CN112015784A - 风况数据挖掘方法、装置、测风装置和数据挖掘设备 - Google Patents
风况数据挖掘方法、装置、测风装置和数据挖掘设备 Download PDFInfo
- Publication number
- CN112015784A CN112015784A CN202010902298.0A CN202010902298A CN112015784A CN 112015784 A CN112015784 A CN 112015784A CN 202010902298 A CN202010902298 A CN 202010902298A CN 112015784 A CN112015784 A CN 112015784A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- wind speed
- area
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000007418 data mining Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明涉及一种风况数据挖掘方法、装置、测风装置、数据挖掘设备和存储介质,其中:根据目标风电场的地理位置信息和地形位置信息将目标风电场划分为多个区域;在每个区域中选取三个典型位置点并分别设置一个测风装置;针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本;应用最小二乘支持向量机对每个区域的训练样本进行训练,得到各个区域对应的风速预测模型;将待挖掘点的位置数据及待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至区域的风速预测模型,得到待挖掘点在待挖掘时刻的风速。提高了风电场风况数据挖掘的准确性。
Description
技术领域
本发明涉及数据挖掘技术领域,具体涉及一种风况数据挖掘方法、装置、测风装置、数据挖掘设备和存储介质。
背景技术
随着风能的飞速发展,由于有限的经典平坦地形或海上风电场的成本很高,大型风电场或者复杂地形上的风电场的建造正在逐渐增长。通常情况下,多数具有一定高度的起伏山丘都会增加由“加速效应”引起的风速。然而,复杂地形中会有高风切变、气流分离、可变的大气稳定性和湍流的水平增加等情况。
而和地形相关的不确定性给风况数据的测量增加了难度,而现有技术中,通常是应用测风塔的数据作为风电场风功率预测数据来源,而测风塔往往处于某一种地形中,随着风电场中复杂地形的变换,风况也会大幅度变化。因此,基于测风塔数据进行风速数据的挖掘预测误差较大,这样直接影响了风机发电功率的预测,导致在复杂地形的风电场的风功率预测精度较低。
发明内容
有鉴于此,本发明提供一种风况数据挖掘方法、装置、测风装置、数据挖掘设备和存储介质,以解决现有技术中的风况数据挖掘预测精度低的问题。
为实现以上目的,本发明采用如下技术方案:
第一方面,本申请实施例提供了一种风况数据挖掘方法,该方法包括:
根据目标风电场的地理位置信息和地形位置信息将所述目标风电场划分为多个区域;
在每个区域中选取三个典型位置点,其中,各个典型位置点设置一个测风装置;
针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、所述当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本;
应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型;
将待挖掘点的位置数据,以及,所述待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至所述区域的风速预测模型,得到所述待挖掘点在所述待挖掘时刻的风速。
第二方面,本申请实施例提供了一种风况数据挖掘装置,该装置包括:
区域划分模块,用于根据目标风电场的地理位置信息和地形位置信息将所述目标风电场划分为多个区域;
典型位置点确定模块,用于在每个区域中选取三个典型位置点,其中,各个典型位置点设置一个测风装置;
训练样本确定模块,用于针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、所述当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本;
预测模型训练模块,用于应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型;
风速数据挖掘模块,用于将待挖掘点的位置数据,以及,所述待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至所述区域的风速预测模型,得到所述待挖掘点在所述待挖掘时刻的风速。
第三发面,本申请实施例提供了一种测风装置,所述测风装置设置在各个区域的各个典型位置点上,所述测风装置包括风速传感器、风向传感器、通信设备和供电设备,其中:
