CN117907631A - 一种基于风速传感器的风速矫正方法及系统 - Google Patents
一种基于风速传感器的风速矫正方法及系统 Download PDFInfo
- Publication number
- CN117907631A CN117907631A CN202410317503.5A CN202410317503A CN117907631A CN 117907631 A CN117907631 A CN 117907631A CN 202410317503 A CN202410317503 A CN 202410317503A CN 117907631 A CN117907631 A CN 117907631A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- historical
- time
- real
- value
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 32
- 230000002441 reversible effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 230000003203 everyday effect Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000002354 daily effect Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005067 remediation Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于风速传感器的风速矫正方法及系统,涉及风速矫正技术领域。包括:获取风速传感器测得的历史数据以及实时数据;基于风速传感器测得的历史数据进行计算分析,获得风速误差范围以及矫正模型;基于实时数据计算实时风速测量值;将实时风速测量值与设定的风速阈值进行计算,获得实时风速误差;判断实时误差是否位于风速误差范围之内;若是,继续进行监测;若否,将实时风速测量值输入至矫正模型中进行矫正,本发明通过实时监测和矫正机制能够及时发现并纠正传感器的异常情况,确保系统稳定运行,这种及时的反馈和修正能够保证数据采集的实时性和可靠性,提高了系统的性能和可操作性。
Description
技术领域
本发明涉及风速矫正技术领域,特别是指一种基于风速传感器的风速矫正方法及系统。
背景技术
在矿山领域,风速监测是确保安全的重要一环。准确测量风速对于预防矿井火灾、优化排风和通风系统的设计,以及保障工人的安全至关重要。通过实时监测矿井内外的风速情况,可以及时发现异常情况并采取必要的措施,如调整通风设备、疏散人员等,从而最大程度地减少事故风险。此外,精准的风速数据也对矿山工程的规划和建设起到至关重要的作用,有助于提高矿山的生产效率和工作环境质量。因此,开发出可靠、准确的风速监测系统对于保障矿山生产安全和工人健康具有重要意义。
现有技术中,传统的风速测量方法通常是批量处理的,从而难以进行实时监测,进而会影响测量结果。
发明内容
为了解决传统的风速测量方法通常是批量处理的,从而难以进行实时监测,进而会影响测量结果的技术问题,本发明实施例提供了一种基于风速传感器的风速矫正方法及系统。所述技术方案如下:
一方面,提供了一种基于风速传感器的风速矫正方法,该方法由风速矫正设备实现,该方法包括:
获取风速传感器测得的历史数据以及实时数据。
基于风速传感器测得的历史数据进行计算分析,获得风速误差范围以及矫正模型。
基于风速传感器测得的实时数据计算实时风速测量值。
将实时风速测量值与设定的风速阈值进行计算,获得实时风速误差。
判断实时风速误差是否位于风速误差范围之内。
若是,则继续进行风速传感器的风速监测。
若否,则将实时风速测量值输入至矫正模型中进行矫正,并将矫正后的实时风速测量值与设定的风速阈值进行计算,获得实时矫正风速误差。
判断实时矫正风速误差是否位于风速误差范围之内。
若是,则将矫正后的实时风速测量值输出。
若否,则将矫正后的实时风速测量值输入至矫正模型中进行再次矫正,直至实时矫正风速误差位于风速误差范围之内。
可选地,历史数据包括:历史电压信号数据以及历史电流信号数据;
实时数据包括:实时电压信号值以及实时电流信号值。
可选地,基于风速传感器测得的实时数据计算实时风速测量值,包括:
将风速传感器测得的实时电压信号值以及实时电流信号值,经模数转换器ADC处理转化为实时电压数字值以及实时电流数字值,并基于实时电压数字值以及实时电流数字值进行均值计算,得到实时风速测量值。
可选地,基于风速传感器测得的历史数据进行计算分析,获得风速误差范围,包括:
基于风速传感器测得的历史数据进行正向误差均值计算,获得风速误差范围。
基于风速传感器测得的历史数据进行正向误差均值计算,获得风速误差范围,包括:
读取风速传感器测得的历史数据并进行预处理,得到预处理之后的历史数据。
将预处理之后的历史数据按照相同的时间间隔进行划分,获得历史每天的每个时间点的历史电压信号值以及历史电流信号值。
将历史每天的每个时间点的历史电压信号值以及历史电流信号值进行ADC处理转化,得到历史每天的每个时间点的历史电压数字值以及历史电流数字值。
将历史每天的每个时间点的历史电压数字值以及历史电流数字值进行均值计算,获得历史每天的每个时间点的历史风速测量值。
将历史每天的每个时间点的历史风速测量值进行比较,获得历史每天的历史风速测量最大值。
读取历史每天的历史风速测量最大值以及设定的风速阈值,并结合移动指数平均法进行综合计算,获得正向误差均值。
可选地,正向误差均值计算的公式如下式(1)所示:
(1)
其中,为正向误差均值,/>为历史第/>天的历史风速测量最大值,为历史第/>天的历史风速测量最大值,/>为设定的风速阈值,,/>为划分的天数,/>为/>的权重系数,/>为/>的权重系数。
可选地,基于风速传感器测得的历史数据进行计算分析,获得风速误差范围,包括:
基于风速传感器测得的历史数据进行反向误差均值计算,获得风速误差范围。
基于风速传感器测得的历史数据进行反向误差均值计算,获得风速误差范围,包括:
读取历史每天的每个时间点的历史风速测量值,并进行预处理,得到预处理之后的历史每天的每个时间点的历史风速测量值。
