具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

在多元时间序列中，由于经过数据采集、传输、接口等原因造成数据缺失，为提升数据质量，将缺失的数据进行实时插补，为后续基于数据的分析应用奠定了基础。

将缺失分为环境类数据和基础类数据，其中环境类数据分为：环境温度、环境湿度、环境压强。

测风塔基础类数据的内部状态参数，如下表1所示。

表1 常用测风塔基础类数据

本申请利用多元时间序列数据分析、大数据人工智能数据分析、工况辨识及深度学习的基础上形成的风电场测风塔运行数据插补方法，方法切实可行，结论合理，有助于提升风电场测风塔数据完整度，对后续数据分析挖掘提供了准确可靠的数据基础。

实施例

参见图1，为本发明实施例提供的一种风电场测风塔数据插补方法，如图1所示，该方法可以包括：

判断测风塔的环境类数据是否缺失，若环境类数据有缺失则利用数据缺失时间段内的气象预测数据作为基础数据，基于多元时间序列与大数据人工智能方法对环境类数据进行实时插补；

判断测风塔的基础类数据是否缺失，若基础类数据有缺失则判断测风塔临近的风机机组数据是否存在且符合逻辑，若存在且符合逻辑则利用测风塔临近的风机机组数据基于时间序列和机器学习方法对基础类数据进行实时插补；若测风塔临近的风机机组数据存在缺失，则基于气象预测数据结合WRF模式采用NCEP集合预报的统计修正方案，实现对测风塔基础数据缺失时段的基础类数据进行实时插补。

所述环境类数据包括测风塔10米的环境温度数据、测风塔10米的环境湿度数据、测风塔10米的环境压强数据。

利用环境类数据作为基础，通过时间序列选取气象数据中最新批次的预报数据找到相关性最高的2组数据作为插补基础数据；

选取所述插补基础数据中在需插补的数据时间段内的环境数据计算均值用来对该时间段内的环境类数据进行实时插补。

所述利用测风塔临近的风机机组数据基于时间序列和机器学习方法对基础类数据进行实时插补，包括：

建立基于PCA的机器学习模型，综合时间序列，分别选取测风塔临近机组中的最大风向追踪区、恒转速区。

选取测风塔临近的风机机组数据中在数据缺失时段的同一工况下的数据；

对选取的临近风机机组数据建立基于EM算法对缺失数据进行回归重建；

将数据缺失时间所生成的插补数据乘以对应系数作为需要插补的缺失数据对基础类数据进行实时插补。

所述对选取的临近风机机组数据建立基于EM算法对缺失数据进行回归重建；包括：

利用循环神经网络作为EM算法的生成器和判别器。

所述基于气象预测数据结合Weather Research and Forecasting模式采用NCEP集合预报的统计修正方案，实现对测风塔基础数据缺失时段的基础类数据进行实时插补，包括：

判断最新批次的气象数据是否正常获取，若最新批次气象数据获取失败，则选取上一批次气象数据作为基础数据；具体的，WRF模式包括若干可独立执行自身功能的模块，所述模块包括对气象网格场进行前处理及地形匹配的WRF Preprocessing System、对观测数据进行同化的WRF Data Assimilation以及由对网格场进行初始化的real和执行模式积分的Advanced Research WRF model两部分组成的模式主体。

利用WRF模式选取出最新数据后，制定NCEP集合预报的统计修正方案，根据数据结果对测风塔基础数据进行实时插补。

为了验证前面提出的方法的有效性和合理行，采取某风电场某测风塔的数据进行分析验证。具体方法步骤如下所示：

步骤1：将数据缺失分为环境类数据(环境温度、环境湿度、环境压强)缺失和基础类数据(10米、30米、50米、70米、轮毂高度风速和风向等)缺失。

首先，判断环境类数据是否缺失，若有缺失的话，利用数据缺失时间段的气象预测数据作为基础数据，基于多元时间序列与大数据人工智能方法进行数据实时插补。具体包括如下步骤：

步骤1.1：利用环境类数据作为基础，通过时间序列选取气象数据中，最新批次的预报数据。找到相关性最高的2组数据作为插补基础数据。

设环境类数据{x_t}，其中t＝1,2,3,...,n，假如需要插补i时刻到(i+m)时刻连续m个缺失值，选取数据到i时刻到(i+m)时刻m个数据,并分别计算m个时序数据的相关性得到相关性最高的2组环境类数据。

