一种复杂山地风电场观测风速数据插补方法技术

本发明专利技术提供一种复杂山地风电场观测风速数据插补方法。该方法包括步骤1、提取历史观测风速；步骤2、对历史风速时间序列进行基本质量控制，得到基本控制后的序列；步骤3、对步骤2得到的时间序列进行变分模态分解，得到模态分量；步骤4、对步骤3中得到的各模态分量进行样本重构，得到训练、测试样本；步骤5、根据步骤4得到训练、测试样本集，运用训练学习，得各子模态时间序列模型；步骤6、在步骤5中得到子模态进行重构，得到风速预测预测值，为各模态权值；步骤7、重复步骤1到步骤6。本发明专利技术的方法对复杂山地观测风速数据的插补精度较高、对风速分布的还原性较好，可以提升复杂山地风电场观测风速缺测部分的插补精度。速缺测部分的插补精度。速缺测部分的插补精度。

【技术实现步骤摘要】
一种复杂山地风电场观测风速数据插补方法


[0001]本专利技术涉及风速观测塔数据质量控制
，尤其涉及一种复杂山地风电场观测风速数据插补方法。

技术介绍

[0002]风速，作为风能资源特征分布评估最主要参考因素，受地形和气候影响呈现出较强的间隙性、波动性和地区差异性；其观测质量直接影响风电场产能评估的准确性，尤其是介于投资收益边界的风电场。根据国家标准GB/T 18710
‑
2002《风电场风能资源评估方法》(下称《标准》)规定，用于风场产能评估的风速至少需一个完整年观测周期，且数据有效完整率需达到90％以上。然而，复杂山地风电场受微地形及小气候影响严重，各观测塔数据存在仪器损坏、数据传输故障、结冰、倒塔等现象，数据质量差，且各观测塔之间数据相关性差。在这些地区订正出一套数据完整率高、质量好的风速长时间序列用于风资源精准评估具有必要性和现实意义。
[0003]在风资源评估业务中运用较多的风电场数据插补方法是传统MCP方法如线性回归等方法，该方法严重依赖于周边观测参考资料，而山地风电场受地形影响，空间观测风速呈现出复杂多变，相关性较低甚至无相关性，传统MCP方法插值精度低甚至无效。在这些观测密度低、相关性差的山地风电场，想获得高质量的风速观测资料，基于历史观测数据及神经网络学习的方法开始得到重视；然而，这些方法忽略了复杂山地风场观测风速在时间上呈现的较强的非平稳性和复杂度，也无考虑历史数据存在噪音误差等对模型泛化性能的影响，这是传统基于历史数据和机器学习算法的在复杂山地风场观测数据插补上应用的不足之处。