将预处理之后的历史每天的每个时间点的历史风速测量值,分别与设定的风速阈值进行比较。
若不存在小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值,则将设定的风速阈值作为历史每天的历史风速测量最小值。
若存在小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值,则将小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值进行二次比较,获得历史每天的历史风速测量最小值。
基于历史每天的历史风速测量最小值以及设定的风速阈值,并结合均值法以及调和平均法进行综合计算,获得反向误差均值。
可选地,反向误差均值计算的公式如下式(2)所示:
(2)
其中,为反向误差均值,/>为历史第/>天的历史风速测量最小值,/>为设定的风速阈值,/>,/>为划分的天数。
可选地,矫正模型的获得方法,包括:
读取历史数据,并随机挑选若干个时间点的历史电压信号值以及历史电流信号值。
将若干个时间点的历史电压信号值以及历史电流信号值分别进行均值计算,获得若干个时间点的历史风速测量值,并基于若干个时间点的历史风速测量值建立历史风速数据集。
将历史风速数据集分为训练数据集以及验证数据集。
读取训练数据集对构建好的矫正模型进行训练,并计算得到风速损失函数。
使用验证数据集评估矫正模型的性能,并根据评估结果调节矫正模型的参数,直至矫正模型矫正后的历史风速测量值与设定的风速阈值计算所得的历史矫正风速误差位于风速误差范围之内。
另一方面,提供了一种基于风速传感器的风速矫正系统,该系统应用于基于风速传感器的风速矫正方法,该系统包括数据获取子系统、数据分析子系统以及判断矫正子系统。
其中,数据获取子系统,用于获取风速传感器测得的历史数据以及实时数据。
数据分析子系统,用于基于风速传感器测得的历史数据进行计算分析,获得风速误差范围以及矫正模型。
基于风速传感器测得的实时数据计算实时风速测量值。
判断矫正子系统,用于将实时风速测量值与设定的风速阈值进行计算,获得实时风速误差。
判断实时风速误差是否位于风速误差范围之内。
若是,则继续进行风速传感器的风速监测。
若否,则将实时风速测量值输入至矫正模型中进行矫正,并将矫正后的实时风速测量值与设定的风速阈值进行计算,获得实时矫正风速误差。
判断实时矫正风速误差是否位于风速误差范围之内。
若是,则将矫正后的实时风速测量值输出。
若否,则将矫正后的实时风速测量值输入至矫正模型中进行再次矫正,直至实时矫正风速误差位于风速误差范围之内。
可选地,历史数据包括:历史电压信号数据以及历史电流信号数据;
实时数据包括:实时电压信号值以及实时电流信号值。
可选地,数据分析子系统,进一步用于:
将风速传感器测得的实时电压信号值以及实时电流信号值,经模数转换器ADC处理转化为实时电压数字值以及实时电流数字值,并基于实时电压数字值以及实时电流数字值进行均值计算,得到实时风速测量值。
可选地,数据分析子系统,进一步用于:
基于风速传感器测得的历史数据进行正向误差均值计算,获得风速误差范围。
基于风速传感器测得的历史数据进行正向误差均值计算,获得风速误差范围,包括:
读取风速传感器测得的历史数据并进行预处理,得到预处理之后的历史数据。
将预处理之后的历史数据按照相同的时间间隔进行划分,获得历史每天的每个时间点的历史电压信号值以及历史电流信号值。
将历史每天的每个时间点的历史电压信号值以及历史电流信号值进行ADC处理转化,得到历史每天的每个时间点的历史电压数字值以及历史电流数字值。
将历史每天的每个时间点的历史电压数字值以及历史电流数字值进行均值计算,获得历史每天的每个时间点的历史风速测量值。
将历史每天的每个时间点的历史风速测量值进行比较,获得历史每天的历史风速测量最大值。
读取历史每天的历史风速测量最大值以及设定的风速阈值,并结合移动指数平均法进行综合计算,获得正向误差均值。
可选地,正向误差均值计算的公式如下式(1)所示:
(1)
其中,为正向误差均值,/>为历史第/>天的历史风速测量最大值,为历史第/>天的历史风速测量最大值,/>为设定的风速阈值,,/>为划分的天数,/>为/>的权重系数,/>为/>的权重系数。
可选地,数据分析子系统,进一步用于:
基于风速传感器测得的历史数据进行反向误差均值计算,获得风速误差范围。
基于风速传感器测得的历史数据进行反向误差均值计算,获得风速误差范围,包括:
读取历史每天的每个时间点的历史风速测量值,并进行预处理,得到预处理之后的历史每天的每个时间点的历史风速测量值。
将预处理之后的历史每天的每个时间点的历史风速测量值,分别与设定的风速阈值进行比较。
若不存在小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值,则将设定的风速阈值作为历史每天的历史风速测量最小值。
若存在小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值,则将小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值进行二次比较,获得历史每天的历史风速测量最小值。
基于历史每天的历史风速测量最小值以及设定的风速阈值,并结合均值法以及调和平均法进行综合计算,获得反向误差均值。
可选地,反向误差均值计算的公式如下式(2)所示:
(2)
其中,为反向误差均值,/>为历史第/>天的历史风速测量最小值,/>为设定的风速阈值,/>,/>为划分的天数。
可选地,数据分析子系统,进一步用于:
读取历史数据,并随机挑选若干个时间点的历史电压信号值以及历史电流信号值。
将若干个时间点的历史电压信号值以及历史电流信号值分别进行均值计算,获得若干个时间点的历史风速测量值,并基于若干个时间点的历史风速测量值建立历史风速数据集。
将历史风速数据集分为训练数据集以及验证数据集。
读取训练数据集对构建好的矫正模型进行训练,并计算得到风速损失函数。
使用验证数据集评估矫正模型的性能,并根据评估结果调节矫正模型的参数,直至矫正模型矫正后的历史风速测量值与设定的风速阈值计算所得的历史矫正风速误差位于风速误差范围之内。
