测风数据处理方法和测风数据处理装置

技术领域

本公开总体说来涉及风力发电技术领域，更具体地讲，涉及一种通过对实际测风数据和虚拟测风数据进行处理来生成用于评估风资源的有效测风数据的测风数据处理方法和测风数据处理装置。

背景技术

风电行业中精准而快速的测风数据是后续项目开发、精准评估经济效益的关键。然而，在实际风电场项目中，场区分散、时间进度紧迫；地理范围广、地形地貌复杂多样；场区无塔、少塔、测风塔代表性差等难题不断凸显。

常规的获取测风数据的方案主要有以下三种。第一种是设立测风塔进行评估。虽然这种方案能够保证精度，但时间成本和资金成本要求较高，缺乏时效性和经济效益。第二种是采用中尺度(测风)数据或周边测风塔作为替代。然而，中尺度数据本身分辨率较低，精度不高，单独使用结果偏差非常较大，风险不可控，而采用周边测风塔，与场区和/或兴趣点位距离均较远，评估风险较大。第三种是通过风电场项目的短期测风数据结合中尺度数据进行插补。这种方案的问题在于：首先，中尺度数据本身精度不高，虽然通过短期测风数据进行插补能够在一定程度上弥补精度问题，但是评估风险依然较大；其次，短期测风本身会带来各种不确定性，尤其是短期湍流和切变的影响，导致获取的测风数据不够准确。

发明内容

因此，本公开的实施例提供一种测风数据处理方法和测风数据处理装置，在考虑风电场区域测风点位与兴趣点位的空间相似度的基础上，通过对实际测风数据和虚拟测风数据进行处理，来生成用于评估风资源的有效测风数据。

在一个总的方面，提供一种测风数据处理方法，所述测风数据处理方法包括：获取风电场区域测风点位的实际测风数据；生成风电场区域的兴趣点位的虚拟测风数据，其中，所述兴趣点位是指用于评估风电场区域的风资源的测风点位；计算所述风电场区域测风点位与所述兴趣点位之间的空间相似度；将所述虚拟测风数据输入至测风数据处理模型，对所述虚拟测风数据进行处理，并基于所述测风数据处理模型的输出以及所述空间相似度得到有效测风数据，其中，所述测风数据处理模型的参数根据所述实际测风数据和所述虚拟测风数据来确定。

可选地，所述实际测风数据包括所述风电场区域的短期测风数据和/或所述风电场区域的周边测风数据。

可选地，计算所述风电场区域测风点位与所述兴趣点位之间的空间相似度的步骤包括：基于根据所述风电场区域测风点位与所述兴趣点位的主风向、地形类型、距离、海拔、气象地理区划构造的向量，来计算所述空间相似度。

可选地，基于所述测风数据处理模型的输出以及所述空间相似度得到有效测风数据的步骤包括：将所述测风数据处理模型的输出与所述空间相似度的乘积确定为所述有效测风数据。

可选地，所述测风数据处理模型包括多种测风数据处理模型，所述多种测风数据处理模型根据不同的优化算法来构造。

可选地，所述不同的优化算法包括最小二乘回归算法、方差比例法和威布尔拟合法。

可选地，所述测风数据处理方法还包括：将预定时间段的所述有效测风数据与所述实际测风数据进行比较，并且基于比较的结果输出所述有效测风数据的第一风险评估值。

可选地，所述测风数据处理方法还包括：将所述有效测风数据与生成虚拟测风数据时获得的风资源图谱进行比较，并且基于比较的结果输出所述有效测风数据的第二风险评估值。

可选地，所述测风数据处理方法还包括：响应于所述第一风险评估值/或所述第二风险评估值满足第一预设条件，并且所述空间相似度满足第二预设条件，输出所述有效测风数据可用的指示。

