CN109472314A - 风向扇区划分方法及装置 - Google Patents

Abstract

本发明提供了一种风向扇区划分方法及装置，涉及风向扇区划分的技术领域，包括：获取指定时间段内的风向测量数据，风向测量数据为指定时间段内，按照预设的采样周期采集的风向数据；根据风向测量数据计算指定时间段内风向的时间维变差；统计风向时间维变差的概率密度分布，基于概率密度分布，选择风向离散化间隔，得到不同风向状态；按照不同风向状态的随机游走过程输出风向的随机变化特性，建立风向的随机游走无向图；对随机游走无向图进行聚类分析，根据分析结果对风向扇区进行划分。本发明提供的风向扇区划分方法及装置，充分考虑了风向流动的时间连续性以及风向的空间分布，根据风向的时空连续随机变化进行有效的扇区自动划分。

Description

风向扇区划分方法及装置

技术领域

本发明涉及风向扇区划分的技术领域，尤其是涉及一种风向扇区划分方法及装置。

背景技术

根据全球风电装机情况，风电场址选取包含平坦地形和复杂地形。具体地，主要有内陆平原、内陆高原、近海滩涂、内陆山地、沿海山地等多种地形。目前，随着陆上风电的快速发展，陆上平坦地区的风能资源利用逐渐饱和，地势平坦、风况稳定且风能资源丰富的大型风电场场址已较为稀缺，内陆山地、沿海山地等靠近负荷中心的场址日益增多。此类地区地理条件复杂且不确定性气流增多，大大增加了风况特征的随机性和复杂性。

在不同风向下，受不同地形、风机排布等影响，平均风速、湍流风速等主要风况特征可能发生明显变化，从而引发同一台风机、同一个风电场在不同风向下的发电特性差异性显著，该现象已获得学界和工业界的广泛关注。考虑风电运行性能评价、风功率预测、风机故障诊断和预警等大量潜在应用，获取高精度的风功率曲线意义重大。现有研究已指出有必要研究不同风向下的风电出力特性以提高风功率恢复精度。然而，这些研究对风向扇区的划分尚存在一定不足。并且，现有技术中的扇区划分方法，往往忽略了空气流场运动的时间连续性，仅考虑了风向的空间分布进行划分，导致风向扇区划分方法不合理。

发明内容

有鉴于此，本发明的目的在于提供一种风向扇区划分方法及装置，以缓解一种风向扇区划分方法及装置现有技术中风向扇区划分方法不合理的技术问题。

第一方面，本发明实施例提供了一种风向扇区划分方法，包括：获取指定时间段内的风向测量数据，风向测量数据为指定时间段内，按照预设的采样周期采集的风向数据；根据风向测量数据计算指定时间段内风向的时间维变差；统计时间维变差的概率密度分布，基于概率密度分布选择风向的离散化间隔，将风向划分成多个风向状态；对多个风向状态进行聚类分析，根据分析结果对风向扇区进行划分。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述风向测量数据为以季节为时间段进行数据采样得到的风向测量数据，上述方法还包括：按照预先设定的滑动时间窗间隔，对指定时间段进行划分；以滑动时间窗间隔为基准，定期对风向测量数据进行更新。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述统计时间维变差的概率密度分布的步骤包括：以时间维变差为横坐标，统计每个时间维变差的累计概率，建立时间维变差的概率密度分布，其中，横坐标为沿零点对称的时间维变差坐标。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述基于概率密度分布选择风向的离散化间隔，将风向划分成多个风向状态的步骤包括：选择累计概率小于第一预设概率阈值，且大于第二预设概率阈值对应的时间维变差区间，将时间维变差区间对应的设置为风向的离散化间隔；其中，第一预设概率阈值大于第二预设概率阈值；按照风向的离散化间隔将0度到360度范围内的风向划分为多个离散化风向状态；其中，离散化风向状态所代表的风向角度范围的交集为空集，并集为0度到360度的风向角范围。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述对多个风向状态进行聚类分析的步骤包括：按照不同风向状态的随机游走过程输出风向的随机变化特性，建立风向的随机游走无向图；对随机游走无向图进行聚类分析。

