测风数据插补方法及其装置及计算机可读存储介质与流程

1.本发明实施例涉及风力发电技术领域，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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.本发明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。
6.本发明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。
7.本发明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。
8.本发明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。
9.本发明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。
10.本发明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
11.图1为本发明一个实施例的测风数据插补方法的流程图；
12.图2为本发明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；
13.图3为本发明一个实施例的神经网络的结构示意图；
14.图4为本发明一个实施例的测风数据插补误差的示意图；
15.图5为本发明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
16.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发明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、本发明的一些方面相一致的装置的例子。
17.在本发明实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。除非另作定义，本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明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。在本发明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。
18.本发明实施例提供了一种测风数据插补方法。图1揭示了本发明一个实施例的测风数据插补方法的流程图。如图1所示，本发明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。
19.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。
20.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。
21.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。
22.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。
23.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。
24.图2揭示了本发明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。
25.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。
26.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。
27.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，可以将目标测风塔的第一历史风速数据的前85％和相近测风塔的第二历史风速数据的前85％作为训练集，将目标测风塔的第一历史风速数据的后15％和相近测风塔的第二历史风速数据的后15％作为测试集。
28.在步骤s22中，可以基于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。
29.具体地，可以将训练集中相近测风塔的第二历史风速数据和训练集中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。
30.在一个实施例中，神经网络例如可以包括bp(back propagation，反向传播)神经网络。图3揭示了本发明一个实施例的神经网络的结构示意图。如图3所示，神经网络包括输入层、输出层和位于输入层和输出层之间的隐藏层。隐藏层的网络节点及隐藏层的数量需要根据实际需求进行改变。
31.神经网络的每一层具有一定数量的节点，输入层的节点数量与输入的样本数量有关。神经网络在相邻层中的节点采用完全连接的方式(即每一个节点与另一层每个节点均相连)，而每层的节点之间不相连。
32.在一些实施例中，神经网络的激活函数采用leaky relu((rectified linear unit，修正线性单元)函数，神经网络的损失函数采用mae(mean absolute error，平均绝对误差)损失函数，神经网络的优化器采用adam(adaptive moment estimation，自适应矩估计)优化器。
33.神经网络的输入层可以将训练集中相近测风塔的第二历史风速数据进行编号输入，通过多层神经网络进行训练学习，获得目标测风塔对应时刻的模型预测值，用目标测风塔的第一历史风速数据和对应时刻的目标测风塔的模型预测值的关系来反向修正神经网络模型，不断降低神经网络模型的误差，通过模型的不断训练和学习，直到神经网络模型的误差(即模型预测值)在可接受的范围内，即停止训练。
34.本发明实施例采用的神经网络并不局限于bp神经网络。在另一个实施例中，神经
40％之间，因此，只要通过对神经网络模型进行进一步的训练和学习，可以进一步提高神经网络模型的预测精度。
44.本发明实施例还提供了一种测风数据插补装置200。图5揭示了本发明一个实施例的测风数据插补装置200的示意性框图。如图5所示，测风数据插补装置200可以包括一个或多个处理器201，用于实现上面任一实施例所述的测风数据插补方法。在一些实施例中，测风数据插补装置200可以包括计算机可读存储介质202，计算机可读存储介质202可以存储有可被处理器201调用的程序，可以包括非易失性存储介质。在一些实施例中，测风数据插补装置200可以包括内存203和接口204。在一些实施例中，本发明实施例的测风数据插补装置200还可以根据实际应用包括其他硬件。
45.本发明实施例的测风数据插补装置200具有与上面所述的测风数据插补方法相类似的有益技术效果，故，在此不再赘述。
46.本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有程序，该程序被处理器执行时，实现上面任一实施例所述的测风数据插补方法。
47.本发明实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于：相变存储器/阻变存储器/磁存储器/铁电存储器(pram/rram/mram/feram)等新型存储器、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
48.以上对本发明实施例所提供的测风数据插补方法及其装置及计算机可读存储介质进行了详细的介绍。本文中应用了具体个例对本发明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进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想，并不用以限制本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的精神和原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也均应落入本发明所附权利要求书的保护范围内。