CN114265087A - 一种海浪参数反演方法及相关组件 - Google Patents
一种海浪参数反演方法及相关组件 Download PDFInfo
- Publication number
- CN114265087A CN114265087A CN202111604121.3A CN202111604121A CN114265087A CN 114265087 A CN114265087 A CN 114265087A CN 202111604121 A CN202111604121 A CN 202111604121A CN 114265087 A CN114265087 A CN 114265087A
- Authority
- CN
- China
- Prior art keywords
- sea
- wind
- data set
- sea wave
- inversion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种海浪参数反演方法及相关组件，该方案中预先训练好了能够反演海浪参数的反演海浪参数模型，通过将海上漂浮式测风激光雷达在第一预设时长内测得的表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型，即可得到在第一预设时长内该海域的海浪参数。与现有技术相比，在海上漂浮式测风激光雷达上集成了海浪浮标传感器的功能，实现了从海上漂浮式测风激光雷达测得的数据到海浪参数的反演，减少了成本，可以及时且准确地确定在不同时刻的海浪参数，弥补现有技术中利用海浪浮标传感器容易出现的数据缺失，有利于后续海上风电场的建设。
Description
技术领域
本发明涉及海洋动力学领域，特别是涉及一种海浪参数反演方法及相关组件。
背景技术
风力资源作为清洁可再生能源，是传统化石能源的替代之一，具有极强的应用及发展潜力，目前尽管我国海上风电场已发展多年，但不论是在风力资源利用还是发电量方面仍有广阔的发掘空间，而海上风电场的建设可行性判定离不开相应的风力资源评估和海浪参数调查，以确保最大化利用风力资源的同时降低风机建设难度、保障风机安全。
针对风力资源评估，目前通常是利用设置于海上浮标平台的海上漂浮式测风激光雷达，可以精准测量海上风场信息，获取风力资源数据。
而针对海浪参数的监测目前主要是利用海浪浮标传感器来采集设定范围内的海浪参数，但是单颗海浪浮标传感器仅能提供设定的小范围内的海况信息，且随着海浪涌动，该海浪浮标传感器很可能漂浮至设定范围外，造成测量数据的缺失，且其本身的造价也比较高，布放之后的后续维护比较困难，可见该种方法难以实现长期大范围海域的海浪参数监测。
且大量研究表明，作为上层海洋的重要驱动要素，海平面风场与海洋动力过程尤其是海浪参数密切相关，因此如何将测风激光雷达测得的数据与海浪参数相结合、建立联系，实现测风激光雷达数据到海浪参数的应用，具有重要的意义。但受限于海浪参数监测方法在应用性能和时空分辨率上的差别，现有技术中，尚未实现利用测风激光雷达测得的数据反演出海浪参数的定量反演。
发明内容
本发明的目的是提供一种海浪参数反演方法及相关组件，在海上漂浮式测风激光雷达上集成了海浪浮标传感器的功能，实现了从海上漂浮式测风激光雷达测得的数据到海浪参数的反演，可以及时且准确地确定在不同时刻的海浪参数，弥补利用海浪浮标传感器易出现的数据缺失，利于后续海上风电场的建设。
为解决上述技术问题，本发明提供了一种海浪参数反演方法，应用于海上漂浮式测风激光雷达中的处理器，所述海上漂浮式测风激光雷达设置于海上浮标平台；
所述海浪参数反演方法，包括：
获取所述海上漂浮式测风激光雷达在第一预设时长内测得的表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集；
将所述第一风数据集、所述第一温度及所述第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型；
确定所述反演海浪参数模型的输出项为所述第一预设时长内所述海域的海浪参数。
优选的，所述第一风数据集包括所述海上漂浮式测风激光雷达在测风高度阈值内测得的各个第一预设高度上的风速及风向，所有的第一预设高度中的最大值为所述海上漂浮式测风激光雷达设定的所述测风高度阈值。
优选的，所述第一温度包括所述海上漂浮式测风激光雷达中的温度传感器测得的所述海域的海平面的温度。
优选的，所述第一惯导数据集包括所述海上漂浮式测风激光雷达中的惯性导航系统测得的雷达俯仰校正量、横滚校正量及所述海上浮标平台相对于海浪的实际运动方向的运动速度校正量。
优选的，确定所述反演海浪参数模型的输出项为所述第一预设时长内所述海域的海浪参数之后，还包括：
控制显示模块显示所述海浪参数。
优选的，所述反演海浪参数模型的预先训练过程，包括：
S11：获取所述海上漂浮式测风激光雷达在第二预设时长内测得的表征所述海域的海浪参数的第一数据集，所述第一数据集包括各个第三预设时长、与各个所述第三预设时长一一对应的第二风数据集、第二温度及第二惯导数据集，所有的第三预设时长的和为所述第二预设时长；