结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述方法还包括：对划分的风向扇区的聚类划分效果进行评价和优化，其中，评价内容包括类内评价和类间评价；类内评价包括采用单一聚类内不同风向状态间的实际风向相对变化值的绝对值均值进行聚类效果评价，用于作为优化目标函数使用；类间评价包括根据风向实际变化施加约束条件，其中，约束条件至少包括：指定聚类总个数，以及约束单个风向扇区的跨度范围，用于作为优化优化目标函数的约束条件，以对风向扇区的聚类划分效果的评价和优化问题的描述。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，上述方法还包括：对于已划分的风向扇区，建立关联性数据的风向扇区划分结果校验机制；其中，关联性数据包括同一安装地点下不同高度传感器的测量数据，以及，相邻地点处相同高度传感器的测量数据。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，上述方法还包括：采用风向玫瑰图对划分的风向扇区进行可视化展示和对比分析，其中，展示的内容至少包括不同采样时间、不同离散化间隔下的风向扇区划分结果。

第二方面，本发明实施例还提供一种风向扇区划分装置，包括：获取模块，用于获取指定时间段内的风向测量数据，风向测量数据为指定时间段内，按照预设的采样周期采集的风向数据；计算模块，用于根据风向测量数据计算指定时间段内风向的时间维变差；划分模块，用于统计时间维变差的概率密度分布，基于概率密度分布选择风向的离散化间隔，将风向划分成多个风向状态；分析模块，用于对多个风向状态进行聚类分析，根据分析结果对风向扇区进行划分。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，上述风向测量数据为以季节为时间段进行数据采样得到的风向测量数据，上述装置还包括：时间段划分模块，用于按照预先设定的滑动时间窗间隔，对指定时间段进行划分；更新模块，用于以滑动时间窗间隔为基准，定期对风向测量数据进行更新。

本发明实施例带来了以下有益效果：

本发明实施例提供的一种风向扇区划分方法及装置，在获取到指定时间段内的风向测量数据后，能够根据风向测量数据计算该指定时间段内风向的时间维变差，进而根据时间维变差的概率密度分布进行风向离散状态划分，并通过聚类分析的方式对风向扇区进行划分，充分考虑了风向流动的时间连续性以及风向的空间分布，根据风向时空连续随机变化的自发聚集特性进行有效的风向扇区自动划分。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种风向扇区划分方法的示意图；

图2为本发明实施例提供的另一种风向扇区划分方法的示意图；

图3为本发明实施例提供的一种风向扇区的展示结果示意图；

图4为本发明实施例提供的另一种风向扇区划分方法的示意图；

图5为本发明实施例提供的一种风向扇区划分装置的结构示意图；

图6为本发明实施例提供的另一种风向扇区划分装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，常用的风向扇区划分是根据风向玫瑰图按照东南西北等常见固定扇区划分，主观隔离了风向的连续时空变化特性。此外，基于不同风向的频次统计，也可以围绕频次较高的主导风向进行扇区划分并研究不同扇区下的有向风功率曲线；然而，这种方法忽略了空气流场运动的时间连续性，仅考虑了风向的空间分布进行划分，最终仅基于风速-功率的空间散点进行风功率曲线建模。因而，从高精度风功率曲线建模的角度而言，这种风向扇区划分方法是不合理的。其对风向变化时空特性的分离处理，难以保证单一扇区下风向数据时空变化的一致性，有可能加深所提取单一风向扇区下风速-功率数据的复杂性，从而增加了数据不确定性并影响风功率曲线模型的精度和可靠性。综合来看，目前，尚未存在有效的风向扇区自动划分方法能够综合考虑风向的时间连续变化和空间离散分布特性并对其进行模型描述，从而根据风向的自发聚集特性进行扇区划分。

