对测风数据进行补缺修正的方法

摘要

提出了一种对测风数据进行补缺修正的方法，属于风资源分析技术领域，所述方法包括：对原始数据进行预处理，将数据分为正常数据和缺测不合理数据；将原始数据中以测风时间为准测风高度全部为正常数据的数据组输入到神经网络模块，建议运算模型，得到输入和输出之间的关系；将与需要修正的缺测不合理数据同时间段的正常数据作为输入数据，输入到神经网络模块中，利用已经建立好的运算模型，得到修正好的正确数据。本方法解决了当前测风数据修正方法中存在的需要大量的原始数据、不能对大量的数据进行修正等问题。

权利要求

1.一种对测风数据进行补缺修正的方法，特征在于该方法包括：步骤一：对原始数据进行预处理，将数据分为正常数据和缺测不合理数据；

步骤二：将原始数据中以测风时间为准测风高度全部为正常数据的数据组输入到神经网络模块，建议运算模型，得到输入和输出之间的关系；

步骤三：将与需要修正的缺测不合理数据同时间段的正常数据作为输入数据，输入到神经网络模块中，利用已经建立好的运算模型，得到修正好的正确数据。

2.如权利要求1所述的对测风数据进行补缺修正的方法，其特征在于：步骤一具体包括：将原始数据输入计算机，通过依据国际标准建立的公式来判定所输入的原始数据是正常数据还是缺测不合理数据。

3.如权利要求1所述的对测风数据进行补缺修正的方法，其特征在于：步骤二具体包括：所述输入所对应的测风高度为以测风时间为准测风高度部分为正常数据的数据组中正常数据所对应的测风高度，所述输出所对应的测风高度为以测风时间为准测风高度部分为正常数据的数据组中缺测不合理数据所对应的测风高度。

说明书

对测风数据进行补缺修正的方法

技术领域

[0001] 本发明涉及风资源分析技术领域，尤其涉及一种对测风数据进行补缺修正的方法。

背景技术

[0002] 风资源分析的最基础依据是测风塔的测风资料，但是测风塔的原始数据经常出现缺测，同时存在一定数量的不合理数据，而对缺测数据和不合理数据进行修补的准确与否，直接影响到后期的风资源评估以及风电场电量的估算。因而，对测风塔缺测不合理数据的修正是必要的，修正的准确与否是至关重要的。缺测不合理数据包括缺测数据以及不合理数据：其中，缺测数据是全部测风数据中，实际测量时未测得的本应测量的数据；不合理数据是根据国标标准对测风数据进行合理性判断后，得出的不合理数据。

[0003] 当前，对测风数据修正的方法有替换法、相关法、以及切变法等。在对测风数据进行补缺修正的过程中，替换法较为简单，只适用于缺失少量数据的情况，数据量大的情况下，缺乏依据性；采用相关法进行修正，需要大量的原始数据来提高修正的准确性；并且切变法同样存在上述问题。

[0004] 人工神经网络(Artificial Neural Networks，ANN)系统是20世纪40年代后出现的，它由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。神经网络能够学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。图1是神经网络模型拓扑结构图。如图1所示，神经网络模型拓扑结构包括输入层(Input layer)、隐层(Hide layer)和输出层(Output layer)，图1中，I1～In代表输入层，H1～Hn代表隐层，O代表输出层，具体的运算过程中，数据从输入层进入神经网络系统，在隐层进行运算，将结果输出到输出层。

发明内容

[0005] 本发明针对当前测风数据修正方法中存在的例如需要大量的原始数据、不能对大量的数据进行修正等问题，提出了一种对测风数据进行补缺修正的方法，将神经网络系统作为一个运算模块，有效地提高了修正的准确率，减少了误差率。

[0006] 本发明提出的对测风数据进行补缺修正的方法包括：步骤一：对原始数据进行预处理，将数据分为正常数据和缺测不合理数据；步骤二：将原始数据中以测风时间为准测风高度全部为正常数据的数据组输入到神经网络模块，建议运算模型，得到输入和输出之间的关系；步骤三：将与需要修正的缺测不合理数据同时间段的正常数据作为输入数据，输入到神经网络模块中，利用已经建立好的运算模型，得到修正好的正确数据。