另一方面,提供一种风速矫正设备,所述风速矫正设备包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如上述基于风速传感器的风速矫正方法中的任一项方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于风速传感器的风速矫正方法中的任一项方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
上述方案中,通过实时监测和矫正机制能够及时发现并纠正传感器的异常情况,确保系统稳定运行,这种及时的反馈和修正能够保证数据采集的实时性和可靠性,提高了系统的性能和可操作性。
通过历史数据建立矫正模型,能够准确分析风速误差范围,并根据实时数据进行矫正,从而提高了风速传感器测量的准确性和可靠性。
通过数据获取、分析和判断三个子系统的协同作用,实现了对风速传感器测量值的自动化矫正。相比传统手动矫正方法,该系统能够更快速、更精确地纠正传感器误差,提高了系统的实时性和准确性。
通过模型训练模块能够动态地读取历史数据,并根据训练数据集不断优化矫正模型,使其能够更好地适应实际环境中的变化。这种能够实时更新的模型训练机制保证了系统的鲁棒性和长期稳定性,提高了系统的可维护性和可扩展性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的一种基于风速传感器的风速矫正方法流程图;
图2为本发明基于风速传感器的风速矫正方法中正向误差均值的具体计算步骤流程图;
图3为本发明基于风速传感器的风速矫正方法中计算反向误差均值的具体步骤流程图;
图4为本发明基于风速传感器的风速矫正方法中获得矫正模型的具体步骤流程图;
图5是本发明实施例提供的一种基于风速传感器的风速矫正系统框图;
图6为本发明基于风速传感器的风速矫正系统中判断矫正子系统框图;
图7是本发明实施例提供的一种风速矫正设备的结构示意图。
具体实施方式
下面结合附图,对本发明中的技术方案进行描述。
在本发明实施例中,“示例地”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用示例的一词旨在以具体方式呈现概念。此外,在本发明实施例中,“和/或”所表达的含义可以是两者都有,或者可以是两者任选其一。
本发明实施例中,“图像”,“图片”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。“的(of)”,“相应的(corresponding,relevant)”和“对应的(corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
本发明实施例中,有时候下标如W1可能会表示为非下标的形式如W1,在不强调其区别时,其所要表达的含义是一致的。
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本申请实施例中的问题,总体思路如下:
首先,需要获取风速传感器测得的历史数据和实时数据,其中历史数据包括历史电压信号数据和历史电流信号数据,实时数据包括实时电压信号值和实时电流信号值,然后通过计算历史数据的正向误差均值和反向误差均值进行计算分析,获得风速误差范围以及建立矫正模型,然后根据实时获取的电压信号值和电流信号值,通过ADC处理转化为实时电压数字值和实时电流数字值,然后进行均值计算,得到实时风速测量值,然后将实时风速测量值与设定的风速阈值进行比较,获得实时风速误差,然后判断实时误差是否位于风速误差范围之内,若实时误差不在误差范围内,则将实时风速测量值输入矫正模型进行矫正,然后重新计算实时矫正风速误差,直到误差位于范围内为止。
本发明实施例提供了一种基于风速传感器的风速矫正方法,该方法可以由基于风速传感器的风速矫正系统实现。如图1所示的基于风速传感器的风速矫正方法流程图,该方法的处理流程可以包括如下的步骤:
获取风速传感器测得的历史数据以及实时数据;基于风速传感器测得的历史数据进行计算分析,获得风速误差范围以及矫正模型;基于风速传感器测得的实时数据计算实时风速测量值;将实时风速测量值与设定的风速阈值进行计算,获得实时风速误差;判断实时误差是否位于风速误差范围之内;若是,则继续进行监测;若否,则将实时风速测量值输入至矫正模型中进行矫正,并将矫正后的实时风速测量值与设定的风速阈值进行计算,获得实时矫正风速误差,并判断实时矫正风速误差是否位于风速误差范围之内;若是,则将矫正后的实时风速测量值输出;若否,则对矫正后的实时风速测量值进行再次矫正,直至实时矫正风速误差位于风速误差范围之内。
历史数据具体为风速传感器测得的历史电压信号数据、历史电流信号数据,实时数据具体为风速传感器测得的实时电压信号值、实时电流信号值,并且该风速传感器常应用在矿山环境中。
具体地,计算实时风速测量值的过程具体为将风速传感器测得的实时电压信号值、实时电流信号值经ADC处理转化为实时电压数字值、实时电流数字值,并基于实时电压数字值、实时电流数字值进行均值计算,得到实时风速测量值,其计算公式如下:
(1)
其中,为经ADC处理转化后的实时电压数字值,/>为经ADC处理转化后的实时电流数字值。
判断实时误差是否位于风速误差范围之内,其中,具体的判断公式如下:;其中,/>为实时误差,/>为实时风速测量值,/>为设定的风速阈值,/>为正向误差均值,/>为反向误差均值。
本实施方案中,实时风速测量值的计算过程:将风速传感器测得的实时电压信号值和实时电流信号值经过ADC处理转化为数字值,这样可以将模拟信号转换为数字信号,提高了信号的稳定性和精确度,基于实时电压数字值和实时电流数字值进行均值计算,得到实时风速测量值,这样可以消除信号中的噪音和波动,得到更为可靠和稳定的风速测量值,该过程中的数字化处理使得信号更易于处理和传输,减少了信号损失和干扰,提高了数据的准确性和可靠性,并且均值计算可以降低数据的随机波动,得到更加稳定的风速测量值,提高了数据的可靠性和准确性,实时误差的判断与修正:判断实时误差是否位于风速误差范围之内,通过比较实时风速测量值和设定的风速阈值,判断误差是否在可接受的范围内,以决定是否需要进行矫正,若实时误差超出了设定的阈值,将实时风速测量值输入至矫正模型中进行矫正,直至误差位于可接受范围内,该过程中的及时判断和修正实时误差,保证了系统对风速的准确测量和控制,提高了数据的可靠性和实时性,并且自动矫正功能能够快速准确地纠正传感器误差,提高了数据的准确性和稳定性,对提高风速传感器的测量精度和可靠性具有重要意义。