步骤1.2：将相似性最高的两台机组在需插补的数据时间段内的环境数据计算均值用来插补该时间段内环境类数据。

分别选取A机组和B机组i时刻到(i+m)时刻连续m个缺失值，{x_A|i≤A≤(i+m)}和{x_B|i≤B≤(i+m)}，插补的m的时间序列数据为

步骤2：在测风塔基础数据中利用基于气象预测数据(WRF)模式，用NCEP集合预报的统计修正方案，对测风塔基础类数据进行插补。包含的数据有：

10米风向、30米风向、50米风向、70米风向、轮毂高度风向(使用最高层数据替代)

当只缺失一层数据时，如10米风向、30米风向、50米风向未缺失，70米风向缺失，结合WRF模式，用NCEP集合预报的统计修正方案，通过对已有数据10米、30米、50米的风向数据分析，结合机器学习模型，得到插补数据的系数，用所得系数乘以通过NCEP集合修正后的气象数据，得到70米的风向数据。其他层数据缺失同理计算。

当缺失两层数据时，如10米风向、30米风向未缺失，50米风向、70米风向缺失，结合WRF模式，用NCEP集合预报的统计修正方案，通过对未缺失数据10米、30米风向数据分析，结合机器学习模型，得到插补数据的两个系数，用所得系数乘以通过NCEP集合修正后的气象数据，得到50米、70米的风向数据。其他层数据缺失同理计算。

当缺失三层数据时，如10米风向未缺失，30米风向、50米风向、70米风向缺失，结合WRF模式，用NCEP集合预报的统计修正方案，通过对未缺失数据10米风向数据分析，结合机器学习模型，得到插补数据的三个系数，用所得系数乘以通过NCEP集合修正后的气象数据，得到30米、50米、70米的风向数据。其他层数据缺失同理计算。

当缺失四层数据时，如10米风向、30米风向、50米风向、70米风向缺失，结合WRF模式，用NCEP集合预报的统计修正方案，通过对预测气象数据分析，结合机器学习模型，得到插补数据的四个系数，用所得系数乘以通过NCEP集合修正后的气象数据，得到10米、30米、50米、70米的风向数据。其他层数据缺失同理计算。

10米风速、30米风速、50米风速、70米风速、轮毂高度风速(使用最高层数据替代)

当只缺失一层数据时，如10米风速、30米风速、50米风速未缺失，70米风速缺失，结合WRF模式，用NCEP集合预报的统计修正方案，通过对已有数据10米、30米、50米的风速数据分析，结合机器学习模型，得到插补数据的系数，用所得系数乘以通过NCEP集合修正后的气象数据，得到70米的风速数据。其他层数据缺失同理计算。

当缺失两层数据时，如10米风速、30米风速未缺失，50米风速、70米风速缺失，结合WRF模式，用NCEP集合预报的统计修正方案，通过对未缺失数据10米、30米风速数据分析，结合机器学习模型，得到插补数据的两个系数，用所得系数乘以通过NCEP集合修正后的气象数据，得到50米、70米的风速数据。其他层数据缺失同理计算。

当缺失三层数据时，如10米风速未缺失，30米风速、50米风速、70米风速缺失，结合WRF模式，用NCEP集合预报的统计修正方案，通过对未缺失数据10米风速数据分析，结合机器学习模型，得到插补数据的三个系数，用所得系数乘以通过NCEP集合修正后的气象数据，得到30米、50米、70米的风速数据。其他层数据缺失同理计算。

当缺失四层数据时，如10米风速、30米风速、50米风速、70米风速缺失，结合WRF模式，用NCEP集合预报的统计修正方案，通过对预测气象数据分析，结合机器学习模型，得到插补数据的四个系数，用所得系数乘以通过NCEP集合修正后的气象数据，得到10米、30米、50米、70米的风速数据。其他层数据缺失同理计算。

步骤3：判断临近风机机组数据是否缺失，若有缺失的，利用WRF模式，用NCEP集合预报的统计修正方案，同时参照机器学习等模型对测风塔基础类数据进行插补。具体包括如下步骤：

