一种基于滑动窗口的风速波动过程分类方法及装置

1.本发明涉及风电机组功率预测和风速波动过程分析领域，具体涉及一种基于滑动窗口的风速波动过程分类方法及装置。


背景技术：

2.随着风电高比例并入输电网，通过对未来一段时间的风速状况进行预测，可以提前采取措施，如提前确定机组开机方式，制定发电计划和调度计划，保证电力供需平衡，降低电网旋转备用容量和发电成本，在一定程度上缓解大规模风电并网带来的不确定性。风速波动具有一定的弱周期性，通过对风速波动过程进行划分，揭示风速波动规律，能够简化预测模型，有效提高风电功率实时预测精度，从而保障高比例可再生能源场景下电力系统的安全稳定运行。
3.目前国内对于波动过程划分的研究有限，一些研究局限于静态定尺度窗口，但风速波动过程往往不是等长的过程，静态等长的时间窗口往往缺乏合理的指标以判断波动段结束的位置，过小的时间窗无法清晰地反映出一个完整的波动过程，过大的时间窗对划分精度有所损失，从而不利于后续工作的进行。
4.近年有一种辨识风速波动过程的方法，其采用摇摆窗算法对风电功率预测数据进行划分，其结果能够较好地将风电功率数据过程按照波动过程进行划分，进而进行极大误差的估计。但是摇摆窗算法只能将一段完整的风速序列划分成若干风速波动过程，无法按照特征或时间序列对波动过程进一步分类并进行分析。
5.利用摇摆窗划分波动过程的基础上，对相似波动过程按照特征聚类，得到分类结果。传统的聚类方法往往针对的是硬数据或者静态数据，即数据的特征值不随时间变化，时间序列是将一系列数据的变化过程按时间顺序记录得到的序列，因此，时间序列不是静态数据，而是动态数据，即传统聚类方法没有考虑到时间序列相似性对聚类效果的影响，因而分类结果并不理想。


技术实现要素：

6.本发明的目的是为克服现有技术的不足之处，提出一种基于滑动窗口的风速波动过程分类方法及装置。本发明综合考虑时间序列相似性与波动过程特征的影响，对波动过程进行二次聚类，以优化聚类效果，可获得更为准确的风速波动分类结果。
7.本发明第一方面实施例提出一种基于滑动窗口的风速波动过程分类方法，包括：
8.获取原始风速序列并进行降噪；
9.对降噪后的所述风速序列通过摇摆窗算法划分成多个风速波动段；
10.将所述风速波动段转化为等长风速时间序列，对所述等长风速时间序列进行基于特征值的一次聚类，得到所述风速序列的初步分类结果；
11.根据所述初步分类结果，对每一个分类下的所述等长风速时间序列进行基于时间序列相似性度量的二次聚类，得到所述风速序列的最终分类结果。
12.在本发明的一个具体实施例中，所述降噪采用小波分析法。
13.在本发明的一个具体实施例中，所述一次聚类和所述二次聚类均采用k-means聚类方法，最佳聚类数均通过基于误差平方和的手肘法确定。
14.在本发明的一个具体实施例中，所述对降噪后的所述风速序列通过摇摆窗算法划分成多个风速波动段，包括：
15.1)将降噪后的风速序列的初始时刻作为第一个风速波动段的初始时刻；
16.2)将第一个风速波动段作为当前风速波动段，将当前风速波动段的初始时刻记为t＝0时刻，将当前风速波动段的初始时刻风速记为v0；
17.3)计算当前风速波动段的摇摆窗，表达式如下：
[0018][0019]
式中，su为上摇摆窗；sd为下摇摆窗；ε为摇摆窗的宽度；i为当前风速波动段的时刻序号，v(i)为i时刻的风速；t为当前风速波动段的最末的时刻序号；
[0020]
以t＝0时刻为起点，分别计算上、下摇摆窗，取满足su≥sd的最小时刻t
p
为当前风速波动段的终止时刻，t
p
满足如下式所示的条件：
[0021][0022]
4)将t
p
为下一个当前风速波动段的初始时刻，将t
p
时刻的风速作为更新后的v0，然后重新返回步骤3)，继续识别下一波动段；直至将降噪后的风速序列中所有时刻的风速均划分到对应的风速波动段中，划分完毕。
[0023]
在本发明的一个具体实施例中，所述将所述风速波动段转化为等长风速时间序列，对所述等长风速时间序列进行基于特征值的一次聚类，得到所述风速序列的初步分类结果，包括：
[0024]
1)将各风速波动段转化为等长的风速时间序列；
[0025]
2)根据选取的时间序列风速数据的特征值，计算每个等长的风速时间序列的特征值以组成特征值矩阵
[0026]
3)对特征值矩阵进行一次聚类，得到各风速波动段的聚类结果作为所述风速序列的初步分类结果。
[0027]
在本发明的一个具体实施例中，所述根据所述初步分类结果，对每一个分类下的所述等长风速时间序列进行基于时间序列相似性度量的二次聚类，得到所述风速序列的最终分类结果，包括：
