申请/专利权人：晶科电力科技股份有限公司

申请日：2024-01-17

公开（公告）日：2024-04-09

公开（公告）号：CN117851764A

主分类号：G06F18/15

分类号：G06F18/15;G06F18/213;G06F18/214;G06F18/21;G06F18/25;G06N3/0464;G06N3/0442;G06N3/082

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种适用于复杂山地风电场孤立观测风数据插补方法，包括以下步骤：对风速历史观测时间序列进行采集；然后对采集的历史观测时间序列做基本质量控制，并提取缺测时段前一定时长的历史时间序列；接着对历史时间序列进行VMD，并对VMD关键参数进行PSO优化，得到最佳风速时间序列的子模态；运用CNN分别对各子模态时间序列进行特征提取、并输入至GRU进行特征学习，进而预测缺测时段对应的风速子模态值；最后，基于历史风速子模态的风功率密度对缺测风速子模态进行重构，得到缺测时段的风速预测值；本发明可以提升复杂山地风电场观测风速缺测部分的插补精度。

主权项：1.一种适用于复杂山地风电场孤立观测风数据插补方法，其特征在于，包括以下步骤：步骤1.记观测风速或风向缺测开始时刻为t，缺测步长为L，提取其前n步长的历史观测时间序列X＝[xt-n-1…xt-2xt-1]1×n；步骤2.对历史观测时间序列X＝[xt-n-1…xt-2xt-1]1×n进行基本质量控制，得到基本控制后的序列X′＝[x′t-n-1…x′t-2x′t-1]1×n；步骤3.对步骤2得到的时间序列X′进行VMD，得到K个模态分量并计算各模态分量基于平均风功率密度模型的加权值W＝[w1…wK]1×K，其中，K为模态参数，运用PSO基于包络熵进行优化选择；步骤4.对步骤3中得到的各模态分量进行CNN-GRU样本集重构，样本集为{Im×N×τ,Om×N-1×1}，其中表示第m个子模态输入样本，Om＝[Om1…OmN-1]1×N-1表示第m个子模态输出样本，m＝1,2,…,K，N＝n-τ+1，τ为嵌入维度；步骤5.基于步骤4中的样本集，选取得到的前N-1个训练、测试特征集，运用CNN-GRU训练进行特征提取及学习，获得第j个子模态预测模型Ojl＝cnn_grujIjl，其中Ijl为第j个子模态第l个元素，l＝1,2,…,N-1，j＝1,2,…,K，则t时刻各模态分量的无偏估计值为其中，第j个子模态t时刻预测值为步骤6.对步骤5中得到的无偏估计值构造基于各模态分量的平均风功率密度模型，得到t时刻重构模型其中wi表述第i子模态基于平均风功率密度模型的加权值，表述第j个子模态t时刻预测值，i＝j＝1,2,…,K；步骤7.令t＝t+1t≤L，重复步骤1到步骤6，对缺测时段完成数据插补。

全文数据：

权利要求：

百度查询： 晶科电力科技股份有限公司 一种适用于复杂山地风电场孤立观测风数据插补方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD