CN116842839A - 一种配电设施雨涝淹没停电风险预测方法及相关装置 - Google Patents
一种配电设施雨涝淹没停电风险预测方法及相关装置 Download PDFInfo
- Publication number
- CN116842839A CN116842839A CN202310808331.7A CN202310808331A CN116842839A CN 116842839 A CN116842839 A CN 116842839A CN 202310808331 A CN202310808331 A CN 202310808331A CN 116842839 A CN116842839 A CN 116842839A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- neural network
- distribution facility
- data
- predicting
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000011160 research Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000010485 coping Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 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
- 238000001556 precipitation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力气象灾害预测技术领域，特别涉及一种配电设施雨涝淹没停电风险预测方法及相关装置，首先获取历史数值天气预报降雨数据和实时观测数据，其次建立神经网络模型，采用获取的数据训练并得到训练好的神经网络模型。然后将当前数值天气预报数据输入训练好的神经网络模型，预测得到最新预报降雨量数据；最后将得到的最新预报降雨量数据导入二维水动力模拟软件，仿真模拟暴雨过程，得到研究地区的暴雨淹没深度图，预测研究区域的配电设施的停电风险等级。本发明弥补了数值天气预报中基于预报员主观经验的不足，能够更准确地预测配电设施的暴雨淹没风险，对配电网的运行调度提供更准确的雨涝灾害辅助信息，为预防和应对雨涝灾害提供参考。
Description
技术领域
本发明涉及电力气象灾害预测技术领域，特别涉及一种配电设施雨涝淹没停电风险预测方法及相关装置。
背景技术
近年来极极端天气气候事件频发，严重影响人类安全及生态环境。全球变暖增加大气水汽持水能力并影响水分和能量循环，进而影响极端降水发生。内涝灾害频发是气候变化和人类生产生活活动共同作用的结果。由于受全球气候变化影响，暴雨等极端天气降雨强度大、范围集中，加之部分城市排水防涝等基础设施建设滞后、调蓄雨洪和应急管理能力不足，出现了严重的暴雨内涝灾害。对于极端暴雨引发的城市内涝，目前尚缺乏研究，因此利用数值天气预报预测降雨过程，仿真模拟配电设施雨涝淹没停电风险有重要意义。
制作数值天气预报的过程为主观和客观预测的结合。首先，根据给定的初始和边界条件，通过数值方法求解大气运动方程组，从而由已知初始时刻的大气状态预报未来时刻的大气状态；再通过分析天气图、气象卫星资料等，结合积累的经验，做出未来3天至5天的具体天气预报。其中，利用计算机进行的客观计算是基于网络格点进行的，结果为一个矩形区域的平均值，但无法针对一个观测站直接作出预报，因此需要预报员将数据由格点到站点进行人工经验修正。神经网络可以代替人工完成修正数值天气预报数据，将预报过程变得客观，进而使雨涝淹没仿真结果更加准确，因此提出一种基于神经网络修正数值天气预报的配电设施雨涝淹没停电风险预测方法及相关装置具有现实意义。
发明内容
为了解决上述问题，本发明提供了一种配电设施雨涝淹没停电风险预测方法及相关装置，利用神经网路修正数值天气预报数据，仿真模拟暴雨过程，准确预测配电设施的停电风险，对配电网的运行调度提供雨涝灾害辅助信息，可以事前集中准备抢修力量，避免损失。具体技术方案如下：
一种配电设施雨涝淹没停电风险预测方法，包括以下步骤：
步骤S1，获取历史数值天气预报降雨数据和实时观测数据，筛选剔除明显不符合实际的实时观测数据；
步骤S2，建立神经网络模型，将步骤S1获取的数据按照比例划分为训练集和测试集，其中训练集用于训练神经网络模型，测试集用于调整优化神经网络模型的参数，得到训练好的神经网络模型；
步骤S3，将当前数值天气预报数据输入步骤S2得到的训练好的神经网络模型，预测得到未来逐n小时的最新预报降雨量数据；
步骤S4，将步骤S3得到的最新预报降雨量数据导入二维水动力模拟软件，仿真模拟暴雨过程，得到研究地区的暴雨淹没深度图，预测研究区域的配电设施的停电风险等级。
优选地，所述步骤S1中筛选剔除与平均值的偏差超过3倍标准差的实时观测数据。
优选地，所述步骤S2中的神经网络模型为BP神经网络模型，设置BP神经网络模型的初始权值和阈值，利用可变学习率来修改步长。
优选地，所述步骤S2中调整优化神经网络模型的参数具体是采用超参数法。
优选地，所述步骤S4中二维水动力软件为FloodArea，仿真模式为Rainstorm模式。
优选地，所述步骤S4中的淹没深度为淹没水位高程和地面高程之间的差值。
优选地，所述步骤S4中包括将暴雨淹没深度图叠加电子地图，标记出配电设施的位置，反应配电设施处的淹没深度，根据配电设施处的淹没深度确定对应的停电风险等级，并采用不同标记标识不同停电风险等级。
一种配电设施雨涝淹没停电风险预测***，其特征在于，应用所述的预测方法，包括：
数据采集模块，用于获取历史数值天气预报降雨数据和实时观测数据，并筛选剔除明显不符合实际的实时观测数据；
神经网络训练模块，用于建立神经网络模型，并采用数据采集模块获取的数据训练得到训练好的神经网络模型；
神经网络预测模块，用于根据当前数值天气预报数据与训练好的神经网络模型预测得到未来逐n小时的最新预报降雨量数据；
停电风险等级预测模块，用于根据最新预报降雨量数据仿真模拟暴雨过程，得到研究地区的暴雨淹没深度图，预测研究区域的配电设施的停电风险等级；
所述数据采集模块、神经网络训练模块、神经网络预测模块、停电风险等级预测模块依次连接。
一种计算机可读存储介质，所述计算机可读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计算机可读存储介质所在设备执行所述的配电设施雨涝淹没停电风险预测方法。
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配电设施雨涝淹没停电风险预测方法。
与现有技术相比，本发明的有益效果为：
本发明提供了一种配电设施雨涝淹没停电风险预测方法及相关装置，首先获取历史数值天气预报降雨数据和实时观测数据，其次建立神经网络模型，将获取的数据按照比例划分为训练集和测试集，训练并得到训练好的神经网络模型。然后将当前数值天气预报数据输入训练好的神经网络模型，预测得到未来逐n小时的最新预报降雨量数据；最后将得到的最新预报降雨量数据导入二维水动力模拟软件，仿真模拟暴雨过程，得到研究地区的暴雨淹没深度图，预测研究区域的配电设施的停电风险等级。
本发明利用神经网络对数值天气预报进行修正，利用预报数据准确模拟研究地区的降雨过程，判定配电终端的淹没停电风险。此方法弥补了数值天气预报中基于预报员主观经验的不足，能够更准确地预测配电设施的暴雨淹没风险，对配电网的运行调度提供更准确的雨涝灾害辅助信息，为预防和应对雨涝灾害提供参考。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的方法流程图；
图2为神经网路结构图；
图3为超参数调优方法：网络搜索法调优图；
图4为本发明的***原理图。
实施方式
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他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例一：
本发明的具体实施方式提供了一种配电设施雨涝淹没停电风险预测方法，如图1所示，包括以下步骤：
步骤S1，获取2000-2023年的历史数值天气预报降雨数据和实时观测数据，筛选剔除明显不符合实际的实时观测数据，具体是筛选剔除与平均值的偏差超过3倍标准差的实时观测数据和明显错误的实时观测数据，，以把握控制数据质量。其中数值天气预报数据为欧洲中期天气预报中心发布的数据，降雨数据的时间间隔为3小时。
步骤S2，建立神经网络模型，将步骤S1获取的数据按照比例划分为训练集和测试集，其中训练集用于训练神经网络模型，具体采用2000-2019年的历史数值天气预报降雨数据和实际观测数据；测试集用于调整优化神经网络模型的参数，具体采用2020-2023年的历史数值天气和实时观测数据；设置BP神经网络模型的初始权值和阈值，利用可变学习率来修改步长，得到训练好的神经网络模型。
神经网络模型为BP神经网络模型，一种按误差反向传播训练的多层前馈网络，如图2所示。算法为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
信号的前向传播过程：；
；
误差的反向传播过程：；
其中，表示单个神经元的权重系数，/>表示单个神经元的输入，/>表示单个神经元的权重矩阵的转置，/> 表示单个神经元的输入矩阵，/> 为单个神经元的输出值，/> 为激活函数，/> 为预报降雨量的预测值，/> 为当前数值天气预报的真实值，/> 为代价值。
调整优化神经网络模型的参数具体是采用超参数法，是确定使模型性能最大化的超参数正确组合的过程。采用自动超参数调优，首先指定一组超参数和对这些超参数值的限制，然后，算法运行这些试验，提取最佳的超参数集，以获得最佳的结果。
自动超参数调优是利用已有的算法来实现这一过程的自动化。需要遵循的步骤为：
（1）指定一组超参数和对这些超参数值的限制。
（2）算法运行这些试验，提取最佳的超参数集，以获得最佳的结果。
如图3所示，利用网络搜索法超参数调优，在网格搜索法中，为超参数创建一个可能值的网格。每次迭代都以特定的顺序尝试超参数的组合。在每一个可能的超参数组合上拟合模型并记录模型的性能。最后，返回具有最佳超参数的最佳模型。
步骤S3，将当前数值天气预报数据输入步骤S2得到的训练好的神经网络模型，预测得到未来逐3小时的最新预报降雨量数据，并转化为文本（.txt）格式作为二维水动力模型的输入降雨量。
步骤S4，将步骤S3得到的最新预报降雨量数据导入二维水动力模拟软件，仿真模拟暴雨过程，得到研究地区的暴雨淹没深度图，预测研究区域的配电设施的停电风险等级。
二维水动力软件为FloodArea，仿真模式为Rainstorm模式，输入研究区12.5米DEM高程数据、地表粗糙度、地表径流系数和降雨量文本数据，设置计算总时长、步长和最大交换率，确定输出位置，开始降雨淹没模拟仿真。二维水动力模型计算过程中以栅格为单位，通过曼宁公式计算每个栅格和周边8个栅格的洪水流量，淹没深度为淹没水位高程和地面高程之间的差值。
具体地，将暴雨淹没深度图叠加电子地图，标记出配电设施的位置，反应配电设施处的淹没深度，根据配电设施处的淹没深度确定对应的停电风险等级，并采用不同标记标识不同停电风险等级。
