复杂地形下缺测风资源数据插补研究.docVIP

复杂地形下缺测风资源数据插补研究 　　摘 要：东南沿海复杂地形条件下，同一区域其他测风塔和临近气象台之间数据相关性较差（通常认为相关性小于0.8），因此缺测风速数据或无效数据较难插补。如何较为准确的对该情况下的数据进行修复，对于该区域的风资源评估具有重要意义。本文运用神经网络模型，根据精度确定最优时间序列长度，以此长度时间序列风速作为样本对神经网络模型进行训练，再对连续缺测的风资源数据进行预测，结果表明初始缺测数据预测误差较小，随后预测误差较大，平均预测精度较好，绝对预测误差较大；由于缺测数据预测难度较大，仅能以前段时间序列为预测原始数据，因此预测精度提高有较大困难。 关键词：缺测数据插补；风资源评估；神经网络；复杂地形 中图分类号：P21 文献标识码：A 一、引言 风况是影响风力发电经济性的一个重要因素，风能资源的评估是建设风电场成败的关键所在，因此对风能资源进行详细的勘察和研究具有重要意义；其中测风数据处理，直接关系着风资源评价的准确性。 测风数据的处理主要包含以下过程：（1）数据验证；（2）缺测和无效数据订正；（3）数据修正；（4）测风数据用于风资源评估[1]。其中数据验证可通过国标（GB/T 18710）进行验证分析；缺测数据通常将备用或可供参考的传感器同期记录经过相关性分析处理，替换已确认为无效的数据或填补缺测的数据；数据修正主要是与附近气象台获取的长期统计数据进行相关比较并对其进行修正，从而得到能反映风电场长期风况的代表性数据；最后通过风资源分析软件计算该风场区域的风资源分布情况。 在东南沿海山区，测风塔容易受到雷击或台风等因素的影响，往往使同塔不同高度的传感器同时受到影响，且与同一区域其他测风塔和临近气象台之间数据相关性较差（通常认为相关性小于0.8），因此缺测数据或无效数据较难插补。 目前针对风资源数据中缺测数据的插补研究较少，针对该情况，本文提出了神经网络模型插值估计法，为该方面数据处理研究提供了一种理论依据，并为工程实践中缺测数据的处理提供了一种实用方法。 二、神经网络模型 （一） 神经网络模型 神经网络的学习算法就是在给定的网络模型结构和性能指针的基础上，如何有效地调整权值，使系统性能指针达到最优的方法。本文采用BP神经网络模型对缺测风速进行预测插补。BP算法的学习过程由两部分组成，即信息的正向传递和误差的反向传播，如图1所示。在正向传递过程中，输入信息从输入经隐层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反向传播回来，用以修改各层神经元的权值，直至达到期望目标。 图1 神经网络模型 应用神经网络模型对缺测风速进行插补的计算步骤如下： （1）选取不同长度时间序列。 （2）对数据进行归一化处理。 （3）运用BP神经网络模型进行插补预测。 （4）根据精度确定最优时间序列长度。 （5）运用神经网络模型分别对缺测时段的小时平均风速进行预测（即第一个10分钟与前50分钟的平均风速）。 （6）运用神经网络模型分对第一个10分钟缺测风速进行预测。 （7）用步骤5与步骤6值相加取平均值。 （8）以预测的第一个10分钟风速作为下一个10分钟风速预测的样本值。 （9）重复步骤5、6、7，从而得到插补风速。 三、实例分析 （一）模型验证与时间序列长度分析 以浙江某测风塔为例，分别选取测风塔120个100分钟、90分钟、80分钟、70分钟、60分钟长度的时间序列分别进行建模分析，最后十分钟样本为输出数据。其中110个数据作为训练样本，10个数据作为检验样本。通过计算预测误差如下： 表1 预测误差 根据预测结果可知，70分钟时间序列预测精度最高，即预测结果与前60分钟风速走向相关性较大，因此可根据此结果对缺测风速进行插补。由于选取的样本数量过小，因此在运用神经网络进行预测预测值与实际值具有较大误差，但是随着样本数量的增加，预测精度会逐步提高。 （二）模型验证 在缺测数据中，往往是连续时间序列缺测，以上分析针对的是不连续十分钟缺测数据，因此需对连续时间序列缺测数据进行分析。以1312个样本对模型进行训练，30个样本作为检验样本，运用神经网络模型对连续缺测300分钟的风速进行插值预测，其结果平均误差为-10.27%，最小相对误差为0.11%，最大相对误差为40.84%，绝对平均误差为19.69%，各个检测样本插补误差见表2。 表2 插补值与实际值误差对比表 续表2 根据以上数据分析，初始缺测数据预测