本公開涉及新能源發(fā)電，尤其涉及一種基于機器學習的激光雷達測風數(shù)據(jù)插補方法和裝置。

背景技術(shù)：

1、目前，風電機組多使用風速計和風向標監(jiān)測風力，對于機組來流風況的捕捉具有滯后性，測風數(shù)據(jù)受到機組尾流影響，無法準確刻畫機組來流風況。激光雷達作為新興的風力監(jiān)測設(shè)備，可以直接測量風輪前方來流風的風速風向數(shù)據(jù)，相較于傳統(tǒng)的機械式測風儀器而言具有一定優(yōu)勢，當前已廣泛用于風電場的性能優(yōu)化和整體控制。然而，激光雷達利用多普勒頻移效應(yīng)測風，易受環(huán)境因素(地形、天氣狀況)影響，其測風數(shù)據(jù)有效性受到空氣中氣溶膠粒子的濃度影響。激光雷達的遠距離層數(shù)據(jù)受到風輪阻滯效應(yīng)的影響小，更接近于來流風況，適合作為風電場性能優(yōu)化或整體控制的來流數(shù)據(jù)，但遠距離層數(shù)據(jù)有效率低，難以滿足工程需要。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題或者至少部分地解決上述技術(shù)問題，本公開提供了一種基于機器學習的激光雷達測風數(shù)據(jù)插補方法和裝置。

2、本公開提供了一種基于機器學習的激光雷達測風數(shù)據(jù)插補方法，包括：

3、獲取激光雷達測量的所有距離層激光雷達數(shù)據(jù)，并對所述所有距離層激光雷達數(shù)據(jù)進行預處理，得到各個距離層的數(shù)據(jù)規(guī)律；

4、基于預設(shè)的相關(guān)算法和所述各個距離層的數(shù)據(jù)規(guī)律計算其他距離層和最遠距離層之間的目標相關(guān)系數(shù)；

5、基于所述目標相關(guān)系數(shù)從所述其他距離層中確定目標距離層，并基于所述目標距離層的激光雷達數(shù)據(jù)、所述最遠距離層的激光雷達數(shù)據(jù)和預設(shè)的機器學習模型進行模型訓練，得到激光雷達數(shù)據(jù)插補模型；

6、獲取目標距離層的實時激光雷達數(shù)據(jù)，將所述實時激光雷達數(shù)據(jù)輸入所述激光雷達數(shù)據(jù)插補模型，得到所述最遠距離層的激光雷達數(shù)據(jù)。

7、在本公開一個可選的實施例中，所述對所述所有距離層激光雷達數(shù)據(jù)進行預處理，得到各個距離層的數(shù)據(jù)規(guī)律，包括：

8、對所述所有距離層激光雷達數(shù)據(jù)進行降時間分辨率處理，得到目標測量周期的激光雷達數(shù)據(jù)；

9、對所述目標測量周期的激光雷達數(shù)據(jù)進行異常值分析，并基于分析結(jié)果對所述目標測量周期的激光雷達數(shù)據(jù)進行篩選與剔除處理，得到候選激光雷達數(shù)據(jù)；

10、對所述候選激光雷達數(shù)據(jù)基于不同距離層開展數(shù)據(jù)規(guī)律分析，得到各個距離層的數(shù)值分布規(guī)律和數(shù)據(jù)有效性規(guī)律作為所述數(shù)據(jù)規(guī)律。

11、在本公開一個可選的實施例中，所述基于預設(shè)的相關(guān)算法和所述各個距離層的數(shù)據(jù)規(guī)律計算其他距離層和最遠距離層之間的目標相關(guān)系數(shù)，包括：

12、獲取所述其他距離層的風速或風向數(shù)據(jù)、以及所述最遠距離層的風速或風向數(shù)據(jù)；

13、基于預設(shè)的多種相關(guān)算法、所述其他距離層的風速數(shù)據(jù)或風向數(shù)據(jù)、以及所述最遠距離層的風速數(shù)據(jù)或風向數(shù)據(jù)進行計算，得到所述其他距離層和所述最遠距離層之間的多個相關(guān)系數(shù)；