[0028]
1)对于经过一次聚类后得到的任一风速波动分类，将该风速波动分类下的每个等长风速时间序列作为一个样本，计算该风速波动分类下各样本之间的绝对距离、增速距离以及波动距离共三个距离指标，具体如下：
[0029]
1-1)绝对距离；
[0030]
样本i和样本j的绝对距离为：
[0031]
[0032]
式中，x
itk
是第i个样本第k个特征在第t个时间点的数值，i＝1，2，......，n；t＝1，2，......，t；k＝1，2，......，n；n为该风速波动分类下样本的个数；n为每个样本特征值的数量；t为每个样本的时间序列的长度；
[0033]
1-2)增速距离；
[0034]
样本i和样本j的增速距离为：
[0035][0036]
式中，δx
itk
＝x
itk-x
it-1k
代表第i个的第k个特征值在相邻时刻[t-1，t]的绝对增量；δx
itk
/x
it-1k
代表第i个样本的第k个特征值在相邻时刻[t-1，t]的相对增量；
[0037]
1-3)波动距离；
[0038]
样本i和样本j的波动距离为：
[0039][0040]
其中：
[0041][0042][0043][0044]
式中，s
ik
分别为第i个样本第k个特征值在t时期内的平均值和标准差；c
ik
代表第i个样本第k个特征值标准差与平均值之比；
[0045]
2)确定该风速波动分类下各距离指标的权重；具体步骤如下：
[0046]
2-1)对各距离指标进行标准化；
[0047]
令任一风速波动分类下，第i个样本对应的第j个距离指标值为x
ij
；
[0048]
对x
ij
进行数据标准化后的值为y
ij
：
[0049][0050]
2-2)计算距离指标的信息熵；
[0051]
对于任一风速波动分类，第j个距离指标的信息熵计算表达式如下：
[0052][0053]
其中，
[0054][0055]
得到该波动分类下各个距离指标的信息熵为：
[0056]
e1，e2，......，er[0057]
式中，r为距离指标的数目；
[0058]
2-3)确定各距离指标的权重：
[0059][0060]
3)根据权重，计算该风速波动分类下样本之间的综合距离；
[0061]
其中，第i个样本和第j个样本之间的综合距离计算表达式如下：
[0062]dij，ced
＝w1*z(di
j，aqed
)+w2*z(d
ij，ised
)+w1*z(d
ij，vced
)
[0063]
式中，z(d
ij，aqed
)、z(d
ij，ised
)、z(d
ij，vced
)分别是d
ij，aqed
、d
ij，ised
、d
ij，vced
经标准化化变换之后的值；w1、w2、w3分别为对应各距离指标的权重，w1+w2+w3＝1；
[0064]
4)根据样本之间的综合距离，对同一风速波动分类下的样本进行二次聚类，得到所述风速序列的最终分类结果。
[0065]
在本发明的一个具体实施例中，所述特征值包括：均值，方差，波动段长度，风速最大值，风速最小值，最大值位置，最小值位置，最大值与最小值的差值，正波动时长和负波动时长。
[0066]
本发明第二方面实施例提出一种基于滑动窗口的风速波动过程分类装置，包括：
[0067]
风速序列获取模块，用于获取原始风速序列并进行降噪；
[0068]
风速波动段划分模块，用于对降噪后的所述风速序列通过摇摆窗算法划分成多个风速波动段；
[0069]
一次聚类模块，用于将所述风速波动段转化为等长风速时间序列，对所述等长风速时间序列进行基于特征值的一次聚类，得到所述风速序列的初步分类结果；
[0070]
二次聚类模块，用于根据所述初步分类结果，对每一个分类下的所述等长风速时间序列进行基于时间序列相似性度量的二次聚类，得到所述风速序列的最终分类结果。
[0071]
本发明第三方面实施例提出一种电子设备，包括：
[0072]
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
[0073]
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行一种基于滑动窗口的风速波动过程分类方法。
[0074]
本发明第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种基于滑动窗口的风速波动过程分类方法。
[0075]
本发明的特点及有益效果在于：