可选地，生成风电场区域的兴趣点位的虚拟测风数据的步骤包括：通过使用针对所述风电场区域的气象模型生成所述兴趣点位的虚拟测风数据。

可选地，获取风电场区域测风点位的实际测风数据的步骤包括：从所述风电场区域测风点位的测风塔和/或激光雷达获取所述风电场区域的短期测风数据；和/或从观测大数据库获取所述风电场区域的周边测风数据，其中，所述观测大数据库的数据源所在的位置与所述风电场区域测风点位的距离小于预定阈值。

在另一总的方面，提供一种测风数据处理装置，所述测风数据处理装置包括：实际测风数据获取单元，被配置为：获取风电场区域测风点位的实际测风数据；虚拟测风数据生成单元，被配置为：生成风电场区域的兴趣点位的虚拟测风数据，其中，所述兴趣点位是指用于评估风电场区域的风资源的测风点位；空间相似度计算单元，被配置为：计算所述风电场区域测风点位与所述兴趣点位之间的空间相似度；数据处理单元，被配置为：将所述虚拟测风数据输入至测风数据处理模型，对所述虚拟测风数据进行处理，并基于所述测风数据处理模型的输出以及所述空间相似度得到有效测风数据，其中，所述测风数据处理模型的参数根据所述实际测风数据和所述虚拟测风数据来确定。

可选地，所述实际测风数据包括所述风电场区域的短期测风数据和/或所述风电场区域的周边测风数据。

可选地，空间相似度计算单元被配置为：基于根据所述风电场区域测风点位与所述兴趣点位的主风向、地形类型、距离、海拔、气象地理区划构造的向量，来计算所述空间相似度。

可选地，数据处理单元被配置为：将所述测风数据处理模型的输出与所述空间相似度的乘积确定为所述有效测风数据。

可选地，所述测风数据处理模型包括多种测风数据处理模型，所述多种测风数据处理模型根据不同的优化算法来构造。

可选地，所述不同的优化算法包括最小二乘回归算法、方差比例法和威布尔拟合法。

可选地，所述测风数据处理装置还包括：风险评估单元，被配置为：将预定时间段的所述有效测风数据与所述实际测风数据进行比较，并且基于比较的结果输出所述有效测风数据的第一风险评估值。

可选地，风险评估单元还被配置为：将所述有效测风数据与生成虚拟测风数据时获得的风资源图谱进行比较，并且基于比较的结果输出所述有效测风数据的第二风险评估值。

可选地，风险评估单元还被配置为：响应于所述第一风险评估值/或所述第二风险评估值满足第一预设条件，并且所述空间相似度满足第二预设条件，输出所述有效测风数据可用的指示。

可选地，虚拟测风数据生成单元被配置为：通过使用针对所述风电场区域的气象模型生成所述兴趣点位的虚拟测风数据。

可选地，实际测风数据获取单元被配置为：从所述风电场区域测风点位的测风塔和/或激光雷达获取所述风电场区域的短期测风数据；和/或从观测大数据库获取所述风电场区域的周边测风数据，其中，所述观测大数据库的数据源所在的位置与所述风电场区域测风点位的距离小于预定阈值。

在另一总的方面，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时，实现如上所述的测风数据处理方法。

在另一总的方面，提供一种计算装置，所述计算装置包括：处理器；和存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的测风数据处理方法。

根据本公开的实施例的测风数据处理方法和测风数据处理装置，由于在获取短期测风数据时采用测风塔结合激光雷达的方式，因此避免了传统只依靠测风塔数据的不足，而且激光雷达具有数据精准度高、运输设备部署高效便捷的优势。另一方面，由于虚拟测风数据的生成方式采用针对本地化的分辨率中尺度仿真建模并进行本地优化，保障了虚拟测风数据的精度。此外，在生成有效测风数据时充分考虑测风点位与兴趣点位之间的空间相似度，因此可以针对不同的兴趣点位生成满足各种风参数需求且具有较高精度的有效测风数据。

