CN103616734A - 大范围同步实时气象数据测量及风速风向预测系统与方法 - Google Patents

Abstract

本发明涉及一种大范围同步实时气象数据测量及风速风向预测系统与方法。本发明由高精度采集终端、无线传输装置、数据中心构成。应用本发明可搭建由一个数据中心、若干数据采集终端、无线传输系统组成的大范围同步实时气象数据采集分析预测系统。本发明借助BP神经网络模型，应用系统内各个节点当前气象数据可以预测5min后的目标节点风速风向，为了提高预测准确性，该预测模型分为春季白昼、春季黑夜、夏季白昼、夏季黑夜、秋季白昼、秋季黑夜、冬季白昼、冬季黑夜八种预测模型每种模型都由大量数据样本经过神经网络训练学习得到，并且在应用过程中，根据实测数据和预测数据的误差，对预测模型不断改进。

Description

大范围同步实时气象数据测量及风速风向预测系统与方法

技术领域

本发明涉及一种基于风力发电的高精度、远距离、同步实时风速及相关气象信息采集、分析、预测系统及方法。

背景技术

风力发电作为目前可再生能源开发利用中技术最成熟、最具规模开发和商业化发展前景的发电方式之一，由于其在减轻环境污染、调整能源结构、解决偏远地区居民用电问题等方面的突出作用，越来越受到各国的重视并得到广泛的开发和利用。

虽然风力发电具有上述优点，但也存在不足。风电场输出有功具有间歇性和不可控性特点，大量接入电网会产生一系列影响：1）要求系统具有足够的备用容量，当系统内风电场输出功率发生大幅度降低时，系统要有足够的备用容量填补风电输出功率降低带来的空缺；2）要求系统的调峰速度足够快，风电输出功率的随机变化会造成系统频率的变化，系统要快速调峰保证系统频率在安全范围内；3）由于风电输出的不可控性，会对系统发电计划的制定带来困难；4）风电输出超出系统调峰能力时，会对系统的稳定性带来威胁，系统要对这种极端情况预先制定措施。

故需要测量分析和预测风电场的风速数据，研究和预测风电场的功率输出特性，尽可能掌握风电场输出功率随时间的变化规律，而且随着风力发电的飞速发展，风电场的数量在不断增加，不仅要研究单个风电场输出功率随时间的变化规律，还要对不同风电场的输出功率变化规律进行空间上的分析研究，以尽可能准确地预测风电输出变化、制定合适的系统发电计划、调整系统备用容量和调峰速度。

当前存在的风速测量装置尚存在一些不足：1）传统的风速测量装置只是对单个风电场进行风速测量，未形成一个集区域所有风电场相关气象数据采集、无线数据传输、风速风向预测为一体的测量、分析、预测系统，无法测量采集和预测大范围电网内所有风电场的同步实时风速数据，无法在空间上分析研究和预测不同风电场的输出功率变化规律，不利于系统制定可靠的发电计划和优化调度；2）传统的风速测量装置未对与风电输出功率存在潜在相关性的其他气象因素数据进行同步采集，缺乏对相关气象因素的研究。

由此可见，设计一种高精度、远距离、同步实时风速及相关气象信息采集、分析、预测系统是十分必要的。

发明内容

为了克服上述传统风速测量装置的不足，本发明提出了一种高精度、远距离、同步实时风速及相关气象信息测量、分析、预测系统及方法。

本发明采用的技术方案如下：

大范围同步实时气象数据测量及风速风向预测系统，包括：

信号采集装置，其采集各个目标风速、风向、温度、湿度信号，并将采集的信号通过模数转换器转换后发送给MCU；

GPS接收模块，其接收时间、地理信息数据；

MCU模块，通过UART读取GPS模块中的数据；MCU把采集到的气象数据和读取的时间、地理信息包装在一起形成数据包；

GPRS模块，GPRS模块和MCU通过UART交互AT命令和需要传输的数据包；GPRS模块的作用就是附着GPRS网络，获得网络IP，连接远程PC机的IP端口；

远程PC机，远程PC机的IP端口通过AT设置命令配置到GPRS模块中，通过AT连接命令控制GPRS模块连接远程PC。

所述的信号采集装置包括风速传感器、风向传感器、温度传感器、湿度传感器，所述的风速传感器、风向传感器、温度传感器、湿度传感器均与模数转换器相连。

所述的远程PC机处理数据的过程如下:

1.不断更新数据库，包括各风电场地理位置、时间、实测风速、风向、温度、湿度、气压;

2.将实测数据进行智能滤波：设连续的三个数据为X1、X2、X3，A为限幅值；若|X2-X1|<=A，则X2数据有效；若|X2-X1|>A且|X3-X2|<=A，则X2数据无效；若|X2-X1|>A且|X3-X2|>A，则X2数据有效。这种滤波方法既能有效克服因偶然因素引起的波动干扰，又能智能识别超过限幅值的变化是否为波动干扰，而且算法简单占用内存小，处理速度快。

3.从数据库提取各风电场有效的风速、风向、温度、湿度数据，显示在人机友好界面；判断气象信息是否异常；并将气象数据导出，对目标节点风速风向进行预测。

目标节点风速风向预测方法，如下：

1.从数据库导出数据：取系统内各个节点的历史气象数据，数据包括风速、风向、温度、湿度、气压，并设系统内有N个测量节点，每个节点有5个数据，共5×N个数据；

2.选取样本：每隔5min取一次数据作为一个输入样本，共取M个输入样本；

期望输出样本为输入样本延时5min后的目标节点的风速、风向数据，共M个输出样本；每个输入样本包括各个测量节点的5个数据，即每个输入样本共包括5×N个数据，输出样本只有目标节点的2个数据；目标节点是需要预测风速风向的节点。

3.将每个输入、输出样本中的数据利用下面的方法进行数据归一化：

风速：

其中v_t是风速实际数据，v_max是历史最大风速数据，v_g是风速归一化数据；

风向：将风向数据用风向角度的正弦值和余弦值表示，dirsin=sin(angle),dircos=cos(angle),其中angle是风向角度，其值为0°~360°；

温度：

其中T_t是温度实际数据，|T_max|是历史最大的温度数据绝对值，T_g是温度归一化数据；

湿度：

其中H_t是实际湿度数据，H_max是历史最大湿度数据，H_g是湿度归一化数据；

气压：

其中P_t是实际气压数据，P_max是历史最大气压数据，P_g是气压归一化数据；

数据归一化之后，每个输入样本中的每个测量节点数据包括V_g、dirsin、dircos、T_g、H_g、P_g，且数值范围均为[-1,1]，因为每个样本包含N个测量节点数据，所以输入样本数据维数为6×N；同理，输出样本的数据为目标节点的V_g、dirsin、dircos，且数值范围均为[-1,1]，输出样本数据维数为3。

4.BP神经网络模型初始化：

(1)确定隐含层神经元数目为p；

根据经验公式确定隐含层神经元数目：

其中m、n分别表示输入层节点数目和输出层节点数目，a表示1~10之间的常数。

(2)连接权值W_ih、W_ho初始化(分别赋（-1，1）内的随机数)、阈值b_h、b_o初始化(分别赋（0，1）内的随机数)，其中W_ih为输入层到隐含层的连接权值、W_ho为隐含层到输出层的连接权值，b_h为隐含层节点h的阈值，b_o为输出层节点o的阈值，i为输入层节点标号，h为隐含层节点标号，o为输出层节点标号。

(3)设置误差函数e、精度ε、最大学习次数stu_num,学习速率η；

$e=0.5\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}{(d_o-{\mathrm{yo}}_o)}^2$

其中，d_o表示输出层节点o的期望输出值，yo_o表示输出层节点o的输出值，o为输出层节点标号，m为输出层节点数目。

精度ε和最大学习次数stu_num根据实际情况设定，精度ε越小，模型预测越准确，stu_num越大，模型越成熟。

学习速率η取0.01~0.1之间的值。

(4)设置隐含层激活函数

输出层激活函数F2(x)=x，其中x为函数的输入自变量，隐含层激活函数F1(x)的函数体为输出层激活函数F2(x)的函数体为x。

5.网络训练：

(0)导入输入样本和期望输出样本；

设输入样本为向量x=(x₁，x₂,……，x_n),其中n=6×N，N为测量节点的数目,向量元素为N个测量节点的V_g、dirsin、dircos、T_g、H_g、P_g数据，共6×N个数据。

设期望输出样本为向量do=(d₁,d₂,……，d_m),m表示输出层节点数目，m=3,即目标节点的风速风向数据V_g、dirsin、dircos；

(1)计算隐含层输入、输出；

隐含层输入向量为hi=(hi₁，hi₂，……，hi_p)

计算公式： ${\mathrm{hi}}_h={\mathrm{\&Sigma;}}_{i=1}^n(w_{\mathrm{ih}}\&times;x_i-b_h),h=\mathrm{1,2}......p,$ 其中n=6×N，N为测量节点数目，i为输入层节点标号，p为隐含层节点数目，h为隐含层节点标号，w_ih为输入层到隐含层的连接权值，b_h为隐含层节点h的阈值，hi_h为隐含层节点h的输入值。

隐含层输出向量为ho=(ho₁,ho₂,……，ho_p)

调用隐含层激活函数

计算公式： ${\mathrm{ho}}_h=F1\left({\mathrm{hi}}_h\right)=\frac{1}{1+e^{-{\mathrm{hi}}_h}},h=\mathrm{1,2}......p,$ 其中p为隐含层节点数目，h为隐含层节点标号，hi_h为求得的隐含层节点h的输入值，ho_h为隐含层节点h的输出值。

(2)计算输出层输入、输出；

输出层输入向量为yl=(yi₁，yi₂，……，yi_m)

计算公式： ${\mathrm{yi}}_o={\mathrm{\&Sigma;}}_{h=1}^p(w_{\mathrm{ho}}\&times;{\mathrm{ho}}_h-b_o),o=\mathrm{1,2}......m,$ 其中，m为输出层节点数目，p为隐含层节点数目，h为隐含层节点标号，W_ho为隐含层到输出层的连接权值，b_o为输出层节点o的阈值，ho_h为隐含层节点h的输出值，yl_o为输出层节点o的输入值。

输出层输出向量为yo=(yo₁,yo₂,……，yo_m)

调用输出层激活函数F2(x)=x

计算公式：yo_o=F2(yi_o)=yi_o，o=1,2......m,其中，m为输出层节点数目，o为输出层节点标号，yi_o为求得的输出层节点o的输入值，yo_o为输出层节点o的输出值。

(3)计算误差e

$e=0.5\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}{(d_o-{\mathrm{yo}}_o)}^2$

其中，d_o表示输出层节点o的期望输出值，yo_o表示输出层节点o的输出值，o为输出层节点标号，m为输出层节点数目。

判断误差e是否小于ε，若e小于ε（即达到精度要求）则结束训练，否则执行（4）；

(4)判断是否为最后一个样本（即是否为第M个样本），若是最后一个样本，则学习次数加1，并判断是否达到了最大学习次数，若达到了最大学习次数，则结束训练，否则执行（5）；

(5)计算误差函数对w_ho的偏导

对b_o的偏导并修正Wh_o、h_o；

$\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{yi}}_o}\frac{{\&PartialD;\mathrm{yi}}_o}{{\&PartialD;w}_{\mathrm{ho}}}=-(d_o-{\mathrm{yo}}_o)\&times;{\mathrm{ho}}_h,$ 其中h=1,2......p，o=

1,2......m

$\frac{\&PartialD;e}{{\&PartialD;b}_o}=(d_o-{\mathrm{yo}}_o),o=\mathrm{1,2}......m$

修正后的 $w_{\mathrm{ho}}=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}+w_{\mathrm{ho}}=\mathrm{\&eta;}(d_o-{\mathrm{yo}}_o)\&times;{\mathrm{ho}}_h+w_{\mathrm{ho}}$

修正后的 $b_o=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_o}+b_o=-\mathrm{\&eta;}(d_o-{\mathrm{yo}}_o)+b_o$

其中，η为学习速率。

(6)计算误差函数对w_ih的偏导

对b_h的偏导

并修正W_ih、b_h；

$\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{hi}}_h}\frac{\&PartialD;{\mathrm{hi}}_h}{\&PartialD;w_{\mathrm{ih}}}=-\left\{\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{-{\mathrm{hi}}_h})}^2}\&times;x_i$

$\frac{\&PartialD;e}{{\&PartialD;b}_h}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{ho}}_h}\frac{\&PartialD;{\mathrm{ho}}_h}{\&PartialD;b_h}=\left\{\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{-{\mathrm{hi}}_h})}^2}$

修正后的 $w_{\mathrm{ih}}=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}+w_{\mathrm{ih}}=\mathrm{\&eta;}\left\{{\mathrm{\&Sigma;}}_{o=1}^m\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;$

$\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{{-\mathrm{hi}}_h})}^2}\&times;x_i+w_{\mathrm{ih}}$

修正后的 $b_h=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_h}+b_h=-\mathrm{\&eta;}\left\{{\mathrm{\&Sigma;}}_{o=1}^m\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;$

$\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{{-\mathrm{hi}}_h})}^2}+b_h$

(7)执行（1）导入下一个输入样本和期望输出样本。

6.利用新鲜数据对训练好的预测模型进行测试：

若测试结果在误差允许范围内，则该预测模型可以应用。

若测试结果超过了误差允许范围，则进行改进,改进后重新对预测模型学习训练。

其改进方法是：

（1）调整输入样本维数和隐含层神经元数目；

（2）采用附加动量因子的权值调节

修正后的 $w_{\mathrm{ho}}=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}+\mathrm{mc}\&times;w_{\mathrm{ho}}$

修正后的 $b_o=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_o}+\mathrm{mc}\&times;b_o$

修正后的 $w_{\mathrm{ih}}=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}+\mathrm{mc}\&times;w_{\mathrm{ih}}$

修正后的 $b_h=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_h}+\mathrm{mc}\&times;b_h$

其中，mc为动量因子，一般取0.95左右

（3）应用自适应学习速率

检查权值的修正值是否真正降低了误差函数，如果真正降低了误差函数，则可以对η其增加一个量；否则可认为产生过调，应该减小学习速率的值η。

（4）改进误差函数；

比如将误差函数调整为

$e={\mathrm{\&Sigma;}}_{o=1}^m[0.5(1+d_o)\log \frac{1+d_o}{1+{\mathrm{yo}}_o}+0.5(1-d_o)\log \frac{1-d_o}{1+{\mathrm{yo}}_o}]$

7.在应用过程中若出现超出最大训练值的数据时，需要对该模型重新进行训练。

上述方法得到的预测模型只是针对特定目标节点的，不同目标节点的预测模型各不相同，需一一求取模型。

本发明的风速测量分辨率高达0.05m/s，最大误差0.3m/s，启动风速低于0.3m/s，最高测量风速高达60m/s。

本发明应用GPRS技术，将风电场测量采集到的同步实时数据通过无线传输方式传输到数据终端。

本发明应用GPS技术，把风电场测量采集到的数据和时间、地理位置信息包装在一起形成数据包。

所述风速及相关气象信息，本发明测量的数据包括风速、风向、温度、湿度、气压。

所述测量、分析、预测系统，本发明可将多个测量采集终端分布到整个区域大电网的所有风电场，形成大的测量网，并将测量终端采集到的数据包装后通过无线技术传输到数据终端，并将数据存储于数据库，可以实时显示各个风电场的气象信息，也可以对整个区域大电网内所有风电场的数据进行时间和空间上的分析研究，为电力系统的统筹计划提供依据。同时，本系统还具有节点风速风向预测功能，可以为风电输出功率的预测提供气象数据预测支持。

