一種風向數據插補方法與流程

本發明屬于風電場技術領域，尤其涉及一種風向數據插補方法。

背景技術：

風能是可再生能源中發展最快且最具有開發價值的清潔能源，而風力發電是風能開發利用的主要形式。近年來，我國風電產業迅猛發展，這一狀況無疑風力發電帶來了巨大的機遇，但同時也帶來了巨大的挑戰，風力發電無論是設計還是運行，都還存在著諸多的問題。風力發電不如火力發電或水力發電穩定，其主要原因在于風能資源的不確定性。風能資源存在著波動性和間歇性，因此，在建立一個風力發電場之前，必須深入分析當地長期的風資源數據，全面了解風能資源的情況，再判斷當地是否適合建立風力發電廠。這給風力發電場的設計帶來了很大的困難，風資源評估不當，可能導致風電場由盈利變為虧損，造成損失。

測風數據是風資源評估的主要數據支持，也是評估風電場經濟效益的重要因素。因此，保證測風數據的完整度與準確性很有意義。對于缺失的風向數據，通常的處理方法有兩種：(1)忽略這些缺失的風向數據，這種方法中的風向數據的準確性較好、但完整度較低；(2)直接將其它數據(同一時刻或鄰近時刻)直接復制以填補缺失數據，這種方法中的風向數據的完整度較高、但準確性較差。

針對現有的風向數據插補方法不能同時保證較高的完整度和較好的準確性，本發明提出一種能更有效完善風電場數據的風向數據插補方法。

技術實現要素：

本發明申請涉及一種風向數據插補方法，包括如下步驟：

步驟1：整理待插補風向數據以及輔助插補風向數據確定它們的完整度狀況；

步驟2：確定待插補風向數據的時間窗口；

步驟3：用選定的時間窗口內的待插補風向數據和輔助插補風向數據對待插補風向數據中的缺失數據進行結合三角函數變換的相關性法插補；

步驟4：對所有待插補風向數據中的缺失數據都進行步驟2和步驟3，完成插補，最后，輸出插補結果。

步驟1具體包括：

步驟11：整理待插補風向數據{yi}，以它們的時間標簽對齊所有數據；

步驟12：按時間序列對待插補風向數據{yi}進行缺失標定，建立待插補風向數據缺失向量{p1,p2,…,pn}，若待插補風向數據第i個風向數據yi缺失，則pi＝0；反之，則pi＝1；n為應測風向數據總量，n＝t/tin，t為風向數據總測量時間，tin為風向數據測量間隔時間；

步驟13：選取輔助插補風向數據，原則為：地理位置近，時間分辨率與待插補風向數據相同，數據完整度高。如首選同塔高度接近風向數據，其次選擇臨近測風塔同一高度風向數據，最后選擇當地氣象數據。

步驟2包括選定待插補風向數據中缺失數據的缺失點yi，即pi＝0的點，并根據向量{p1,p2,…,pn}確定所述時間窗口。確定時間窗口的具體步驟為：確定初始化參數n，n＝30min/tin，以yi前后30分鐘為待插補風向數據的時間窗口，即，yi-n到yi+n的待插補風向數據；之后，對n進行優化修正：a)若且則n減小1；b)若則n增加1；其中α，β0，β1都是設定的參數。優選α∈[30,50]，β0∈[0.90,0.99]，β1∈[0.8,0.95]。重復對n進行優化修正直至n不再變化，則把包含yi-n到yi+n的待插補風向數據以及輔助插補風向數據的時間窗口作為選定的時間窗口。

步驟3具體包括：

步驟31：將選定的時間窗口下的待插補風向數據以及輔助插補風向數據由角度轉換為三角函數值，即，待插補風向數據的余弦值{yci}和正弦值{ysi}，以及各組輔助插補風向數據的余弦值{xci^j}和正弦值{xsi^j}，j＝1,2,...,m，m表示輔助插補風向數據的組數；

