CN110135618A - 一种风廓线数据预测方法 - Google Patents
一种风廓线数据预测方法 Download PDFInfo
- Publication number
- CN110135618A CN110135618A CN201910256863.8A CN201910256863A CN110135618A CN 110135618 A CN110135618 A CN 110135618A CN 201910256863 A CN201910256863 A CN 201910256863A CN 110135618 A CN110135618 A CN 110135618A
- Authority
- CN
- China
- Prior art keywords
- output valve
- wind
- wind speed
- wind direction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 236
- 239000013589 supplement Substances 0.000 claims abstract description 42
- 241000209094 Oryza Species 0.000 claims description 40
- 235000007164 Oryza sativa Nutrition 0.000 claims description 40
- 235000009566 rice Nutrition 0.000 claims description 40
- 239000000284 extract Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 abstract description 2
- 241000208340 Araliaceae Species 0.000 description 8
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 8
- 235000003140 Panax quinquefolius Nutrition 0.000 description 8
- 235000008434 ginseng Nutrition 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明提供一种风廓线数据预测方法,在激光雷达测量风速风向的同时,能够自动进行是否缺失风速风向以及单个风速风向数据完整率是否足够的判定,并且可以自动选择适用的风速、风向预测模型进行风速风向数据的预测补充,从而很好地解决了目前测风数据预测常见的不科学问题,最大化减少因不同工程师水平参差不齐而对预测带来的主观影响,科学准确地预测激光雷达缺失以及单个风速风向数据完整率不足的测风数据。
Description
技术领域
本发明涉及激光雷达技术领域,特别是激光雷达测风相关技术,尤其涉及在风力发电风资源评估中的应用。
背景技术
我国风能资源丰富,可开发的风电场分布广泛。为了保障风电场的经济运营,在包括风电场的投资建设之前、运行投产以及出质保在内的全生命周期的各个环节中,都有着对场址风能资源进行详细、准确、可靠评估的迫切需求。然而,实现上述有效准确的测量评估需要保证获得的风能资源数据必须满足最低数据完整率的要求,否则测量评估的结果将不能被使用。但在实际测量过程中,无论是采用传统的测风塔还是采用激光雷达测风来获取风能资源数据时,都会存在因设备不适应环境或设备损坏而造成数据缺失,从而原始风能资源数据无法达到数据完整率要求的情况。例如,地面多普勒激光雷达有其本身适用的大气环境,即大气不能太清洁但也不能是浓雾等状态。尽管能够适应我国很多地区,但当地面多普勒激光雷达遇到大气太清洁如西藏晴朗的高空或者遇到浓雾天气如四川盆地的气候等不利雷达测试的大气环境时,激光雷达数据就会产生缺失,并且不同高度的缺失情况也会有较大差异。通常面对这种情况时,就需要通过预测的手段将缺失的风能资源数据进行插补订正,以使得数据具有足够的完整率,这样才能获得准确可靠的测量评估结果。
显然,对于预测手段来说,其预测数据的准确性、可靠性和一致性对整体风能资源测评的影响是很大的。实践表明,1%的风速差别至少引起2%的发电量的差别,因为数据预测不合理的原因,目前国内预测数据产生的偏差平均值是2%-3%,这样如果某个高度测风数据有50%数据损坏缺失的话,将引起风场发电量测算偏差到4%-6%,这对最终结果的影响是巨大的。因此,本领域对准确可靠的预测手段的需求是非常明确的,即越准确越好。
一般来说,预测数据是否准确、可靠、一致,会受到预测模型的选择、参考数据的选择甚至使用软件的影响,特别是在执行预测过程中,预测模型和参考数据的选择还会受到工程师技术水平的制约,工程师是否经验丰富、训练有素及其主观的选择都会影响最终的预测结果。概括来说,目前测风数据预测中常见的不科学的方面主要包括:1、选择的预测模型不合理,例如针对同一个缺失数据高度的风速风向,不同的预测模型和风切变模型的效率是不同的;2、选择的参考数据不合理,针对同一个缺失数据高度的风速风向,即使使用同一个预测模型,参考数据的选择不同也会影响测量结果的准确性。
发明内容
针对现有技术存在的上述问题,为获得一种具有较高准确性、可靠性及一致性的风能资源数据预测方法,本发明提出了自动选择最科学的预测模型以及自动选择最合理的参考数据进行缺失数据预测的方法。具体地:
一种风廓线数据预测方法,用于对测风数据中无效或者缺失的风速测量输出值和/或风向测量输出值进行预测,具体包括如下步骤:
S1,采集风速值测量数据和风向值测量数据,确定向用户输出风速测量输出值和风向测量输出值的时间间隔;使用每一个时间间隔内的各个测风高度的风速值测量数据计算该时间间隔内的各个测风高度的风速测量输出值,使用每一个时间间隔内的各个测风高度的风向值测量数据计算该时间间隔内的各个测风高度的风向测量输出值;形成每一个时间间隔所对应的数据组;
S2,判断步骤S1中计算的所有风速测量输出值和风向测量输出值是否满足单个统计数据有效数据完整率的要求;对于不满足单个统计数据有效数据完整率要求的风速测量输出值和风向测量输出值标记为无效风速测量输出值和无效风向测量输出值,其它风速测量输出值和风向测量输出值被认为是有效风速测量输出值和有效风向测量输出值;对于没有风速值测量数据和风向值测量数据的时间间隔,相应地认定为缺失的风速测量输出值和缺失的风向测量输出值;
S3,对于每一个数据组内所有高度的风速测量输出值,确定该数据组内满足单个统计数据有效数据完整率要求的个数n1;当n1大于等于2时,使用风速预测最优模型对该数据组内的无效风速测量输出值和缺失的风速测量输出值进行修正和补充;当n1等于1时,使用风速预测次优模型对该数据组内的无效风速测量输出值和缺失的风速测量输出值进行修正和补充;
S4,对于每一个数据组内所有高度的风向测量输出值,确定该数据组内满足单个统计数据有效数据完整率要求的个数n2;当n2大于等于2时,使用风向预测最优模型对该数据组内的无效风向测量输出值和缺失的风向测量输出值进行修正和补充;当n2等于1时,使用风向预测次优模型对该数据组内的无效风向测量输出值和缺失的风向测量输出值进行修正和补充;
其中,风速预测最优模型依据风速随高度变化的方程:
V(Z)=βZα;
式中,Z为测风高度,β为常数,V为对应高度一时间间隔的风速测量输出值,α为幂指数;
风向预测最优模型依据风向随高度变化的方程:
y=ax+b
式中,x为测风高度,y为测风高度对应的风向,而a和b均为常数;
风速预测次优模型依据如下方程:
y=mx+t
式中,y为待测风速测量输出值序列,x为参考风速测量输出值序列,m为预测公式的斜率,t为预测公式偏差;
风向预测次优模型依据如下方程:
y=x+r
式中,y为待测风向测量输出值序列,x为参考风向测量输出值序列,r为预测公式偏差。
进一步,在步骤S3中,所述使用风速预测最优模型对该数据组内的无效风速测量输出值和缺失的风速测量输出值进行修正和补充的操作具体包括如下操作:
S31,使用数据组内的k个参考高度对应的有效风速测量输出值按照如下公式计算该数据组内的α和β:
ln(V(Z))=αln(Z)+ln(β)
S32,将所获得的α和β带入如下公式:
V(Z)=βZα
优选地,上述步骤S31中,如果k大于等于3,则所述步骤S31还包括如下操作:
计算获得该数据组内的α和β后,按照如下公式计算风速预测拟合度R2:
其中xi为某一需要预测时间间隔第i个参考高度Z取自然对数即ln(Z)的值,为某一时间间隔所有参考高度取自然对数后的算术平均值,yi为某一需要预测时间间隔有效数据的第i个参考高度对应风速取自然对数值即ln(V(Z)),为某一时间间隔所有参考高度对应风速取自然对数后的算术平均值;