S12：获取海浪浮标传感器在所述第二预设时长内测得的第二数据集，所述第二数据集合包括各个所述第三预设时长及与各个所述第三预设时长一一对应的所述海域的海浪参数；
S13：将所述第一数据集作为输入项输入至神经网络模型；
S14：将所述第二数据集作为输出项输入至所述神经网络模型；
S15：利用所述神经网络模型进行第j次学习，其中，j为不小于1的整数；
S16：判断第j次学习的所述神经网络模型的学习精度是否满足预设阈值，若是，进入S18；若否，进入S17；
S17：令j＝j+1并返回S15；
S18：停止学习并确定此时的神经网络模型为所述反演海浪参数模型。
优选的，所述神经网络模型包括BP神经网络、卷积神经网络、循环神经网络及长短期记忆神经网络中的一种或多种的组合。
为解决上述技术问题，本发明还提供了一种海浪参数反演系统，包括：
获取单元，用于获取所述海上漂浮式测风激光雷达在第一预设时长内测得的表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集；
输入单元，用于将所述第一风数据集、所述第一温度及所述第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型；
输出确定单元，用于确定所述反演海浪参数模型的输出项为所述第一预设时长内所述海域的海浪参数。
为解决上述技术问题，本发明还提供了一种海浪参数反演装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述的海浪参数反演方法的步骤。
为解决上述技术问题，本发明还提供了一种海上漂浮式测风激光雷达，设置于海上浮标平台，包括如上述所述的海浪参数反演装置。
本发明提供了一种海浪参数反演方法及相关组件，该方案应用于设置在海上浮标平台的海上漂浮式测风激光雷达中的处理器，预先训练好了能够反演海浪参数的反演海浪参数模型，于是通过将海上漂浮式测风激光雷达在第一预设时长内测得的能够表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型，即可得到在第一预设时长内该海域的海浪参数。与现有技术相比，在海上漂浮式测风激光雷达上集成了海浪浮标传感器的功能，实现了从海上漂浮式测风激光雷达测得的数据到海浪参数的反演，减少了成本。进一步来说，该海上漂浮式测风激光雷达不易损坏，且由于该海上漂浮式测风激光雷达设置在了海上浮标平台上，后续管理更加方便，不会出现像现有技术中的海浪浮标传感器随海浪运动而漂出预设范围造成数据缺失的情况，可以及时且准确地确定在不同时刻的海浪参数，弥补现有技术中利用海浪浮标传感器容易出现的数据缺失，有利于后续海上风电场的建设。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明提供的一种海浪参数反演方法的流程图；
图2为本发明提供的一种海浪参数反演系统的结构示意图；
图3为本发明提供的一种海浪参数反演装置的结构示意图。
具体实施方式
本发明的核心是提供一种海浪参数反演方法及相关组件，在海上漂浮式测风激光雷达上集成了海浪浮标传感器的功能，实现了从海上漂浮式测风激光雷达测得的数据到海浪参数的反演，可以及时且准确地确定在不同时刻的海浪参数，弥补利用海浪浮标传感器易出现的数据缺失，利于后续海上风电场的建设。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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，本领域普通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。
请参照图1，图1为本发明提供的一种海浪参数反演方法的流程图。
该海浪参数反演方法，应用于海上漂浮式测风激光雷达中的处理器，海上漂浮式测风激光雷达设置于海上浮标平台；
该海浪参数反演方法，包括：
S21：获取海上漂浮式测风激光雷达在第一预设时长内测得的表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集；
S22：将第一风数据集、第一温度及第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型；
S23：确定反演海浪参数模型的输出项为第一预设时长内海域的海浪参数。
本实施例中，考虑到海浪是海洋动力特征之一，研究海浪的生成、演化机制以及时空分布，揭示其内部结构和外在分布特征，已成为物理海洋学中的一个重要研究领域，它对于国防、航运、造船、港口以及海上石油平台及海上风场的建设和安全等都具有重要意义。而在现有技术中针对海浪参数的监测主要是利用海浪浮标传感器来采集设定范围内的海浪参数，但该方法中的海浪浮标传感器只能测量设定的小范围内的海况信息，且存在测量数据缺失、造价高及维护困难等缺点。为解决上述技术问题，本申请提供了一种海浪参数反演方法，应用于海上漂浮式测风激光雷达中的处理器，实现了从海上漂浮式测风激光雷达测得的数据到海浪参数的反演。
具体的，考虑到海浪作为一种风生重力波，与海面风场联系紧密，而且海上漂浮式激光雷达的惯导数据与海浪之间存在必然的联系，同时海浪作为海—气相互作用的驱动下的要素，使用海上漂浮式激光测风雷达反演海浪具有较好的应用潜力。因此，该方法中首先获取海上漂浮式测风激光雷达在第一预设时长内测得的表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集，这里的第一预设时长为海上漂浮式测风激光雷达的当前返回数据的时间与上一次返回数据的时间之间的时间间隔，如10分钟，本申请在此不作特别的限定，根据具体的海上漂浮式测风激光雷达的工作性能决定。随后将第一风数据集、第一温度及第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型，于是确定反演海浪参数模型的输出项为第一预设时长内海域的海浪参数。
综上，本申请提供了一种海浪参数反演方法，该方法应用于设置在海上浮标平台的海上漂浮式测风激光雷达中的处理器，预先训练好了能够反演海浪参数的反演海浪参数模型，于是通过将海上漂浮式测风激光雷达在第一预设时长内测得的能够表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型，即可得到在第一预设时长内该海域的海浪参数。与现有技术相比，在海上漂浮式测风激光雷达上集成了海浪浮标传感器的功能，实现了从海上漂浮式测风激光雷达测得的数据到海浪参数的反演，减少了成本。进一步来说，该海上漂浮式测风激光雷达不易损坏，且由于该海上漂浮式测风激光雷达设置在了海上浮标平台上，后续管理更加方便，不会出现像现有技术中的海浪浮标传感器随海浪运动而漂出预设范围造成数据缺失的情况，可以及时且准确地确定在不同时刻的海浪参数，弥补现有技术中利用海浪浮标传感器容易出现的数据缺失，有利于后续海上风电场的建设。
在上述实施例的基础上：
作为一种优选的实施例，第一风数据集包括海上漂浮式测风激光雷达在测风高度阈值内测得的各个第一预设高度上的风速及风向，所有的第一预设高度中的最大值为所述海上漂浮式测风激光雷达设定的所述测风高度阈值。
本申请中，第一数据集可以包括海上漂浮式测风激光雷达在测风高度阈值内测得的各个第一预设高度上的风速及风向，其中，所有的第一预设高度中的最大值为所述海上漂浮式测风激光雷达设定的所述测风高度阈值。可见，通过这种方式可以简单有效地获取用于输入反演海浪参数模型的输入项之一。
需要说明的是，这里的测量高度阈值为海上漂浮式测风激光雷达设定的能够测量到数据的最大距离，如350米，本申请在此对该测量高度阈值的具体数值不作特别的限定，根据具体的海上漂浮式测风激光雷达的工作性能决定；这里的各个第一预设高度为该海上漂浮式测风激光雷达在测风高度阈值范围内与距离海平面的各个高度上测得数据对应的各个高度，本申请在此不作特别的限定，仍根据具体的海上漂浮式测风激光雷达的工作性能决定。
作为一种优选的实施例，第一温度包括海上漂浮式测风激光雷达中的温度传感器测得的海域的海平面的温度。
本申请中，考虑到海上漂浮式测风激光雷达中包括温度传感器，通过该温度传感器可以准确可靠地得到待测量海域的海平面的温度，该温度即为用于输入反演海浪参数模型的输入项之一。
作为一种优选的实施例，第一惯导数据集包括海上漂浮式测风激光雷达中的惯性导航系统测得的雷达俯仰校正量、横滚校正量及海上浮标平台相对于海浪的实际运动方向的运动速度校正量。
本申请中，考虑到海上漂浮式测风激光雷达中包括惯性导航系统，通过该惯性导航系统可以准确可靠地得到与海浪参数密切相关的、包括雷达俯仰校正量、横滚校正量及海上浮标平台相对于海浪的实际运动方向的运动速度校正量的第一惯导数据集，且该惯性导航系统不依赖于外部信息也不向外部辐射能量，可以简单有效地获取用于输入反演海浪参数模型的输入项之一。
作为一种优选的实施例，确定反演海浪参数模型的输出项为第一预设时长内海域的海浪参数之后，还包括：
控制显示模块显示海浪参数。
本实施例中，为了更直观地展现通过反演得到的海浪参数，本申请中，在确定反演海浪参数模型的输出项为第一预设时长内海域的海浪参数之后，处理器还会控制显示模块显示该海浪参数。
可见，该种方式可以将该反演海浪参数模型的输出结果即海浪参数以更直观地方式显示给开发人员，便于开发人员后续的记录及处理。
作为一种优选的实施例，反演海浪参数模型的预先训练过程，包括：
S11：获取海上漂浮式测风激光雷达在第二预设时长内测得的表征海域的海浪参数的第一数据集，第一数据集包括各个第三预设时长、与各个第三预设时长一一对应的第二风数据集、第二温度及第二惯导数据集，所有的第三预设时长的和为第二预设时长；
S12：获取海浪浮标传感器在第二预设时长内测得的第二数据集，第二数据集合包括各个第三预设时长及与各个第三预设时长一一对应的海域的海浪参数；
S13：将第一数据集作为输入项输入至神经网络模型；
S14：将第二数据集作为输出项输入至神经网络模型；
S15：利用神经网络模型进行第j次学习，其中，j为不小于1的整数；
S16：判断第j次学习的神经网络模型的学习精度是否满足预设阈值，若是，进入S18；若否，进入S17；
S17：令j＝j+1并返回S15；
S18：停止学习并确定此时的神经网络模型为反演海浪参数模型。