14、基于所述各個距離層的數(shù)據(jù)規(guī)律和所述多個相關(guān)系數(shù)確定所述其他距離層和所述最遠距離層之間的目標相關(guān)系數(shù)。

15、在本公開一個可選的實施例中，所述基于所述目標相關(guān)系數(shù)從所述其他距離層中確定目標距離層，包括：

16、將所述其他距離層和所述最遠距離層之間的目標相關(guān)系數(shù)進行排序處理，將最大目標相關(guān)系數(shù)對應(yīng)的距離層確定為所述目標距離層。

17、在本公開一個可選的實施例中，所述基于所述目標距離層的激光雷達數(shù)據(jù)、所述最遠距離層的激光雷達數(shù)據(jù)和預設(shè)的機器學習模型進行模型訓練，得到激光雷達數(shù)據(jù)插補模型，包括：

18、將所述目標距離層的激光雷達數(shù)據(jù)、所述最遠距離層的激光雷達數(shù)據(jù)進行預處理，并按照一定比例劃分為訓練集和測試集；

19、基于所述機器學習模型，以所述目標距離層的激光雷達數(shù)據(jù)作為輸入、所述最遠距離層的激光雷達數(shù)據(jù)作為輸出，構(gòu)建所述激光雷達數(shù)據(jù)插補模型；其中，通過所述訓練集進行模型訓練、以及所述測試集對模型進行測試。

20、本公開提供了一種基于機器學習的激光雷達測風數(shù)據(jù)插補裝置，包括：

21、獲取模塊，用于獲取激光雷達測量的所有距離層激光雷達數(shù)據(jù)；

22、預處理模塊，用于對所述所有距離層激光雷達數(shù)據(jù)進行預處理，得到各個距離層的數(shù)據(jù)規(guī)律；

23、計算模塊，用于基于預設(shè)的相關(guān)算法和所述各個距離層的數(shù)據(jù)規(guī)律計算其他距離層和最遠距離層之間的目標相關(guān)系數(shù)；

24、確定模塊，用于基于所述目標相關(guān)系數(shù)從所述其他距離層中確定目標距離層；

25、訓練模塊，用于基于所述目標距離層的激光雷達數(shù)據(jù)、所述最遠距離層的激光雷達數(shù)據(jù)和預設(shè)的機器學習模型進行模型訓練，得到激光雷達數(shù)據(jù)插補模型；

26、模型應(yīng)用模塊，用于獲取目標距離層的實時激光雷達數(shù)據(jù)，將所述實時激光雷達數(shù)據(jù)輸入所述激光雷達數(shù)據(jù)插補模型，得到所述最遠距離層的激光雷達數(shù)據(jù)。

27、本公開實施例提供的技術(shù)方案與現(xiàn)有技術(shù)相比具有如下優(yōu)點：

28、通過提出一種基于機器學習的激光雷達測風數(shù)據(jù)插補方法，包括：獲取激光雷達測量的所有距離層激光雷達數(shù)據(jù)，并對所有距離層激光雷達數(shù)據(jù)進行預處理，得到各個距離層的數(shù)據(jù)規(guī)律，基于預設(shè)的相關(guān)算法和各個距離層的數(shù)據(jù)規(guī)律計算其他距離層和最遠距離層之間的目標相關(guān)系數(shù)，基于目標相關(guān)系數(shù)從其他距離層中確定目標距離層，并基于目標距離層的激光雷達數(shù)據(jù)、最遠距離層的激光雷達數(shù)據(jù)和預設(shè)的機器學習模型進行模型訓練，得到激光雷達數(shù)據(jù)插補模型，獲取目標距離層的實時激光雷達數(shù)據(jù)，將實時激光雷達數(shù)據(jù)輸入激光雷達數(shù)據(jù)插補模型，得到最遠距離層的激光雷達數(shù)據(jù)。由此，綜合考慮多種相關(guān)系數(shù)及數(shù)據(jù)規(guī)律，分析與最遠距離層綜合相關(guān)性最強的目標距離層，基于機器學習算法以目標距離層數(shù)據(jù)作為輸入，最遠距離層作為輸出建立數(shù)據(jù)插補模型可以對風電機組機艙激光雷達監(jiān)測數(shù)據(jù)中最遠層測風數(shù)據(jù)進行插補，有效提高了激光雷達測風數(shù)據(jù)的可用率。

技術(shù)特征：

1.一種基于機器學習的激光雷達測風數(shù)據(jù)插補方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于機器學習的激光雷達測風數(shù)據(jù)插補方法，其特征在于，所述對所述所有距離層激光雷達數(shù)據(jù)進行預處理，得到各個距離層的數(shù)據(jù)規(guī)律，包括：

3.根據(jù)權(quán)利要求1所述的基于機器學習的激光雷達測風數(shù)據(jù)插補方法，其特征在于，所述基于預設(shè)的相關(guān)算法和所述各個距離層的數(shù)據(jù)規(guī)律計算其他距離層和最遠距離層之間的目標相關(guān)系數(shù)，包括：

4.根據(jù)權(quán)利要求1所述的基于機器學習的激光雷達測風數(shù)據(jù)插補方法，其特征在于，所述基于所述目標相關(guān)系數(shù)從所述其他距離層中確定目標距離層，包括：

5.根據(jù)權(quán)利要求1所述的基于機器學習的激光雷達測風數(shù)據(jù)插補方法，其特征在于，基于所述目標距離層的激光雷達數(shù)據(jù)、所述最遠距離層的激光雷達數(shù)據(jù)和預設(shè)的機器學習模型進行模型訓練，得到激光雷達數(shù)據(jù)插補模型，包括：

6.一種基于機器學習的激光雷達測風數(shù)據(jù)插補裝置，其特征在于，包括：

7.根據(jù)權(quán)利要求6所述的基于機器學習的激光雷達測風數(shù)據(jù)插補方法，其特征在于，所述預模型應(yīng)用模塊，具體用于：

8.一種電子設(shè)備，其特征在于，所述電子設(shè)備包括：

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序用于執(zhí)行上述權(quán)利要求1-5任一項所述的一種基于機器學習的激光雷達測風數(shù)據(jù)插補方法。

10.一種計算機程序產(chǎn)品，其特征在于，包括計算機程序，其中，所述計算機程序在被處理器執(zhí)行如上述權(quán)利要求1-5任一項所述的一種基于機器學習的激光雷達測風數(shù)據(jù)插補方法。

技術(shù)總結(jié)
本公開涉及一種基于機器學習的激光雷達測風數(shù)據(jù)插補方法和裝置，包括：獲取激光雷達測量的所有距離層激光雷達數(shù)據(jù)進行預處理得到各個距離層的數(shù)據(jù)規(guī)律，基于預設(shè)的相關(guān)算法和各個距離層的數(shù)據(jù)規(guī)律計算其他距離層和最遠距離層之間的目標相關(guān)系數(shù)；基于目標相關(guān)系數(shù)從其他距離層中確定目標距離層，基于目標距離層的激光雷達數(shù)據(jù)、最遠距離層的激光雷達數(shù)據(jù)和預設(shè)的機器學習模型進行模型訓練，得到激光雷達數(shù)據(jù)插補模型；獲取目標距離層的實時激光雷達數(shù)據(jù)輸入所激光雷達數(shù)據(jù)插補模型，得到最遠距離層的激光雷達數(shù)據(jù)。由此，基于機器學習算法建立數(shù)據(jù)插補模型以對激光雷達測量最遠距離層測風數(shù)據(jù)進行插補，提高激光雷達測風數(shù)據(jù)精確性。

技術(shù)研發(fā)人員：許源,付曉敏,喇啟明,周強,權(quán)錦章,周元貴,高鑫,賈宇航,閻潔
受保護的技術(shù)使用者：大唐國際都蘭新能源有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6