【技術實現步驟摘要】
本專利技術涉及氣象探測與數據處理，具體涉及一種高精度風速測量系統。
技術介紹
1、隨著全球氣候變化的加劇和可再生能源技術的快速發展，對風速的精確測量需求日益增長。傳統的風速測量系統往往依賴于單一的測量設備和簡單的數據處理方法，無法提供高精度和高穩定性的風速數據，這在風能開發、氣象預報和環境監測等領域造成了顯著的局限性。
2、隨著傳感器技術、數據處理技術和云計算技術的不斷進步，為高精度風速測量系統的升級和優化提供了新的可能。通過集成多種傳感器、應用先進的數據處理算法和利用云計算平臺，可以實現對風速數據的實時采集、精確分析和智能處理，從而提高風速測量的精度和可靠性。
3、現有技術中，emd模態算法針對氣象測算具有較好的適配性，但因為模態混合問題的存在，測算誤差難以避免，此在復雜的氣象條件下尤為突出，導致風速數據的不準確，進而影響了風能資源的有效利用和氣象預報的準確性，通過算法的改進和結合，改善模態混合問題從而進一步提高風速測算的精確度上限，是值得研究的方向。
技術實現思路
1、專利技術目的：為了解決
技術介紹
中提到的問題，本專利技術提出一種高精度風速測量系統，該系統通過模塊化結構處理實時采集風速數據，通過數據融合與結合改進anowreemd算法與rpsemd算法的方式結局進一步解決emd中的模態混合問題，精確化風速數據，為后續氣象研究或資源利用提供可行性參考。
2、技術方案：
3、一種高精度風速測量系統，所述系統包括：
4、風速
5、原始信號處理模塊，連接風速采集模塊，用于對采集到的原始風速數據進行放大、濾波和數字化處理；
6、數據融合算法模塊，連接原始信號處理模塊，用于對處理后的電信號進行歸一化處理，建立最優融合集計算風速傳感器權重系數并進行最終融合，獲取初步風速測量值；
7、數據分析模塊，連接數據融合算法模塊，集成基于iceemdan算法融合自適應噪聲添加策略優化和殘余項處理方法的anowreemd算法與rpsemd算法處理emd模態混合，用于進一步精確初步風速測量值，輸出最終的imffinal和殘余信號rnew，用于統計分析和預測。
8、進一步地，所述風速采集模塊內置的風速傳感器包括熱線風速傳感器，超聲波風俗傳感器以及激光風俗傳感器，原始風速數據包括：
9、從熱線風速傳感器采集的風速變化數據，表示為x熱線；
10、從超聲波風速傳感器采集的風速變化數據，表示為x超聲波；
11、從激光風速傳感器采集的風速變化數據，表示為x激光；
12、以上數據在經過原始信號處理模塊預處理后作為基礎數據輸入數據融合算法模塊。
13、進一步地，所述x熱線，x超聲波，x激光反映了不同傳感器在某一時刻或時間段內檢測到的風速大小，包括風速的大小、方向參數，經過原始信號處理模塊進行數據預處理后，輸入數據融合算法模塊進行歸一化處理，公式如下：
14、
15、其中，x表示任一傳感器的原始數據x熱線，x超聲波，x激光；x′為歸一化后的數據值，xmin為所有傳感器數據集中的最小值，xmax為所有傳感器數據集中的最大值。
16、進一步地，所述數據融合算法模塊建立最優融合集計算風速傳感器權重系數并進行最終融合的詳細步驟如下：
17、確定最優融合集：
18、在歸一化獲取的數據基礎上，定義一個閾值來確定最優融合集，排除異常值，使用最優融合集中的數據進行后續的數據處理和分析，減少異常值對最終結果的影響，確定最優融合集的公式如下：
19、
20、式中：sopt為最優融合集，xi為第i個傳感器在時間t的觀測值，為所有傳感器在時間t的平均觀測值，τ為預設的閾值，第i個傳感器指的是數據采集模塊中的任一傳感器，具體是熱線、超聲波還是激光風速傳感器，取決于它們在數據采集模塊中的編號或標識，熱線風速傳感器為1，超聲波風速傳感器為2，激光風速傳感器為3；
21、計算融合度矩陣：
22、基于最優融合集數據，計算融合度矩陣：
23、
24、其中，fij為時間t下傳感器i和j之間的融合度，xj為第j個傳感器在時間t的觀測值，σ為標準差，用于控制融合度的敏感度；
25、計算一致融合度和分布均衡度：
26、計算每個傳感器數據的一致融合度和分布均衡度，用于權重系數的分配，一致融合度和分布均衡度的計算公式如下：
27、
28、其中，ci為第i個傳感器在時間t的一致融合度，ei為第i個傳感器在時間t的分布均衡度，根據一致融合度和分布均衡度，分配權重系數給每個傳感器，權重系數的分配公式如下：