本申请中，利用神经网络模型来实现对反演海浪参数模型的预先训练过程。
具体的，获取海上漂浮式测风激光雷达在第二预设时长内测得的表征海域的海浪参数的第一数据集，其中，第一数据集包括各个第三预设时长、与各个第三预设时长一一对应的第二风数据集、第二温度及第二惯导数据集，所有的第三预设时长的和为第二预设时长。需要说明的是，这里的第二风数据集可以包括在各个第三预设时长内，海上漂浮式测风激光雷达在测风高度阈值内测得的各个第二预设高度上的风速及风向，所有的第二预设高度的和为测风高度阈值且各个第二预设高度为该海上漂浮式测风激光雷达在测风高度阈值范围内与距离海平面的各个高度上测得数据对应的各个高度；这里的第二温度可以包括在各个第三预设时长内，海上漂浮式测风激光雷达中的温度传感器测得的海域的海平面的温度；这里的第二惯导数据集可以包括在各个第三预设时长内，海上漂浮式测风激光雷达中的惯性导航系统测得的雷达俯仰校正量、横滚校正量及海上浮标平台相对于海浪的实际运动方向的运动速度校正量；这里的第三预设时长可以为海上漂浮式测风激光雷达的当前返回数据的时间与上一次返回数据的时间之间的时间间隔，如10分钟，本申请在此不作特别的限定，根据具体的海上漂浮式测风激光雷达的工作性能决定。
获取海浪浮标传感器在第二预设时长内测得的第二数据集，该第二数据集合包括各个第三预设时长及与各个第三预设时长一一对应的海域的海浪参数，随后将第一数据集作为神经网络模型的输入项输入至神经网络模型，将第二数据集作为神经网络模型的输出项输入至神经网络模型，从而建立了在各个第三预设时长下的输入-输出对应关系以便神经网络模型进行对应的学习。需要说明的是，由于建立了各个第三预设时长下的输入-输出关系，若针对某个第三预设时长只有输入的第一数据集且由于海浪浮标传感器的测量数据的缺失而没有与之对应的第二数据集，则神经网络模型不会进行针对该第三预设时长的学习。
于是利用该神经网络模型进行第j次学习，并判断第j次学习的神经网络模型的学习精度是否满足预设阈值，若是，则说明达到训练的要求，停止学习并确定此时的神经网络模型为反演海浪参数模型；若否，则说明未达到训练的要求，令j＝j+1并继续开始学习。需要说明的是，这里的预设阈值根据实际神经网络模型训练最终需要达到的学习精度设定，本申请在此不作特别的限定。
还需要说明的是，为了保证训练的效果，这里的第二预设时长需要足够长以保证用于训练的数据量足够多，因此第二预设时长远大于第三预设时长，比如可以为3个月，本申请在此不作特别的限定；此外，这里考虑的是海浪浮标传感器与海上漂浮式测风激光雷达在返回数据时需要的时间间隔是相同的，即为第三预设时长，若后续两者返回数据的时间间隔不同，只需要对数据进行相应的处理，如以海浪浮标传感器返回数据的时间间隔作为基准，在该时间间隔内对海上漂浮式测风激光雷达返回的各个数据对应求平均值，以使两者的时间间隔能够匹配即可，本申请在此不作特别的限定。
可见，通过这种方式可以可靠精确地建立反演海浪参数模型，实现了从海上漂浮式测风激光雷达测得的数据到海浪参数的反演。
作为一种优选的实施例，神经网络模型包括BP神经网络、卷积神经网络、循环神经网络及长短期记忆神经网络中的一种或多种的组合。
本实施例中，用于得到反演海浪参数模型的神经网络模型可以包括BP神经网络、卷积神经网络、循环神经网络及长短期记忆神经网络中的一种，也可以根据实际应用需要，该神经网络模型也可以包括BP神经网络、卷积神经网络、循环神经网络及长短期记忆神经网络中的多种的组合。
需要说明的是，这里仅列举了BP神经网络、卷积神经网络、循环神经网络及长短期记忆神经网络，在实际使用时也可以利用其他神经网络，本申请在此不作特别的限定，根据实际需要而定。
可见，通过这种方式可以简单可靠地得到用于海浪反演的反演海浪参数模型，且该模型的精确性和可靠性均较高。
请参照图2，图2为本发明提供的一种海浪参数反演系统的结构示意图。
该海浪参数反演系统，包括：
获取单元31，用于获取海上漂浮式测风激光雷达在第一预设时长内测得的表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集；
输入单元32，用于将第一风数据集、第一温度及第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型；
输出确定单元33，用于确定反演海浪参数模型的输出项为第一预设时长内海域的海浪参数。
对于本发明中提供的海浪参数反演系统的介绍请参照上述海浪参数反演方法的实施例，此处不再赘述。
请参照图3，图3为本发明提供的一种海浪参数反演装置的结构示意图。
该海浪参数反演装置，包括：
存储器41，用于存储计算机程序；
处理器42，用于执行计算机程序时实现如上述的海浪参数反演方法的步骤。
对于本发明中提供的海浪参数反演装置的介绍请参照上述海浪参数反演方法的实施例，此处不再赘述。
本发明还提供了一种海上漂浮式测风激光雷达，设置于海上浮标平台，包括如上述的海浪参数反演装置。
对于本发明中提供的海上漂浮式测风激光雷达的介绍请参照上述海浪参数反演方法的实施例，此处不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种海浪参数反演方法，其特征在于，应用于海上漂浮式测风激光雷达中的处理器，所述海上漂浮式测风激光雷达设置于海上浮标平台；