步驟32：計算線性相關系數，計算待插補風向數據與各組輔助插補風向數據的余弦值之間的相關系數{rc^j}：

同理，可計算出待插補風向數據與各組輔助插補風向數據的正弦值之間的相關系數{rs^j}；之后，分別選定絕對值最大的相關系數的輔助插補風向數據進行插補，插補余弦值用|rc^j|最大的輔助插補風向數據，插補正弦值用|rs^j|最大的輔助插補風向數據；

步驟33：線性擬合輔助插補風向數據的余弦值{xci^j}和待插補風向數據的余弦值{yci}，在將xci^j代入這條直線求出待插補風向數據中的缺失數據的余弦值yci；同理，求出待插補風向數據中的缺失數據的正弦值ysi；

步驟34：根據下式將三角函數值轉換成角度：

使用最小二乘法進行線性擬合，具體方法如下：

假設{xci^j}與{yci}，或{xsi^j}與{ysi}呈線性關系：

y＝ax+b

其中，x為{xci^j}或{xsi^j}；y為{yci}或{ysi}；a，b為系數，計算方法如下：

其中，為{xci^j}均值或{xsi^j}均值；為{yci}均值或{ysi}均值。

在對待插補風向數據進行插補時，可包含有多組輔助插補風向數據，當輔助插補風向數據也有缺失時，也可采用本發明的風向數據插補方法先對輔助插補風向數據進行插補。

發明有益效果：本發明能夠根據待插補風向數據的缺失情況自動選取插補時的時間窗口，保證輔助插補風向數據與待插補風向數據間的關聯性；且通過三角函數變換，更好的利用了風向數據的特性(即，風向數據的環形效果，1度與359度實際只差2度)；本發明方法能夠較為有效地插補風向數據，得到較高完整度和較好準確性的風向數據，可以為風資源評估提供較好的數據支持。

附圖說明

圖1為本發明的風向插補方法的步驟框圖；

圖2為本發明的風向插補方法的步驟的具體流程圖。

具體實施方式

下面將結合具體的實例對本發明的方向插補方法進行說明。

本發明涉及一種風向插補方法，包括步驟：

步驟1：整理待插補風向數據以及輔助插補風向數據(可有多組)，確定它們的完整度狀況。當參照數據也有缺失時，可先采用本方法對參照數據進行插補。具體如下：

步驟11：整理待插補風向數據{yi}，以它們的時間標簽對齊所有數據；

步驟12：按時間序列對待插補風向數據{yi}進行缺失標定，建立待插補風向數據缺失向量{p1,p2,…,pn}，若待插補風向數據第i個風向數據yi缺失，則pi＝0；反之，則pi＝1；n為應測風向數據總量，n＝t/tin，t為風向數據總測量時間，tin為風向數據測量間隔時間。

步驟13：選取輔助插補風向數據。原則：地理位置近，時間分辨率與待插補風向數據相同，數據完整度高。即：最好采用同塔高度接近風向數據，其次臨近測風塔同一高度風向數據，最后選擇為當地氣象數據。

步驟2：確定待插補風向數據的時間窗口。選定待插補風向數據中缺失數據的缺失點yi，即pi＝0的點，并根據向量{p1,p2,…,pn}確定所述時間窗口。如：當pi＝0，yi需要插補，選定yi為此次待插補風向數據中的缺失數據。

時間窗口確定具體步驟為：確定初始化參數n，n＝30min/tin，以yi前后30分鐘為待插補風向數據的時間窗口，即，yi-n到yi+n的待插補風向數據；之后，對n進行優化修正：a)若且則n減小1；b)若則n增加1；其中α，β0，β1都是設定的參數；重復對n進行優化修正直至n不再變化，則把包含yi-n到yi+n的待插補風向數據以及輔助插補風向數據的時間窗口作為選定的時間窗口。