配电设施的停电风险等级的确定，风险分级的依据为环网柜的典型设计，在10 kV配电终端的典型设计中，站址标高要求高于50年一遇洪水水位和历史最高内涝水位，且不考虑防洪措施。其基础高于地面0.2-0.5 m，内部电缆线路一般高于环网柜底部0.5m。因此，将暴雨淹没深度图积水深度0.1m以下区域设置为无风险，0.1～0.3m设置为低风险，0.3～0.6m设置为中风险，积水深度达到0.6m及以上设置为高风险。
配电设施的停电风险等级呈现，无风险区的配电设施用白色标记，低风险区的用黄色标记，中风险区的用橙色标记，高风险区的配电设施用红色标记，以达到直观呈现的目的。
实施例二：
如图4所示，基于相同的发明构思，本发明的具体实施方式提供了一种配电设施雨涝淹没停电风险预测***，其特征在于，应用所述的预测方法，包括：
数据采集模块，用于获取历史数值天气预报降雨数据和实时观测数据，并筛选剔除明显不符合实际的实时观测数据；具体原理见上述步骤S1。
神经网络训练模块，用于建立神经网络模型，并采用数据采集模块获取的数据训练得到训练好的神经网络模型；具体原理见上述步骤S2。
神经网络预测模块，用于根据当前数值天气预报数据与训练好的神经网络模型预测得到未来逐n小时的最新预报降雨量数据；具体原理见上述步骤S3。
停电风险等级预测模块，用于根据最新预报降雨量数据仿真模拟暴雨过程，得到研究地区的暴雨淹没深度图，预测研究区域的配电设施的停电风险等级；具体原理见上述步骤S4。
所述数据采集模块、神经网络训练模块、神经网络预测模块、停电风险等级预测模块依次连接。
实施例三：
本发明的具体实施方式提供了一种计算机可读存储介质，所述计算机可读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计算机可读存储介质所在设备执行所述的配电设施雨涝淹没停电风险预测方法。
实施例四：
本发明的具体实施方式提供了一种处理器，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配电设施雨涝淹没停电风险预测方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可结合为一个模块，一个模块可拆分为多个模块，或一些特征可以忽略等。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种配电设施雨涝淹没停电风险预测方法，其特征在于，包括以下步骤：
步骤S1，获取历史数值天气预报降雨数据和实时观测数据，筛选剔除明显不符合实际的实时观测数据；
步骤S2，建立神经网络模型，将步骤S1获取的数据按照比例划分为训练集和测试集，其中训练集用于训练神经网络模型，测试集用于调整优化神经网络模型的参数，得到训练好的神经网络模型；
步骤S3，将当前数值天气预报数据输入步骤S2得到的训练好的神经网络模型，预测得到未来逐n小时的最新预报降雨量数据；
步骤S4，将步骤S3得到的最新预报降雨量数据导入二维水动力模拟软件，仿真模拟暴雨过程，得到研究地区的暴雨淹没深度图，预测研究区域的配电设施的停电风险等级。
2.根据权利要求1所述的一种配电设施雨涝淹没停电风险预测方法，其特征在于，所述步骤S1中筛选剔除与平均值的偏差超过3倍标准差的实时观测数据。
3.根据权利要求1所述的一种配电设施雨涝淹没停电风险预测方法，其特征在于，所述步骤S2中的神经网络模型为BP神经网络模型，设置BP神经网络模型的初始权值和阈值，利用可变学习率来修改步长。
4.根据权利要求1所述的一种配电设施雨涝淹没停电风险预测方法，其特征在于，所述步骤S2中调整优化神经网络模型的参数具体是采用超参数法。
5.根据权利要求1所述的一种配电设施雨涝淹没停电风险预测方法，其特征在于，所述步骤S4中二维水动力软件为FloodArea，仿真模式为Rainstorm模式。
6.根据权利要求1所述的一种配电设施雨涝淹没停电风险预测方法，其特征在于，所述步骤S4中的淹没深度为淹没水位高程和地面高程之间的差值。
7.根据权利要求1所述的一种配电设施雨涝淹没停电风险预测方法，其特征在于，所述步骤S4中包括将暴雨淹没深度图叠加电子地图，标记出配电设施的位置，反应配电设施处的淹没深度，根据配电设施处的淹没深度确定对应的停电风险等级，并采用不同标记标识不同停电风险等级。
8.一种配电设施雨涝淹没停电风险预测***，其特征在于，应用权利要求1至7任一所述的预测方法，包括：
数据采集模块，用于获取历史数值天气预报降雨数据和实时观测数据，并筛选剔除明显不符合实际的实时观测数据；
神经网络训练模块，用于建立神经网络模型，并采用数据采集模块获取的数据训练得到训练好的神经网络模型；
神经网络预测模块，用于根据当前数值天气预报数据与训练好的神经网络模型预测得到未来逐n小时的最新预报降雨量数据；
停电风险等级预测模块，用于根据最新预报降雨量数据仿真模拟暴雨过程，得到研究地区的暴雨淹没深度图，预测研究区域的配电设施的停电风险等级；
所述数据采集模块、神经网络训练模块、神经网络预测模块、停电风险等级预测模块依次连接。
9.一种计算机可读存储介质，其特征在于，所述计算机可读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计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的配电设施雨涝淹没停电风险预测方法。