具体地,如图2所示,正向误差均值的具体计算过程如下:读取历史数据并进行预处理;基于预处理之后的历史数据按照相同的时间间隔进行划分,获得历史每天的每个时间点的历史电压信号值、历史电流信号值;将历史每天的每个时间点的历史电压信号值、历史电流信号值进行ADC处理转化,得到历史每天的每个时间点的历史电压数字值、历史电流数字值;将历史每天的每个时间点的历史电压数字值、历史电流数字值进行均值计算,获得历史每天的每个时间点的历史风速测量值;将历史每天的每个时间点的历史风速测量值进行比较,获得历史每天的历史风速测量最大值;读取历史每天的历史风速测量最大值、设定的风速阈值并结合移动指数平均法进行综合计算,获得正向误差均值。
计算正向误差均值的公式如下:
(2)
其中,为正向误差均值,/>为历史第/>天的历史风速测量最大值,为历史第/>天的历史风速测量最大值,/>为设定的风速阈值,,/>为划分的天数,/>为/>的权重系数,/>为/>的权重系数。
正向误差均值还可以基于加权平均法进行计算,其计算公式如下:
(3)
其中,为正向误差均值,/>为历史第/>天的历史风速测量最大值,/>为的权重值,/>为设定的风速阈值,/>,/>为划分的天数。
本实施方案中,首先系统会读取风速传感器测得的历史数据,并进行预处理,如去除异常数据、填补缺失值等操作,这样做的好处是确保历史数据的质量和准确性,从而提高后续分析的可靠性,然后将预处理后的历史数据按照相同的时间间隔进行划分,通常以天为单位,这一步的好处在于使得数据具有相同的时间粒度,方便后续的统计分析和比较,然后系统会从历史数据中提取每天每个时间点的电压和电流信号值,这是为了为后续的计算和分析做准备,这样做的好处是提取出了每个时间点的具体数据,有利于后续的深入分析,然后将提取的电压和电流信号值进行模数转换,转化为数字值,这个步骤的好处在于将模拟信号转换为数字信号,便于计算机进行处理和分析,然后基于转换后的电压和电流数字值,系统会进行均值计算,得到历史每天每个时间点的风速测量值,这有助于得到每个时间点的风速数据,为后续的误差分析提供了基础,然后对历史每天的风速测量值进行比较,获得历史每天的最大风速测量值,这个步骤的好处在于找到每天的最大风速值,有助于了解系统的风速变化情况,然后利用历史每天的最大风速测量值、设定的风速阈值以及权重系数,系统会使用移动指数平均法进行综合计算,得到正向误差均值,这有助于更准确地评估系统的测量误差,为后续的风速矫正提供了重要参考,正向误差均值的具体计算过程通过对历史数据的细致处理和分析,系统能够更准确地评估风速传感器的测量误差,为后续的风速矫正提供了可靠的依据,这种精细化的数据处理方法不仅提高了系统测量精度,还优化了矫正算法,从而进一步提升了风速测量的准确性和可靠性。
具体地,如图3所示,计算反向误差均值的具体过程如下:读取历史每天的每个时间点的历史风速测量值,并进行预处理;将预处理之后的历史每天的每个时间点的历史风速测量值分别与设定的风速阈值进行比较,并将历史风速测量值小于设定的风速阈值的历史每天的若干个时间点进行二次比较,获得历史每天的历史风速测量最小值;若存在每个时间点的历史风速测量值均大于设定的风速阈值的若干天,则将设定的风速阈值作为这若干天的历史风速测量最小值;基于历史每天的历史风速测量最小值、设定的风速阈值并结合均值法以及调和平均法进行综合计算,获得反向误差均值。
计算反向误差均值的公式如下:
(4)
其中,为反向误差均值,/>为历史第/>天的历史风速测量最小值,为设定的风速阈值,/>,/>为划分的天数。
计算反向误差均值还可以基于几何平均法进行计算,其计算公式如下:
(5)
其中,为反向误差均值,/>为历史第/>天的历史风速测量最小值,/>为设定的风速阈值,/>,/>为划分的天数。
本实施方案中,系统首先会获取历史数据中每天每个时间点的风速测量值,并对这些数据进行预处理,预处理操作可能包括去除异常值、平滑数据等,这有助于提高数据质量和准确性,为后续分析做好准备,然后对经过预处理的历史风速测量值与设定的风速阈值进行比较,以确定哪些时间点的风速测量值低于阈值,这个步骤的好处在于筛选出低于预期风速的数据点,有助于识别传感器测量的风速偏低的情况,然后对于那些风速测量值低于设定风速阈值的历史数据点,进行二次比较,以确定历史每天的最小风速测量值,这有助于找出风速偏低的情况,并为后续误差计算做准备,如果某些天的所有测量值均大于设定的风速阈值,那么将该阈值视为该天的最小风速测量值,这确保了在没有低风速情况下也能计算出反向误差均值,提高了数据的完整性和可靠性,最后,系统会利用历史每天的最小风速测量值、设定的风速阈值以及均值法、调和平均法等方法进行综合计算,得到反向误差均值,这个值可以帮助评估传感器测量的风速偏低情况,为后续的数据校准提供参考,计算反向误差均值的具体过程通过对历史风速数据进行细致处理和分析,能够更全面地评估风速传感器的测量误差情况,为后续的风速矫正和数据分析提供可靠的依据,这种细致的数据处理方法有助于提高系统的测量准确性和可靠性,为解决技术问题提供了重要支持和指导。
具体地,如图4所示,获得矫正模型的具体过程如下:读取历史数据,并随机挑选若干个时间点的历史电压信号值、历史电流信号值;将若干个时间点的历史电压信号值、历史电流信号值分别进行均值计算,获得若干个时间点的历史风速测量值,并基于若干个时间点的历史风速测量值建立历史风速数据集;将历史风速数据集分为训练数据集以及验证数据集;读取训练数据集对构建好的矫正模型进行训练,并计算得到风速损失函数;使用验证数据集评估模型性能,并根据验证结果调节模型参数,直至模型矫正后的历史风速测量值与设定的风速阈值计算所得的历史矫正风速误差位于风速误差范围之内,该矫正模型以深度神经网络为架构,回归模型为变体的学习模型,该学习模型包括用于接受历史数据中的电压信号值和电流信号值作为输入的输入层,并将其传递给隐藏层、用于进行特征提取和非线性转换,以更好地拟合输入和输出之间的关系的隐藏层、用于生成历史风速测量值作为模型的输出的输出层,其目的是将输入值转换为准确的测量值,以便用于后续的校准和调整过程,用于度量模型输出与真实标签之间的差异的损失函数、用于调整模型参数以最小化损失函数的优化器。