步驟3：用選定的時間窗口內的待插補風向數據和輔助插補風向數據對待插補風向數據中的缺失數據進行結合三角函數變換的相關性法插補；具體如下：

步驟31：將選定的時間窗口下的待插補風向數據以及輔助插補風向數據由角度轉換為三角函數值，即，待插補風向數據的余弦值{yci}和正弦值{ysi}，以及各組輔助插補的風向數據的余弦值{xci^j}和正弦值{xsi^j}，j＝1,2,...,m，m表示輔助插補風向數據的組數；

步驟32：計算線性相關系數，計算待插補風向數據與各組輔助插補風向數據的余弦值之間的相關系數{rc^j}：

同理，可計算出待插補風向數據與各組輔助插補風向數據的正弦值之間的相關系數{rs^j}；之后，分別選定絕對值最大的相關系數的輔助插補風向數據進行插補，插補余弦值用|rc^j|最大的輔助插補風向數據，插補正弦值用|rs^j|最大的輔助插補風向數據；

步驟33：線性擬合輔助插補風向數據的余弦值{xci^j}和待插補風向數據的余弦值{yci}，在將{xci^j}代入這條直線求出待插補風向數據中的缺失數據余弦值{yci}；同理，求出待插補風向數據中的缺失數據正弦值{ysi}；使用最小二乘法進行線性擬合，具體方法如下：

假設{xci^j}與{yci}，或{xsi^j}與{ysi}呈線性關系：

y＝ax+b

其中，x為{xci^j}或{xsi^j}；y為{yci}或{ysi}；a，b為系數，計算方法如下：

其中，為{xci^j}均值或{xsi^j}均值；為{yci}均值或{ysi}均值。

步驟34：根據下式將三角函數值轉換成角度：

步驟4：對所有待插補風向數據中的缺失數據都進行步驟2和步驟3，完成插補，最后，輸出插補結果。

下面以一具體實例來說明本發明的插補方法及其效果。

測試數據為2016年1月1日至12月31日，某測風塔的10m、20m，50m和80m高度，10分鐘風向數據，一共4×52704組。

測試時，選定待插補為80m高度的風向數據，隨機選擇5000個風向數據為缺失數據；選定其余高度處風向數據為輔助插補風向數據。

第一步，標定待插補風向數據，缺失的為0，不缺的為1，如表1。

表1待插補風向數據標定值

第二步，根據表1中的數據狀況，優化待插補風向數據中的缺失數據的插補用的時間窗口，如表2。其中，設定的參數α＝30，β0＝0.93，β1＝0.88。

表2優化后的時間窗口

表中，n值表示插補用數據的前后個數，比如：2016/1/11:10的n值為4，則在插補2016/1/11:10的風向時使用的數據為2016/1/10:30(i-n)到2016/1/11:50(i+n)的數據，共9(2n+1)組數據。

第三步，將風向角度數據變換為三角函數數據，并計算各個待插補風向數據中的缺失數據對應插補用時間窗口(取決于表2)數據的相關系數，如表3。

表3相關系數

第四步，選擇相關系數(表3)最大的風向數據(50m高度處)完成線性擬合，求出待插補風向數據中的缺失數據的正弦值和余弦值的插補值(此處插補值不是角度的正余弦值)，再根據插補值轉換為角度值，結果如表4。

表4插補結果

最后，這5000個80m高度風向數據的插補結果的絕對偏差的平均值為10.11度。

之后，同理進行了10m、20m、50m高度的風向數據插補，并以復制方法進行插補作比較，結果如表5。

表5插補結果的絕對偏差

從表5中可以看出：本發明的絕對偏差平均值相較于復制方法的絕對偏差平均值，在相同條件下都要小，偏差值越小，說明測試的精度越高。精度提高的比例基本在20％左右，甚至高達26.68％。

以上實例很好地驗證了本發明方法確實能夠較為有效地插補風向數據，得到較高完整度和較好準確性的風向數據，可以為風資源評估提供較好的數據支持。