基于此，本发明实施例提供的一种风向扇区划分方法及装置，能够有效改善上述问题。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种风向扇区划分方法进行详细介绍。

实施例一：

本发明实施例提供了一种风向扇区划分方法，如图1所示的一种风向扇区划分方法的示意图，该方法包括：

步骤S102，获取指定时间段内的风向测量数据；

具体地，上述风向测量数据为指定时间段内，按照预设的采样周期采集的风向数据；

具体地，该指定时间段可以是以季度划分的时间段，例如，某年的一月到四月，采样周期为10分钟/点，记录当前的风向数据。

步骤S104，根据上述风向测量数据计算指定时间段内风向的时间维变差；

具体地，该时间维变差，是指在时间维度上，表征风向的连续时间变化情况，通常，可以定义前后时刻的风向角度差为风向的时间维变差，以使风向的连续变化情况以相对变化量的方式进行呈现。

步骤S106，统计上述时间维变差的概率密度分布，基于该概率密度分布选择风向的离散化间隔，将风向划分成多个风向状态；

具体地，该概率密度分布通常表征的是时间维变差在某个差值区间的累积概率分布，选择合理的离散化间隔，可以得到不同风向状态。

步骤S108，对多个风向状态进行聚类分析，根据分析结果对风向扇区进行划分。

本发明实施例提供的一种风向扇区划分方法，在获取到指定时间段内的风向测量数据后，能够根据风向测量数据计算该指定时间段内风向的时间维变差，进而根据时间维变差的概率密度分布进行风向离散状态划分，并通过聚类分析的方式对风向扇区进行划分，充分考虑了风向流动的时间连续性以及风向的空间分布，根据风向时空连续随机变化的自发聚集特性进行有效的风向扇区自动划分。

在实际使用时，上述计算时间维变差的过程，可以看做是将指定时间段内风向进行非周期转换的过程，具体地，该转换公式可表示为：

其中，WD_i为i时刻的风向角度，Wδ_i为i时刻的风向变化量；

通过上述公式，可以将周期性风向变化时转变为非周期性的时间维变差，然后在将转换结果设置为当前时刻相对于前一时刻的时间维变差。具体地，可以将0～360°的方向变化转换为-180°～180°的方向变化，然后根据该变化范围的对称性，统计该风向间隔及其附近风向区间内时间维变差的累积概率分布，因此，上述统计时间维变差的概率密度分布的步骤包括以下过程：以上述时间维变差为横坐标，统计每个时间维变差的累计概率，建立时间维变差的概率密度分布，其中，横坐标为沿零点对称的时间维变差坐标。例如，在区间[-10°,10°]内，风向相对变化量的累积频次为58.05％；在区间[-11.25°,11.25°]内，其累积频次为75.28％；在区间[-15°,15°]内，其累积频次为82.32％。

进一步，基于上述概率密度分布，可以继续执行后续的选择风向的离散化间隔的过程。因此，图2示出了另一种风向扇区划分方法的示意图，对风向状态的划分进行描述，其中，步骤S202和步骤S204的过程可以参考上述图1中步骤S102和步骤S104对应的过程，在此不再赘述。

步骤S206，以上述时间维变差为横坐标，统计每个时间维变差的累计概率，建立时间维变差的概率密度分布；

步骤S208，选择累计概率小于第一预设概率阈值，且大于第二预设概率阈值对应的时间维变差区间，将时间维变差区间对应的设置为风向的离散化间隔；

其中，第一预设概率阈值大于所述第二预设概率阈值；

步骤S210，按照上述风向的离散化间隔将0度到360度范围内的风向划分为多个离散化风向状态；

其中，每个离散化风向状态所代表的风向角度范围的交集为空集，并集为0度到360度的风向角范围。

具体地，该离散化间隔可以是对0度到360度风向角的32等分、16等分、8等分或4等分的区间。其对应的时间维变差区间可以是过零点的风向区间，如，[-11.25°，11.25°]的区间，[-22.5°，22.5°]的区间等，统计该风向区间下风向时间维变差的累积概率分布。在本实施例中，可以当该累积概率值大于30％且小于80％时时间维变差区间设置为所需风向的离散化间隔。利用该离散化间隔进行离散化风向状态划分，得到不同风向状态。

