CN113221949A - 一种影响新能源出力的多尺度天气过程分类方法和*** - Google Patents
一种影响新能源出力的多尺度天气过程分类方法和*** Download PDFInfo
- Publication number
- CN113221949A CN113221949A CN202110394934.8A CN202110394934A CN113221949A CN 113221949 A CN113221949 A CN 113221949A CN 202110394934 A CN202110394934 A CN 202110394934A CN 113221949 A CN113221949 A CN 113221949A
- Authority
- CN
- China
- Prior art keywords
- scale
- meteorological field
- weather
- field
- sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 136
- 230000008569 process Effects 0.000 title claims abstract description 89
- 101100173586 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fft2 gene Proteins 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 6
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000009194 climbing Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种影响新能源出力的多尺度天气过程分类方法和***,包括:通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场;分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果;所述影响新能源出力的多尺度天气过程包括大尺度气象场和中尺度气象场;本发明可有效避免传统方法只能分类大尺度天气过程的问题,能够同时对大尺度和中尺度天气过程进行分类,有助于进一步提升新能源功率预测精度及并网率。
Description
技术领域
本发明属于气象监测领域,具体涉及一种影响新能源出力的多尺度天气过程分类方法和***。
背景技术
风电和光伏出力具有随机性、波动性特征,随着并网率的提升,电网运行的不确定性增加,严重影响了电力***的安全稳定运行能力。在不同天气过程下(如寒潮、强对流等天气过程),风电场和光伏场站的出力特性是有显著不同的,因此,有必要为新能源场站精确的划分典型天气过程,将有助于进一步提升风电/光伏的功率预测精度和并网率。
现有的天气过程分类方法,多先用主成分分析方法进行降维处理,然后使用层次聚类、***聚类等方法得到几类影响新能源场站的天气过程。然而,这些分类方法只能得到大尺度的天气过程,如寒潮、蒙古气旋东移型、蒙古冷高压东移型、河套气旋南下型、副高北移型等,其空间尺度在几百公里甚至在上千公里左右。不能识别出中尺度(几十公里至上百公里)的天气过程。中尺度天气过程,包括强对流过程、爬坡过程、山谷风过程等,具有过程时间短、强度高的特点。相对于大尺度天气过程,中尺度天气过程具有局地性强、种类较少的特点,但对于新能源场站同样影响较大,常引起场站出力的短时急剧波动,现有的天气过程分类难以囊括这些过程。因此,亟需改进现有的天气过程分类方法,在传统大尺度过程分类基础上,将中尺度过程分离出来,以得到更为全面的多尺度天气过程类型。
发明内容
为克服上述现有技术的不足,本发明提出一种影响新能源出力的多尺度天气过程分类方法,包括:
通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场;
分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果;
所述影响新能源出力的多尺度天气过程包括大尺度气象场和中尺度气象场。
优选的,所述通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场,包括:
利用基于Python的np.fft.fft2函数,对所述样本气象场进行二维傅里叶变换,得到样本气象场的复平面波数据;
对所述样本气象场的复平面波数据进行分离,得到样本气象场对应的低波数数据和高波数数据;
利用基于Python的np.fft.fft2函数,对所述样本气象场的低波数数据和高波数数据进行二维傅里叶逆变换,得到大尺度气象场和中尺度气象场;
所述低波数数据的波数为0到5,所述高波数数据的波数大于5。
优选的,所述利用基于Python的np.fft.fft2函数,对所述样本气象场进行二维傅里叶变换之前,还包括:
确定需要分解的时刻和高度的二维气象场,将所述二维气象场作为样本气象场。
优选的,所述分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果,包括:
