CN109242115A - 一种基于gan的风机轮毂测风缺失数据的插补方法 - Google Patents

一种基于gan的风机轮毂测风缺失数据的插补方法 Download PDF

Info

Publication number
CN109242115A
CN109242115A CN201811082332.3A CN201811082332A CN109242115A CN 109242115 A CN109242115 A CN 109242115A CN 201811082332 A CN201811082332 A CN 201811082332A CN 109242115 A CN109242115 A CN 109242115A
Authority
CN
China
Prior art keywords
data
blower
air speed
wind
speed data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811082332.3A
Other languages
English (en)
Other versions
CN109242115B (zh
Inventor
刘金海
洪晓伟
汪刚
马大中
卢森骧
张化光
冯健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201811082332.3A priority Critical patent/CN109242115B/zh
Publication of CN109242115A publication Critical patent/CN109242115A/zh
Application granted granted Critical
Publication of CN109242115B publication Critical patent/CN109242115B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
  • Complex Calculations (AREA)

Abstract

本发明提供一种基于GAN的风机轮毂测风缺失数据的插补方法，涉及风机故障诊断技术领域。本发明通过从风场SCADA系统获取初始风速数据集，删除初始风速数据集中的异常数据，并按照风机编号构成风速数据集；在进行不同风机之间的风速数据相关性分析后，得出相关系数矩阵；采用蚁群算法对不同风机的风速数据进行排序；构建生成对抗网络训练时所需的训练样本、构建生成对抗网络的生成器模型及对抗器模型；将训练样本输入到生成器模型及对抗器模型中，进行迭代训练，完成数据的插补工作。本发明对风机场的数据进行了相关性分析，使得具有高相关性的数据能够聚集得更近，使得图片变得更为平滑，提高了模型训练的收敛速度；该方法能够进行较长时间的数据插补。

