CN115587326B - 一种噪声环境风电场数据修正方法 - Google Patents
一种噪声环境风电场数据修正方法 Download PDFInfo
- Publication number
- CN115587326B CN115587326B CN202211587188.5A CN202211587188A CN115587326B CN 115587326 B CN115587326 B CN 115587326B CN 202211587188 A CN202211587188 A CN 202211587188A CN 115587326 B CN115587326 B CN 115587326B
- Authority
- CN
- China
- Prior art keywords
- wind direction
- wind
- data
- characteristic data
- typical
- 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
Links
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
- 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
Abstract
本发明涉及噪声数据修正的技术领域，揭露了一种噪声环境风电场数据修正方法，所述方法包括：对风场风向数据中的盲点数据进行修正；对修正处理后的风场风向数据进行典型风向特征数据提取；对典型风向特征数据进行特征分解，得到若干典型风向特征数据信号分量；将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，过滤噪声信号分量，将保留的信号分量重构为降噪后风向特征数据；将降噪后风向特征数据输入到风向预测修正模型中，得到修正后的风向预测结果。本发明对噪声信号分量进行过滤，实现噪声环境下风场风向数据的噪声修正，得到更为精确的历史风场风向以及预测风向，并基于最邻近时刻风向的先验信息对预测风向进行修正。
Description
技术领域
本发明涉及噪声数据修正的技术领域，尤其涉及一种噪声环境风电场数据修正方法。
背景技术
风电具有分布广泛便于利用的优点受到广泛关注。然而，由于风能具有的随机性、间歇性和不稳定性特点，给风力发电机的高效控制带来严峻挑战。目前，风电场偏航系统的调节一般将历史风向信息作为指导，这导致偏航系统调节滞后于风向变化，同时机械噪音、温度地形等因素的影响导致风向信息数据存在较大偏差。针对该问题，本专利提出一种噪音环境风电场数据修正方法，实现混杂噪音环境下的风向数据修正，增强风能发电效果。
发明内容
有鉴于此，本发明提供一种噪声环境风电场数据修正方法，目的在于：实现对不同时刻的风场风向进行重要性量化，其中重要性越高的风场风向，越能够对所采集风场风向数据进行区分，得到更能够表征风场风向数据特征信息的典型风向特征数据，并对含有多种噪声的典型风向特征数据进行多模态分解，基于分解信号分量的信息熵选取蕴含主要信息的信号分量，其余信号分量被作为噪声信号分量进行过滤，实现噪声环境下风场风向的噪声过滤，得到更为精准的风场风向数据；同时构建精准风向预测修正模型，基于得到的降噪后风向特征数据对未来时刻的风向进行预测，并基于最邻近时刻风向的先验信息对预测结果进行修正，实现更为精准的风场风向预测。
实现上述目的，本发明提供的一种噪声环境风电场数据修正方法，包括以下步骤：
S1：采集风场风向数据，并对风场风向数据中的盲点数据进行修正，得到修正处理后的风场风向数据；
S2：对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据；
S3：对典型风向特征数据进行特征分解，得到分解后的若干典型风向特征数据信号分量，其中变分模态分解为所述典型风向特征数据分解的主要方法；
S4：将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，并将计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量重构为降噪后风向特征数据；
S5：构建精准风向预测修正模型，将降噪后风向特征数据输入到风向预测修正模型中，模型输出修正后的风向预测结果。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集风场风向数据，包括：
利用测风塔的风向传感器采集风场风向数据，其中所采集的风场风向数据为：
其中：
表示/>时刻所采集到的风场风向，/>为风向传感器采集风场风向数据的时序范围，相邻时刻的时间间隔为/>，其中风场风向为角度数据，则/>时刻所采集到的风场风向为以正东方向为起始方向，顺时针旋转/>度，所述风向传感器所能测量的风场风向范围为/>。
