一种风向数据插补方法与流程

本发明属于风电场技术领域，尤其涉及一种风向数据插补方法。

背景技术：

风能是可再生能源中发展最快且最具有开发价值的清洁能源，而风力发电是风能开发利用的主要形式。近年来，我国风电产业迅猛发展，这一状况无疑风力发电带来了巨大的机遇，但同时也带来了巨大的挑战，风力发电无论是设计还是运行，都还存在着诸多的问题。风力发电不如火力发电或水力发电稳定，其主要原因在于风能资源的不确定性。风能资源存在着波动性和间歇性，因此，在建立一个风力发电场之前，必须深入分析当地长期的风资源数据，全面了解风能资源的情况，再判断当地是否适合建立风力发电厂。这给风力发电场的设计带来了很大的困难，风资源评估不当，可能导致风电场由盈利变为亏损，造成损失。

测风数据是风资源评估的主要数据支持，也是评估风电场经济效益的重要因素。因此，保证测风数据的完整度与准确性很有意义。对于缺失的风向数据，通常的处理方法有两种：(1)忽略这些缺失的风向数据，这种方法中的风向数据的准确性较好、但完整度较低；(2)直接将其它数据(同一时刻或邻近时刻)直接复制以填补缺失数据，这种方法中的风向数据的完整度较高、但准确性较差。

针对现有的风向数据插补方法不能同时保证较高的完整度和较好的准确性，本发明提出一种能更有效完善风电场数据的风向数据插补方法。

技术实现要素：

本发明申请涉及一种风向数据插补方法，包括如下步骤：

步骤1：整理待插补风向数据以及辅助插补风向数据确定它们的完整度状况；

步骤2：确定待插补风向数据的时间窗口；

步骤3：用选定的时间窗口内的待插补风向数据和辅助插补风向数据对待插补风向数据中的缺失数据进行结合三角函数变换的相关性法插补；

步骤4：对所有待插补风向数据中的缺失数据都进行步骤2和步骤3，完成插补，最后，输出插补结果。

步骤1具体包括：

步骤11：整理待插补风向数据{yi}，以它们的时间标签对齐所有数据；

步骤12：按时间序列对待插补风向数据{yi}进行缺失标定，建立待插补风向数据缺失向量{p1,p2,…,pn}，若待插补风向数据第i个风向数据yi缺失，则pi＝0；反之，则pi＝1；n为应测风向数据总量，n＝t/tin，t为风向数据总测量时间，tin为风向数据测量间隔时间；

步骤13：选取辅助插补风向数据，原则为：地理位置近，时间分辨率与待插补风向数据相同，数据完整度高。如首选同塔高度接近风向数据，其次选择临近测风塔同一高度风向数据，最后选择当地气象数据。

步骤2包括选定待插补风向数据中缺失数据的缺失点yi，即pi＝0的点，并根据向量{p1,p2,…,pn}确定所述时间窗口。确定时间窗口的具体步骤为：确定初始化参数n，n＝30min/tin，以yi前后30分钟为待插补风向数据的时间窗口，即，yi-n到yi+n的待插补风向数据；之后，对n进行优化修正：a)若且则n减小1；b)若则n增加1；其中α，β0，β1都是设定的参数。优选α∈[30,50]，β0∈[0.90,0.99]，β1∈[0.8,0.95]。重复对n进行优化修正直至n不再变化，则把包含yi-n到yi+n的待插补风向数据以及辅助插补风向数据的时间窗口作为选定的时间窗口。

步骤3具体包括：

步骤31：将选定的时间窗口下的待插补风向数据以及辅助插补风向数据由角度转换为三角函数值，即，待插补风向数据的余弦值{yci}和正弦值{ysi}，以及各组辅助插补风向数据的余弦值{xci^j}和正弦值{xsi^j}，j＝1,2,...,m，m表示辅助插补风向数据的组数；

步骤32：计算线性相关系数，计算待插补风向数据与各组辅助插补风向数据的余弦值之间的相关系数{rc^j}：

同理，可计算出待插补风向数据与各组辅助插补风向数据的正弦值之间的相关系数{rs^j}；之后，分别选定绝对值最大的相关系数的辅助插补风向数据进行插补，插补余弦值用|rc^j|最大的辅助插补风向数据，插补正弦值用|rs^j|最大的辅助插补风向数据；

步骤33：线性拟合辅助插补风向数据的余弦值{xci^j}和待插补风向数据的余弦值{yci}，在将xci^j代入这条直线求出待插补风向数据中的缺失数据的余弦值yci；同理，求出待插补风向数据中的缺失数据的正弦值ysi；

步骤34：根据下式将三角函数值转换成角度：

使用最小二乘法进行线性拟合，具体方法如下：

假设{xci^j}与{yci}，或{xsi^j}与{ysi}呈线性关系：

y＝ax+b

其中，x为{xci^j}或{xsi^j}；y为{yci}或{ysi}；a，b为系数，计算方法如下：

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

在对待插补风向数据进行插补时，可包含有多组辅助插补风向数据，当辅助插补风向数据也有缺失时，也可采用本发明的风向数据插补方法先对辅助插补风向数据进行插补。

发明有益效果：本发明能够根据待插补风向数据的缺失情况自动选取插补时的时间窗口，保证辅助插补风向数据与待插补风向数据间的关联性；且通过三角函数变换，更好的利用了风向数据的特性(即，风向数据的环形效果，1度与359度实际只差2度)；本发明方法能够较为有效地插补风向数据，得到较高完整度和较好准确性的风向数据，可以为风资源评估提供较好的数据支持。