Description

一种基于GAN的风机轮毂测风缺失数据的插补方法
技术领域
本发明涉及风机故障诊断技术领域，尤其涉及一种基于GAN的风机轮毂测风缺失数据的插补方法。
背景技术
随着全球风力发电能力持续增长和风电场的快速扩张、风机的不断应用，机组机舱体积随之增大，轮毂位置也更高，风机安全运行的挑战越来越大。风机不同部位故障皆有可能引起风机停电，即使是一些微小的故障的维修，都会带来昂贵的成本，风机的维护面临着众多挑战。研究表明，对风机进行预防性维护，可以大大降低风机故障后维修的成本。可靠的风机轮毂测风数据在风电功率预测、风电场安全运行评估、风电数值预报等方向应用广泛，有利于风机的安全运行维护，也是确定风电场荷载、有效利用风能的基础；但其数据的缺测、偏离等常困扰和影响着应用的可靠性和效果。因此，对风电场的风机轮毂测风数据的缺失部分进行补偿，其重要性不言而喻。
对风电场测风数据的缺失情况，有多种插补方法，包括最小二乘法、卡尔曼滤波插补法、BP神经网络法、ARIMA插补方法等。以任意一台风机为例，设计插补方案，经过使用多种方法研究对比，最小二乘法插补效果不佳，卡尔曼滤波插补在时间序列上插补局限性较大；BP神经网络法插补仅适用于平稳天气条件下的插补，对天气变化把握较差；ARIMA插补方法是一种自适应、高效的风速插补方法，但是不能够进行较长时间的风速插补。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于GAN的风机轮毂测风缺失数据的插补方法，对风机场的数据进行了相关性分析，使得具有高相关性的数据能够聚集得更近，使得图片变得更为平滑，提高了模型训练的收敛速度，与此同时，该方法能够进行较长时间的数据插补。
为解决上述技术问题，本发明所采取的技术方案是：一种基于GAN的风机轮毂测风缺失数据的插补方法，具体步骤如下：
步骤1：从风场SCADA系统获取包含风机属性的风机数据，并从该数据中提取每个风机的风速数据，构成初始风速数据集；
步骤2：删除初始风速数据集中的异常数据，将风速数据按照风机编号构成风速数据集D；所述异常数据包括：风速错误记录为非数值格式的数据、长时间都恒定不变的风速数据；
步骤3：进行不同风机之间的风速数据相关性分析，得出相关系数矩阵C；
步骤4：采用蚁群算法对不同风机的风速数据进行排序，得到排序后的风速数据样本D；
步骤5：根据风速数据样本构建生成对抗网络训练时所需的训练样本；
步骤6：构建生成对抗网络的生成器模型MG及对抗器模型MD；
步骤7：将训练样本输入到生成器模型及对抗器模型中，进行迭代训练，完成数据的插补工作。
所述步骤3具体步骤如下：
步骤3.1：计算风场不同的风机风速样本之间的PCC系数，建立PCC相关系数向量；
步骤3.2：计算风场不同的风机风速样本之间的MIC系数，建立MIC相关系数向量；
步骤3.3：将PCC相关系数向量设置为变量A,将MIC相关系数设置为变量B，构成相关系数矩阵P(A,B)；
步骤3.4：对相关系数矩阵P(A,B)进行归一化处理,计算变量A及变量B的信息熵值；
步骤3.5：根据计算所得的信息熵值计算变量A的及变量B的权重；
步骤3.6：根据计算所得的权重得出最终的相关性系数矩阵C。
所述步骤4具体步骤如下：
步骤4.1：根据相关系数矩阵C，构建风机之间的连接集合U；
步骤4.2：设置蚁群算法的初始化参数，蚁群蚂蚁数量h，信息素强度程度因子δ，信息素挥发因子ρ，最大迭代次数l，相关性系数矩阵C；
步骤4.3：根据蚁群算法开始进行训练；随机将蚂蚁置于风机出发点，按照状态转移规则让每个蚂蚁访问每个风机点一次且仅一次，直至每只蚂蚁访问完每个风机点；；
步骤4.4：计算各蚂蚁经过的路径长度L，记录当前迭代的最优解，同时对路径上的信息素浓度进行更新；
骤4.5：至迭代次数完成，输出风机风速数据的的排列顺序，得出排序后的风速数据样本
所述步骤5具体步骤如下：
步骤5.1：生成对抗网络训练所需的真实数据样本采用
步骤5.2：构建生成对抗网络的缺失风机风速数据样本Dm；
其中，dmn代表风机m的第n个数，Rg代表第g行皆为0的矩阵，Dr及Rg之间进行点乘运算；运算结果Dm代表第g行值全为0的矩阵，代表第g个风机风速数据是缺失的，待进行插补；
步骤5.3：根据RGB值将Dm及Dr,转化为图片形式。
所述步骤6中生成器模型MG的输入为风速缺失图像，输出为补全后的风速图像；所述对抗器的输入参数包括补全后的风速图像及真实的风速图像，其输出为当前图像信息的一个映射值。
所述步骤7具体步骤如下：
步骤7.1：设置生成模型MG的目标函数中，加入L1距离及L2距离；目标函数设置为：
L(MG)＝[log(MD(Dm)]+[||Dr-Dm||1+||Dr-Dm||2] (2)
步骤7.2：设置对抗模型MD的目标函数；
L(MD)＝[log(MD(Dr)]+[log(1-MD(Dm)] (3)
步骤7.3：生成器模型及对抗器模型的目标函数，均采用Adam optimizer函数进行梯度下降训练，不断更改生成网络及对抗网络模型的训练参数，获取目标函数的最优值；
步骤7.4：迭代训练完成后，输出插补后的风速图像，还原成风机风速数据。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于GAN的风机轮毂测风缺失数据的补偿方法，本方法建立的风机风速数据插补模型，仅涉及风速的采集，模型具有通用型，可以适用于任何风场；并对风机场的数据进行了相关性分析，使得具有高相关性的数据能够聚集得更近，使得图片变得更为平滑，提高了模型训练的收敛速度；本方法能够进行较长时间的数据恢复，在生成对抗网络的目标函数的构建过程中，加入了L1距离以及L2距离，能够加快风机图片数据的训练速度，并且数据插补的精度。
附图说明
图1为本发明实施例提供的基于GAN的风机轮毂测风数据的插补方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例的方法如下所述：
首先从风电场的SCADA系统中将不同风机的风速数据进行提取，获取初始的风速数据集；之后进行数据清洗，将不同风机的风速数据进行编号；然后，对不同风机的风速数据进行相关性分析，利用蚁群算法根据相关性系数大小进行风机风速数据的排序，并将排序后的数据转化为图片形式；构建风机风速图像训练样本后，将训练样本输入到生成对抗网络中进行训练，训练完成后，将缺失的风速补偿完毕。
如图1所示，一种轮毂测风数据的缺失数据插补方法，包括如下步骤：
步骤1：从风场SCADA系统获取包含风机属性的风机数据，并从该数据中提取每个风机的风速数据，构成初始风速数据集；
步骤2：删除风速数据集中的异常数据，所述异常数据包括：风速错误记录为非数值格式的数据、长时间都恒定不变的风速数据；将风速数据按照风机编号，处理后风速数据集样本为D；
步骤3：采用相关系数进行不同风机之间的风速数据相关性分析，得出相关系数矩阵C；具体实施时，计算过程如下：
步骤3.1：计算风场不同的风机风速样本之间的PCC系数，建立PCC相关系数向量；
PCC皮尔森相关系数计算公式如下：
其中，x及y分别对应不同的风机风速数据样本，E(x)及E(y)分别代表风机样本x及y的数学期望，E(xy)代表样本x及y的联合数学期望；
步骤3.2：计算风场不同的风机风速样本之间的MIC系数，建立MIC相关系数向量；
MIC相关系数的计算公式如下：
其中，a及b代表两个不同风机的风速数据向量，n为风机数据向量的维度数，B(n)＝n0.6,na为样本在水平方向上的划分因子数，nb为样本在垂直方向上的划分因子数。坐标空间划分为nx乘以ny个网格的数据空间，xi为水平方向上第i个网格号，yj为垂直方向上第j个网格号，P(xi)的值为落在第xi列的数据点的频率，P(yi)的值使落在第yi行的数据点的频率，P(xi,yj)为落在第(xi,yj)格子中的数据点的频率。
步骤3.3：将PCC相关系数向量设置为变量A,将MIC相关系数设置为变量B，构成相关系数矩阵P(A,B),变量A在第一列，变量B在第二列；
步骤3.4：对相关系数矩阵P(A,B)进行归一化处理,计算变量A及变量B的信息熵值；
3.4.1：进行归一化，归一化公式如下：
其中，xij代表相关系数矩阵P(A,B)的第i行j列的元素，maxx·j，minx·j，分别表示相关系数矩阵P第j列最大值，最小值和平均值，yij代表归一化后的矩阵P(A,B)的第i行j列的值。
3.4.2：计算熵值，u指标的熵值
其中，l取值为变量A及变量B的维度数，fuv为系数中的u指标的对应的第v列的值，u指标分别为变量A及变量B,u指标变量A对应的v的值取1，u指标变量B对应的v的值为2；
步骤3.5：根据计算所得的信息熵值计算变量A的及变量B的权重；
经计算完成，wj代表j指标的权重，q代表指标个数，本实施例中取值为2，指标分别为变量A及变量B；经过计算，变量A的权重为α,变量B的权重为β。
步骤3.6：根据计算所得的权重得出最终的相关性系数矩阵C。
根据公式(10)计算所得的权重得出最终的相关系数K(x,y)的结果为：
K(x,y)＝αPCC(x,y)+βMIC(x,y) (10)
通过K(x,y)计算得出最终的相关系数矩阵C。
步骤4：根据相关系数矩阵C，采用蚁群算法对不同风机的风速数据进行排序，得到排序后的风速数据样本
步骤4.1：根据相关系数矩阵C，构建风机之间的连接集合U；风机之间的连接集合表征不同风机之间有互联关系；
U＝{(r,s):r,s∈V}，是所有风机之间的连接集合，r,s是风机集合V中的任意风机号；C＝{crs:r,s∈V}，表征的是风机r及s之间的相关系数；
步骤4.2：设置蚁群算法的初始化参数，蚁群蚂蚁数量h，信息素强度程度因子δ，信息素挥发因子ρ，最大迭代次数l，相关性系数矩阵C；
步骤4.3：根据蚁群算法开始进行训练；随机将蚂蚁置于风机出发点，按照状态转移规则让每个蚂蚁访问每个风机点一次且仅一次，直至每只蚂蚁访问完每个风机点，并回到初始点，状态转移规则公式如下：
其中τij是风机点i和风机点j之间在时刻t的信息素强度，ηij＝1/dij，为启发式函数，dij是风机i和风机j之间的相关性系数，s是蚂蚁k待访问的风机点s，allowedk是蚂蚁k待访问的风机点集合，δ为信息素强度因子，ε为启发式函数的重要程度因子，值越大，表征蚂蚁会以更大的概率访问距离短的城市；
步骤4.4：计算各蚂蚁经过的路径长度L，记录当前迭代的最优解，同时对路径上的信息素浓度进行更新；
信息素根据以下公式进行更新：
τij(t+1)＝(1-ρ)τij(t)+Δτij (12)
其中Q是一个常数，Lk是蚂蚁k走过的旅行风机点回路的总长度，是蚂蚁k已走路径(i,j)的影响因子，h是蚁群的蚂蚁数量。
骤4.5：至迭代次数完成，输出风机风速数据的的排列顺序，得出排序后的风速数据样本
步骤5：根据风速数据样本构建生成对抗网络训练时所需的训练样本；
步骤5.1：生成对抗网络训练所需的真实数据样本采用
步骤5.2：构建生成对抗网络的缺失风机风速数据样本Dm；
其中dmn代表风机m的第n个数，Rg代表第g行皆为0的矩阵，Dr及Rg之间进行点乘运算；运算结果Dm代表第g行值全为0的矩阵，代表第g个风机风速数据是缺失的，待进行插补。
步骤5.3：根据RGB值将Dm及Dr,转化为图片形式；
步骤6：构建生成对抗网络的生成器模型MG及对抗器模型MD；
步骤6.1：设置生成器模型的结构,生成器模型结构由编码器解码器组成。
首先设置编码器的结构，编码器包含四个处理层，每个处理层包含了：卷积运算、归一化batchnorm运算，此运算可以加快训练的收敛速度；relu层，可以添加神经网络各层之间的非线性关系；设置的编码器的结构参数如表1所示：
表1.编码器层次结构
解码器包含四个处理层，前三个处理层包含了：反卷积运算、归一化运算、relu层。最后一个处理层使用：卷积运算、归一化运算以及tanh函数；解码器的结构参数如表2所示：
表2 解码器层次结构
生成器模型MG的输入为风速缺失图像，输出为补全后的风速图像；
步骤6.2：构建对抗器模型，对抗器模型MD的参数如下表所示，包含5层；
表3 对抗器层次结构
对抗器的输入参数包括了：补全后的风速图像及真实的风速图像，其输出为当前图像信息的一个映射值；
步骤7：将训练样本输入到生成器模型及对抗器模型中，优化目标函数，进行迭代训练，完成数据的插补工作。
步骤7.1：设置生成模型MG的目标函数中，加入L1距离及L2距离；L1距离的作用在于提高图像的清晰度；L2距离的使用在于使生成的模型更加逼近真实的图像，目标函数设置为：
L(MG)＝[log(MD(Dm)]+[||Dr-Dm||1+||Dr-Dm||2] (2)
步骤7.2：设置对抗模型MD的目标函数；
L(MD)＝[log(MD(Dr)]+[log(1-MD(Dm)] (3)
步骤7.3：生成器模型及对抗器模型的目标函数，均采用Adam optimizer函数进行梯度下降训练，不断更改生成网络及对抗网络模型的训练参数，获取目标函数的最优值,目标函数达到最优值的时候，就可以停止训练了；
表3 Adam optimizer训练参数
学习速率 0.002
beta1 0.9
beta2 0.999
步骤7.4：迭代训练完成后，输出插补后的风速图像，还原成风机风速数据。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：包括以下步骤：
步骤1：从风场SCADA系统获取包含风机属性的风机数据，并从该数据中提取每个风机的风速数据，构成初始风速数据集；
步骤2：删除初始风速数据集中的异常数据，将风速数据按照风机编号构成风速数据集D；所述异常数据包括：风速错误记录为非数值格式的数据、长时间都恒定不变的风速数据；
