(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211011879.0 (22)申请日 2022.08.23 (71)申请人 全球能源互联网集团有限公司 地址 100032 北京市西城区西长安 街86号 452室 (72)发明人 肖晋宇　侯金鸣　吴佳玮　张瑾轩　 金晨　孙蔚　徐伟　李鹏　周原冰　 (74)专利代理 机构 北京智行 阳光知识产权代理 事务所(普通 合伙) 11738 专利代理师 郭道宏 (51)Int.Cl. G06F 16/215(2019.01) G06F 16/2458(2019.01) G06Q 50/26(2012.01) (54)发明名称 一种风资源时序数据重构的方法及装置 (57)摘要 本发明涉及天气技术领域， 包括一种风资源 时序数据重构的方法及装置； 首先 获取站点风资 源数据， 具体包括10米风速风向、 温度、 露点温 度、 压强和辐射的数据； 再处理风资源数据， 再采 用机器学习模 型对风资源数据训练， 将训练后的 100米风资源高空数据补全， 其中， 机器学习模型 的训练参数选择为10米风速、 辐射、 温度和海拔 数据； 最后将补全后的风资源数据进行时间序列 重构， 本发明为研究风提供了技术支撑； 采用典 型年份、 自然 年份的分析对比， 可以更好、 准确全 面地研究风； 对风的进一步研究， 为人们的生活 合理利用风能提供了数据支撑 。 权利要求书2页 说明书5页 附图1页 CN 115374096 A 2022.11.22 CN 115374096 A 1.一种风资源时序数据重构的方法， 其特 征在于， 具体按以下步骤执 行； S1:获取站点 风资源数据， 具体包括10米风速风向、 温度、 露点温度、 压强和 辐射的数据； S2:处理风资源数据； S3:采用机器学习模型对风资源数据训练， 将训练后的100米风资源高空数据补全， 其 中， 机器学习模型的训练参数选择为10米风速、 辐射、 温度和海拔数据； S4:将补全后的风资源数据进行时间序列重构。 2.根据权利要 求1所述的一种风 资源时序数据重构的方法， 其特征在于， 在步骤S2中， 对 风向、 温度、 露点温度、 压强、 辐射和10米风速风向的历史数据设定阈值， 并去除历史数据中 设定阈值之外的数据值； 具体按以下步骤执 行； S2.1:根据偏离四分位距离去除异常点， 首先将四分位距变量值按大小顺序排列， 然后 将此数列分成四等份， 得到第三个四分位 Q3上的值与第一个四分位 Q1上的值的差； 其中， 四分位距离使用处于Q1到Q3数据中心位置50％的数据， 排除极大和极小 的异常 值， 并描述数据中心附近的离散程度； 使用IQR剔除前后时刻数据差异大于IQR的异常倍数 的数据； S2.2:去除24小时内数据<＝6个， 并且前后数据缺失时长>＝ 48小时孤立的观测数据。 3.根据权利要求2所述的一种风资源时序数据重构的方法， 其特征在于， 在步骤S2.1中 根据偏离四分位距离去除异常点， 根据历年同一个月数据份算出12个月的四份位距 IQR； 对 温度、 露点温度和压强数据， 如果12小时内的数据中， 某时刻数据与相邻数据的差大于2* IQR， 则去除； 对于风速， 如果如果12小时内的数据中， 某时刻数据与相邻数据差大于 5*IQR， 则去除。 4.根据权利要求1所述的一种风资源时序数据重构的方法及装置， 其特征在于， 在步骤 S3中， 对风资源数据训练采用机器学习训练模型公式如式(1) ‑式(4)： Xt： 表示风的强度， θ： 表示风向的角度， Wt： 为温度随着海拔的变化函数， μ： 表示辐射量， t： 表示海拔高度； v(Xt)： 表示风速， 定义在(l， u)上的非负函数： 其中， l： 表示积分下限值， f(x)： 为辐射 量的概率密度函数， 则函数为 其中， c和k分别为尺度参数与形状参数。 其中， Wt： 为温度随着海拔的变化 函数为： Wt＝t+dXt 式(4) 若生成多个风速相关的风电场风速， 则需首先生成多维相关的温度随海拔变化函数Wt， Wt各维均为标准温度随海拔变化函数， 各维之间相关系数矩阵等于风电场风速相关系数矩 阵， 之后， 再利用Wt各维分量 生成各风电场风速序列。 5.根据权利要求1所述的一种风资源时序数据重构的方法及装置， 其特征在于， 在步骤权　利　要　求　书 1/2 页 2 CN 115374096 A 2S4中， 具体按以下步骤执 行： S4.1： 按照时间顺序抽取月份中对应的风资源数据， 其中， 时间顺序包括典型年、 极端大 年、 极端小年中的月份， 其中， 典型年为 从历年的12个月份数据中每个月选出最有代表 性的 月数据； S4.2： 计算某年该月份的概率分布函数值和历年总的该月份概率分布函数差值； 如果差 值的绝对值最小， 则该年月数据为 典型月数据； 如果两者差值为正且绝对值最大， 则为极端 小年； 反之， 如果两者差值 为负， 且绝对值 最大， 则为极端大年； S4.3： 将风资源数据 拼接， 其中， 如果拼接后的数据连续缺失<＝4小时， 则用前后的有效 值进行线性插值填充； 如果拼接后的数据连续缺失>5小时， 则用同时段的历年平均数据代 替。 6.一种风资源时序 数据重构装置， 其特征在于， 包括计算机可读存储介质及处理单元、 补全单元和重构单 元； 处理单元， 用于获取风资源数据， 处理风资源数据， 其中， 风资源数据的类型包括温度、 露点、 温度、 压强和风速数据； 补全单元， 用于采用机器学习模型对风资源数据训练， 将训练后的辐射数据补全， 其 中， 机器学习模型的训练参数选择为太阳高度角、 温度、 湿度、 和云量数据； 重构单元， 用于将补全后的风资源数据进行时间序列重构； 其中可读存储介质存储有计算机程序， 所述计算机程序被处理单元、 补全单元和重构 单元执行时实现如权利要求1 ‑5中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115374096 A 3