大范围同步实时气象数据测量及风速风向预测系统与方法

摘要

本发明涉及一种大范围同步实时气象数据测量及风速风向预测系统与方法。本发明由高精度采集终端、无线传输装置、数据中心构成。应用本发明可搭建由一个数据中心、若干数据采集终端、无线传输系统组成的大范围同步实时气象数据采集分析预测系统。本发明借助BP神经网络模型，应用系统内各个节点当前气象数据可以预测5min后的目标节点风速风向，为了提高预测准确性，该预测模型分为春季白昼、春季黑夜、夏季白昼、夏季黑夜、秋季白昼、秋季黑夜、冬季白昼、冬季黑夜八种预测模型每种模型都由大量数据样本经过神经网络训练学得到，并且在应用过程中，根据实测数据和预测数据的误差，对预测模型不断改进。

主权项

同步实时气象数据测量及风速风向预测系统的数据处理方法，其特征在于，所述的系统，包括：信号采集装置，其采集各个目标风速、风向、温度、湿度信号，并将采集的信号通过模数转换器转换后发送给MCU模块；GPS接收模块，其接收时间、地理信息数据；MCU模块，通过UART读取GPS接收模块中的数据；MCU模块把采集到的气象数据和读取的时间、地理信息包装在一起形成数据包；GPRS模块，GPRS模块和MCU模块通过UART交互AT命令和需要传输的数据包；GPRS模块的作用就是附着GPRS网络，获得网络IP，连接远程PC机的IP端口；远程PC机，远程PC机的IP端口通过AT设置命令配置到GPRS模块中，通过AT连接命令控制GPRS模块连接远程PC机；数据处理方法如下：步骤1.远程PC机不断更新数据库，包括各风电场地理位置、时间、实测风速、风向、温度、湿度、气压；步骤2.将实测数据进行智能滤波：设连续的三个数据为X1、X2、X3，A为限幅值；若|X2‑X1|<＝A，则X2数据有效；若|X2‑X1|>A且|X3‑X2|<＝A，则X2数据无效；若|X2‑X1|>A且|X3‑X2|>A，则X2数据有效；步骤3.从数据库提取各风电场有效的风速、风向、温度、湿度数据，显示在人机友好界面；判断气象信息是否异常；并将气象数据导出，对目标节点风速风向进行预测；步骤3中所述的目标节点风速风向进行预测的方法，如下：3‑1.从数据库导出数据：取系统内各个节点的历史气象数据，历史气象数据包括风速、风向、温度、湿度、气压，并设系统内有N个测量节点，每个测量节点有5个数据，共5×N个数据；3‑2.选取样本：每隔5min取一次数据作为一个输入样本，共取M个输入样本；期望输出样本为输入样本延时5min后的目标节点风速、风向数据，共M个输出样本；输入样本是每个测量节点的5个数据，输出样本是目标节点的2个数据；3‑3.将每个输出样本中的数据利用下面的方法进行数据归一化：3‑4.BP神经网络模型初始化；3‑5网络训练；3‑6利用新鲜数据对训练好的预测模型进行测试；3‑7.在应用过程中若出现超出最大训练值的数据时，需要对该预测模型重新进行训练；所述的步骤3‑3的具体过程如下：风速：其中v_t是风速实际数据，v_max是历史最大风速数据，v_g是风速归一化数据；风向：将风向数据用风向角度的正弦值和余弦值表示，dirsin＝sin(angle)，dircos＝cos(angle)，其中angle是风向角度，其值为0°～360°；温度：其中T_t是温度实际数据，|T_max|是历史最大温度数据，T_g是温度归一化数据；湿度：其中H_t是湿度实际数据，H_max是历史最大湿度数据，H_g是湿度归一化数据；气压：其中P_t是气压实际数据，P_max是历史最大气压数据，P_g是气压归一化数据；数据归一化之后，每个输入样本的每个测量节点数据包括Vg、dirsin、dircos、Tg、Hg、Pg，且数值范围均为[‑1,1]，因为每个输入样本包含N个测量节点数据，所以输入样本数据维数为6×N；同理，输出样本的数据为目标节点的Vg、dirsin、dircos，且数值范围均为[‑1,1]，输出数据维数为3；所述的步骤3‑4的具体过程如下：(1)确定隐含层神经元数目为p；根据经验公式确定隐含层神经元数目：其中n表示输入层节点数目和m表示输出层节点数目，a表示1～10之间的常数；(2)连接权值w_ih、w_ho初始化，分别赋(‑1，1)内的随机数、阈值b_h、b_o初始化，分别赋(0，1)内的随机数，i为输入层节点标号，h为隐含层节点标号，o为输出层节点标号；(3)设置误差函数e、精度ε、最大学习次数stu_num,学习速率η；$e=0.5\underset{o=1}{\overset{m}{\Sigma }}{(d_o-{\mathrm{yo}}_o)}^2$其中，d_o表示期望输出值，yo_o表示输出层输出值；精度ε和最大学习次数stu_num根据实际情况设定，精度ε越小，模型预测越准确，stu_num越大，模型越成熟；学习速率η取0.01～0.1之间的值；(4)设置隐含层激活函数输出层激活函数F2(x)＝x；所述的步骤3‑5的具体过程如下：(0)导入输入样本和期望输出样本；设输入样本为x＝(x₁，x₂，……，x_n)，其中n＝6N，N为测量节点的数目,向量元素为N个测量节点的Vg、dirsin、dircos、Tg、Hg、Pg；设期望输出样本为do＝(d₁，d₂，……，d_m)，m表示输出层节点数目，m＝3,分别表示目标节点的风速风向数据，即Vg、dirsin、dircos；(1)计算隐含层输入、输出；隐含层输入向量为hi＝(hi₁,hi₂,……，hi_p)计算公式：${\mathrm{hi}}_h=\underset{i=1}{\overset{n}{\Sigma }}(w_{ih}\times x_i-b_h),h=1,2...