本文選題：測(cè)風(fēng)數(shù)據(jù)插補(bǔ)　切入點(diǎn)：長(zhǎng)年代風(fēng)速推算　出處：《武漢大學(xué)》2017年碩士論文

【摘要】：修建一個(gè)風(fēng)電場(chǎng)首要的一步資源評(píng)估。評(píng)估的主要目的是獲得一套能反映風(fēng)電場(chǎng)運(yùn)行壽命內(nèi)其場(chǎng)址風(fēng)資源水平的數(shù)據(jù),以此作為在風(fēng)電的建設(shè)可行性的重要參考。在實(shí)際工程中,現(xiàn)場(chǎng)的實(shí)測(cè)資料是評(píng)估的重要依據(jù)。然而,受惡劣天氣、儀器故障等因素影響,測(cè)風(fēng)設(shè)備的實(shí)測(cè)資料可能會(huì)出現(xiàn)缺測(cè)或數(shù)據(jù)失效等現(xiàn)象。因此,首先應(yīng)找到適合的方法插補(bǔ)測(cè)風(fēng)設(shè)備實(shí)測(cè)數(shù)據(jù)。因?yàn)闇y(cè)風(fēng)資料存在年際變化,所以實(shí)測(cè)的短期數(shù)據(jù)很難反映出擬建風(fēng)電場(chǎng)場(chǎng)址處的長(zhǎng)年代風(fēng)能資源水平。國(guó)內(nèi)常用代表年法訂正得到能體現(xiàn)風(fēng)場(chǎng)多年平均風(fēng)速分布及變化的測(cè)風(fēng)序列。而"測(cè)量-相關(guān)-預(yù)測(cè)"(Measure Correlate Predict,MCP)方法則是國(guó)外通常采用的方法來(lái)推算測(cè)風(fēng)長(zhǎng)期序列。由此可見(jiàn),測(cè)風(fēng)數(shù)據(jù)的插補(bǔ)和長(zhǎng)期序列推算是風(fēng)能資源評(píng)估工作的基礎(chǔ),其精度將影響風(fēng)電場(chǎng)后期的經(jīng)濟(jì)效益。本文針對(duì)國(guó)內(nèi)風(fēng)電場(chǎng)測(cè)風(fēng)數(shù)據(jù)插補(bǔ)與訂正方法的不足,基于神經(jīng)網(wǎng)絡(luò)提出了測(cè)風(fēng)塔數(shù)據(jù)插補(bǔ)與長(zhǎng)年代的測(cè)風(fēng)序列推算的MCP方法,提高了測(cè)風(fēng)數(shù)據(jù)的插補(bǔ)精度,消除測(cè)風(fēng)序列在訂正中產(chǎn)生的誤差,取得了以下成果:以神經(jīng)網(wǎng)絡(luò)對(duì)多值輸入及非線性關(guān)系擬合優(yōu)勢(shì)為出發(fā)點(diǎn),通過(guò)算例比選,采用了 BP(Back-Propagation Network)和極限學(xué)習(xí)機(jī)(Exttreme Learning Machin,ELM)建立了神經(jīng)網(wǎng)絡(luò)方法的測(cè)風(fēng)數(shù)據(jù)插補(bǔ)模型。比較BP與ELM插補(bǔ)模式和線性模式在的測(cè)風(fēng)高度、地形條件、插補(bǔ)形式以及插補(bǔ)算法等因素不同時(shí),對(duì)插補(bǔ)結(jié)果的影響,發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)插補(bǔ)方法在各個(gè)因素下都較線性方法有優(yōu)勢(shì)。對(duì)于平原測(cè)風(fēng)塔:同塔插補(bǔ),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(bǔ),BP或ELM的RMSE可減小4%。山區(qū)測(cè)風(fēng)塔同塔插補(bǔ),BP或ELM的RMSE約減小40%;異塔插補(bǔ),BP或ELM在30m測(cè)風(fēng)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(quán)閾值。用GA-BP以及ELM極限學(xué)習(xí)機(jī)構(gòu)建了 MCP方法中的關(guān)聯(lián)模型。實(shí)現(xiàn)了以多參考站數(shù)據(jù)同時(shí)輸入為基礎(chǔ)長(zhǎng)年代風(fēng)速推算。將GA-BP與ELM算法用于風(fēng)速的長(zhǎng)年代推算時(shí),其精度較線性方法有較大提高。計(jì)算結(jié)果表明:平原測(cè)風(fēng)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(cè)風(fēng)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(luò)的測(cè)風(fēng)塔數(shù)據(jù)插補(bǔ)精度較高,在測(cè)風(fēng)高度、插補(bǔ)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(luò)的長(zhǎng)年代推算模型實(shí)現(xiàn)了逐小時(shí)或逐月的長(zhǎng)年代風(fēng)速推算,為測(cè)風(fēng)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(xué)位授予單位】：武漢大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP183;TM614

