本文選題：測風數(shù)據(jù)插補　切入點：長年代風速推算　出處：《武漢大學》2017年碩士論文

【摘要】：修建一個風電場首要的一步資源評估。評估的主要目的是獲得一套能反映風電場運行壽命內其場址風資源水平的數(shù)據(jù),以此作為在風電的建設可行性的重要參考。在實際工程中,現(xiàn)場的實測資料是評估的重要依據(jù)。然而,受惡劣天氣、儀器故障等因素影響,測風設備的實測資料可能會出現(xiàn)缺測或數(shù)據(jù)失效等現(xiàn)象。因此,首先應找到適合的方法插補測風設備實測數(shù)據(jù)。因為測風資料存在年際變化,所以實測的短期數(shù)據(jù)很難反映出擬建風電場場址處的長年代風能資源水平。國內常用代表年法訂正得到能體現(xiàn)風場多年平均風速分布及變化的測風序列。而"測量-相關-預測"(Measure Correlate Predict,MCP)方法則是國外通常采用的方法來推算測風長期序列。由此可見,測風數(shù)據(jù)的插補和長期序列推算是風能資源評估工作的基礎,其精度將影響風電場后期的經(jīng)濟效益。本文針對國內風電場測風數(shù)據(jù)插補與訂正方法的不足,基于神經(jīng)網(wǎng)絡提出了測風塔數(shù)據(jù)插補與長年代的測風序列推算的MCP方法,提高了測風數(shù)據(jù)的插補精度,消除測風序列在訂正中產生的誤差,取得了以下成果:以神經(jīng)網(wǎng)絡對多值輸入及非線性關系擬合優(yōu)勢為出發(fā)點,通過算例比選,采用了 BP(Back-Propagation Network)和極限學習機(Exttreme Learning Machin,ELM)建立了神經(jīng)網(wǎng)絡方法的測風數(shù)據(jù)插補模型。比較BP與ELM插補模式和線性模式在的測風高度、地形條件、插補形式以及插補算法等因素不同時,對插補結果的影響,發(fā)現(xiàn)神經(jīng)網(wǎng)絡插補方法在各個因素下都較線性方法有優(yōu)勢。對于平原測風塔:同塔插補,BP或ELM較線性方法的均方根誤差(Root Mean Square Error,RMSE)降低了約30%;異塔插補,BP或ELM的RMSE可減小4%。山區(qū)測風塔同塔插補,BP或ELM的RMSE約減小40%;異塔插補,BP或ELM在30m測風的RMSE可減小27.4%,在70m的可減小13.7%。采用遺傳算法(Genetic Algorithm,GA)優(yōu)化了的BP的初始權閾值。用GA-BP以及ELM極限學習機構建了 MCP方法中的關聯(lián)模型。實現(xiàn)了以多參考站數(shù)據(jù)同時輸入為基礎長年代風速推算。將GA-BP與ELM算法用于風速的長年代推算時,其精度較線性方法有較大提高。計算結果表明:平原測風塔,BP較線性方法的RMSE減小了 3.6%,ELM算法RMSE減小了 4%,GA-BP的RMSE減小了 5.4%;山區(qū)測風塔,BP較線性方法RMSE減小了 7.9%,ELM的RMSE減小了 11.3%,GA-BP的 RMSE 減小了 12.8%。本文建立的基于神經(jīng)網(wǎng)絡的測風塔數(shù)據(jù)插補精度較高,在測風高度、插補方式、地形等因素影響下,誤差都小于線性方法;基于神經(jīng)網(wǎng)絡的長年代推算模型實現(xiàn)了逐小時或逐月的長年代風速推算,為測風塔數(shù)據(jù)的處理提供了新方法。
[Abstract]:The primary step in the construction of a wind farm is resource assessment. The main purpose of the assessment is to obtain a set of data that can reflect the level of wind resources at the site during the operational life of a wind farm. It is an important reference for the feasibility of wind power construction. In the actual project, the field measured data is an important basis for evaluation. However, due to bad weather, instrument failure and other factors, Therefore, a suitable method should be found to interpolate the measured data of wind measuring equipment, because there is annual variation of wind data. Therefore, the measured short-term data can hardly reflect the long-term wind energy resource level at the site of the proposed wind farm. The domestic representative annual method is used to revise the wind series, which can reflect the annual average wind velocity distribution and variation of the wind field. The measure Correlate PredictMCPmethod is usually used in foreign countries to calculate the long-term wind series. The interpolation of wind data and the calculation of long term series are the basis of wind energy resource evaluation, and its precision will affect the economic benefit of wind farm in the later stage. This paper aims at the deficiency of interpolation and correction methods of wind data in domestic wind farm. Based on neural network, the MCP method of wind tower data interpolation and long term wind measurement sequence calculation is proposed, which improves the interpolation accuracy of wind measurement data and eliminates the errors produced in the correction of wind measurement data. The following results have been achieved: based on the advantages of neural network in multi-value input and nonlinear relation fitting, a numerical example is given. The wind data interpolation model of the neural network method is established by using BP(Back-Propagation Network and extreme learning Learning machine. The wind height, topographic condition, interpolation form and interpolation algorithm of BP and ELM interpolation mode are compared with each other. Effects on interpolation results, It is found that the neural network interpolation method is superior to the linear method in every factor. For the plain wind tower, the root Mean Square error of BP or ELM of the same tower interpolation is lower than that of the linear method, and the RMSE of BP or ELM is reduced. The RMSE of BP or ELM of wind measuring tower in mountain area can be reduced by about 40%, the RMSE of different tower interpolation BP or ELM can be reduced by 27.4% at 30 m and 13.7m at 70 m. The initial weight threshold of BP optimized by genetic algorithm is optimized by genetic algorithm (GA). The initial weight threshold of BP is optimized by GA-BP and ELM. The correlation model of MCP method is constructed by ELM extreme learning machine. Based on the simultaneous input of multi-reference station data, the long-age wind speed estimation is realized. When the GA-BP and ELM algorithms are used to calculate the long-age wind speed, The calculation results show that the RMSE of the wind tower in the plain is less than that of the linear method, and the RMSE of the GA-BP algorithm decreases by 5.40.The BP of the wind tower in the mountainous area is smaller than that of the linear method RMSE. The RMSE of 7. 9 / ELM reduces the RMSE of GA-BP by 11. 3 and decreases by 12. 8. The interpolation accuracy of wind tower data based on neural network is high. Under the influence of wind height, interpolation method, terrain and other factors, the error is smaller than linear method. A new method is provided for the processing of wind tower data.
【學位授予單位】：武漢大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP183;TM614