所述风速传感器用于测量所述测风装置安装位置的风速数据和各个随机点的风速数据;
所述风向传感器用于测量所述测风装置安装位置的风向数据;
所述通信设备用于将所述风速数据和所述风向数据传输至数据挖掘设备;
所述供电设备用于对所述测风装置进行供电。
第四方面,本申请实施例提供了一种设备,该设备包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行本申请实施例第一方面所述的风况数据挖掘方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
第五方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如第一方面所述的风况数据挖掘方法中各个步骤。
本发明采用以上技术方案,通过考虑目标风电场的地理位置信息和地形位置信息对目标风电场进行区域划分,这样可以使典型位置点的选取更具有普遍性;然后在每个区域选取的三个典型位置点分别设置一个测风装置;利用测风装置得到训练样本;应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域的风速预测模型;最后通过相应的风速预测模型得到待挖掘点在待挖掘时刻的风速。不受样本数量的限制,可以得到任意目标点的风速,提高了风况数据挖掘的性能,保证了目标风电场最终的风速和风向的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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风况数据挖掘方法的流程图;
图2是本发明实施例中适用的一种典型位置点的布置图;
图3是本发明实施例提供的一种测风装置的结构示意图;
图4是本申请实施例提供的一种风况数据挖掘装置的结构示意图;
图5是本申请实施例提供的一种风况数据挖掘设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
图1为本发明实施例提供的一种风况数据挖掘方法的流程图,该方法可以由本发明实施例提供的风况数据挖掘装置来执行,该装置可采用软件和/或硬件的方式实现。参考图1,该方法具体可以包括如下步骤:
S101、根据目标风电场的地理位置信息和地形位置信息将目标风电场划分为多个区域。
具体的,由于我国的各个地区的地理位置信息和地形位置信息差异很大,因此,首先要确定目标风电场的地理位置信息和地形位置信息。可选的,目标风电场的地理信息可以是指,目标风电场是位于我国的哪个区域,比如东北、华北、西南或东部沿海等,则可以考虑相应位置的气候特点等。目标风电场的地形位置信息是指,目标风电场所处位置的地形,比如是断崖、陡坡或者还是平地等。
因此,为了提高风况数据挖掘的精度,避免偶然性因素带来的误差,这里根据目标风电场的地理位置信息和地形位置信息将目标风电场划分为多个区域。分别针对每个区域进行风况数据挖掘,然后再对各个区域的风况数据进行处理,以获得目标风电场的风速,或者,目标风电场的功率等。在一个具体的例子中,目标风电场以河北省站北县某山地风电场为例,该风电场地势复杂,平均海拔高于1800m。
S102、在每个区域中选取三个典型位置点,其中,各个典型位置点设置一个测风装置。
具体的,在每个区域中选取三个典型位置点,分别布置测风装置,各个测风装置可以测量相应典型位置点在不同时刻的风速数据和风向数据。可选的,在每个区域中选取三个典型位置点具体可以通过如下方式实现:根据各个区域的地形信息在各个区域中选取三个典型位置点,以使每个区域中的三个典型位置点构成的三角形为全等三角形。其中,在每个区域中,三个典型位置点均可以构成一个三角形,在本申请实施例中,在各个区域中选取典型位置点的过程中,不仅需要考虑各个区域的地形信息,还需要使得各个区域的三个典型位置点构成的三角形为全等三角形。以划分为四个区域为例,则四个区域的各个典型位置点构成的四个三角形为全等三角形。每个区域的测风装置成三角形形状,可以保证360度的风向都能准确建立模型。在一个具体的例子中,图2示出了一种典型位置点的布置图。图2中,1号传感器为当前区域中第一个典型位置点的风速传感器和风向传感器;2号传感器为当前区域中第二个典型的风速传感器和风向传感器;3号传感器为当前区域中第三个典型的风速传感器和风向传感器。
另外,每个区域中的各个测风装置的设置方式包括:每个典型位置点设置一个测风装置,调节各个测风装置的测量单元的高度,以使测风装置构成的三角形在水平面的投影面积占三个典型位置点构成的三角形的区域面积的比例在预设比例范围内。
具体的,每个典型位置点设置一个测风装置,另外,上述预设比例范围可以是1/2到2/3。为了以使测风装置构成的三角形在水平面的投影面积占是三个典型位置点构成的三角形的区域面的比例为1/2到2/3,一方面可以调节各个测风装置中测风单元的高度来实现,另一方面是选择高度的测风装置来实现。而无论选择哪种方式,可以根据实际的情况来调节测风装置构成的三角形的形状,以达到投影面积的要求。