本实施方案中,首先系统会从历史数据中读取电压信号值和电流信号值,并随机选择若干个时间点的数据作为训练样本,这个步骤确保了矫正模型能够在具有代表性的数据集上进行训练,接下来,对选定的时间点的电压信号值和电流信号值进行均值计算,得到历史风速测量值,并以此建立历史风速数据集,这有助于提取数据中的有效特征,并为模型训练提供输入,然后将历史风速数据集分割为训练数据集和验证数据集,通常采用交叉验证的方法,这样做的好处在于可以评估模型在未见过的数据上的泛化能力,提高模型的可靠性和泛化性能,然后利用训练数据集对建立好的矫正模型进行训练,通过反向传播算法和优化器来不断调整模型参数,以最小化风速损失函数,这个损失函数度量了模型预测结果与真实值之间的差异,是模型优化的目标函数,然后通过验证数据集评估模型的性能,监控模型的泛化能力和拟合程度,根据验证结果调节模型参数,直到模型的性能达到预期,确保历史风速测量值经过模型矫正后与设定的风速阈值计算所得的历史矫正风速误差在可接受的范围内,这个过程利用深度神经网络作为架构,使用回归模型作为变体的学习模型,通过历史数据中的电压信号值和电流信号值作为输入,经过隐藏层进行特征提取和非线性转换,最终生成历史风速测量值作为输出,这种基于深度学习的方法能够更准确地建模复杂的非线性关系,提高了矫正模型的准确性和泛化能力,这对解决技术问题有重要的贡献,可以提高风速传感器测量的准确性和稳定性,为风能等领域的应用提供可靠的数据支持。
本发明实施例中,通过实时监测和矫正机制能够及时发现并纠正传感器的异常情况,确保系统稳定运行,这种及时的反馈和修正能够保证数据采集的实时性和可靠性,提高了系统的性能和可操作性。
通过历史数据建立矫正模型,能够准确分析风速误差范围,并根据实时数据进行矫正,从而提高了风速传感器测量的准确性和可靠性。
通过数据获取、分析和判断三个子系统的协同作用,实现了对风速传感器测量值的自动化矫正,相比传统手动矫正方法,该系统能够更快速、更精确地纠正传感器误差,提高了系统的实时性和准确性。
通过模型训练模块能够动态地读取历史数据,并根据训练数据集不断优化矫正模型,使其能够更好地适应实际环境中的变化,这种能够实时更新的模型训练机制保证了系统的鲁棒性和长期稳定性,提高了系统的可维护性和可扩展性。
图5是根据一示例性实施例示出的一种基于风速传感器的风速矫正系统框图,该系统用于基于风速传感器的风速矫正方法。参照图5,该系统包括数据获取子系统、数据分析子系统、判断矫正子系统。
其中,数据获取子系统,用于获取风速传感器测得的历史数据以及实时数据。
数据分析子系统,用于基于风速传感器测得的历史数据进行计算分析,获得风速误差范围,并计算实时风速测量值,将实时电压信号值和实时电流信号值经过ADC处理转化为实时电压数字值和实时电流数字值,并基于这些值进行均值计算,得到实时风速测量值。
判断矫正子系统,用于判断实时误差是否位于风速误差范围之内;若是,则继续进行监测;若否,则将实时风速测量值输入至矫正模型中进行矫正,并将矫正后的实时风速测量值与设定的风速阈值进行计算,获得实时矫正风速误差,并判断实时矫正风速误差是否位于风速误差范围之内;若是,则将矫正后的实时风速测量值输出;若否,则对矫正后的实时风速测量值进行再次矫正,直至实时矫正风速误差位于风速误差范围之内。
具体地,如图6所示,所述判断矫正子系统包括:模型训练模块、判断模块、实时矫正模块;模型训练模块,用于训练矫正模型,读取历史数据并随机挑选若干个时间点的历史电压信号值和历史电流信号值,建立历史风速数据集,分为训练数据集和验证数据集,训练模型并调节参数,直至满足要求;判断模块,用于判断实时误差是否位于风速误差范围之内,若是,则继续进行监测;若否,则进行矫正;实时矫正模块,将实时风速测量值输入至矫正模型中进行矫正,直至实时矫正风速误差位于风速误差范围之内。
本实施方案中,模型训练模块通过读取历史数据,并从中随机选择一部分时间点的电压信号值和电流信号值,确保了模型训练的数据具有一定的代表性和多样性,能够更好地捕捉数据的特征,将历史数据处理成风速数据集,并将其分为训练数据集和验证数据集,有助于评估模型的泛化性能,并防止过拟合,提高模型的可靠性和泛化能力,通过训练模型并调节参数,使得模型能够更准确地拟合历史数据,不断优化模型参数,直到模型的性能满足预期要求,判断模块通过实时监测并判断实时风速误差是否在可接受的范围内,能够及时发现异常情况,保证了系统的稳定性和可靠性,如果实时误差在范围内,则继续进行监测,无需进行矫正操作,提高了系统的效率和响应速度,如果实时误差超出范围,则进行矫正操作,确保风速测量值的准确性和可靠性,实时矫正模块通过根据实时测量值,通过事先训练好的矫正模型进行矫正操作,能够快速有效地修正实时数据,提高了风速测量的准确性和稳定性,通过不断迭代调整,确保实时矫正后的风速误差能够在可接受的范围内,保证了风速测量的准确性和可靠性。
本发明实施例中,通过实时监测和矫正机制能够及时发现并纠正传感器的异常情况,确保系统稳定运行,这种及时的反馈和修正能够保证数据采集的实时性和可靠性,提高了系统的性能和可操作性。
通过历史数据建立矫正模型,能够准确分析风速误差范围,并根据实时数据进行矫正,从而提高了风速传感器测量的准确性和可靠性。
通过数据获取、分析和判断三个子系统的协同作用,实现了对风速传感器测量值的自动化矫正,相比传统手动矫正方法,该系统能够更快速、更精确地纠正传感器误差,提高了系统的实时性和准确性。
通过模型训练模块能够动态地读取历史数据,并根据训练数据集不断优化矫正模型,使其能够更好地适应实际环境中的变化,这种能够实时更新的模型训练机制保证了系统的鲁棒性和长期稳定性,提高了系统的可维护性和可扩展性。
图7是本发明实施例提供的一种风速矫正设备的结构示意图,如图7所示,风速矫正设备可以包括上述图6所示的基于风速传感器的风速矫正系统。可选地,风速矫正设备710可以包括第一处理器2001。
可选地,风速矫正设备710还可以包括存储器2002和收发器2003。
其中,第一处理器2001与存储器2002以及收发器2003,如可以通过通信总线连接。
下面结合图7对风速矫正设备710的各个构成部件进行具体的介绍:
其中,第一处理器2001是风速矫正设备710的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,第一处理器2001是一个或多个中央处理器(centralprocessing unit,CPU),也可以是特定集成电路(application specific integratedcircuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
