频率预测范文（精选6篇）
频率预测 第1篇
短波通信是指利用波长为100~10m (频率为3~30MHz) 的电磁波通过电离层的反射所进行的无线电通信。因此在短波天波通信中, 工作频率是不能任意选择的, 否则就不能建立可靠的通信。它不仅是为了保证现有通信线路的质量和可通率, 而且也是新设计一条通信线路时决不可少的一个环节, 同时也为区域内的频率管理创造了先决条件。
二、电离层特性
短波传输的介质—电离层由围绕地球, 处于不同高度的四个导电层组成, 分别为D、E、F层。其中D层是最低层, 也称为吸收层, F层是短波的主要反射层。F层又有F1层和F2层之分。F1层位于地球上空170Km~220Km高度处, 仅在夏季的白天存在, F2层位于地球上空225Km~450Km高度处, 白天和夜间都存在。在夜间F2层的电子密度较白天减低了一个数量级。若要保持昼夜短波通信的畅通, 工作频率必须昼夜更换, 而且在一般情况下, 夜间的工作频率要远远低于白天的工作频率。
三、几个参数的定义
3.1最高可用频率 (MUF)
在实际通信中, 能被电离层反射回地面的电波的最高频率, 称为该线路的最高可用频率, 记为MUF。需要指出的是, MUF是指在给定的通信距离之下最高的可用频率, 若通信距离变了, 对应的MUF值也将发生变化。MUF和电离层的电子密度有关, 因此所有影响电离密度的因素都将影响到MUF的数值。
3.2大圆距离
所谓大圆距离, 是指包含通信两点及地球中心的平面与地球表面的交线。它是通信两点之间的最短距离。通常认为电离层与地球表面是同心圆, 因此在计算通信两点间的距离时, 必须以大圆距离的长度来计算。
四、短波频率预测方法
4.1 F2层最高可用频率的预测
F2层MUF预测的依据是全国无线电管理委员会所提供的频率预测资料。预测资料含有 (太阳黑子数的滑动平均值) 为10、100和150三种情况下的288张MUF预测曲线。要确定某月昼夜24小时的MUF需要已知以下参数: (1) 该年该月太阳黑子数的预测值 (由全国无线电管理委员会提供) ; (2) 通信线路的大圆距离; (3) 反射点的地理位置; (4) 反射点的地方时间 (地方时) 和北京时间 (北京时) 的时差。
以上四个参数知道后, 就可以根据月份和该月份的预测值和反射点的地理位置, 例如在6月, 预测值为136, 反射点的地理位置为 (117°E, 33°N) , 则可选7月, =100和=150, 纬度为30°N≤λ<35°N的2张曲线。根据已求得的地方时和大圆距离, 可从中查得对应于=100和=150的两个该时间的MUF, 分别用 (MUF) 100和 (MUF) 150表示。再根据将已知值的MUF换算为预测值的MUF的算图, 即可求得与预测值值 (136) 相对应的 (MUF) 136, 此即为在一条具体线路上, 6月某时的MUF预测值。按照上述方法分别求得昼夜24小时的MUF。
4.2 E层最高可用频率的预测
E层的高度除临近日出日落的短暂时间内略高外, 其层底高度常位于地面以上约110km处, 最大电子密度的高度约130km。其临界频率在夜间小于0.5MHz, 而在白天于成比例 (为太阳天顶角) 。随太阳周期变化。由于夜间E层电子密度稀薄, 因此在E层最高可用频率的预测中, 只计算白天的MUFE, 夜间不予考虑。对于E层MUF的预测, 通常采用逼近实际值的半经验公式式中≤150;=3.4;=0.49;=0.00167。由于E层高度比较稳定, 因此E层一跳的最远距离为2000km, 此时MUF (2000) E=4.78根据上面两式即可求出=2000km时的E层最高可用频率。通常为避免繁杂的计算, 可根据以上两个公式绘成曲线每条~MUF (2000) E曲线以太阳天顶角为参变量。在利用曲线求MUF (2000) E时, 首先要求得该月份反射点各地方时的太阳天顶角。根据太阳天顶角查图, 就可以求得相应的MUF (2000) E。然后再利用求任意距离的E层最高可用频率的算图, 求得<2000km内, 任何大圆距离的MUF。按照以上方法分别求出北京时5:00~20:00各个钟点的MUF, 并绘制成曲线, 。若考虑到白天利用E层反射, 还可以在9:00~15:03之间选用15.3MHz。
五、结束语
频率预测是进行频率管理的基础, 它为以后的频率选择和信道预置提供依据。由于长期频率预测是根据太阳黑子数及季月时间来预测电路的最高可用频率, 所以工作频率难以跟踪电离层的变化, 因而影响短波通信效果。未来的发展方向将是实时频率预测, 该技术对于保障高质量的短波干线通信将起很大作用。
摘要：本文主要根据短波通信的特点以实例分析的形式介绍了短波频率的预测方法, 提出了如何恰当地分配短波线路工作频率的原则, 为实际工程中解决短波波段用户拥挤、干扰严重等问题提供了较好的借鉴。
关键词：短波通信,电离层,频率预测方法
参考文献
[1]沈琪琪, 朱德生.短波通信.西安:西安电子科技大学出版社, 1997.5
短波天波频率的预测与分析 第2篇
关键词：天波通信,频率预测,ITS
1 引言
短波通信指的是利用频率为3~30MHz, 波长在100~10m的电磁波进行无线电通信。短波设备架设方便、成本低廉, 主要利用天波经电离层反射, 无需建立中继站即可实现远距离通信, 由于电离层的不可摧毁特性, 因此, 短波通信相比卫星通信具有极强的抗毁能力。由于电离层会随着太阳活动的变化而变化, 短波通信的天波传播质量随着季节、气候、昼夜不同而表现极不稳定;而且短波业务密集, 频谱非常拥挤, 信道间相互干扰严重, 特别在发生战争或重大突发自然灾害等紧急情况下, 如何快速有效地搭建起高质量的短波通信链路, 成为短波通信研究的突出问题。
短波的天波链路能否保证可靠通信, 主要取决于通信信道的干扰和电离层的电波传播问题两个因素。本文基于电离层的传播特性, 利用短波仿真规划软件ITS来进行预测仿真和分析, 这对于以后应急通信中合理选用天波链路的可用频率提供一定参考的依据。
2 天波链路的特性分析