[0076]
本发明采用小波分析法对风速时间序列降噪处理，提取风速主要波动趋势；然后利用摇摆窗算法进行风速波动过程划分，对划分好的风速波动段，先后基于特征值和时间序列相似性度量采用k-means聚类方法进行二次聚类，并借助聚类评价指标对两种聚类结果进行评价分析。采用了二次聚类的方式，将聚类结果进一步细化，得到更加精确的聚类结果，最终得到较好的风速波动过程分类结果。
[0077]
本发明对揭示风速波动规律，简化预测模型，有效提高风电功率实时预测精度，从而保障高比例可再生能源场景下电力系统的安全稳定运行具有较好的指导意义。
附图说明
[0078]
图1本发明实施例的一种基于滑动窗口的风速波动过程分类方法的整体流程图；
[0079]
图2为本发明一个具体实施例中摇摆窗划分波动过程结果示意图；
[0080]
图3为本发明一个具体实施例中基于特征值的一次聚类最佳聚类数示意图；
[0081]
图4为本发明一个具体实施例中基于特征值的一次聚类结果示意图；
[0082]
图5为本发明一个具体实施例中基于时间序列相似性的二次聚类最佳聚类数示意图；
[0083]
图6为本发明一个具体实施例中基于时间序列相似性的二次聚类结果示意图。
具体实施方式
[0084]
本发明提出一种基于滑动窗口的风速波动过程分类方法及装置，下面结合附图和具体实施例进一步详细说明如下。
[0085]
本发明第一方面实施例提出一种基于滑动窗口的风速波动过程分类方法，包括：
[0086]
获取原始风速序列并进行降噪；
[0087]
对降噪后的所述风速序列通过摇摆窗算法划分成多个风速波动段；
[0088]
将所述风速波动段转化为等长风速时间序列，对所述等长风速时间序列进行基于特征值的一次聚类，得到所述风速序列的初步分类结果；
[0089]
根据所述初步分类结果，对每一个分类下的所述等长风速时间序列进行基于时间序列相似性度量的二次聚类，得到所述风速序列的最终分类结果。
[0090]
在本发明的一个具体实施例中，所述一种基于滑动窗口的风速波动过程分类方法，整体流程如图1所示，包括以下步骤：
[0091]
1)获取原始风速序列：
[0092]
本实施例中，原始风速序列的长度大于等于1年即可。在本发明的一个具体实施例中，采集风速scada数据作为原始风速序列，数据的时间分辨率为1小时，数据的时间长度为一年。
[0093]
2)对步骤1)获取的原始风速序列进行降噪处理，得到降噪后的风速序列：
[0094]
在本发明一个实施例中，选用db4小波对原始风速序列数据进行分解降噪，分解尺度设置为4。分解尺度的选择由所需小波分解的频段范围决定，若分解尺度设置为p，则各个频段范围如式(1)所示：
[0095][0096]
其中，fs为采样频率。
[0097]
在本实施例中，对每一个分解尺度下的对应的高频小波系数(对一个给定信号进行小波变换,就是将该信号按设定的某小波函数簇展开,即将信号表示为一系列不同尺度和不同时移的小波函数的线性组合,其中每一项的系数称为小波系数，高频小波系数通常是使用mallat算法中的dwt的概念，通过高频带通滤波器将信号中的信息分解成的高频细节信息。)，选择合适的阈值进行量化处理，目前主要有无偏风险估计阈值、极大极小阈值、固定阈值、启发式阈值等，各有特点，可根据去噪的具体要求选择合适的阈值。并以此为基础来进行原始信号(本实施例中即原始风速序列数据)的重构，从而实现对噪声信号的抑
制，可以较好地提取风速波动的主要趋势。
[0098]
3)利用摇摆窗算法对降噪后的原始风速序列进行波动过程划分，得到多个风速波动段；具体步骤如下：
[0099]
3-1)将降噪后的风速序列的初始时刻作为第一个风速波动段的初始时刻；
[0100]
3-2)将第一个风速波动段作为当前风速波动段，将当前风速波动段的初始时刻记为t＝0时刻，将当前风速波动段的初始时刻风速记为v0，则第一个风速波动段的初始时刻风速即为降噪后的风速序列的初始时刻的风速；
[0101]
3-3)计算当前风速波动段的摇摆窗，表达式如下：
[0102][0103]
式中，su为上摇摆窗；sd为下摇摆窗；ε为摇摆窗的宽度，在本实施例中摇摆窗的宽度ε取经验值，设为5％的最大风速数据；i为当前风速波动段的时刻序号，v(i)为i时刻的风速；t为当前风速波动段的最末的时刻序号；
[0104]
以t＝0时刻为起点，计算上、下摇摆窗，取满足su≥sd的最小时刻t
p
为当前波动过程的终止时刻，t
p
需满足如式(3)所示的条件：
[0105][0106]
3-4)将t
p
