基于概率模型与多时间窗自相关校验的风速逆向生成方法与流程

技术特征：
1.一种基于概率模型与多时间窗自相关校验的风速逆向生成方法，其特征在于，该生成方法包括以下内容：采用时间滑动相关方法建立不同尺度时间窗的滑动自相关校验模型；利用风速低频分量建立风速低频分量的风速
‑
变化量联合概率密度模型；利用风速高频分量建立风速高频分量的通用描述模型；将风速的逆向生成分为风速低频分量的逆向生成与风速高频分量的逆向生成两部分，在风速低频分量逆向生成中利用风速
‑
变化量联合概率密度模型建立风速低频分量
‑
变化量的累积分布模型，在给定初始风速低频分量点的情况下利用风速低频分量
‑
变化量的累积分布模型获得初始逆向生成风速低频分量点序列，利用不同尺度时间窗的滑动自相关校验模型对初始逆向生成风速低频分量点序列中的每一点进行不同尺度时间窗的滑动自相关性校验，保留满足校验条件的风速低频分量点，追加到逆向生成的风速低频分量序列；若不满足滑动自相关性校验条件，则重新计算风速变化量，重新进行校验及生成对应的风速低频分量点，获得最终的逆向生成风速低频分量序列；在风速高频分量逆向生成中，然后利用逆向生成的风速低频分量序列基于风速高频分量的通用描述模型逆向求解风速高频分量；最后，将逆向生成的风速高频分量与风速低频分量进行累加，得到逆向生成的风速。2.根据权利要求1所述的生成方法，其特征在于，初始逆向生成风速低频分量点序列获得过程：所述风速低频分量
‑
变化量的累积分布模型为风速变化量δv
t
和高斯分布参数的函数，利用风速低频分量
‑
变化量的累积分布模型的反函数和风速低频分量
‑
变化量的累积分布函数满足[0，1]均匀分布而获取风速变化量δv
t
，对风速变化量进行风速变化量的区间校验，使其满足风速变化量的区间要求；在给定初始风速低频分量点的情况下利用风速低频分量
‑
变化量的累积分布模型和上述确认满足区间校验的风速变化量获得初始逆向生成风速低频分量点序列。3.根据权利要求2所述的生成方法，其特征在于，所述风速
‑
变化量联合概率密度模型反映随着风速大小的变化风速变化量的分布情况；风速
‑
变化量联合概率密度模型为其中，δv
t
为风速的变化量，v
t
为区间风速，为风速
‑
变化量的联合概率密度，为参数，二者均是区间风速v
t
的函数；风速低频分量
‑
变化量累积分布模型为：式(4)中f
v
为风速低频分量
‑
变化量的累积分布函数；
风速变化量的区间要求为：风速低频分量的风速变化量区间约束为公式(3)其中，表示区间风速为v
t_i
时的风速变化量，为区间风速为v
t_i
时风速变化量的最大值，为区间风速为v
t_i
时风速变化量的最小值；利用风速低频分量
‑
变化量的累积分布模型获得的风速变化量在公式(3)的区间范围内，则认为满足要求，否则认为不满足要求，应舍弃。4.根据权利要求1所述的生成方法，其特征在于，所述风速高频分量的通用描述模型为：其中，为标幺化后的风速高频分量；h3(v
t
)＝v
f_max
‑
v
f_min
，，v
f_min
是风速高频分量的最小值，v
f_max
是风速高频分量的最大值；v
f
为风速高频分量。5.根据权利要求1所述的生成方法，其特征在于，所述不同尺度时间窗的滑动自相关校验模型的构建过程是：基于风速历史数据，通过对短时间尺度的原始数据求取均值得到中长时间尺度的数据，然后通过设定滑动时间窗口长度t
w
、滑动距离t
l
、滑动速度t
s
，按每天、每星期、每月求取该数据的滑动自相关系数，进而分别建立每天、每星期、每月不同时间尺度的滑动自相关模型；包括时间窗长度为一日的滑动自相关校验模型、时间窗长度为一星期的滑动自相关校验模型和时间窗长度为一个月的滑动自相关校验模型；具体是：时间窗长度为一日的滑动自相关校验模型的建立过程是：1)：对原始测量数据设定滑动时间窗口长度t
w
使其包含一天的数据、滑动距离t
l
为一天、滑动速度t
s
为一天，计算每天与其下一天的相关系数，并采用曲线拟合的方式建立每天的滑动自相关系数函数表达式r1；2)：根据采样点某段时间长度内(该时间长度应当小于滑动时间窗口长度t
w
)相关系数峰谷差的30％作为每天滑动自相关系数函数表达式的上下波动误差以保证逆向生成风速的不确定性特征的存在，并采用曲线拟合的方式计算误差表达式δr1；3)：相关性的校验区间为[r1
‑
δr1，r1 δr1]，即为时间窗长度为一天的滑动自相关校验模型；时间窗长度为一星期的滑动自相关校验模型的建立过程是：1)：对原始数据序列进行出力，得到每小时风速数据的平均值作为该地的每小时风速数据；2)：对每小时风速数据设定滑动时间窗口长度t
w
使其包含一星期的数据、滑动距离t