步骤3：进行不同风机之间的风速数据相关性分析，得出相关系数矩阵C；
步骤4：采用蚁群算法对不同风机的风速数据进行排序，得到排序后的风速数据样本
步骤5：根据风速数据样本构建生成对抗网络训练时所需的训练样本；
步骤6：构建生成对抗网络的生成器模型MG及对抗器模型MD；
步骤7：将训练样本输入到生成器模型及对抗器模型中，进行迭代训练，完成数据的插补工作。
2.权利要求1所述的一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：所述步骤3具体步骤如下：
步骤3.1：计算风场不同的风机风速样本之间的PCC系数，建立PCC相关系数向量；
步骤3.2：计算风场不同的风机风速样本之间的MIC系数，建立MIC相关系数向量；
步骤3.3：将PCC相关系数向量设置为变量A,将MIC相关系数设置为变量B，构成相关系数矩阵P(A,B)；
步骤3.4：对相关系数矩阵P(A,B)进行归一化处理,计算变量A及变量B的信息熵值；
步骤3.5：根据计算所得的信息熵值计算变量A的及变量B的权重；
步骤3.6：根据计算所得的权重得出最终的相关性系数矩阵C。
3.权利要求1所述的一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：所述步骤4具体步骤如下：
步骤4.1：根据相关系数矩阵C，构建风机之间的连接集合U；
步骤4.2：设置蚁群算法的初始化参数，蚁群蚂蚁数量h，信息素强度程度因子δ，信息素挥发因子ρ，最大迭代次数l，相关性系数矩阵C；
步骤4.3：根据蚁群算法开始进行训练；随机将蚂蚁置于风机出发点，按照状态转移规则让每个蚂蚁访问每个风机点一次且仅一次，直至每只蚂蚁访问完每个风机点；；
步骤4.4：计算各蚂蚁经过的路径长度L，记录当前迭代的最优解，同时对路径上的信息素浓度进行更新；
骤4.5：至迭代次数完成，输出风机风速数据的的排列顺序，得出排序后的风速数据样本
4.根据权利要求1所述的一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：所述步骤5具体步骤如下：
步骤5.1：生成对抗网络训练所需的真实数据样本采用
步骤5.2：构建生成对抗网络的缺失风机风速数据样本Dm；
其中，dmn代表风机m的第n个数，Rg代表第g行皆为0的矩阵，Dr及Rg之间进行点乘运算；运算结果Dm代表第g行值全为0的矩阵，代表第g个风机风速数据是缺失的，待进行插补；
步骤5.3：根据RGB值将Dm及Dr,转化为图片形式。
5.根据权利要求1所述的一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：步骤6中所述生成器模型MG的输入为风速缺失图像，输出为补全后的风速图像；所述对抗器的输入参数包括补全后的风速图像及真实的风速图像，其输出为当前图像信息的一个映射值。
6.根据权利要求1所述的一种基于GAN的风机轮毂测风缺失数据的插补方法，其特征在于：所述步骤7的具体步骤如下：
步骤7.1：设置生成模型MG的目标函数中，加入L1距离及L2距离；目标函数设置为：
L(MG)＝[log(MD(Dm)]+[||Dr-Dm||1+||Dr-Dm||2] (2)
步骤7.2：设置对抗模型MD的目标函数；
L(MD)＝[log(MD(Dr)]+[log(1-MD(Dm)] (3)
步骤7.3：生成器模型及对抗器模型的目标函数，采用Adam optimizer函数进行梯度下降训练，不断更改生成网络及对抗网络模型的训练参数，获取目标函数的最优值；
步骤7.4：迭代训练完成后，输出插补后的风速图像，还原成风机风速数据。
CN201811082332.3A 2018-09-17 2018-09-17 一种基于gan的风机轮毂测风缺失数据的插补方法 Expired - Fee Related CN109242115B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811082332.3A CN109242115B (zh) 2018-09-17 2018-09-17 一种基于gan的风机轮毂测风缺失数据的插补方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811082332.3A CN109242115B (zh) 2018-09-17 2018-09-17 一种基于gan的风机轮毂测风缺失数据的插补方法