附图说明

通过下面结合示出实施例的附图进行的描述，本公开的实施例的上述和其他目的和特点将会变得更加清楚，其中：

图1是示出根据本公开的实施例的测风数据处理方法的流程图；

图2是示出根据本公开的实施例的测风数据处理装置的框图；

图3是示出根据本公开的实施例的计算装置的框图；

图4是示出根据本公开的实施例的测风数据处理方法得到的有效测风数据与同期实际测风数据(例如，周边测风数据)的日变化的对比示图；

图5是示出根据本公开的实施例的测风数据处理方法得到的有效测风数据与同期实际测风数据(例如，周边测风数据)的威布尔分布的对比示图。

具体实施方式

提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而，在理解本申请的公开之后，在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如，在此描述的操作的顺序仅是示例，并且不限于在此阐述的那些顺序，而是除了必须以特定的顺序发生的操作之外，可如在理解本申请的公开之后将是清楚的那样被改变。此外，为了更加清楚和简明，本领域已知的特征的描述可被省略。

在此描述的特征可以以不同的形式来实现，而不应被解释为限于在此描述的示例。相反，已提供在此描述的示例，以仅示出实现在此描述的方法、设备和/或系统的许多可行方式中的一些可行方式，所述许多可行方式在理解本申请的公开之后将是清楚的。

如在此使用的，术语“和/或”包括相关联的所列项中的任何一个以及任何两个或更多个的任何组合。

尽管在此可使用诸如“第一”、“第二”和“第三”的术语来描述各种构件、组件、区域、层或部分，但是这些构件、组件、区域、层或部分不应被这些术语所限制。相反，这些术语仅用于将一个构件、组件、区域、层或部分与另一构件、组件、区域、层或部分进行区分。因此，在不脱离示例的教导的情况下，在此描述的示例中所称的第一构件、第一组件、第一区域、第一层或第一部分也可被称为第二构件、第二组件、第二区域、第二层或第二部分。

在说明书中，当元件(诸如，层、区域或基底)被描述为“在”另一元件上、“连接到”或“结合到”另一元件时，该元件可直接“在”另一元件上、直接“连接到”或“结合到”另一元件，或者可存在介于其间的一个或多个其他元件。相反，当元件被描述为“直接在”另一元件上、“直接连接到”或“直接结合到”另一元件时，可不存在介于其间的其他元件。

在此使用的术语仅用于描述各种示例，并不将用于限制公开。除非上下文另外清楚地指示，否则单数形式也意在包括复数形式。术语“包含”、“包括”和“具有”说明存在叙述的特征、数量、操作、构件、元件和/或它们的组合，但不排除存在或添加一个或多个其他特征、数量、操作、构件、元件和/或它们的组合。

除非另有定义，否则在此使用的所有术语(包括技术术语和科学术语)具有与由本公开所属领域的普通技术人员在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义，否则术语(诸如，在通用词典中定义的术语)应被解释为具有与它们在相关领域的上下文和本公开中的含义一致的含义，并且不应被理想化或过于形式化地解释。

此外，在示例的描述中，当认为公知的相关结构或功能的详细描述将引起对本公开的模糊解释时，将省略这样的详细描述。

下面参照图1至图5详细描述根据本公开的实施例的测风数据处理方法和测风数据处理装置。

为了针对风电场项目中的用于布置风机的各个点位生成有效测风数据，需要收集并获取风电场相关数据。这里，收集和获取的风电场相关数据包括风电场基本信息、风电场地理信息数据、风电场实际测风数据(包括风电场区域的短期测风数据和/或风电场区域的周边测风数据)等。风电场基本信息包括场区范围位置、风机的排布位置、周边的植被情况、兴趣点位的情况等。这里，兴趣点位是指用于评估风电场区域的风资源的测风点位。风电场地理信息数据包括风电场的精细高程数据、地形变化数据、粗糙度数据等。短期测风数据包括测风点位的测风塔和/或激光雷达的数据。周边测风数据是指从距离测风点位一定距离范围内的数据源(例如但不限于测风塔、激光雷达、气象站)构成的观测大数据库获取的测风数据。上述风电场基本信息、风电场地理信息数据、风电场实际测风数据可以汇总为表格形式，以便于存储和查询。