S103、针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本。
具体的,为了提高风速预测模型训练的准确性,应选择大量的训练样本。针对每个区域,同一时刻能测量得到一组风向数据和一组风向数据,也即,三条风速数据和三条风向数据。因此,测量一定时间段内的多个时刻的数据,得到多组风速数据和多组风向数据。例如,S1i,S2i,S3i表示第i组风速数据,D1i,D2i,D3i表示第i组风向数据。
另外,在当前区域中选择若干个随机分布的目标点,这些目标点的选取具有随机性,这样从一定程度上使训练样本更全面。xti,yti,zti表示第i组目标点的位置数据,Sti为第i组目标点的风数据。
S104、应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型。
其中,SVM(Support Vector Machine,支持向量机)是一类按监督学习方式对数据进行二元分类的广义线性分类器,其建立在统计学理论的VC维(Vapnik-ChervonenkisDimension)理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性,也即对特定训练样本的学习精度,以及,学习能力,也即无错误地识别任意样本的能力,之间寻求最佳折中,以求获得最好的推广能力,用于分类和回归分析。LS-SVM(Least squares-Support Vector Machine,最小二乘支持向量机)时改进的SVM,是以实验数据为基础,进行最小二乘拟合,得到预测模型。
具体的,由于每个区域中的典型位置点不同,以及选取的随机目标点也不同,因此,每个区域的训练样本也不同。应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型。
S105、将待挖掘点的位置数据,以及,待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至区域的风速预测模型,得到待挖掘点在待挖掘时刻的风速。
具体的,在得到每个区域的风速预测模型以后,将待挖掘点的位置数据xt,yt,zt,以及待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据S1,S2,S3和风向数据D1,D2,D3输入至当前区域的风速预测模型,得到待挖掘点在待挖掘时刻的风速。需要说明的是,待挖掘时刻是根据用户需求确定的,比如,当用户想知道某个待挖掘点的风速数据时,通常会确定是想知道哪个时刻的风数据,因此,在数据挖掘过程中,直接将待挖掘时刻的风速数据和风向数据作为输入即可得到待挖掘时刻的风速。
本发明采用以上技术方案,通过考虑目标风电场的地理位置信息和地形位置信息对目标风电场进行区域划分,这样可以使典型位置点的选取更具有普遍性;然后在每个区域选取的三个典型位置点分别设置一个测风装置;利用测风装置得到训练样本;应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域的风速预测模型;最后通过相应的风速预测模型得到待挖掘点在待挖掘时刻的风速。不受样本数量的限制,可以得到任意目标点的风速,提高了风况数据挖掘的性能,保证了目标风电场最终的风速和风向的精度。
在上述技术方案的基础上,在得到待挖掘点在待挖掘时刻的风速后,还包括:汇总每个区域内各个待挖掘点的风速;根据各个区域的待挖掘点的风速,应用第一设定计算规则计算各个区域的目标风速;根据各个区域的目标风速,应用第二设定计算规则计算目标风电场的风速。
具体的,上述方法步骤为每个待挖掘点的风速挖掘方法,应用该方法可以得到多个待挖掘点的风速数据。而为了研究目标风电场的风速,可以将各个区域内的各个挖掘点的风速进行汇总,然后应用第一设定计算规则计算各个区域的目标风速,在应用第二设定计算规则计算目标风电场的风速。在一个具体的例子中,第一计算设定规则和第二设定计算规则根据可以根据用户的需求进行确定,可以是简单的数据运算,还可以是通过数学模型等实现,这里不进行限定。
为了使本申请的技术方案更清晰,下面用具体的公式表述来说明本申请实施例的实现方式。训练样本为:H={(w1,St1),(w2,St2),...,(wi,Sti),...,(wn,Stn)};其中,H为训练样本,n为大于1的常数,1<i<n;wi=[S1i,S2i,S3i,D1i,D2i,D3i,xti,yti,zti};S1i、S2i和S3i分别为当前区域第i组风速数据;D1i、D2i和D3i分别为当前区域在第i组风向数据;xti、yti和zti为第i组随机点的位置数据。
为了获得风速预测模型,首先要获得实验数据,也就是训练样本,然后建立风速数据、风向数据和目标点的计算模型。其中,训练样本可以通过设置在典型位置点的测风装置测得,其中,每组风速数据和每组风向数据分别代表一个时刻的数据,这样,测量多个时刻的风速数据和风向数据,就可以得到多组风速数据和风向数据。另外,选取多组随机点,随机点的个数和风速数据以及风向数据的组数相同。然后应用测风装置测量各个随机点的风速,得到多组风速数据。
可选的,风速预测模型为:其中,αi为拉格朗日乘子,b为偏执量;α=(α1,α2,...,αi,...,αn)T;wj=[S1j,S2j,S3j,D1j,D2j,D3j,xtj,ytj,zij};K为核函数;ej为松弛变量;w=[S1,S2,S3,D1,D2,D3,xt,yt,zt}中,xt,yt,zt为待挖掘点的位置数据,S1,S2,S3为待挖掘点在待挖掘时刻的风速数据,D1,D2,D3为待挖掘点在待挖掘时刻的风向数据。
其中,通过上述风速预测模型,可以得到所需目标点的风速St,St的预测就是要建立St与各个输入因素的函数关系,St=f[S1j,S2j,S3j,D1j,D2j,D3j,xtj,ytj,ztj}。将(wi,Sti)代入LS-SVM训练模型,求解最优化问题,得到问题的最优解,即拉格朗日乘子,α=(α1,α2,...,αi,...,αn)T。LS-SVM相当于一个公式拟合方法,拟合除了目标地风速随典型位置点风况wi的变化曲线,也即,wi是自变量,St是因变量的函数。
综上,相对于测风塔数据进行分析的方法,本申请实施例的技术方案中,是对不同的地形的风速和风向数据进行了测量,避免了地形变换引起的误差,尤其是对于复杂地形的风电场区域。另外,测风装置的设置也保证了测量过程中的密封性和其他参量测量的准确性,进而保证最终风速和风向的精度。
另外,解决了相关技术中只能测得特定wi下的St的问题,即可以得到St在任意wi下的连续值。将LS-SVM作为数据挖掘方法,相对于其他数据挖掘方法,能够更好的处理小样本问题,这样更符合本申请实施例的应用场景。比如,实验测得的数据有限,相对于全部风速、风向值来说,实验数据是稀少的。在这种情况下,就需要预测方法具有良好的小样本问题处理能力。
本发明实施例还提供的一种测风装置,该测风装置设置在各个区域的各个典型位置点。该测风装置包括:风速传感器、风向传感器、通信设备和供电设备。
其中,风速传感器用于测量测风装置安装位置的风速数据和各个随机点的风速数据;风向传感器用于测量测风装置安装位置的风向数据;通信设备用于将风速数据和风向数据传输至数据挖掘设备;供电设备用于对测风装置进行供电。具体的,数据挖掘设备在接收到上述风速数据和风向数据后,然后获取随机点的位置数据,并执行本申请实施例的风况数据挖掘方法。
另外,作为另一种可实施方式,测风装置中还可以包括云终端,云终端可以用于接收风速数据和风向数据,并执行本申请实施例的风况数据挖掘方法。云终端还可以集成在数据挖掘设备中,来执行本申请实施例的风况数据挖掘方法。在这个具体的例子中,图3示出了一种测风装置的结构示意图,参考图3,包括风速传感器、风向传感器、网关及储能装置、通信设备和太阳能板。
图4是本发明是实施例提供的一种风况数据挖掘装置的结构示意图,该装置适用于执行本发明实施例提供给的一种风况数据挖掘方法。如图4所示,该装置具体可以包括:区域划分模块401、典型位置点确定模块402、训练样本确定模块403、预测模型训练模块404和风速数据挖掘模块405。
其中,区域划分模块401,用于根据目标风电场的地理位置信息和地形位置信息将目标风电场划分为多个区域;典型位置点确定模块402,用于在每个区域中选取三个典型位置点,其中,各个典型位置点设置一个测风装置;训练样本确定模块403,用于针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本;预测模型训练模块404,用于应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型;风速数据挖掘模块405,用于将待挖掘点的位置数据,以及,待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至区域的风速预测模型,得到待挖掘点在待挖掘时刻的风速。
本发明采用以上技术方案,通过考虑目标风电场的地理位置信息和地形位置信息对目标风电场进行区域划分,这样可以使典型位置点的选取更具有普遍性;然后在每个区域选取的三个典型位置点分别设置一个测风装置;利用测风装置得到训练样本;应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域的风速预测模型;最后通过相应的风速预测模型得到待挖掘点在待挖掘时刻的风速。不受样本数量的限制,可以得到任意目标点的风速,提高了风况数据挖掘的性能,保证了目标风电场最终的风速和风向的精度。
可选的,还包括目标风电场风速计算模块,用于在得到待挖掘点在待挖掘时刻的风速后:
汇总每个区域内各个待挖掘点的风速;
根据各个区域的待挖掘点的风速,应用第一设定计算规则计算各个区域的目标风速;
根据各个区域的目标风速,应用第二设定计算规则计算目标风电场的风速。
可选的,典型位置点确定模块402具体用于:
根据各个区域的地形信息在各个区域中选取三个典型位置点,以使每个区域中的三个典型位置点构成的三角形为全等三角形。
可选的,每个区域中的各个测风装置的设置方式包括:
每个典型位置点设置一个测风装置,调节各个测风装置的测量单元的高度,以使测风装置构成的三角形在水平面的投影面积占三个典型位置点构成的三角形的区域面积的比例在预设比例范围内。
可选的,训练样本为:H={(w1,St1),(w2,St2),...,(wi,Sti),...,(wn,Stn)};其中,H为训练样本,n为大于1的常数,1<i<n;wi=[S1i,S2i,S3i,D1i,D2i,D3i,xti,yti,zti};S1i、S2i和S3i分别为当前区域第i组风速数据;D1i、D2i和D3i分别为当前区域在第i组风向数据;xti、yti和zti为第i组随机点的位置数据。
可选的,风速预测模型为:
其中,αi为拉格朗日乘子,b为偏执量;α=(α1,α2,...,αi,...,αn)T;wj=[S1j,S2j,S3j,D1j,D2j,D3j,xtj,ytj,ztj};K为核函数;ej为松弛变量;w=[S1,S2,S3,D1,D2,D3,xt,yt,zt}中,xt,yt,zt为待挖掘点的位置数据,S1,S1,S3为待挖掘点在待挖掘时刻的风速数据,D1,D2,D3为待挖掘点在待挖掘时刻的风向数据。
实施例提供的风况数据挖掘装置可执行本发明任意实施例提供的风况数据挖掘方法,具备执行方法相应的功能模块和有益效果。
本发明实施例还提供一种智能终端,请参阅图5,图5为一种智能终端的结构示意图,如图5所示,该智能终端包括:处理器510,以及与处理器510相连接的存储器520;存储器520用于存储计算机程序,所述计算机程序至少用于执行本发明实施例中的风况数据挖掘方法;处理器510用于调用并执行所述存储器中的所述计算机程序;上述风况数据挖掘至少包括如下步骤:根据目标风电场的地理位置信息和地形位置信息将目标风电场划分为多个区域;在每个区域中选取三个典型位置点,其中,各个典型位置点设置一个测风装置;针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本;应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型;将待挖掘点的位置数据,以及,待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至区域的风速预测模型,得到待挖掘点在待挖掘时刻的风速。
本发明实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如本发明实施例中的风况数据挖掘方法中各个步骤:根据目标风电场的地理位置信息和地形位置信息将目标风电场划分为多个区域;在每个区域中选取三个典型位置点,其中,各个典型位置点设置一个测风装置;针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本;应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型;将待挖掘点的位置数据,以及,待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至区域的风速预测模型,得到待挖掘点在待挖掘时刻的风速。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种风况数据挖掘方法,其特征在于,包括:
根据目标风电场的地理位置信息和地形位置信息将所述目标风电场划分为多个区域;
在每个区域中选取三个典型位置点,其中,各个典型位置点设置一个测风装置;
针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、所述当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本;
应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型;
将待挖掘点的位置数据,以及,所述待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至所述区域的风速预测模型,得到所述待挖掘点在所述待挖掘时刻的风速。
2.根据权利要求1所述的方法,其特征在于,在得到所述待挖掘点在所述待挖掘时刻的风速后,还包括:
汇总每个区域内各个待挖掘点的风速;
根据各个区域的待挖掘点的风速,应用第一设定计算规则计算各个区域的目标风速;
根据所述各个区域的目标风速,应用第二设定计算规则计算所述目标风电场的风速。
3.根据权利要求1所述的方法,其特征在于,所述在每个区域中选取三个典型位置点包括:
根据各个区域的地形信息在各个区域中选取三个典型位置点,以使每个区域中的三个典型位置点构成的三角形为全等三角形。
4.根据权利要求3所述的方法,其特征在于,每个区域中的各个测风装置的设置方式包括:
每个典型位置点设置一个测风装置,调节各个测风装置的测量单元的高度,以使所述测风装置构成的三角形在水平面的投影面积占所述三个典型位置点构成的三角形的区域面积的比例在预设比例范围内。