利用层次聚类法,对所述大尺度气象场进行分类,得到大尺度天气分类结果;
利用K-means聚类法,预设中尺度天气分类数量,对所述中尺度气象场进行分类,得到中尺度天气分类结果;
将所述大尺度天气分类结果和所述中尺度天气分类结果作为多尺度天气过程分类结果。
基于同一发明构思,本发明还提供了一种影响新能源出力的多尺度天气过程分类***,包括:分解模块和分类模块;
所述分解模块,用于通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场;
所述分类模块,用于分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果;
所述影响新能源出力的多尺度天气过程包括大尺度气象场和中尺度气象场。
优选的,所述分解模块包括:傅里叶变换单元、数据分离单元和傅里叶逆变换单元;
所述傅里叶变换单元,用于利用基于Python的np.fft.fft2函数,对所述样本气象场进行二维傅里叶变换,得到样本气象场的复平面波数据;
所述数据分离单元,用于对所述样本气象场的复平面波数据进行分离,得到样本气象场对应的低波数数据和高波数数据;
所述傅里叶逆变换单元,用于利用基于Python的np.fft.fft2函数,对所述样本气象场的低波数数据和高波数数据进行二维傅里叶逆变换,得到大尺度气象场和中尺度气象场;
所述低波数数据的波数为0到5,所述高波数数据的波数大于5。
优选的,所述分解模块还包括:样本单元;
所述样本单元,用于在对所述样本气象场进行二维傅里叶变换之前,确定需要分解的时刻和高度的二维气象场,将所述二维气象场作为样本气象场。
优选的,所述分类模块包括:大尺度天气单元、中尺度天气单元和多尺度天气单元;
所述大尺度天气单元,用于利用层次聚类法,对所述大尺度气象场进行分类,得到大尺度天气分类结果;
所述中尺度天气单元,用于利用K-means聚类法,预设中尺度天气分类数量,对所述中尺度气象场进行分类,得到中尺度天气分类结果;
所述多尺度天气单元,用于将所述大尺度天气分类结果和所述中尺度天气分类结果作为多尺度天气过程分类结果。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供了一种影响新能源出力的多尺度天气过程分类方法和***,包括:通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场;分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果;所述影响新能源出力的多尺度天气过程包括大尺度气象场和中尺度气象场;本发明可有效避免传统方法只能分类大尺度天气过程的问题,能够同时对大尺度和中尺度天气过程进行分类。
通过本发明提供的数据,有助于进一步提升新能源功率预测精度及并网率。
附图说明
图1为本发明提供的一种影响新能源出力的多尺度天气过程分类方法流程示意图;
图2为本发明提供的一种影响新能源出力的多尺度天气过程分类方法技术流程图;
图3为本发明提供的二维气象场分解效果图;
图4为通过层次聚类法得到大尺度天气过程分类流程图;
图5为通过K-means聚类法得到中尺度天气过程分类流程图;
图6为本发明提供的一种影响新能源出力的多尺度天气过程分类***基本结构示意图;
图7为本发明提供的一种影响新能源出力的多尺度天气过程分类***详细结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提供的一种影响新能源出力的多尺度天气过程分类方法流程示意图,如图1所示,包括:
步骤1:通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场;
步骤2:分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果;
所述影响新能源出力的多尺度天气过程包括大尺度气象场和中尺度气象场。
本发明的技术流程图,如图2所示,由2个步骤组成:
(1)通过二维傅里叶变换,将二维气象场分解为大尺度、中尺度2种气象场;
(2)分别对大尺度、中尺度气象场进行天气过程分类。
步骤1具体包括:
利用基于Python的np.fft.fft2函数,对所述样本气象场进行二维傅里叶变换,得到样本气象场的复平面波数据;
对所述样本气象场的复平面波数据进行分离,得到样本气象场对应的低波数数据和高波数数据;
利用基于Python的np.fft.fft2函数,对所述样本气象场的低波数数据和高波数数据进行二维傅里叶逆变换,得到大尺度气象场和中尺度气象场;
所述低波数数据的波数为0到5,所述高波数数据的波数大于5。
其中,对所述样本气象场进行二维傅里叶变换之前,还包括:确定需要分解的时刻和高度的二维气象场,将所述二维气象场作为样本气象场;
1)确定需要分解的某时刻(分别针对每个时刻进行单独分解)、某高度的气象场W(x,y),如某时刻70m高度的网格化风速场,其中x、y为二维空间坐标。
2)对W(x,y)进行二维傅里叶变换(如基于Python的np.fft.fft2函数实现),得到气象场的复平面波数据fft2[W(x,y,k0-∞)]。
3)分离复平面波数据中的低波数(大尺度)fft2[W(x,y,k0-5)],及高波数(中尺度)fft2[W(x,y,k6-∞)],有