天波链路主要是利用电离层反射电磁波进行信息传播, 电离层是从离地面约50千米开始一直伸展到约1, 000千米高度的地球高层大气空域, 其中存在相当多的自由电子和离子, 能使无线电波改变传播速度, 发生折射、反射和散射, 产生极化面的旋转并受到不同程度的吸收。电离层一般包括D层、E层、F1层和F2等四个导电层, 各层之间没有明显的分界线。电离层的活跃程度跟太阳的活动情况有很大关系, 太阳活动频繁的时候, 太阳的射线会使电离程度更高, 这样有利于反射高频率的信号。电离层的特性、结构和变化规律对天波链路的通信效果有重大的影响。
短波天波通信的链路工作频率不是任意选择的, 而是该链路最低可用频率LUF (lowest usablee frequency) 和最高可用频率M U F (maximu mmusable frequency) 之间的部分, 即所谓该电路的工作频段。MUF与电离层电子密度及电磁波进入大气层的入射角有关。电子密度越大, MUF值越大;当电子密度随时间 (昼夜、季节、年份) 和地理位置等因素变化时, MUF也会随这些因素而变化。
在实际通信中, 通信频率尽可能地靠近最高可用频率以获得最佳的通信效果。最高可用频率只是个预报值, 它依据电离层监测站所提供的电离层参数的月中值而确定, 选择电路工作频率取适当留出保护边界后的频率, 即最佳工作频率 (FOT) , 它取0.85M U F, 能保护90%的时间可通率。
3 天波传播的频率预测方法
短波天波传播的频率预测是指在电离层探测历史资料或实测资料的基础上, 根据电离层特性参数的时空变化规律和通信质量与电离层信道参数的关系, 对满足天波短信链路上工作质量要求所作出一种预先的频率推断。
短波天波传播最大可用频率的预测在工程上可分为两种, 一种是手工做图法, 另一种是基于合适的预测模型下的软件实现。
3.1 手工作图法
手工做图法主要是指F2层MUF的预测, 其依据是全国无线电管理委员会所提高的频率预测资料, 预测资料含有太阳黑子数的滑动平均值为10, 100, 150三种情况下的288张M U F预测曲线。要想某两地间某月24小时的MUF, 需要知道的参数为:该年该月太阳黑子数的预测值;通信线路的大圆距离D;反射点的地理位置;发射点的地方时间和北京时间的时差。
具体步骤如下:
(1) 确定某两地间通信线路的大圆距离。为避免计算, 通常用做图法求大圆距离, 即利用同比例的世界地图和世界大圆线路图来确定。
(2) 确定发射点的地理位置。当通信距离在4 0 0 0 k m范围内, 利用F2层一次发射的方式进行通信, 发射点是指大圆距离的中点, 可在求大圆距离的作图中确定。
(3) 求反射点地方时和北京时的时差。根据北京时间和地方时间的定义, 可得到它们的关系, 即地方时间=北京时间+ (某地经度-120°) ×4分 (适用于东经地区) 。
(4) 求F2层的M U F。根据所需月份、反射点C的纬度和太阳黑子数的预测值, 在2 8 8张2 8 8张M U F预测曲线。如果太阳黑子数的预测值正好等于10、10 0或150, 则只选所需的1张;若在10~10 0或10 0~150之间, 则选取相邻2张M U F预测曲线图, 并采用插值法可求得。
3.2 ITS系列软件
I T S系列软件 (以下简称I T S软件) 是美国电信科学研究所 (ITS) 开发的、用于预测短波频段通信的免费软件, 它包括ICEPAC, VOACAP, REC533三部分。其中, 用于国际范围的REC533组件主要基于国际电信联盟无线通信组给出的ITU-R P.533方法, 该传播预测方法用于估计频段在2-30MHz的可靠性和兼容性。
IC EPAC与REC533区别在电离层预测模型算法不同, 电离层特性参数的预测是天波频率预测的关键。REC533在预测电离层特性参数采用了IT U-RP.12 39, 而该方法采用的数据在中国区域是基于少数观测站的数据推得的;而ICEPAC电离层预测模型所用的算法有CCIR (Consultative Committee of International Radio) 和UR SI 88 (International Union of Radio Science) 两种算法, 而常用的CCIR算法, 其电离层数据都是通过设立在全球的多个监测站长期获取的。下面的链路预测将利用ICEPAC电离层预测模型进行预测仿真。
4 天波链路预测与试验
现假设A, B两城由于某种紧急情况需进行短波电台的通信, A, B两城地理坐标已知, 两城相距1, 0 0 0千米以上, 发射功率和天线增益等参数也已知, 在这样的情况下如何快速有效地确定天波链路的最佳工作频率是解决问题的重点, 这时若采用手工作图法, 则需要较长的时间和作图者丰富的操作经验, 而用ITS的ICEPAC电离层预测模型正好可以解决点对点短波通信的预测问题。
4.1 基于ITS的天波链路预测仿真
假设A, B城为北京和深圳, 北京坐标为116.30°E, 39.70°N, 深圳坐标为114.30°E, 2 2.63°N, 选定时间为2016年1月, 发射功率为100W, 天线增益为5d Bi, 据太阳活动预报中心预测1月份太阳黑子平滑月均值为54, 选择UTC 0~24小时进行可通率80%以上的最佳频率预测, 其他软件参数为缺省值, 仿真结果如图1所示。
从图1可以看出, 时间可靠度大于80%的频率都可选为可用频率, 结合无线电划分规定有关业务的划分, 可选取北京和深圳两地间1月份短波链路频率为02:00~08:00 (UTC) 21, 000k Hz。
4.2 短波电台联通验证与分析
深圳监测站配备了某公司2050数字化短波电台, 涵盖短波陆基、航空、海事所有公司, 而且实现了通信功能和状态参数处理的完全软件化, 主要技术参数如表1所示。
根据前面仿真的可通率图, 北京时间10时 (UTC02:00) 的最佳可用频率为20.8M H z, 结合无线电划分规定, 在20MHz附近选取一系列空闲频点进行短波电台通信试验。试验结果表明根据仿真选定的频率可以建立有效的通信链路, 而且可通率也达到80%以上, 证明该方法得到的可用频率是可靠、有保障的。
5 结束语
本文介绍了短波天波链路频率预测的两种方法, 对于通信位置、发射功率、天线增益等参数已知的情况下, 利用ITS预测软件可快速有效地确定通信的可用频率, 经实际测试结果表明其预测的结果是可靠、有保障的。这种预测方法对于紧急情况短波电台通信快速确定合理的可用频率, 具有广泛的应用价值。
参考文献
[1]沈琪琪, 朱徳生.短波通信[M].西安:西安电子科技大学出版社, 2001:196-202
频率预测 第3篇
关键词：ATC系统,泊松分布,故障频率,预测
目前国内大多数开通地铁的城市, 包括正在筹备建设中的城市, 地铁信号系统一般都采用列车自动控制ATC系统。为了保证其能高效、连续、有序地运营, 需要进一步研究ATC系统故障并进行故障频率预测, 以便最大程度地保证列车运行安全, 提高运输效率。下文以上海地铁2012年各线路故障日志为基础, 筛选出ATC系统故障记录, 并进行数据整理及统计分析, 能对ATC故障频率进行科学预测, 给特殊情况下的运行方案提供参考。
1 地铁故障日志处理
由于地铁故障日志是以时间为单位记录地铁运营时发生的故障, 不仅数据庞大, 而且门类众多, 这里需要筛选出ATC系统故障事件, 并按一定规则处理以便进行模型分析。1) 时间处理。地铁故障日志的数据一般按照早高峰、平峰、晚高峰分别记录。考虑到周末及节假日等大客流的问题, 本文将节假日与周末视为平峰运营时段。平峰记为1、晚高峰为2、早高峰为3。2) 气候处理。本文将上海的月份进行了分组, 春季为2月、3月、4月、5月;夏季为6月、7月、8月、9月;秋季为10月、11月;冬季为12月与1月。考虑到气候对地铁正常运营影响巨大, 比照平均气温后, 本文将春秋两季看作一组数据进行分析, 而上海地铁最主要的运营气候应是高温, 夏季是最需要关注的也是地铁列车接受高温考验的时候。同样地春秋记为1, 冬季记为2, 夏季记为3。
将月份按照季度分组之后, 对照2012年上海地铁日平均客流量, 将季度的平均值写入到数据中并进行操作。利用EXCEL绘制数据透视表如表1所示。
2 泊松回归模型建立
泊松回归模型可以拟合一段时间内某一随机事件发生频率的概率分布, 比如设备故障次数, 服务中心呼叫次数等。
若以Y记为某一随机事件的发生频率, y记为随机变量Y发生的概率, 并且服从均值为μ的概率分布, 那么该分布的密度函数为:
μ>0, 并且它是单变量泊松分布的唯一参数, 如果允许每次记录不同的变量值则可以扩展为多变量泊松分布模型。一般情况下, 泊松分布可表示某个随机事件i的发生频率yi服从均值为μi的概率分布, 该分布密度函数为:
泊松分布的一个重要特征是均值和方差相等, 这也是泊松回归中非常重要的假设条件, 称为离散假定。方差大于或小于均值, 均会违背泊松分布的离散假定, 造成过离散或欠离散。该函数表达式, 通常称为乘法模型或加法模型。
3 ATC系统故障频率分析
将表1中数据导入Stata并执行相关语句来进行泊松分布处理。如果有:
1) P>|z|值大于0.05时, 表示该变量对故障频率影响不够显著, 可以对应看到[95%Conf.Interval]列中, 系数包括0, 所以该变量的系数coef不在公式中体现。
2) 对于P>|z|值小于0.05时, 说明该因素在置信度95%下对f有显著影响, 系数coef为正说明该因素越大, 发生故障的概率就越大。其中, time对应时段, season对应季节、温度、环境严酷程度。
由于大部分数据都取自上海地铁平峰运营时段, 考虑到事故发生概率的均衡性, 有必要对不同实际和季节的故障频率按照时段比例做出调整。
首先, 上海地铁早高峰为上午7:00~9:00, 晚高峰为下午17:00~19:00, 为便于数据处理默认上海地铁各线运营时长均为18 h, 故早高峰、晚高峰、平峰时间跨度比例为2∶2∶14, 为了便于比较, 统计度量模型中将平峰时段的故障频率除以7。
上文气候影响因素中, 将春季为2月、3月、4月、5月, 夏季为6月、7月、8月、9月, 秋季为10月、11月, 冬季为12月与1月。那么, 春秋两季、冬季、夏季时间比例6∶2∶4, 同样为了便于比较, 统一度量, 将春秋两季、冬季、夏季故障频率分别除以6, 2, 4, 随后便可进行故障频率分析。
同时考虑2012年上海地铁各线平均客流及各线开通的年限对于ATC系统故障频率的影响, 最后结果如表2所示。
通过翻阅故障日志, 可以发现其故障频率与运营时长, 温度, 使用寿命等因素密切相关, 因此本模型主要考虑运营时段, 季节, 客流量及线路开通的时间, 分别对应表2中的t, m, p, ot。
从表2可以看出由于客流量的增加, 车载ATC系统工作量较大, 出现事故的概率也会相应的有所增大。随着气温的上升, 车辆本身的工作负荷加大也会导致ATC系统故障。早晚高峰时期也会加大系统的工作负荷导致事故频发, 这里又体现出了随着气温的升高而导致事故的频发。那么信号系统中都有了这样的结果, 可以推断出在环境不断严酷的情况下, 信号系统的事故率会不断提高。
4 ATC系统故障频率的预测
总结分析2012年上海地铁ATC系统故障频率之后, 需要对泊松回归模型的准确性和适用性做出合理分析。这里将2011年上海地铁故障日志的数据和2012年对应数据进行比对。
在ATC系统中, 有如下公式:
结合上述分析结果与整理的2011年数据就可以得出表3。
据表3可以计算出平均误差为13.11%, 该误差在可以接受的范围内, 那么就说明本文所采用的泊松分布模型对于ATC系统的预测基本准确。
5 结语
随着各地城市化的进程深入, 城市框架不断拉大, 越来越多的人口涌入城市, 地铁对于缓解交通出行压力扮演着十分重要的作用。但是在地铁建设与运营时, 却还存在着不小的安全隐患。
本文以2012年上海地铁事故日志为基础, 筛选ATC系统故障, 结合泊松分布及Stata软件, 整理相关数据, 并再次加工, 能对ATC系统故障频率预警做出合理的预测和分析结果。运营方可以利用本文的预测结果, 在实际运营时提前采取必要的安全措施, 提升ATC系统的可靠性, 避免发生运营事故, 从而使地铁运输的“安全性、准时性、可靠性”得以保证。
参考文献
[1]曾德容.地铁供电系统可靠性和安全性分析方法研究[D].成都:西南交通大学硕士学位论文, 2008.
[2]赵婕.地铁事故分析及预防对策[J].都市警讯, 2004 (5) :6-7.
[3]詹坤生.城市轨道交通乘客伤害事故分析与对策[J].铁道运输与经济, 2012 (10) :59-61.
[4]湛耀斌.造成地铁车辆故障救援事件的原因分析及应对措施[J].现代城市交通, 2013 (1) :34-37.
[5]贺阳.北京地铁运营的安全评价及其信号系统评定分析[D].北京:北京化工大学硕士学位论文, 2006.
频率预测 第4篇
通常情况下, 地铁故障日志是以时间为单位来记录地铁运营故障的, 具备数据庞大、门类众多的特点, 可以从这里筛选出ATC系统的故障事件, 并能按照相应的规则进行处理, 以便接下来的模型分析。一、时间处理:按照早高峰、平峰、晚高峰来记录数据, 平峰为1、晚高峰为2、早高峰为3;二、气候处理:将南京的月份进行分组, 春季为2-5 月, 夏季为6-9 月, 秋季为10、11 月, 冬季为12、1 月, 根据南京气候的实际情况现将春秋两季、冬夏两季分别作为一组数据进行分析, 春秋为1、冬夏季为2。待所有数据进行分组之后, 根据2015 年南京地铁日平均客流量, 将季度平均值写入数据中再进行操作, 如表1。
2 ATC系统故障频率分析
将表1 中的数据导入Stata再来执行相关语句, 其中若有以下:
P > |z| 值大于0.05 时, 表示此变量对于故障频率的影响不明显, 可以在 (95%conf.interval) 中看到系数包括了0, 因此此系数coef并没有体现在公式之中。
P > |z| 值小于0.05 时, 表示此变量在置信度95% 下对于f有着明显的影响, 系数coef为正数说明因素越大, 故障发生概率也越大, 其中time对应时段, season对应季节等因素。
表中大部分数据都取自南京地铁平峰运营时段, 因此考虑事故发生几率的均衡性, 需要对实际情况和季节问题进行适当的比例调整。通常情况下, 南京地铁早高峰时间为上午7:00 ~ 9:00, 晚高峰时间为下午17:00 ~ 19:00, 为更好处理数据暂将其运营时长定为18h, 因此几个时间段的跨度比例为2:2:14。在上文气候影响因素中, 春季为2 ~ 5 月, 夏季为6 ~ 9 月, 秋季为10、11 月, 冬季为12、1 月, 那么可将其季节时间比例分为6:6, 以下是ATC系统故障频率分析结果, 见表2。
根据故障日志的记录可以得知, 故障发生频率与运营时长、温度、使用寿命等有着密切的联系, 从表2 中看出因客流量的不断增加, 车载ATC系统工作量也逐渐增大, 事故发生几率也相对有所上升。同时伴随着气温的上升, 地铁列车本身的工作负荷也会相对加大, 使得整个ATC系统出现故障, 早晚高峰时期也会因为加大系统的工作符合而导致事故多发, 因此可以得知, 在环境过于严酷的情况下, 信号系统的事故发生率会逐渐提高。
3 ATC系统故障频率预测
分析2015 年南京地铁ATC系统故障频率之后, 可以将2014 年南京地铁故障日志数据与2015 年进行比较, 如表3。
根据表3 可以得知平均误差为13.65%, 此误差在可以接受的范围之内, 因此ATC系统的故障频率预测基本正确。
4 结束语
综上所述, 本文就地铁列车ATC系统故障频率分析与预测进行了详细的分析, 将2015 年南京地铁事故日志作为研究基础, 结合stata软件来整理相关的数据信息, 并对其进行适当的加工和整理, 可以对ATC系统故障频率进行合理的分析和预测。
频率预测 第5篇
关键词：频率偏差,风电功率,爬坡事件,预测模型,准稳态潮流
0 引言
截至2011年底,中国风电并网装机容量达到45.05 GW,占国内发电装机容量的4.3%[1];至2012年底,该比例已达5.3%。其中,风电装机容量主要集中在西北、华北和东北地区,约占风电全部容量的87%;从省内来讲,蒙东、蒙西、甘肃、冀北4个地区的风电并网容量均超过5GW,占当地装机容量比重的20%~30%,这4个地区发电量占用电量比重的10% ~30%。随着大规模风电接入电力系统,风电的波动特性成为电力系统能否稳定运行的关键因素。为满足电网的运行要求,风电的波动特性通常由传统电源(火电或水电)来平衡。大规模风电并网给电力系统带来了一系列新的潜在问题,特别是在极端气象条件下,风电场的有功出力可能会在短时间内发生大幅度的变化,形成高风险“爬坡事件”,导致电力系统很难维持短时间的电源和负荷平衡。
风电功率爬坡事件预测是一个新的研究领域,自2008年起国外已有相关文献发表,但国内的研究才刚刚起步。文献[2-3]规定,中国风电场最大功率变化率的确定可根据风电场所接入系统的电网状况、其他电源的调节特性、风电机组运行特性等,由电网运营企业和风电场开发运营企业共同确定;文献[4]考虑了含风电机组的爬坡约束及其对旋转备用的影响,指出提高含风电机组的爬坡能力和引入储能系统,可降低风电出力波动性对系统安全的影响。但上述文献只是把风电功率的爬坡问题当做是一种约束条件和控制措施来处理,当爬坡问题成为一种突发性事件时,其概念描述则很模糊,并没有把爬坡事件作为一个热点问题来研究。国外大量文献资料中已经把爬坡事件预测作为未来风力发电领域研究的一个新趋势。加拿大Alberta Pilot Project早在2008年的科技报告[5]中就已经指出,爬坡事件是指在相对较短的时间区间内,风电功率发生足够大的振幅波动的现象[6-7]。已有很多关于风电场发生爬坡事件的记录:2005年1月,由于风暴影响,丹麦西部电网风电场在6h内切除了1 800 MW的发电容量[8];2007年2 月,美国得克萨斯风电场发生爬坡事件,单个风电场的有功出力在15 min内从170MW下降到0,整个风电基地的有功出力在2h内下降了1 500 MW[9]。
本文在综述风电功率爬坡事件的基础上,建立了考虑频率偏差量的含风力机的准稳态潮流计算模型。分别引入3种准稳态数学模型,扩展了潮流计算的修正矩阵和雅可比矩阵。采用两种量化爬坡事件的频率偏差指标,并根据指标的规定标准从电网侧预测出爬坡事件。