本发明的有益效果：

1.本发明的风速测量分辨率极高且误差极小。

2.本发明的数据采集并非采集单一的数据，还加入了时间、地理位置信息，最终构成同步数据包以方便分析研究。

3.本发明不但测量风速数据，还测量与其相关的其他气象信息（如温度、湿度、气压），可以更全面地掌握风电场的气象信息，为分析研究相关气象因素对风力发电的潜在影响提供数据支持。

4.本发明的数据中心可以提供数据库、智能滤波、实时显示系统、异常报警、数据导出，从而可以快速直观地掌握各个风电场的相关信息，并能做进一步研究。

5.应用本发明可搭建由一个数据中心、若干数据采集终端、无线传输系统组成的大范围同步实时气象数据采集分析预测系统，有益于对整个区域大电网内所有风电场的气象数据进行时间和空间上的分析研究。本系统还具有节点风速风向预测功能，可以为风电输出功率的预测提供气象数据预测支持。

附图说明

图1是气象信息测量终端实现示意图；

图2是GPS信息采集示意图；

图3是远距离无线传输示意图；

图4是气象信息测量、数据包装、无线传输、数据包接收的完整过程示意图；

图5数据中心数据接收处理系统示意图；

图6数据处理示意图；

图7风速风向神经网络预测示意图；

图8人机友好界面；

图9大范围同步实时气象数据采集网络示意图。

具体实施方式

下面结合附图对本发明作进一步说明

如图1所示，本发明的测量终端需要测量的气象信息包括风速、风向、温度、湿度、气压，其实现过程：在测量点安装风速传感器、风向传感器、温度传感器、

湿度传感器、气压传感器，传感器通过电压信号体现测量结果；模数转换器将传感器发出的电压信号转换成数字信号；MCU读取并翻译模数转换器中存储的数据，从而得到测量数据。

如图2所示，同步实时是通过应用GPS技术实现的，实现过程：GPS模块接收时间、地理信息数据；MCU通过UART读取GPS模块中的数据；MCU把采集到的气象数据和读取的时间、地理信息包装在一起形成数据包。

如图3所示，远距离传输是通过GPRS技术实现的，实现过程：GPRS模块和MCU通过UART交互AT命令和需要传输的数据包；GPRS模块的作用就是附着GPRS网络，获得网络IP，连接远程PC机的IP和端口；远程PC机的IP和端口通过AT设置命令配置到GPRS模块中，通过AT连接命令控制GPRS模块连接远程PC。

图4是气象信息测量、数据包装、无线传输、数据包接收的完整过程。

如图5所示，该系统的数据中心包括数据接收装置、数据库、数据智能滤波、人机友好界面等。接收装置将接收到的数据包进行数据提取，并存入数据库；对数据进行智能过滤，剔除无效数据并更新数据库；人机友好界面用于显示各个风电场实时气象信息、数据分析结果，并进行数据处理。

各个风电场的实时气象数据显示方式采用基于GIS的三维数据显示。该显示方式可以将区域所有风电场显示在地理信息图层上，使风电场的分布更加直观。风速和风向数据由箭头表示，箭头的方向即风向，箭头的长度即风速，温度和湿度采用柱状图的形式表示，同时标注风速、温度、湿度、气压的数值。操作人员可以翻动显示界面以不同三维角度观察各风电场的气象数据。

该系统的风速风向预测功能：该系统借助BP神经网络模型，应用系统内各个节点当前气象数据可以预测5min后的目标节点风速风向；为了提高预测准确性，该预测模型分为春季白昼、春季黑夜、夏季白昼、夏季黑夜、秋季白昼、秋季黑夜、冬季白昼、冬季黑夜八种预测模型，每种模型都由大量数据样本经过神经网络训练学习得到，并且在应用过程中，根据实测数据和预测数据的误差，对预测模型不断改进。

如图6所示，数据中心的数据处理过程：

1.不断更新数据库，包括各目标节点的地理位置、时间、实测风速、风向、温度、湿度、气压。

2.将实测数据进行智能滤波：设连续的三个数据为X1、X2、X3，A为限幅值；若|X2-X1|<=A，则X2数据有效；若|X2-X1|>A且|X3-X2|<=A，则X2数据无效；若|X2-X1|>A且|X3-X2|>A，则X2数据有效。这种滤波方法既能有效克服因偶然因素引起的波动干扰，又能智能识别超过限幅值的变化是否为波动干扰，而且算法简单占用内存小，处理速度快。

3.从数据库提取各风电场有效的风速、风向、温度、湿度数据，显示在人机友好界面；判断气象信息是否异常；可将气象数据导出做进一步研究。

目标节点风速风向预测模型学习训练过程：

1.从数据库导出数据：取系统内各个节点的历史气象数据，数据包括风速、风向、温度、湿度、气压。设系统内有N个测量节点，每个节点有5个数据，共5×N个数据。

2.选取样本：每隔5min取一次数据作为一个输入样本，共取M个输入样本；期望输出样本为输入样本延时5min后的目标节点风速、风向数据，共M个输出样本。

3.数据归一化：

风速：

其中v_t是风速实际数据，v_max是历史最大风速数据，v_g是风速归一化数据。

风向：将风向数据用风向角度的正弦值和余弦值表示，dirsin=sin(angle),dircos=cos(angle)其中angle是风向角度，其值为0°~360°。