Publications (2)

Publication Number Publication Date
CN109242115A true CN109242115A (zh) 2019-01-18
CN109242115B CN109242115B (zh) 2021-11-09

Family

ID=65058708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811082332.3A Expired - Fee Related CN109242115B (zh) 2018-09-17 2018-09-17 一种基于gan的风机轮毂测风缺失数据的插补方法

Country Status (1)

Country Link
CN (1) CN109242115B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175168A (zh) * 2019-05-28 2019-08-27 山东大学 一种基于生成对抗网络的时间序列数据填补方法及系统
CN110458039A (zh) * 2019-07-19 2019-11-15 华中科技大学 一种工业过程故障诊断模型的构建方法及其应用
CN111508508A (zh) * 2020-04-15 2020-08-07 腾讯音乐娱乐科技（深圳）有限公司 一种超分辨率音频生成方法及设备
CN111507495A (zh) * 2019-01-30 2020-08-07 北京金风科创风电设备有限公司 缺失的测风数据的预测方法及装置
CN111581189A (zh) * 2020-03-27 2020-08-25 浙江大学 一种空气质量检测数据缺失的补全方法及补全装置
CN112183723A (zh) * 2020-09-17 2021-01-05 西北工业大学 一种针对临床检测数据缺失问题的数据处理方法
CN112632047A (zh) * 2020-12-02 2021-04-09 北京华能新锐控制技术有限公司 一种基于变窗口模式识别的时间序列数据处理方法
CN116977667A (zh) * 2023-08-01 2023-10-31 中交第二公路勘察设计研究院有限公司 一种基于改进gain的隧道变形数据填补方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207948A (zh) * 2013-04-08 2013-07-17 同济大学 基于风速相关性的风电场测风仪风速缺失数据插补方法
US20140064027A1 (en) * 2012-08-31 2014-03-06 Cgg Services Sa Horizontal streamer broadband marine seismic acquisition configuration and processing
US20180082150A1 (en) * 2016-09-20 2018-03-22 Kabushiki Kaisha Toshiba Abnormality detection device, learning device, abnormality detection method, and learning method
CN108520504A (zh) * 2018-04-16 2018-09-11 湘潭大学 一种基于生成对抗网络端到端的模糊图像盲复原方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140064027A1 (en) * 2012-08-31 2014-03-06 Cgg Services Sa Horizontal streamer broadband marine seismic acquisition configuration and processing
CN103207948A (zh) * 2013-04-08 2013-07-17 同济大学 基于风速相关性的风电场测风仪风速缺失数据插补方法
US20180082150A1 (en) * 2016-09-20 2018-03-22 Kabushiki Kaisha Toshiba Abnormality detection device, learning device, abnormality detection method, and learning method
CN108520504A (zh) * 2018-04-16 2018-09-11 湘潭大学 一种基于生成对抗网络端到端的模糊图像盲复原方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余思泉等: "基于对抗生成网络的纹理合成方法", 《红外与激光工程》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507495A (zh) * 2019-01-30 2020-08-07 北京金风科创风电设备有限公司 缺失的测风数据的预测方法及装置
CN110175168A (zh) * 2019-05-28 2019-08-27 山东大学 一种基于生成对抗网络的时间序列数据填补方法及系统
CN110175168B (zh) * 2019-05-28 2021-06-01 山东大学 一种基于生成对抗网络的时间序列数据填补方法及系统
CN110458039A (zh) * 2019-07-19 2019-11-15 华中科技大学 一种工业过程故障诊断模型的构建方法及其应用
CN111581189A (zh) * 2020-03-27 2020-08-25 浙江大学 一种空气质量检测数据缺失的补全方法及补全装置
CN111508508A (zh) * 2020-04-15 2020-08-07 腾讯音乐娱乐科技（深圳）有限公司 一种超分辨率音频生成方法及设备
CN112183723A (zh) * 2020-09-17 2021-01-05 西北工业大学 一种针对临床检测数据缺失问题的数据处理方法
CN112632047A (zh) * 2020-12-02 2021-04-09 北京华能新锐控制技术有限公司 一种基于变窗口模式识别的时间序列数据处理方法
CN112632047B (zh) * 2020-12-02 2023-08-01 北京华能新锐控制技术有限公司 一种基于变窗口模式识别的时间序列数据处理方法
CN116977667A (zh) * 2023-08-01 2023-10-31 中交第二公路勘察设计研究院有限公司 一种基于改进gain的隧道变形数据填补方法
CN116977667B (zh) * 2023-08-01 2024-01-26 中交第二公路勘察设计研究院有限公司 一种基于改进gain的隧道变形数据填补方法