29、
30、其中，wi為第i個傳感器在時間t的權重系數，權重系數將用于計算初步風速值；
31、融合并輸出初步風速測量值：
32、最終融合估計的公式如下：
33、
34、其中，為時間t的風速估計值，n為傳感器的總數，即熱線風速傳感器、超聲波風速傳感器和激光風速傳感器的總和。
35、進一步地，所述數據分析模塊部署詳細如下：
36、該模塊接收來自數據融合算法模塊的輸出數據，應用集成再生相移正弦輔助經驗模態分解算法rpsemd算法的自適應噪聲優化，與小波殘余增強的集合經驗模態分解算法anowreemd算法對輸出數據進行進一步處理，anowreemd算法在iceemdan算法的基礎上融合自適應噪聲添加策略優化和殘余項處理方法改進，初步風速測量值經過rpsemd與anowreemd結合算法分解，得到內在模態函數imfs并以各imf的標準差、最大值和最小值參數進行統計分析，確認最終風速精確值。
37、進一步地，所述rpsemd算法結合anowreemd算法處理輸出數據的具體步驟如下：
38、步驟1：初始化算法參數
39、設定噪聲的初始幅度n0，迭代次數m，imf的選取數量k，設定小波變換參數，包括小波基ψ和分解層數j；
40、步驟2：數據預處理
41、對風速信號x(t)進行去趨勢處理，得到x′(t)：
42、x′(t)＝x(t)-detrend(x(t))
43、式中，detrend(x(t))表示去除信號x(t)的趨勢成分，以減少后續分解中的模態混疊；
44、步驟3：自適應噪聲添加
45、根據風速信號的頻率和振幅特性動態調整噪聲的幅度和頻率：
46、n(t)＝n0·f(frequency(x′(t)),amplitude(x′(t)))
47、式中，f是一個根據信號頻率和振幅特性調整噪聲的函數，frequency(x′(t))和amplitude(x′(t))分別表示信號x′(t)的頻率和振幅特性；
本文檔來自技高網...
【技術保護點】
1.一種高精度風速測量系統，其特征在于，所述系統包括：
2.根據權利要求1所述的高精度風速測量系統，其特征在于，所述風速采集模塊內置的風速傳感器包括熱線風速傳感器，超聲波風俗傳感器以及激光風俗傳感器，原始風速數據包括：
3.根據權利要求2所述的高精度風速測量系統，其特征在于，所述x熱線，x超聲波，x激光反映了不同傳感器在某一時刻或時間段內檢測到的風速大小，包括風速的大小、方向參數，經過原始信號處理模塊進行數據預處理后，輸入數據融合算法模塊進行歸一化處理，公式如下：
4.根據權利要求1或3所述的高精度風速測量系統，其特征在于，所述數據融合算法模塊建立最優融合集計算風速傳感器權重系數并進行最終融合的詳細步驟如下：
5.根據權利要求1所述的高精度風速測量系統，其特征在于，所述數據分析模塊部署詳細如下：
6.根據權利要求5所述的高精度風速測量系統，其特征在于，所述RPSEMD算法結合ANOWREEMD算法處理輸出數據的具體步驟如下：
7.根據權利要求1或5所述的高精度風速測量系統，其特征在于，所述系統還包括用戶模塊，
8.根據權利要求1所述的高精度風速測量系統，其特征在于，所述數據分析模塊利用通信接口與風速采集模塊連接，輸出結果將反饋至風速采集模塊和數據融合算法模塊，對風速采集策略與數據融合進行迭代，利用反饋機制使系統能夠自我優化。
...【技術特征摘要】
1.一種高精度風速測量系統，其特征在于，所述系統包括：
2.根據權利要求1所述的高精度風速測量系統，其特征在于，所述風速采集模塊內置的風速傳感器包括熱線風速傳感器，超聲波風俗傳感器以及激光風俗傳感器，原始風速數據包括：
3.根據權利要求2所述的高精度風速測量系統，其特征在于，所述x熱線，x超聲波，x激光反映了不同傳感器在某一時刻或時間段內檢測到的風速大小，包括風速的大小、方向參數，經過原始信號處理模塊進行數據預處理后，輸入數據融合算法模塊進行歸一化處理，公式如下：
4.根據權利要求1或3所述的高精度風速測量系統，其特征在于，所述數據融合算法模塊建立最優融合集計算風速傳感器權重系數并進行...
【專利技術屬性】
技術研發人員：呂茂超，石嘉銘，顧新發，紀捷，王建國，沈雷，王文杰，黃小龍，黃慧，莊緒州，王樂，
申請(專利權)人：淮陰工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。