附图说明

图1为本发明的风向插补方法的步骤框图；

图2为本发明的风向插补方法的步骤的具体流程图。

具体实施方式

下面将结合具体的实例对本发明的方向插补方法进行说明。

本发明涉及一种风向插补方法，包括步骤：

步骤1：整理待插补风向数据以及辅助插补风向数据(可有多组)，确定它们的完整度状况。当参照数据也有缺失时，可先采用本方法对参照数据进行插补。具体如下：

步骤11：整理待插补风向数据{yi}，以它们的时间标签对齐所有数据；

步骤12：按时间序列对待插补风向数据{yi}进行缺失标定，建立待插补风向数据缺失向量{p1,p2,…,pn}，若待插补风向数据第i个风向数据yi缺失，则pi＝0；反之，则pi＝1；n为应测风向数据总量，n＝t/tin，t为风向数据总测量时间，tin为风向数据测量间隔时间。

步骤13：选取辅助插补风向数据。原则：地理位置近，时间分辨率与待插补风向数据相同，数据完整度高。即：最好采用同塔高度接近风向数据，其次临近测风塔同一高度风向数据，最后选择为当地气象数据。

步骤2：确定待插补风向数据的时间窗口。选定待插补风向数据中缺失数据的缺失点yi，即pi＝0的点，并根据向量{p1,p2,…,pn}确定所述时间窗口。如：当pi＝0，yi需要插补，选定yi为此次待插补风向数据中的缺失数据。

时间窗口确定具体步骤为：确定初始化参数n，n＝30min/tin，以yi前后30分钟为待插补风向数据的时间窗口，即，yi-n到yi+n的待插补风向数据；之后，对n进行优化修正：a)若且则n减小1；b)若则n增加1；其中α，β0，β1都是设定的参数；重复对n进行优化修正直至n不再变化，则把包含yi-n到yi+n的待插补风向数据以及辅助插补风向数据的时间窗口作为选定的时间窗口。

步骤3：用选定的时间窗口内的待插补风向数据和辅助插补风向数据对待插补风向数据中的缺失数据进行结合三角函数变换的相关性法插补；具体如下：

步骤31：将选定的时间窗口下的待插补风向数据以及辅助插补风向数据由角度转换为三角函数值，即，待插补风向数据的余弦值{yci}和正弦值{ysi}，以及各组辅助插补的风向数据的余弦值{xci^j}和正弦值{xsi^j}，j＝1,2,...,m，m表示辅助插补风向数据的组数；

步骤32：计算线性相关系数，计算待插补风向数据与各组辅助插补风向数据的余弦值之间的相关系数{rc^j}：

同理，可计算出待插补风向数据与各组辅助插补风向数据的正弦值之间的相关系数{rs^j}；之后，分别选定绝对值最大的相关系数的辅助插补风向数据进行插补，插补余弦值用|rc^j|最大的辅助插补风向数据，插补正弦值用|rs^j|最大的辅助插补风向数据；

步骤33：线性拟合辅助插补风向数据的余弦值{xci^j}和待插补风向数据的余弦值{yci}，在将{xci^j}代入这条直线求出待插补风向数据中的缺失数据余弦值{yci}；同理，求出待插补风向数据中的缺失数据正弦值{ysi}；使用最小二乘法进行线性拟合，具体方法如下：

假设{xci^j}与{yci}，或{xsi^j}与{ysi}呈线性关系：

y＝ax+b

其中，x为{xci^j}或{xsi^j}；y为{yci}或{ysi}；a，b为系数，计算方法如下：

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

步骤34：根据下式将三角函数值转换成角度：

步骤4：对所有待插补风向数据中的缺失数据都进行步骤2和步骤3，完成插补，最后，输出插补结果。

下面以一具体实例来说明本发明的插补方法及其效果。

测试数据为2016年1月1日至12月31日，某测风塔的10m、20m，50m和80m高度，10分钟风向数据，一共4×52704组。

测试时，选定待插补为80m高度的风向数据，随机选择5000个风向数据为缺失数据；选定其余高度处风向数据为辅助插补风向数据。

第一步，标定待插补风向数据，缺失的为0，不缺的为1，如表1。

表1待插补风向数据标定值

第二步，根据表1中的数据状况，优化待插补风向数据中的缺失数据的插补用的时间窗口，如表2。其中，设定的参数α＝30，β0＝0.93，β1＝0.88。

表2优化后的时间窗口

表中，n值表示插补用数据的前后个数，比如：2016/1/11:10的n值为4，则在插补2016/1/11:10的风向时使用的数据为2016/1/10:30(i-n)到2016/1/11:50(i+n)的数据，共9(2n+1)组数据。

第三步，将风向角度数据变换为三角函数数据，并计算各个待插补风向数据中的缺失数据对应插补用时间窗口(取决于表2)数据的相关系数，如表3。

表3相关系数

第四步，选择相关系数(表3)最大的风向数据(50m高度处)完成线性拟合，求出待插补风向数据中的缺失数据的正弦值和余弦值的插补值(此处插补值不是角度的正余弦值)，再根据插补值转换为角度值，结果如表4。

表4插补结果

最后，这5000个80m高度风向数据的插补结果的绝对偏差的平均值为10.11度。

之后，同理进行了10m、20m、50m高度的风向数据插补，并以复制方法进行插补作比较，结果如表5。

表5插补结果的绝对偏差

从表5中可以看出：本发明的绝对偏差平均值相较于复制方法的绝对偏差平均值，在相同条件下都要小，偏差值越小，说明测试的精度越高。精度提高的比例基本在20％左右，甚至高达26.68％。

以上实例很好地验证了本发明方法确实能够较为有效地插补风向数据，得到较高完整度和较好准确性的风向数据，可以为风资源评估提供较好的数据支持。