Also Published As

Publication number Publication date
CN109242115B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN109242115A (zh) 一种基于gan的风机轮毂测风缺失数据的插补方法
WO2022247049A1 (zh) 基于复数值前向神经网络的风速预测方法
US20230196076A1 (en) Method for optimally selecting flood-control operation scheme based on temporal convolutional network
CN106779148B (zh) 一种多模型多特征融合的高速铁路沿线风速预测方法
CN111144663B (zh) 计及出力波动过程的海上风电场超短期风功率预测方法
CN113468817B (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN104408518A (zh) 基于粒子群优化算法的神经网络学习优化方法
CN110263915A (zh) 一种基于深度信念网络的风电功率预测方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN111310884B (zh) 一种基于数据驱动进化算法的风电机组最优布局方法
CN107909221A (zh) 基于组合神经网络的电力系统短期负荷预测方法
CN105938505A (zh) 一种供水管网压力检测点的布置方法
CN105447510A (zh) 基于人工蜂群优化lssvm的脉动风速预测方法
KR20190121460A (ko) 신경망을 이용한 안개 발생 예측방법
CN110428100A (zh) 一种风机短期发电功率预测方法
Aqlan et al. Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN114139778A (zh) 风电机组功率预测建模方法及装置
Wu et al. Short-term electric load forecasting model based on PSO-BP
CN112801364A (zh) 基于miv与改进蝙蝠算法的参考作物腾发量预测方法
CN116316629B (zh) 一种考虑拓扑特征学习的数据驱动最优潮流计算方法
CN117318018A (zh) 一种风电出力短期预测方法及系统
CN117332227A (zh) 一种多时空尺度注意力机制的环境变量预测方法及设备
CN111279276B (zh) 用于控制复杂系统的随机化加强学习
CN115630566B (zh) 一种基于深度学习和动力约束的资料同化方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211109

CF01 Termination of patent right due to non-payment of annual fee