登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《利用WRF高分辨率仿真，对复杂地形下的陆地风电场进行风电预测》

  • 来源专题：可再生能源
  • 编译者： pengh
  • 发布时间：2018-12-21

  • 区域气象模型由于能够模拟影响风电场生产的局部流动力，正逐渐成为风力资源预测的一种通用工具。本研究以实际陆上风电场为例，采用高水平和垂直分辨率WRF(天气研究与预报)模型模拟进行生产预测和验证。该风电场位于西班牙西北部加利西亚，是一个风力资源丰富的复杂地区。利用专门针对风力发电场的Fitch方案，利用每日运行预测建立模拟一年的周期。获得功率和风力预测，并与管理公司提供的每个风力涡轮机轮毂的真实数据进行比较。结果表明，WRF能够很好地预测此类风电场的风电运行，这是因为WRF能够很好地反映该地区的行星边界层行为，而且Fitch方案在这些条件下表现良好。最好的年平均误差(美)获得1.87?米/秒风速和风力发电的14.75%。通过比较有无Fitch方案的实验，我们估计了该地区由于尾流扰动造成的风力资源损失。农场的年平均后或环境足迹延伸好几公里southwest-northeast盛行风的方向,资源损失0.5%的17岁甚至?公里涡轮机。

    ——文章发布于2019年5月

119浏览量
原文链接
相关报告

  • 《利用WRF高分辨率仿真技术对一个真实陆地风电场在复杂地形上的风力发电进行预测》
    • 来源专题：可再生能源
    • 编译者：pengh
    • 发布时间：2019-01-08
    • 区域气象模型由于能够模拟影响风电场生产的局部流动力，正逐渐成为风力资源预测的通用工具。本研究以一个真实的陆上风电场为例，采用高水平和垂直分辨率的WRF(天气研究与预报)模型模拟进行生产预测和验证。该风电场位于西班牙西北部加利西亚，是一个风力资源丰富的复杂地区。利用惠誉计划，具体为风电场，一个为期一年的周期模拟与日常运行预测设置。获得功率和风力预测，并与管理公司提供的每个风力涡轮机轮毂的真实数据进行比较。结果表明，WRF对这类风电场的风电运行预测效果良好，这是由于该区域的行星边界层行为得到了很好的表征，且惠誉计划在这些条件下表现良好。最好的年平均误差(美)获得1.87?米/秒风速和风力发电的14.75%。通过比较有无Fitch方案的实验，我们估算了尾迹扰动对该地区风力资源的损失。农场的年平均后或环境足迹延伸好几公里southwest-northeast盛行风的方向,资源损失0.5%的17岁甚至?公里涡轮机。 ——文章发布于2019年5月
    126浏览量
    原文链接

  • 《深度学习方法高分辨率SAR图像船舶检测与方向提取》
    • 来源专题：中国科学院文献情报系统—海洋科技情报网
    • 编译者：liguiju
    • 发布时间：2024-02-22
    • 近日，自然资源部第二海洋研究所与浙江大学联合培养博士研究生李修楠以第一作者在期刊IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (IF 5.5)上发表了题为“TKP-Net: A Three Keypoint Detection Network for Ships Using SAR Imagery”的研究论文，论文通讯作者为自然资源部第二海洋研究所陈鹏正高级工程师和杨劲松研究员，合作者包括国家卫星海洋应用中心安文韬研究员、自然资源部第二海洋研究所博士联陪生罗丹，郑罡研究员，硕士生陆霭莹，硕士生王梓沐。 遥感船舶监测在军事和民用领域都有重要的应用。从遥感数据，特别是从合成孔径雷达（SAR）图像中提取船舶长度、宽度和航向等信息至关重要。目前SAR图像船舶监测主要集中在船舶位置检测上。船舶方向的判别通常依赖于尾流特征的可观测性。然而，尾流特征的可观测性往往受到SAR系统参数、船舶属性、动态海洋环境等因素的影响。这使得准确的方向评估成为一项具有挑战性的任务。针对这些挑战，本研究提出了一种基于三个关键点的任意方向SAR船舶检测新方法。该方法从高分辨率SAR图像中学习船首和船尾的散射和形态信息，从而使用旋转边界框高精度确定船舶方向。该方法的第一步，将旋转框的角度预测问题转化为关键点位置的估计和匹配问题，以确定旋转框。在第二步中，使用放置在两个关键点的分类器进行船头判别，该算法在数据集上进行了测试，取得了90.8%的平均精度（AP）和92.5%的船头分类准确度，展示了其对于遥感船舶监测技术进步的潜在贡献。 本研究提出TKP-Net总体架构，分为三个主要部分，即特征提取和融合、目标检测头和预测模块。特征提取与融合模块用于提取多尺度船舶特征。目标检测头模块用于生成关键点热图、关键点偏移、旋转框的长度、宽度、方向向量和船头分类结果。预测模块结合来自检测头模块的信息形成旋转框和船头位置。 网络结构可分为三个部分，即特征提取与融合模块、检测头模块、预测模块。数据经过特征提取和融合模块后，得到热图、偏移量、尺寸参数、向量、船头分类层五个参数部分。 热图和偏移量结合起来生成关键点坐标。尺寸参数和向量来匹配关键点坐标以生成旋转边框，并使用船头分类层来确定船头位于哪个关键点。 TKP-Net算法和其他五种算法（gliding vertex、Oriented RCNN、R3Det、YOLOv5 + CSL和Faster R-CNN（OBB））的OBB检测性能进行了比较。使用的评估指标为精确率（Precision）、召回率（Recall）、F1分数（F1 Score）、每秒传输帧数（FPS）和平均准确率（AP）。TKP-Net方法在性能指标上表现出色。具体而言，Precision达到了98.2%，Recall达到了97.7%，F1分数为97.9%，AP50为90.8%，处理速度为每秒18.1帧。 全景SAR图像测试可用于验证和评估船舶检测算法在现实场景中的性能。 利用全景SAR图像进行测试可以更准确地评估算法在处理复杂背景、多目标、遮挡和其他挑战性情况时的性能。 本研究在全景SAR图像上进行了测试，船舶检测在陆地或岛屿上存在一些误检。在没有陆地或岛屿干扰的情况下，海面大型SAR舰艇的探测效果较好。我们选择图像上有尾流的船只来验证我们的船头分类的准确性。大部分船舶的航向与船舶尾流验证的方向一致。这可以在一定程度上证明我们的方法在从全景SAR图像中提取船舶方向具有良好的性能。 论文引用： Li X, Chen P*, Yang J*, et al. TKP-Net: A Three Keypoint Detection Network for Ships Using SAR Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 17, pp. 364-376, 2024, doi: 10.1109/JSTARS.2023.3329252.
    171浏览量
    原文链接