fft2[W(x,y,k0-∞)]=fft2[W(x,y,k0-5)]+fft2[W(x,y,k6-∞)]
4)通过二维傅里叶逆变换(如基于Python的np.fft.ifft2函数实现),分别对fft2[W(x,y,k0-5)]和fft2[W(x,y,k6-∞)]进行逆变换,得到大尺度气象场W(x,y,k0-5)和中尺度气象场W(x,y,k6-∞),有
W(x,y)=W(x,y,k0-5)+W(x,y,k6-∞)
其中W(x,y)为样本气象场。W(x,y,k0-5),W(x,y,k6-∞)的分解效果如图3所示。
步骤2具体包括:
利用层次聚类法,对所述大尺度气象场进行分类,得到大尺度天气分类结果;
利用K-means聚类法,预设中尺度天气分类数量,对所述中尺度气象场进行分类,得到中尺度天气分类结果;
将所述大尺度天气分类结果和所述中尺度天气分类结果作为多尺度天气过程分类结果。
1)首先对大尺度气象场W(x,y,k0-5)进行天气过程分类,如图4。大尺度天气过程相对于中尺度而言种类较多,因此大尺度的分类方法使用层次聚类法,该方法的特点是无需预先指定分类个数,样本中包含几类就分离出几类。由于该方法应用较为普遍,此处不列出具体过程。
2)然后对中尺度气象场W(x,y,k6-∞)进行天气过程分类,如图5。中尺度天气过程相对于天气过程而言种类较少,只有强对流过程、爬坡过程、山谷风过程等,而且样本中由于包含了丰富的中小尺度细节信息,导致样本噪音较大,因此需指定分类个数,否则将不能有效分离出中尺度过程。因此,针对中尺度气象场,使用K-means聚类方法,该方法的特点在于能够预先指定分类个数。由于该方法应用较为普遍,此处不列出具体过程。
3)通过层次聚类法得到的大尺度天气分类(如M种),及通过K-means聚类法得到的中尺度天气分类(如N种),二者之和即为所有的天气过程分类(如M+N种)。
本发明基于二维傅里叶分析分离了大尺度和中尺度气象场,然后分别对大尺度和中尺度气象场进行天气过程分类,可有效避免传统方法只能分类大尺度天气过程的问题,能够同时对大尺度和中尺度天气过程进行分类。通过该分类方法,能够有效分类出影响新能源场站的强对流过程、爬坡过程、山谷风过程等,有助于进一步提升新能源功率预测精度及并网率。
实施例2:
基于同一发明构思,本发明还提供了一种影响新能源出力的多尺度天气过程分类***。
该***基本结构如图6所示包括:分解模块和分类模块;
其中,分解模块,用于通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场;
分类模块,用于分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果;
所述影响新能源出力的多尺度天气过程包括大尺度气象场和中尺度气象场。
该***详细结构如图7所示。
其中,分解模块包括:傅里叶变换单元、数据分离单元和傅里叶逆变换单元;
傅里叶变换单元,用于利用基于Python的np.fft.fft2函数,对所述样本气象场进行二维傅里叶变换,得到样本气象场的复平面波数据;
数据分离单元,用于对所述样本气象场的复平面波数据进行分离,得到样本气象场对应的低波数数据和高波数数据;
傅里叶逆变换单元,用于利用基于Python的np.fft.fft2函数,对所述样本气象场的低波数数据和高波数数据进行二维傅里叶逆变换,得到大尺度气象场和中尺度气象场;
低波数数据的波数为0到5,所述高波数数据的波数大于5。
分解模块还包括:样本单元;
样本单元,用于在对所述样本气象场进行二维傅里叶变换之前,确定需要分解的时刻和高度的二维气象场,将所述二维气象场作为样本气象场。
分类模块包括:大尺度天气单元、中尺度天气单元和多尺度天气单元;
大尺度天气单元,用于利用层次聚类法,对所述大尺度气象场进行分类,得到大尺度天气分类结果;
中尺度天气单元,用于利用K-means聚类法,预设中尺度天气分类数量,对所述中尺度气象场进行分类,得到中尺度天气分类结果;
多尺度天气单元,用于将所述大尺度天气分类结果和所述中尺度天气分类结果作为多尺度天气过程分类结果。
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、***、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(***)、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:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,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:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (8)
1.一种影响新能源出力的多尺度天气过程分类方法,其特征在于,包括:
通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场;
分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果;
所述影响新能源出力的多尺度天气过程包括大尺度气象场和中尺度气象场。
2.如权利要求1所述的方法,其特征在于,所述通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场,包括:
利用基于Python的np.fft.fft2函数,对所述样本气象场进行二维傅里叶变换,得到样本气象场的复平面波数据;
对所述样本气象场的复平面波数据进行分离,得到样本气象场对应的低波数数据和高波数数据;
利用基于Python的np.fft.fft2函数,对所述样本气象场的低波数数据和高波数数据进行二维傅里叶逆变换,得到大尺度气象场和中尺度气象场;
所述低波数数据的波数为0到5,所述高波数数据的波数大于5。
3.如权利要求2所述的方法,其特征在于,所述利用基于Python的np.fft.fft2函数,对所述样本气象场进行二维傅里叶变换之前,还包括:
确定需要分解的时刻和高度的二维气象场,将所述二维气象场作为样本气象场。
4.如权利要求1所述的方法,其特征在于,所述分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果,包括:
利用层次聚类法,对所述大尺度气象场进行分类,得到大尺度天气分类结果;
利用K-means聚类法,预设中尺度天气分类数量,对所述中尺度气象场进行分类,得到中尺度天气分类结果;
将所述大尺度天气分类结果和所述中尺度天气分类结果作为多尺度天气过程分类结果。
5.一种影响新能源出力的多尺度天气过程分类***,其特征在于,包括:分解模块和分类模块;
所述分解模块,用于通过二维傅里叶变换,对样本气象场进行分解,得到大尺度气象场和中尺度气象场;
所述分类模块,用于分别对所述大尺度气象场和中尺度气象场进行聚类,将聚类结果作为多尺度天气过程分类结果;
所述影响新能源出力的多尺度天气过程包括大尺度气象场和中尺度气象场。
6.如权利要求5所述的***,其特征在于,所述分解模块包括:傅里叶变换单元、数据分离单元和傅里叶逆变换单元;
所述傅里叶变换单元,用于利用基于Python的np.fft.fft2函数,对所述样本气象场进行二维傅里叶变换,得到样本气象场的复平面波数据;
所述数据分离单元,用于对所述样本气象场的复平面波数据进行分离,得到样本气象场对应的低波数数据和高波数数据;
所述傅里叶逆变换单元,用于利用基于Python的np.fft.fft2函数,对所述样本气象场的低波数数据和高波数数据进行二维傅里叶逆变换,得到大尺度气象场和中尺度气象场;
所述低波数数据的波数为0到5,所述高波数数据的波数大于5。
7.如权利要求6所述的模块,其特征在于,所述分解模块还包括:样本单元;
所述样本单元,用于在对所述样本气象场进行二维傅里叶变换之前,确定需要分解的时刻和高度的二维气象场,将所述二维气象场作为样本气象场。
8.如权利要求5所述的***,其特征在于,所述分类模块包括:大尺度天气单元、中尺度天气单元和多尺度天气单元;
所述大尺度天气单元,用于利用层次聚类法,对所述大尺度气象场进行分类,得到大尺度天气分类结果;
所述中尺度天气单元,用于利用K-means聚类法,预设中尺度天气分类数量,对所述中尺度气象场进行分类,得到中尺度天气分类结果;
所述多尺度天气单元,用于将所述大尺度天气分类结果和所述中尺度天气分类结果作为多尺度天气过程分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394934.8A CN113221949B (zh) | 2021-04-13 | 2021-04-13 | 一种影响新能源出力的多尺度天气过程分类方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394934.8A CN113221949B (zh) | 2021-04-13 | 2021-04-13 | 一种影响新能源出力的多尺度天气过程分类方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221949A true CN113221949A (zh) | 2021-08-06 |
CN113221949B CN113221949B (zh) | 2024-03-29 |
Family
ID=77087262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110394934.8A Active CN113221949B (zh) | 2021-04-13 | 2021-04-13 | 一种影响新能源出力的多尺度天气过程分类方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221949B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
KR101736915B1 (ko) * | 2016-03-29 | 2017-05-29 | 한국해양과학기술원 | 기상 수치모델 생산자료의 기상패턴 특징화를 위한 장치 및 방법 |
CN107944604A (zh) * | 2017-11-10 | 2018-04-20 | 中国电力科学研究院有限公司 | 一种用于光伏功率预测的天气类型识别方法和装置 |
CN110347671A (zh) * | 2019-04-09 | 2019-10-18 | 清华大学深圳研究生院 | 构建海上风能数据资料库及海上风能发电量数据库的方法 |
-
2021
- 2021-04-13 CN CN202110394934.8A patent/CN113221949B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1744185A1 (en) * | 2005-07-13 | 2007-01-17 | CIMA-Università degli Studi di Genova | Method for estimating a variable geophysical field particularly for forecasting atmospheric precipitation |
KR101736915B1 (ko) * | 2016-03-29 | 2017-05-29 | 한국해양과학기술원 | 기상 수치모델 생산자료의 기상패턴 특징화를 위한 장치 및 방법 |
CN107944604A (zh) * | 2017-11-10 | 2018-04-20 | 中国电力科学研究院有限公司 | 一种用于光伏功率预测的天气类型识别方法和装置 |
CN110347671A (zh) * | 2019-04-09 | 2019-10-18 | 清华大学深圳研究生院 | 构建海上风能数据资料库及海上风能发电量数据库的方法 |
Non-Patent Citations (2)
Title |
---|
胡润山;苏晓燕;闫冠华;: "用尺度分离法诊断分析夏季中尺度天气***", 南京气象学院学报, no. 06, 25 December 2005 (2005-12-25) * |
蓝渝;张涛;郑永光;毛冬艳;朱文剑;林隐静;张小玲;: "国家级中尺度天气分析业务技术进展Ⅱ:对流天气中尺度过程分析规范和支撑技术", 气象, no. 07, 21 July 2013 (2013-07-21) * |
Also Published As
Publication number | Publication date |
---|---|
CN113221949B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335010B (zh) | 一种风电出力时间序列建模方法及*** | |
CN102693299A (zh) | 一种并行视频拷贝检测***和方法 | |
CN103412557A (zh) | 一种适于非线性过程在线监控的工业故障检测与诊断方法 | |
CN105740404A (zh) | 标签关联方法及装置 | |
US6973390B2 (en) | Method and system for analyzing wafer yield against uses of a semiconductor tool | |
CN111753666B (zh) | 输电线路中小目标故障检测方法、检测***及存储介质 | |
CN115659175A (zh) | 一种面向微服务资源的多模态数据分析方法、装置及介质 | |
CN113447759A (zh) | 一种多分类的rvm电网故障判别方法和*** | |
CN117725437B (zh) | 一种基于机器学习的数据精准匹配分析方法 | |
CN104753075A (zh) | 互联电力***的主导振荡模态的辨识方法及装置 | |
CN115129594A (zh) | 测试场景处理方法、装置、电子设备和存储介质 | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN105868778A (zh) | 一种基于频域波动特征的中值滤波检测方法 | |
CN113221949B (zh) | 一种影响新能源出力的多尺度天气过程分类方法和*** | |
CN116482597A (zh) | 电能表运行数据变量筛选方法、电子设备及存储介质 | |
CN111310121A (zh) | 一种新能源出力概率预测方法和*** | |
CN107967496B (zh) | 一种基于几何约束与gpu级联哈希的图像特征匹配方法 | |
He et al. | A HK clustering algorithm based on ensemble learning | |
Sun et al. | Method of locating loose particles inside aerospace equipment based on parameter-optimized XGBoost | |
CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及*** | |
CN115169832A (zh) | 一种基于曲线形态变化的敏感性分析方法及*** | |
CN110033082B (zh) | 一种识别ai设备中深度学习模型的方法 | |
CN106557564A (zh) | 一种对象数据分析方法及装置 | |
CN113837271A (zh) | 一种基于特征选择的分类改进算法 | |
CN111143436A (zh) | 用于大数据的数据挖掘方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |