测风数据插补方法及其装置及计算机可读存储介质制造方法及图纸

本发明专利技术实施例提供一种测风数据插补方法及其装置及计算机可读存储介质。该方法包括：获取目标测风塔及与目标测风塔位置邻近的相近测风塔在同一时段内的完整的历史风速数据；通过学习目标测风塔与相近测风塔的历史风速数据之间的对应关系来训练一神经网络以最终获得风速随位置及时间变化的神经网络模型；以及使用神经网络模型来预测目标测风塔实际缺失的风速数据。本发明专利技术实施例能够对缺失数据进行插值，从而获得完整的测风数据。从而获得完整的测风数据。从而获得完整的测风数据。

Wind measurement data interpolation method, device and computer readable storage medium

【技术实现步骤摘要】
测风数据插补方法及其装置及计算机可读存储介质


[0001]本专利技术实施例涉及风力发电
，尤其涉及一种测风数据插补方法及其装置及计算机可读存储介质。

技术介绍

[0002]随着煤炭、石油等能源的逐渐枯竭，人类越来越重视可再生能源的利用。风能作为一种清洁的可再生能源越来越受到世界各国的重视。伴随着风电技术的不断发展，风力发电机组在电力系统中的应用日益增加。风力发电机组是将风能转化为电能的大型设备，通常设置于风能资源丰富的地区。
[0003]风能资源的评估是整个风电场建设、运行的重要环节，是风电场取得良好经济效益的关键。风能资源评估中最关键的就是测风数据的有效完整性，而由于仪器故障、倒塔等原因，造成观测资料有效数据时间长度往往不足一个完整年。为准确评估场址区域的风能资源，需进行风电场测风塔缺测与无效数据的插补。另外测风工作占风电项目前期阶段大量时间，若能在实测数据时间长度较短时，插补得到完整年数据，进行风电项目资源初步评估，则有利于风电项目开发效率的提升。在对缺测数据进行合理插补分析时，由于各种因素的影响，往往会给插补结果带来一定偏差。
[0004]相关性方法和风切变指数法是目前对风电场测风数据进行插补的主要方法。然而，相关性方法受相关系数影响比较大，尤其是低风速风电场，小风速样本量比较大，会影响相关性方程，继而影响数据插补的精度。而风切变指数法存在着不同风向且不同高度的风切变指数不一样的问题，不同的风切变指数会影响到计算结果的精确度。因此，现有的这两种方法均具有较强的不可预测性。
专利技术内容
[0005]本专利技术实施例的目的在于提供一种测风数据插补方法及其装置及计算机可读存储介质，能够对缺失数据进行插值，从而获得完整的测风数据。
[0006]本专利技术实施例的一个方面提供一种测风数据插补方法。所述方法包括：获取目标测风塔及与所述目标测风塔位置邻近的相近测风塔在同一时段内的完整的历史风速数据；通过学习所述目标测风塔与所述相近测风塔的所述历史风速数据之间的对应关系来训练一神经网络以最终获得风速随位置及时间变化的神经网络模型；以及使用所述神经网络模型来预测所述目标测风塔实际缺失的风速数据。
[0007]本专利技术实施例的另一个方面还提供一种测风数据插补装置。所述装置包括一个或多个处理器，用于实现如上所述的测风数据插补方法。
[0008]本专利技术实施例的又一个方面还提供一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现如上所述的测风数据插补方法。
[0009]本专利技术一个或多个实施例的测风数据插补方法及其装置及计算机可读存储介质利用机器学习方法通过学习同一时段不同位置的两座测风塔风速之间的对应关系，以此训
练神经网络来对缺失数据进行插值，降低数据插补的不确定性带来的插补误差，可以获得高精度的缺测数据，使得测风塔数据完整。
[0010]本专利技术实施例的测风数据插补方法能够降低由相关性系数引起的预测不确定性，能够缩短预测时长，快速预测。
附图说明
[0011]图1为本专利技术一个实施例的测风数据插补方法的流程图；
[0012]图2为本专利技术一个实施例的通过学习目标测风塔与相近测风塔的历史风速数据之间的对应关系来训练一神经网络以最终获得风速随位置及时间变化的神经网络模型的具体步骤；
[0013]图3为本专利技术一个实施例的神经网络的结构示意图；
[0014]图4为本专利技术一个实施例的测风数据插补误差的示意图；
[0015]图5为本专利技术一个实施例的测风数据插补装置的示意性框图。
具体实施方式
[0016]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本专利技术相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置的例子。