若R2≥0.99,则应用上述已经获得的α和β执行步骤S32;
若R2<0.99,则逐一去除离待测高度的最远距离的参考高度所对应的数据,重新计算并更新α和β,然后再次计算所述风速预测拟合度R2,直到R2≥0.99,并用最终的α和β执行步骤S32。
进一步,可替换地,若R2<0.99时,后续步骤替换为:逐一去掉距离拟合直线距离最远的数据点对应的高度数据,重新计算并更新α和β,然后再次计算所述风速预测拟合度R2,直到R2≥0.99,并用最终的α和β执行步骤S32。
进一步,在步骤S4中,所述使用风向预测最优模型对该数据组内的无效风向测量输出值和缺失的风向测量输出值进行修正和补充的操作具体包括如下操作:
S41,对于需要使用风向预测最优模型预测风向测量输出值的每一个数据组,若其中最小的有效风向测量输出值小于90°,且其它有效风向测量输出值有大于等于270°,则需要将所有大于等于270°的有效风向测量输出值减去360°;
S42,使用数据组内的k个参考高度对应的有效风向测量输出值按照如下公式计算该数据组内的a和b:
y=ax+b
S43,将所获得的a和b带入上述公式,计算修正或者补充数据组内待测高度对应的风向测量输出值。
优选地,上述步骤S42中,如果k大于等于3,则所述步骤S42还包括如下操作:
计算获得该数据组内的a和b后,按照如下公式计算风向预测拟合度R2:
其中xi为某一需要预测时间间隔第i个参考高度,为某一时间间隔所有参考高度的算术平均值,yi为某一需要预测时间间隔有效数据的第i个高度对应风向,为某一时间间隔所有参考高度对应风向算术平均值;
若R2≥0.99,则应用上述已经获得的a和b执行步骤S43;
若R2<0.99,则逐一去除离待测高度的最远距离的参考高度所对应的数据,重新计算并更新a和b,然后再次计算所述风向预测拟合度R2,直到R2≥0.99,并用最终的a和b执行步骤S43。
可替换地,若R2<0.99时,后续步骤替换为:逐一去掉距离拟合直线距离最远的数据点对应的高度数据,重新计算并更新a和b,然后再次计算所述风向预测拟合度R2,直到R2≥0.99,并用最终的a和b执行步骤S43。
进一步,在步骤S3中,所述使用风速预测次优模型对该数据组内的无效风速测量输出值和缺失的风速测量输出值进行修正和补充的操作具体包括如下操作:
S33,将风向360°划分为q个扇区;
S34,依据数据组中属于参考风向测量输出值序列的风向测量输出值将该数据组对应分类到步骤S33所划分各个扇区中;
S35,选择一个待测高度,对该待测高度对应的待测风速测量输出值序列中的非有效风速测量输出值进行修正或补充;
S36,确定上述待测风速测量输出值序列中时间最靠前的非有效风速测量输出值所在的数据组;选择时间上比上述确定的数据组早,并且与上述确定的数据组在同一扇区的所有数据组;
S37,在步骤S36所选择的数据组中,判断有多少个数据组中待测高度的风速测量输出值是有效的;如果具有有效风速测量输出值的数据组的数量小于一个经验阈值,则进行步骤S39的操作;如果该数量大于等于上述经验阈值,则进行步骤S38的操作。
S38,提取步骤S37中待测高度的风速测量输出值是有效的那些数据组中属于待测风速测量输出值序列的风速测量输出值,并按时间顺序排列形成纵坐标序列;提取步骤S37中待测高度的风速测量输出值是有效的那些数据组中属于参考风速测量输出值序列的风速测量输出值,并按时间顺序排列形成横坐标序列;拟合上述横坐标序列和纵坐标序列之间的函数关系,从而计算该扇区中的m和t;
S39,提取所有扇区中待测高度的风速测量输出值是有效的那些数据组中属于参考风速测量输出值序列的风速测量输出值,并按时间顺序排列形成横坐标序列;提取所有扇区中待测高度的风速测量输出值是有效的那些数据组中属于待测风速测量输出值序列的风速测量输出值,并按时间顺序排列形成纵坐标序列;拟合上述横坐标序列和纵坐标序列之间的函数关系,从而计算该扇区中的m和t;
S310,利用上述步骤S38或者步骤S39获得的m和t,计算修正或者补充上述时间最靠前的非有效风速测量输出值;
S311,更新所选待测高度下待测风速测量输出值序列中时间最靠前的非有效风速测量输出值所在的数据组,转至步骤S36;
S312,返回步骤S35,直至所有待预测高度的所有非有效风速测量输出值都被修正或者补充后停止风速预测次优算法模型的计算。
而在步骤S4中,所述使用风向预测次优模型对该数据组内的无效风向测量输出值和缺失的风向测量输出值进行修正和补充的操作具体包括如下操作:
S44,在所有数据组中,若其中最小的有效风向测量输出值小于90°,且其它有效风向测量输出值有大于等于270°,则需要将所有大于等于270°的有效风向测量输出值减去360°;
S45,选择一个待测高度,对该待测高度对应的待测风向测量输出值序列中的非有效风向测量输出值进行修正或补充。
S46,选择步骤S45中所选待测高度下的风向测量输出值是有效的所有数据组;
S47,提取步骤S46所选数据组中所选待测高度对应的待测风向测量输出值序列的有效风向测量输出值,并按时间顺序排列形成纵坐标序列;对于生成纵坐标序列中那些有效风向测量输出值所在的数据组,进一步提取这些数据组中属于参考风向测量输出值序列的风向测量输出值,并按时间顺序排列形成横坐标序列;拟合上述横坐标序列和纵坐标序列之间的函数关系,从而计算获得r值;
S48,利用上述步骤S47获得的r值计算修正或者补充上述该待测高度的非有效风向测量输出值;
S49,返回步骤S45,直至所有待预测高度的所有非有效风向测量输出值都被修正或者补充后停止风向预测次优算法模型的计算。
优选地,所述步骤S46替换为:确定步骤S45中所选待测高度下的风向测量输出值是有效的数据组,并从上述所确定的数据组中选择参考高度的风速测量输出值不小于特定阈值的数据组。
采用本发明的上述预测方法,在激光雷达测量风速风向的同时,能够自动进行是否缺失风速风向,以及单个风速风向数据完整率是否足够的判定,并且可以自动选择适用的风速、风向预测模型进行风速风向数据的预测补充,很好地解决了目前测风数据预测常见的不科学问题,科学准确地预测激光雷达缺失的测风数据。从而本发明具有如下优点:1、能够自动推荐最科学合理的预测模型;2、能够自动推荐最科学合理的参考数据;3、最大化减少因不同工程师水平参差不齐而对预测带来的主观影响。
附图说明
附图1:地面激光雷达测风示意图;
附图2:风速实测数据和实测风速进行幂指数拟合后的对比图;
附图3:风速和离地高度实测数据都取自然对数后的直线拟合;
附图4:风向和离地高度的直线拟合;
附图5:依据100m参考风向测量输出值序列分16扇区的情况下,应用公式(8)寻找210m待测风速测量输出值序列中已有全部有效风速测量输出值和100m参考风速测量输出值序列中已有全部有效风速测量输出值之间函数关系的示意图。
具体实施方式
本发明的综合风廓线预测方法适用于激光雷达测风系统中。参见说明书附图1,以脉冲式激光雷达测风系统为例,该系统主要是利用光的多普勒频移原理,通过测量光源发出的光波在空气中遇到随着风运动的气溶胶粒子时所产生的反射波的频率变化,从而获得并计算出相应高度的风速和风向数据。其它类型激光雷达虽然测风原理可能不同,但都是通过测得气溶胶的风速风向信息,从而可以测量多个高度的风况信息。无论哪种类型的激光雷达测风系统,正如背景技术中所提到的,例如受不同地区大气情况的影响,有些高度的风况信息是缺失的,或者有些高度的风况信息是不准确的,这就需要对缺失的数据进行预测补充,对不准确的数据进行修正。以下结合附图和表格来详细说明本发明的综合风廓线预测方法是如何完成上述数据的预测补充和修改工作的。
(一)、数据整理
激光雷达测风系统先获取如表1所示的原始秒级数据。
表1某高度激光雷达测风系统原始秒级数据
对激光雷达系统设定一个时间间隔,在实际测风过程中,经过每一个这样的时间间隔就会对每一个测风高度输出一组测风数据结果,这一组输出结果通常包括不同高度的风速测量输出值、不同高度的风向测量输出值、对应的时间间隔以及信噪比CNR等。对于这样一组输出,定义为一个时间间隔的数据组。表2展示了一般情况下系统在一个测风高度可以获得的数据信息,以及系统的时间间隔被设定为10分钟的例子。因此,对于每个测风高度来说,每10分钟就会有一个实际的风速测量输出值给到用户,同时每10分钟也会有一个实际的风向测量输出值输出给客户。而这些输出值是通过表1的原始秒级数据获得的,其中风向使用矢量平均方法计算获得,风速等其它量用算术平均方法计算获得。
表2某高度激光雷达测风统计测风数据格式