温度：

其中T_t是温度实际数据，|T_max|是历史最大温度数据，T_g是温度归一化数据。

湿度：

其中H_t是湿度实际数据，H_max是历史最大湿度数据，H_g是湿度归一化数据。

气压：

其中P_t是气压实际数据，P_max是历史最大气压数据，P_g是气压归一化数据。

数据初始化之后，输入数据维数为6N，输出数据维数为3N。

4.BP神经网络模型初始化：

(1)确定隐含层神经元数目为p；

根据经验公式确定隐含层神经元数目：

其中m、n分别表示输入层节点数目和输出层节点数目，a表示1~10之间的常数。

(2)连接权值w_ih、w_ho初始化(分别赋（-1，1）内的随机数)、阈值b_h、b_o初始化(分别赋（0，1）内的随机数)，其中w_ih为输入层到隐含层的连接权值、w_ho为隐含层到输出层的连接权值，b_h为隐含层节点h的阈值，b_o为输出层节点o的阈值，i为输入层节点标号，h为隐含层节点标号，o为输出层节点标号。

(3)设置误差函数e、精度ε、最大学习次数stu_num,学习速率η；

$e=0.5\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}{(d_o-{\mathrm{yo}}_o)}^2$

其中，d_o表示输出层节点o的期望输出值，yo_o表示输出层节点o的输出值，o为输出层节点标号，m为输出层节点数目。

精度ε和最大学习次数stu_num根据实际情况设定，精度ε越小，模型预测越准确，stu_num越大，模型越成熟。

学习速率η取0.01~0.1之间的值。

(4)设置隐含层激活函数

输出层激活函数F2(x)=x，其中x为函数的输入自变量，隐含层激活函数F1(x)的函数体为

输出层激活函数F2(x)的函数体为x。

5.网络训练：

(0)导入输入样本和期望输出样本；

设输入样本为向量x=(x₁，x₂,……，x_n)其中n=6×N，N为测量节点的数目,向量元素为N个测量节点的V_g、dirsin、dircos、T_g、H_g、P_g数据，共6×N个数据。

设期望输出样本为向量do=(d₁,d₂,……，d_m),m表示输出层节点数目，m=3,即目标节点的风速风向数据V_g、dirsin、dircos；

（1）计算隐含层输入、输出；

隐含层输入向量为hi=(hi₁，hi₂，……，hi_p)

计算公式： ${\mathrm{hi}}_h={\mathrm{\&Sigma;}}_{i=1}^n(w_{\mathrm{ih}}\&times;x_i-b_h),h=\mathrm{1,2}......p,$ 其中n=6×N，N为测量节点数目，i为输入层节点标号，p为隐含层节点数目，h为隐含层节点标号，W_ih为输入层到隐含层的连接权值，b_h为隐含层节点h的阈值，hi_h为隐含层节点h的输入值。

隐含层输出向量为ho=(ho₁,ho₂,……，ho_p)

调用隐含层激活函数

计算公式： ${\mathrm{ho}}_h=F1\left({\mathrm{hi}}_h\right)=\frac{1}{1+e^{-{\mathrm{hi}}_h}},h=\mathrm{1,2}......p,$ 其中p为隐含层节

点数目，h为隐含层节点标号，hi_h为求得的隐含层节点h的输入值，ho_h为隐含层节点h的输出值。

（2）计算输出层输入、输出；

输出层输入向量为yi=(yi₁，yi₂，……，yi_m)

计算公式： ${\mathrm{yi}}_o=\underset{h=1}{\overset{p}{\mathrm{\&Sigma;}}}(w_{\mathrm{ho}}\&times;{\mathrm{ho}}_h-b_o),o=\mathrm{1,2}......m,$ 其中，m为输出层节点数目，p为隐含层节点数目，h为隐含层节点标号，w_ho为隐含层到输出层的连接权值，b_o为输出层节点o的阈值，ho_h为隐含层节点h的输出值，yi_o为输出层节点o的输入值。

输出层输出向量为yo=(yo₁,yo₂,……，yo_m)

调用输出层激活函数F2(x)=x

计算公式：yo_o=F2(yi_o)=yi_o，o=1,2......m，其中，m为输出层节点数目，o为输出层节点标号，yi_o为求得的输出层节点o的输入值，yo_o为输出层节点o的输出值。

（3）计算误差e

$e=0.5\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}{(d_o-{\mathrm{yo}}_o)}^2$

其中，d_o表示输出层节点o的期望输出值，yo_o表示输出层节点o的输出值，o为输出层节点标号，m为输出层节点数目。

判断误差e是否小于ε，若e小于ε（即达到精度要求）则结束训练，

否则执行（4）；

(4)判断是否为最后一个样本（即是否为第M个样本），若是最后一个样本，则学习次数加1，并判断是否达到了最大学习次数，若达到了最大学习次数，则结束训练，否则执行（5）；

(5)计算误差函数对w_ho的偏导

对b_o的偏导并修正W_ho、h_o；

$\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{yi}}_o}\frac{{\&PartialD;\mathrm{yi}}_o}{{\&PartialD;w}_{\mathrm{ho}}}=-(d_o-{\mathrm{yo}}_o)\&times;{\mathrm{ho}}_h,$ 其中h=1，2......p，o=1,2......m