所述海浪参数反演方法，包括：
获取所述海上漂浮式测风激光雷达在第一预设时长内测得的表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集；
将所述第一风数据集、所述第一温度及所述第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型；
确定所述反演海浪参数模型的输出项为所述第一预设时长内所述海域的海浪参数。
2.如权利要求1所述的海浪参数反演方法，其特征在于，所述第一风数据集包括所述海上漂浮式测风激光雷达在测风高度阈值内测得的各个第一预设高度上的风速及风向，所有的第一预设高度中的最大值为所述海上漂浮式测风激光雷达设定的所述测风高度阈值。
3.如权利要求1所述的海浪参数反演方法，其特征在于，所述第一温度包括所述海上漂浮式测风激光雷达中的温度传感器测得的所述海域的海平面的温度。
4.如权利要求1所述的海浪参数反演方法，其特征在于，所述第一惯导数据集包括所述海上漂浮式测风激光雷达中的惯性导航系统测得的雷达俯仰校正量、横滚校正量及所述海上浮标平台相对于海浪的实际运动方向的运动速度校正量。
5.如权利要求1所述的海浪参数反演方法，其特征在于，确定所述反演海浪参数模型的输出项为所述第一预设时长内所述海域的海浪参数之后，还包括：
控制显示模块显示所述海浪参数。
6.如权利要求1至5任一项所述的海浪参数反演方法，其特征在于，所述反演海浪参数模型的预先训练过程，包括：
S11：获取所述海上漂浮式测风激光雷达在第二预设时长内测得的表征所述海域的海浪参数的第一数据集，所述第一数据集包括各个第三预设时长、与各个所述第三预设时长一一对应的第二风数据集、第二温度及第二惯导数据集，所有的第三预设时长的和为所述第二预设时长；
S12：获取海浪浮标传感器在所述第二预设时长内测得的第二数据集，所述第二数据集合包括各个所述第三预设时长及与各个所述第三预设时长一一对应的所述海域的海浪参数；
S13：将所述第一数据集作为输入项输入至神经网络模型；
S14：将所述第二数据集作为输出项输入至所述神经网络模型；
S15：利用所述神经网络模型进行第j次学习，其中，j为不小于1的整数；
S16：判断第j次学习的所述神经网络模型的学习精度是否满足预设阈值，若是，进入S18；若否，进入S17；
S17：令j＝j+1并返回S15；
S18：停止学习并确定此时的神经网络模型为所述反演海浪参数模型。
7.如权利要求6所述的海浪参数反演方法，其特征在于，所述神经网络模型包括BP神经网络、卷积神经网络、循环神经网络及长短期记忆神经网络中的一种或多种的组合。
8.一种海浪参数反演系统，其特征在于，包括：
获取单元，用于获取所述海上漂浮式测风激光雷达在第一预设时长内测得的表征海域的海浪参数的第一风数据集、第一温度及第一惯导数据集；
输入单元，用于将所述第一风数据集、所述第一温度及所述第一惯导数据集作为输入项输入预先训练好的反演海浪参数模型；
输出确定单元，用于确定所述反演海浪参数模型的输出项为所述第一预设时长内所述海域的海浪参数。
9.一种海浪参数反演装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的海浪参数反演方法的步骤。
10.一种海上漂浮式测风激光雷达，其特征在于，设置于海上浮标平台，包括如权利要求9所述的海浪参数反演装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111604121.3A CN114265087A (zh) | 2021-12-24 | 2021-12-24 | 一种海浪参数反演方法及相关组件 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111604121.3A CN114265087A (zh) | 2021-12-24 | 2021-12-24 | 一种海浪参数反演方法及相关组件 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114265087A true CN114265087A (zh) | 2022-04-01 |
Family
ID=80830259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111604121.3A Pending CN114265087A (zh) | 2021-12-24 | 2021-12-24 | 一种海浪参数反演方法及相关组件 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114265087A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115983141A (zh) * | 2023-03-21 | 2023-04-18 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于深度学习反演海浪波高的方法、介质及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201628768U (zh) * | 2010-01-26 | 2010-11-10 | 天津大学 | 船用导航雷达多功能多参数监测装置 |