步骤S212，按照不同风向状态的随机游走过程输出风向的随机变化特性，建立风向的随机游走无向图；对随机游走无向图进行聚类分析，根据分析结果对风向扇区进行划分；

在实际使用时，由于大气运动的连续性，风向变化兼具随机性、时空连续性特征，也即风向的角度沿时间轴呈连续性随机变化。如果将不同风向看作特定状态，那么风向的时空连续性随机变化可以看作不同风向状态随时间的随机游走，从而可以形成以不同风向状态为节点的随机游走无向图。当然，这种随机游走不是无限制的随机游走，它是大气在宏观范围内随机性的一种体现，本质上受到质量守恒和能量守恒的约束，表象上受到特定温度、气压、地形等环境条件影响。由于宏观大气运动的大尺度特性，因而其随时间变化能够呈现一定的统计规律特性。从概率角度，随机游走过程接近于布朗运动，是布朗运动的理想数学状态，而布朗运动中的随机游走位置服从高斯过程分布，其随时间变化特性服从马尔可夫过程。综上，风向变化在空间上服从高斯分布，在时空上服从马尔可夫过程，也即马尔可夫过程能够合理表征风向的联合时空随机特性。此时，如果合理划分风向得到离散化状态，则可通过一阶马尔可夫状态转移概率矩阵构建风向状态随机游走的无向图，进而对上述风向的随机变化特性进行描述。

在实际使用时，可以统计不同风向状态间的一阶马尔可夫状态转移概率矩阵，通过一阶马尔可夫状态转移概率矩阵来表征风向随时间的随机变化特性。

具体地，基于上述随机变化特性，上述随机游走无向图也可以称为无向概率图，该无向图以不同节点之间的状态转移概率为权重，不同的权重反映了相关节点之间较强的连接关系。通过合理的方式放大突出这种连接关系，则可以将连接关系相近的风向状态归为一类，从而量化不同风向状态之间的自发聚集特性。

因此，上述建立风向的随机游走无向图的步骤包括：统计不同风向状态间的一阶马尔可夫状态转移概率矩阵，通过一阶马尔可夫状态转移概率矩阵表征风向随时间的随机变化特性；根据一阶马尔可夫状态转移概率矩阵获取不同状态数的转移概率；以不同风向状态为节点，以上述转移概率为连接权重，建立风向的随机游走无向图。

进一步，基于该随机游走无向图进行聚类分析的过程，可以采用马尔可夫聚类算法，对一阶马尔可夫状态转移概率矩阵进行直接矩阵幂次扩展和列向量幂次膨胀，从而对基于概率权重的随机连接关系进行突出和强化，其中，扩张操作和膨胀操作的幂次可以调整以控制放大程度。最终，得到基于不同风向状态自发聚集特性的风向扇区自动划分结果。

在实际使用时，为了保证上述风向扇区划分的合理性，本发明实施例提供的风向扇区划分方法还包括对划分结果的评价、优化以及校验的过程，具体地，可以按照步骤S214～步骤S216实现。

步骤S214，对划分的风向扇区的聚类划分效果进行评价和优化；

其中，评价的内容可以包括类内评价和类间评价；具体地，类内评价包括采用单一聚类内不同风向状态间的实际风向相对变化值的绝对值均值进行聚类效果评价，用于作为优化目标函数使用；类间评价包括根据风向实际变化施加约束条件，其中，约束条件至少包括：指定聚类总个数，以及约束单个风向扇区的跨度范围，用于作为优化优化目标函数的约束条件，以对风向扇区的聚类划分效果的评价和优化问题的描述。