l
为一星期、滑动速度t
s
为一星期，计算每星期与其下一星期的相关系数，并采用曲线拟合的方式建立每星期的滑动自相关系数函数表达式r2；3)：根据采样点某段时间长度内相关系数峰谷差的30％作为每星期滑动自相关系数函数表达式的上下波动误差以保证逆向生成风速的不确定性特征的存在，并采用曲线拟合的方式计算其表达式δr2；4)：相关性的校验区间为[r2
‑
δr2，r2 δr2]，即为时间窗长度为一星期的滑动自相关
校验模型；时间窗长度为一个月的滑动自相关校验模型的建立过程是：1)：对原始数据序列进行出力，得到每四个小时风速数据的平均值作为该地的每四小时风速数据；2)：每四个小时风速数据设定滑动时间窗口长度t
w
使其包含一个月的数据、滑动距离t
l
为一个月、滑动速度t
s
为一个月，计算每个月与其下个月的相关系数，并采用曲线拟合的方式建立每个月的滑动自相关系数函数表达式r3；3)：根据采样点某段时间长度内相关系数峰谷差的30％作为每个月滑动自相关系数函数表达式的上下波动误差以保证逆向生成风速的不确定性特征的存在，并采用曲线拟合的方式计算其表达式δr3；4)：相关性的校验区间为[r3
‑
δr3，r3 δr3]，即为时间窗长度为一个月的滑动自相关校验模型；综上所述，分别建立时间窗口长度为以1天、1星期及1月的滑动自相关校验模型，对于生成的低频风速数据点依次进行每天、每星期、每月的自相关校验，若满足以上三个滑动自相关校验模型，则追加到逆向生成的风速低频序列中，否则放弃该点。6.根据权利要求1所述的生成方法，其特征在于，所述风速低频分量的逆向生成的具体过程是：将分解后的风速低频序列中待预测点的前一个采样点的风速值作为初始风速低频分量v
t_0
，并将初始风速低频分量v
t_0
的值视为区间风速v
t
带入到公式(4)中，同时将按照[0,1]上均匀分布的随机数随机生成的带入公式(4)求得δv
t
，逆向求出风速低频分量为v
t_0
时的风速变化量δv
t_0
，则下一时刻风速低频分量的值v
t_1
为v
t_1
＝v
t_0
δv
t_0
；每一时刻的风速对应的风速变化量由式(8)获得式中为式的反函数；将得到的每一风速变化量δv
t
值代入式(3)进行检验，若不满足式(3)，则重新产生[0,1]上均匀分布的随机数作为新的累积分布函数值并求取对应的风速变化量δv
t
，获得所有满足区间校验条件的风速变化量；然后再根据上一时刻风速低频分量求得下一时刻的风速低频分量，得到初始风速低频分量的连续序列；对于初始逆向生成的风速低频分量序列中的每一低频风速点v
t
都按其所在天、星期、月与其上一天、星期、月进行自相关检验，如果同时满足三个不同时间窗的滑动自相关校验模型则追加到逆向生成的风速低频分量的序列中，否则放弃该点，则重新产生[0,1]上均匀分布的随机数作为新的累积分布函数值并求取对应的风速变化量δv
t
，进而计算出相应位置的风速低频分量点，再进行自相关检验；依此运算规律，获得所有满足要求的风速低频分量点，当低频风速点v
t
＝v
t_d
，d＝1,2,3
……
d时，通过公式(4)的风速低频分量
‑
变化量的累积分布函数求得对应的风速变化量δv
t_d
,则下一时刻风速低频分量的值为：v
t_d 1
＝v
t_d
δv
t_d
ꢀꢀꢀꢀꢀꢀ
(9)
式中，v
t_d 1
为d 1时刻的风速，d为需要预测的生成的风速点的数量；判断是否达到迭代次数，迭代次数为d，若达到迭代次数则输出逆向生成风速低频分量的序列v
t_pre
；若没有达到迭代次数，则将令当前预测时刻的v
t_d 1
重新作为下一时刻的初始低频分量点，带入公式(4)，重复上述过程。7.根据权利要求7所述的生成方法，其特征在于，所述风速高频分量的逆向生成过程是：对于逆向生成风速低频分量的序列v
t_pre
中的每一风速低频分量点v
t_d
，以随机产生[0，1]上随机数作为标幺化的风速高频分量值根据风速高频分量的通用描述模型，则每一风速低频分量点所对应的高频分量其中h3(v
t_d
)、h4(v
t_d
)表示为v
t_d
的函数；将每一风速低频分量点与风速高频分量点进行叠加得逆向生成的风速，即v
d
＝v
t_d
v
f_d
ꢀꢀꢀꢀ
(10)式中，v
d
为d时刻逆向生成得到的风速。

技术总结
本发明为基于概率模型与多时间窗自相关校验的风速逆向生成方法，该生成方法包括以下内容：采用时间滑动相关方法建立不同尺度时间窗的滑动自相关校验模型；利用风速低频分量建立风速低频分量的风速


技术研发人员：韩旭 张家安 王军燕
受保护的技术使用者：河北工业大学
技术研发日：2021.07.23
技术公布日：2021/10/23