可选地,第一处理器2001可以通过运行或执行存储在存储器2002内的软件程序,以及调用存储在存储器2002内的数据,执行风速矫正设备710的各种功能。
在具体的实现中,作为一种实施例,第一处理器2001可以包括一个或多个CPU,例如图7中所示出的CPU0和CPU1。
在具体实现中,作为一种实施例,风速矫正设备710也可以包括多个处理器,例如图7中所示的第一处理器2001和第二处理器2004。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中,所述存储器2002用于存储执行本发明方案的软件程序,并由第一处理器2001来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器2002可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器2002可以和第一处理器2001集成在一起,也可以独立存在,并通过风速矫正设备710的接口电路(图7中未示出)与第一处理器2001耦合,本发明实施例对此不作具体限定。
收发器2003,用于与网络设备通信,或者与终端设备通信。
可选地,收发器2003可以包括接收器和发送器(图7中未单独示出)。其中,接收器用于实现接收功能,发送器用于实现发送功能。
可选地,收发器2003可以和第一处理器2001集成在一起,也可以独立存在,并通过风速矫正设备710的接口电路(图7中未示出)与第一处理器2001耦合,本发明实施例对此不作具体限定。
需要说明的是,图7中示出的风速矫正设备710的结构并不构成对该路由器的限定,实际的知识结构识别设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,风速矫正设备710的技术效果可以参考上述方法实施例所述的基于风速传感器的风速矫正方法的技术效果,此处不再赘述。
应理解,在本发明实施例中的第一处理器2001可以是中央处理单元(centralprocessing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于风速传感器的风速矫正方法,其特征在于,所述方法包括:
获取风速传感器测得的历史数据以及实时数据;
基于风速传感器测得的历史数据进行计算分析,获得风速误差范围以及矫正模型;
基于风速传感器测得的实时数据计算实时风速测量值;
将实时风速测量值与设定的风速阈值进行计算,获得实时风速误差;
判断实时风速误差是否位于所述风速误差范围之内;
若是,则继续进行风速传感器的风速监测;
若否,则将实时风速测量值输入至所述矫正模型中进行矫正,并将矫正后的实时风速测量值与设定的风速阈值进行计算,获得实时矫正风速误差;
判断实时矫正风速误差是否位于所述风速误差范围之内;
若是,则将矫正后的实时风速测量值输出;
若否,则将矫正后的实时风速测量值输入至所述矫正模型中进行再次矫正,直至实时矫正风速误差位于所述风速误差范围之内。
2.根据权利要求1所述的基于风速传感器的风速矫正方法,其特征在于,所述历史数据包括:历史电压信号数据以及历史电流信号数据;
所述实时数据包括:实时电压信号值以及实时电流信号值。
3.根据权利要求2所述的基于风速传感器的风速矫正方法,其特征在于,所述基于风速传感器测得的实时数据计算实时风速测量值,包括:
将风速传感器测得的实时电压信号值以及实时电流信号值,经模数转换器ADC处理转化为实时电压数字值以及实时电流数字值,并基于实时电压数字值以及实时电流数字值进行均值计算,得到实时风速测量值。
4.根据权利要求3所述的基于风速传感器的风速矫正方法,其特征在于,所述基于风速传感器测得的历史数据进行计算分析,获得风速误差范围,包括:
基于风速传感器测得的历史数据进行正向误差均值计算,获得风速误差范围;
所述基于风速传感器测得的历史数据进行正向误差均值计算,获得风速误差范围,包括:
读取风速传感器测得的历史数据并进行预处理,得到预处理之后的历史数据;
将所述预处理之后的历史数据按照相同的时间间隔进行划分,获得历史每天的每个时间点的历史电压信号值以及历史电流信号值;
将所述历史每天的每个时间点的历史电压信号值以及历史电流信号值进行ADC处理转化,得到历史每天的每个时间点的历史电压数字值以及历史电流数字值;
将所述历史每天的每个时间点的历史电压数字值以及历史电流数字值进行均值计算,获得历史每天的每个时间点的历史风速测量值;
将所述历史每天的每个时间点的历史风速测量值进行比较,获得历史每天的历史风速测量最大值;
读取所述历史每天的历史风速测量最大值以及设定的风速阈值,并结合移动指数平均法进行综合计算,获得正向误差均值。
5.根据权利要求4所述的基于风速传感器的风速矫正方法,其特征在于,所述正向误差均值计算的公式如下式(1)所示:
(1)
其中,为正向误差均值,/>为历史第/>天的历史风速测量最大值,/>为历史第/>天的历史风速测量最大值,/>为设定的风速阈值,/>,/>为划分的天数,/>为/>的权重系数,/>为/>的权重系数。
6.根据权利要求4所述的基于风速传感器的风速矫正方法,其特征在于,所述基于风速传感器测得的历史数据进行计算分析,获得风速误差范围,包括:
基于风速传感器测得的历史数据进行反向误差均值计算,获得风速误差范围;
所述基于风速传感器测得的历史数据进行反向误差均值计算,获得风速误差范围,包括:
读取历史每天的每个时间点的历史风速测量值,并进行预处理,得到预处理之后的历史每天的每个时间点的历史风速测量值;
将所述预处理之后的历史每天的每个时间点的历史风速测量值,分别与设定的风速阈值进行比较,
若不存在小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值,则将设定的风速阈值作为历史每天的历史风速测量最小值;
若存在小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值,则将小于设定的风速阈值的预处理之后的历史每天的每个时间点的历史风速测量值进行二次比较,获得历史每天的历史风速测量最小值;
基于历史每天的历史风速测量最小值以及设定的风速阈值,并结合均值法以及调和平均法进行综合计算,获得反向误差均值。