| CN102103708A (zh) * | 2011-01-28 | 2011-06-22 | 哈尔滨工程大学 | 一种基于径向基神经网络的海浪有效波高反演模型建模方法 |
| CN109829547A (zh) * | 2018-12-18 | 2019-05-31 | 中国人民解放军国防科技大学 | 一种基于深度学习的一维综合孔径微波辐射计sst反演方法 |
| CN112180369A (zh) * | 2020-09-23 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于深度学习的一维综合孔径辐射计海面风速反演方法 |
| CN113051817A (zh) * | 2021-03-19 | 2021-06-29 | 上海海洋大学 | 一种基于深度学习的海浪高度预测方法及其应用 |
| CN113075660A (zh) * | 2021-04-16 | 2021-07-06 | 清华大学 | 基于极化合成孔径雷达sar反演海面风浪参数的方法及装置 |
| CN113156439A (zh) * | 2021-05-08 | 2021-07-23 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
-
2021
- 2021-12-24 CN CN202111604121.3A patent/CN114265087A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201628768U (zh) * | 2010-01-26 | 2010-11-10 | 天津大学 | 船用导航雷达多功能多参数监测装置 |
| CN102103708A (zh) * | 2011-01-28 | 2011-06-22 | 哈尔滨工程大学 | 一种基于径向基神经网络的海浪有效波高反演模型建模方法 |
| CN109829547A (zh) * | 2018-12-18 | 2019-05-31 | 中国人民解放军国防科技大学 | 一种基于深度学习的一维综合孔径微波辐射计sst反演方法 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
| CN112180369A (zh) * | 2020-09-23 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于深度学习的一维综合孔径辐射计海面风速反演方法 |
| CN113051817A (zh) * | 2021-03-19 | 2021-06-29 | 上海海洋大学 | 一种基于深度学习的海浪高度预测方法及其应用 |
| CN113075660A (zh) * | 2021-04-16 | 2021-07-06 | 清华大学 | 基于极化合成孔径雷达sar反演海面风浪参数的方法及装置 |
| CN113156439A (zh) * | 2021-05-08 | 2021-07-23 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 常广弘 等: "一种高频雷达回波谱反演海浪的新算法", 中国海洋大学学报, vol. 45, no. 02, 28 February 2015 (2015-02-28), pages 127 - 133 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115983141A (zh) * | 2023-03-21 | 2023-04-18 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于深度学习反演海浪波高的方法、介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nazir et al. | Wind generation forecasting methods and proliferation of artificial neural network: A review of five years research trend | |
| US10302066B2 (en) | Reducing curtailment of wind power generation | |
| Jiang et al. | Structural reliability analysis of wind turbines: A review | |
| US10598157B2 (en) | Reducing curtailment of wind power generation | |