在本发明具体实施例中，所述风向传感器由风杯、传感器主体、电路模块、传输电缆构成，其中风杯具有由高耐候性、高强度、防腐蚀和防水的金属制造，传感器主体采用电子罗盘定位绝对方向，风杯感知到风场内的风，从而产生转动，并将转动信息传输到传感器主体，传感器主题利用电子罗盘定位到风场风向；
所述风电场包括风场和电场，风电场利用风力发电机将风场内的风转换为动能，并将动能转换为电能进行存储，风力发电机基于风场内风向调节风叶方向，使得风叶可以采集到风量，并将所采集到的风量转换为动能。
可选地，所述S1步骤中对风场风向数据中的盲点数据进行修正，得到修正处理后的风场风向数据，包括：
对风场风向数据 中的盲点数据进行修正，所述盲点数据表示在 />附近变化的风场风向数据，所述盲点数据的修正公式为：
其中：
表示 />时刻风场风向/>的盲点数据修正结果；
修正后的风场风向数据为 。
可选地，所述S2步骤中对修正处理后的风场风向数据进行特征数据提取，包括：
对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据，所述修正处理后风场风向数据的特征提取流程为：
分别计算修正后风场风向数据中每个时刻所采集风场风向的重要性，其中/>时刻所采集风场风向的重要性/>为：
其中：
表示数据集/>中的风向一致性修正参数， />表示数据集/>中的风向一致性修正参数，n代表时刻总数；将修正后风场风向数据/>大于的风场风向添加到数据集/>，/>表示数据集/>的风场风向数目；
将修正后风场风向数据小于等于/>的风场风向添加到数据集/>，表示数据集/>的风场风向数目；
表示数据集/>中风场风向的类别数，/>表示类别为k的风场风向，在数据集/>中出现的次数；
表示数据集/>中风场风向的类别数，/>表示类别为k的风场风向，在数据集/>中出现的次数；
选取重要性最大的m个时刻的所采集风场风向构成典型风向特征数据，其中所述典型风向特征数据按照时序顺序排列，所述典型风向特征数据/>为：
其中：
为所选取的风场风向数据中，采集时刻为/>的风场风向，/>表示典型风向特征数据的时序信息。
可选地，所述S3步骤中对典型风向特征数据进行特征分解，包括：
对典型风向特征数据 进行特征分解，得到分解后的若干典型风向特征数据信号分量，所述特征分解流程为：
S31：构建典型风向特征数据的特征分解目标函数：
其中：
表示分解得到的D组典型风向特征数据信号分量集合，/>表示D组典型风向特征数据信号分量的对应频率集合，/>表示分解得到的第d组典型风向特征数据信号分量，/>表示/>的频率；
j表示复数单位，；
表示L2范数；
表示卷积；
所述特征分解目标函数的约束条件为：
S32：对特征分解目标函数引入拉格朗日乘子向量，得到拉格朗日函数形式下的特征分解目标函数/>：
其中：
< >表示向量内积公式，表示拉格朗日乘子向量/>与向量/>的内积结果；
S33：求解得到初始典型风向特征数据信号分量以及对应的频率，设定特征分解目标函数求解的当前迭代次数为z，z的初始值为1，/>表示第z次迭代后的第d组典型风向特征数据信号分量，/>表示初始典型风向特征数据信号分量，/>表示所对应的初始频率，所述迭代公式为：
其中：
表示/>的傅里叶变换形式，/>表示/>的傅里叶变换形式，/>表示/>的傅里叶变换形式，/>表示第z次迭代后的结果；
表示惩罚因子，将其设置为0.5；
表示第z次迭代后/>的频率；
S34：若满足如下条件则终止算法迭代：
其中：表示预设的迭代阈值；
将第z次迭代终止得到的典型风向特征数据信号分量作为最终求解结果，利用逆傅里叶变换操作将傅里叶变换形式的典型风向特征数据信号分量转换为时域形式，得到D组典型风向特征数据信号分量，所对应频率为；
若不满足条件，则令，返回步骤S33。
可选地，所述S4步骤中将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，包括：
分别对分解后的D组典型风向特征数据信号分量进行信息熵计算，其中任意第d组典型风向特征数据信号分量的信息熵计算结果为：
/>
其中：
表示任意第d组典型风向特征数据信号分量/>的信息熵；
表示/>中不同的信号类型，/>表示/>中信号类型q出现的概率。
可选地，所述S4步骤中将不同典型风向特征数据信号分量的信息熵计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量重构为降噪后风向特征数据，包括：
将不同典型风向特征数据信号分量的信息熵计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量进行叠加重构，将重构结果作为降噪后风向特征数据/>。
可选地，所述S5步骤中构建精准风向预测修正模型，包括：
构建精准风向预测修正模型，所述精准风向预测修正模型的输入为降噪后的风向特征数据，输出为下一时刻风向的精准预测结果，所述精准风向预测修正模型包括预测层和修正层，其中预测层的结构为LSTM模型，预测层包含10个记忆块，每个记忆块包含三个乘法控制单元，分别为输入门、输出门和遗忘门，预测层用于输出下一时刻风向的预测结果，并将预测结果输入到修正层，所述修正层基于先验信息对预测结果进行修正。
可选地，所述S5步骤中将降噪后风向特征数据输入到风向预测修正模型中，模型输出修正后的风向预测结果，包括：
将降噪后风向特征数据输入到风向预测修正模型中，风向预测修正模型输出修正后的风向预测结果，所述风向预测修正模型进行预测的流程为：
S51：精准风向预测修正模型中的预测层接收降噪后风向特征数据，经由10个记忆块的更新以及信息提取，在最后一个记忆块的遗忘门利用softmax函数输出下一时刻的风向预测结果y；
S52：预测层将风向预测结果y输入到修正层；
S53：修正层利用修正函数对风向预测结果y进行修正，所述修正函数为：
其中：
表示修正参数；
表示降噪后风向特征数据/>中最后一个时刻的风场风向；
表示修正后风电场的下一时刻风向预测结果。
相对于现有技术，本发明提出一种噪声环境风电场数据修正方法，该技术具有以下优势：
首先，本方案提出一种噪声环境下风向数据的降噪处理，首先对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据，其中时刻所采集风场风向的重要性/>为：
其中：将修正后风场风向数据大于/>的风场风向添加到数据集/>，表示数据集/>的风场风向数目；将修正后风场风向数据/>小于等于/>的风场风向添加到数据集/>，/>表示数据集/>的风场风向数目；/>表示数据集/>中风场风向的类别数，/>表示类别为k的风场风向，在数据集/>中出现的次数；/>表示数据集/>中风场风向的类别数，/>表示类别为k的风场风向，在数据集/>中出现的次数；选取重要性最大的m个时刻的所采集风场风向构成典型风向特征数据/>，其中所述典型风向特征数据按照时序顺序排列，所述典型风向特征数据/>为：
其中：为所选取的风场风向数据中，采集时刻为/>的风场风向，/>表示典型风向特征数据的时序信息。对典型风向特征数据/>进行特征分解，得到分解后的若干典型风向特征数据信号分量，分别对分解后的D组典型风向特征数据信号分量进行信息熵计算，其中任意第d组典型风向特征数据信号分量的信息熵计算结果为：
其中：表示任意第d组典型风向特征数据信号分量/>的信息熵；表示/>中不同的信号类型，/>表示/>中信号类型q出现的概率。将不同典型风向特征数据信号分量的信息熵计算结果与指定阈值/>进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量进行叠加重构，将重构结果作为降噪后风向特征数据/>。本方案实现对不同时刻的风场风向进行重要性量化，其中重要性越高的风场风向，越能够对所采集风场风向数据进行区分，得到更能够表征风场风向数据特征信息的典型风向特征数据，并对含有多种噪声的典型风向特征数据进行多模态分解，基于分解信号分量的信息熵选取蕴含主要信息的信号分量，其余信号分量被作为噪声信号分量进行过滤，实现噪声环境下风场风向的噪声过滤，得到更为精准的风场风向数据。
同时，本方案提出一种未来时刻风场风向的预测修正方法，将降噪后风向特征数据输入到风向预测修正模型中，风向预测修正模型输出修正后的风向预测结果，所述风向预测修正模型进行预测的流程为：精准风向预测修正模型中的预测层接收降噪后风向特征数据，经由10个记忆块的更新以及信息提取，在最后一个记忆块的遗忘门利用softmax函数输出下一时刻的风向预测结果y；预测层将风向预测结果y输入到修正层；修正层利用修正函数对风向预测结果y进行修正，所述修正函数为：
其中：表示修正参数；/>表示降噪后风向特征数据/>中最后一个时刻的风场风向；/>表示修正后风电场的下一时刻风向预测结果。本方案构建精准风向预测修正模型，基于得到的降噪后风向特征数据对未来时刻的风向进行预测，并基于最邻近时刻风向的先验信息对预测结果进行修正，若最邻近时刻风向大于预测风向，则增大预测风向，否则减小预测风向，实现更为精准的风场风向预测。
附图说明
图1为本发明一实施例提供的一种噪声环境风电场数据修正方法的流程示意图；
图2为本发明一实施例提供的噪声环境风电场数据修正装置的功能模块图；
图3为本发明一实施例提供的实现噪声环境风电场数据修正方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种噪声环境风电场数据修正方法。所述噪声环境风电场数据修正方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述噪声环境风电场数据修正方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集风场风向数据，并对风场风向数据中的盲点数据进行修正，得到修正处理后的风场风向数据。
所述S1步骤中采集风场风向数据，包括：