为下一个当前风速波动段的初始时刻(即新的当前风速波动段的t＝0时刻)，将t
p
时刻的风速作为新的v0，然后重新返回步骤3-3)，继续识别下一波动过程；直到将风速序列对应的所有时刻均划分到对应的波动过程中，则完成整个风速波动过程的划分。需要说明的是，划分结果中最后一个风速波动段可能并不是一个完成的波动过程，但同样将其作为一个独立的风速波动段。
[0107]
本发明一个具体实施例中，对滤波后的风速时间数据采用摇摆窗算法进行风速波动过程的划分，共得到513个风速波动段，摇摆窗划分波动过程示意图如图2所示，图中节选部分风速波动过程，点代表每个波动过程的起止点，线代表降噪后的风速序列，点与点之间的线代表一个波动过程。
[0108]
4)将经过步骤3)划分得到的风速波动段转化为等长风速时间序列，对所述风速时间序列进行基于特征值的一次聚类，得到风速波动过程的初步分类结果，具体步骤如下：
[0109]
4-1)将经过步骤3)划分得到的风速波动段转化为等长的风速时间序列；
[0110]
本实施例中，经过摇摆窗划分后的各风速波动段为不等长时间序列，则选取最长波动段的长度为基准，不足该长度的序列补齐时间长度后各时刻值以0来填补，将不等长时间序列数据填补为等长时间序列，存储在处理后的等长风速时间序列矩阵中。本发明一个具实施例中得到容量为513
×
87的等长风速时间序列矩阵，其中，513为摇摆窗划分得到的波动段个数，87为最长波动段的长度。
[0111]
4-2)根据选取时间序列风速数据的特征值，计算每个等长的风速时间序列的特征值以组成特征值矩阵
[0112]
本发明一个实施例提取的特征值包括：均值，方差，波动段长度，风速最大值，风速最小值，最大值位置，最小值位置，最大值与最小值的差值，正波动时长，负波动时长，总计
10个参数。
[0113]
分别计算每个等长的风速时间序列的的10个特征值，得到特征值矩阵；本实施例中得到容量为513
×
10的矩阵，其中513为摇摆窗划分得到的波动段个数，10表示每个波动段计算得到的10个特征值。
[0114]
4-3)对特征值矩阵进行一次聚类，得到各风速波动段的聚类结果作为所述风速序列的初步分类结果。
[0115]
本实施例中，聚类方法采用k-means聚类，采用基于误差平方和(sum of the squared errors，sse)的手肘法来确定一次聚类的最佳聚类数k1。
[0116]
图3为本发明一个具体实施例中基于特征值的一次聚类最佳聚类数示意图。由手肘法可知，图像拐点处即为最佳聚类数，如图3所示，第一个拐点为2，即可知本实施例中一次聚类的最佳聚类数为2，共得到2个风速波动分类。该实施例中基于特征值的一次聚类结果如图4所示，分为a和b两类，分别如图4a)和图4b)所示。
[0117]
5)根据步骤4)得到的风速波动的初步分类结果，对每一个分类下的等长风速时间序列进行基于时间序列相似性度量的二次聚类，得到风速波动过程的最终分类结果。具体步骤如下：
[0118]
为了能够更全面地对风速时间序列进行表征，本发明采用对传统相似性度量指标进行改进的方法，利用指标的绝对距离、增速距离以及波动距离加权来得到综合距离，作为改进k-means聚类方法中欧氏距离的替代，对步骤4)得到的一次聚类结果进行二次聚类。所述二次聚类是对一次聚类后得到的每一个分类结果再次进行聚类。
[0119]
本实施例中，对于经过一次聚类后得到的任一风速波动分类，二次聚类的具体步骤如下：
[0120]
5-1)将该风速波动分类下的每个等长风速时间序列作为一个数据样本，计算该风速波动分类下各数据样本之间的绝对距离、增速距离以及波动距离共三个距离指标，具体如下：
[0121]
a)绝对距离(absolute quantity euclidean distance，aqed)；
[0122]
样本i和样本j的绝对距离为：
[0123][0124]
式中，x
itk
(i＝1，2，......，n；t＝1，2，......，t；k＝1，2，......，n)是第i个样本第k个特征在第t个时间点的数值；n为该风速波动分类下样本的个数；n为每个样本特征值的数量；t为每个样本时间序列的长度(即经过摇摆窗算法划分后的波动过程经填补为等长时间序列的长度)绝对距离指标反映了样本之间在整个时期t内指标的总体欧式距离。
[0125]
b)增速距离(increment speed euclidean distance，ised)；
[0126]
样本i和样本j的增速距离为：
[0127][0128]
