测量数据中经常存在缺口. Windographer 的Fill Gaps （填充缺口）窗口可以使用与实测数据具有类似统计特征的合成的数据来填充这些缺口. 在下例中, 原始数据集在1月29日上午10:00到1月30日下午7:00之间没有任何数据. 图上细的虚线是
Windographer 合成的数据.
Windographer 保证合成的数据与缺口前和缺口后的实测值衔接得较好, 而且合成数据的统计特征(包括日变化和从一个时间步到下一个时间步的随机变化) 完全符合实测数据的统计特征. Windographer 的缺口填充算法是基于Markov 变换矩阵方法.
Windographer 填充数据集里每一个列的缺口. 该过程适合绝大多数类型的数据，包括风速, 风向, 气温以及其它多种气象数据. (它不适合太阳辐射数据, 太阳辐射数据最好的合成方法是通过将云量和地球外辐射分开来处理.) 下面例子显示了用合成的风速和气温数据填充一个三天的缺口. Windographer 用一种特殊方式对待风向数据, 将方向看成角度变量, 而且从360° 可绕回到0°. 在下面例子中, 合成的风向数据从西北（接近300°）到东北（接近30°）进行了一次理想的转换, 途中跨越了正北. 假如
Windographer 将风向作为标量, 那转换将有可能是一条直线轨迹, 它不可能穿过正北.隐藏式水箱
填充缺口
由于Windographer将日变化作用于合成的数据, 它可以填充很长的缺口. 下面的例子显示Windographer 填充了一个三周的电负荷数据中长达5日的缺口. 合成的数据与实测数据有着极其相同的日变化.
填充缺口时，有两个或多个风速传感器的数据集需要特殊对待. 在上面有风速和气温的图中Windographer合成了两个独立的数据片段. 但对于合成来自多个风速传感器的数据, 这种方法不合适, 因为来自这些传感器的数据之间相关性往往非常强. 在包含部分而不是所有风速传感器数据的时间步, Windographer 通过按照风切变曲线对现有数据进行缩放来合成缺失数据.缠绕膜复卷机
下面的例子中, 1月18日的前半部分数据有1m、2m和10m的风速数据但没有20m、49m的数据. 对于这些时间步, Windographer通过利用实测的风切变曲线对10m的风速进行缩放得到20m和49m风速. 对于1月18日剩余的数据, 数据集中只有1m的数据, 因此Windographer基于1m高度数据合成其它各高度数. 1月19日, 数据集中没有风速数据, 因此Windographer 填充了49m缺测数据然后根据实测风切变曲线对49m数据进行缩放合成其它高度的数据. 结果是所有合成的风速数据相关性很好.薄膜发电
防喷网
请参阅
毛刷制作Fill Gaps （填充缺口）窗口风切变的定义
dmx512协议
缺口的定义
