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。
高光谱异常变化检测能够从多时相高光谱遥感图像中寻找到数量稀少、与整体背景变化趋势不同、难以发现且令人感兴趣的异常变化。数据集规模较小、存在噪声干扰以及线性预测模型存在局限性等问题,极大地降低了传统高光谱异常变化检测方法的检测性能。目前,自编码器已被成功地应用于高光谱异常变化检测。然而,单个自编码器在处理多时相高光谱图像时,仅关注图像的重构质量,在获取瓶颈特征时往往忽略了图像中复杂的光谱变化信息。为了解决该问题,提出了一种基于双空间共轭自编码器的多时相高光谱异常变化检测(Multi-temporal Hyperspectral Anomaly Change Detection Based on Dual Space Conjugate Autoencoder,DSCAE)方法。所提方法包含两个共轭的自编码器,即它们从不同方向构造各自的潜在特征。在该方法的训练过程中,首先,两幅不同时刻的高光谱图像经过各自的编码器分别获得相应的潜在空间特征表示,再分别经过各自的解码器获得另一时刻的预测图像;其次,在样本空间和潜在空间中施加不同的约束条件,并在两个空间中最小化相应的损失函数;最后,两幅输入图像经过共轭自编码器后获得各自的异常损失图,对所得的两幅异常损失图采用取小运算得到最终的异常变化强度图,以便在减小输入图像间背景光谱差异的同时突出异常变化。在高光谱异常变化检测基准数据集上的实验结果表明,与10种相关方法相比,DSCAE展现了更优的检测性能。
