[发明专利]缺失的测风数据的预测方法及装置

说明书

提供一种缺失的测风数据的预测方法及装置。该缺失的测风数据的预测方法包括：对输入的测风数据进行预处理，并将预处理后的测风数据转换为具有第一时间间隔的测风数据序列，使用测风数据序列中的无缺失部分的数据序列和与无缺失部分相应的同期中尺度数据对预设的数据预测模型进行训练，基于训练后的数据预测模型，根据与缺失部分的数据相应的同期中尺度数据计算得到所述测风数据序列的缺失部分的数据序列，基于训练后的数据预测模型，根据预处理后的测风数据中的无缺失部分的数据和所述测风数据序列的缺失部分的数据序列，计算测风数据的缺失部分的数据，从而提高了测风数据的缺失部分的数据的准确性。

技术领域

本发明涉及风电领域。更具体地，本发明涉及一种缺失的测风数据的预测方法及装置。

背景技术

风电场测风塔的测风数据的质量直接影响风能资源评估的结果，进而影响整个风电场投产运行后的经济效益。因此，测风塔的缺测或者缺失的测风数据的插补在整个风电场的设计过程中具有重要的作用。目前已有的处理方法有同塔插补和异塔插补，对于同塔插补和异塔插补后完整率依然不满足要求的数据，现用的方法有中尺度插补或FillGaps方法。中尺度插补需要将小时间间隔的数据(例如，逐10min数据)转变成大时间间隔的数据(例如，逐小时数据)，FillGaps方法虽然可以得到逐10min数据，但预测精度不高，误差较大。

发明内容

本发明的示例性实施例在于提供一种缺失的测风数据的预测方法及装置，以提高缺失的测风数据的预测精度。

根据本发明的示例性实施例，提供一种缺失的测风数据的预测方法，包括：对输入的测风数据进行预处理，并将预处理后的测风数据转换为具有第一时间间隔的测风数据序列，使用测风数据序列中的无缺失部分的数据序列和与无缺失部分相应的同期中尺度数据对预设的数据预测模型进行训练，基于训练后的数据预测模型，根据与缺失部分的数据相应的同期中尺度数据计算得到所述测风数据序列的缺失部分的数据序列，基于训练后的数据预测模型，根据预处理后的测风数据中的无缺失部分的数据和所述测风数据序列的缺失部分的数据序列，计算测风数据的缺失部分的数据。

可选地，对输入的测风数据进行预处理的步骤可包括：对输入的测风数据进行异常数据筛选和清除处理。

可选地，对输入的测风数据进行预处理的步骤之后，所述方法还包括：针对预处理后的测风数据中缺失部分的数据补充缺失的时间标签。

可选地，使用测风数据序列中的无缺失部分的数据序列和与无缺失部分相应的同期中尺度数据对预设的数据预测模型进行训练的步骤之前，所述方法还包括：分别计算多套中尺度数据中的每套中尺度数据与测风数据的相关度；根据计算得到的相关度，从多套中尺度数据中选择至少一套中尺度数据用于对预设的数据预测模型进行训练。

可选地，使用测风数据序列中的无缺失部分的数据序列和与无缺失部分相应的同期中尺度数据对预设的数据预测模型进行训练的步骤可包括：将测风数据序列中的无缺失部分的数据序列分成训练数据和检验数据；将与训练数据相应的同期中尺度数据和训练数据分别作为训练的输入数据集和输出数据集，使用输入数据集和输出数据集对预设的数据预测模型中的神经网络模型进行训练；使用检验数据和与检验数据相应的同期中尺度数据对训练后的数据预测模型进行检验；当检验不通过时，根据用户的输入对预设的数据预测模型进行更新，对更新后的数据预测模型中的神经网络模型进行训练，并对训练后的数据预测模型进行检验，直至检验通过时结束训练。

可选地，神经网络模型是支持向量回归模型，其中，使用输入数据集和输出数据集对预设的数据预测模型中的神经网络模型进行训练的步骤可包括：对输入数据集和输出数据集中的数据进行归一化处理；通过交叉验证选择回归的最佳惩罚参数和最佳核函数参数；使用最佳惩罚参数和最佳核函数参数对神经网络模型进行训练。