CN111222726B - 测风数据异常的识别方法和设备 - Google Patents

测风数据异常的识别方法和设备 Download PDF

Info

Publication number
CN111222726B
CN111222726B CN201811407222.XA CN201811407222A CN111222726B CN 111222726 B CN111222726 B CN 111222726B CN 201811407222 A CN201811407222 A CN 201811407222A CN 111222726 B CN111222726 B CN 111222726B
Authority
CN
China
Prior art keywords
data
wind
wind speed
altitude
sector
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.)
Active
Application number
CN201811407222.XA
Other languages
English (en)
Other versions
CN111222726A (zh
Inventor
张聪聪
崔杰
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.)
Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Original Assignee
Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
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 Beijing Goldwind Science and Creation Windpower Equipment Co Ltd filed Critical Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Priority to CN201811407222.XA priority Critical patent/CN111222726B/zh
Publication of CN111222726A publication Critical patent/CN111222726A/zh
Application granted granted Critical
Publication of CN111222726B publication Critical patent/CN111222726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)

Abstract

本发明提供一种测风数据异常的识别方法和设备，所述识别方法包括：获取测风数据；将各个时刻以及高度的测风数据与其对应的阈值范围进行比较，将在阈值范围之外的测风数据识别为第一异常数据；针对被识别为第一异常数据之外的测风数据，通过以下步骤来判断所述第一异常数据之外的测风数据是否为第二异常数据：针对任一时刻的任一高度的测风数据，确定众数的个数占总数量的第一比例；当所述第一比例大于或等于第一预定比例时，识别所述第一异常数据之外的测风数据为第二异常数据。根据本发明，可对获取的测风数据中的异常数据进行自动的识别，效率较高，省时节力，可避免手动筛选时由于不同的工程师处理造成的误差。