利用测风塔的风向传感器采集风场风向数据，其中所采集的风场风向数据为：
其中：
表示/>时刻所采集到的风场风向，/>为风向传感器采集风场风向数据的时序范围，相邻时刻的时间间隔为/>，其中风场风向为角度数据，则/>时刻所采集到的风场风向为以正东方向为起始方向，顺时针旋转/>度，所述风向传感器所能测量的风场风向范围为/>。
所述S1步骤中对风场风向数据中的盲点数据进行修正，得到修正处理后的风场风向数据，包括：
对风场风向数据中的盲点数据进行修正，所述盲点数据表示在/>附近变化的风场风向数据，所述盲点数据的修正公式为：
其中：
表示/>时刻风场风向/>的盲点数据修正结果；
修正后的风场风向数据为。
S2：对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据。
所述S2步骤中对修正处理后的风场风向数据进行特征数据提取，包括：
对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据，所述修正处理后风场风向数据的特征提取流程为：
分别计算修正后风场风向数据中每个时刻所采集风场风向的重要性，其中/>时刻所采集风场风向的重要性/>为：
其中：
表示数据集/>中的风向一致性修正参数， />表示数据集/>中的风向一致性修正参数，n代表时刻总数；将修正后风场风向数据/>大于的风场风向添加到数据集/>，/>表示数据集/>的风场风向数目；
将修正后风场风向数据小于等于/>的风场风向添加到数据集/>，表示数据集/>的风场风向数目；
表示数据集/>中风场风向的类别数，/>表示类别为k的风场风向，在数据集/>中出现的次数；
表示数据集/>中风场风向的类别数，/>表示类别为k的风场风向，在数据集/>中出现的次数；
选取重要性最大的m个时刻的所采集风场风向构成典型风向特征数据，其中所述典型风向特征数据按照时序顺序排列，所述典型风向特征数据/>为：
其中：
为所选取的风场风向数据中，采集时刻为/>的风场风向，/>表示典型风向特征数据的时序信息。
S3：对典型风向特征数据进行特征分解，得到分解后的若干典型风向特征数据信号分量，其中变分模态分解为所述典型风向特征数据分解的主要方法。
所述S3步骤中对典型风向特征数据进行特征分解，包括：
对典型风向特征数据 进行特征分解，得到分解后的若干典型风向特征数据信号分量，所述特征分解流程为：
S31：构建典型风向特征数据的特征分解目标函数：
其中：
表示分解得到的D组典型风向特征数据信号分量集合，/>表示D组典型风向特征数据信号分量的对应频率集合，/>表示分解得到的第d组典型风向特征数据信号分量，/>表示/>的频率；
j表示复数单位，；
表示L2范数；
表示卷积；
所述特征分解目标函数的约束条件为：
S32：对特征分解目标函数引入拉格朗日乘子向量，得到拉格朗日函数形式下的特征分解目标函数/>：
其中：
< >表示向量内积公式，表示拉格朗日乘子向量/>与向量/>的内积结果；
S33：求解得到初始典型风向特征数据信号分量以及对应的频率，设定特征分解目标函数求解的当前迭代次数为z，z的初始值为1，/>表示第z次迭代后的第d组典型风向特征数据信号分量，/>表示初始典型风向特征数据信号分量，/>表示所对应的初始频率，所述迭代公式为：
其中：
表示/>的傅里叶变换形式，/>表示/>的傅里叶变换形式，/>表示/>的傅里叶变换形式，/>表示第z次迭代后的结果；
表示惩罚因子，将其设置为0.5；
表示第z次迭代后/>的频率；
S34：若满足如下条件则终止算法迭代：
其中：表示预设的迭代阈值；
将第z次迭代终止得到的典型风向特征数据信号分量作为最终求解结果，利用逆傅里叶变换操作将傅里叶变换形式的典型风向特征数据信号分量转换为时域形式，得到D组典型风向特征数据信号分量，所对应频率为/>；
若不满足条件，则令，返回步骤S33。
S4：将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，并将计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量重构为降噪后风向特征数据。
所述S4步骤中将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，包括：
分别对分解后的D组典型风向特征数据信号分量进行信息熵计算，其中任意第d组典型风向特征数据信号分量的信息熵计算结果为：
/>
其中：
表示任意第d组典型风向特征数据信号分量/>的信息熵；
表示/>中不同的信号类型，/>表示/>中信号类型q出现的概率。
所述S4步骤中将不同典型风向特征数据信号分量的信息熵计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量重构为降噪后风向特征数据，包括：
将不同典型风向特征数据信号分量的信息熵计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量进行叠加重构，将重构结果作为降噪后风向特征数据/>。