$\frac{\&PartialD;e}{{\&PartialD;b}_o}=(d_o-{\mathrm{yo}}_o),o=\mathrm{1,2}......m$

修正后的 $w_{\mathrm{ho}}=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}+w_{\mathrm{ho}}=\mathrm{\&eta;}(d_o-{\mathrm{yo}}_o)\&times;{\mathrm{ho}}_h+w_{\mathrm{ho}}$

修正后的 $b_o=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_o}+b_o=-\mathrm{\&eta;}(d_o-{\mathrm{yo}}_o)+b_o$

其中，η为学习速率。

(6)计算误差函数对w_ih的偏导对b_h的偏导并修正w_ih、b_h；

$\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{hi}}_h}\frac{\&PartialD;{\mathrm{hi}}_h}{\&PartialD;w_{\mathrm{ih}}}=-\left\{\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{-{\mathrm{hi}}_h})}^2}\&times;x_i$

$\frac{\&PartialD;e}{{\&PartialD;b}_h}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{ho}}_h}\frac{\&PartialD;{\mathrm{ho}}_h}{\&PartialD;b_h}=\left\{\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{-{\mathrm{hi}}_h})}^2}$

修正后的 $w_{\mathrm{ih}}=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}+w_{\mathrm{ih}}=\mathrm{\&eta;}\left\{{\mathrm{\&Sigma;}}_{o=1}^m\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;$

$\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{{-\mathrm{hi}}_h})}^2}\&times;x_i+w_{\mathrm{ih}}$

修正后的 $b_h=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_h}+b_h=-\mathrm{\&eta;}\left\{{\mathrm{\&Sigma;}}_{o=1}^m\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;$

$\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{{-\mathrm{hi}}_h})}^2}+b_h$

(7)执行（1）导入下一个输入样本和期望输出样本。

6.利用新鲜数据对训练好的预测模型进行测试：

若测试结果在误差允许范围内，则该预测模型可以应用。

若测试结果超过了误差允许范围，则进行改进,改进后重新对预测模型学习训练。

其改进方法是：

（1）调整输入样本维数和隐含层神经元数目；

（2）采用附加动量因子的权值调节

修正后的 $w_{\mathrm{ho}}=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}+\mathrm{mc}\&times;w_{\mathrm{ho}}$

修正后的 $b_o=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_o}+\mathrm{mc}\&times;b_o$

修正后的 $w_{\mathrm{ih}}=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}+\mathrm{mc}\&times;w_{\mathrm{ih}}$

修正后的 $b_h=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_h}+\mathrm{mc}\&times;b_h$

其中，mc为动量因子，一般取0.95左右

（3）应用自适应学习速率

检查权值的修正值是否真正降低了误差函数，如果真正降低了误差函数，则可以对η其增加一个量；否则可认为产生过调，应该减小学习速率的值η。

（4）改进误差函数；

比如将误差函数调整为

$e={\mathrm{\&Sigma;}}_{o=1}^m[0.5(1+d_o)\log \frac{1+d_o}{1+{\mathrm{yo}}_o}+0.5(1-d_o)\log \frac{1-d_o}{1+{\mathrm{yo}}_o}]$

7.在应用过程中若出现超出最大训练值的数据时，需要对该模型重新进行训练。

应用上述预测模型学习训练方法，分别得到春季白昼、春季黑夜、夏季白昼、夏季黑夜、秋季白昼、秋季黑夜、冬季白昼、冬季黑夜八种预测模型。

如图8所示，是高精度远距离同步实时气象数据测量系统的人机友好界面。该人机友好界面的内容包括：气象数据变化曲线显示（附带保存曲线图像操作按钮）、基于GIS的三维数据显示（附带保存三维图像操作按钮）、单个风电场气象数据观察栏、气象异常报警、导出气象数据操作、气象预测操作等。气象数据变化曲线显示界面用来显示各个风电场的风速、温度、湿度的变化曲线，并可以保存曲线图像。基于GIS的三维数据显示界面将区域所有风电场显示在地理信息图层上，使风电场的分布更加直观，并可以保存三维图像。如果想特别观察某个风电场的气象数据，单个风电场气象数据观察栏可以观察选中风电场的气象数据。气象异常报警根据气象数据的变化情况和数值大小来判断是否异常，如果发现异常，会发出报警，显示具体异常情况。并在三维显示界面上闪动。导出气象数据操作可以提取气象数据用于风速风向预测和其他分析研究。

本发明的最大亮点在于应用本发明可搭建由数据中心、若干数据采集终端、无线传输系统组成的大范围同步实时气象数据采集系统（如图9所示），从而可以对整个区域大电网内所有风电场的数据进行时间和空间上的分析比较研究，既可分析研究和预测每个风电场的风速数据、总结每个风电场的风电输出随时间的变化规律，又可对不同风电场的输出功率变化规律进行空间上的分析研究，以尽可能准确地预测风电输出变化、制定合适的系统发电计划、调整系统备用容量和调峰速度。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.大范围同步实时气象数据测量及风速风向预测系统，其特征在于，包括：

