自己开发的风资源分析工具包WindAnalysis-WindAnalysis1-V1.4.1.zip本帖最后由He_Challen于2017-9-614:40编辑由于工作的原因，今年项目开始转型风电项目，在慢慢上手的过程中发现，风电所涉及的软件清一色北欧的，好不好用只有用了才知道。
因为仅是为前期风电开发做技术分析，老外的软件一个是不容易上手，二是操作复杂。
随下决心自己开发一套专门用于项目前期的风资源分析工具包。
就这样开始而一发不可收拾，从最开始的结构搭建、输出设计便沉迷此中两个月，推出的前三个版本都不太稳定，要么是兼容不好，要么是数据处理的时逻辑顺序有问题，总之在最初的三个版本在大量项目的测风数据的测试下暴漏出一堆又一堆的BUG。
说实话，中途曾想过放弃，一个人孤军奋战实在是太孤独难耐了，多年工作环境造就的内心还是比较强大的，最终还是坚持了下来。
在飞机上、动车上、出差的酒店里、办公桌前开始了一遍又一遍的调试修改，度过了一个又一个难免的夜晚。
最终完成的兼容性和稳定性都可靠的V.1.4.1版本，经反复测试没有问题后，将这个版本作为目前能完成的最终的版本发出来供同行们使用，方便工作和分析。
下面对工具包中的WindAnalysis1和WindAnalysis2的功能做个介绍，过一阵闲了编个教程发出来供大家使用。
WindAnalysis1工具包能够对获取的整个测风数据构建dateset结构体，根据时间序列进行综合整理分析，通过运行可以获得如下分析结果：a．不同高度风速、风向、温度、压强的时间序列分布图；
风速、风向、温度、压强.jpgb．整个测风数据质量判断，及质量分析图；
测风数据质量评估.jpgc．不同高度湍流强度按照风速的分布、各风速对应的湍流强度与其平均湍流强度的分布图；
湍流分布.jpgd．不同高度月平均风速分布图；
月平均风速.jpge．不同高度日平均风速分布图；
日平均风速.jpgf．不同高度风速频率分布直方图；
风频分布.jpgg．不同高度风速风向玫瑰图；
风向、风能玫瑰图.jpgh．风切变拟合和计算；
风切变拟合.jpgi．风切变系数随月分布图；
月风切变.jpgWindAnalysis2为针对特定高度H处的风资源进行详细分析，包括：a.测风时间序列上风速、湍流偏离测风周期内平均值的偏离程度；
风速、湍流时间序列分布.jpgb.风速的威布尔分布拟合和参数计算；
威布尔分布.jpgc.威布尔分布拟合的误差和相关系数R2的计算分析；
拟合误差分析.jpgd.风切变拟合和切边系数计算；
风切变拟合.jpge.指定轮毂高度处的平均风速推算及威布尔分布拟合；
轮毂高度处威布尔分布.jpgf.根据选型风机的参数，绘制功率曲线和推力系数曲线；
功率特性曲线.jpg不仅限于以上figure图文件的生成，还能够估算出指定轮毂高度hub（hub＞H）测风塔处的发电量，在CommandWindow窗口中输出计算结果，作为风资源分析的参考。
计算结果.pngWindAnalysis风数据分析工具包教程-V1.4.pdfWindAnalysis1-V1.4.1.zipWindAnalysis2-V1.4.1.zip-------------------------------------------------------------------

表冷器制热计算书，主要用于组合式空调、柜式风机盘管机组的表冷器的设计计算，操作简单、只要输入相关的设计条件，即可以计算表冷器的换热量、换热面积、水流量、风速、出风温度等参数。
、

研制了一套人眼安全的全光纤相干多普勒激光测风雷达系统。
系统采用1550nm全光纤单频保偏激光器作为激光发射光源，激光器单脉冲能量0.2mJ，重复频率10kHz，脉冲半高全宽400ns，线宽小于1MHz。
激光雷达接收望远镜和扫描器口径100mm，采用速度方位显示(VAD)扫描模式对不同方位的视线风速进行测量，使用平衡探测器接收回波相干信号，通过1G/s的模拟数字(AD)采集卡对相干探测信号进行采集，在现场可编程门阵列(FPGA)数字信号处理器中进行1024点快速傅里叶变换(FFT)得到不同距离门回波信号功率谱信息。
对于获得的各方位视线风速，研究采用非线性最小二乘法对激光雷达测量的风速剖面矢量进行反演。
激光雷达与风廓线雷达测量的风速进行了对比，两者测量的水平风速，风向和竖直风速相关系数分别为0.988，0.941和0.966。