图1是示出根据本公开的实施例的测风数据处理方法的流程图。根据本公开的实施例的测风数据处理方法可以在具有足够运算能力的计算装置(例如，服务器)中实现。

参照图1，在步骤S101中，可获取风电场区域测风点位的实际测风数据。如上所述，实际测风数据可包括风电场区域的短期测风数据和/或风电场区域的周边测风数据，可从风电场区域测风点位的测风塔和/或激光雷达获取风电场区域的短期测风数据，和/或可从观测大数据库获取风电场区域的周边测风数据，观测大数据库的数据源所在的位置与风电场区域测风点位的距离小于预定阈值(例如但不限于80km)。

接下来，在步骤S102中，可生成风电场区域的兴趣点位的虚拟测风数据。如上所述，兴趣点位是指用于评估风电场区域的风资源的测风点位，例如，风电场区域内风资源最具代表性的点位。这里，可通过使用针对风电场区域的气象模型生成兴趣点位的虚拟测风数据。气象模型可以是例如WRF气象模型，但不限于此。

生成虚拟测风数据的过程主要包括以下三个部分。

首先，对气象模型进行参数配置，主要配置气象模型的输入数据源，例如FNL、ERA5、MERRA2等多种中尺度数据源，模拟时段(一般是一个完整年时段)、网格的嵌套层数(一般是3层，最内层网格分辨率为1km，网格数东西方向为100个，南北方向为100个)、物理参数化方案(根据不同地形和区域进行选择)以及地形数据(例如，山地、丘陵、平原等)等参数。然后，可通过气象模型对输入数据进行数据模拟。数据模拟主要包括以下五个步骤：geogrid过程，定义气象模型的运行空间、嵌套区域、地形数据等；ungrib过程，对输入的气象数据进行重投影、坐标转换、数据提取等；metgrid过程，对地表参数、气象数据进行时空插值操作；real过程，产生初始时刻的状态和模拟时刻的侧边界状态；wrf过程，气象模型的主程序运行过程，用于得到气象模型输出的目标区域(即，兴趣点位)的气象数据。最后，对气象模型输出的气象数据进行提取。例如，可根据兴趣点位的信息，提取风速、风向、温度、湿度、气压等数据，同时提取地形数据信息，并绘制风资源图谱。根据本公开的实施例，为了保证生成虚拟测风数据的效率，生成虚拟测风数据的过程可在例如超级计算机集群上进行。

以上描述的生成虚拟测风数据的过程可由本领域技术人员根据风电场项目的实际情况，选择合理的气象模型来进行。此外，以上描述的生成虚拟测风数据的过程属于本领域技术人员所熟知的技术手段，因此以上描述仅给出对其的简单描述，而省略了对其的具体描述。

在步骤S103中，可计算风电场区域测风点位与兴趣点位之间的空间相似度。风电场区域测风点位与兴趣点位可以是同一个点位，但通常是不同的点位。本公开充分考虑了风电场区域测风点位与兴趣点位是不同的点位的情况，在测风数据处理方法中采用了空间相似度来提高有效测风数据的精度。

具体地讲，基于根据风电场区域测风点位与兴趣点位的主风向、地形类型、距离、海拔、气象地理区划构造的向量，来计算二者之间的空间相似度。举例来说，可将风电场区域划分为十六个扇区，并且其中至少一个扇区代表主风向；地形类型可包括但不限于山顶、平原、丘陵等；距离表示风电场区域测风点位与兴趣点位之间的距离；气象地理区域可以是气象地理区划，也可以是根据其他方式划分。可通过等式(1)所示的余弦相似度公式来计算风电场区域测风点位与兴趣点位之间的空间相似度。

其中，

在步骤S104中，可将虚拟测风数据输入至测风数据处理模型，对虚拟测风数据进行处理，并基于测风数据处理模型的输出以及空间相似度得到有效测风数据。例如，可将测风数据处理模型的输出与空间相似度的乘积确定为有效测风数据。根据本公开的实施例，测风数据处理模型的参数可根据实际测风数据和虚拟测风数据来确定。