技术实现思路

[0004]基于此，本专利技术提出了一种复杂山地风电场观测风速数据插补方法，解决了传统MCP方法在观测密度低、相关性差的复杂山地观测风速插补无效或精度低等问题，同时解决了传统基于历史数据和机器学习算法的无有效去除噪音影响、降低序列的非平稳性等带来的泛化性能低、预测精度低的问题。
[0005]本专利技术提供一种复杂山地风电场观测风速数据插补方法，包括以下步骤：
[0006]步骤1、记风速时间序列缺测开始时刻为t，缺测步长为m，提取其前n步长的历史观测风速{v(t
′
)|t
′
＝1,2,
…
,n}，t
′
＝t
‑
n+1；
[0007]步骤2、对历史风速时间序列{v(t
′
)|t
′
＝1,2,
…
,n}进行基本质量控制，得到基本控制后的序列
[0008]步骤3、对步骤2得到的时间序列进行变分模态分解，得到K个模态分量{IMF
k
(t
′
)|t
′
＝1,2,
…
,n；k＝1,2,
…
,K}；
[0009]其中，K为模态分量，通过GA算法基于包络熵优化选择；并计算各模态分量的平均
风功率密度{WPD
k
|k＝1,2,
…
,K}；
[0010]步骤4、对步骤3中得到的各模态分量进行LSTM学习样本重构，得到(N
‑
1)个训练；
[0011]测试样本{IMF
k
(t
′
),IMF
k
(t
′
+T)|t
′
＝1,2,
…
,N
‑
1；k＝1,2,
…
,K},N＝n
‑
T,T为时间延迟；
[0012]步骤5、根据步骤4得到(N
‑
1)个训练、测试样本集，运用LSTM进行训练学习，得各子模态时间序列模型；
[0013]即imf
k
(t
′
)＝lstm
k
(IMF
k
(t
′
),IMF
k
(t
′
+T))(t
′
＝1,2,
…
,N
‑
1；k＝1,2,
…
,K)，则各子模态t时刻无偏估计
[0014]步骤6、在步骤5中得到子模态进行重构，得到t时刻风速预测预测值w
i
(i＝1,2,
…
,K)为各模态权值；
[0015]步骤7、令t＝t+1(t≤m)，重复步骤1到步骤6，完成对缺测时段的数据插补。
[0016]进一步的，步骤1中所述风速时间序列分辨率为10min，历史时间取值运用去趋势波动分析技术得到最佳标度指数对应的时间尺度。
[0017]进一步的，步骤2中所述基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查和空间一致性检查。
[0018]进一步的，步骤3中VMD的模态参数K和惩罚因子α的取值基于GA优化，适应度函数参照公式计算，其中a(i)为原始信号f经过希尔伯特变换解调后的包络信号，p
i
为a(i)的归一化表达，平均风功率密度参照公式计算。
[0019]进一步的，步骤4中，训练、测试样本集构建时间延迟参数T＝1。
[0020]进一步的，步骤5中，在各模态LSTM学习建模型中，训练测试样本比按照3:1进行分配。
[0021]进一步的，步骤6中，各模态LSTM预测值重构时各模态权值按照公式进行计算。
[0022]与现有技术相比，本专利技术的优势如下：
[0023]本专利技术的复杂山地风电场观测风速数据插补方法，通过对山地风场风速时间序列进行最优SVD分解，使风速时间序列的非平稳性和复杂度得到降低；并运用具有自动存储和删除时间状态信息的LSTM网络对分解的子模态进行学习预测；最后通过基于平均风功率密度进行风速重构，去除历史序列的噪音误差，提高预测精度。解决传统MCP方法在观测密度低、相关性差的复杂山地无效或精度低问题；同时相对传统机器学习算法，由于对时间序列的复杂度进行降低及基于风功率的重构算法有效避免传统机器学习方法在复杂山地风速插补精度低的问题，可以明显提高山地风电场观测风速的质量，为风资源评估提供一个无偏的初始化观测场，降低发电量评估及风电场投资收益率的不确定性。
附图说明
[0024]图1为本专利技术的复杂山地风电场观测风速数据插补方法的流程框图；
[0025]图2为一个实施方式的复杂山地风电场观测风速点分布及地形示意图；
[0026]图3为58301#观测塔某时刻风速前序一定历史风速时间序列VMD分解子模态序列；
[0027]图4为58301#观测塔某时刻缺测段LSTM重构子模态序列；
[0028]图5为58301#观测塔某时刻缺测时段子模态重构值(预测值)与观测值(真值)对比示意图；
[0029]图6为本专利技术与传统MCP方法、传统基于历史数据的机器学习方法对58301#观测塔缺测插补在在平均绝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂山地风电场观测风速数据插补方法，其特征在于：包括以下步骤：步骤1、记风速时间序列缺测开始时刻为t，缺测步长为m，提取其前n步长的历史观测风速{v(t
′
)|t
′
＝1,2,
…
,n}，t
′
＝t
‑
n+1；步骤2、对历史风速时间序列{v(t
′
)|t
′
＝1,2,
…
,n}进行基本质量控制，得到基本控制后的序列步骤3、对步骤2得到的时间序列进行变分模态分解，得到K个模态分量{IMF
k
(t
′
)|t
′
＝1,2,
…
,n；k＝1,2,
…
,K}；其中，K为模态分量，通过GA算法基于包络熵优化选择；并计算各模态分量的平均风功率密度{WPD
k
|k＝1,2,
…
,K}；步骤4、对步骤3中得到的各模态分量进行LSTM学习样本重构，得到(N
‑
1)个训练；测试样本{IMF
k
(t
′
),IMF
k
(t
′
+T)|t
′
＝1,2,
…
,N
‑
1；k＝1,2,
…
,K},N＝n
‑
T,T为时间延迟；步骤5、根据步骤4得到(N
‑
1)个训练、测试样本集，运用LSTM进行训练学习，得各子模态时间序列模型；即imf
k
(t

【专利技术属性】
技术研发人员：赵乾乾，姚润进，胡灵华，李爱平，吴昌垣，景迁，孔丹，岳俊，钱栋，
申请(专利权)人：中国电建集团江西省电力建设有限公司，
类型：发明
国别省市：