···p$隐含层输出向量为ho＝(ho₁,ho₂,……，ho_p)计算公式：hoh＝F1(hi_h)，h＝1，2......p(2)计算输出层输入、输出；输出层输入向量为yi＝(yi₁,yi₂,……，yi_m)计算公式：${\mathrm{yi}}_o=\underset{h=1}{\overset{p}{\Sigma }}(w_{ho}\times {\mathrm{ho}}_h-b_o),o=1,2......m$输出层输出向量为yo＝(yo₁,yo₂,……，yo_m)计算公式：yo_o＝F2(yi_o)，o＝1，2......m(3)计算误差e$e=0.5\underset{o=1}{\overset{m}{\Sigma }}{(d_o-{\mathrm{yo}}_o)}^2$判断误差e是否小于ε，若e小于ε，即达到精度要求，则结束训练，否则执行(4)；(4)判断是否为最后一个输出样本，即是否为第M个输出样本，若是最后一个输出样本，则学习次数加1，并判断是否达到了最大学习次数，若达到了最大学习次数，则结束训练，否则执行(5)；(5)计算并修正w_ho、b_o；$\frac{\partial e}{\partial w_{ho}}=\frac{\partial e}{\partial {\mathrm{yi}}_o}\frac{\partial {\mathrm{yi}}_o}{\partial w_{ho}}=-(d_o-{\mathrm{yo}}_o)\times {\mathrm{ho}}_h,$其中h＝1,2……p，o＝1，2……m，其中p、m均为自然数；$\frac{\partial e}{\partial b_o}=(d_o-{\mathrm{yo}}_o),o=1,2......m$修正后的$w_{ho}=-\eta \times \frac{\partial e}{\partial w_{ho}}+w_{ho}=\eta (d_o-{\mathrm{yo}}_o)\times {\mathrm{ho}}_h+w_{ho}$修正后的$b_o=-\eta \times \frac{\partial e}{\partial b_o}+b_o=-\eta (d_o-{\mathrm{yo}}_o)+b_o$(6)计算并修正w_ih、b_h；$\frac{\partial e}{\partial w_{ih}}=\frac{\partial e}{\partial {\mathrm{hi}}_h}\frac{\partial {\mathrm{hi}}_h}{\partial w_{ih}}=-\left\{\underset{o=1}{\overset{m}{\Sigma }}\right[(d_o-{\mathrm{yo}}_o)\times w_{ho}\left]\right\}\times \frac{e^{-hi}h}{{(1+e^{-hi}h)}^2}\times x_i$$\frac{\partial e}{\partial b_h}=\frac{\partial e}{\partial {\mathrm{ho}}_h}\frac{\partial {\mathrm{ho}}_h}{\partial b_h}=\left\{\underset{o=1}{\overset{m}{\Sigma }}\right[(d_o-{\mathrm{yo}}_o)\times w_{ho}\left]\right\}\times \frac{e^{-hi}h}{{(1+e^{-hi}h)}^2}$修正后的$w_{ih}=-\eta \times \frac{\partial e}{\partial w_{ih}}+w_{ih}=\eta \left\{{\Sigma }_{o=1}^m\right[(d_o-{\mathrm{yo}}_o)\times w_{ho}\left]\right\}\times$$\frac{e^{-hi}h}{{(1+e^{-hi}h)}^2}\times x_i+w_{ih};$修正后的$b_h=-\eta \times \frac{\partial e}{\partial b_h}+b_h=-\eta \left\{{\Sigma }_{o=1}^m\right[(d_o-{\mathrm{yo}}_o)\times w_{ho}\left]\right\}\times$$\frac{e^{-hi}h}{{(1+e^{-hi}h)}^2}+b_h;$(7)执行(0)导入下一个输入样本和期望输出样本；所述的步骤3‑6的具体过程如下：利用新鲜数据对训练好的预测模型进行测试：若测试结果在误差允许范围内，则该预测模型能应用；若测试结果超过了误差允许范围，则进行改进,改进后重新对预测模型学习训练；所述的改进的方法如下：(1)调整输入样本维数和隐含层神经元数目；(2)采用附加动量因子的权值调节修正后的$w_{ho}=-(1-mc)\eta \times \frac{\partial e}{\partial w_{ho}}+mc\times w_{ho}$修正后的$b_o=-(1-mc)\eta \times \frac{\partial e}{\partial b_o}+mc\times b_o$修正后的$w_{ih}=-(1-mc)\eta \times \frac{\partial e}{\partial w_{ih}}+mc\times w_{ih}$修正后的$b_h=-(1-mc)\eta \times \frac{\partial e}{\partial b_h}+mc\times b_h$其中，mc为动量因子，取0.95；(3)应用自适应学习速率检查权值的修正值是否真正降低了误差函数，如果真正降低了误差函数，则对η其增加一个量；否则认为产生过调，而减小学习速率的值η；(4)改进误差函数；将误差函数调整为$e={\Sigma }_{o=1}^m[0.5(1+d_o)log\frac{1+d_o}{1+{\mathrm{yo}}_o}+0.5(1-d_o)log\frac{1-d_o}{1+{\mathrm{yo}}_o}].$