例如，上述基于马尔可夫聚类算法的风向扇区划分过程，存在扩展系数和膨胀系数两个设定参量，具体地，该参量通常是人为设定值，为了使聚类结果更加合理，需要建立有效的评价指标体系、合理的优化问题描述等以实现自动优化聚类。

通常，作为一种无监督聚类算法，可以从内部信息和外部信息两个角度对马尔可夫聚类算法的风向划分结果进行评价。从内部信息来看，由于没有聚类中心，故适宜采用单一聚类内不同风向状态间的实际风向相对变化值的绝对值均值进行聚类效果评价。从外部信息来看，无法直接判定聚类准确与否，可以根据风向实际变化情况施加约束条件。风向、风速是大气运动的结果，在适当的采样时间下一般连续变化；根据大气运动的连续变化特点，风向的马尔可夫聚类应当加强相邻节点的自动聚集效应，不应当出现间隔型聚簇结果。此外，可以指定聚类总个数，约束单个风向扇区的跨度范围。进一步，在实际使用时，还可以采用智能优化算法，如遗传算法、粒子群算法和差分进化算法等，对设定参数进行优化，以及，对马尔可夫聚类过程中设定的参数的优化。具体的优化算法，和对参数的优化过程，可以参考相关资料实现，本发明实施例对此不进行限制。

步骤S216，对于已划分的风向扇区，建立关联性数据的风向扇区划分结果校验机制进行校验。

该步骤可以进一步保证上述风向扇区划分结果的可靠性，其中，关联性数据来源主要分为两个部分，即同一位置附近不同传感器的测量数据和不同位置处相同类型传感器的测量数据。具体地，关联性数据包括同一安装地点下不同高度传感器的测量数据，以及，相邻地点处相同高度传感器的测量数据。

例如，对于风机而言，同一位置的风向可以由机舱尾部不同的风向计的测量，也可以由机舱顶部的激光雷达系统测量；不同位置的风向可以由相邻风机的相类传感器测量；针对风电场而言，同一位置的风向可以是测风塔不同高度处的测量结果；不同位置处可以由相邻的测风塔或相邻风机的同类传感器测量。基于上述关联性数据的校验机制，可以采用风向玫瑰图对划分的风向扇区进行可视化展示和对比分析，其中，展示的内容至少包括不同采样时间、不同离散化间隔下的风向扇区划分结果。具体地，图3示出了一种风向扇区的展示结果示意图，其中，图3中，基于风向玫瑰图展示了其中不同风向扇区的划分情况。

在实际使用时，对马尔可夫聚类结果进行可视化展示，对比关联数据源的聚簇数量及风向扇区划分结果，可以从一阶马尔可夫状态转移概率矩阵、类内评价指标、分类数量及风向扇区空间分布等角度进行对比校验。具体的校验过程可以参考相关的资料实现，本发明实施例对此不进行限制。

此外，考虑到大气运动显著的季节性，上述风向扇区的划分过程可以以季度为指定时间段进行数据采样。在固定地形条件，不同季节空气的不同流向、强度及由地形产生的湍流强度等风况特征也会随之变化。因而，上述风向测量数据可以是以季节为时间段进行数据采样得到的风向测量数据，即，基于季度的风向测量数据所得到的风向扇区划分的结果是具有时效性的，基于此，上述方法还包括：按照预先设定的滑动时间窗间隔，对指定时间段进行划分；以滑动时间窗间隔为基准，定期对风向测量数据进行更新。

具体地，可以以一个季度为一个指定时间段，以一个月为滑动时间窗间隔，定期增量更新新的风向测量数据，去除旧的风向测量数据，重新执行上述风向扇区划分方法，获得新的风向扇区自动划分结果。