根据本公开的实施例，测风数据处理模型可包括多种测风数据处理模型，并且多种测风数据处理模型可根据不同的优化算法来构造。具体地讲，优化算法可包括最小二乘回归算法、方差比例法和威布尔拟合法，但是本公开不限于此，还可以使用其他优化算法来构造测风数据处理模型。

下面的等式(2)示出根据最小二乘回归算法和方差比例法构造的测风数据处理模型，等式(3)和(4)示出根据最小二乘回归算法构造的测风数据处理模型的参数的确定方式，等式(5)和(6)示出根据方差比例法构造的测风数据处理模型的参数的确定方式。

y＝mx+b (2)

其中，

下面的等式(7)示出根据威布尔拟合法构造的测风数据处理模型，等式(8)和(9)示出根据威布尔拟合法构造的测风数据处理模型的参数的确定方式。

y＝αx

其中，k

可选地，在得到有效测风数据之后，可以从有效测风数据获取风电场的各种风资源参数(例如但不限于平均风速、威布尔分布、风速的日变化、逐月变化、湍流、风切变等)，并且利用风电场的各种风资源参数确定适合于风电场的风力发电机组的机型以及安装该机型的风力发电机组的数量。进一步讲，还可以利用风电场的各种风资源参数确定风电场区域内每台风力发电机组的发电量(例如，年发电量)，进而确定使得风电场的发电量最高的风力发电机组排布方案。

根据本公开的实施例，在得到有效测风数据之后，还可以对有效测风数据进行风险评估。

具体地讲，可将预定时间段的有效测风数据与实际测风数据进行比较，并且基于比较的结果输出有效测风数据的第一风险评估值。第一风险评估值用于指示有效测风数据与短期测风数据之间的偏差大小。这里，预定时间段可以与实际测风数据的测风时间段相同。例如，如果实际测风数据是6月、7月、8月的测风数据，则可以将有效测风数据中的6月、7月、8月的测风数据与实际测风数据进行比较，以确定有效测风数据的第一风险评估值。在将预定时间段的有效测风数据与实际测风数据进行比较时，可以在平均风速、威布尔分布、风速的日变化、逐月变化、湍流、风切变等参数上进行逐一对比分析，然后依据不同指标的偏差范围，确定第一风险评估值。例如，对于平均风速而言，如果有效测风数据与实际测风数据之间的偏差小于例如0.2m/s，则可输出指示风险较低的第一风险评估值，如果偏差大于例如0.5m/s，则可输出指示风险较高的第一风险评估值，如果偏差在0.2m/s至0.5m/s的范围内，则可输出指示风险中等的第一风险评估值。

另一方面，还可将有效测风数据与生成兴趣点位的虚拟测风数据时获得的风资源图谱进行比较，并且基于比较的结果输出有效测风数据的第二风险评估值。第二风险评估值用于指示有效测风数据与风资源图谱之间的偏差大小。如上所述，在将有效测风数据与风资源图谱进行比较时，可以在平均风速、威布尔分布、风速的日变化、逐月变化、湍流、风切变等参数上进行逐一对比分析，然后依据不同指标的偏差范围，确定第二风险评估值。

可选择地，还可以考虑空间相似度来进行风险评估，例如，可以采用如上所述的风电场区域测风点位与兴趣点位之间的空间相似度来判断有效测风数据是否合理。例如，如果兴趣点位与风电场区域测风点位相距3公里，且地形为平坦地形，则说明兴趣点位与风电场区域测风点位具有一定的空间相似性，因此可通过风电场区域测风点位的数据来判断兴趣点位的有效测风数据是否合理。例如，如果风电场区域测风点位的平均风速为6.5m/s，而兴趣点位的有效测风数据的平均风速与6.5m/s的平均风速存在0.2m/s以内的偏差，则说明兴趣点位的有效测风数据合理，而如果兴趣点位的有效测风数据的平均风速与6.5m/s的平均风速存在0.5m/s以上的偏差，则说明兴趣点位的有效测风数据不合理。