【相似文獻】

相關期刊論文 前10條

1 譚偉明;空間橢圓的變換插補法[J];制造技術與機床;2000年07期

2 章仁義,吳焱明;空間橢圓插補方法研究[J];機械工藝師;2001年07期

3 吳光琳,林建平,李從心,阮雪榆;參數(shù)曲面的快速實時插補[J];機械制造;2002年01期

4 王琨琦,王潤孝,孫林麗;橢圓曲線的比較積分插補方法研究[J];西安工業(yè)學院學報;2005年01期

5 范進楨,秦貴林,張海英;時間分割插補法插補圓弧算法的改進[J];機械工程師;2005年07期

6 張文潔;一種新的插補方法的探索[J];機械設計與制造;2005年06期

7 徐海銀;李丹;李端鈴;何頂新;;隱曲線的線性和旋轉插補[J];中國機械工程;2005年21期

8 施群,王小椿;步進伺服系統(tǒng)高效插補控制算法研究[J];電氣傳動;2005年03期

9 陳貴銀;;比較積分法橢圓插補的研究[J];武漢船舶職業(yè)技術學院學報;2006年04期

10 許道榮;單步追蹤法─一一種新的數(shù)控插補方法[J];清華大學學報(自然科學版);1979年03期

相關會議論文 前5條

1 余予;李俊;任芝花;張志富;;標準序列法在日平均氣溫缺測數(shù)據(jù)插補中的應用[A];第八屆全國優(yōu)秀青年氣象科技工作者學術研討會論文匯編[C];2014年

2 呂強;;編寫數(shù)控車、銑床加工多邊形插補程序的方法[A];數(shù)控技術學術研討會論文集[C];1999年

3 安金剛;;離線插補技術在運動控制中的應用[A];全國第十二屆空間及運動體控制技術學術會議論文集[C];2006年

4 鄭金興;張銘鈞;孟慶鑫;;變插補周期的數(shù)控進給速度控制算法研究[A];先進制造技術論壇暨第五屆制造業(yè)自動化與信息化技術交流會論文集[C];2006年

5 谷永山;王銳;韋穗;;基于兩幅視圖的縱向插補方法[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

相關博士學位論文 前8條

1 王允森;基于樣條插補的高質量加工關鍵技術的研究[D];中國科學院研究生院(沈陽計算技術研究所);2015年

2 金永喬;微小線段高速加工的軌跡優(yōu)化建模及前瞻插補技術研究[D];上海交通大學;2015年

3 葉偉;數(shù)控系統(tǒng)納米插補及控制研究[D];北京交通大學;2010年

4 梅鵬;中國群死群傷火災數(shù)據(jù)插補及快速損失評估研究[D];中國科學技術大學;2013年

5 孟書云;高精度開放式數(shù)控系統(tǒng)復雜曲線曲面插補關鍵技術研究[D];南京航空航天大學;2006年

6 劉巍;ARGO稀損數(shù)據(jù)插補與三維海洋要素場重構研究[D];西南交通大學;2012年

7 周勇;高速進給驅動系統(tǒng)動態(tài)特性分析及其運動控制研究[D];華中科技大學;2008年

8 郝永江;復雜參數(shù)曲線曲面加工控制與狀態(tài)監(jiān)測技術研究[D];天津大學;2011年

相關碩士學位論文 前10條

1 劉艷玲;調查數(shù)據(jù)無回答的插補方法及模擬比較[D];天津財經(jīng)大學;2012年

2 余威;氣象相似性網(wǎng)絡構建及缺失氣象要素數(shù)據(jù)的插補[D];西南大學;2015年

3 李玲雪;缺失偏態(tài)數(shù)據(jù)下異方差模型的統(tǒng)計推斷[D];昆明理工大學;2015年

4 李永杰;基于PH曲線五軸數(shù)控插補策略的研究[D];遼寧科技大學;2015年

5 趙偉;針對回歸模型的缺失數(shù)據(jù)插補方法模擬分析[D];天津財經(jīng)大學;2014年

6 駱新珍;基于DA插補法的線性回歸模型系數(shù)估計量的模擬研究[D];天津財經(jīng)大學;2014年

7 肖哲;基于STM32的嵌入式數(shù)控插補控制器的研究與實現(xiàn)[D];湖北工業(yè)大學;2016年

8 李珍;不完全測量信息系統(tǒng)的辨識研究[D];安徽工程大學;2016年

9 紀忠光;缺失數(shù)據(jù)的非參數(shù)插補[D];華中師范大學;2016年

10 楊曉倩;缺失數(shù)據(jù)插補方法的選擇研究[D];蘭州財經(jīng)大學;2016年

，

本文編號：1678346