[0017]在本专利技术实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。除非另作定义，本专利技术实施例使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本专利技术说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“多个”或者“若干”表示两个及两个以上。除非另行指出，“前部”、“后部”、“下部”和/或“上部”等类似词语只是为了便于说明，而并非限于一个位置或者一种空间定向。“包括”或者“包含”等类似词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而且可以包括电性的连接，不管是直接的还是间接的。在本专利技术说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0018]本专利技术实施例提供了一种测风数据插补方法。图1揭示了本专利技术一个实施例的测风数据插补方法的流程图。如图1所示，本专利技术一个实施例的测风数据插补方法可以包括步骤S1至步骤S3。
[0019]在步骤S1中，获取目标测风塔及与目标测风塔位置邻近的相近测风塔在同一时段内的完整的历史风速数据。
[0020]与目标测风塔位置邻近的相近测风塔可以包括一个或者多个。
[0021]在本文中的某时段内的完整的历史风速数据是指在该时段内的风速数据中不存
在缺失的风速数据。
[0022]其中，获得的历史风速数据可以包括目标测风塔的完整的第一历史风速数据和相近测风塔的完整的第二历史风速数据。
[0023]在步骤S2中，可以通过学习目标测风塔与相近测风塔的历史风速数据之间的对应关系来训练一神经网络，从而可以最终获得风速随位置及时间变化的神经网络模型。
[0024]图2揭示了本专利技术一个实施例的通过学习目标测风塔与相近测风塔的历史风速数据之间的对应关系来训练一神经网络以最终获得风速随位置及时间变化的神经网络模型的详细步骤。如图2所示，在一些实施例中，步骤S2可以包括步骤S21至步骤S23。
[0025]在步骤S21中，获取的目标测风塔和相近测风塔的历史风速数据构成数据集，可以将数据集划分为训练集和测试集。
[0026]其中，训练集中包括目标测风塔的第一历史风速数据的其中一部分和相近测风塔的第二历史风速数据的其中一部分。测试集中包括目标测风塔的第一历史风速数据的另一部分和相近测风塔的第二历史风速数据的另一部分。
[0027]在一个实施例中，可以将目标测风塔的第一历史风速数据和相近测风塔的第二历史风速数据分别按照比例来划分为训练集和测试集。例如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种测风数据插补方法，其特征在于：其包括：获取目标测风塔及与所述目标测风塔位置邻近的相近测风塔在同一时段内的完整的历史风速数据；通过学习所述目标测风塔与所述相近测风塔的所述历史风速数据之间的对应关系来训练一神经网络以最终获得风速随位置及时间变化的神经网络模型；以及使用所述神经网络模型来预测所述目标测风塔实际缺失的风速数据。2.如权利要求1所述的方法，其特征在于：所述通过学习所述目标测风塔与所述相近测风塔的所述历史风速数据之间的对应关系来训练一神经网络以最终获得风速随位置及时间变化的神经网络模型包括：获取的所述历史风速数据构成数据集，将所述数据集划分为训练集和测试集；基于所述训练集来训练一神经网络以获得风速随位置及时间变化的神经网络模型；及基于所述测试集来测试所述神经网络模型以验证所述神经网络模型的预测效果，其中，在所述神经网络模型验证通过之后，使用所述神经网络模型来预测所述目标测风塔实际缺失的风速数据。3.如权利要求2所述的方法，其特征在于：所述历史风速数据包括所述目标测风塔的第一历史风速数据和所述相近测风塔的第二历史风速数据，所述基于所述训练集来训练一神经网络以获得风速随位置及时间变化的神经网络模型包括：将所述训练集中所述相近测风塔的第二历史风速数据和所述训练集中所述目标测风塔的第一历史风速数据分为输入层和输出层来建立神经网络进行学习以获得风速随位置及时间变化的神经网络模型。4.如权利要求3所述的方法，其特征在于：所述基于所述测试集来测试所述神经网络模型以验证所述神经网络模型的预测效果包括：将所述测试集中所述相近测风塔的第二历史风速数据输入到所述神经网络模型中以得到所述神经网络模型的模型预测值；及将所述神经网络模型的模型预测值与所述测试集中所述目标测风塔的第一历史风速数据进行对比来验证所述神经网络模...

【专利技术属性】
技术研发人员：张建梅，
申请(专利权)人：上海电气风电集团股份有限公司，
类型：发明
国别省市：