matlab气象风玫瑰图-wind_rose.m最近在画风玫瑰图，网上查找到的风向与风速强度都有点问题，修改代码后，与大家分享，有什么问题可以讨论。

【新能源微电网】新能源微电网是由分布式电源、储能设备、能量转换装置等组成的微型发配电系统，能够在独立或并网状态下运行，具有自我控制、保护和管理能力。
它结合了新能源发电，如太阳能和风能，以提高能源利用率，尤其在偏远地区提供电力供应。
然而，新能源的不稳定性给微电网的运行带来了挑战，如发电量预测和电网管理的困难。
【人工智能神经网络】人工神经网络是人工智能的核心组成部分，模拟生物神经网络结构，用于解决复杂问题，如信息处理和学习。
在新能源微电网领域，神经网络主要用于处理非线性和复杂的预测任务，如风力发电量和电力负荷的预测。
主要的神经网络分词法有：神经网络专家系统分词法和神经网络分词法，前者结合了神经网络的自学特性与专家系统的知识，后者通过神经网络的内在权重来实现正确分词。
【RBF神经网络】径向基函数（RBF）神经网络是神经网络的一种，常用于预测任务。
它由输入层、隐藏层和输出层组成，其中隐藏层使用RBF作为激活函数，实现输入数据的非线性变换，从而适应复杂的数据模式。
在微电网中，RBF神经网络用于短期负荷预测，能有效处理非线性关系，降低外部因素对预测的干扰。
【微电网短期负荷预测】短期负荷预测对于微电网的能量管理和运行优化至关重要。
通过构建RBF神经网络模型，可以预测未来一定时间内的负荷变化。
预测模型的建立通常需要选择与负荷密切相关的输入数据，如时间、气温、风速等，并进行数据预处理。
MATLAB等工具可用于进行网络训练和仿真，以生成预测结果。
【风力发电预测】RBF神经网络同样适用于风力发电量的预测。
通过对风速、气压等相关因素的预测，可以估算微电网系统的风力发电潜力，帮助维持系统的稳定运行，减少风电波动对微电网的影响。
总结来说，人工智能神经网络，尤其是RBF神经网络，为解决新能源微电网中的挑战提供了有效工具。
通过精确预测新能源发电量和电力负荷，可以优化微电网的运行效率，确保其稳定性和自给自足的能力。
此外，这种技术还能促进可再生能源的有效利用，有助于推动能源行业的可持续发展。

为了提高风电功率的预测精度，研究了一种基于粒子滤波（ＰＦ）与径向基函数（ＲＢＦ）神经网络相结合的风电功率预测方法。
使用ＰＦ算法对历史风速数据进行滤波处理，将处理后的风速数据结合风向、温度的历史数据，归一化后构成风电功率预测模型的新的输入数据；
利用处理后的新的输入数据和输出数据，建立ＰＦ－ＲＢＦ神经网络预测模型，预测风电场的输出功率。
仿真结果表明，使用该预测模型进行风电功率预测，预测精度有一定的提高，连续１２０ｈ功率预测的平均绝对百分误差达到８．０４％，均方根误差达到１０．６７％

风力发电的许多子模块，如风速模拟、双馈异步发电机控制模块，电机模块，减速及模块，变桨模块等等。

基于Matlab/Simulink的直驱式永磁风力发电系统的建模与仿真，常波，通过研究风力机和永磁同步发电机各自的特性和运行机理,建立了永磁直驱风力发电系统的数学模型，在Matlab/Simulink环境下建立风力发电并网系统模型,采用简化风速模型,调试并验证控制策略的有效性、可行性,证明所搭模型的正确性。

风电场风速概率分布体现了风能资源统计特性的重要标。
在认为风速服从两参数Weibull分布前提下，提出了应用极大似然法根据实测的风速数据求解风速概率分布参数，由此估算出能直接体现风能资源状况的风能特征指标值。
通过比较由风速概率分布推算出风能特征指标的估计值与由历史风速数据序列获得的实测值，说明极大似然法计算精度高，Weibull分布作为风电场风速统计模型能准确地拟合风能的实际情况，具有实用价值，为风电场规划设计提供重要参考。

BELLHOP模型是利用高斯波束追踪法，求解出水平但非均匀的水声环境中的声场。
而高斯波束追踪方法，是解决高频信号的水平变化问题相当有效的方法之一。
该工具箱中充分考虑信道中各种影响因素，包括风速、海底反射参数等。
同时也可根据自己导入的声速文件修改信道环境。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。