6 hours scanning of view field was conducted by Grapes-3DVar detection system.The process is based on cloud detection,combining Grapes-3DVar system with AIRS instrument characteristics to eliminate field of view contaminated by cloud,which lays a solid foundation for application of AIRS data in 3-dimensional variational assimilation system.
以中尺度气象模式(weather research and forecasting,WRF)结合气象站和多个测风塔同步观测资料校准,得到的水平分辨率1km、时间分辨率为10min的精细风场数据为基础,研究了中国大规模风电外送工程之一的酒泉地区的风电容量系数、风电可信容量系数以及风电峰谷系数等关键风电参数的区域同步波动特性,比较了不同大小范围的各项参数指标的差异,发现:1)风电并网区域范围的增大对风电上网的波动性具有明显的平滑效应,表现在风电容量系数、风电峰谷系数的逐时变化和年度变化幅度均显著削减,风电可参加受端电网电力平衡的比例也明显提高;2)区域风电外送对受端电网有一定的正调峰和反调峰效果,时段差异明显;3)基于受端电网负荷高峰时段,以85%和95%预定保证率下酒泉地区的风电可信容量分别为9%和5%,采用风电容量系数平均值计算的风电可信容量则可达29%。对酒泉地区大范围风电参数同步波动性的研究方法和初步结论,可为我国大型风电基地风电外送工程设计建设及相关规划研究提供有价值的基础数据和技术思路。
随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。