具体来说,以风速测量输出值为例,对于某一测量高度来说,实际上每10分钟所输出的这一个风速测量输出值其实是这10分钟时间间隔内,激光雷达系统测量的所有风速值的积分平均值,例如激光雷达系统每1秒左右都能够获得一个风速值测量数据,因此对于一个测量高度来说,10分钟实际有600个左右风速值测量数据,每10分钟就将这600个左右风速值测量数据计算一次,例如进行平均计算,并将该计算结果当作这一个时间间隔的风速测量输出值进行输出。因此,实际上在设定的时间间隔内,是否有足够数量的且准确有效的风速值测量数据来计算出这个能够被使用的输出值是一个较为关键的前提。一个原始秒级的风速值测量数据是否为有效数据而能够参与时间间隔内的统计数据计算,通常依其原始秒级的风速值测量数据的信噪比而决定。例如,在本实施例中,当风速值测量数据的信噪比CNR大于-23且小于18时才被判断为有效的风速值测量数据,进而才参与统计数据计算。在此定义一个“单个统计数据有效数据完整率”(以下简称a)的概念,表示为在设定的上述时间间隔内,有效且能够被使用的风速值测量数据的数量占所有测量时间点数量的比例:
valid:单个统计时间间隔内,例如10分钟内有效风速值测量数据的个数;all:单个统计时间间隔内应有的风速值测量数据的个数,例如10分钟内,all=600左右。
显然,当这个“单个统计数据有效数据完整率”过低的时候,此时计算出的输出值是不准确和不能被使用的。例如,在本实施例中,当“单个统计数据有效数据完整率”小于80%,也就是在某一个时间间隔如10分钟内,激光雷达系统每一秒都有一个风速值测量数据的情况下,有效的风速值测量数据在480个以下,则由这个时间间隔内风速值测量数据计算的输出值将被标记、剔除而不能作为最终有效的输出值向用户输出,那么这个时间间隔的风速测量输出值就需要使用模型来预测。
以上以风速值测量数据和风速测量输出值为例,其实风向值测量数据和风向测量输出值也是相同的情况。
显然,如果不能满足上述“单个统计数据有效数据完整率”的情形过多,则能被使用的输出值将很少,被剔除的输出值就会很多,如果剔除的数值太多了则整个测风也将不能完成。在此对于例如表2所示的统计序列,定义“起止时间序列有效数据完整率”(以下简称A),用该参数表示在测风起止时间段内能够被使用的测量输出值所占的比例:
Valid:被算法预处理过滤后,例如一部分输出值因为a值小于80%而被剔除后,测风起止时间段内剩余能够被使用的有效测量输出值的个数;All:测风起止时间段内应有的测量输出值的个数,例如单个时间间隔为10分钟,则测风起止时间段内3.1天应有测量输出值的个数为3.1×24×60min/10min=446个。
在本实施例中,为“起止时间序列有效数据完整率”设定个阈值,例如为30%。则在上述情况下,如果测量起止时间段3.1天内,能够被使用的测量输出值少于133个,则不满足起止序列有效数据完整率的要求。
基于上述说明,首先对激光测风雷达系统输出的数据,根据上述“单个统计数据有效数据完整率”(例如80%)和“起止时间序列有效数据完整率”(例如30%)进行过滤处理。其中一个高度的有效数据完整率只对本高度对应数据进行有效的判定,而不影响其它高度。例如50m高度有效数据完整率的判定只适用于50m高度对应的数据,其他高度的有效数据完整率是否符合要求不受50m有效数据完整率的影响。在本实施例中,“单个统计数据有效数据完整率”的阈值为80%,以及“起止时间序列有效数据完整率”的阈值为30%两者可以设定为系统的默认值,但上述阈值受全球地域气候的影响,因此上述阈值是可以根据实际情况进行调整的。
经过“单个统计数据有效数据完整率”过滤后,测量起止时间段内各时间间隔的测量输出值及相应的统计数据格式参见表3。表格中,包括了50m、100m、130m、210m四个高度的数据,浅灰色和深灰色标记的部分分别为“单个统计数据有效数据完整率”不符合要求需要剔除以及根本属于数据缺失的情况。
表3经过“单个统计数据有效数据完整率”过滤处理后的数据格式
经过上述整理后,每一个测风高度的数据都会被处理。如果某个高度的数据经过“单个统计数据有效数据完整率”80%的要求剔除数据后,“起止时间序列有效数据完整率”低于30%,则系统虽然可以预测该高度的数据,但会记录“有效原始数据序列不足”,该记录可以选择向用户进行输出,也可以选择只保留在系统中供专业人员查询而不发送到客户端。经过“单个统计数据有效数据完整率”80%的要求剔除数据后,系统将自动进行下述预测步骤,以对那些没有有效测量输出值的测量点进行预测补充。
在详细说明预测步骤之前,再明确一下数据组的概念。参见表3,对一个时间间隔来说,输出结果通常包括不同高度的风速测量输出值、不同高度的风向测量输出值、对应的时间间隔以及信噪比CNR,对于这样一组输出的数据集合,定义为一个时间间隔的数据组。不同高度的风速测量输出值、不同高度的风向测量输出值以及对应的时间间隔都是以下预测模型需要使用的重要参数。以不同高度的风速测量输出值为例,即表3的第2、5、8、11列中的数据,这些风速测量输出值分为三种情况:a、符合“单个统计数据有效数据完整率”要求的有效风速测量输出值;b、不符合“单个统计数据有效数据完整率”要求的无效风速测量输出值,在表格中以浅灰色示出;c、缺失的风速测量输出值,在表格中以深灰色示出。同理对于不同高度的风向测量输出值来说也分为三种:有效风向测量输出值、无效风向测量输出值和缺失的风向测量输出值。而以下需要通过模型预测来修正补充的就是上述这些无效风速测量输出值、无效风向测量输出值、缺失的风速测量输出值和缺失的风向测量输出值,也可以统称为非有效风速/风向测量输出值。
(二)、最优算法预测
首先使用最优算法对上述非有效风速/风向测量输出值进行预测,最优算法预测模型分为风速预测最优算法模型和风向预测最优算法模型。
1、风速预测最优算法模型
该模型依据风速随高度的变化满足公式(3)所示方程:
V(Z)=βZα (3)
其中,Z为测风离地高度,β为常数,V为对应高度一时间间隔的风速测量输出值,α为幂指数。对实测数据中的有效风速测量输出值绘制其与离地高度之间的关系图,参见说明书附图2所示,菱形表示实测数据,进行幂指数拟合后如曲线所示。
对公式(3)进行取对数变形可得:
ln(V(Z))=αln(Z)+ln(β) (4)
公式(4)的形式为一般的斜率截距方程y=mx+b的形式,因而绘制ln(V(Z))和ln(Z)的散点图,斜率即等于幂指数α,截距等于ln(β)。具体仍然使用说明书附图2的绘图实测数据,对取对数后的数据进行绘图,如说明书附图3所示,该附图3的实例中风切变幂指数α计算为直线斜率即0.0936。常数β=e1.74636=5.733694。
在每一时间间隔的数据组内针对已有的多个高度的有效风速测量输出值,都独立运用公式(4)寻找该时间间隔数据组的α和β,然后通过α和β运用公式(3)预测该数据组内(即对应时间间隔内)的非有效风速测量输出值。可以看到,只有两点才能确定一条直线,因此使用风速预测最优算法模型时需要满足数据组中至少有两个高度具有有效风速测量输出值,否则请参见后续部分使用次优算法模型进行预测。
在数据组有三个以上的高度具有有效风速测量输出值时,可以选择任意两个高度的或两个以上高度的有效风速测量输出值来拟合直线,以计算数据组的α和β。假设上述选择有k种方式,即可以获得k组α和β,那么哪种选择方式所拟合的直线最接近实际测量的情况呢?这就需要使用公式(5)来计算风速预测拟合度R2:
其中上式中,xi为某一需要预测时间间隔第i个参考高度Z取自然对数即ln(Z)的值,为某一时间间隔所有参考高度取自然对数后的算术平均值,yi为某一需要预测时间间隔有效数据的第i个参考高度对应风速取自然对数值即ln(V(Z)),为某一时间间隔所有参考高度对应风速取自然对数后的算术平均值。风速预测拟合度R2满足R2≥0.99时,即认为拟合的直线最接近实际测量的情况,可以使用此时计算获得的α和β来进行准确的预测。
风速预测最优模型具体实施步骤如下:
1)实时采集激光雷达测风系统的风速值测量数据,确定统计数据的时间间隔,例如是10分钟,处理上述风速值测量数据形成如表3所示的统计数据,即形成不同时间间隔对应的数据组中的风速数据。
2)判断每一个时间间隔的数据组内所有测量高度下的风速测量输出值是否满足“单个统计数据有效数据完整率”的要求,例如“单个统计数据有效数据完整率”的阈值设置为80%。标记(或剔除)不符合“单个统计数据有效数据完整率”要求的无效风速测量输出值和缺失的风速测量输出值,如上述表3中浅灰色和深灰色标记的那样。
同时,确定该时间间隔数据组内“单个统计数据有效数据完整率”满足不小于阈值如80%的高度个数n。只有n不小于2时,该数据组中的非有效风速测量输出值才能使用最优算法进行预测。如表3所示的情况中,第20~26行对应时间间隔的数据组中的50m、130m和210m的风速测量输出值就无法应用最优算法进行预测,因为表中显示该数据组中只有100m一个高度风速测量输出值满足“单个统计数据有效数据完整率”的要求,也就是说此时n=1,小于2。但是例如第44行数据组中的50m高度风速测量输出值就可以应用最优算法进行预测,因为此时n=3,大于2。
