一种基于图像匹配的测风站群空间聚类方法技术

本发明专利技术公开了一种基于图像匹配的测风站群空间聚类方法，包括：步骤1，针对目标区域内每个测风站，获取历史风速数据以构造风速样本；步骤2，在历史时间段内获取多个不同的样本时刻，通过计算各样本时刻区间内的目标区域的风速关联系数，选择风速关联系数最高的3个样本时刻区间作为RGB分量从而构建测风站的风速特征图；步骤3，对风速特征图灰度化处理获得灰度风速特征图；步骤4，将灰度风速特征图划分为若干个互不相交的区域，提取每个区域的风速特征曲线；步骤5，利用各测风站的风速特征曲线实现测风站聚类。本发明专利技术充分挖掘风速大数据之间的关联耦合关系对测风站群聚类，减少数据的斑驳程度，提高了测风站聚类方法的科学性和实用性。

A Spatial Clustering Method for Wind Station Cluster Based on Image Matching

【技术实现步骤摘要】
一种基于图像匹配的测风站群空间聚类方法
本专利技术属于测风站群聚类领域，具体涉及一种基于图像匹配的测风站群空间聚类方法。
技术介绍
大风是常见的极端天气之一。突发大风严重影响风电场输出功率的稳定和接入电网的安全。风速超前预测是解决突发大风的有效方法之一。当前风速预测方法的研究主要集中在智能算法和时间序列方法，需要在目标预测区域设置大量测风站，采集风速大数据进行风速预测模型的训练和建立。但是，风电场区域占地面积广阔，地形地势多变，大气流场复杂。各测风站离散分布在区域内，导致所采集的风速大数据的斑驳，整体关联性低，无法统一建立高精度的风速预测模型。对区域内离散分布的测风站聚类可以将高相关性的测风站聚集，有利于后续分别针对每个类别下的各测风站统一建立风速预测模型，每个类别对应得到一个风速预测模型，每个风速预测模型对相应类别下的测风站点进行风速预测，从而能够有效提升风速预测模型的泛化能力和预测精度。目前测风站聚类方法的研究，仅利用测风站之间历史风速时间序列之间的关联程度进行测风站聚类，方法单一，研究面窄，效果欠佳。
技术实现思路
鉴于测风站聚类目前存在的上述问题，本专利技术提供一种基于图像匹配的测风站群空间聚类方法，融合目标预测区域大气流场的变化，形成风速特征图像，利用图像处理的方法，充分挖掘风速大数据之间的关联耦合关系，将测风站群聚类，减少每个聚类类别下的数据的斑驳程度，提高了测风站聚类方法的科学性，以进一步提高了后续针对各聚类类别分别建立的风速预测模型对相应聚类类别下的测风站点进行风速预测的预测精度。为实现上述技术目的，本专利技术采用如下技术方案：一种基于图像匹配的测风站群空间聚类方法，包括以下步骤：步骤1，针对目标区域内每个测风站，获取历史风速数据以构造风速样本；获取目标区域内每个测风站的Num1个海拔位置在相同历史时间段内的各样本时刻的风速数据，构建每个测风站在每个海拔位置的风速样本序列；每个测风站全部海拔位置的风速样本序列构成与测风站对应的风速样本；步骤2，针对每个测风站，均根据风速样本获取风速特征图；步骤2.1，从历史时间段中获取不同的样本时刻区间，每个样本时刻区间由历史时间段内连续的Num1个样本时刻构成；步骤2.2，计算各样本时刻区间的目标区域的风速关联系数，选择风速关联系数最高的3个样本时刻区间c1、c2、c3；步骤2.3，将测风站第j个海拔位置在第一样本时刻区间c1的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的R分量，将测风站第j个海拔位置在第二样本时刻区间c2的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的G分量，将测风站第j个海拔位置在第三样本时刻区间c3的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的B分量；步骤3，针对每个测风站的风速特征图，均进行灰度化处理获得灰度风速特征图；步骤4，针对每个测风站的灰度风速特征图，均划分为num2个互不相交的区域，提取每个区域的风速特征曲线，构成测风站的风速特征曲线；步骤5，利用各测风站的风速特征曲线，实现测风站聚类；步骤5.1，针对每个测风站的风速特征曲线，获得测风站的风速特征直方图；将风速特征曲线按方向分为4类，按长度分为3类，从而构建得到12个风速特征类，分别为feam,m＝1,2,3,...12；然后将测风站的风速特征曲线分配至对应的风速特征类，并记录各风速特征类包含的风速特征曲线的数量，构成测风站的风速特征直方图；步骤5.2，将各测风站作为待聚类元素，将风速特征直方图作为元素的广义坐标，同时按预设规则设置聚类簇的数量和聚类中心；针对每个待聚类元素，均计算待聚类元素与各聚类簇的聚类中心之间的距离，根据待聚类元素与各聚类中心之间的距离对各测风站进行聚类。本方案通过计算目标区域的风速关联系数，选择风速关联系数最高的3个样本时刻区间，将该3个样本时刻区间内测风站各海拔位置的风速样本序列分别作为RGB分量，建立融合大风在海拔位置代表的空间维度和风速时序代表的时间维度的变化规律的风速特征图，相当于将大风的流动路径以及变化规律完整地记录在风速特征图中；再进一步对风速特征图进行灰度化处理和提取特征曲线得到测风站的风速特征直方图，以实现相似风速特征图的匹配实现测风站群的聚类。因此，本方案改变了目前利用单一历史风速序列进行测风站聚类的方法，充分挖掘风速大数据之间的关联融合关系以对各测风站进行聚类，减少数据的斑驳程度，提高了测风站聚类方法的科学性和实用性。另外，通过本方案对测风站群进行聚类，极大程度提高了同一类别测风站之间的整体关联性，减少风速大数据的斑驳程度，匹配程度高的测风站统一建立风速预测模型，降低了计算成本，提高了预测模型的泛化能力和预测精度。进一步地，在步骤2.2中计算各样本时刻区间的目标区域的风速关联系数的具体过程为：步骤A1，利用变异系数和所有测风站各海拔位置的风速样本序列，依次计算各测风站的最稳态海拔位置；其中，最稳态海拔位置是指变异系数最小的风速样本序列所对应的海拔位置，变异系数CV的计算公式为：式中，xi,i＝1,2,3,...,n表示风速样本序列中第i个样本时刻的风速值；n表示风速样本序列中样本时刻的个数；表示风速样本序列中所有样本时刻风速值的平均值；步骤A2，将各测风站的最稳态海拔位置升序排列，选择中值作为目标区域最稳态海拔位置，记为pos1位置；步骤A3，利用各测风站在目标区域最稳态海拔位置的风速样本序列中在当前样本时刻区间内的风速数据，计算得到任意两个测风站之间的风速皮尔逊相关性系数，将所有测风站中任意两个测风站的风速皮尔逊相关性系数求和取平均，作为当前计算的样本时刻区间的目标区域的风速关联系数。本方案利用变异系数量化各测风站在不同海拔位置的稳定性，获取目标区域最稳态海拔位置的风速序列样本作为处理数据，可以降低风速随机干扰的影响，提高测风站聚类的准确性和聚类簇内风速预测的预测精度；利用风速皮尔逊相关性系数作为目标区域的风速关联系数，而风速关联系数高的样本时刻区间表示这一时间段内目标区域存在风速风向明显的大风，因此选择风速关联系数高的3个样本时刻区间分别作为风速特征图的RGB通道以进行测风站聚类，能够提升测风站聚类的准确性，提高风速预测的预测精度；相反地，风速关联系数低会导致测风站聚类结果易受测量误差等随机干扰。进一步地，步骤4中提取灰度特征图中每个区域的风速特征曲线的方法具体为：步骤B1，随机选择任意特征像素点，作为一条风速特征曲线的起始点；步骤B2，判断与风速特征曲线最末端的特征像素点相邻的8个像素点中，是否含有不属于当前风速特征曲线的特征像素点，若是，选择灰度值最高的特征像素点，作为当前风速特征曲线的下一个点，进入步骤B2，若否，得到一条风速特征曲线；步骤B3，判断区域中是否含有不属于任一风速特征曲线的特征像素点，若是，选择其中任意特征像素点作为一条风速特征曲线的起始点，重复步骤B2和步骤B3，若否，进入步骤B4；步骤B4，设置第二阈值σ2，剔除长度不超过第二阈值σ2的风速特征曲线；步骤B5，设置第三阈值σ3，依次选择任意2条含有相同特征像素点的风速特征曲线，2条风速特征曲线的长度分别记为length1和length2，且length1≤len本文档来自技高网...