步骤3.1：判断最新批次的气象数据是否正常获取，如果无缺失，则进行下一环节。

步骤3.2：若最新批次气象数据获取失败，则可以选取上一批次气象数据作为基础数据。具体方法为：

基于(WRF)模式，WRF可由若干可独立执行自身功能的模块组成，其主要模块包括对气象网格场进行前处理及地形匹配的WRF Preprocessing System(WPS)、对观测数据进行同化的WRF Data Assimilation(WRFDA)、以及由对网格场进行初始化的real和执行模式积分的Advanced Research WRF(ARW)model两部分组成的模式主体。

利用WRF数据选取出最新数据后，NCEP集合预报的统计修正方案，优化数据质量，从而根据数据结果对测风塔基础数据进行实时插补。

最新气象数据选取当前批次为风速0.2m/s，风向173°。

风速多项式拟合函数为：

y＝0.0891x⁵-1.7303x⁴+53.1521x³-419.0549x²+1103.3069x-1727.9022

风向多项式拟合函数为：

y＝-0.1251x⁵+10.2699x⁴-201.1834x³+1032.3349x²-2355.6282x+9098.4123

步骤4：建立基于PCA的机器学习模型，综合时间序列，分别对测风塔临近机组中的最大风向追踪区、恒转速区等。

基于GAN的模式运行工况辨识模型输入为：风速、风向。

表2 GAN模式生成的数据运行工况的多维特征点

步骤5：在相同工况下选取对应数据，建立基于ICA人工智能模型进行数据插补，具体方法为：

步骤5.1：选取需测风塔数据插补的风机机组在数据时段的同一工况下数据。

设机测风塔基础类缺失的数据{x_t}，其中t＝1,2,3,...,n。

在数据缺失时段的同一工况下的其中k＝1,2,3,...,n。

步骤5.2：对选取的临近风机机组数据建立基于EM算法对缺失数据进行回归重建。模型输入的是含有缺失值的时间序列数据，输出是完整的时间序列数据，考虑数据的时间属性，利用循环神经网络(Recurrent Neural Network,RNN)作为EM的生成器和判别器。

模型数据输入是：其中k＝1,2,3,...,n

EM算法生成器输出的数据：{x_k}，其中k＝1,2,3,...,n

步骤5.3：将数据缺失时间所生成的插补数据乘以对应系数作为需要插补的缺失数据。

插补的数据为：{x_k}，其中k＝1,2,3,...,n。

总之，本申请提供的风电场测风塔数据插补方法，综合了多元时间序列数据分析、大数据人工智能数据分析、工况辨识及深度学习的基础上形成。利用多元时间序列数据分析、大数据人工智能数据分析、工况辨识和深度学习算法对缺失的测风塔数据进行实时插补，方法切实可行，结论合理，有助于提升风电场测风塔数据完整度，有效降低因数据缺失导致的电网考核，为后续基于数据的分析应用奠定了基础。

本申请实施例还可以提供一种风电场测风塔数据插补系统，该系统包括：

环境类数据插补单元，用于判断测风塔的环境类数据是否缺失，若环境类数据有缺失则利用数据缺失时间段内的气象预测数据作为基础数据，基于多元时间序列与大数据人工智能方法对环境类数据进行实时插补；

基础类数据插补单元，用于判断测风塔的基础类数据是否缺失，若基础类数据有缺失则判断测风塔临近的风机机组数据是否存在且符合逻辑，若存在且符合逻辑则利用测风塔临近的风机机组数据基于时间序列和机器学习方法对基础类数据进行实时插补；若测风塔临近的风机机组数据存在缺失，则基于气象预测数据结合WRF模式采用NCEP集合预报的统计修正方案，实现对测风塔基础数据缺失时段的基础类数据进行实时插补。

具体的，环境类插补基础数据处理子单元，用于利用环境类数据作为基础，通过时间序列选取气象数据中最新批次的预报数据找到相关性最高的2组数据作为插补基础数据；选取所述插补基础数据中在需插补的数据时间段内的环境数据计算均值用来对该时间段内的环境类数据进行实时插补；

基础类缺失数据回归重建子单元，用于选取测风塔临近的风机机组数据中在数据缺失时段的同一工况下的数据；对选取的临近风机机组数据建立基于EM算法对缺失数据进行回归重建；将数据缺失时间所生成的插补数据乘以对应系数作为需要插补的缺失数据对基础类数据进行实时插补。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。