上述通过定义滑动时间窗间隔，以滑动时间窗间隔为间隔增量更新风向测量数据的过程，可以定期更新数据库并去除旧数据，在此基础上重新执行风向扇区自动划分方法、关联性数据源校验等，确定更新后的风向扇区划分结果。

应当理解，图2所示的评价和优化，以及校验的过程，可以同时执行，也可以仅选择其一执行。具体可以根据实际使用情况进行设置，本发明实施例对此不进行限制。

本发明实施例提供的一种风向扇区划分方法，在获取到指定时间段内的风向测量数据后，能够根据风向测量数据计算该指定时间段内风向的时间维变差，进而根据时间维变差的概率密度分布，选择风向离散化间隔，得到不同风向状态划分，按照不同风向状态的随机游走过程输出风向的随机变化特性，建立随机游走无向图，以通过聚类分析的方式基于随机游走无向图对风向扇区进行划分。以上过程通过随机游走过程，充分考虑了风向流动的时间连续性以及风向的空间分布，根据风向时空连续随机变化的自发聚集特性进行有效的风向扇区自动划分。

为了便于理解，以华北某风电场的测风塔数据进行风向扇区划分为例进行说明，如图4所示的另一种风向扇区划分方法的流程图，包括以下步骤：

步骤S402，获取风电场指定时间段内的风向测量数据；

具体地，可获取风电场某测风塔60米高度的风向测量数据；例如，采样周期为10分钟/点，时间段为1月到4月。

步骤S404，计算风向的时间维变差，并统计时间维变差的概率密度分布，构建风向的随机游走无向图；

具体地，计算公式为：

其中，WD_i为i时刻的风向角度，Wδ_i为i时刻的风向时间维变差，该计算过程可以将周期性的风向变化转变为非周期性的统计结果。表1示出了一种概率密度分布的结果，以风向沿纵轴的对称性，示出了一定风向相对变化幅度下的累积概率分布。

表1：

风向类型

[-10°,10°]

[-11.25°,11.25°]

[-15°,15°]

[-20°,20°]

[-25°,25°]

[-30°,30°]

风电场测风塔

68.05％

75.28％

82.32％

89.23％

92.12％

95.02％

如表1所示，在区间[-10°,10°]内，风向相对变化量的累积频次为68.05％；在区间[-11.25°,11.25°]内，其累积频次为75.28％；在区间[-15°,15°]内，其累积频次为82.32％。经过转换后的时间维变差沿纵轴对称分布。

步骤S406，选取风向离散化间隔，将风向划分成多个离散状态；

具体地，对于风向划分，可以按照4扇区、8扇区、16扇区、32扇区等分360度风向范围，划分间隔依次为90度、45度、22.5度、11.25度。围绕该分位数边界确定相近的风向离散化间隔。具体地，在本实施例中，可以选取11.25度作为风向离散化间隔，得到32风向状态，每一个风向状态作为顶点构建风向的随机游走无向图，不同风向状态之间以一定概率进行随机游走。

具体地，对于多个风向状态，可以得到一阶马尔可夫状态转移概率矩阵，该矩阵表示为：

其中，P*→*表示从一个状态到另一个状态的转移概率。

步骤S408，采用马尔可夫聚类算法对风向状态的随机游走无向图进行聚类分析，输出不同粒度的风向扇区聚类结果。

在聚类分析过程中需要对一阶马尔可夫状态转移概率矩阵进行扩展和膨胀操作，直至一阶马尔可夫状态转移概率矩阵收敛，其中，扩张操作可以使上述无向图不同区域的节点直接或间接互联，膨胀操作会加强或减弱该连接，从而得到不同粒度的风向扇区聚类结果。