Description

测风数据异常的识别方法和设备
技术领域
本发明涉及风力发电技术领域，更具体地讲，涉及一种测风数据异常的识别方法和设备。
背景技术
风电场发电量的评估是否准确，第一要点就是测风塔测量计算的风速是否准确。然而，测风塔在测风过程中，往往由于仪器损坏，数据传输故障，结冰覆冰等原因，部分测风数据出现缺失或异常，导致计算出的风速偏差较大，因此，风资源工程师需要识别出异常数据，将其排除统计。而现有技术大都是借助电子表格、风力资源分析软件(windographer)等软件工具，人工对异常数据识别并手动拖拉进行异常标识，此过程耗时费力，特别是测风塔测风时间较长以及测风文件较大时，需要耗费大量的人力成本和时间成本。并且由于，传统处理方式均是由风资源工程师手动筛选，不同工程师筛选的异常情况有所不同，不能统一化。
发明内容
本发明的目的在于提供一种测风数据异常的识别方法和设备，以解决现有的识别方法耗时费力且不能统一化的问题。
本发明的一方面提供一种测风数据异常的识别方法，所述识别方法包括：获取测风数据，其中，测风数据包括测风数据测量期间内的各个时刻以及高度的测风数据；将各个时刻以及高度的测风数据与其对应的阈值范围进行比较，将在阈值范围之外的测风数据识别为第一异常数据；针对被识别为第一异常数据之外的测风数据，通过以下步骤来判断所述第一异常数据之外的测风数据是否为第二异常数据：针对任一时刻的任一高度的除气压之外的任一种测风数据，确定所述任一时刻前后两个第一预定时段内的所述任一高度的所述测风数据的众数的个数，占所述任一时刻前后两个第一预定时段内的所述任一高度的所述测风数据的总数量的第一比例；当所述第一比例大于或等于第一预定比例时，识别所述第一异常数据之外的测风数据为第二异常数据。
可选地，判断所述第一异常数据之外的测风数据是否为第二异常数据的步骤还包括：当所述第一比例小于第一预定比例且大于第二预定比例时，确定所述任一时刻前一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的众数的个数，占所述任一时刻前一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的总数量的第二比例，以及确定所述任一时刻后一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的众数的个数，占所述任一时刻后一个第一预定时段内的所述除气压之外的任一高度的所述任一种种测风数据的总数据的第三比例；当所述第二比例和所述第三比例都大于或等于第一预定比例时，识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
可选地，还包括：在第二异常数据中，将其所在时刻以及所在高度的温度数据小于预定温度的第二异常数据确定为第三异常数据，其中所述测风数据包括温度数据；或者，在第二异常数据中，将其所在时刻为预定月份的第二异常数据确定为第三异常数据。
可选地，还包括：针对被识别第一异常数据和第二异常数据之外的测风数据，通过以下步骤来判断各个时刻的测风数据是否为第四异常数据：测风数据分为预定数量扇区的测风数据；根据每个扇区内的测风数据中的风速数据确定每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数；根据每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数推算每个扇区内的各个时刻的各个高度的风速；针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据大于或等于预定风速时，在所有高度中，确定推算的风速数据与实际的风速数据相差的绝对值大于或等于最大高度的实际风速的第一预定倍数的第一高度，以及确定推算的风速数据与实际的风速数据相差的绝对值小于最大高度的实际风速的第一预定倍数，且大于或等于最大高度的实际风速的第二预定倍数的第二高度，将确定的第一高度的风速数据识别为第四异常数据，将确定的第二高度的风速数据识别为可疑异常的数据，将所述任一时刻的其他高度的风速数据确定为正常数据，其中，第一预定倍数大于第二预定倍数；针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据小于预定风速时，在所有高度中，确定推算的风速数据与实际的风速数据相差的绝对值大于或等于第一预定常数的第三高度，以及确定推算的风速数据与实际的风速数据相差的绝对值小于第一预定常数，且大于或等于第二预定常数的第四高度，将确定的第三高度的风速数据识别为第四异常数据，将确定的第四高度的风速数据识别为可疑异常的数据，将其他高度的风速数据确定为正常数据，其中，第一预定常数大于第二预定常数。
可选地，还包括：针对被识别为正常或者可疑异常的风速数据，通过以下步骤来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第四比例，当所述第四比例大于或等于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据；当所述第四比例小于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据。
可选地，还包括：针对被识别为正常或者可疑异常的风速数据，通过以下步骤来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据的总数量的第五比例；当所述第五比例大于或等于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据；当所述第五比例小于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据，其中，所述第三预定时段小于所述第二时段。
可选地，还包括：在识别异常数据之前，识别获取的测风数据的格式，并确定获取的测风数据的格式与预定的格式是否一致；当获取的测风数据的格式与预定的格式不一致时，将获取的测风数据的格式转换为预定的格式。
可选地，还包括：在识别异常数据之前，查找所述测风数据测量期间内缺失测风数据的时刻，用空值补齐查找的时刻的测风数据。
可选地，还包括：在识别异常数据之前，创建各个时刻的各个高度的各种测风数据的标签，并且将各个时刻的各个高度的各种测风数据的标签值的初始值设定为第一预定值；在识别各种类型的异常数据后，将不同类型的异常数据的标签值更改为不同的预定值。
本发明的另一方面提供一种测风数据异常的识别设备，包括：获取单元，获取测风数据，其中，测风数据包括测风数据测量期间内的各个时刻以及高度的测风数据；第一识别单元，将各个时刻以及高度的各种测风数据与其对应的阈值范围进行比较，将在阈值范围之外的测风数据识别为第一异常数据；第二识别单元，针对被识别为第一异常数据之外的测风数据，通过以下处理来判断第一异常数据之外的测风数据是否为第二异常数据：针对任一时刻的任一高度的除气压之外的任一种测风数据，确定所述任一时刻前后两个第一预定时段内的所述任一高度的所述任一种测风数据的众数的个数，占所述任一时刻前后两个第一预定时段内的所述任一高度的所述任一种测风数据的总数量的第一比例；当所述第一比例大于或等于第一预定比例时，识别所述任一时刻的任一高度的任一种测风数据为第二异常数据。
可选地，判断所述第一异常数据之外的测风数据是否为第二异常数据的处理还包括：当所述第一比例小于第一预定比例且大于第二预定比例时，确定所述任一时刻前一个第一预定时段内的所述任一高度的所述任一种除气压之外的测风数据的众数的个数，占所述任一时刻前一个第一预定时段内的所述任一高度的所述任一种除气压之外的测风数据的总数量的第二比例，以及确定所述任一时刻后一个第一预定时段内的所述任一高度的所述任一种除气压之外的测风数据的众数的个数，占所述任一时刻后一个第一预定时段内的所述任一高度的所述任一种除气压之外的测风数据的总数据的第三比例；当所述第二比例和所述第三比例都大于或等于第一预定比例时，识别所述任一时刻的任一高度的任一种测风数据为第二异常数据。
可选地，还包括：第三识别单元，在第二异常数据中，将其所在时刻以及所在高度的温度数据小于预定温度的第二异常数据确定为第三异常数据其中所述测风数据包括温度数据；或者，在第二异常数据中，将其所在时刻为预定月份的第二异常数据确定为第三异常数据。