优选地,步骤2)与步骤1)并行完成。
3)针对上述满足高度个数n不小于2的条件的每一个数据组,应用公式(4)计算该数据组内的α和β。
在此定义最优算法模型中的参考高度和待测高度:在一个数据组中具有有效风速测量输出值的高度为参考高度,非有效风速测量输出值对应的高度为待测高度。
优选地,当某一数据组中最优预测模型的参考高度的数量大于等于3时,默认先应用公式(4)利用所有参考高度对应的数据计算该数据组中的α和β,同时应用公式(5)计算利用所有参考高度对应的数据计算时风速预测拟合度R2,若R2≥0.99,则应用该α和β以及公式(3)预测待测高度的风速测量输出值;若R2<0.99,则逐一去除离待测高度的最远距离的高度所对应的数据,重复进行上述应用公式(4)计算α和β的工作,直到R2≥0.99,然后再应用此时的α和β以及公式(3)预测待测高度的风速测量输出值。实际上,当逐一去除只剩下2个参考高度时,R2=1则肯定会满足R2≥0.99的条件。
如表3所示,针对210m高度来说,除了第20~26行的时间间隔外,其余时间间隔数据组内的非有效风速测量输出值(例如第1~19行的数据组中)是可以应用风速最优算法模型进行预测的。例如针对第1行数据组中预测210m的风速测量输出值时,先默认使用该数据组内50m、100m和130m三个参考高度的风速测量输出值数据应用公式(4)计算该数据组的α和β。同时应用公式(5)计算此时的风速预测拟合度R2,若R2≥0.99,则应用这个α和β带入到公式(3)中预测第1行数据组的210m风速测量输出值;若这个R2<0.99,则优先忽略三个参考高度中50m高度的第1行对应数据,应用100m和130m两个参考高度的第1行数据进行公式(4)的计算并获得该数据组的α和β。然后再将上述α和β带入到公式(3)中预测第1行的210m风速测量输出值。
可替换地,上述若R2<0.99时,可以优先去掉距离拟合直线距离最远的数据点对应的高度数据,然后使用剩下的参考高度所对应的数据重复进行上述应用公式(4)计算α和β的工作,直到R2≥0.99。
上述不同的数据组对应不同的时间间隔,在最优预测模型中,它们之间是相互独立的,每个数据组中的数据不影响其他数据组的计算。如果预测的风速小于0m/s,则用0m/s替代。
2、风向预测最优算法模型
该模型依据风向和高度之间满足如公式(6)所示的方程:
y=ax+b (6)
式中,x为测风高度,单位是m;y为测风高度x对应的风向,单位是°;而a和b均为常数。
公式(6)的形式为一般的斜率截距方程的形式,运用线性最小二乘法进行拟合,因而绘制x和y的散点图,斜率即等于a,截距等于b。参见说明书附图4,即为实测数据风向测量输出值和高度之间的关系图,方块代表实测的风向测量输出值对应数据点,直线为拟合的结果。
在每一时间间隔的数据组内针对已有的不同高度的有效风向测量输出值,都独立运用公式(6)寻找该时间间隔内的a和b,然后通过a和b运用公式(6)预测该数据组内非有效风向测量输出值。与使用风速预测最优算法模型时一样,需要满足数据组中至少有两个高度具有有效风向测量输出值,否则请参见后续部分使用次优算法模型进行预测。
与使用风速预测最优算法模型时一样,也存在选用不同参考高度、不同数量的参考高度的数据计算a和b的情况。数据组在有三个以上的高度具有有效风向测量输出值时,使用公式(7)来计算风向预测拟合度R2:
其中上式中,xi为某一需要预测时间间隔第i个参考高度,为某一时间间隔所有参考高度的算术平均值,yi为某一需要预测时间间隔有效数据的第i个高度对应风向,为某一时间间隔所有参考高度对应风向算术平均值。风向预测拟合度R2满足R2≥0.99时,即认为拟合的直线最接近实际测量的情况,可以使用此时计算获得的a和b来进行准确的预测。
风向预测最优模型具体实施步骤如下:
1)实时采集激光雷达测风系统的风向值测量数据,确定统计数据的时间间隔,例如是10分钟,处理上述风向值测量数据形成如表3所示的统计数据,即形成不同时间间隔对应的数据组中的风向数据。
2)判断每一个时间间隔的数据组内所有测量高度下的风向测量输出值是否满足“单个统计数据有效数据完整率”的要求,例如“单个统计数据有效数据完整率”的阈值设置为80%。标记(或剔除)不符合“单个统计数据有效数据完整率”要求的无效风向测量输出值和缺失的风向测量输出值,如上述表3中浅灰色和深灰色标记的那样。
同时,确定该时间间隔数据组内“单个统计数据有效数据完整率”满足不小于阈值如80%的高度个数n。只有n不小于2时,该数据组中的非有效风向测量输出值才能使用最优算法进行预测。如表3所示的情况中,第20~26行对应时间间隔的数据组中的50m、130m和210m的风向测量输出值就无法应用最优算法进行预测,因为表中显示该数据组中只有100m一个高度风向测量输出值满足“单个统计数据有效数据完整率”的要求,也就是说此时n=1,小于2。但是例如第44行数据组中的50m高度风向测量输出值就可以应用最优算法进行预测,因为此时n=3,大于2。
优选地,步骤2)与步骤1)并行完成。
3)对于需要预测风向测量输出值的每一个数据组,为了消除某时间间隔中0°方向左右(如1°,359°,……)的模型拟合误差,需要将数据组内所有高度的有效风向测量输出值做转换(如果某一数据组内所有高度都具有有效风向测量输出值时,则不需要预测,对该数据组内的风向测量输出值不做任何处理)。若最小的有效风向测量输出值小于90°,且其它有效风向测量输出值有大于等于270°的,则需要将所有大于等于270°的有效风向测量输出值减去360°。例如表3第115行的数据组中,需要对210m的风向测量输出值进行预测,则需要先将50m的有效风向测量输出值358.3°,100m的有效风向测量输出值359.7°先转换成50m的有效风向测量输出值为-1.7°,100m的有效风向测量输出值为-0.3°。而130m的有效风向测量输出值0.8°保持不变。
4)针对上述满足高度个数n不小于2的条件的每一个数据组,应用公式(6)计算该数据组的a和b。同样使用最优算法模型中的参考高度和待测高度。
优选地,当某一数据组中最优预测模型的参考高度的数量大于等于3时,默认先应用公式(6)利用所有参考高度对应的数据计算该数据组中的a和b,同时应用公式(7)计算利用所有参考高度对应的数据计算时风向预测拟合度R2,若R2≥0.99,则应用该a和b以及公式(6)预测待测高度的风向测量输出值;若R2<0.99,则逐一去除离待测高度的最远距离的高度所对应数据,重复进行上述应用公式(6)计算a和b的工作,直到R2≥0.99,然后再应用此时的a和b以及公式(6)预测待测高度的风向测量输出值。实际上,当逐一去除只剩下2个参考高度时,R2=1则肯定会满足R2≥0.99的条件。
如表3所示,除了20~26行的数据组以外,针对待测高度210m的风向测量输出值(如1~19行的数据组)可应用风向最优算法进行预测。例如在第1行数据组中预测210m的风向测量输出值时,先默认参考50m、100m和130m三个参考高度的数据应用公式(6)计算该数据组的a和b。同时应用公式(7)计算此时的风向预测拟合度R2,若R2≥0.99,则应用这个a和b带入到公式(6)预测这一时间间隔的数据组中的210m风向测量输出值;若这个R2<0.99,则优先忽略50m第1行对应的数据,只应用100m和130m两个参考高度数据组内对应的数据进行公式(6)的计算,并将获得的该数据组的a和b带入到公式(6)中预测210m的风向测量输出值。
可替换地,上述若R2<0.99时,可以优先去掉距离拟合直线距离最远的数据点对应的高度数据,然后使用剩下的参考高度所对应的数据重复进行上述应用公式(6)计算a和b的工作,直到R2≥0.99。
上述不同的数据组对应不同的时间间隔,在最优预测模型中,它们之间是相互独立的,每个数据组中的数据不影响其他数据组的计算。
5)若预测风向大于360°,则用360除预测风向取余数;若预测风向小于0°,则用-360除预测风向取余数再加360°。例如预测风向若是363°则转换为3°,若预测风向是-2°则转换为358°。
经过上述风速和风向预测最优模型预测后,数据如表4所示,预测风速保留三位小数,预测风向保留一位小数。
表4风速风向经过最优预测算法后得到的数据
可以看到,除了第20~26行由于最优预测模型中参考高度的数量不够没有预测以外,其它表3中浅灰色的无效风速/风向测量输出值都得到了更新,深灰色的缺失的风速/风向测量输出值都得到了数据补充。
(三)次优算法预测
由以上最优算法预测可以看出,在一个时间间隔的数据组中至少需要两个参考高度的有效测量输出值才能够根据最优算法模型进行预测。但是存在如下情况,即一些时间间隔的数据组中只有一个高度具有有效测量输出值可以使用,因此就只能启动次优算法进行预测。
如上述表4所示,在风速风向经过最优预测算法后,50m、130m和210m第20~26行数据需要启用次优算法模型进行数据预测,这三个高度即为次优算法模型中的待测高度,而100m高度不再需要次优算法模型进行预测了,其测量输出值经过最优算法预测后已经完备,因而该高度为次优算法模型中的参考高度。
1、风速预测次优算法模型
参见表4的第2、5、8、11四列,分别为50m、100m、130m和210m的风速测量输出值序列,每一个高度的风速测量输出值序列都包括了按时间顺序排列的144个风速测量输出值,这144个风速测量输出值可能包括有效风速测量输出值、无效风速测量输出值或者缺失的风速测量输出值(即缺失数据的状态)。这其中第2、8、11列为50m、130m、210m的风速测量输出值序列,由于这三列均有需要次优算法模型预测的测量点,因此定义这三列为待测风速测量输出值序列,其包含了有效风速测量输出值(例如第57-64行)和经最优算法预测后的有效风速测量输出值(例如第1-7行);而高度100m对应的第5列在最优算法预测后所有风速测量输出值都是有效风速测量输出值了,没有需要次优算法预测的测量点,因而该列为参考风速测量输出值序列,参考风速测量输出值序列实际也包含有实测的有效风速测量输出值和经最优算法预测后的有效风速测量输出值。此外,参见表4的第6列,其是参考高度100m的风向测量输出值,包括了按时间顺序排列的144个风向测量输出值,构成参考风向测量输出值序列,参考风向测量输出值序列实际也包含有实测的有效风向测量输出值和经最优算法预测后的有效风向测量输出值。
因此,经过最优算法模型预测后的数据会包括对应一个或多个待测高度的待测风速测量输出值序列、对应一个参考高度的参考风速测量输出值序列和对应该参考高度的参考风向测量输出值序列(次优算法模型中的参考高度只能有一个,如果要是多于一个就可以使用最优算法模型进行预测了)
风速预测次优算法模型依据如下公式(8)进行预测:
y=mx+t (8)
其中,y为待测风速测量输出值序列;x为参考风速测量输出值序列;m为预测公式的斜率;t为预测公式偏差。根据待测风速测量输出值序列和参考风速测量输出值序列中的实测的有效风速测量输出值和经最优算法预测后的有效风速测量输出值,计算待测高度对应的待测风速测量输出值序列和参考高度对应的参考风速测量输出值序列之间的关系,从而获得m和t。然后再应用参考风速测量输出值序列中的有效风速测量输出值和公式(8)来预测相同时间间隔下,即相同数据组内的待测风速测量输出值。
风速预测次优模型具体实施步骤如下:
1)将风向360°划分为16个扇区,具体参见表5所示。
表5扇区划分方法
2)根据参考风向测量输出值序列,将不同时间间隔数据组中的上述参考风向测量输出值序列里的风向测量输出值分别对应分类到步骤1)划分的扇区中。在本实施例中,100m高度作为参考高度,其风向测量输出值构成了参考风向测量输出值序列。参见表4,例如第1个时间间隔数据组中,100m高度的风向测量输出值为48.8°,因此该数据组的该风向测量输出值被分到表5的第3扇区;第13个时间间隔的数据组中,100m高度的风向测量输出值为85.5°,因此该数据组的该风向测量输出值被分到表5的第5扇区;将所有参考风向测量输出值序列中的风向测量输出值全部对应到表5的各个扇区中。如此处理后,如果历史数据足够多,实际上每一个扇区都会有一些风向测量输出值,每一个风向测量输出值又都属于某一个时间间隔的数据组中。
实际上,一个时间间隔对应的参考风向测量输出值序列中的风向测量输出值、参考风速测量输出值序列中的风速测量输出值以及一个或多个待测高度对应的待测风速测量输出值序列中的风速测量输出值都是属于一个时间间隔的数据组的。因此,上述步骤2)的操作相当于依据数据组中参考风向测量输出值序列的风向测量输出值将该数据组对应分类到表5的各个扇区中。
3)选择一个待测高度,对该待测高度对应的待测风速测量输出值序列中的非有效风速测量输出值进行修正或补充。在每一个扇区中,处理扇区中的数据组。
4)确定上述待测风速测量输出值序列中时间最靠前的非有效风速测量输出值所在的数据组。在表4的实施例中,例如选择210m待测高度,在210m高度对应的待测风速测量输出值序列中,时间最靠前的非有效风速测量输出值为第20行的风速测量输出值。因此,首先确定该第20行时间间隔对应的数据组,对该数据组中的非有效风速测量输出值进行修正或补充。
利用时间上比上述确定的数据组早,并且与上述确定的数据组在同一扇区的所有数据组中的有效风速测量输出值进行上述修正或补充操作。对于表4的实施例来说,第20行对应的数据组以前的所有数据组就是第1-19行的数据组,进一步从中选择出与第20行对应的数据组处于相同扇区的数据组进行后续处理。
5)在上述所选择的数据组中,即在同时满足时间上早于所确定的数据组,以及与所确定的数据组处于相同扇区的数据组中,判断有多少个数据组中待测高度的风速测量输出值是有效的。如果具有有效风速测量输出值的数据组的数量小于一个经验阈值,例如设定为30,则进行步骤7)的操作;如果该数量大于等于上述经验阈值,则进行步骤6)的操作。
6)提取同一扇区中待测高度的风速测量输出值是有效的那些数据组中属于参考风速测量输出值序列的风速测量输出值,并按时间顺序排列形成横坐标序列;提取同一扇区中待测高度的风速测量输出值是有效的那些数据组中属于待测风速测量输出值序列的风速测量输出值,并按时间顺序排列形成纵坐标序列;应用公式(8)拟合上述横坐标序列和纵坐标序列之间的函数关系,从而计算该扇区中的m和t。
在本实施例中由于分了16个扇区,因此在一些情况下相当于需要计算16对m和t。说明书附图5示意了依据100m参考风向测量输出值序列分16扇区的情况下,应用公式(8)寻找210m待测风速测量输出值序列中已有全部有效风速测量输出值和100m参考风速测量输出值序列中已有全部有效风速测量输出值之间函数关系的示意图。每一个子图都是一个扇区内数据组处理的结果。
7)考虑所有扇区的数据组,即不区分扇区的情况下,提取所有扇区中待测高度的风速测量输出值是有效的那些数据组中属于参考风速测量输出值序列的风速测量输出值,并按时间顺序排列形成横坐标序列;提取所有扇区中待测高度的风速测量输出值是有效的那些数据组中属于待测风速测量输出值序列的风速测量输出值,并按时间顺序排列形成纵坐标序列;应用公式(8)拟合上述横坐标序列和纵坐标序列之间的函数关系,计算一个总的m和t。
8)利用上述步骤6)或者步骤7)获得的m和t确定公式(8),用该公式计算修正或者补充上述时间最靠前的非有效风速测量输出值。在本实施例中,时间最靠前的非有效风速测量输出值处于第20行的时间间隔,因此在做步骤5)的判断时的时间在前的数据组都不够30个,所以该时间间隔所对应的数据组所在的第4扇区(该时间间隔对应的数据组中的参考风向测量输出值为69.1°)中具有有效风速测量输出值的数据组的数量肯定小于30,因此只能使用步骤7)计算的m和t,然后再使用100m的参考风速测量输出值序列在第20行对应的数据组中的参考风速测量输出值5.16根据确定的公式(8)来计算该数据组中210m的风速测量输出值。
表6以待测高度210m为例,示意了表4中数据分扇区的情况以及对应说明书附图5的各个扇区计算获得的m和t(该表内容仅作示意使用,不考虑待测数据组中具有有效风速测量输出值的数据组的数量是否符合阈值要求)。
表6待预测风速序列210m已有全部有效风速和参考风速序列100m已有全部有效风速依据100m风向分16扇区示意(由于实例中每一个扇区均不够30个数据,因而斜率和偏差并没有不同)
9)更新所选待测高度下待测风速测量输出值序列中时间最靠前的非有效风速测量输出值所在的数据组,转至步骤4)。在本实施例中,第20行数据组中的210m风速测量输出值预测完之后,在本步骤中将更新时间最靠前的非有效风速测量输出值所在的数据组为第21行的数据组,转至步骤4)后,第20行的数据组将具有有效风速测量输出值而被考虑。如此直至所选待测高度下待测风速测量输出值序列中的所有非有效风速测量输出值都被修正或者补充。
10)返回步骤3),直至所有待预测高度的所有非有效风速测量输出值都被修正或者补充。停止风速预测次优算法模型的计算。
上述过程中,当预测的风速小于0m/s时则用0m/s替代。
2、风向预测次优算法模型
参见表4的第3、6、9、12四列,分别为50m、100m、130m和210m的风向测量输出值序列,每一个高度的风向测量输出值序列都包括了按时间顺序排列的144个风向测量输出值,这144个风向测量输出值可能包括有效风向测量输出值、无效风向测量输出值或者缺失的风向测量输出值(即缺失数据的状态)。这其中第3、9、12列为50m、130m、210m的风向测量输出值序列,由于这三列均有需要次优算法模型预测的测量点,因此定义这三列为待测风向测量输出值序列,其包含了有效风向测量输出值(例如210m第57-64行)和经最优算法预测后的有效风向测量输出值(例如210m第1-7行);而高度100m对应的第6列在最优算法预测后所有风向测量输出值都是有效风向测量输出值了,没有需要次优算法预测的测量点,因而该列为参考风向测量输出值序列,参考风向测量输出值序列实际也包含有实测的有效风向测量输出值和经最优算法预测后的有效风向测量输出值。