5.根据权利要求1所述的方法,其特征在于,所述训练样本为:H={(w1,St1),(w2,St2),...,(wi,Sti),...,(wn,Stn)};其中,H为训练样本,n为大于1的常数,1<i<n;wi=[S1i,S2i,S3i,D1t,D2t,D3t,xti,yti,zti};S1i、S2i和S3i分别为当前区域第i组风速数据;D1i、D2i和D3i分别为当前区域在第i组风向数据;xti、yti和zti为第i组随机点的位置数据;Sti为第i组随机点的风速数据。
7.一种风况数据挖掘装置,其特征在于,包括:
区域划分模块,用于根据目标风电场的地理位置信息和地形位置信息将所述目标风电场划分为多个区域;
典型位置点确定模块,用于在每个区域中选取三个典型位置点,其中,各个典型位置点设置一个测风装置;
训练样本确定模块,用于针对每个区域,将当前区域的典型位置点在不同时刻的风速数据和风向数据、所述当前区域中若干个随机分布的目标点的位置数据以及风速数据作为训练样本;
预测模型训练模块,用于应用最小二乘支持向量机方法对每个区域的训练样本进行训练,分别得到各个区域对应的风速预测模型;
风速数据挖掘模块,用于将待挖掘点的位置数据,以及,所述待挖掘点所在区域的典型位置点在待挖掘时刻的风速数据和风向数据,输入至所述区域的风速预测模型,得到所述待挖掘点在所述待挖掘时刻的风速。
8.一种测风装置,其特征在于,所述测风装置设置在各个区域的各个典型位置点上,所述测风装置包括风速传感器、风向传感器、通信设备和供电设备,其中:
所述风速传感器用于测量所述测风装置安装位置的风速数据和各个随机点的风速数据;
所述风向传感器用于测量所述测风装置安装位置的风向数据;
所述通信设备用于将所述风速数据和所述风向数据传输至数据挖掘设备;
所述供电设备用于对所述测风装置进行供电。
9.一种数据挖掘设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器,所述处理器用于接收来自各个测风装置的风速数据和风向数据;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行权利要求1-7任一项所述的风况数据挖掘方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述的风况数据挖掘方法中各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902298.0A CN112015784B (zh) | 2020-09-07 | 2020-09-07 | 风况数据挖掘方法、装置、测风装置和数据挖掘设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902298.0A CN112015784B (zh) | 2020-09-07 | 2020-09-07 | 风况数据挖掘方法、装置、测风装置和数据挖掘设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112015784A true CN112015784A (zh) | 2020-12-01 |
CN112015784B CN112015784B (zh) | 2024-02-13 |
Family
ID=73516323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010902298.0A Active CN112015784B (zh) | 2020-09-07 | 2020-09-07 | 风况数据挖掘方法、装置、测风装置和数据挖掘设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112015784B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570122A (zh) * | 2021-07-09 | 2021-10-29 | 深圳大学 | 预测风速的方法、装置、计算机设备和存储介质 |
CN114895062A (zh) * | 2022-05-20 | 2022-08-12 | 岚图汽车科技有限公司 | 一种风速检测方法、装置、设备和介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570449A (zh) * | 2011-12-21 | 2012-07-11 | 西安交通大学 | 一种基于时空分布特性的区域风电功率预测方法 |
CN104021424A (zh) * | 2013-02-28 | 2014-09-03 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
WO2016023527A1 (zh) * | 2014-08-14 | 2016-02-18 | 国家电网公司 | 一种基于测风塔测风数据的风电场弃风电量确定方法 |
CN106250656A (zh) * | 2016-08-23 | 2016-12-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种结合大数据的复杂地形风电场设计平台及方法 |