此外，考虑到风向扇区的划分粒度，需要设定扇区划分数量的可能范围，以及单个扇区的风向角度范围等。具体地扇区划分数量和风向角度范围可以根据实际经验值进行设定，并进行相关的优化，具体可以根据实际风场进行设置，本发明实施例对此不进行限制。

进一步，还可以采用同一测风塔不同高度处的风向测量值进行关联性校验，以及，基于风向玫瑰图可视化、分类数量及风向扇区空间分布等进行对比分析。以判断所得到的自动风向扇区划分结果是否符合该时段该位置的实际风向随机时空变化特性。

进一步，还可以以一个季度为一个时段，以一个月为滑动时间窗间隔，定期增量更新新的风向数据，去除旧的风向数据，重新执行上述风向扇区划分的过程，获得新的风向扇区自动划分结果。

综上，本发明实施例提供的风向扇区划分方法具有以下有益效果：

(1)本发明提出的风向扇区划分方法，以风电场实测运行数据、环境数据为基础，进行风向扇区的自动划分，对于日益增多的内陆山地、沿海山地等风电场址下的风力发电有向出力特性分析具有重要意义，可以显著减少因为不同风向下湍流风速差异引发的风电出力不确定性问题，提高风力发电出力可控性、评价可靠性。

(2)充分风向状态的随机游走特性，提出了一阶马尔可夫过程以有效表征风向的时空连续随机变化特性。在此基础上，构建了以转移概率为权重的风向状态的随机游走无向图，进而提出基于概率连接权重的风向状态自发聚集特性分类算法，形成了一种风向扇区自动划分策略，可根据风向的时空连续随机变化进行有效的扇区自动划分。

(3)综合考虑了风向的时空连续随机变化特性，明确了基于风向状态自发聚集特性自动进行风向扇区划分的实现途径，可有效指导风机、风电场等不同规模风电下风向扇区自动划分的执行方法。

(4)风向扇区自动划分结果评价指标及优化问题描述的形成，通过合理的评价指标定义和优化问题描述，可自动、高效地实现风向扇区的自动划分，既能提高划分效率，又能保证划分结果符合风向的实际变化特性，避免了试凑法等引起的耗时或人为失误等情况。

(5)风向扇区自动划分结果关联性校验机制的提出，可通过关联性数据源验证所研究位置风向扇区自动划分结果的合理性，保证划分结果能够良好地反映所在位置的实际风向变化情况。

(6)风向扇区自动划分结果的时间驱动更新机制，充分考虑了大气运动的季节性，采用时间驱动的定期更新机制在一定程度上能够保证风向扇区划分结果在对应时间段内的时效性，进而提高了自动风向扇区划分结果在应用时的可靠性。

实施例二：

在上述实施例的基础上，本发明实施例提供了一种风向扇区划分装置，如图5所示的一种风向扇区划分装置的结构示意图，该装置包括以下结构：

获取模块30，用于获取指定时间段内的风向测量数据，所述风向测量数据为指定时间段内，按照预设的采样周期采集的风向数据；

计算模块32，用于根据所述风向测量数据计算所述指定时间段内风向的时间维变差；

划分模块34，用于统计所述时间维变差的概率密度分布，基于所述概率密度分布选择风向的离散化间隔，将所述风向划分成多个风向状态；

分析模块36，用于对多个所述风向状态进行聚类分析，根据分析结果对所述风向扇区进行划分。

图6示出了另一种风向扇区划分装置的结构示意图，如图6所示，其中，上述风向测量数据为以季节为时间段进行数据采样得到的风向测量数据，因此，除图5所示的结构外，上述装置还包括：

时间段划分模块38，用于按照预先设定的滑动时间窗间隔，对指定时间段进行划分；

更新模块40，用于以滑动时间窗间隔为基准，定期对风向测量数据进行更新。

本发明实施例提供的风向扇区划分装置，与上述实施例提供的风向扇区划分方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例所提供的风向扇区划分方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种风向扇区划分方法，其特征在于，包括：