信号采集装置，其采集各个目标风速、风向、温度、湿度信号，并将采集的信号通过模数转换器转换后发送给MCU；

GPS接收模块，其接收时间、地理信息数据；

MCU模块，通过UART读取GPS模块中的数据；MCU把采集到的气象数据和读取的时间、地理信息包装在一起形成数据包；

GPRS模块，GPRS模块和MCU通过UART交互AT命令和需要传输的数据包；GPRS模块的作用就是附着GPRS网络，获得网络IP，连接远程PC机的IP端口；

远程PC机，远程PC机的IP端口通过AT设置命令配置到GPRS模块中，通过AT连接命令控制GPRS模块连接远程PC。

2.如权利要求1所述的大范围同步实时气象数据测量及风速风向预测系统，其特征在于：所述的信号采集装置包括风速传感器、风向传感器、温度传感器、湿度传感器，所述的风速传感器、风向传感器、温度传感器、湿度传感器均与模数转换器相连。

3.大范围同步实时气象数据测量及风速风向预测系统的数据处理方法，其特征在于，如下：

步骤1.远程PC机不断更新数据库，包括各风电场地理位置、时间、实测风速、风向、温度、湿度、气压;

步骤2.将实测数据进行智能滤波：设连续的三个数据为X1、X2、X3，A为限幅值；若|X2-X1|<=A，则X2数据有效；若|X2-X1|>A且|X3-X2|<=A，则X2数据无效；若|X2-X1|>A且|X3-X2|>A，则X2数据有效；

步骤3.从数据库提取各风电场有效的风速、风向、温度、湿度数据，显示在人机友好界面；判断气象信息是否异常；并将气象数据导出，对目标节点风速风向进行预测。

4.如权利要求3所述的数据处理方法，其特征在于，步骤3中所述的目标节点风速风向预测方法，如下：

3-1.从数据库导出数据：取系统内各个节点的历史气象数据，数据包括风速、风向、温度、湿度、气压，并设系统内有N个测量节点，每个节点有5个数据，共5×N个数据；

3-2.选取样本：每隔5min取一次数据作为一个输入样本，共取M个输入样本；期望输出样本为输入样本延时5min后的目标节点风速、风向数据，共M个输出样本；输入是每个测量节点5个数据，输出是目标节点的2个数据；

3-3.将每个输出样本中的数据利用下面的方法进行数据归一化：

3-4.BP神经网络模型初始化；

3-5网络训练；

3-6利用新鲜数据对训练好的预测模型进行测试；

3-7.在应用过程中若出现超出最大训练值的数据时，需要对该模型重新进行训练。

5.如权利要求4所述的数据处理方法，其特征在于，所述的步骤3-3的具体过程如下：

风速：

其中v_t是风速实际数据，v_max是历史最大风速数据，v_g是风速归一化数据；

风向：将风向数据用风向角度的正弦值和余弦值表示，dirsin=sin(angle)，dircos=cos(angle),其中angle是风向角度，其值为0°~360°；

温度：

其中T_t是温度实际数据，|T_max|是历史最大温度数据，T_g是温度归一化数据；

湿度：其中H_t是湿度实际数据，H_max是历史最大湿度数据，H_g是湿度归一化数据；

气压：其中P_t是气压实际数据，P_max是历史最大气压数据，P_g是气压归一化数据；

数据归一化之后，每个输入样本的每个测量节点数据包括V_g、dirsin、dircos、T_g、H_g、P_g，且数值范围均为[-1,1]，因为每个样本包含N个测量节点数据，所以输入样本数据维数为6×N；同理，输出样本的数据为目标节点的V_g、dirsin、dircos，且数值范围均为[-1,1]，输出数据维数为3。

6.如权利要求4所述的数据处理方法，其特征在于，所述的步骤3-4的具体过程如下：

(1)确定隐含层神经元数目为p；

根据经验公式确定隐含层神经元数目：

其中m、n分别表示输入层节点数目和输出层节点数目，a表示1~10之间的常数；

(2)连接权值w_ih、w_ho初始化(分别赋（-1，1）内的随机数)、阈值b_h、b_o初始化(分别赋（0，1）内的随机数)，i为输入层节点标号，h为隐含层节点标号，o为输出层节点标号；

(3)设置误差函数e、精度ε、最大学习次数stu_num,学习速率η；

$e=0.5\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}{(d_o-{\mathrm{yo}}_o)}^2$

其中，d_o表示期望输出值，yo_o表示输出层输出值；

精度ε和最大学习次数stu_num根据实际情况设定，精度ε越小，模型预测越准确，stu_num越大，模型越成熟；

学习速率η取0.01~0.1之间的值；

(4)设置隐含层激活函数

输出层激活函数

7.如权利要求4所述的数据处理方法，其特征在于，所述的步骤3-5的具体过程如下：

(0)导入输入样本和期望输出样本；

设输入样本为x=(x_l，x₂,……，x_n)，其中n=6N，N为测量节点的数目,向量元素为N个测量节点的V_g、dirsin、dircos、T_g、H_g、P_g；

设期望输出样本为do=(d_l，d₂，……，d_m),m表示输出层节点数目，m=3,分别表示目标节点的风速风向数据，即V_g、dirsin、dircos；

（1）计算隐含层输入、输出；

隐含层输入向量为hi=(hi₁,hi₂,……，hi_p)