可选地，还包括：异地异常单元，针对被识别第一异常数据和第二异常数据之外的测风数据，通过以下处理来判断各个时刻的测风数据是否为第四异常数据：将测风数据分为预定数量扇区的测风数据；根据每个扇区内的测风数据中的风速数据确定每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数；根据每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数推算每个扇区内的各个时刻的各个高度的风速；针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据大于或等于预定风速时，在所有高度中，确定推算的风速数据与实际的风速数据相差的绝对值大于或等于最大高度的实际风速的第一预定倍数的第一高度，以及确定推算的风速数据与实际的风速数据相差的绝对值小于最大高度的实际风速的第一预定倍数，且大于或等于最大高度的实际风速的第二预定倍数的第二高度，将确定的第一高度的风速数据识别为第四异常数据，将确定的第二高度的风速数据识别为可疑异常的数据，将所述任一时刻的其他高度的风速数据确定为正常数据，其中，第一预定倍数大于第二预定倍数；针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据小于预定风速时，在所有高度中，确定推算的风速数据与实际的风速数据相差的绝对值大于或等于第一预定常数的第三高度，以及确定推算的风速数据与实际的风速数据相差的绝对值小于第一预定常数，且大于或等于第二预定常数的第四高度，将确定的第三高度的风速数据识别为第四异常数据，将确定的第四高度的风速数据识别为可疑异常的数据，将其他高度的风速数据确定为正常数据，其中，第一预定常数大于第二预定常数。
可选地，还包括：第五识别单元，针对被识别为正常或者可疑异常的风速数据，通过以下处理来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第四比例，当所述第四比例大于或等于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据；当所述第四比例小于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据。
可选地，还包括：第六识别单元，针对被识别为正常或者可疑异常的风速数据，通过以下处理来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据的总数量的第五比例；当所述第五比例大于或等于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据；当所述第五比例小于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据，其中，所述第三预定时段小于所述第二时段。
可选地，还包括：预处理单元，在识别异常数据之前，识别获取的测风数据的格式，并确定获取的测风数据的格式与预定的格式是否一致；当获取的测风数据的格式与预定的格式不一致时，将获取的测风数据的格式转换为预定的格式。
可选地，还包括：预处理单元，在识别异常数据之前，查找所述测风数据测量期间内缺失测风数据的时刻，用空值补齐查找的时刻的测风数据。
可选地，还包括：标签单元，在识别异常数据之前，创建各个时刻的各个高度的各种测风数据的标签，并且将各个时刻的各个高度的各种测风数据的标签值的初始值设定为第一预定值；在识别各种类型的异常数据后，将不同类型的异常数据的标签值更改为不同的预定值。
本发明的另一方面提供一种测风数据异常的识别系统，所述系统包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，执行如上所述的方法。
本发明的另一方面提供一种其中存储有计算机程序的计算机可读存储介质，当所述计算机程序被执行时实现如上所述的方法。
根据本发明的实施例的测风数据异常的识别方法和设备，可对获取的测风数据中的异常数据进行自动的识别，效率较高，省时节力，并且对异常数据的识别过程进行统一化、标准化，避免手动筛选时由于不同的工程师处理造成的误差。
将在接下来的描述中部分阐述本发明另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明的实施而得知。
附图说明
通过下面结合附图进行的详细描述，本发明的上述和其它目的、特点和优点将会变得更加清楚，其中：
图1是示出根据本发明的实施例的测风数据异常的识别方法的流程图；
图2是示出根据本发明的实施例的测风数据异常的识别设备的框图。
具体实施方式
下面参照附图详细描述本发明的实施例。
图1是示出根据本发明的实施例的测风数据异常的识别方法的流程图。
作为示例，测风数据又称测风塔数据，包括是由在测风塔上不同高度安装的各种传感器在不同的时刻采集的各种测风数据(例如：风速数据、风向数据、温度数据、气压数据等)，可被存储于数据记录器中。
作为示例，测风塔是用于测量各种测风数据的高耸结构，其用于安装各种传感器以及数据记录器。
在步骤S10，获取测风数据。获取的测风数据包括测风数据测量期间内的各个时刻的各个高度的各种测风数据，也就是说，在各个时刻以及各个高度测量的各种测风数据。
在一个优选的实施例中，由于从不同来源获取的测风数据的格式可能不同，为了方便后续的数据处理，在识别异常数据之前，可先识别获取的测风数据的格式，并确定获取的测风数据的格式与预定的格式是否一致。当测风数据的格式与预定的格式不一致时，将将测风数据转换为预定的格式，以将不同的测风数据的格式进行统一。
统一格式后的测风数据的同一列数据可以由不同时刻的同一高度的同一种测风数据组成。作为示例，统一格式后的测风数据的列的名称可以是指示该列包括的测风数据所对应的高度以及类型，例如列名称为ws_90中的测风数据为高度为90米的风速数据。作为示例，可将统一格式后的测风数据中没有数据的列进行删除。
此外，为了保证测风数据的完整性，可在识别异常数据之前，对测风数据进行重塑，即查找测风数据测量期间内缺失测风数据的时刻，用空值补齐查找的时刻的测风数据。
此外，为了方便测风数据的管理以及便于区分异常数据和正常数据，可在识别异常数据之前，创建各个时刻的各个高度的各种测风数据的标签，并且将各个时刻的各个高度的各种测风数据的标签值的初始值设定为第一预定值；在识别各种类型的异常数据后，将不同类型的异常数据的标签值更改为不同的预定值。
例如，将各个时刻的各个高度的各种测风数据的标签值的初始值设定为 1；在识别各种类型的异常数据后，将超出正常阈值的异常数据(下文称为第一异常数据)的标签值更改为-1，将冰冻数据(下文称为第三异常数据)的标签值更改为-2，将一定时间内恒定的异常数据(下文称为第二异常数据) 的标签值更改为-3，将趋势不一致的异常风速数据(下文称为第四异常数据) 的标签值更改为-5，将可疑异常的数据(即可能异常的数据)的标签值更改为-4。
在步骤S20，将各个时刻以及高度的测风数据(即各个时刻的各个高度的测风数据)与其对应的阈值范围进行比较，将在阈值范围之外的测风数据识别为第一异常数据。
作为示例，可预先设置不同类型的测风数据对应的阈值范围，表1示出了不同类型的测风数据对应的阈值范围的示例。在步骤S20，针对任一时刻的任一高度的任一种测风数据，确定其是否在与该任一种测风数据对应的阈值范围之内，当其在阈值范围之外时，将其识别为第一异常数据，当其在阈值范围之内时，将其识别为正常数据。
表1各种测风数据对应的阈值范围的示例
Figure BDA0001877653640000081
Figure BDA0001877653640000091
作为示例，对于识别为第一异常数据的测风数据，可将其标签值更改为 -1。
在步骤S30，针对第一异常数据之外的测风数据，通过以下步骤来判断第一异常数据之外的测风数据(即第一异常数据之外的各个时刻的各个高度的各种测风数据)是否为第二异常数据：针对任一时刻的任一高度的除气压之外的任一种测风数据，确定所述任一时刻前后两个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的众数的个数，占所述任一时刻前后两个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的总数量的第一比例；当所述第一比例大于或等于第一预定比例时，识别所述第一异常数据之外的测风数据为第二异常数据，即识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
作为示例，当第一比例小于第一预定比例且大于第二预定比例时，确定所述任一时刻前一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的众数的个数，占所述任一时刻前一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的总数量的第二比例，以及确定所述任一时刻后一个第一预定时段内的所述任一高度的所述除气压之外的任一种种测风数据的众数的个数，占所述任一时刻后一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的总数据的第三比例；当所述第二比例和所述第三比例都大于或等于第一预定比例时，识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
作为示例，在步骤S30，可将测风数据中识别出的第一异常数据设置为空值，不再予以考虑；根据测风数据中的列名称，筛选出各种测风数据(例如风速数据、风向数据、温度数据等)；针对筛选出的所有测风数据，通过以下方式依次遍历测风数据中每个时刻的每个高度的每种测风数据：针对任一时刻的任一高度的除气压之外的任一种测风数据，以该任一时刻为目标时刻点，将其分别左右平移第一预定时段(例如，3个小时)，此时得到以目标时刻点为中心的6个小时的所述任一高度的所述除气压之外的任一种测风数据；计算这6个小时内所述任一高度的所述除气压之外的任一种测风数据的众数的个数，以及计算这6个小时内所述除气压之外的任一高度的所述任一种测风数据的总数量，若在这个时间段内众数的个数占总数量的比例大于或等于第一预定比例(例如85％)，则识别该任一时刻的任一高度的除气压之外的任一种测风数据为一定时间恒定的异常数据(即第三异常数据)，可将其标签值更改为-3。
若在这个时间段内众数的个数占总数量的比例小于第一预定比例，但是大于第二预定比例(例如50％)，则分别判断在目标时刻点前面和后面的两个时间段内(例如各3小时)，各自的众数占各自总数量的比例(第二比例和第三比例)是否都大于或等于第一预定比例，若第二比例和第三比例都大于或等于，则识别该任一时刻的任一高度的除气压之外的任一种测风数据为一定时间恒定的异常数据(即第三异常数据)，可将其标签值更改为-3；若第二比例或第三比例小于第一预定比例，则识别该任一时刻的任一高度的除气压之外的任一种测风数据为正常数据，标签值仍为1。
在另外一个实施例中，测风数据异常的识别方法还可识别一定时间内恒定的异常数据是否为冰冻数据(即第三异常数据)。
具体说来，当测风数据中包括温度数据时，在第二异常数据中，将其所在时刻以及所在高度的温度数据小于预定温度(例如2摄氏度)的第二异常数据确定为第三异常数据。
此外，还可根据第二异常数据所处季节进行判断。具体说来，在第二异常数据中，将其所在时刻为预定月份的第二异常数据确定为第三异常数据。例如，将所在时刻为9月、10月、11月、12月、1月或2月其中任何一个月份的第二异常数据判定为冰冻数据，其标签值可更改为记为-2。
在另外一个实施例中，测风数据异常的识别方法还可识别趋势不一致的异常风速数据(即第四异常数据)。
具体说来，可针对第一异常数据、第二异常数据和第三异常数据之外的测风数据，通过以下步骤来判断各个时刻的测风数据是否为第四异常数据：将测风数据分为预定数量扇区的测风数据；根据每个扇区内的测风数据中的风速数据确定每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数；根据每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数推算每个扇区内的各个时刻的各个高度的风速；针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据大于或等于预定风速时，在所有高度中，确定推算的风速数据与实际的风速数据相差的绝对值大于或等于最大高度的实际风速的第一预定倍数的第一高度，以及确定推算的风速数据与实际的风速数据相差的绝对值小于最大高度的实际风速的第一预定倍数，且大于或等于最大高度的实际风速的第二预定倍数的第二高度，将确定的第一高度的风速数据识别为第四异常数据，将确定的第二高度的风速数据识别为可疑异常的数据，将其他高度的风速数据确定为正常数据，其中，第一预定倍数大于第二预定倍数；当任一扇区内的任一时刻的所有高度的最大风速数据小于预定风速时，在所有高度中，确定推算的风速数据与实际的风速数据相差的绝对值大于或等于第一预定常数的第三高度，以及确定推算的风速数据与实际的风速数据相差的绝对值小于第一预定常数，且大于或等于第二预定常数的第四高度，将确定的第三高度的风速数据识别为第四异常数据，将确定的第四高度的风速数据识别为可疑异常的数据，将其他高度的风速数据确定为正常数据，其中，第一预定常数大于第二预定常数。
作为示例，可将测风数据中识别出的第一异常数据、第二异常数据和第三异常数据设置为空值，不再予以考虑；根据测风数据中的风向数据将测风数据分为预定数量(例如12)扇区的测风数据，即得到预定数量不同扇区的测风数据；在每一个扇区内，将所有包括风速数据的列中，风速数据的个数小于最大数据的50％的列删除，避免求切变时出现较大偏差，其中，最大数据是指所有列中的包括的风速数据的个数最多的列包括的风速数据的个数；计算每个扇区内测风数据的全场平均切变指数以及每个时刻的实时切变指数；根据每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数推算每个扇区内的各个时刻的各个高度的风速，其中，若某个时刻的实时切变指数大于0，则推算时采用全场平均切变指数；反之，则推算时采用该时刻的实时切变指数。
作为示例，上述的预定风速、第一预定倍数、第二预定倍数、第一预定常数和第二预定数据可进行预先设定。例如，预定风速可设定为5米每秒，第一预定倍数可设定为0.4，第二预定倍数可设定为0.3，第一预定常数可以为3，第二预定常数为2。
作为示例，针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据≥5米每秒时，通过以下方式来确定所述任一扇区内的任一时刻的各个高度的风速数据是否为第四异常数据。
若某一高度的推算的风速数据与实际的风速数据相差的绝对值≥0.4×最大高度的实际风速，则确定该高度的风速数据为第四异常数据。
若0.3×最大高度的实际风速≤某一高度的推算的风速数据与实际的风速数据相差的绝对值<0.4×最大高度的实际风速，则确定该高度的风速数据为可疑异常的数据。
作为示例，针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据<5米每秒时，通过以下方式来确定所述任一扇区内的任一时刻的各个高度的风速数据是否为第四异常数据。
若某一高度的推算的风速数据与实际的风速数据相差的绝对值≥1.5×2，则确定该高度的风速数据为第四异常数据。
若2≤某一高度的推算的风速数据与实际的风速数据相差的绝对值<1.5 ×2，则确定该高度的风速数据为可疑异常的数据。
作为示例，可将确定为第四异常数据的测风数据的标签值更改为-5，将确定为可疑异常的数据的测风数据的标签值更改为-4。
此外，为了进一步识别在上述步骤中被识别为正常或者可疑异常的风速数据，针对在上述步骤中被识别为正常或者可疑异常的风速数据，通过以下步骤来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第四比例，当所述第四比例大于或等于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据，当所述第四比例小于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据。
作为示例，针对任一扇区内的任一时刻的任一高度的风速数据，以该任一时刻为目标时刻点，将其分别左右平移第二预定时段(例如，3个小时)，此时得到以目标时刻点为中心的6个小时的所述任一高度的风速数据；确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第四比例，当第四比例大于或等于第四预定比例(例如85％)时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据，并将其标签值由-4修改为1，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据，并将其标签由1修改为-4。
此外，为了再进一步识别在上述步骤中被识别为正常或者可疑异常的风速数据，可缩小考虑的时段。