CN106779203A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于不同风速段的高原山区风电功率预测方法 |
CH712882A2 (de) * | 2016-09-07 | 2018-03-15 | Swiss reinsurance co ltd | Verfahren und System zur automatisierten ortsabhängigen Erkennung von Sturmrisiken und zum expositionsbasierten parametrischen Risikotransfer. |
CN107895202A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 基于多视角风速模式挖掘的短期风速预测方法 |
CN108388962A (zh) * | 2018-02-06 | 2018-08-10 | 北京天润新能投资有限公司 | 一种风电功率预测***及方法 |
CN109214581A (zh) * | 2018-09-20 | 2019-01-15 | 中南大学 | 一种考虑风向和置信区间的铁路沿线风速预测方法 |
CN109978275A (zh) * | 2019-04-03 | 2019-07-05 | 中南大学 | 一种混合cfd和深度学习的极端大风风速预测方法及*** |
CN111126645A (zh) * | 2018-10-31 | 2020-05-08 | 国网河北省电力有限公司 | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 |
-
2020
- 2020-09-07 CN CN202010902298.0A patent/CN112015784B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570449A (zh) * | 2011-12-21 | 2012-07-11 | 西安交通大学 | 一种基于时空分布特性的区域风电功率预测方法 |
CN104021424A (zh) * | 2013-02-28 | 2014-09-03 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
WO2016023527A1 (zh) * | 2014-08-14 | 2016-02-18 | 国家电网公司 | 一种基于测风塔测风数据的风电场弃风电量确定方法 |
CN106250656A (zh) * | 2016-08-23 | 2016-12-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种结合大数据的复杂地形风电场设计平台及方法 |
CH712882A2 (de) * | 2016-09-07 | 2018-03-15 | Swiss reinsurance co ltd | Verfahren und System zur automatisierten ortsabhängigen Erkennung von Sturmrisiken und zum expositionsbasierten parametrischen Risikotransfer. |
CN106779203A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于不同风速段的高原山区风电功率预测方法 |
CN107895202A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 基于多视角风速模式挖掘的短期风速预测方法 |
CN108388962A (zh) * | 2018-02-06 | 2018-08-10 | 北京天润新能投资有限公司 | 一种风电功率预测***及方法 |
CN109214581A (zh) * | 2018-09-20 | 2019-01-15 | 中南大学 | 一种考虑风向和置信区间的铁路沿线风速预测方法 |
CN111126645A (zh) * | 2018-10-31 | 2020-05-08 | 国网河北省电力有限公司 | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 |
CN109978275A (zh) * | 2019-04-03 | 2019-07-05 | 中南大学 | 一种混合cfd和深度学习的极端大风风速预测方法及*** |
Non-Patent Citations (2)
Title |
---|
杨正瓴 等: "基于季风特性改进风电功率预测的研究展望", 《智能电网》, no. 1, pages 6 - 12 * |
