)数据收集：
收集2016～2018年4～9月午后雷阵雨事件，本实施例中定义标准为：降水过程时间为0.5～3小时，空间范围1～30千米，台站监测最大降水≥30mm。收集午后雷阵雨发生前8小时和发生后8小时内的逐10分钟卫星遥感观测数据、逐6分钟雷达监测数据、逐10分钟地面自动站的地面观测数据；收集午后雷阵雨发生前48小时的中尺度数值模式预报数据。
(2)特征因子选取和模型建立：
从卫星遥感观测数据、雷达监测数据、地面观测数据和数值模式预测数据中选取与午后雷阵雨过程直接相关的低空动力场和水气条件相关的因子作为特征因子。其中，选取卫星遥感观测数据的因子主要包括1040nm最大/最小/平均亮温，73nm最小/最大亮温变率及最大/平均可降水量等；选取雷达监测数据的因子包括基本反射率和谱宽、垂直累积液态水含量、回波顶高及雨强等；选取地面观测数据的因子包括10分钟降水、温度、湿度、风速及风向等；选取数值模式预测数据的因子包括10米/925hPa/850hPa平均散度，850hPa假相当位温/位涡/位温，抬升指数及K指数等。
逻辑回归算法建立预测模型。逻辑回归具有训练速度快、可约束属性贡献率等优点。
(3)因子敏感性试验分析和参数修正：
针对预测模型中每个特征因子，首先计算该特征因子在2016～2018年4～9月平均观测或预测值，在午后雷阵雨事件中观测或预测值，在持续稳定晴好事件中观测或预测值。
采用单一变量方法，将这个特征因子的参数值分别设定为上述三个数值，然后输入步骤二中的算法模型进行模拟计算，对比三种数值方案下的模拟结果与实际午后雷阵雨发生情况，选择午后雷阵雨预测与实际最接近的方案中特征因子的参数值，基于这个参数值修正预测模型中这个特征因子的参数值选择。
(4)午后雷阵雨预报和电网暴雨短临预警：
根据修正后的午后雷阵雨的预警模型开展午后雷阵雨预报，还可以将预报结果与电网线路杆塔和变电站信息进行反演匹配，开展电网暴雨短临预警。
本实施例还提供一种计算机***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例的步骤。
综上可知，本发明通过历年午后雷阵雨事件发生前后的各种影响因子进行分析选取，以通过机器学习方法训练预测模型，并采用历史数据验证和修正预测模型的参数，采用修正后的预测模型进行午后雷阵雨预报。可以有效延长威胁电网安全的午后雷阵雨的短临预警提前时长，提升电力企业应对灾害的能力。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (6)
1.一种基于机器学习的电网午后雷阵雨的短临预警方法，其特征在于，包括以下步骤：
获取历年午后雷阵雨事件，并获取午后雷阵雨发生前第一时间段和发生后第二时间段内的卫星遥感观测数据、雷达监测数据和地面自动站的地面观测数据；并收集午后雷阵雨发生之前第三时间段的中尺度数值模式预测数据；所述午后雷阵雨事件为在中午到傍晚时间段出现局地性雷阵雨，降水过程时间为0.5～3小时，空间范围1～30千米，台站监测最大降水≥30mm；
从所述卫星遥感观测数据、雷达监测数据、地面观测数据和数值模式预测数据中选取与午后雷阵雨过程直接相关的低空动力场和水气条件相关的因子作为特征因子，采用逻辑回归算法建立预测模型；
针对预测模型中每个特征因子：计算该特征因子在历年的平均观测或预测值，在午后雷阵雨事件中的观测或预测值，在持续稳定晴好事件中的观测或预测值，采用单一变量方法，将该特征因子的参数值分别设定为前述三者之一，输入所述预测模型进行预测，将预测结果分别与实际午后雷阵雨发生情况进行对比，根据对比结果修正特征因子参数值，修正所述预测模型；
采用修正后的预测模型进行午后雷阵雨预报。
2.根据权利要求1所述的基于机器学习的电网午后雷阵雨的短临预警方法，其特征在于，所述采用修正后的预测模型进行午后雷阵雨预报后，所述方法还包括：将预报结果与电网线路杆塔以及变电站信息进行反演匹配，开展电网暴雨短临预警。
3.根据权利要求1或2所述的基于机器学习的电网午后雷阵雨的短临预警方法，其特征在于，所述午后雷阵雨发生前第一时间段为发生前8小时；所述午后雷阵雨发生后第二时间段为发生后8小时；午后雷阵雨发生之前第三时间段为午后雷阵雨发生之前48小时；所述卫星遥感观测数据为逐10分钟卫星遥感观测数据；所述雷达监测数据为逐6分钟雷达监测数据；所述地面自动站的地面观测数据为逐10分钟地面观测数据。
4.根据权利要求1或2所述的基于机器学习的电网午后雷阵雨的短临预警方法，其特征在于，卫星遥感观测数据、雷达监测数据、地面观测数据和数值模式预测数据中与午后雷阵雨过程直接相关的低空动力场和水气条件相关的因子中：
卫星遥感观测数据中的因子包括1040nm最大/最小/平均亮温、73nm最小/最大亮温变率以及最大/平均可降水量；
雷达监测数据中的因子包括基本反射率和谱宽、垂直累积液态水含量、回波顶高及雨强；
地面观测数据中的因子包括10分钟降水、温度、湿度、风速及风向；
数值模式预测数据中的因子包括10米/925hPa/850hPa平均散度、850hPa假相当位温/位涡/位温、抬升指数以及K指数。
5.根据权利要求1或2所述的基于机器学习的电网午后雷阵雨的短临预警方法，其特征在于，所述历年为近3年。
6.一种计算机***，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910876786.6A CN110632681B (zh) | 2019-09-17 | 2019-09-17 | 基于机器学习的电网午后雷阵雨的短临预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910876786.6A CN110632681B (zh) | 2019-09-17 | 2019-09-17 | 基于机器学习的电网午后雷阵雨的短临预警方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110632681A CN110632681A (zh) | 2019-12-31 |
| CN110632681B true CN110632681B (zh) | 2022-05-27 |
Family
ID=68971054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910876786.6A Active CN110632681B (zh) | 2019-09-17 | 2019-09-17 | 基于机器学习的电网午后雷阵雨的短临预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110632681B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111427101B (zh) * | 2020-04-07 | 2022-04-26 | 南京气象科技创新研究院 | 一种雷雨大风分级预警方法、***、存储介质 |
| CN112764129B (zh) * | 2021-01-22 | 2022-08-26 | 易天气(北京)科技有限公司 | 一种雷暴短临预报方法、***及终端 |
| CN113469268B (zh) * | 2021-07-16 | 2023-03-31 | 云南电网有限责任公司电力科学研究院 | 基于误差统计分析的输电线路杆塔雨量修正方法及装置 |
| CN117214916B (zh) * | 2023-11-08 | 2024-04-05 | 北京英视睿达科技股份有限公司 | 基于卫星遥感观测数据的短时冰雹预测方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警***及方法 |
| CN105182450A (zh) * | 2015-10-15 | 2015-12-23 | 成都信息工程大学 | 一种强对流天气短时预警*** |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7082382B1 (en) * | 2005-01-25 | 2006-07-25 | The Weather Channel, Inc. | System for producing high-resolution, real-time synthetic meteorological conditions for a specified location |