式中，δx
itk
＝x
itk-x
it-1k
、δx
jtk
＝x
jtk-x
jt-1k
分别代表第i个、第j个样本的第k个特征值在相邻时刻[t-1，t]的绝对增量；δx
itk
/x
it-1k
、δx
jtk
/x
jt-1k
分别代表第i个、第j个样本的第k个特征值在相邻时刻[t-1，t]的相对增量。
[0129]
c)波动距离(variation coefficient euclidean distance，vced)；
[0130]
样本i和样本j的波动距离为：
[0131][0132]
其中：
[0133][0134][0135][0136]
式中，s
ik
分别是第i个样本第k个特征值在t时期内的平均值和标准差；c
ik
、c
jk
分别是第i个和第j个样本第k个特征值标准差与平均值之比，又称变异系数，是第k个特征值在t时期内变异程度的一个归一化刻度。
[0137]
5-2)确定各距离指标的权重；
[0138]
本实施例采用熵值法确定各距离指标的客观权重，通过对指标的信息熵计算得出指标所占的权重。具体步骤如下：
[0139]
5-2-1)将各距离指标进行标准化：
[0140]
根据标准化公式，令任一风速波动分类下，第i个样本对应的第j个距离指标值为x
ij
，对x
ij
进行数据标准化后的值为y
ij
：
[0141][0142]
其中，i＝1，2，...，n，n为该风速波动分类下样本的个数，i≠j。
[0143]
在本实施例中，完成标准化处理后，共可以得到3*2个归一标准化距离指标矩阵(分为两类，每一类有三个距离指标)。
[0144]
5-2-2)计算各距离指标的信息熵；
[0145]
对于任一风速波动分类，第j个距离指标的信息熵计算表达式如下：
[0146][0147]
其中，
[0148][0149]
得到该波动分类下各个距离指标的信息熵为：
[0150]
e1，e2，......，er[0151]
式中，r为距离指标的数目，在本实施例中，r＝3。
[0152]
5-2-3)确定各距离指标的权重；
[0153]
本实施例中，通过信息熵计算出各个距离指标的权重为：
[0154]
[0155]
5-3)根据权重，计算得到样本之间的综合距离；
[0156]
本实施例中，计算第i个、第j个样本之间的综合距离(comprehensive euclidean distance，ced)：
[0157]dij，ced
＝w1*z(d
ij，aqed
)+w2*z(d
ij，ised
)+w1*z(d
ij，vced
)
ꢀꢀ
(13)
[0158]
式中，z(d
ij，aqed
)、z(d
ij，ised
)、z(d
ij，vced
)分别是d
ij，aqed
、d
ij，ised
、d
ij，vced
经标准化化变换之后的值，以避免数量级差异的影响。w1、w2、w3分别为对应各距离指标的权重，且w1+w2+w3＝1。
[0159]
5-4)根据样本之间的综合距离，对同一风速波动分类下的样本进行二次聚类，得到风速波动的最终分类结果。
[0160]
本实施例中，二次聚类的聚类方法采用k-means聚类，同样采用基于误差平方和(sum of the squared errors，sse)的手肘法来确定基于时间序列相似性的二次聚类最佳聚类数。在本实施例中，二次聚类最佳聚类数结果如图5所示，分别确定一次聚类结果中a、b两类的k-means二次聚类数均为2，其中a类的二次聚类最佳聚类数如图5a)所示，b类的二次聚类最佳聚类数如图5b)所示。
[0161]
当利用基于时间序列相似性度量的改进k-means算法对一次聚类得到的所有风速波动分类均进行二次聚类完毕后，步骤1)获取的风速序列的风速波动过程辨识完毕。
[0162]
本实施例中将基于特征值的k-means聚类方法得到的一次聚类结果作为二次聚类时新的原始数据，将原始k-means聚类中的欧式距离替换为由绝对距离、增速距离和波动距离加权得到的综合距离，得到基于时间序列相似性度量的二次聚类结果，即为风速波动过程分类的最终结果。在本实施例中，风速波动过程分类的最终结果如图6所示，将a，b两类波动过程分别进行二次聚类，得到a1，a2，b1，b2共四类波动过程。聚类结果分别如图6a)、6b)、6c)、6d)所示。其中类别a1将波动时长较短的波动段从类别a中分离出来，且其波动过程较为简单，多为单向波动；b1类相比于b2类，其波动过程更加剧烈且短暂。即得到了更加精确的风速波动过程分类结果。
[0163]
