风力发电在我国能源结构中占比逐年攀升。对风能资源进行准确全面的评估是提升风电出力水平和消纳能力的先决条件。基于空间插值方法建立的高分辨率网格化风资源数据集,可对风资源进行大范围、格点化和精细化的有效评估。为提高风资源...风力发电在我国能源结构中占比逐年攀升。对风能资源进行准确全面的评估是提升风电出力水平和消纳能力的先决条件。基于空间插值方法建立的高分辨率网格化风资源数据集,可对风资源进行大范围、格点化和精细化的有效评估。为提高风资源数据集的准确性,文章提出了一种基于K-means++自适应的改进反距离加权插值方法(K-means++adaptive inverse distance weighted interpolation method,K-means++AIDW)。使用该方法对山东地区2022年全年109个国家级气象观测站点的风速实测数据进行处理,构建空间分辨率为9km×9km的网格点,使用风速实测数据逐小时对网格点进行插值填补,得到高分辨率的网格化风资源数据集。将插值后的结果与原始观测数据进行比较发现,与传统反距离加权法(inverse distance weighting,IDW)和Kriging插值方法相比,所设计的K-means++AIDW插值方法平均绝对误差较IDW方法降低了5.4%,较Kriging方法降低了7.8%;均方根误差较IDW方法降低了5.9%,较Kriging方法降低了8.1%,显示出其在整体误差控制上的优势。与空间分辨率0.25°×0.25°的再分析回算数据集ERA5(Fifth Generation of European Centre for Medium-range Weather Forecasts Atmospheric Reanalysis of the Global Climate)的风资源要素相比,所设计的K-means++AIDW插值数据集平均绝对误差和均方根误差平均降低了11.95%和10.07%,验证了所设计插值方法的准确有效性,以及生成的高分辨率网格化数据集的精准可靠性,可作为评估山东省的风能资源潜力的可靠数据基础,为风能资源管理和风电场选址等领域提供准确的数据支持。展开更多
针对大气可降水量(Precipitable Water Vapor,PWV)精细化过程中插值算法的选取,本文系统性地分析了线性插值三角网法、克里金插值法、空间反距离(Inverse Distance Weighting,IDW)插值法3种方法,并提出了顾及GNSS水汽特性和站间距离的优...针对大气可降水量(Precipitable Water Vapor,PWV)精细化过程中插值算法的选取,本文系统性地分析了线性插值三角网法、克里金插值法、空间反距离(Inverse Distance Weighting,IDW)插值法3种方法,并提出了顾及GNSS水汽特性和站间距离的优化IDW插值方法.该方法通过分析GNSS站点距离与大气水汽分布特性对插值结果的影响,进而对插值参数进行优化,使插值结果靠近高精度的观测值.利用2017年5—7月徐州连续运行参考站的GNSS实测数据与探空站数据对该方法进行分析,实验结果表明:顾及GNSS水汽特性和站间距离的优化IDW插值方法的标准差、平均绝对误差、平均相对误差、均方根误差都要低于其他3种经典插值方法,其中均方根误差分别降低了14.88%、15.70%、4.12%.此外,本文分析了暴雨天气下不同插值算法重构高分辨率大气水汽分布图的能力,发现采用优化IDW插值方法能够显著减小采样站点分布不均及降水量激增造成的插值误差.这表明优化方法有助于重构局部地区稀疏GNSS站网的高分辨率大气水汽分布图,改进监测能力.展开更多
文摘风力发电在我国能源结构中占比逐年攀升。对风能资源进行准确全面的评估是提升风电出力水平和消纳能力的先决条件。基于空间插值方法建立的高分辨率网格化风资源数据集,可对风资源进行大范围、格点化和精细化的有效评估。为提高风资源数据集的准确性,文章提出了一种基于K-means++自适应的改进反距离加权插值方法(K-means++adaptive inverse distance weighted interpolation method,K-means++AIDW)。使用该方法对山东地区2022年全年109个国家级气象观测站点的风速实测数据进行处理,构建空间分辨率为9km×9km的网格点,使用风速实测数据逐小时对网格点进行插值填补,得到高分辨率的网格化风资源数据集。将插值后的结果与原始观测数据进行比较发现,与传统反距离加权法(inverse distance weighting,IDW)和Kriging插值方法相比,所设计的K-means++AIDW插值方法平均绝对误差较IDW方法降低了5.4%,较Kriging方法降低了7.8%;均方根误差较IDW方法降低了5.9%,较Kriging方法降低了8.1%,显示出其在整体误差控制上的优势。与空间分辨率0.25°×0.25°的再分析回算数据集ERA5(Fifth Generation of European Centre for Medium-range Weather Forecasts Atmospheric Reanalysis of the Global Climate)的风资源要素相比,所设计的K-means++AIDW插值数据集平均绝对误差和均方根误差平均降低了11.95%和10.07%,验证了所设计插值方法的准确有效性,以及生成的高分辨率网格化数据集的精准可靠性,可作为评估山东省的风能资源潜力的可靠数据基础,为风能资源管理和风电场选址等领域提供准确的数据支持。
文摘反距离加权插值方法(Inverse Distance Weighted,IDW)是生成数字高程模型(Digital Elevation Model,DEM)的常用内插手段之一,不同的地形应使用合适的IDW距离指数进行插值。本文选取了平原、丘陵、小起伏山地、中起伏山地和大起伏山地5种地形,设计了2组试验,从地形宏观形态和地形微观形态2个方面研究了地形对IDW插值中最优距离指数(Optimal order of distances,OOD)的影响。首先使用狼群算法(Wolf pack algorithm,WPA)计算不同地形区下IDW插值的OOD,分析不同地形之间OOD的分布差异;其次选取坡度、坡向、曲率3个地形因子,计算各采样点的OOD,分析不同地形因子对采样点OOD的影响。结果表明,从平原地区到大起伏山地地区,随着区域内地形起伏度的增加,OOD减小。采样点的OOD在高值区的占比随坡度增大而减小;OOD随坡向变化差异不大;随着地形曲率的增大,OOD在高值区的占比增加,在低值区的占比减小。在较为平坦的地区,例如平原地区,丘陵地区建议使用OOD在3≤a≤4范围内取值进行IDW插值,而在小起伏山地、中起伏山地和大起伏山地等山地区建议采用OOD在1≤a≤2范围内取值进行IDW插值。
文摘针对大气可降水量(Precipitable Water Vapor,PWV)精细化过程中插值算法的选取,本文系统性地分析了线性插值三角网法、克里金插值法、空间反距离(Inverse Distance Weighting,IDW)插值法3种方法,并提出了顾及GNSS水汽特性和站间距离的优化IDW插值方法.该方法通过分析GNSS站点距离与大气水汽分布特性对插值结果的影响,进而对插值参数进行优化,使插值结果靠近高精度的观测值.利用2017年5—7月徐州连续运行参考站的GNSS实测数据与探空站数据对该方法进行分析,实验结果表明:顾及GNSS水汽特性和站间距离的优化IDW插值方法的标准差、平均绝对误差、平均相对误差、均方根误差都要低于其他3种经典插值方法,其中均方根误差分别降低了14.88%、15.70%、4.12%.此外,本文分析了暴雨天气下不同插值算法重构高分辨率大气水汽分布图的能力,发现采用优化IDW插值方法能够显著减小采样站点分布不均及降水量激增造成的插值误差.这表明优化方法有助于重构局部地区稀疏GNSS站网的高分辨率大气水汽分布图,改进监测能力.