该模型依据如下公式(9)进行预测:
y=x+r (9)
式中,y为待测风向测量输出值序列;x为参考风向测量输出值序列;r为预测公式偏差。根据待测风向测量输出值序列和参考风向测量输出值序列中的实测的有效风向测量输出值和经最优算法预测后的有效风向测量输出值,计算待测高度对应的待测风向测量输出值序列和参考高度对应的参考风向测量输出值序列之间的关系,从而计算获得r。然后再应用参考风向测量输出值序列中的有效风向测量输出值和公式(9)来预测相同时间间隔下,即相同数据组内的待测风向测量输出值。
风向预测次优模型具体实施步骤如下:
1)为了消除0°方向左右(如1°,359°其实是很接近的方向)的模型拟合误差,需要将所有数据组中所有高度的有效风向测量输出值做如下转换:若数据组中最小的有效风向测量输出值小于90°,并且数据组中具有大于等于270°的有效风向测量输出值,需要将所有大于等于270°的有效风向测量输出值减去360°。例如表4第115行数据组中,需要将该数据组中50m的有效风向测量输出值358.3°转换成-1.7°,100m的有效风向测量输出值359.7°转换成-0.3°,而130m的有效风向测量输出值0.8°保持不变。
但该转换仅在风向预测次优模型的预测计算过程中使用,在使用风向预测次优模型算法预测计算之前就已经确定的有效风向测量输出值在向用户输出时仍保留转换前的结果。
2)选择一个待测高度,对该待测高度对应的待测风向测量输出值序列中的非有效风向测量输出值进行修正或补充。
3)选择所有满足上述所选待测高度的风向测量输出值是有效的数据组(该数据组中参考高度的风向测量输出值肯定也是有效的)。
优选地,选择上述数据组中参考高度的风速测量输出值不小于特定阈值的那些数据组。例如该阈值定为3m/s。即认为如果参考高度的风速测量输出值小于3m/s的话,其对应时间间隔下的风向测量输出值不适宜在次优算法模型预测中使用。
4)对上述所选择的数据组进行处理:提取上述所选数据组中所选待测高度对应的待测风向测量输出值序列的有效风向测量输出值,并按时间顺序排列形成纵坐标序列;对于上述所提取的有效风向测量输出值所在的数据组,提取这些数据组中的参考风向测量输出值序列的风向测量输出值,并按时间顺序排列形成横坐标序列;应用公式(9)拟合上述横坐标序列和纵坐标序列之间的函数关系,从而计算获得r值。
5)利用上述步骤4)获得的r值确定公式(9),用该公式计算修正或者补充上述该待测高度的非有效风向测量输出值。
6)返回步骤2),直至所有待预测高度的所有非有效风向测量输出值都被修正或者补充。停止风向预测次优算法模型的计算。
在风向次优预测算法的预测结果中,若预测的风向测量输出值大于360°,则用360除该预测的风向测量输出值取余数;若预测的风向测量输出值小于0°,则用-360除该预测的风向测量输出值取余数再加360°。例如预测的风向测量输出值若是363°则转换为3°,若预测的风向测量输出值-2°则转换为358°。
经过上述风速和风向预测次优模型预测后,数据如表7所示,预测风速保留三位小数,预测风向保留一位小数。
表7风速风向经过最优及次优预测算法后得到的数据
可以看到,经过最优预测模型和次优预测模型自动预测之后,原先表3中浅灰色的无效风速/风向测量输出值以及深灰色的缺失的风速/风向测量输出值都得到了修正或者补充。
最后,有些情况下激光雷达测风系统在某一时间间隔的数据组中所有的风速/风向测量输出值都是无效或者缺失的,因此上述次优预测模型是无法使用的,因为此时不存在参考高度以及参考高度对应的参考风速/风向测量输出值。此时,可采用外部测风设备如雷达附近风电机组机舱风速风向或者雷达附近测风塔风速风向作为参考风速/风向测量输出值进行补充,从而进一步能够使用上述次优预测模型进行预测。
上面所述的只是说明本发明一种综合风廓线预测模型预测方法的实施方式,由于对相同技术领域的普通技术人员来说很容易在此基础上进行若干修改和改动,因此本说明书并非是要将本发明的综合风廓线预测模型预测方法局限在所示和所述的具体步骤范围内,故凡是所有可能被利用的相应修改及等同方法,均属于本发明所申请的专利范围。
Claims (10)
1.一种风廓线数据预测方法,用于对测风数据中无效或者缺失的风速测量输出值和/或风向测量输出值进行预测,具体包括如下步骤:
S1,采集风速值测量数据和风向值测量数据,确定向用户输出风速测量输出值和风向测量输出值的时间间隔;使用每一个时间间隔内的各个测风高度的风速值测量数据计算该时间间隔内的各个测风高度的风速测量输出值,使用每一个时间间隔内的各个测风高度的风向值测量数据计算该时间间隔内的各个测风高度的风向测量输出值;形成每一个时间间隔所对应的数据组;
S2,判断步骤S1中计算的所有风速测量输出值和风向测量输出值是否满足单个统计数据有效数据完整率的要求;对于不满足单个统计数据有效数据完整率要求的风速测量输出值和风向测量输出值标记为无效风速测量输出值和无效风向测量输出值,其它风速测量输出值和风向测量输出值被认为是有效风速测量输出值和有效风向测量输出值;对于没有风速值测量数据和风向值测量数据的时间间隔,相应地认定为缺失的风速测量输出值和缺失的风向测量输出值;
S3,对于每一个数据组内所有高度的风速测量输出值,确定该数据组内满足单个统计数据有效数据完整率要求的个数n1;当n1大于等于2时,使用风速预测最优模型对该数据组内的无效风速测量输出值和缺失的风速测量输出值进行修正和补充;当n1等于1时,使用风速预测次优模型对该数据组内的无效风速测量输出值和缺失的风速测量输出值进行修正和补充;
S4,对于每一个数据组内所有高度的风向测量输出值,确定该数据组内满足单个统计数据有效数据完整率要求的个数n2;当n2大于等于2时,使用风向预测最优模型对该数据组内的无效风向测量输出值和缺失的风向测量输出值进行修正和补充;当n2等于1时,使用风向预测次优模型对该数据组内的无效风向测量输出值和缺失的风向测量输出值进行修正和补充;
其中,风速预测最优模型依据风速随高度变化的方程:
V(Z)=βZα;
式中,Z为测风高度,β为常数,V为对应高度一时间间隔的风速测量输出值,α为幂指数;
风向预测最优模型依据风向随高度变化的方程:
y=ax+b
式中,x为测风高度,y为测风高度对应的风向,而a和b均为常数;
风速预测次优模型依据如下方程:
y=mx+t
式中,y为待测风速测量输出值序列,x为参考风速测量输出值序列,m为预测公式的斜率,t为预测公式偏差;
风向预测次优模型依据如下方程:
y=x+r
式中,y为待测风向测量输出值序列,x为参考风向测量输出值序列,r为预测公式偏差。
2.如权利要求1所述的方法,其特征在于,
步骤S3中,所述使用风速预测最优模型对该数据组内的无效风速测量输出值和缺失的风速测量输出值进行修正和补充的操作具体包括如下操作:
S31,使用数据组内的k个参考高度对应的有效风速测量输出值按照如下公式计算该数据组内的α和β:
ln(V(Z))=αln(Z)+ln(β)
S32,将所获得的α和β带入如下公式:
V(Z)=βZα
修正或者补充数据组内待测高度对应的风速测量输出值。
3.如权利要求2所述的方法,其特征在于,如果k大于等于3,则所述步骤S31还包括如下操作:
计算获得该数据组内的α和β后,按照如下公式计算风速预测拟合度R2:
其中xi为某一需要预测时间间隔第i个参考高度Z取自然对数即ln(Z)的值,为某一时间间隔所有参考高度取自然对数后的算术平均值,yi为某一需要预测时间间隔有效数据的第i个参考高度对应风速取自然对数值即ln(V(Z)),为某一时间间隔所有参考高度对应风速取自然对数后的算术平均值;
若R2≥0.99,则应用上述已经获得的α和β执行步骤S32;
若R2<0.99,则逐一去除离待测高度的最远距离的参考高度所对应的数据,重新计算并更新α和β,然后再次计算所述风速预测拟合度R2,直到R2≥0.99,并用最终的α和β执行步骤S32。
4.如权利要求3所述的方法,其特征在于,若R2<0.99时,后续步骤替换为:
逐一去掉距离拟合直线距离最远的数据点对应的高度数据,重新计算并更新α和β,然后再次计算所述风速预测拟合度R2,直到R2≥0.99,并用最终的α和β执行步骤S32。
5.如权利要求1所述的方法,其特征在于,
步骤S4中,所述使用风向预测最优模型对该数据组内的无效风向测量输出值和缺失的风向测量输出值进行修正和补充的操作具体包括如下操作:
S41,对于需要使用风向预测最优模型预测风向测量输出值的每一个数据组,若其中最小的有效风向测量输出值小于90°,且其它有效风向测量输出值有大于等于270°,则需要将所有大于等于270°的有效风向测量输出值减去360°;
S42,使用数据组内的k个参考高度对应的有效风向测量输出值按照如下公式计算该数据组内的a和b:
y=ax+b
S43,将所获得的a和b带入上述公式,计算修正或者补充数据组内待测高度对应的风向测量输出值。
6.如权利要求5所述的方法,其特征在于,如果k大于等于3,则所述步骤S42还包括如下操作:
计算获得该数据组内的a和b后,按照如下公式计算风向预测拟合度R2:
其中xi为某一需要预测时间间隔第i个参考高度,为某一时间间隔所有参考高度的算术平均值,yi为某一需要预测时间间隔有效数据的第i个高度对应风向,为某一时间间隔所有参考高度对应风向算术平均值;
若R2≥0.99,则应用上述已经获得的a和b执行步骤S43;
若R2<0.99,则逐一去除离待测高度的最远距离的参考高度所对应的数据,重新计算并更新a和b,然后再次计算所述风向预测拟合度R2,直到R2≥0.99,并用最终的a和b执行步骤S43。
7.如权利要求6所述的方法,其特征在于,若R2<0.99时,后续步骤替换为:
逐一去掉距离拟合直线距离最远的数据点对应的高度数据,重新计算并更新a和b,然后再次计算所述风向预测拟合度R2,直到R2≥0.99,并用最终的a和b执行步骤S43。
8.如权利要求1所述的方法,其特征在于,
步骤S3中,所述使用风速预测次优模型对该数据组内的无效风速测量输出值和缺失的风速测量输出值进行修正和补充的操作具体包括如下操作:
S33,将风向360°划分为q个扇区;
S34,依据数据组中属于参考风向测量输出值序列的风向测量输出值将该数据组对应分类到步骤S33所划分各个扇区中;
S35,选择一个待测高度,对该待测高度对应的待测风速测量输出值序列中的非有效风速测量输出值进行修正或补充;
S36,确定上述待测风速测量输出值序列中时间最靠前的非有效风速测量输出值所在的数据组;选择时间上比上述确定的数据组早,并且与上述确定的数据组在同一扇区的所有数据组;
S37,在步骤S36所选择的数据组中,判断有多少个数据组中待测高度的风速测量输出值是有效的;如果具有有效风速测量输出值的数据组的数量小于一个经验阈值,则进行步骤S39的操作;如果该数量大于等于上述经验阈值,则进行步骤S38的操作。
S38,提取步骤S37中待测高度的风速测量输出值是有效的那些数据组中属于待测风速测量输出值序列的风速测量输出值,并按时间顺序排列形成纵坐标序列;提取步骤S37中待测高度的风速测量输出值是有效的那些数据组中属于参考风速测量输出值序列的风速测量输出值,并按时间顺序排列形成横坐标序列;拟合上述横坐标序列和纵坐标序列之间的函数关系,从而计算该扇区中的m和t;
S39,提取所有扇区中待测高度的风速测量输出值是有效的那些数据组中属于参考风速测量输出值序列的风速测量输出值,并按时间顺序排列形成横坐标序列;提取所有扇区中待测高度的风速测量输出值是有效的那些数据组中属于待测风速测量输出值序列的风速测量输出值,并按时间顺序排列形成纵坐标序列;拟合上述横坐标序列和纵坐标序列之间的函数关系,从而计算该扇区中的m和t;
S310,利用上述步骤S38或者步骤S39获得的m和t,计算修正或者补充上述时间最靠前的非有效风速测量输出值;
S311,更新所选待测高度下待测风速测量输出值序列中时间最靠前的非有效风速测量输出值所在的数据组,转至步骤S36;
S312,返回步骤S35,直至所有待预测高度的所有非有效风速测量输出值都被修正或者补充后停止风速预测次优算法模型的计算。
9.如权利要求1所述的方法,其特征在于,
步骤S4中,所述使用风向预测次优模型对该数据组内的无效风向测量输出值和缺失的风向测量输出值进行修正和补充的操作具体包括如下操作:
S44,在所有数据组中,若其中最小的有效风向测量输出值小于90°,且其它有效风向测量输出值有大于等于270°,则需要将所有大于等于270°的有效风向测量输出值减去360°;
S45,选择一个待测高度,对该待测高度对应的待测风向测量输出值序列中的非有效风向测量输出值进行修正或补充。
S46,选择步骤S45中所选待测高度下的风向测量输出值是有效的所有数据组;
S47,提取步骤S46所选数据组中所选待测高度对应的待测风向测量输出值序列的有效风向测量输出值,并按时间顺序排列形成纵坐标序列;对于生成纵坐标序列中那些有效风向测量输出值所在的数据组,进一步提取这些数据组中属于参考风向测量输出值序列的风向测量输出值,并按时间顺序排列形成横坐标序列;拟合上述横坐标序列和纵坐标序列之间的函数关系,从而计算获得r值;
S48,利用上述步骤S47获得的r值计算修正或者补充上述该待测高度的非有效风向测量输出值;
S49,返回步骤S45,直至所有待预测高度的所有非有效风向测量输出值都被修正或者补充后停止风向预测次优算法模型的计算。
10.如权利要求9所述的方法,其特征在于,
所述步骤S46替换为:确定步骤S45中所选待测高度下的风向测量输出值是有效的数据组,并从上述所确定的数据组中选择参考高度的风速测量输出值不小于特定阈值的数据组。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910256863.8A CN110135618B (zh) | 2019-04-01 | 2019-04-01 | 一种风廓线数据预测方法 |
PCT/CN2020/078807 WO2020199875A1 (zh) | 2019-04-01 | 2020-03-11 | 一种风廓线数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910256863.8A CN110135618B (zh) | 2019-04-01 | 2019-04-01 | 一种风廓线数据预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135618A true CN110135618A (zh) | 2019-08-16 |
CN110135618B CN110135618B (zh) | 2021-07-09 |
Family
ID=67569138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910256863.8A Active CN110135618B (zh) | 2019-04-01 | 2019-04-01 | 一种风廓线数据预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110135618B (zh) |
WO (1) | WO2020199875A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533347A (zh) * | 2019-09-10 | 2019-12-03 | 浙江运达风电股份有限公司 | 一种风电场风资源计算方法、装置、设备及可读介质 |
CN110532518A (zh) * | 2019-08-30 | 2019-12-03 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种空冷对比观测待插补数据插补方法及系统 |
WO2020199875A1 (zh) * | 2019-04-01 | 2020-10-08 | 北京观详光电技术有限公司 | 一种风廓线数据预测方法 |
CN111983618A (zh) * | 2020-09-01 | 2020-11-24 | 中国民用航空西北地区空中交通管理局甘肃分局 | 一种基于人工智能的机场风廓线雷达高分辨率显示系统 |
CN113138374A (zh) * | 2021-04-08 | 2021-07-20 | 北京观详光电技术有限公司 | 一种激光雷达风场数据重建方法及系统 |
CN117057257A (zh) * | 2023-10-11 | 2023-11-14 | 云南电投绿能科技有限公司 | 一种测风塔数据的插值计算方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060179934A1 (en) * | 2003-07-11 | 2006-08-17 | Qinetiq Limited | Wind speed measurement apparatus and method |
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 |
CN104036121A (zh) * | 2014-05-20 | 2014-09-10 | 江苏省电力设计院 | 基于概率分布转移的测风数据风速订正方法 |