S5：构建精准风向预测修正模型，将降噪后风向特征数据输入到风向预测修正模型中，模型输出修正后的风向预测结果。
所述S5步骤中构建精准风向预测修正模型，包括：
构建精准风向预测修正模型，所述精准风向预测修正模型的输入为降噪后的风向特征数据，输出为下一时刻风向的精准预测结果，所述精准风向预测修正模型包括预测层和修正层，其中预测层的结构为LSTM模型，预测层包含10个记忆块，每个记忆块包含三个乘法控制单元，分别为输入门、输出门和遗忘门，预测层用于输出下一时刻风向的预测结果，并将预测结果输入到修正层，所述修正层基于先验信息对预测结果进行修正。
所述S5步骤中将降噪后风向特征数据输入到风向预测修正模型中，模型输出修正后的风向预测结果，包括：
将降噪后风向特征数据输入到风向预测修正模型中，风向预测修正模型输出修正后的风向预测结果，所述风向预测修正模型进行预测的流程为：
S51：精准风向预测修正模型中的预测层接收降噪后风向特征数据，经由10个记忆块的更新以及信息提取，在最后一个记忆块的遗忘门利用softmax函数输出下一时刻的风向预测结果y；
S52：预测层将风向预测结果y输入到修正层；
S53：修正层利用修正函数对风向预测结果y进行修正，所述修正函数为：
其中：
表示修正参数；
表示降噪后风向特征数据/>中最后一个时刻的风场风向；/>
表示修正后风电场的下一时刻风向预测结果。
实施例2：
如图2所示，是本发明一实施例提供的噪声环境风电场数据修正装置的功能模块图，其可以实现实施例1中的噪声环境风电场数据修正方法。
本发明所述噪声环境风电场数据修正装置100可以安装于电子设备中。根据实现的功能，所述噪声环境风电场数据修正装置可以包括风向处理装置101、风向特征提取模块102及风向修正预测模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
风向处理装置101，用于采集风场风向数据，并对风场风向数据中的盲点数据进行修正；
风向特征提取模块102，用于对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据，对典型风向特征数据进行特征分解，得到分解后的若干典型风向特征数据信号分量；
风向修正预测模块103，用于将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，并将计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量重构为降噪后风向特征数据，构建精准风向预测修正模型，将降噪后风向特征数据输入到风向预测修正模型中，模型输出修正后的风向预测结果。
详细地，本发明实施例中所述噪声环境风电场数据修正装置100中的所述各模块在使用时采用与上述的图1中所述的噪声环境风电场数据修正方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现噪声环境风电场数据修正方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现噪声环境风电场数据修正的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集风场风向数据，并对风场风向数据中的盲点数据进行修正，得到修正处理后的风场风向数据；
对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据；
对典型风向特征数据进行特征分解，得到分解后的若干典型风向特征数据信号分量；
将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，并将计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量重构为降噪后风向特征数据；
构建精准风向预测修正模型，将降噪后风向特征数据输入到风向预测修正模型中，模型输出修正后的风向预测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种噪声环境风电场数据修正方法，其特征在于，所述方法包括：
S1：采集风场风向数据，并对风场风向数据中的盲点数据进行修正，得到修正处理后的风场风向数据；
S2：对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据，其中分类回归分析为特征提取的主要方法；
S3：对典型风向特征数据进行特征分解，得到分解后的若干典型风向特征数据信号分量，包括：
对典型风向特征数据x′(t′)进行特征分解，得到分解后的若干典型风向特征数据信号分量，所述特征分解流程为：
S31：构建典型风向特征数据x′(t′)的特征分解目标函数：
其中：
u＝{u1(t′)，u2(t′)，...，ud(t′)，...，uD(t′)}表示分解得到的D组典型风向特征数据信号分量集合，f＝{f1，f2，...，fd，...，fD}表示D组典型风向特征数据信号分量的对应频率集合，ud(t′)表示分解得到的第d组典型风向特征数据信号分量，fd表示ud(t′)的频率；
j表示复数单位，j2＝-1；
||·||2表示L2范数；
*表示卷积；
所述特征分解目标函数的约束条件为：
S32：对特征分解目标函数引入拉格朗日乘子向量λ(t′)，得到拉格朗日函数形式下的特征分解目标函数L(u，f，λ(t′))：
其中：
<·>表示向量内积公式，λ表示拉格朗日乘子向量λ(t′)与向量的内积结果；
S33：求解得到初始典型风向特征数据信号分量以及对应的频率，设定特征分解目标函数L(u，f，λ(t′))求解的当前迭代次数为z，z的初始值为1，ud(t′，z)表示第z次迭代后的第d组典型风向特征数据信号分量，ud(t′，0)表示初始典型风向特征数据信号分量，fd(0)表示所对应的初始频率，所述迭代公式为：
其中：
ud(h，z)表示ud(t′，z)的傅里叶变换形式，x′(h)表示x′(t′)的傅里叶变换形式，λ(h)表示λ(t′)的傅里叶变换形式，λ(h，z)表示第z次迭代后的结果；
α表示惩罚因子，将其设置为0.5；
fd(z)表示第z次迭代后ud(t′，z)的频率；
S34：若满足如下条件则终止算法迭代：
其中：
ε表示预设的迭代阈值；
将第z次迭代终止得到的典型风向特征数据信号分量作为最终求解结果，利用逆傅里叶变换操作将傅里叶变换形式的典型风向特征数据信号分量转换为时域形式，得到D组典型风向特征数据信号分量所对应频率为/>
若不满足条件，则令z＝z+1，返回步骤S33；
S4：将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，并将计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量重构为降噪后风向特征数据；
S5：构建精准风向预测修正模型，将降噪后风向特征数据输入到风向预测修正模型中，模型输出修正后的风向预测结果。
2.如权利要求1所述的一种噪声环境风电场数据修正方法，其特征在于，所述S1步骤中采集风场风向数据，包括：
利用测风塔的风向传感器采集风场风向数据，其中所采集的风场风向数据x(t)为：
x(t)＝(x(t1)，x(t2)，...，x(ti)，...，x(tn))
其中：
x(ti)表示ti时刻所采集到的风场风向，[t1，tn]为风向传感器采集风场风向数据的时序范围，相邻时刻的时间间隔为Δt，其中风场风向为角度数据，则ti时刻所采集到的风场风向为以正东方向为起始方向，顺时针旋转x(ti)度，所述风向传感器所能测量的风场风向范围为[0°，359°]。
3.如权利要求2所述的一种噪声环境风电场数据修正方法，其特征在于，所述S1步骤中对风场风向数据中的盲点数据进行修正，得到修正处理后的风场风向数据，包括：
对风场风向数据x(t)中的盲点数据进行修正，所述盲点数据表示在0°附近变化的风场风向数据，所述盲点数据的修正公式为：
其中：
x′(ti)表示ti时刻风场风向x(ti)的盲点数据修正结果；
修正后的风场风向数据为x′(t)＝(x′(t1)，x′(t2)，...，x′(ti)，...，x′(tn))。
4.如权利要求3所述的一种噪声环境风电场数据修正方法，其特征在于，所述S2步骤中对修正处理后的风场风向数据进行特征数据提取，包括：
对修正处理后的风场风向数据进行特征数据提取，得到典型风向特征数据，所述修正处理后风场风向数据的特征提取流程为：
分别计算修正后风场风向数据x′(t)＝(x′(t1)，x′(t2)，...，x′(ti)，...，x′(tn))中每个时刻所采集风场风向的重要性，其中ti时刻所采集风场风向的重要性I(x′(ti))为：
其中：
g(ti，1)表示数据集A(ti)中的风向一致性修正参数，g(ti，2)表示数据集B(ti)中的风向一致性修正参数；n代表时刻总数；
将修正后风场风向数据x′(t)大于x′(ti)的风场风向添加到数据集A(ti)，表示数据集A(ti)的风场风向数目；
将修正后风场风向数据x′(t)小于等于x′(ti)的风场风向添加到数据集B(ti)，表示数据集B(ti)的风场风向数目；
表示数据集A(ti)中风场风向的类别数，Ck，1表示类别为k的风场风向，在数据集A(ti)中出现的次数；
表示数据集B(ti)中风场风向的类别数，Ck，2表示类别为k的风场风向，在数据集B(ti)中出现的次数；
选取重要性最大的m个时刻的所采集风场风向构成典型风向特征数据x′(t′)，其中所述典型风向特征数据按照时序顺序排列，所述典型风向特征数据x′(t′)为：
x′(t′)＝(x′(t′1)，x′(t′2)，...，x′(t′m))，t′c＞t′c-1c∈[2，m]，t′c∈[t1，tn]
其中：
x′(t′m)为所选取的风场风向数据中，采集时刻为t′m的风场风向，t′表示典型风向特征数据的时序信息。
5.如权利要求1所述的一种噪声环境风电场数据修正方法，其特征在于，所述S4步骤中将分解后的若干典型风向特征数据信号分量分别进行信息熵计算，包括：
分别对分解后的D组典型风向特征数据信号分量进行信息熵计算，其中任意第d组典型风向特征数据信号分量的信息熵计算结果为：
其中：
表示任意第d组典型风向特征数据信号分量/>的信息熵；
表示/>中不同的信号类型，/>表示/>中信号类型q出现的概率。
6.如权利要求5所述的一种噪声环境风电场数据修正方法，其特征在于，所述S4步骤中将不同典型风向特征数据信号分量的信息熵计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量重构为降噪后风向特征数据，包括：
将不同典型风向特征数据信号分量的信息熵计算结果与指定阈值进行比较，若小于指定阈值则剔除该分量，否则保留，将保留的典型风向特征数据信号分量进行叠加重构，将重构结果作为降噪后风向特征数据x″(t′)。
7.如权利要求1所述的一种噪声环境风电场数据修正方法，其特征在于，所述S5步骤中构建精准风向预测修正模型，包括：
构建精准风向预测修正模型，所述精准风向预测修正模型的输入为降噪后的风向特征数据，输出为下一时刻风向的精准预测结果，所述精准风向预测修正模型包括预测层和修正层，其中预测层的结构为LSTM模型，预测层包含10个记忆块，每个记忆块包含三个乘法控制单元，分别为输入门、输出门和遗忘门，预测层用于输出下一时刻风向的预测结果，并将预测结果输入到修正层，所述修正层基于先验信息对预测结果进行修正。
8.如权利要求7所述的一种噪声环境风电场数据修正方法，其特征在于，所述S5步骤中将降噪后风向特征数据输入到风向预测修正模型中，模型输出修正后的风向预测结果，包括：
将降噪后风向特征数据输入到风向预测修正模型中，风向预测修正模型输出修正后的风向预测结果，所述风向预测修正模型进行预测的流程为：
S51：精准风向预测修正模型中的预测层接收降噪后风向特征数据，经由10个记忆块的更新以及信息提取，在最后一个记忆块的遗忘门利用softmax函数输出下一时刻的风向预测结果y；
S52：预测层将风向预测结果y输入到修正层；
S53：修正层利用修正函数对风向预测结果y进行修正，所述修正函数为：
其中：
β表示修正参数；
θ表示降噪后风向特征数据x″(t′)中最后一个时刻的风场风向；
表示修正后风电场的下一时刻风向预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211587188.5A CN115587326B (zh) | 2022-12-12 | 2022-12-12 | 一种噪声环境风电场数据修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211587188.5A CN115587326B (zh) | 2022-12-12 | 2022-12-12 | 一种噪声环境风电场数据修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115587326A CN115587326A (zh) | 2023-01-10 |
| CN115587326B true CN115587326B (zh) | 2023-08-25 |
Family
ID=84783581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211587188.5A Active CN115587326B (zh) | 2022-12-12 | 2022-12-12 | 一种噪声环境风电场数据修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115587326B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909696A (zh) * | 2024-03-20 | 2024-04-19 | 北京科技大学 | 一种基于风速传感器的风速风向预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN111523728A (zh) * | 2020-04-23 | 2020-08-11 | 东北电力大学 | 一种四阶段混合短时风向预测方法 |
| KR102326564B1 (ko) * | 2020-06-25 | 2021-11-15 | 부경대학교 산학협력단 | 연직바람 관측장비를 이용한 이중 도플러 레이더의 바람장 보정을 위한 장치 및 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI476430B (zh) * | 2010-08-23 | 2015-03-11 | Inst Nuclear Energy Res Atomic Energy Council | 具極端風速預測功能之風能預報方法 |