计算公式： ${\mathrm{hi}}_h=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(w_{\mathrm{ih}}\&times;x_i-b_h),h=\mathrm{1,2}......p$

隐含层输出向量为ho=(ho_i,ho₂,……，ho_p)

计算公式:ho_h二F1(hi_h)，h=1，2......p

（2）计算输出层输入、输出；

输出层输入向量为yi=(yi₁，yi₂，……，yi_m)

计算公式： ${\mathrm{yi}}_o=\underset{h=1}{\overset{p}{\mathrm{\&Sigma;}}}(w_{\mathrm{ho}}\&times;{\mathrm{ho}}_h-b_o),o=\mathrm{1,2}......m$

输出层输出向量为yo=(yo_i,yo₂,……，yo_m)

计算公式：yo_o=F2(yi_o)，o=1，2，......m

（3）计算误差e

$e=0.5\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}{(d_o-{\mathrm{yo}}_o)}^2$

判断误差e是否小于ε，若e小于ε，即达到精度要求，则结束训练，否则执行（4）；

(4)判断是否为最后一个样本，即是否为第M个样本，若是最后一个样本，则学习次数加1，并判断是否达到了最大学习次数，若达到了最大学习次数，则结束训练，否则执行（5）；

(5)计算

并修正w_ho、b_o；

$\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{yi}}_o}\frac{{\&PartialD;\mathrm{yi}}_o}{{\&PartialD;w}_{\mathrm{ho}}}=-(d_o-{\mathrm{yo}}_o)\&times;{\mathrm{ho}}_h,$ 其中h=1,2......p，o=1，2......m，其中p、m均为自然数；

$\frac{\&PartialD;e}{{\&PartialD;b}_o}=(d_o-{\mathrm{yo}}_o),o=\mathrm{1,2}......m$

修正后的 $w_{\mathrm{ho}}=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}+w_{\mathrm{ho}}=\mathrm{\&eta;}(d_o-{\mathrm{yo}}_o)\&times;{\mathrm{ho}}_h+w_{\mathrm{ho}}$

修正后的 $b_o=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_o}+b_o=-\mathrm{\&eta;}(d_o-{\mathrm{yo}}_o)+b_o$

(6)计算

并修正w_ih、b_h；

$\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{hi}}_h}\frac{\&PartialD;{\mathrm{hi}}_h}{\&PartialD;w_{\mathrm{ih}}}=-\left\{\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{-{\mathrm{hi}}_h})}^2}\&times;x_i$

$\frac{\&PartialD;e}{{\&PartialD;b}_h}=\frac{\&PartialD;e}{{\&PartialD;\mathrm{ho}}_h}\frac{\&PartialD;{\mathrm{ho}}_h}{\&PartialD;b_h}=\left\{\underset{o=1}{\overset{m}{\mathrm{\&Sigma;}}}\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{-{\mathrm{hi}}_h})}^2}$

修正后的 $w_{\mathrm{ih}}=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}+w_{\mathrm{ih}}=\mathrm{\&eta;}\left\{{\mathrm{\&Sigma;}}_{o=1}^m\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{{-\mathrm{hi}}_h})}^2}\&times;x_i+w_{\mathrm{ih}};$

修正后的 $b_h=-\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_h}+b_h=-\mathrm{\&eta;}\left\{{\mathrm{\&Sigma;}}_{o=1}^m\right[(d_o-{\mathrm{yo}}_o)\&times;w_{\mathrm{ho}}\left]\right\}\&times;\frac{e^{-{\mathrm{hi}}_h}}{{(1+e^{{-\mathrm{hi}}_h})}^2}+b_h;$

(7)执行（1）导入下一个输入样本和期望输出样本。

8.如权利要求4所述的数据处理方法，其特征在于，所述的步骤3-6的具体过程如下：

利用新鲜数据对训练好的预测模型进行测试：若测试结果在误差允许范围内，则该预测模型能应用；

若测试结果超过了误差允许范围，则进行改进,改进后重新对预测模型学习训练。

9.如权利要求8所述的数据处理方法，其特征在于，所述的改进方法如下：

（1）调整输入样本维数和隐含层神经元数目；

（2）采用附加动量因子的权值调节

修正后的 $w_{\mathrm{ho}}=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ho}}}+\mathrm{mc}\&times;w_{\mathrm{ho}}$

修正后的 $b_o=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_o}+\mathrm{mc}\&times;b_o$

修正后的 $w_{\mathrm{ih}}=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;w}_{\mathrm{ih}}}+\mathrm{mc}\&times;w_{\mathrm{ih}}$

$b_h=-(1-\mathrm{mc})\mathrm{\&eta;}\&times;\frac{\&PartialD;e}{{\&PartialD;b}_h}+\mathrm{mc}\&times;b_h$

其中，mc为动量因子，取0.95。

（3）应用自适应学习速率

检查权值的修正值是否真正降低了误差函数，如果真正降低了误差函数，则可以对η其增加一个量；否则可认为产生过调，应该减小学习速率的值η；

（4）改进误差函数；

比如将误差函数调整为

$e={\mathrm{\&Sigma;}}_{o=1}^m[0.5(1+d_o)\log \frac{1+d_o}{1+{\mathrm{yo}}_o}+0.5(1-d_o)\log \frac{1-d_o}{1+{\mathrm{yo}}_o}].$

Images