7.根据权利要求6所述的基于风速传感器的风速矫正方法,其特征在于,所述反向误差均值计算的公式如下式(2)所示:
(2)
其中,为反向误差均值,/>为历史第/>天的历史风速测量最小值,/>为设定的风速阈值,/>,/>为划分的天数。
8.根据权利要求4所述的基于风速传感器的风速矫正方法,其特征在于,所述矫正模型的获得方法,包括:
读取历史数据,并随机挑选若干个时间点的历史电压信号值以及历史电流信号值;
将所述若干个时间点的历史电压信号值以及历史电流信号值分别进行均值计算,获得若干个时间点的历史风速测量值,并基于所述若干个时间点的历史风速测量值建立历史风速数据集;
将所述历史风速数据集分为训练数据集以及验证数据集;
读取训练数据集对构建好的矫正模型进行训练,并计算得到风速损失函数;
使用验证数据集评估矫正模型的性能,并根据评估结果调节矫正模型的参数,直至矫正模型矫正后的历史风速测量值与设定的风速阈值计算所得的历史矫正风速误差位于风速误差范围之内。
9.一种基于风速传感器的风速矫正系统,所述基于风速传感器的风速矫正系统用于实现如权利要求1-8任一项所述基于风速传感器的风速矫正方法,其特征在于,所述系统包括数据获取子系统、数据分析子系统以及判断矫正子系统;
其中,
所述数据获取子系统,用于获取风速传感器测得的历史数据以及实时数据;
所述数据分析子系统,用于基于风速传感器测得的历史数据进行计算分析,获得风速误差范围以及矫正模型;
基于风速传感器测得的实时数据计算实时风速测量值;
所述判断矫正子系统,用于将实时风速测量值与设定的风速阈值进行计算,获得实时风速误差;
判断实时风速误差是否位于所述风速误差范围之内;
若是,则继续进行风速传感器的风速监测;
若否,则将实时风速测量值输入至所述矫正模型中进行矫正,并将矫正后的实时风速测量值与设定的风速阈值进行计算,获得实时矫正风速误差;
判断实时矫正风速误差是否位于所述风速误差范围之内;
若是,则将矫正后的实时风速测量值输出;
若否,则将矫正后的实时风速测量值输入至所述矫正模型中进行再次矫正,直至实时矫正风速误差位于所述风速误差范围之内。
10.根据权利要求9所述的基于风速传感器的风速矫正系统,其特征在于,所述历史数据包括:历史电压信号数据以及历史电流信号数据;
所述实时数据包括:实时电压信号值以及实时电流信号值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410317503.5A CN117907631B (zh) | 2024-03-20 | 2024-03-20 | 一种基于风速传感器的风速矫正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410317503.5A CN117907631B (zh) | 2024-03-20 | 2024-03-20 | 一种基于风速传感器的风速矫正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117907631A true CN117907631A (zh) | 2024-04-19 |
CN117907631B CN117907631B (zh) | 2024-05-24 |
Family
ID=90684054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410317503.5A Active CN117907631B (zh) | 2024-03-20 | 2024-03-20 | 一种基于风速传感器的风速矫正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117907631B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011112271A (ja) * | 2009-11-26 | 2011-06-09 | Kubota Corp | 風速センサと可変風量ユニットおよび空調システム |
CN110094300A (zh) * | 2019-01-24 | 2019-08-06 | 上海电力学院 | 风电机组的对风偏差矫正方法、装置、设备及介质 |
CN110206683A (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 估计对风角度偏差及矫正对风角度的方法、装置和系统 |
CN110987066A (zh) * | 2019-11-26 | 2020-04-10 | 青岛科技大学 | 一种实现自动矫正的海洋风速风向测量方法及系统 |
US20210148331A1 (en) * | 2019-11-15 | 2021-05-20 | North China Electric Power University | Yaw calibration method and system for wind turbine |
LU500788A1 (en) * | 2020-07-28 | 2022-01-28 | Nanjing Dongbo Smart Energy Res Institute Co Ltd | Method for estimating forecast error distribution of wind power frequency regulation potential |
CN115688602A (zh) * | 2022-11-16 | 2023-02-03 | 河北工业大学 | 一种融合时间特征和交叉注意力的短期风速预测方法 |
-
2024
- 2024-03-20 CN CN202410317503.5A patent/CN117907631B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011112271A (ja) * | 2009-11-26 | 2011-06-09 | Kubota Corp | 風速センサと可変風量ユニットおよび空調システム |
CN110206683A (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 估计对风角度偏差及矫正对风角度的方法、装置和系统 |