因此，如果第一风险评估值和/或第二风险评估值满足第一预设条件，并且空间相似度满足第二预设条件，则可输出有效测风数据可用的指示。例如，第一预设条件可以是风险评估值指示风险较低，第二预设条件可以是空间相似度较高。在这种情况下，如果第一风险评估值和第二风险评估值指示风险较低且空间相似度指示风电场区域测风点位与兴趣点位的空间相似度较高，则可输出有效测风数据可用的指示。

根据本公开的实施例，如果第一风险评估值和/或第二风险评估值不满足第二预设条件，或者风电场区域测风点位与兴趣点位之间的空间相似度较低，则可以重新选择测风数据处理模型或者调整测风数据处理模型的参数，以便重新获得兴趣点位的有效测风数据。

根据本公开的实施例的测风数据处理方法，由于在获取短期测风数据时采用测风塔结合激光雷达的方式，因此避免了传统只依靠测风塔数据的不足，而且激光雷达具有数据精准度高、运输设备部署高效便捷的优势。另一方面，由于虚拟测风数据的生成方式采用针对本地化的分辨率中尺度仿真建模并进行本地优化，保障了虚拟测风数据的精度。此外，在生成有效测风数据时充分考虑测风点位与兴趣点位之间的空间相似度，因此可以针对不同的兴趣点位生成满足各种风参数需求且具有较高精度的有效测风数据。

图2是示出根据本公开的实施例的测风数据处理装置的框图。根据本公开的实施例的测风数据处理装置可以在具有足够运算能力的计算装置(例如，服务器)中实现。

参照图2，根据本公开的实施例的测风数据处理装置200可包括实际测风数据获取单元201、虚拟测风数据生成单元202、空间相似度计算单元203和数据处理单元204。

实际测风数据获取单元201可获取风电场区域测风点位的实际测风数据。实际测风数据可包括风电场区域的短期测风数据和/或风电场区域的周边测风数据，实际测风数据获取单元201可从风电场区域测风点位的测风塔和/或激光雷达获取风电场区域的短期测风数据，和/或可从观测大数据库获取风电场区域的周边测风数据，观测大数据库的数据源所在的位置与风电场区域测风点位的距离小于预定阈值(例如但不限于80km)。

虚拟测风数据生成单元202可生成风电场区域的兴趣点位的虚拟测风数据。这里，兴趣点位是指用于评估风电场区域的风资源的测风点位，并且虚拟测风数据生成单元202可通过使用针对风电场区域的气象模型生成兴趣点位的虚拟测风数据。

空间相似度计算单元203可计算风电场区域测风点位与兴趣点位之间的空间相似度。例如，空间相似度计算单元203可基于根据风电场区域测风点位与兴趣点位的主风向、地形类型、距离、海拔、气象地理区划构造的向量，来计算空间相似度。具体地讲，空间相似度计算单元203可通过等式(1)所示的余弦相似度公式来计算风电场区域测风点位与兴趣点位之间的空间相似度。

数据处理单元204可将虚拟测风数据输入至测风数据处理模型，对虚拟测风数据进行处理，并基于测风数据处理模型的输出以及空间相似度得到有效测风数据。根据本公开的实施例，测风数据处理模型的参数可根据实际测风数据和虚拟测风数据来确定。这里，数据处理单元204可将测风数据处理模型的输出与空间相似度的乘积确定为有效测风数据。

这里描述的测风数据处理模型可包括多种测风数据处理模型，并且多种测风数据处理模型根据不同的优化算法来构造，而不同的优化算法可包括最小二乘回归算法、方差比例法和威布尔拟合法。

