丰富的历史风速数据是开展海岛微电网规划工作的前提。为此,针对待规划海岛无历史风速数据的问题,提出了一种利用周边海岛风速时空相关性估计目标海岛长期风速序列的方法。首先,结合滑动窗和云模型,自适应划分周边海岛风速序列的时序区...丰富的历史风速数据是开展海岛微电网规划工作的前提。为此,针对待规划海岛无历史风速数据的问题,提出了一种利用周边海岛风速时空相关性估计目标海岛长期风速序列的方法。首先,结合滑动窗和云模型,自适应划分周边海岛风速序列的时序区间;其次,根据各时序区间内风速云模型数字特征的余弦相似度,匹配周边海岛各分段风速序列间的相似性转移关系(similarity transfer relationship,STR);最后,考虑STR与海岛空间位置关系,以权重表示各STR对目标海岛风速序列估计的影响,进而依据各STR及其权重估计目标海岛的长期风速序列。研究结果表明:相较于利用皮尔逊相关系数(Pearson correlation coefficient,PCC)计算各天风速序列间的相关性,进而估计海岛长期风速序列的方法,使用所提方法得到的估计结果与实际序列间的平均绝对误差、均方根误差和PCC分别约改善了7.31%、17.98%和0.46%,所提方法能够实现较高准确度的海岛长期风速序列估计。论文研究可为历史风速数据缺失情况下开展海岛风速预测工作提供参考。展开更多
文摘丰富的历史风速数据是开展海岛微电网规划工作的前提。为此,针对待规划海岛无历史风速数据的问题,提出了一种利用周边海岛风速时空相关性估计目标海岛长期风速序列的方法。首先,结合滑动窗和云模型,自适应划分周边海岛风速序列的时序区间;其次,根据各时序区间内风速云模型数字特征的余弦相似度,匹配周边海岛各分段风速序列间的相似性转移关系(similarity transfer relationship,STR);最后,考虑STR与海岛空间位置关系,以权重表示各STR对目标海岛风速序列估计的影响,进而依据各STR及其权重估计目标海岛的长期风速序列。研究结果表明:相较于利用皮尔逊相关系数(Pearson correlation coefficient,PCC)计算各天风速序列间的相关性,进而估计海岛长期风速序列的方法,使用所提方法得到的估计结果与实际序列间的平均绝对误差、均方根误差和PCC分别约改善了7.31%、17.98%和0.46%,所提方法能够实现较高准确度的海岛长期风速序列估计。论文研究可为历史风速数据缺失情况下开展海岛风速预测工作提供参考。