1 风电功率的爬坡事件综述
1.1 爬坡事件的特征
定义爬坡事件需要3个必备的关键要素,即爬坡方向、爬坡持续时间和爬坡幅度。通常,爬坡事件有大爬坡幅度和小爬坡持续时间的特点,爬坡幅度越大,爬坡持续时间越小,爬坡事件越严重。根据爬坡方向的不同,爬坡事件分为两个基本类型:上升爬坡事件(ramp-ups)和下降爬坡事件(ramp-downs)[10]。其中,上升爬坡事件具有风电功率激增的特征,强烈的低压大气系统(或气旋)、低空急流、雷阵雨、阵风或类似的大气现象均会导致上升爬坡事件;当风电功率出现骤降,或者当具有较高风速的阵风使得风力涡轮机达到风速切出极限(通常是22~25m/s,为保护风力涡轮机免受损毁,风力涡轮机将被关停[11])时,均会导致下降爬坡事件的发生。
1.2 爬坡事件的定义
定义1 假定在风电功率某时间区间 ΔT的初始时刻,当该区间前置时刻的风电功率增加(或减少)幅值大于预先给定的阈值参数λval时,认为在此ΔT区间内发生了爬坡事件,即
该定义是国际上对爬坡事件的主流定义。由于该定义具有简洁、方便、实用的优点,笔者倾向于在实际应用中参考该定义。但是,该定义仅考虑了爬坡区间末端的风电功率值,忽略了爬坡区间中间时刻发生爬坡事件的可能性。针对此类问题,引申出爬坡事件的第2个定义。
定义2 当在某时间区间 ΔT内的风电功率最大值与最小值的差值大于预先给定的阈值参数λdif时,认为在此区间 ΔT内发生了爬坡事件,即
式(2)考虑了区间 ΔT内所有的风电功率波动的幅值,然而该定义并没有考虑风电功率曲线的斜率,也没有考虑风电功率增加或减少的快慢程度。为了研究这个重要的因素,阈值参数λdif不能只是个绝对值,而应该是与时间的相对值。
为此,文献[12]提出一种更完整的定义,即考虑某时间段内风电功率的变化率。为表述该定义,需要先给定爬坡速度(PRR)的概念,即风电功率相对于爬坡区间的变化率。
定义3 当某时间区间 ΔT的始端和末端对应的风电功率的差值与区间 ΔT的比值(功率变化率)大于预先给定的阈值参数λPRR时,认为在此 ΔT区间内发生了爬坡事件,即
式(1)和式(3)中可以很容易得到风电功率爬坡事件的方向。当P(t)
上述的3 种定义都是直接取决于风电功率信号,第4种定义是先把风电功率信号变换成一组更合适的新信号,然后再定义爬坡事件。文献[13]提到常用的变换方法是考虑风电功率幅值的k阶差分。设Pt为风电功率时间序列,则相应的变换信号(或滤波信号)Ptf可由下式得到:
式中:h为平均差分估计量,即滤波信号时间窗的宽度;nam为该估计量的最大取值;mean{}表示在该时间窗内取平均值。
定义4 当滤波信号Ptf的绝对值大于预先给定的阈值参数λfil时,认为在该段时间发生了爬坡事件,并且爬坡事件发生在风电功率滤波信号出现最大幅值的时刻,即
定义5 当某个固定的时间区间(如30min,采样间隔5min)内所有采样间隔的平均功率变化量大于预先给定的阈值参数λsl时,认为在此区间 ΔT内发生了爬坡事件,即
其中
式中:n为时间区间[t,t+ΔT]内采样间隔的个数;ΔP(ti)为第i个采样间隔的功率变化量。
有文献对该定义的描述为:时间区间[t,t+ΔT]内所有采样间隔的功率变化量全部大于预先给定的阈值参数时发生爬坡事件。笔者认为这种定义不合理,因为当该区间内出现多数功率变化量大于阈值参数,而个别功率变化量小于阈值参数时,显然这种情况下也会发生爬坡事件。
需要说明的是,以上传统定义存在面向单个点的局限性。因此,本文创新性地提出一种面向整个电力系统的爬坡事件预测方法,该方法摆脱了对传统爬坡事件定义的依赖,通过直接面向整个电力系统来预测爬坡事件的发生情况。
2 准稳态潮流计算模型
本文提出将考虑频率偏差的准稳态潮流问题引入爬坡事件预测问题的研究中,这是因为风电功率爬坡事件大多是指风电有功功率的快速上升或下降,反映在电网侧就是频率的快速波动,传统电网中被忽略的频率因素就凸显出来。同时,潮流计算是风电接入电网规划和设计的基础工作。本节所述准稳态潮流计算模型的创新之处在于以下两点:一是考虑了频率偏差量对全系统非线路元件潮流计算的影响;二是在风力机潮流计算模型滑差修正量的基础上,引入了频率偏差修正量。其中,同步发电机和负荷的准稳态潮流计算模型详见附录A和附录B。风力发电机的准稳态数学模型的详细介绍如下。
现有的大型风电场大多采用异步风力发电机,因此本文以此为例。考虑电力系统频率偏差的潮流计算的关键是如何正确处理复杂的异步风力发电机问题,其等值电路如图1 所示。图中:Xs,Xr,Xm分别为定子、转子、激磁电抗;Rs和Rr分别为定子和转子电阻;s为滑差;Δf为频率偏差量。
结合图1和异步发电机原理可知,异步风力发电机发出的电磁功率Pe和转子电流Ir不仅与滑差s相关,同时也与频率偏差量 Δf相关,其表达式为:
其中
式中:Rr为风力异步发电机的转子电阻;ns为同步转速,ns=60f/p,其中f为电网频率,p为异步风力发电机的极对数;kr为齿轮比;nr为叶片的旋转速度。
不同频率偏差下,风力机有功和无功出力与滑差的关系特性曲线如图2所示。
考虑频率偏差的风力发电机潮流计算模型中,常规节点(常规发电机组和负荷的接入点)仍采用常规的潮流不平衡方程式[14]。风力发电机接入点增加了不平衡方程:
其中
式中:ΔPWT为风力机的机械功率和异步风力发电机的电磁功率之差;Pm为风力机的机械功率;Cp为风力机的风能利用系数,表明风力机从风中获得的有效风能的比例,最大可达16/27;ρ为空气密度;Vw为风速;A为风力机的扫掠面积。
根据功率守恒原理,迭代过程的最终目的是使风力机的机械功率与异步风力发电机的电磁功率尽可能平衡。因此,采用牛顿拉夫逊法计算潮流时,除了引入系统频率偏差量,还需要进一步引入风力机的机械电磁功率差 ΔPWT和滑差修正量Δs[15-16],得到风力机接入电网节点k的修正方程和雅可比矩阵为:
其中
式中:Pcalk和Qcalk分别为风力机接入节点k的注入有功和无功功率。
需要说明的是,仍是原雅可比矩阵的H,N,J,L矩阵;的维数与并网风力发电机组的数目相同。
考虑频率偏差的风力机潮流计算模型的牛顿迭代算法的实现过程包括以下步骤。
步骤1:给出滑差s和频率偏差的初值,滑差初值取异步发电机的额定滑差;频率偏差的初值取0。
步骤2:采用常规潮流计算求出异步风力发电机的极端电压,并代入式(8)求得异步风力发电机吸收的电磁功率。
步骤3:由式(12)计算得到风力机吸收的机械功率。
步骤4:计算得到机械功率和电磁功率的差值ΔPWT。如果|ΔPWT|<ε(ε 为设定允许计算误差),则计算结束;否则,si=si-1+Δs,返回步骤1。
电网中节点的注入功率表达式为:
式中:Gkk和Gkm,Bkk和Bkm分别为节点导纳矩阵中的实部和虚部。
3 考虑频率偏差的爬坡事件预测指标
3.1 指标的数学模型
基于第2节得到的不同风电功率爬坡事件对应的系统频率偏差量,本节提出考虑频率偏差指标的爬坡事件辨识。从准稳态分析的角度看,认为系统具有统一的频率。该方法计及了风力机、同步发电机和负荷的静态特性,包括2个指标:1爬坡事件发生后的稳定频率(PRESF),即发生爬坡事件后,电网侧水、火电机组的调速器和励磁系统均完成一次调节时的稳态频率;2近似爬坡事件发生后的稳定频率(APRESF),即发生爬坡事件后,电网侧水、火电机组的调速器完成一次调节,励磁系统已完成二次调节时的稳定频率。指标超出规定的频率阈值范围即发生爬坡事件。
PRESF指标的数学模型采用第2节所述的综合模型。当发生爬坡事件后,电网侧的水、火电机组的调速器、励磁调节器和负荷调节特性共同完成一次有差调节。从静态分析的角度可以认为,准稳态平衡时全系统具有统一的频率f。
APRESF指标是指水、火电机组的调速器已完成一次有差调节,而励磁系统也已完成二次调节机端电压为给定值后的准稳态频率。需要指出的是,由于励磁系统的二次调节对频率的影响较小(基本可以忽略不计,即在第2节准稳态潮流计算模型的基础上,忽略式(11)的影响[17]),导致APRESF与PRESF指标在数值上近似相等,但其物理意义明显不同。
3.2 指标的规定范围
加拿大魁北克电网根据频率偏差量的持续时间,对大型电力系统频率偏差的允许范围做出了较为细致的规定[18]。相关标准规定:在不超过11min的时间内,系统频率偏差的允许值为额定值的1%以内;在不超过1.5min的时间内,系统频率偏差的允许值为额定值的2.5%以内;随着频率偏差值的不断增大,其允许的持续时间逐渐缩短,见附录C图C1。
同时,国家标准GB/T 159452008[18]中严格规定,大型电力系统的频率偏差量允许范围在频率额定值的0.4%以内,对于容量较小的电力系统频率偏差允许范围可以适当放宽到1%。
通过所建指标的数学模型得到电网侧的频率偏差量,当其满足指标的规定范围时,即认为没有发生风电功率的爬坡事件;当指标值发生越限情况时,则认为风电功率爬坡事件发生,进而实现通过电网侧来辨识风电功率爬坡事件的目的,其预测流程如图3所示。
4 算例分析
为了验证准稳态潮流计算模型的鲁棒性(模型有效性的验证详见附录D),采用10机39节点标准系统进行爬坡事件预测的研究,使用MATLAB7.10进行编程仿真,模型参数参见IEEE标准系统,模型见附录E图E1。 风电场的空气密度为1.204 1kg/m3,风力机的扫掠面积为1 840m2,系统额定频率为50 Hz,轮毂高度为50 m,风能利用系数Cp取自文献[14]。风电机组的切入风速、额定风速、切出风速分别为3,20,25m/s,额定电压为690V,机组的极对数为2,额定容量为负荷总量的10% (经有名值换算后风力机的额定容量为5.25 MW,整个系统的负荷总容量约为52.5MW,文中无特殊说明的变量均采用其标幺值[19])。异步风力发电机的定子侧参数Rs=0.048,Xs=0.075;转子侧参数Rr=0.018,Xr=0.12;激磁电抗为Xm=3.8。采样风电功率时序过程中的1 000个点进行实验,其预测结果如图4所示。
图4(a)取某实际风电场的风速数据,爬坡持续时间为15 min,同样选取风速15 m/s为当前额定运行工况;图4(b)为采用式(12)计算得到的风电功率预测值[20];图4(c)为预测爬坡事件的PRESF指标曲线。由图4还可以看出,本次的预测结果中,未出现PRESF指标超过频率阈值上限的情况,未发生上升爬坡事件;图4(c)中下降爬坡事件发生在PRESF指标低于-1的采样点。
为了验证风力机额定容量对风电功率爬坡事件的影响,本文仿真了4种不同额定容量的风力机,即风力机额定容量占负荷的百分比分别为5%,8%,10%,15% 时,得到爬坡事件发生次数分别为19,52,86,95。可以看出,同一风速场景下,额定容量不同,发生爬坡事件的次数也不同,容量越小,发生爬坡事件的次数越少,反之亦然。但如果根据传统的数学定义来判定,爬坡事件发生的次数却不会减少,这显然与网侧实际运行工况不符。
5 结语
在国内外的风力发电研究领域,风电功率爬坡事件预测是一个新的热点问题。本文的研究结论可以归纳如下:1综述了爬坡事件的定义和特征,指出爬坡事件必需的三要素,总结了现有爬坡事件的5种定义,并分别介绍其优点与不足;2建立了一套考虑频率偏差量的含风力机的准稳态模型,模型中既包含了传统潮流计算忽略的频率因素,又计及了风力机对潮流计算的影响;3采用两种频率偏差指标,即PRESF和APRESF指标对爬坡事件进行预测,并指出PRESF指标与APRESF指标的计算结果类似;4仿真算例指出,风电功率预测值接近风力机额定容量时,下降爬坡事件比其他场景下的爬坡事件更严重,同一风速条件下,风力机的额定容量越小,发生爬坡事件的次数越少。
作为风电研究领域的一个新热点,下一步对风电功率爬坡事件的研究工作主要包括:1如何分析基于电网侧频率偏差的爬坡事件预测方法与传统爬坡事件预测方法的不同;2如何分析风电功率(或新能源发电功率,如光伏发电)爬坡事件对微电网系统频率的影响;3如何研究风电场群与常规同步机组的等同建模问题,以及等同模型的适用性和实用性问题研究等。
频率预测 第6篇
关键词：国际参考电离层,F2层临界频率,低纬电离层
国际参考电离层模型(IRI)是非常有影响的电离层模型之一。它是由国际太空研究委员会(COS-PAR)和国际电波科学联盟(URSI)在20世纪60年代末共同发起建立的。其特点是基于全球范围内可用的地基和卫星观测数据而构建的经验模型,避免了电离层变化过程与上下耦合机制不断发展的理论分析所带来的不确定性[1,2]。该模型可以计算海拔50~1 500 km范围内电离层密度月平均值、电子温度、离子成分、离子温度等参数。在利用IRI模型生成电离层电子密度剖面过程中,电离层F2层临界频率(fo F2)是非常关键的参数之一。该参数的精度会严重影响电离层电子密度剖面的精度。根据12个月平均太阳黑子数Rz12情况,IRI模型利用国际电波顾问委员会(CCIR)或国际电波科学联盟(UR-SI)系数来预测fo F2。但在生成CCIR或URSI系数时,中国区域内的有关电离层数据并没有被考虑,因此有必要对IRI模型在中国区域内的有效性进行评估和研究。
2002年初在海南空间天气国家野外综合观测站(19.5°N,109.1°E,Mag.Lat.9.0°N),安装了电离层数字测高仪DPS-4D,它能探测电离层的基本参数、电离层不规则体和等离子体漂移,其探测数据具有很高的精度和可靠性[3]。利用较短时段海南电离层fo F2观测数据和早期版本IRI模式,张满莲等人[4]和王霄等人[5]分别对海南电离层fo F2观测数据和IRI模型预测值进行了对比研究,给出了初步结果。然而,海南地区低纬度电离层位于电离层赤道异常区南侧,极易受到赤道东西向电场和经向风场的影响。此外,其复杂的变化特征还缘于对太阳活动和地磁活动的不同时间尺度的响应差别[6]。因此,有必要利用较长时段和更新的海南电离层fo F2观测资料对IRI模型预报结果进行对比和评估。本文在以往研究的基础上,着重于利用一个太阳活动周(2002~2012年)期间海南站测高仪电离层fo F2观测数据,分析其在低地磁扰动条件下月中值的日变化、季节变化和年变化,并与相应的IRI-2012模型预报值进行对比研究。以期给出低纬度海南地区电离层变化特征和与IRI模型对比结果的更为详细和准确的信息,进而为改进IRI模型在中国低纬区域的预报精度提供参考依据。
1 数据和处理方法
本文选取了2002年2月到2012年12月一个太阳活动周期的电离层F2层临界频率(fo F2)探测数据进行计算分析,其时间分辨率为15 min。由于设备维修和维护等原因造成观测记录缺测,其所占分析时段比例约为5%。所用数据由国家重大科技基础设施子午工程科学数据中心提供(http://www.meridianproject.ac.cn/)。自从1978年发布了第一版本之后,由于不断引入新的数据和模式,IRI模型一直在持续改进和升级之中,目前最新IRI版本为IRI-2012[2,7]。其Fortran源程序由美国宇航局空间物理数据设备与国际空间科学数据中心提供(http://nssdcftp.gsfc.nasa.gov/models/ionospheric/iri/)。由于IRI模型是经验模型,很难反映出地磁扰动情况下的电离层变化。因此,为了便于对海南实际观测数据和IRI模型预报值进行对比,本文剔除了磁扰情况下(Ap>20)的观测数据。其中Ap指数可以从SPIDR网站下载(http://spidr.ngdc.noaa.gov)。此外,本文提到的春、夏、秋、冬各季节分别对应于3~4月、5~8月、9~10月、11~2月。
2 结果分析
图1和图2分别给出了在2002~2012年期间低地磁扰条件下观测到的海南站电离层F2层临界频率fo F2月中值日变化逐月分布图,和IRI-2012模型计算得到的预测值日变化逐月分布图。图3和图4分别给出了预测值月中值和观测值月中值的差(Δfo F2=fo F2iri–fo F2obs)和其百分比变化率[R(%)=(Δfo F2/fo F2obs)×100%)的逐月分布图。图中横坐标为年月,纵坐标为地方时(LT=UT+7.3 h),等直线图中白色区域表示缺测时段,右侧颜色条给出了对应参数变化的尺度。
从图1中可以看出:(1)在整个2002~2012年期间,fo F2月中值的日变化最大值出现在1 500 LT±3 h,在太阳活动高年时(如2002年)其最大值甚至会拓展到午夜后00:10 LT,而在太阳活动低年时(如2009年)其最大值又会收缩在1 400 LT±1 h时段以内;其最小值主要在05:00 LT±1 h,在太阳活动低年时(如2009年)其最小值有时会从2 200 LT开始;(2)对各个季节的fo F2月中值极大值而言,它们都从2002年的最高值处开始逐年下降,直到2008~2009年附近的最低值,而后又逐渐上升到2012年的较高值。这与太阳活动从2002年到2012年的年度变化基本一致(参见表1)。通常我们用太阳10.7 cm辐射通量(即F10.7指数,其单位为10-22W·m-2·Hz-1)来反映太阳活动,从表1中我们可以看出太阳活动的基本变化为:2002年F10.7指数值最大,随后逐年下降并在2008年达到最小,随后又逐渐上升直至2012年;(3)正午的fo F2值通常都在冬季月份(如1月、12月)高于夏季月份(如7月、8月)约1~2 MHz,但晚间的fo F2值则没有这种现象。这意味着在海南地区冬季异常还是很明显的;(4)海南地区fo F2更为显著的变化是其半年变化,即fo F2在两个分季(春、秋)达到相对高值,而在夏、冬季则为相对低值区域。这些结果与以前的研究结果基本是一致的[5]。