根据本公开的实施例，测风数据处理装置200还可包括风险评估单元(未示出)。风险评估单元可将预定时间段的有效测风数据与实际测风数据进行比较，并且基于比较的结果输出有效测风数据的第一风险评估值。如上所述，第一风险评估值用于指示有效测风数据与短期测风数据之间的偏差大小，预定时间段可以与实际测风数据的测风时间段相同。在将预定时间段的有效测风数据与实际测风数据进行比较时，风险评估单元可以在平均风速、威布尔分布、风速的日变化、逐月变化、湍流、风切变等参数上进行逐一对比分析，然后依据不同指标的偏差范围，确定第一风险评估值。

此外，风险评估单元还可将有效测风数据与生成虚拟测风数据时获得的风资源图谱进行比较，并且基于比较的结果输出有效测风数据的第二风险评估值。如上所述，第二风险评估值用于指示有效测风数据与风资源图谱之间的偏差大小。在将有效测风数据与风资源图谱进行比较时，风险评估单元可以在平均风速、威布尔分布、风速的日变化、逐月变化、湍流、风切变等参数上进行逐一对比分析，然后依据不同指标的偏差范围，确定第二风险评估值。

可选择地，风险评估单元还可响应于第一风险评估值/或第二风险评估值满足第一预设条件，并且空间相似度满足第二预设条件，输出有效测风数据可用的指示。如上所述，第一预设条件可以是风险评估值指示风险较低，第二预设条件可以是空间相似度较高。在这种情况下，响应于第一风险评估值和第二风险评估值指示风险较低且空间相似度指示风电场区域测风点位与兴趣点位的空间相似度较高，风险评估单元可输出有效测风数据可用的指示。

图3是示出根据本公开的实施例的计算装置的框图。

参照图3，根据本公开的实施例的计算装置300可包括可处理器301和存储器302。处理器301可包括(但不限于)中央处理器(CPU)、数字信号处理器(DSP)、微型计算机、现场可编程门阵列(FPGA)、片上系统(SoC)、微处理器、专用集成电路(ASIC)等。存储器302可存储将由处理器301执行的计算机程序。存储器302包括高速随机存取存储器和/或非易失性计算机可读存储介质。当处理器301执行存储器302中存储的计算机程序时，可实现如上所述的测风数据处理方法。

图4是示出根据本公开的实施例的测风数据处理方法得到的有效测风数据与同期实际测风数据(例如，周边测风数据)的日变化的对比示图，图5是示出根据本公开的实施例的测风数据处理方法得到的有效测风数据与同期实际测风数据(例如，周边测风数据)的威布尔分布的对比示图。如图4所示，根据本公开的实施例的测风数据处理方法得到的有效测风数据(图4中的右侧)与同期周边测风数据(图4中的左侧)的日变化的分布基本一致，平均风速偏差在0.1m/s以内。如图5所示，根据本公开的实施例的测风数据处理方法得到的有效测风数据(图5中的右侧)与同期周边测风数据(图5中的左侧)的威布尔分布基本一致，A值偏差0.05以内，K值偏差在0.02以内。因此，根据本公开的实施例的测风数据处理方法得到的有效测风数据的风险较低，可以作为风电场设计的基础。

根据本公开的实施例的测风数据处理方法可被编写为计算机程序并被存储在计算机可读存储介质上。当所述计算机程序被处理器执行时，可实现如上所述的测风数据处理方法。计算机可读存储介质的示例包括：只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如，多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。在一个示例中，计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。

根据本公开的实施例的测风数据处理方法和测风数据处理装置，由于在获取短期测风数据时采用测风塔结合激光雷达的方式，因此避免了传统只依靠测风塔数据的不足，而且激光雷达具有数据精准度高、运输设备部署高效便捷的优势。另一方面，由于虚拟测风数据的生成方式采用针对本地化的分辨率中尺度仿真建模并进行本地优化，保障了虚拟测风数据的精度。此外，在生成有效测风数据时充分考虑测风点位与兴趣点位之间的空间相似度，因此可以针对不同的兴趣点位生成满足各种风参数需求且具有较高精度的有效测风数据。

虽然已表示和描述了本公开的一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。