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 譚偉明;空間橢圓的變換插補(bǔ)法[J];制造技術(shù)與機(jī)床;2000年07期

2 章仁義,吳焱明;空間橢圓插補(bǔ)方法研究[J];機(jī)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(shí)時(shí)插補(bǔ)[J];機(jī)械制造;2002年01期

4 王琨琦,王潤(rùn)孝,孫林麗;橢圓曲線的比較積分插補(bǔ)方法研究[J];西安工業(yè)學(xué)院學(xué)報(bào);2005年01期

5 范進(jìn)楨,秦貴林,張海英;時(shí)間分割插補(bǔ)法插補(bǔ)圓弧算法的改進(jìn)[J];機(jī)械工程師;2005年07期

6 張文潔;一種新的插補(bǔ)方法的探索[J];機(jī)械設(shè)計(jì)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(zhuǎn)插補(bǔ)[J];中國(guó)機(jī)械工程;2005年21期

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

9 陳貴銀;;比較積分法橢圓插補(bǔ)的研究[J];武漢船舶職業(yè)技術(shù)學(xué)院學(xué)報(bào);2006年04期

10 許道榮;單步追蹤法─一一種新的數(shù)控插補(bǔ)方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);1979年03期

相關(guān)會(huì)議論文 前5條

1 余予;李俊;任芝花;張志富;;標(biāo)準(zhǔn)序列法在日平均氣溫缺測(cè)數(shù)據(jù)插補(bǔ)中的應(yīng)用[A];第八屆全國(guó)優(yōu)秀青年氣象科技工作者學(xué)術(shù)研討會(huì)論文匯編[C];2014年

2 呂強(qiáng);;編寫(xiě)數(shù)控車、銑床加工多邊形插補(bǔ)程序的方法[A];數(shù)控技術(shù)學(xué)術(shù)研討會(huì)論文集[C];1999年

3 安金剛;;離線插補(bǔ)技術(shù)在運(yùn)動(dòng)控制中的應(yīng)用[A];全國(guó)第十二屆空間及運(yùn)動(dòng)體控制技術(shù)學(xué)術(shù)會(huì)議論文集[C];2006年

4 鄭金興;張銘鈞;孟慶鑫;;變插補(bǔ)周期的數(shù)控進(jìn)給速度控制算法研究[A];先進(jìn)制造技術(shù)論壇暨第五屆制造業(yè)自動(dòng)化與信息化技術(shù)交流會(huì)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(bǔ)方法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)博士學(xué)位論文 前8條

1 王允森;基于樣條插補(bǔ)的高質(zhì)量加工關(guān)鍵技術(shù)的研究[D];中國(guó)科學(xué)院研究生院(沈陽(yáng)計(jì)算技術(shù)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(bǔ)技術(shù)研究[D];上海交通大學(xué);2015年

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

4 梅鵬;中國(guó)群死群傷火災(zāi)數(shù)據(jù)插補(bǔ)及快速損失評(píng)估研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

5 孟書(shū)云;高精度開(kāi)放式數(shù)控系統(tǒng)復(fù)雜曲線曲面插補(bǔ)關(guān)鍵技術(shù)研究[D];南京航空航天大學(xué);2006年

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

7 周勇;高速進(jìn)給驅(qū)動(dòng)系統(tǒng)動(dòng)態(tài)特性分析及其運(yùn)動(dòng)控制研究[D];華中科技大學(xué);2008年

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

相關(guān)碩士學(xué)位論文 前10條

1 劉艷玲;調(diào)查數(shù)據(jù)無(wú)回答的插補(bǔ)方法及模擬比較[D];天津財(cái)經(jīng)大學(xué);2012年

2 余威;氣象相似性網(wǎng)絡(luò)構(gòu)建及缺失氣象要素?cái)?shù)據(jù)的插補(bǔ)[D];西南大學(xué);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(jì)推斷[D];昆明理工大學(xué);2015年

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

5 趙偉;針對(duì)回歸模型的缺失數(shù)據(jù)插補(bǔ)方法模擬分析[D];天津財(cái)經(jīng)大學(xué);2014年

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

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

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

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

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

，

本文編號(hào)：1678346