【技术保护点】
1.一种基于图像匹配的测风站群空间聚类方法，其特征在于，包括以下步骤：步骤1，针对目标区域内每个测风站，获取历史风速数据以构造风速样本；获取目标区域内每个测风站的Num1个海拔位置在相同历史时间段内的各样本时刻的风速数据，构建每个测风站在每个海拔位置的风速样本序列；每个测风站全部海拔位置的风速样本序列构成与测风站对应的风速样本；步骤2，针对每个测风站，均根据风速样本获取风速特征图；步骤2.1，从历史时间段中获取不同的样本时刻区间，每个样本时刻区间由历史时间段内连续的Num1个样本时刻构成；步骤2.2，计算各样本时刻区间的目标区域的风速关联系数，选择风速关联系数最高的3个样本时刻区间c1、c2、c3；步骤2.3，将测风站第j个海拔位置在第一样本时刻区间c1的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的R分量，将测风站第j个海拔位置在第二样本时刻区间c2的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的G分量，将测风站第j个海拔位置在第三样本时刻区间c3的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的B分量；步骤3，针对每个测风站的风速特征图，均进行灰度化处理获得灰度风速特征图；步骤4，针对每个测风站的灰度风速特征图，均划分为num2个互不相交的区域，提取每个区域的风速特征曲线，构成测风站的风速特征曲线；步骤5，利用各测风站的风速特征曲线，实现测风站聚类；步骤5.1，针对每个测风站的风速特征曲线，获得测风站的风速特征直方图；将风速特征曲线按方向分为4类，按长度分为3类，从而构建得到12个风速特征类，分别为feam,m＝1,2,3,...12；然后将测风站的风速特征曲线分配至对应的风速特征类，并记录各风速特征类包含的风速特征曲线的数量，构成测风站的风速特征直方图；步骤5.2，将各测风站作为待聚类元素，将风速特征直方图作为元素的广义坐标，同时按预设规则设置聚类簇的数量和聚类中心；针对每个待聚类元素，均计算待聚类元素与各聚类簇的聚类中心之间的距离，根据待聚类元素与各聚类中心之间的距离对各测风站进行聚类。...

