【技术实现步骤摘要】
本专利技术属于气象预测，特别是涉及基于pod与数据时效性神经网络融合的山地风场预测方法。
技术介绍
1、风能是一种丰富的可再生可持续能源。近年来，由于山区风力资源丰富且土地利用效率高，风电产业逐步向山区发展。然而，山区风电场的开发面临着一些独特挑战。在山区，上游山体的尾流会显著影响下游山区的风速分布；同时，山体间的相互作用会导致复杂的湍流涡结构，使得山区风电场附近的湍流状况变得更加复杂。这些特征会造成山区风电场的能源产出损失或工作效率降低。所以，山地风速场的建模和预测对于风能的高效利用来说至关重要。
2、在山地风场建模和预测领域，研究者jackson和hunt提出了基于二维山丘的线性理论模型，该模型虽考虑地面粗糙度等因素后得到应用，但在复杂山体条件下，难以充分考虑来流特性和局部复杂环境影响，导致地形风场的预测结果与实测数据存在显著差异。后续有研究者提出了计算流体力学(cfd)法，虽然cfd法解决了能够更准确地预测复杂地形的风场分布，但计算成本高昂，随后研究者提出了本征正交分解(pod)法，pod法作为一种降阶模型，通过用低维...
【技术保护点】
1.基于POD与数据时效性神经网络融合的山地风场预测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述基于POD与数据时效性神经网络融合的山地风场预测方法，其特征在于，步骤S2中利用POD算法对原始风场数据集进行分解并降维，包括以下子步骤：
3.根据权利要求2所述基于POD与数据时效性神经网络融合的山地风场预测方法，其特征在于，对步骤S202中相关矩阵R进行特征值分解，具体计算公式如下：
4.根据权利要求2所述基于POD与数据时效性神经网络融合的山地风场预测方法，其特征在于，步骤S204中POD基模态及其对应的基系数ak(t)
【技术特征摘要】
1.基于pod与数据时效性神经网络融合的山地风场预测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述基于pod与数据时效性神经网络融合的山地风场预测方法，其特征在于，步骤s2中利用pod算法对原始风场数据集进行分解并降维，包括以下子步骤：
3.根据权利要求2所述基于pod与数据时效性神经网络融合的山地风场预测方法，其特征在于，对步骤s202中相关矩阵r进行特征值分解，具体计算公式如下：
4.根据权利要求2所述基于pod与数据时效性神经网络融合的山地风场预测方法，其特征在于，步骤s204中pod基模态及其对应的基系数ak(t)计算公式如下：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。