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中任意一项所述的配电设施雨涝淹没停电风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310808331.7A CN116842839A (zh) | 2023-07-04 | 2023-07-04 | 一种配电设施雨涝淹没停电风险预测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310808331.7A CN116842839A (zh) | 2023-07-04 | 2023-07-04 | 一种配电设施雨涝淹没停电风险预测方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842839A true CN116842839A (zh) | 2023-10-03 |
Family
ID=88159506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310808331.7A Pending CN116842839A (zh) | 2023-07-04 | 2023-07-04 | 一种配电设施雨涝淹没停电风险预测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842839A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522056A (zh) * | 2023-11-21 | 2024-02-06 | 广东省能源集团有限公司 | 一种水电厂群防汛调度方法及*** |
-
2023
- 2023-07-04 CN CN202310808331.7A patent/CN116842839A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522056A (zh) * | 2023-11-21 | 2024-02-06 | 广东省能源集团有限公司 | 一种水电厂群防汛调度方法及*** |
| CN117522056B (zh) * | 2023-11-21 | 2024-04-19 | 广东省能源集团有限公司 | 一种水电厂群防汛调度方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| Louka et al. | Improvements in wind speed forecasts for wind power prediction purposes using Kalman filtering | |
| CN112765912B (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
| JP2019194424A (ja) | 河川流域に関する水文解析および管理のためのプロセスおよびシステム | |
| CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
| CN111458769B (zh) | 用于输电线路环境气象数据预测的方法及*** | |
| CN116842839A (zh) | 一种配电设施雨涝淹没停电风险预测方法及相关装置 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN106355243A (zh) | 一种基于神经网络的水平面太阳直射散射计算***及方法 | |
| CN116401939A (zh) | 一种基于梯度约束神经网络的北极海冰短期预报方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
| CN112561125A (zh) | 一种风速预报多资料融合修正方法 | |
| CN115099162A (zh) | 一种复杂地形下风场的订正方法 | |
| Citakoglu et al. | Determination of monthly wind speed of Kayseri region with Gray estimation method | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
| CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和*** | |
| CN117493476A (zh) | 一种融合物理机制和人工智能的径流回溯模拟方法及*** | |
| CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、*** | |
| CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
| CN115047544B (zh) | 一种覆冰预警方法及*** | |
| KR101859109B1 (ko) | 강우예측을 이용한 저영향개발시설의 제어방법 | |
| Yu et al. | An operational application of NWP models in a wind power forecasting demonstration experiment | |
| CN117291432B (zh) | 一种基于人工智能的水资源调度监测*** | |
| CN107608008A (zh) | 一种基于广义大气浑浊度的晴空时段的检测方法 |
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 |