CN110094300A (zh) * | 2019-01-24 | 2019-08-06 | 上海电力学院 | 风电机组的对风偏差矫正方法、装置、设备及介质 |
US20210148331A1 (en) * | 2019-11-15 | 2021-05-20 | North China Electric Power University | Yaw calibration method and system for wind turbine |
CN110987066A (zh) * | 2019-11-26 | 2020-04-10 | 青岛科技大学 | 一种实现自动矫正的海洋风速风向测量方法及系统 |
LU500788A1 (en) * | 2020-07-28 | 2022-01-28 | Nanjing Dongbo Smart Energy Res Institute Co Ltd | Method for estimating forecast error distribution of wind power frequency regulation potential |
CN115688602A (zh) * | 2022-11-16 | 2023-02-03 | 河北工业大学 | 一种融合时间特征和交叉注意力的短期风速预测方法 |
Non-Patent Citations (2)
Title |
---|
孙国强;卫志农;翟玮星;: "基于RVM与ARMA误差校正的短期风速预测", 电工技术学报, no. 08, 26 August 2012 (2012-08-26) * |
段雪香;: "基于风网的自学习动态监测系统分析", 中国安全生产科学技术, no. 03, 15 March 2011 (2011-03-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117907631B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
WO2020181962A1 (zh) | 一种对抗网络自编码器的卫星异常检测方法及系统 | |
US20220300857A1 (en) | System and method for validating unsupervised machine learning models | |
EP3136297A1 (en) | System and method for determining information and outliers from sensor data | |
Denney et al. | Towards measurement of confidence in safety cases | |
US9122273B2 (en) | Failure cause diagnosis system and method | |
US8751414B2 (en) | Identifying abnormalities in resource usage | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN113568960B (zh) | 物联网数据实时分析方法、系统及计算机可读存储介质 | |
US11571169B2 (en) | Probability-based detector and controller apparatus, method, computer program | |
CN113705809B (zh) | 一种数据预测模型训练方法、工业指标预测方法和装置 | |
CN111125186B (zh) | 一种基于调查问卷的数据处理方法及系统 | |
CN109669849B (zh) | 一种基于未确知深度理论的复杂系统健康状态评估方法 | |
CN112990372B (zh) | 一种数据处理方法、模型训练方法、装置及电子设备 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN117436024B (zh) | 一种基于钻机运行数据分析的故障诊断方法及系统 | |
CN117907631B (zh) | 一种基于风速传感器的风速矫正方法及系统 | |
CN112288744B (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
Zhang et al. | Identification of concrete surface damage based on probabilistic deep learning of images | |
KR102499912B1 (ko) | 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템 | |
CN111563078B (zh) | 基于时序数据的数据质量检测方法、检测装置及存储装置 | |
JP2017174234A (ja) | モデル判定装置、モデル判定方法、及びプログラム | |
US20220000415A1 (en) | Epileptic seizure predicting device, method for analyzing electrocardiographic index data, seizure predicting computer program, model constructing device, model constructing method, and model constructing computer program | |
CN117131465B (zh) | 单管塔损伤识别方法、装置、电子设备及可读存储介质 | |
Al Rasyid et al. | Anomaly detection in wireless body area network using Mahalanobis distance and sequential minimal optimization regression |
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 |