具体说来，针对在上述步骤中被识别为正常或者可疑异常的风速数据，通过以下步骤来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据的总数量的第五比例，当所述第五比例大于或等于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据，当所述第五比例小于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据。
作为示例，针对任一扇区内的任一时刻的任一高度的风速数据，以该任一时刻为目标时刻点，将其分别左右平移第二预定时段(例如，2个小时)，此时得到以目标时刻点为中心的4个小时的所述任一高度的风速数据；确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第五比例，当第五比例大于或等于第五预定比例(例如85％)时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据，并将其标签值由-4修改为1，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据，并将其标签由1修改为-4。
在完成异常数据的识别后，可将各个扇区的测风数据的标签值数据按时间顺序合并为一个标签文件。
图2是示出根据本发明的实施例的测风数据异常的识别设备的框图。根据本发明的的实施例的测风数据异常的识别设备可包括获取单元10、第一识别单元20和第二识别单元30。
作为示例，测风数据又称测风塔数据，包括是由在测风塔上不同高度安装的各种传感器在不同的时刻采集的各种测风数据(例如：风速数据、风向数据、温度数据、气压数据等)，可被存储于数据记录器中。
作为示例，测风塔是用于测量各种测风数据的高耸结构，其用于安装各种传感器以及数据记录器。
获取单元10用于获取测风数据。获取的测风数据包括测风数据测量期间内的各个时刻的各个高度的各种测风数据，也就是说，在各个时刻以及各个高度测量的各种测风数据。
在一个优选的实施例中，由于从不同来源获取的测风数据的格式可能不同，为了方便后续的数据处理，识别设备还可包括预处理单元(图中未示出)，在识别异常数据之前，预处理单元可先识别获取的测风数据的格式，并确定获取的测风数据的格式与预定的格式是否一致。当测风数据的格式与预定的格式不一致时，预处理单元将测风数据转换为预定的格式，以将不同的测风数据的格式进行统一。
统一格式后的测风数据的同一列数据可以由不同时刻的同一高度的同一种测风数据组成。作为示例，统一格式后的测风数据的列的名称可以是指示该列包括的测风数据所对应的高度以及类型，例如列名称为ws_90中的测风数据为高度为90米的风速数据。作为示例，可将统一格式后的测风数据中没有数据的列进行删除。
此外，为了保证测风数据的完整性，可在识别异常数据之前，预处理单元还可对测风数据进行重塑，即查找测风数据测量期间内缺失测风数据的时刻，用空值补齐查找的时刻的测风数据。
此外，为了方便测风数据的管理以及便于区分异常数据和正常数据，识别设备还可包括标签单元(图中未示出)，可在识别异常数据之前，标签单元创建各个时刻的各个高度的各种测风数据的标签，并且将各个时刻的各个高度的各种测风数据的标签值的初始值设定为第一预定值；在识别各种类型的异常数据后，将不同类型的异常数据的标签值更改为不同的预定值。
例如，标签单元将各个时刻的各个高度的各种测风数据的标签值的初始值设定为1；在识别各种类型的异常数据后，将超出正常阈值的异常数据(下文称为第一异常数据)的标签值更改为-1，将冰冻数据(下文称为第三异常数据)的标签值更改为-2，将一定时间内恒定的异常数据(下文称为第二异常数据)的标签值更改为-3，将趋势不一致的异常风速数据(下文称为第四异常数据)的标签值更改为-5，将可疑异常的数据(即可能异常的数据)的标签值更改为-4。
第一识别单元20用于将各个时刻以及高度的测风数据(即各个时刻的各个高度的测风数据)与其对应的阈值范围进行比较，将在阈值范围之外的测风数据识别为第一异常数据。
作为示例，可预先设置不同类型的测风数据对应的阈值范围，上述的表 1示出了不同类型的测风数据对应的阈值范围的示例。第一识别单元20针对任一时刻的任一高度的任一种测风数据，确定其是否在与该任一种测风数据对应的阈值范围之内，当其在阈值范围之外时，将其识别为第一异常数据，当其在阈值范围之内时，将其识别为正常数据。
作为示例，对于识别为第一异常数据的测风数据，可将其标签值更改为 -1。
第二识别单元30针对第一异常数据之外的测风数据，通过以下处理来判断第一异常数据之外的测风数据(即第一异常数据之外的各个时刻的各个高度的各种测风数据)是否为第二异常数据：针对任一时刻的任一高度的除气压之外的任一种测风数据，确定所述任一时刻前后两个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的众数的个数，占所述任一时刻前后两个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的总数量的第一比例；当所述第一比例大于或等于第一预定比例时，识别所述第一异常数据之外的测风数据为第二异常数据，即识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
作为示例，当第一比例小于第一预定比例且大于第二预定比例时，确定所述任一时刻前一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的众数的个数，占所述任一时刻前一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的总数量的第二比例，以及确定所述任一时刻后一个第一预定时段内的所述任一高度的所述除气压之外的任一种种测风数据的众数的个数，占所述任一时刻后一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的总数据的第三比例；当所述第二比例和所述第三比例都大于或等于第一预定比例时，识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
作为示例，第二识别单元30可将测风数据中识别出的第一异常数据设置为空值，不再予以考虑；根据测风数据中的列名称，筛选出各种测风数据(例如风速数据、风向数据、温度数据等)；针对筛选出的所有测风数据，通过以下方式依次遍历测风数据中每个时刻的每个高度的每种测风数据：针对任一时刻的任一高度的除气压之外的任一种测风数据，以该任一时刻为目标时刻点，将其分别左右平移第一预定时段(例如，3个小时)，此时得到以目标时刻点为中心的6个小时的所述任一高度的所述除气压之外的任一种测风数据；计算这6个小时内所述任一高度的所述除气压之外的任一种测风数据的众数的个数，以及计算这6个小时内所述除气压之外的任一高度的所述任一种测风数据的总数量，若在这个时间段内众数的个数占总数量的比例大于或等于第一预定比例(例如85％)，则识别该任一时刻的任一高度的除气压之外的任一种测风数据为一定时间恒定的异常数据(即第三异常数据)，标签单元将其标签值更改为-3。
若在这个时间段内众数的个数占总数量的比例小于第一预定比例，但是大于第二预定比例(例如50％)，则分别判断在目标时刻点前面和后面的两个时间段内(例如各3小时)，各自的众数占各自总数量的比例(第二比例和第三比例)是否都大于或等于第一预定比例，若第二比例和第三比例都大于或等于，则识别该任一时刻的任一高度的除气压之外的任一种测风数据为一定时间恒定的异常数据(即第三异常数据)，标签单元可将其标签值更改为-3；若第二比例或第三比例小于第一预定比例，则识别该任一时刻的任一高度的除气压之外的任一种测风数据为正常数据，标签值仍为1。
在另外一个实施例中，测风数据异常的识别设备还可包括第三识别单元 (图中未示出)，第三识别单元用于识别一定时间内恒定的异常数据是否为冰冻数据(即第三异常数据)。
具体说来，当测风数据中包括温度数据时，在第二异常数据中，第三识别单元将其所在时刻以及所在高度的温度数据小于预定温度(例如2摄氏度) 的第二异常数据确定为第三异常数据。
此外，还可根据第二异常数据所处季节进行判断。具体说来，在第二异常数据中，第三识别单元将其所在时刻为预定月份的第二异常数据确定为第三异常数据。例如，将所在时刻为9月、10月、11月、12月、1月或2月其中任何一个月份的第二异常数据判定为冰冻数据，其标签值可被更改为记为 -2。
在另外一个实施例中，测风数据异常的识别设备还可包括第四识别单元 (图中未示出)，用于识别趋势不一致的异常风速数据(即第四异常数据)。