【技术特征摘要】
1.一种基于图像匹配的测风站群空间聚类方法，其特征在于，包括以下步骤：步骤1，针对目标区域内每个测风站，获取历史风速数据以构造风速样本；获取目标区域内每个测风站的Num1个海拔位置在相同历史时间段内的各样本时刻的风速数据，构建每个测风站在每个海拔位置的风速样本序列；每个测风站全部海拔位置的风速样本序列构成与测风站对应的风速样本；步骤2，针对每个测风站，均根据风速样本获取风速特征图；步骤2.1，从历史时间段中获取不同的样本时刻区间，每个样本时刻区间由历史时间段内连续的Num1个样本时刻构成；步骤2.2，计算各样本时刻区间的目标区域的风速关联系数，选择风速关联系数最高的3个样本时刻区间c1、c2、c3；步骤2.3，将测风站第j个海拔位置在第一样本时刻区间c1的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的R分量，将测风站第j个海拔位置在第二样本时刻区间c2的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的G分量，将测风站第j个海拔位置在第三样本时刻区间c3的第k个样本时刻的风速数据作为该测风站风速特征图中的像素点pixelj,k的B分量；步骤3，针对每个测风站的风速特征图，均进行灰度化处理获得灰度风速特征图；步骤4，针对每个测风站的灰度风速特征图，均划分为num2个互不相交的区域，提取每个区域的风速特征曲线，构成测风站的风速特征曲线；步骤5，利用各测风站的风速特征曲线，实现测风站聚类；步骤5.1，针对每个测风站的风速特征曲线，获得测风站的风速特征直方图；将风速特征曲线按方向分为4类，按长度分为3类，从而构建得到12个风速特征类，分别为feam,m＝1,2,3,...12；然后将测风站的风速特征曲线分配至对应的风速特征类，并记录各风速特征类包含的风速特征曲线的数量，构成测风站的风速特征直方图；步骤5.2，将各测风站作为待聚类元素，将风速特征直方图作为元素的广义坐标，同时按预设规则设置聚类簇的数量和聚类中心；针对每个待聚类元素，均计算待聚类元素与各聚类簇的聚类中心之间的距离，根据待聚类元素与各聚类中心之间的距离对各测风站进行聚类。2.根据权利要求1所述的方法，其特征在于，在步骤2.2中计算各样本时刻区间的目标区域的风速关联系数的具体过程为：步骤A1，利用变异系数和所有测风站各海拔位置的风速样本序列，依次计算各测风站的最稳态海拔位置；其中，最稳态海拔位置是指变异系数最小的风速样本序列所对应的海拔位置，变异系数CV的计算公式为：式中，xi,i＝1,2,3,...,n表示风速样本序列中第i个样本时刻的风速值；n表示风速样本序列中样本时刻的个数；表示风速样本序列中所有样本时刻风速值的平均值；步骤A2，将各测风站的最稳态海拔位置升序排列，选择中值作为目标区域最稳态海拔位置，记为pos1位置；步骤A3，利用各测风站在目标区域最稳态海拔位置的风速样本序列中在当前样本时刻区间内的风速数据，计算得到任意两个测风站之间的风速皮尔逊相关性系数，将所有测风站中任意两个测风站的风速皮尔逊相关性系数求和取平均，作为当前计算的样本时刻区间的目标区域的风速关联系数。3.根据权利要求1所述的方法，其特征在于，步骤4中提取灰度特征图中每个区域的风速特征曲线的方法具体为：步骤B1，随机选择任意特征像素点，作为一条风速特征曲线的起始点；步骤B2，判断与风速特征曲线最末端的特征像素点相邻的8个像素点中，是否含有不属于当前风速特征曲线的特征像素点，若是，选择灰度值最高的特征像素点，作为当前风速特征曲线的下一个点，进入步骤B2，若否，得到一条风速特征曲线；步骤B3，判断区域中是否含有不属于任一风速特征曲线的特征像素点，若是，选择其中任意特征像素点作为一条风速特征曲线的起始点，重复步骤B2...

【专利技术属性】
技术研发人员：刘辉，龙治豪，熊小慧，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43