基于风速相关性的风电场测风仪风速缺失数据插补方法

摘要

本发明涉及一种基于风速相关性的风电场测风仪风速缺失数据插补方法，该方法包括以下步骤：1)导入目标风电场各高度的历史风速数据；2)根据历史风速数据获得该风电场每个高度风速的范围、每小时风速的变化范围及两个高度间风速差值的变化范围，并保存；3)导入实时测量数据，根据步骤2)中各范围判断当前测量数据是否存在不合理的风速数据，若是，则剔除不合理风速数据，并执行步骤5)，若否，则执行步骤4)；4)根据时间顺序判断是否存在数据缺失，若是，则执行步骤5)，若否，则结束；5)利用相关阶模型对缺失数据进行插补。与现有技术相比，本发明具有实时性好、插值精度高等优点。

说明书

技术领域

本发明涉及一种测风数据处理方法，尤其是涉及一种基于风速相关性的风电场测风仪风速缺失数据插补方法。

背景技术

由于当今世界严重的环境污染及传统能源的稀缺，清洁能源的开发和研究已经显得越来越重要。作为清洁能源之一的风能资源，目前在诸多国家都处于快速发展的阶段。一方面，为了获得更多的风能资源，风能资源评估是建造风电场的第一个关键步骤，在具有开发潜能的风电场中，完备的历史风速数据对于评估长期的平均风速及风功率密度极其重要；另一方面，对基于历史数据的统计学的风速预测模型来说，缺失风速或是不合理的风速显然会对建模产生误导的作用，也就是说可靠的风速数据集对提高风速预测的精度有很大的帮助。在实际环境中，由于某些不可控的原因，例如设备失灵或数据传输错误，风速数据并不总是可获得并且是准确的。缺失的数据应当得到插补，而不合理的数据应当被剔除并插补。

国标GB/T19710-2002是数据检验的主要参考，国标中规定了测风数据集中必须包含完整性与合理性检验两个部分。国标中建议使用备用数据来补全缺失数据。但在实际应用中，对于一个测风塔来说，在一个高度安装多个测风仪是不现实的。因为一个测风塔多个测风仪同时出现缺失数据的可能性很小，因为当某个高度出现缺失数据时，利用不同高度风速的关系来插补数据是当前插补风速数据最主要的办法。

最常用的方法是利用Hellman曲线，即将风速随高度的变化大致看成幂率分布：

$>\frac{v_1}{v_0}={\left(\frac{h_1}{h_0}\right)}^{\alpha }$>

式中的α为风切变系数，通常令α为1/7，故Hellman幂率函数通常也被称为1/7幂函数。然而这一方法存在很大问题，因为风切变系数并不是一个定值。特别是当风出现反层现象时(较小高度的风速大于较大高度的风速)，这一方法插值会出现较大的误差。王有禄等人提出了一种利用一个风场多个测风塔的线性回归模型用于切变系数的确定。F.-Ruedas等人指出，1/7幂率公式并不适用，风速切变系数会随着高度的变化而变化，因此需要对不同高度的切变系数进行重新修正。J.Xie等人提出不同高度的风速可以用线性方程或四次多项式的方法拟合。R.H.Kirchhoff提出切变系数与天气类型有关，他将天气类型分为五种类型，不同类型确定一个切变系数值。杨志凌等人提出了一种新的思路，通过自适应神经模糊推理系统来建立不同高度风速之间的关系。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实时性好、插值精度高的基于风速相关性的风电场测风仪风速缺失数据插补方法。

本发明的目的可以通过以下技术方案来实现：

一种基于风速相关性的风电场测风仪风速缺失数据插补方法，该方法根据垂直高度上不同高度风速的关系，对缺失数据进行插补，具体包括以下步骤：

1)导入目标风电场各高度的历史风速数据；

2)根据历史风速数据获得该风电场每个高度风速的范围、每小时风速的变化范围及两个高度间风速差值的变化范围，并保存；

3)导入实时测量数据，根据步骤2)中各范围判断当前测量数据是否存在不合理的风速数据，若是，则剔除不合理风速数据，并执行步骤5)，若否，则执行步骤4)；

4)根据时间顺序判断是否存在数据缺失，若是，则执行步骤5)，若否，则结束；

5)利用相关阶模型对缺失数据进行插补。

所述的不合理风速数据是指该风速数据满足以下任一个条件：

a)超出步骤2)中每个高度风速的范围；

b)超出步骤2)中每小时风速的变化范围；

c)超出步骤2)中两个高度间风速差值的变化范围。

所述的相关阶模型为：

$>v(h_0,k)=\frac{1}{2M}\underset{i=1}{\overset{M}{\Sigma }}$>

$>\{m\left(V_{h_0,k_1,{\delta }_1}\right)+K(h_0,h_i,k_1,{\delta }_1)[v(h_i,k)-m\left(V_{h_i,k_1,{\delta }_1}\right)]$>

$>+m\left(V_{h_0,k_2,{\delta }_2}\right)+K(h_0,h_i,k_2,{\delta }_2)[v(h_i,k)-m\left(V_{h_i,k_2,{\delta }_2}\right)]\}$>

$>K(h_0,h_i,k_j,{\delta }_j)=\rho (V_{h_0,k_j,{\delta }_j},V_{h_i,k_j,{\delta }_j})\frac{\sigma \left(V_{h_0,k_j,{\delta }_j}\right)}{\sigma \left(V_{h_i,k_j,{\delta }_j}\right)}$>

高度h₀上时间段k₁到k₂的数据为缺失数据块，v(h₀，k)为高度h₀上第k个时间的数据，且k∈[k₁，k₂]，在k₁-1到k₁+δ₁以及k₂+1到k₂+δ₂时间段数据是完整的，分别为缺失数据块前后对应的h_i高度上的两个数据向量，

$>V_{h_i,k_1,{\delta }_1}[v(h_i,k_1+{\delta }_1),...,v(h_i,k_1-2),v(h_i,k_1-1)]$>

$>V_{h_i,k_2,{\delta }_2}[v(h_i,k_2+1),v(h_i,k_2+2),...,v(h_i,k_2+{\delta }_2)]$>

m(·)、ρ(·)、σ(·)分别为向量的均值、标准差及两个向量的相关系数，δ_j为参数，j∈{1，2}，M为可利用的参考高度的个数。

与现有技术相比，本发明具有以下优点：

1.实时性好，因为相关阶模型中的参数并不是固定的，而是与其它高度的风速信息有关。这就与传统的幂率函数插值的方法不同，即便出现反层现象，相关阶模型也可得到有较好的效果。

2.插值的精度高，实验表明，当缺失风速的个数小于9时，相关阶模型的绝对误差百分比(MAPE)会比1/7幂率分布的方法提高8％左右，均方根误差(RMSE)提高0.6m/s。

附图说明

图1为本发明的流程示意图；

图2为缺失数据的示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种基于风速相关性的风电场测风仪风速缺失数据插补方法，该方法根据垂直高度上不同高度风速的关系，对缺失数据进行插补，不同高度的风速大小不一致主要是因为地表的粗糙度对其影响不一致找到的，较大高度的风受地表影响较小，而较小高度的风受地表影响较大。该方法具体包括以下步骤：

1)导入目标风电场各高度的历史风速数据；

2)根据历史风速数据获得该风电场每个高度风速的范围、每小时风速的变化范围及两个高度间风速差值的变化范围，并保存；

3)导入实时测量数据，根据步骤2)中各范围判断当前测量数据是否存在不合理的风速数据，若是，则剔除不合理风速数据，并执行步骤5)，若否，则执行步骤4)；

4)根据时间顺序判断是否存在数据缺失，若是，则执行步骤5)，若否，则结束；

5)利用相关阶模型对缺失数据进行插补。

所述的不合理风速数据是指该风速数据满足以下任一个条件：

a)超出步骤2)中每个高度风速的范围；

b)超出步骤2)中每小时风速的变化范围；

c)超出步骤2)中两个高度间风速差值的变化范围。

所述的相关阶模型为：

$>v(h_0,k)=\frac{1}{2M}\underset{i=1}{\overset{M}{\Sigma }}$>

$>\{m\left(V_{h_0,k_1,{\delta }_1}\right)+K(h_0,h_i,k_1,{\delta }_1)[v(h_i,k)-m\left(V_{h_i,k_1,{\delta }_1}\right)]$>

$>+m\left(V_{h_0,k_2,{\delta }_2}\right)+K(h_0,h_i,k_2,{\delta }_2)[v(h_i,k)-m\left(V_{h_i,k_2,{\delta }_2}\right)]\}$>

$>K(h_0,h_i,k_j,{\delta }_j)=\rho (V_{h_0,k_j,{\delta }_j},V_{h_i,k_j,{\delta }_j})\frac{\sigma \left(V_{h_0,k_j,{\delta }_j}\right)}{\sigma \left(V_{h_i,k_j,{\delta }_j}\right)}$>

高度h₀上时间段k₁到k₂的数据为缺失数据块，v(h₀，k)为高度h₀上第k个时间的数据，即为求得的插补的数据，且k∈[k₁，k₂]，为自然数据，在k₁-1到k₁+δ₁以及k₂+1到k₂+δ₂时间段数据是完整的，如图2所示，分别为缺失数据块前后对应的h_i高度上的两个数据向量，

$>V_{h_i,k_1,{\delta }_1}[v(h_i,k_1+{\delta }_1),...,v(h_i,k_1-2),v(h_i,k_1-1)]$>

$>V_{h_i,k_2,{\delta }_2}[v(h_i,k_2+1),v(h_i,k_2+2),...,v(h_i,k_2+{\delta }_2)]$>

m(·)、ρ(·)、σ(·)分别为向量的均值、标准差及两个向量的相关系数，δ_j为参数，j∈{1，2}，M为可利用的参考高度的个数。

参数δ_j的确定方法为：两个高度间风速的相关系数达到最大值时，δ_j即被确定下来。以两个高度为例，将两个高度的风速视为两个随机过程，这两个过程因为地表影响的不同，导致均值和方差有所不同。假设高度h₀的风速数据在k₁到k₂有缺失，在k₁-1到k₁+δ₁以及k₂+1到k₂+δ₂时间段是完整的，而另一高度h₁上的数据是完整的，本发明方法就是将h₁高度上的风速变化量折算到h₀高度上去，对h₀高度上的缺失数据进行插补。这里需要特别注意的是：当一段时间的风速基本保持不变时，趋近于零，这会导致公式中的折算算子K(h₀，h₁，k_j，δ_j)趋近于无穷大，使得上述公式变得不合理，实际上出现这种情况的时候趋近于零，即v(h₀，k)趋近于

对于一个测风塔来说，通常测风仪可以安装在70m、60m、50m、30m、10m这五个高度上。假设一个高度的风速出现缺失，可以使用4个其他高度的风速信息进行插补，为测风数据集中必须包含完整性与合理性提供了基础。