| CN106526708B (zh) * | 2016-09-21 | 2018-10-30 | 广东奥博信息产业股份有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
| CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及*** |
| CN107506858A (zh) * | 2017-08-16 | 2017-12-22 | 山东百世通大数据科技有限公司 | 基于中小尺度气象预报数据、路网数据及路网气象传感数据的交通气象预报预警方法及*** |
| CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
| CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
| CN108960599B (zh) * | 2018-06-22 | 2020-04-07 | 国网湖南省电力有限公司 | 基于反演算法的输电线路暴雨灾害精细化预测方法及*** |
| CN109061776B (zh) * | 2018-10-08 | 2020-12-01 | 中国气象局广州热带海洋气象研究所（广东省气象科学研究所） | 一种短时临近数值天气预报***及方法 |
| CN110135654B (zh) * | 2019-05-24 | 2021-08-27 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
-
2019
- 2019-09-17 CN CN201910876786.6A patent/CN110632681B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警***及方法 |
| CN105182450A (zh) * | 2015-10-15 | 2015-12-23 | 成都信息工程大学 | 一种强对流天气短时预警*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110632681A (zh) | 2019-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110632681B (zh) | 基于机器学习的电网午后雷阵雨的短临预警方法及*** | |
| Sperati et al. | An application of the ECMWF Ensemble Prediction System for short-term solar power forecasting | |
| CN102629294B (zh) | 台风引发输电线路故障的概率评估方法 | |
| CN103337133B (zh) | 基于识别预报技术的电网雷暴灾害预警***及方法 | |
| Ohba et al. | Impacts of synoptic circulation patterns on wind power ramp events in East Japan | |
| OrtizBeviá et al. | Evolution of heating and cooling degree-days in Spain: trends and interannual variability | |
| CN111897030A (zh) | 一种雷暴预警***及方法 | |
| Nedaei et al. | A comprehensive evaluation of the wind resource characteristics to investigate the short term penetration of regional wind power based on different probability statistical methods | |
| CN104851051A (zh) | 一种结合动态修正的电网区域暴雨量精细化预警方法 | |
| US11689154B2 (en) | Systems and methods for distributed-solar power forecasting using parameter regularization | |
| CN106447227A (zh) | 城市电网异常状态分析方法及*** | |
| Yao et al. | Toward simulation and risk assessment of weather-related outages | |
| CN111612315A (zh) | 一种新型电网灾害性大风预警方法 | |
| Kezunovic et al. | Systematic framework for integration of weather data into prediction models for the electric grid outage and asset management applications | |
| Ohba et al. | Climatology of dark doldrums in Japan | |
| Chen et al. | Improving afternoon thunderstorm prediction over Taiwan through 3DVar-based radar and surface data assimilation | |
| CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和*** | |
| Wei et al. | An early warning model for damage of power grid under typhoon disaster | |
| US11086278B2 (en) | Adaptive system monitoring using incremental regression model development | |
| Firouzabadi et al. | The climatology of severe convective storms in Tehran | |
| Qiu et al. | Operational risk assessment on power system based on weather regionalization considering power ramp of renewable energy generation | |
| de Oliveira Filho et al. | Evaluating the Global Forecast System (GFS) for energy management over Minas Gerais State (Brazil) against in-situ observations | |
| Durañona et al. | A first characterization of high winds that affect the energy distribution system of Uruguay and their related effects | |
| Fruh | Evaluation of simple wind power forecasting methods applied to a long-term wind record from Scotland | |
| CN110610272A (zh) | 一种电网暴雨灾害综合预警展示*** |
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 |