-
2022
- 2022-12-12 CN CN202211587188.5A patent/CN115587326B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN111523728A (zh) * | 2020-04-23 | 2020-08-11 | 东北电力大学 | 一种四阶段混合短时风向预测方法 |
| KR102326564B1 (ko) * | 2020-06-25 | 2021-11-15 | 부경대학교 산학협력단 | 연직바람 관측장비를 이용한 이중 도플러 레이더의 바람장 보정을 위한 장치 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 风能方向性参量遥感反演;朱晓辉;杨晓峰;杜延磊;井成;刘桂红;李紫薇;;遥感学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115587326A (zh) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Remaining useful life prediction based on denoising technique and deep neural network for lithium-ion capacitors | |
| Qian et al. | A review and discussion of decomposition-based hybrid models for wind energy forecasting applications | |
| CN115587326B (zh) | 一种噪声环境风电场数据修正方法 | |
| He et al. | A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data | |
| CN110348695B (zh) | 电力系统的灵活性评估方法、装置、设备及存储介质 | |
| CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| Lyu et al. | Lebesgue-time–space-model-based diagnosis and prognosis for multiple mode systems | |
| CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN113783207A (zh) | 混合储能抑制风电波动方法、装置、电子设备和存储介质 | |
| Wang et al. | Distribution drift-adaptive short-term wind speed forecasting | |
| CN115796231B (zh) | 一种时态分析的超短期风速预测方法 | |
| CN113780640A (zh) | 一种基于TCN-Attention的太阳能辐射预测方法 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| CN116577843A (zh) | 一种分布式声雷达风功率预测方法 | |
| CN116885711A (zh) | 一种风电功率预测方法、装置、设备和可读存储介质 | |
| CN116151446A (zh) | 基于ceemd和cnn-lstm模型的超短期风电功率预测方法及装置 | |
| CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
| CN111539573B (zh) | 一种风光互补离网系统的功率预测方法及系统 | |
| CN114298300A (zh) | 不确定度预测方法、装置、电子设备及存储介质 | |
| Wu et al. | Fast dc optimal power flow based on deep convolutional neural network | |
| CN114239945A (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
| CN114139803A (zh) | 一种风电场站短期功率的预测方法、系统、设备和介质 | |
| CN110598956B (zh) | 一种光伏电站的发电功率预测方法及装置 |
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 |