| EP3364324B1 (en) | Method and device for detecting equivalent load of wind turbine generator system | |
| CN107238826B (zh) | 利用双偏振多普勒天气雷达回波反演雷暴电荷分布的方法 | |
| Barthelmie et al. | Ten years of meteorological measurements for offshore wind farms | |
| Avendaño-Valencia et al. | Virtual fatigue diagnostics of wake-affected wind turbine via Gaussian Process Regression | |
| Barthelmie et al. | Power and wind shear implications of large wind turbine scenarios in the US Central Plains | |
| Yang et al. | Experimental and numerical investigation of a taut-moored wave energy converter: a validation of simulated mooring line forces | |
| Goit et al. | Can LiDARs replace meteorological masts in wind energy? | |
| Babanin et al. | Winds near the surface of waves: Observations and modeling | |
| Bodini et al. | The importance of round-robin validation when assessing machine-learning-based vertical extrapolation of wind speeds | |
| Dimitrov et al. | From SCADA to lifetime assessment and performance optimization: how to use models and machine learning to extract useful insights from limited data | |
| CN114265087A (zh) | 一种海浪参数反演方法及相关组件 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| Ritter et al. | A new approach to assess wind energy potential | |
| CN114279915A (zh) | 一种大气颗粒物浓度反演方法及相关组件 | |
| EP4060430A1 (en) | Systems and methods for operating power generating assets | |
| Zhang et al. | A data-driven method to characterize turbulence-caused uncertainty in wind power generation | |
| Kumer et al. | Characterization of turbulence in wind turbine wakes under different stability conditions from static Doppler LiDAR measurements | |
| Thedin et al. | Investigations of correlation and coherence in turbulence from a large-eddy simulation | |
| Bischoff et al. | An approach and discussion of a simulation based measurement uncertainty estimation for a floating lidar system | |
| Cardona | Visual Anemometry: Wind Speed Measurement Through Visual Observation of Fluid-Structure Interactions | |
| Anderson et al. | Rooftop wind resource assessment using a Three-Dimension Ultrasonic Anemometer |
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 |