本发明在利用摇摆窗算法进行风速序列波动过程划分后，采用了二次聚类的方式，结合时间序列聚类的两种思路：首先提取时间序列中的特征值作为聚类初始数据，其次改进聚类算法中的相似性度量指标(距离)，综合得到结果，弥补了两种聚类算法单独聚类时所具有的缺点，将聚类结果进一步细化，得到更加精确的聚类结果，得到了较好的聚类结果。经本实施例研究表明，关于基于不同指标的二次聚类的次序，先输入特征值进行一次聚类后再输入时间序列的k-means聚类方式可以得到更好的聚类结果。
[0164]
为实现上述实施例，本发明第二方面实施例提出一种基于滑动窗口的风速波动过程分类装置，包括：
[0165]
风速序列获取模块，用于获取原始风速序列并进行降噪；
[0166]
风速波动段划分模块，用于对降噪后的所述风速序列通过摇摆窗算法划分成多个风速波动段；
[0167]
一次聚类模块，用于将所述风速波动段转化为等长风速时间序列，对所述等长风速时间序列进行基于特征值的一次聚类，得到所述风速序列的初步分类结果；
[0168]
二次聚类模块，用于根据所述初步分类结果，对每一个分类下的所述等长风速时间序列进行基于时间序列相似性度量的二次聚类，得到所述风速序列的最终分类结果。
[0169]
需要说明的是，前述对一种基于滑动窗口的风速波动过程分类方法的实施例解释说明也适用于本实施例的一种基于滑动窗口的风速波动过程分类装置，在此不再赘述。根据本发明实施例提出的一种基于滑动窗口的风速波动过程分类装置，通过获取原始风速序列并进行降噪；对降噪后的所述风速序列通过摇摆窗算法划分成多个风速波动段；将所述风速波动段转化为等长风速时间序列，对所述等长风速时间序列进行基于特征值的一次聚类，得到所述风速序列的初步分类结果；根据所述初步分类结果，对每一个分类下的所述等长风速时间序列进行基于时间序列相似性度量的二次聚类，得到所述风速序列的最终分类结果。由此，本发明综合考虑时间序列相似性与波动过程特征的影响，对波动过程进行二次聚类，以优化聚类效果，可获得更为准确的风速波动分类结果。
[0170]
为实现上述实施例，本发明第三方面实施例提出一种电子设备，包括：
[0171]
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
[0172]
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种基于滑动窗口的风速波动过程分类方法。
[0173]
为实现上述实施例，本发明第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种基于滑动窗口的风速波动过程分类方法。
[0174]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0175]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例的一种基于滑动窗口的风速波动过程分类方法。
[0176]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、
部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0177]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0178]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0179]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0180]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0181]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0182]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步
骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0183]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0184]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。