杨茂 等: "基于支持向量机的短期风速预测研究综述", 《东北电力大学学报》, no. 4, pages 5 - 11 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570122A (zh) * | 2021-07-09 | 2021-10-29 | 深圳大学 | 预测风速的方法、装置、计算机设备和存储介质 |
CN113570122B (zh) * | 2021-07-09 | 2024-06-28 | 深圳大学 | 预测风速的方法、装置、计算机设备和存储介质 |
CN114895062A (zh) * | 2022-05-20 | 2022-08-12 | 岚图汽车科技有限公司 | 一种风速检测方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112015784B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111427100B (zh) | 一种台风中心定位方法、装置及台风路径生成方法 | |
Masseran et al. | Fitting a mixture of von Mises distributions in order to model data on wind direction in Peninsular Malaysia | |
Minelli et al. | An open source GIS tool to quantify the visual impact of wind turbines and photovoltaic panels | |
Giebel et al. | Shortterm forecasting using advanced physical modelling-the results of the anemos project | |
EP2919044B1 (en) | Numerical simulation system and numerical simulation method for atmospheric flow by computational fluid dynamics | |
CN108763825B (zh) | 一种模拟复杂地形的风场的数值模拟方法 | |
CN103268572A (zh) | 一种千万千瓦级大型风电基地测风网络的微观选址方法 | |
CN112015784B (zh) | 风况数据挖掘方法、装置、测风装置和数据挖掘设备 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、***及电子设备 | |
CN103278115A (zh) | 一种基于dem计算淤地坝淤积量的方法及*** | |
CN103256914B (zh) | 一种基于dem计算淤地坝淹没面积的方法及*** | |
Zaïdi et al. | Numerical simulations of the microscale heterogeneities of turbulence observed on a complex site | |
CN107978138A (zh) | 一种基于山洪动态演进仿真模型的灾害监测预警方法 | |
CN109543907A (zh) | 一种复杂地形风资源评估方法及其装置 | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN109033181B (zh) | 一种复杂地形地区风场地理数值模拟方法 | |
KR101800789B1 (ko) | 풍속 내삽에 적용하기 위해 개선된 mk-prism 방법 | |
CN110929360B (zh) | 风力发电机组点位地形复杂度的确定方法、装置及设备 | |
CN113051845B (zh) | 在役山地风电场实时风资源可视化评估方法、***、设备及存储介质 | |
CN113177325A (zh) | 复杂地形下校正标准k-ε模型可调参数方法、装置及存储介质 | |
CN109961207B (zh) | 确定风资源的方法和装置 | |
Gadgay et al. | Novel ensemble neural network models for better prediction using variable input approach | |
Shenoy et al. | Sensitivity of physical schemes on simulation of severe cyclones over Bay of Bengal using WRF-ARW model | |
Luo et al. | Simulation of the wind fields over complex terrain with coupling of CFD and WRF |
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 |