为了显示IRI-2012模型在海南地区的预报能力,图2给出了IRI-2012模拟在海南2002~2012年期间的月中值日变化逐月分布图。其中,在IRI模型计算时选择了更适合于陆地上使用的CCIR选项,而非是适宜海洋上计算的URSI选项。从图中我们可以看出,IRI-2012模型fo F2预报值的基本趋势与图1给出的fo F2观测值基本相似,都具有明显的半年变化和冬季异常特征,但细节上还是存在明显的差异。
从图3中IRI模型预测值与观测值之差(Δfo F2)可以看出,(1)Δfo F2在太阳活动低年(如2006~2009年期间)主要是正偏差,尤其是在2008年底和2009年出的冬季日出之后,最大偏差达到了5 MHz,因此模型存在高估;(2)Δfo F2在太阳下降年期间(如2004年)除了日出前后时段外主要是较小的负偏差,此时模型存在低估;(3)Δfo F2在太阳活动较高时期(如2011年)存在明显的季节交替变换偏差,即在分季是负偏差,在冬、夏季是正偏差,尤其是晚间的偏差幅度较大,有时会达到4~5 MHz;(4)Δfo F2在太阳活动最剧烈的2002年白天存在着1~2 MHz的正偏差,晚上高达3 MHz以上的负偏差。由此可见,IRI模型预测值与观测值存在着明显的地方时、季节和年度偏差。
图4给出了IRI模型预测值和观测值之差与观测值百分比变化率(R)的日变化逐月分布。从图4中可以看出,(1)多数时段内,R变化幅度都在±20%以内,说明IRI模型预报值多数情况下是可用的;但整体R的扰动幅度较王霄等人[5]给出的扰动幅度要大;(2)由于R保持了Δfo F2的正负相位,因此其大体变化趋势与Δfo F2变化相一致;但是R的扰动幅度受到背景观测值的调制,因此在幅度变化上R与Δfo F2有一定的差异。比如R最大值出现在太阳活动低年(2009年)秋季日出前,而Δfo F2最大值在2008年底冬季的日出之后;(3)在各个季节内R扰动幅度较大的时段都是在05:00~08:00 LT。这和以前的张满莲和王霄等人[4,5]的研究结果是一致的。
3 讨论
海南白天fo F2对太阳活动存在着明显的依赖关系,在以前王霄等人[5]利用2002~2006年期间海南fo F2观测数据研究时仅给出了这种依赖性的趋势说明,还没有给出它们之间的相关系数。事实上,利用2002~2012年期间海南白天正午时刻fo F2的观测值与对应的F10.7指数值计算二者的相关性,结果表明两者的相关系数为0.65,其相关性并不是很高。这是由于fo F2变化具有明显的季节特征,如半年异常和冬季异常;而10.7cm太阳辐射通量并没有这样的变化特征。因此,在计算fo F2与太阳活动相关性分析时,有必要去除或减弱fo F2数据中的季节依赖因素影响。通常认为年中值是不会受到季节因素影响的,计算表明2002~2012年期间正午fo F2年中值与F10.7指数的年中值相关系数为0.94,其相关性非常高。这一结果与Rao等人[8]利用中纬Novosibirsk(54.6°N,83.2°E)台站fo F2计算结果相吻合。
海南台站白天fo F2最突出特征是其在春秋分季具有非常明显的极大值,即半年异常现象,如图1所示。早在20世纪70年代,Torr和Torr[9]对在全球不同太阳活动水平下电离层正午fo F2的最大值季节分布进行了分析。Rishbeth[10]给出了一个基于Torr和Torr分析结果简化了的全球分布图,参见其文章的图5。从该图中显示的图例结果可以看出海南地区fo F2在太阳活动中(F10.7=158)、低年(F10.7=65)时是分季极大,而在太阳活动高年(F10.7=241)时则是冬季极大。显然,从表1中我们可以看出2002~2012年绝大多数F10.7指数值都明显小于241水平,因此,我们在海南地区白天fo F2观测到的分季异常现象是支持Torr和Torr对东亚地区白天fo F2极值判例的。但是,海南fo F2分季异常现象形成的原因还不是很清楚。通常认为半球间的经向循环风场将起到类似“搅拌(spoon)”大气主要成分O和N2的效果,在夏季半球较高纬度电离层底部含量丰富的N2会上涌到较高高度,经向风场将其携带到较低纬度,从而造成较低纬度O/N2比率下降;而在分季时跨半球经向风场很弱,大气成分接近扩散平衡态,从而使得O/N2比率在分季会明显高于夏、冬季,因而引起低纬度地区分季异常现象[11,12]。还有人认为低纬度地区低热层日潮幅度的半年变化直接驱动了E层赤道电急流半年变化,而后者通过“喷泉效应(fountain effect)”直接诱发了电离层半年变化[13]。
IRI-2012模型较好地给出了海南fo F2的基本观测特征,其基本结果与以前研究结果大体一致。但在细节上IRI模型预测值与观测值还是存在着明显的地方时、季节和年度偏差。有时其偏差还较大,尤其是在2008~2010年期间,其扰动幅度较王霄等人[5]给出2002~2006年期间的扰动幅度高出了近一倍。可能的原因之一是IRI模型在最近几年构建时仍然未能包含海南地区实际观测资料。值得指出的是最近太阳活动低年期间(2008~2009年),其太阳活动水平极低,太阳黑子数有时都接近于零。而IRI模型未对此进行相应的调整,造成某些月份时刻处的值存在高估严重。另一方面,考虑到海南台站地处北赤道电离异常区南侧,其地磁场线略微倾斜,赤道东西向电场和经向风场对海南电离层均有显著的影响,这与中纬地区台站电离层变化主要受控于经向风场的情况非常不同[14],而且具体的电场和风场是如何变化并不清楚,从而造成IRI模型对fo F2的幅度和相位模拟时存在着明显的差距。因此,从IRI模型对海南低纬度地区电离层fo F2的预测效果来说,该模型还需要进一步的完善。
4 结论
本文通过对2002~2012年期间低地磁扰动条件下的海南站电离层fo F2月中值观测分析发现:(1)fo F2对太阳活动有着明显的依赖关系,即随着太阳活动的变化而变化;(2)存在着明显的冬季异常和半年异常现象;(3)fo F2最大值基本都出现在下午的15:00 LT左右;这些结果与以前的研究结果基本是一致的。