具体说来，可针对第一异常数据、第二异常数据和第三异常数据之外的测风数据，第四识别单元通过以下处理来判断各个时刻的测风数据是否为第四异常数据：将测风数据分为预定数量扇区的测风数据；根据每个扇区内的测风数据中的风速数据确定每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数；根据每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数推算每个扇区内的各个时刻的各个高度的风速；针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据大于或等于预定风速时，在所有高度中，确定推算的风速数据与实际的风速数据相差的绝对值大于或等于最大高度的实际风速的第一预定倍数的第一高度，以及确定推算的风速数据与实际的风速数据相差的绝对值小于最大高度的实际风速的第一预定倍数，且大于或等于最大高度的实际风速的第二预定倍数的第二高度，将确定的第一高度的风速数据识别为第四异常数据，将确定的第二高度的风速数据识别为可疑异常的数据，将其他高度的风速数据确定为正常数据，其中，第一预定倍数大于第二预定倍数；当任一扇区内的任一时刻的所有高度的最大风速数据小于预定风速时，在所有高度中，确定推算的风速数据与实际的风速数据相差的绝对值大于或等于第一预定常数的第三高度，以及确定推算的风速数据与实际的风速数据相差的绝对值小于第一预定常数，且大于或等于第二预定常数的第四高度，将确定的第三高度的风速数据识别为第四异常数据，将确定的第四高度的风速数据识别为可疑异常的数据，将其他高度的风速数据确定为正常数据，其中，第一预定常数大于第二预定常数。
作为示例，第四识别单元可将测风数据中识别出的第一异常数据、第二异常数据和第三异常数据设置为空值，不再予以考虑；根据测风数据中的风向数据将测风数据分为预定数量(例如12)扇区的测风数据，即得到预定数量不同扇区的测风数据；在每一个扇区内，将所有包括风速数据的列中，风速数据的个数小于最大数据的50％的列删除，避免求切变时出现较大偏差，其中，最大数据是指所有列中的包括的风速数据的个数最多的列包括的风速数据的个数；计算每个扇区内测风数据的全场平均切变指数以及每个时刻的实时切变指数；根据每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数推算每个扇区内的各个时刻的各个高度的风速，其中，若某个时刻的实时切变指数大于0，则推算时采用全场平均切变指数；反之，则推算时采用该时刻的实时切变指数。
作为示例，上述的预定风速、第一预定倍数、第二预定倍数、第一预定常数和第二预定数据可进行预先设定。例如，预定风速可设定为5米每秒，第一预定倍数可设定为0.4，第二预定倍数可设定为0.3，第一预定常数可以为3，第二预定常数为2。
作为示例，针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据≥5米每秒时，通过以下方式来确定所述任一扇区内的任一时刻的各个高度的风速数据是否为第四异常数据。
若某一高度的推算的风速数据与实际的风速数据相差的绝对值≥0.4×最大高度的实际风速，则确定该高度的风速数据为第四异常数据。
若0.3×最大高度的实际风速≤某一高度的推算的风速数据与实际的风速数据相差的绝对值<0.4×最大高度的实际风速，则确定该高度的风速数据为可疑异常的数据。
作为示例，针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据<5米每秒时，通过以下方式来确定所述任一扇区内的任一时刻的各个高度的风速数据是否为第四异常数据。
若某一高度的推算的风速数据与实际的风速数据相差的绝对值≥1.5×2，则确定该高度的风速数据为第四异常数据。
若2≤某一高度的推算的风速数据与实际的风速数据相差的绝对值<1.5 ×2，则确定该高度的风速数据为可疑异常的数据。
作为示例，标签单元可将确定为第四异常数据的测风数据的标签值更改为-5，将确定为可疑异常的数据的测风数据的标签值更改为-4。
此外，为了进一步识别在上述处理中被识别为正常或者可疑异常的风速数据，识别设备还可包括第五识别单元，用于针对在上述处理中被识别为正常或者可疑异常的风速数据，通过以下处理来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第四比例，当所述第四比例大于或等于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据，当所述第四比例小于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据。
作为示例，第五识别单元针对任一扇区内的任一时刻的任一高度的风速数据，以该任一时刻为目标时刻点，将其分别左右平移第二预定时段(例如， 3个小时)，此时得到以目标时刻点为中心的6个小时的所述任一高度的风速数据；确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第四比例，当第四比例大于或等于第四预定比例(例如85％)时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据，标签单元将其标签值由-4修改为1，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据，标签单元将其标签由1修改为-4。
此外，为了再进一步识别在上述步骤中被识别为正常或者可疑异常的风速数据，可缩小考虑的时段。
具体说来，识别设备还可包括第六识别单元，用于针对在上述步骤中被识别为正常或者可疑异常的风速数据，通过以下处理来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据的总数量的第五比例，当所述第五比例大于或等于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据，当所述第五比例小于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据。
作为示例，第六识别单元针对任一扇区内的任一时刻的任一高度的风速数据，以该任一时刻为目标时刻点，将其分别左右平移第二预定时段(例如， 2个小时)，此时得到以目标时刻点为中心的4个小时的所述任一高度的风速数据；确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第五比例，当第五比例大于或等于第五预定比例(例如85％)时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据，标签单元将其标签值由-4修改为1，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据，标签将其标签由1修改为-4。
在完成异常数据的识别后，标签单元可将各个扇区的测风数据的标签值数据按时间顺序合并为一个标签文件。
根据本发明的实施例的测风数据异常的识别方法和设备，可对获取的测风数据中的异常数据进行自动的识别，效率较高，省时节力，并且对异常数据的识别过程进行统一化、标准化，避免手动筛选时由于不同的工程师处理造成的误差。
此外，根据本发明的实施例的测风数据异常的识别方法和设备支持不同的测风数据的格式，不用手动进行转换，并且能够有效区别测风数据的异常类型。
根据本发明的一个实施例，本发明还提供一种其中存储有计算机程序的计算机可读存储介质，当所述计算机程序被执行时实现如上所述的方法。
根据本发明的一个实施例，本发明还提供一种测风数据异常的识别系统。所述系统包括：处理器和存储器。存储器存储有计算机程序，当所述计算机程序被处理器执行时，执行如上所述的方法。
此外，应该理解，根据本发明示例性实施例的设备中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理，可以例如使用现场可编程逻辑控制器(PLC)、现场可编程门阵列(FPGA) 或专用集成电路(ASIC)来实现各个单元。
此外，根据本发明示例性实施例的方法可以被实现为计算机可读记录介质中的计算机程序。本领域技术人员可以根据对上述方法的描述来实现所述计算机程序。当所述计算机程序在计算机中被执行时实现本发明的上述方法。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (20)