获取指定时间段内的风向测量数据，所述风向测量数据为指定时间段内，按照预设的采样周期采集的风向数据；

根据所述风向测量数据计算所述指定时间段内风向的时间维变差；

统计所述时间维变差的概率密度分布，基于所述概率密度分布选择风向的离散化间隔，将所述风向划分成多个风向状态；

对多个所述风向状态进行聚类分析，根据分析结果对所述风向扇区进行划分。

2.根据权利要求1所述的方法，其特征在于，所述风向测量数据为以季节为时间段进行数据采样得到的风向测量数据，所述方法还包括：

按照预先设定的滑动时间窗间隔，对所述指定时间段进行划分；

以所述滑动时间窗间隔为基准，定期对所述风向测量数据进行更新。

3.根据权利要求1所述的方法，其特征在于，所述统计所述时间维变差的概率密度分布的步骤包括：

以所述时间维变差为横坐标，统计每个所述时间维变差的累计概率，建立所述时间维变差的概率密度分布，其中，所述横坐标为沿零点对称的时间维变差坐标。

4.根据权利要求3所述的方法，其特征在于，所述基于所述概率密度分布选择风向的离散化间隔，将所述风向划分成多个风向状态的步骤包括：

选择所述累计概率小于第一预设概率阈值，且大于第二预设概率阈值对应的时间维变差区间，将所述时间维变差区间设置为风向的离散化间隔；其中，所述第一预设概率阈值大于所述第二预设概率阈值；

按照所述风向的离散化间隔将0度到360度范围内的风向划分为多个离散化风向状态；其中，所述离散化风向状态所代表的风向角度范围的交集为空集，并集为0度到360度的风向角范围。

5.根据权利要求1所述的方法，其特征在于，所述对多个所述风向状态进行聚类分析的步骤包括：

按照不同风向状态的随机游走过程输出所述风向的随机变化特性，建立所述风向的随机游走无向图；

对所述随机游走无向图进行聚类分析。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

对划分的所述风向扇区的聚类划分效果进行评价和优化，其中，所述评价内容包括类内评价和类间评价；

所述类内评价包括采用单一聚类内不同所述风向状态间的实际风向相对变化值的绝对值均值进行聚类效果评价，用于作为优化目标函数使用；

所述类间评价包括根据风向实际变化施加约束条件，其中，所述约束条件至少包括：指定聚类总个数，以及约束单个所述风向扇区的跨度范围，用于作为优化优化目标函数的约束条件，以对所述风向扇区的聚类划分效果的评价和优化问题的描述。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对于已划分的所述风向扇区，建立关联性数据的风向扇区划分结果校验机制；

其中，所述关联性数据包括同一安装地点下不同高度传感器的测量数据，以及，相邻地点处相同高度传感器的测量数据。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：采用风向玫瑰图对划分的所述风向扇区进行可视化展示和对比分析，其中，展示的内容至少包括不同采样时间、不同离散化间隔下的风向扇区划分结果。

9.一种风向扇区划分装置，其特征在于，包括：

获取模块，用于获取指定时间段内的风向测量数据，所述风向测量数据为指定时间段内，按照预设的采样周期采集的风向数据；

计算模块，用于根据所述风向测量数据计算所述指定时间段内风向的时间维变差；

划分模块，用于统计所述时间维变差的概率密度分布，基于所述概率密度分布选择风向的离散化间隔，将所述风向划分成多个风向状态；

分析模块，用于对多个所述风向状态进行聚类分析，根据分析结果对所述风向扇区进行划分。

10.根据权利要求9所述的装置，其特征在于，所述风向测量数据为以季节为时间段进行数据采样得到的风向测量数据，所述装置还包括：

时间段划分模块，用于按照预先设定的滑动时间窗间隔，对所述指定时间段进行划分；

更新模块，用于以所述滑动时间窗间隔为基准，定期对所述风向测量数据进行更新。