CN107239856A (zh) * | 2017-05-31 | 2017-10-10 | 华北电力大学 | 一种风向数据插补方法 |
CN107885968A (zh) * | 2017-11-06 | 2018-04-06 | 国电联合动力技术有限公司 | 基于周期叠加外推的风电场年平均风速预测方法及系统 |
CN108646230A (zh) * | 2018-05-16 | 2018-10-12 | 北京观详光电技术有限公司 | 一种混合式多普勒激光雷达及其使用方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776695B (zh) * | 2010-03-08 | 2011-12-14 | 江苏省电力试验研究院有限公司 | 风力发电系统风速风向测量方法 |
DK2719893T3 (en) * | 2012-10-09 | 2017-04-03 | Alstom Renewable Technologies | Method of operating a variable speed wind turbine |
CN110135618B (zh) * | 2019-04-01 | 2021-07-09 | 北京观详光电技术有限公司 | 一种风廓线数据预测方法 |
-
2019
- 2019-04-01 CN CN201910256863.8A patent/CN110135618B/zh active Active
-
2020
- 2020-03-11 WO PCT/CN2020/078807 patent/WO2020199875A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060179934A1 (en) * | 2003-07-11 | 2006-08-17 | Qinetiq Limited | Wind speed measurement apparatus and method |
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 |
CN104036121A (zh) * | 2014-05-20 | 2014-09-10 | 江苏省电力设计院 | 基于概率分布转移的测风数据风速订正方法 |
CN107239856A (zh) * | 2017-05-31 | 2017-10-10 | 华北电力大学 | 一种风向数据插补方法 |
CN107885968A (zh) * | 2017-11-06 | 2018-04-06 | 国电联合动力技术有限公司 | 基于周期叠加外推的风电场年平均风速预测方法及系统 |
CN108646230A (zh) * | 2018-05-16 | 2018-10-12 | 北京观详光电技术有限公司 | 一种混合式多普勒激光雷达及其使用方法 |
Non-Patent Citations (5)
Title |
---|
M. MOHANDES等: "Estimation of wind speed profile using adaptive neuro-fuzzy inference system(ANFIS)", 《APPLIED ENERGY》 * |
董德保等: "风廓线雷达大气风场观测误差分析", 《气象科技》 * |
谢日华等: "基于修正灰色残差算法的风廓线质量控制", 《激光技术》 * |
邓闯等: "风廓线雷达测风精度评估", 《应用气象学报》 * |
黄裕文: "三种测风方法的原理及其比对", 《价值工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199875A1 (zh) * | 2019-04-01 | 2020-10-08 | 北京观详光电技术有限公司 | 一种风廓线数据预测方法 |
CN110532518A (zh) * | 2019-08-30 | 2019-12-03 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种空冷对比观测待插补数据插补方法及系统 |
CN110532518B (zh) * | 2019-08-30 | 2023-04-25 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种空冷对比观测待插补数据插补方法及系统 |
CN110533347A (zh) * | 2019-09-10 | 2019-12-03 | 浙江运达风电股份有限公司 | 一种风电场风资源计算方法、装置、设备及可读介质 |
CN111983618A (zh) * | 2020-09-01 | 2020-11-24 | 中国民用航空西北地区空中交通管理局甘肃分局 | 一种基于人工智能的机场风廓线雷达高分辨率显示系统 |
CN111983618B (zh) * | 2020-09-01 | 2023-10-31 | 中国民用航空西北地区空中交通管理局甘肃分局 | 一种基于人工智能的机场风廓线雷达高分辨率显示系统 |
CN113138374A (zh) * | 2021-04-08 | 2021-07-20 | 北京观详光电技术有限公司 | 一种激光雷达风场数据重建方法及系统 |
CN117057257A (zh) * | 2023-10-11 | 2023-11-14 | 云南电投绿能科技有限公司 | 一种测风塔数据的插值计算方法、装置、设备及存储介质 |
CN117057257B (zh) * | 2023-10-11 | 2024-01-26 | 云南电投绿能科技有限公司 | 一种测风塔数据的插值计算方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020199875A1 (zh) | 2020-10-08 |
CN110135618B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135618A (zh) | 一种风廓线数据预测方法 | |
CN100495272C (zh) | 基于综合数据来源的钢铁能源的自动优化调度系统及方法 | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN111738561B (zh) | 一种基于深度学习的区域水土流失动态监测方法 | |
CN107133702B (zh) | 一种风电场全场功率预测方法 | |
CN108375808A (zh) | Nriet基于机器学习的大雾预报方法 | |
CN107515842B (zh) | 一种城市人口密度动态预测方法及系统 | |
CN107609713B (zh) | 一种通过降雨和径流双要素校正的陆气耦合实时预报方法 | |
CN108388962A (zh) | 一种风电功率预测系统及方法 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN111046026A (zh) | 一种基于约束优化的缺失能耗数据填补方法 | |
CN115358606B (zh) | 一种平缓地形下在役风电场能效评估方法及系统 | |
CN114429053A (zh) | 流域尺度wefe系统适配性模拟优化方法 | |
CN106989778A (zh) | 一种尾矿库在线安全监测系统 | |
CN112700068A (zh) | 基于机器学习融合多源遥感数据的水库调度规则优化方法 | |
CN106600055A (zh) | 一种基于自激励门限自回归模型的风速预测方法 | |
CN114565327A (zh) | 基于物联网的智慧能源管控系统 | |
CN115409338A (zh) | 一种空调碳排放智能监管系统 | |
CN114004514A (zh) | 一种大气臭氧污染发生气象条件等级判别方法 | |
CN116796633A (zh) | 一种基于数字孪生技术的电网监测模型校正方法 | |
CN114519124A (zh) | 一种大气环境污染联防联控治理方法 | |
CN110273818A (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN116226263A (zh) | 一种可再生能源可视化智能管控制方法及系统 | |
CN116050788A (zh) | 一种工业智能排产管理系统 |
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 |