1.一种测风数据异常的识别方法，其特征在于，包括：
获取测风数据，其中，测风数据包括测风数据测量期间内的各个时刻以及高度的测风数据；
将各个时刻以及高度的测风数据与其对应的阈值范围进行比较，将在阈值范围之外的测风数据识别为第一异常数据；
针对被识别为第一异常数据之外的测风数据，通过以下步骤来判断所述第一异常数据之外的测风数据是否为第二异常数据：
针对任一时刻的任一高度的除气压之外的任一种测风数据，确定所述任一时刻前后两个第一预定时段内的所述任一高度的所述测风数据的众数的个数，占所述任一时刻前后两个第一预定时段内的所述任一高度的所述测风数据的总数量的第一比例；
当所述第一比例大于或等于第一预定比例时，识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
2.根据权利要求1所述的识别方法，其特征在于，判断所述第一异常数据之外的测风数据是否为第二异常数据的步骤还包括：
当所述第一比例小于第一预定比例且大于第二预定比例时，确定所述任一时刻前一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的众数的个数，占所述任一时刻前一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的总数量的第二比例，以及确定所述任一时刻后一个第一预定时段内的所述任一高度的所述除气压之外的任一种测风数据的众数的个数，占所述任一时刻后一个第一预定时段内的所述除气压之外的任一高度的所述任一种测风数据的总数据的第三比例；
当所述第二比例和所述第三比例都大于或等于第一预定比例时，识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
3.根据权利要求1所述的识别方法，其特征在于，还包括：
在第二异常数据中，将其所在时刻以及所在高度的温度数据小于预定温度的第二异常数据确定为第三异常数据，其中所述测风数据包括温度数据；
或者，在第二异常数据中，将其所在时刻为预定月份的第二异常数据确定为第三异常数据。
4.根据权利要求1所述的识别方法，其特征在于，还包括：针对被识别为第一异常数据和第二异常数据之外的测风数据，通过以下步骤来判断各个时刻的测风数据是否为第四异常数据：
将测风数据分为预定数量扇区的测风数据；
根据每个扇区内的测风数据中的风速数据确定每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数；
根据每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数推算每个扇区内的各个时刻的各个高度的风速；
针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据大于或等于预定风速时，在所有高度中，
确定推算的风速数据与实际的风速数据相差的绝对值大于或等于最大高度的实际风速的第一预定倍数的第一高度，
以及确定推算的风速数据与实际的风速数据相差的绝对值小于最大高度的实际风速的第一预定倍数，且大于或等于最大高度的实际风速的第二预定倍数的第二高度，
将确定的第一高度的风速数据识别为第四异常数据，将确定的第二高度的风速数据识别为可疑异常的数据，将所述任一时刻的其他高度的风速数据确定为正常数据，其中，第一预定倍数大于第二预定倍数；
针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据小于预定风速时，在所有高度中，
确定推算的风速数据与实际的风速数据相差的绝对值大于或等于第一预定常数的第三高度，
以及确定推算的风速数据与实际的风速数据相差的绝对值小于第一预定常数，且大于或等于第二预定常数的第四高度，
将确定的第三高度的风速数据识别为第四异常数据，将确定的第四高度的风速数据识别为可疑异常的数据，将其他高度的风速数据确定为正常数据，其中，第一预定常数大于第二预定常数。
5.根据权利要求4所述的识别方法，其特征在于，还包括：针对被识别为正常或者可疑异常的风速数据，通过以下步骤来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：
针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第四比例，当所述第四比例大于或等于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据；
当所述第四比例小于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据。
6.根据权利要求5所述的识别方法，其特征在于，还包括：针对被识别为正常或者可疑异常的风速数据，通过以下步骤来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：
针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据的总数量的第五比例；
当所述第五比例大于或等于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据；
当所述第五比例小于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据，
其中，所述第三预定时段小于所述第二预定时段。
7.根据权利要求1所述的识别方法，其特征在于，还包括：在识别异常数据之前，
识别获取的测风数据的格式，并确定获取的测风数据的格式与预定的格式是否一致；
当获取的测风数据的格式与预定的格式不一致时，将获取的测风数据的格式转换为预定的格式。
8.根据权利要求1所述的识别方法，其特征在于，还包括：在识别异常数据之前，
查找所述测风数据测量期间内缺失测风数据的时刻，用空值补齐查找的时刻的测风数据。
9.根据权利要求1所述的识别方法，其特征在于，还包括：在识别异常数据之前，创建各个时刻的各个高度的各种测风数据的标签，并且将各个时刻的各个高度的各种测风数据的标签值的初始值设定为第一预定值；在识别各种类型的异常数据后，将不同类型的异常数据的标签值更改为不同的预定值。
10.一种测风数据异常的识别设备，其特征在于，包括：
获取单元，获取测风数据，其中，测风数据包括测风数据测量期间内的各个时刻以及高度的测风数据；
第一识别单元，将各个时刻以及高度的各种测风数据与其对应的阈值范围进行比较，将在阈值范围之外的测风数据识别为第一异常数据；
第二识别单元，针对被识别为第一异常数据之外的测风数据，通过以下处理来判断第一异常数据之外的测风数据是否为第二异常数据：
针对任一时刻的任一高度的除气压之外的任一种测风数据，确定所述任一时刻前后两个第一预定时段内的所述任一高度的所述任一种测风数据的众数的个数，占所述任一时刻前后两个第一预定时段内的所述任一高度的所述任一种测风数据的总数量的第一比例；
当所述第一比例大于或等于第一预定比例时，识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
11.根据权利要求10所述的识别设备，其特征在于，判断所述第一异常数据之外的测风数据是否为第二异常数据的处理还包括：
当所述第一比例小于第一预定比例且大于第二预定比例时，确定所述任一时刻前一个第一预定时段内的所述任一高度的所述任一种除气压之外的测风数据的众数的个数，占所述任一时刻前一个第一预定时段内的所述任一高度的所述任一种除气压之外的测风数据的总数量的第二比例，以及确定所述任一时刻后一个第一预定时段内的所述任一高度的所述任一种除气压之外的测风数据的众数的个数，占所述任一时刻后一个第一预定时段内的所述任一高度的所述任一种除气压之外的测风数据的总数据的第三比例；
当所述第二比例和所述第三比例都大于或等于第一预定比例时，识别所述任一时刻的任一高度的除气压之外的任一种测风数据为第二异常数据。
12.根据权利要求10所述的识别设备，其特征在于，还包括：第三识别单元，在第二异常数据中，将其所在时刻以及所在高度的温度数据小于预定温度的第二异常数据确定为第三异常数据其中所述测风数据包括温度数据；
或者，在第二异常数据中，将其所在时刻为预定月份的第二异常数据确定为第三异常数据。
13.根据权利要求10所述的识别设备，其特征在于，还包括：第四识别单元，针对被识别为第一异常数据和第二异常数据之外的测风数据，通过以下处理来判断各个时刻的测风数据是否为第四异常数据：
将测风数据分为预定数量扇区的测风数据；
根据每个扇区内的测风数据中的风速数据确定每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数；
根据每个扇区内测风数据的全场平均切变指数以及各个时刻的实时切变指数推算每个扇区内的各个时刻的各个高度的风速；
针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据大于或等于预定风速时，在所有高度中，
确定推算的风速数据与实际的风速数据相差的绝对值大于或等于最大高度的实际风速的第一预定倍数的第一高度，
以及确定推算的风速数据与实际的风速数据相差的绝对值小于最大高度的实际风速的第一预定倍数，且大于或等于最大高度的实际风速的第二预定倍数的第二高度，
将确定的第一高度的风速数据识别为第四异常数据，将确定的第二高度的风速数据识别为可疑异常的数据，将所述任一时刻的其他高度的风速数据确定为正常数据，其中，第一预定倍数大于第二预定倍数；
针对任一扇区内的任一时刻的所有高度的风速数据，当任一扇区内的任一时刻的所有高度的最大风速数据小于预定风速时，在所有高度中，
确定推算的风速数据与实际的风速数据相差的绝对值大于或等于第一预定常数的第三高度，
以及确定推算的风速数据与实际的风速数据相差的绝对值小于第一预定常数，且大于或等于第二预定常数的第四高度，
将确定的第三高度的风速数据识别为第四异常数据，将确定的第四高度的风速数据识别为可疑异常的数据，将其他高度的风速数据确定为正常数据，其中，第一预定常数大于第二预定常数。
14.根据权利要求13所述的识别设备，其特征在于，还包括：第五识别单元，针对被识别为正常或者可疑异常的风速数据，通过以下处理来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：
针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第二预定时段内的所述任一高度的测风数据的总数量的第四比例，当所述第四比例大于或等于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据；
当所述第四比例小于第四预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据。
15.根据权利要求14所述的识别设备，其特征在于，还包括：第六识别单元，针对被识别为正常或者可疑异常的风速数据，通过以下处理来识别各个扇区的各个时刻的各个高度的测风数据是否为可疑异常的数据：
针对任一扇区内的任一时刻的任一高度的风速数据，确定所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据为正常的测风数据的个数，占所述任一扇区内的所述任一时刻前后两个第三预定时段内的所述任一高度的测风数据的总数量的第五比例；
当所述第五比例大于或等于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为可疑异常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为正常数据；
当所述第五比例小于第五预定比例时，如果所述任一扇区内的所述任一时刻的所述任一高度的风速数据目前为正常的数据时，将所述任一扇区内的所述任一时刻的所述任一高度的风速数据识别为可疑异常的数据，
其中，所述第三预定时段小于所述第二预定时段。
16.根据权利要求10所述的识别设备，其特征在于，还包括：预处理单元，在识别异常数据之前，识别获取的测风数据的格式，并确定获取的测风数据的格式与预定的格式是否一致；当获取的测风数据的格式与预定的格式不一致时，将获取的测风数据的格式转换为预定的格式。
17.根据权利要求10所述的识别设备，其特征在于，还包括：预处理单元，在识别异常数据之前，查找所述测风数据测量期间内缺失测风数据的时刻，用空值补齐查找的时刻的测风数据。
18.根据权利要求10所述的识别设备，其特征在于，还包括：标签单元，在识别异常数据之前，创建各个时刻的各个高度的各种测风数据的标签，并且将各个时刻的各个高度的各种测风数据的标签值的初始值设定为第一预定值；在识别各种类型的异常数据后，将不同类型的异常数据的标签值更改为不同的预定值。
19.一种测风数据的识别系统，其特征在于，所述系统包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，执行权利要求1至9中的任一项所述的识别方法。
20.一种其中存储有计算机程序的计算机可读存储介质，当所述计算机程序被执行时实现权利要求1至9中的任一项所述的方法。
CN201811407222.XA 2018-11-23 2018-11-23 测风数据异常的识别方法和设备 Active CN111222726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811407222.XA CN111222726B (zh) 2018-11-23 2018-11-23 测风数据异常的识别方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811407222.XA CN111222726B (zh) 2018-11-23 2018-11-23 测风数据异常的识别方法和设备

