一种基于组合深度学习的复杂山地风电场测风数据质量控制方法

山地风受地形影响呈现强烈的间隙性、波动性和非平稳性,观测质量差,常规质量控制方法无法有效地提升其观测质量。针对此,构造一种基于变分模态分解、卷积神经网络、门控循环单元组合深度学习的质量控制方法(VCG),并引入粒子群智能优化策略、风功率重构模型,综合提升观测数据质量。为验证该方法的效果,运用该方法对江西赣州、四川广元、安徽芜湖、湖北黄石、河南平顶山、广西贺州某地共6座复杂山地风电场目标观测塔2016年10 min风速、风向数据进行质量控制,并与单一机器学习方法、空间回归方法(SRT)、反距离加权法(IDW)进行对比。结果表明,该方法适用于山地风电场的观测风数据的质量控制,相较于常规方法具有更高的可疑数据检错率;控制后的数据能更好地还原观测背景场,应用于风电场的发电量评估业务具有更低的误差率;且具有地形适应性强的特点。

青藏高原中、东部气象站降水资料时间序列的构建与应用

气象台站观测可以提供高精度的局地降水信息,但是台站数据缺失对降水趋势分析等气候变化研究有严重影响。青藏高原站点非常稀疏且难以维护,这种影响尤为严重。借助贝叶斯线性回归方法,建立缺失数据站点与其相邻站点降水量之间的数学关系,对月降水量时间序列进行插补和延长,重构了1979-2015年间青藏高原中、东部148个站点的月降水完整时间序列。交叉验证显示插补和延长后的结果基本上能还原缺失数据站点降水的季节变化,且该方法优于几种常用的插值方法。构建的时间序列显示,1998年后高原东南部年降水量明显减少,东北部2002年以来则略有上升,而东南和东北部的过渡带则没有明显的年代际变化。