[0007] 根据本发明所提出的方法的另一方面，步骤一具体包括：将原始数据输入计算机，通过依据国际标准建立的公式来判定所输入的原始数据是正常数据还是缺测不合理数据。

[0008] 根据本发明所提出的方法的另一方面，步骤二具体包括：所述输入所对应的测风高度为以测风时间为准测风高度部分为正常数据的数据组中正常数据所对应的测风高度，所述输出所对应的测风高度为以测风时间为准测风高度部分为正常数据的数据组中缺测不合理数据所对应的测风高度。

附图说明

[0009] 图1是人工神经网络模型拓扑结构图；

[0010] 图2是根据本发明对测风数据进行补缺修正的方法流程图；

[0011] 图3是采用本发明对测风数据进行补缺修正的方法运算实例图。

具体实施方式

[0012] 下面通过具体实施例对本发明进行描述，并不限定本发明的范围。

[0013] 图2示出了根据本发明对测风数据进行补缺修正的方法流程。如图2所示，本发明利用神经网络技术对缺测不合理数据进行修正，其具体过程如下：

[0014] 1、对原始数据进行预处理，将数据分为两部分，分别为正常数据，缺测不合理数据：

[0015] 在上述对原始数据进行预处理阶段，所采用的判别标准为国标标准，确定要修正的缺测不合理数据，所采用的具体方法为将原始数据输入计算机，通过依据国际标准建立的公式来判定所输入的原始数据是否为缺测不合理数据；

[0016] 2、以测风时间为准，将各测风高度全部为正常数据的数据组输入到神经网络模块，并通过计算机的运算建立运算模型，得到输入和输出之间的关系：

[0017] 人工神经网络由非线性函数f组成，而f由一系列不同权重的线性过滤器组合而成，表达式如下：

[0018] ……………公式一

[0019] 其中， 为隐层函数，xj是输入变量，aij为隐层函数的权值，m为输入变量的个数，隐层函数运算的结果作为输出层函数的输入值， 代表输出值，Ai为输出层函数的权值，1为中间层的个数。

[0020] 以实测风速与预测风速的最小平方差作为目标函数，训练网络，寻找最优的权值aij以及Ai，即：

[0021] ……………公式二

[0022] 其中， 为预测值，V(t)为实测值，N为训练数据个数；

[0023] 在确定最优的权值aij以及Ai之后，从而确定输入输出函数的关系，预测时刻t时的风速，具体运算过程中，将正常数据组输入公式一，以公式二为目标，寻找并确定最优权值aij以及Ai，建立运算模型。

[0024] 3、将与需要修正的缺测不合理数据同时间段的正常数据作为输入数据，输入到神经网络模块中，利用已经建立好的运算模型，从而得到修正好的正确数据。

[0025] 图3示出了根据本发明对测风数据进行补缺修正的方法运算实例图。

[0026] 如图3所示的运算实例中，根据判断可知，划线数据(风速数据)为不合理数据，其他数据为正常数据；将2007-01-04 12:00到16:00数据组输入到神经网络模块，运算以建立70m，50m以及30m，10m之间的输入输出关系(具体关系式取决于运算确定的最优权值aij以及Ai)；利用建立好的运算模型，将2007-01-04 17:00和18:00的70m，50m数据作为输入数据，得出30m，10m相应的输出结果，如图3中的斜体所示，该输出结果即为修正后的数据。

[0027] 本发明提出了一种对测风数据进行补缺修正的方法，该方法采用神经网络技术，其不仅不需要大量的原始数据，而且能对大量的数据进行修正，有效的提高了修正的准确率，减少了误差率。

[0028] 虽然本发明采用上述具体实施例对所提出的方法进行了描述，但本领域技术人员应当理解，所作出的描述仅为说明的目的，并不作为对本发明的限制，为了适应不同的实际情况，一些相应的修改是合理的并不超出本发明所要求保护的范围。