Publications (2)

Publication Number Publication Date
CN111222726A CN111222726A (zh) 2020-06-02
CN111222726B true CN111222726B (zh) 2022-07-12

Family

ID=70808664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811407222.XA Active CN111222726B (zh) 2018-11-23 2018-11-23 测风数据异常的识别方法和设备

Country Status (1)

Country Link
CN (1) CN111222726B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858127B (zh) * 2020-08-10 2024-08-06 中国华能集团清洁能源技术研究院有限公司 一种测风数据的错误数据校验方法及系统
CN113511577A (zh) * 2021-08-09 2021-10-19 合肥市春华起重机械有限公司 一种轨道式集装箱用门式起重机

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607850A (zh) * 2010-12-23 2012-07-25 通用电气公司 用于检测风力涡轮机中的异常的系统和方法
CN102890160A (zh) * 2012-10-19 2013-01-23 华锐风电科技(集团)股份有限公司 测风设备的检测方法和装置
AU2012225149A1 (en) * 2011-03-10 2013-09-12 Newsouth Innovations Pty Limited Multidimensional cluster analysis
CN104169680A (zh) * 2012-03-13 2014-11-26 皇家飞利浦有限公司 使用气压传感器监测设备的高度改变
CN105134484A (zh) * 2015-07-28 2015-12-09 国家电网公司 风电功率异常数据点的识别方法
CN105863970A (zh) * 2016-05-06 2016-08-17 华北电力大学（保定） 一种风机故障识别方法及装置
CN106640548A (zh) * 2016-12-19 2017-05-10 北京金风科创风电设备有限公司 用于风力发电机组的状态监测方法和装置
CN106897945A (zh) * 2017-03-02 2017-06-27 新疆金风科技股份有限公司 风力发电机组的聚类方法和设备
CN108120803A (zh) * 2017-12-20 2018-06-05 珠海高凌信息科技股份有限公司 一种空气负氧离子浓度在线监测方法及其装置
CN108197423A (zh) * 2017-12-28 2018-06-22 华润电力技术研究院有限公司 一种测风数据处理系统
CN108267613A (zh) * 2017-12-28 2018-07-10 华润电力技术研究院有限公司 一种测风数据处理方法及相关设备
CN108732645A (zh) * 2018-05-22 2018-11-02 中国华能集团清洁能源技术研究院有限公司 一种具有异常数据报警功能的自动测风系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090030753A1 (en) * 2007-07-27 2009-01-29 General Electric Company Anomaly Aggregation method

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607850A (zh) * 2010-12-23 2012-07-25 通用电气公司 用于检测风力涡轮机中的异常的系统和方法
AU2012225149A1 (en) * 2011-03-10 2013-09-12 Newsouth Innovations Pty Limited Multidimensional cluster analysis
CN104169680A (zh) * 2012-03-13 2014-11-26 皇家飞利浦有限公司 使用气压传感器监测设备的高度改变
CN102890160A (zh) * 2012-10-19 2013-01-23 华锐风电科技(集团)股份有限公司 测风设备的检测方法和装置
CN105134484A (zh) * 2015-07-28 2015-12-09 国家电网公司 风电功率异常数据点的识别方法
CN105863970A (zh) * 2016-05-06 2016-08-17 华北电力大学（保定） 一种风机故障识别方法及装置
CN106640548A (zh) * 2016-12-19 2017-05-10 北京金风科创风电设备有限公司 用于风力发电机组的状态监测方法和装置
CN106897945A (zh) * 2017-03-02 2017-06-27 新疆金风科技股份有限公司 风力发电机组的聚类方法和设备
CN108120803A (zh) * 2017-12-20 2018-06-05 珠海高凌信息科技股份有限公司 一种空气负氧离子浓度在线监测方法及其装置
CN108197423A (zh) * 2017-12-28 2018-06-22 华润电力技术研究院有限公司 一种测风数据处理系统
CN108267613A (zh) * 2017-12-28 2018-07-10 华润电力技术研究院有限公司 一种测风数据处理方法及相关设备
CN108732645A (zh) * 2018-05-22 2018-11-02 中国华能集团清洁能源技术研究院有限公司 一种具有异常数据报警功能的自动测风系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
风场原始数据检验中异常数据的处理;孔新红;《江西能源》;20070615(第02期);全文 *

Also Published As

Publication number Publication date
CN111222726A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
US10127257B2 (en) Methods of creating a database and of formulating a map of operating states of aircraft and a method of monitoring the operation of an associated aircraft
CN111222726B (zh) 测风数据异常的识别方法和设备
CN113847216B (zh) 风机叶片的状态预测方法、装置、设备及存储介质
US20240052805A1 (en) Controlling wind turbine
CN113049142A (zh) 温度传感器的告警方法、装置、设备及存储介质
KR101908865B1 (ko) 기온 측정 자료의 품질 분석방법
CN116956047B (zh) 一种基于风力发电数据的风电机组性能评估系统
Lucio-Eceiza et al. Quality control of surface wind observations in Northeastern North America. Part I: Data management issues
CN114165392A (zh) 一种风电机组功率异常诊断方法、装置及存储介质
TWI546762B (zh) Wind power generation equipment of the stress estimation device and wind power equipment, the stress estimation method, wind power generation system
KR102575917B1 (ko) 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템
CN103559414B (zh) 一种基于阿伦尼斯模型的环境因子点估计方法
CN108932554B (zh) 一种风电场流场量测点的配置优化方法及装置
CN113157684B (zh) 一种水利海量数据的查错方法
CN110751213A (zh) 一种测风塔异常风速数据识别与补齐的方法
CN113742929A (zh) 一种针对格点气象实况的数据质量评价方法
CN105187451A (zh) 网站流量异常检测方法及系统
CN110414022B (zh) 一种风力发电机组叶片开裂的预警方法及系统
CN108825452B (zh) 确定风力发电机组叶片结冰的方法和装置
Hellström Development of a model for estimation of wind farm production losses due to icing
CN111967127A (zh) 一种小卫星出厂可靠性问题筛选率计算方法
CN113408656A (zh) 一种适用于由气象变化引起电力故障级别分类方法
WO2020105151A1 (ja) 設備保守点検支援システム及び点検順序決定方法
Neydorf et al. Aerostatic Aircraft Flight Environment Modeling and Investigation
TWI833549B (zh) 日照值估測系統

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