[发明专利]一种基于机器学习的激光雷达测风运动补偿方法和系统

说明书

本发明公开了一种基于机器学习激光雷达测风运动补偿方法和系统，包括：获取固定在浮标上激光雷达测风数据和运动传感器数据作为特征变量，获取固定在浮标附近固定安装的标准测风设备的测风数据作为目标变量；将所述特征变量和目标变量进行数据预处理，其中所述数据预处理包括将特征变量和目标变量中的角度数据转化为余弦或正弦变量；将所述特征变量和目标变量预处理后组成的数据集划分为训练集和测试集；将训练集输入到多个机器学习模型中进行训练；根据R方和平均绝度误差组成的评价指标，使用测试集对上述多个模型训练结果进行评估，选取最优的机器学习模型；使用KFold方法划分数据集并对最优模型进行交叉验证，获取最优机器学习模型的最佳超参数。

技术领域

本发明涉及风电技术领域，特别涉及一种基于机器学习的激光雷达测风运动补偿方法和系统。

背景技术

海上风电资源十分丰富，已经成为未来风电开发的主战场，前期风资源的精准评估变得十分重要。与传统海上测风塔相比，激光测风雷达具有便携性好、部署成本低，可多高度测量，数据完整性好，精度高等优势，成为了最具前景的风场信息测量手段。但由于海洋环境恶劣，雷达部署平台会由于洋流，海浪等影响，产生平移、倾斜、翻转等姿态摆动问题，导致激光测风雷达的激光束指向不固定，会随平台运动而改变，此时雷达的测风数据与实际数据会有较大偏差，因此需要对测风数据进行运动补偿计算修正。

现有技术中对计算风速、风向等风参数的传统分析方法的研究较多，主要利用欧拉角、四元数等数学工具，在三维坐标系中进行旋转计算，上述现有技术存在如下技术问题：(1)基于坐标转换的方法在数据样本周期内假设雷达定距的扫描截面为圆形，实际由于浮标浮态的影响，该截面为不规则图形。在基于机器学习算法的校准程序中，由于将整个系统作为一个模型来考虑，以上问题可以很好的回避。(2)对于航向角/俯仰角/横滚角等基础参数的影响，基于坐标变换的方法可以很好描述。但是受限于计算公式以及模型求解的复杂程度，模型对于浮标动态的速度/角速度等变量的扩展性较差。基于机器学习算法仅需要将速度/角速度等变量作为模型输入即可，无需考虑求解的复杂程度。

发明内容

本发明其中一个发明目的在于提供一种基于机器学习的激光雷达测风运动补偿方法和系统，所述方法和系统采用监督学习的方法，将海面浮标上的激光雷达测风数据和运动传感器数据作为特征变量，并将在靠近浮标固定安装的标准测风设备的测风数据作为目标变量进行有监督学习，从而可以大幅提高测风数据的准确性。

本发明另一个发明目的在于提供一种基于机器学习的激光雷达测风运动补偿方法和系统，所述方法和系统采用交叉验证的方法对监督学习的模型进行评估，选取最佳超参数调优和最优机器学习模型，之后将预处理后的特征变量和目标变量组成的数据集及最佳超参数输入选取的最优机器学习模型中进行训练，得到训练好的最优机器学习模型；将待运动补偿的测风数据及运动数据输入训练好的最优机器学习模型，得到补偿后的实际测风数据。

本发明另一个发明目的在于提供一种基于机器学习的激光雷达测风运动补偿方法和系统，所述方法和系统采用四分位数对获取的测风数据和运动数据进行缩放，从而建立标准化的数据集，可以提高有监督模型的精度，

为了实现至少一个上述发明目的，本发明进一步提供一种基于机器学习的激光雷达测风运动补偿方法，所述方法包括如下步骤：

获取固定在浮标上激光雷达测风数据和运动传感器数据作为特征变量，获取固定在浮标附近固定安装的标准测风设备的测风数据作为目标变量；

将所述特征变量和目标变量进行数据预处理，其中所述数据预处理包括将特征变量和目标变量中的角度数据转化为余弦或正弦变量；

将所述特征变量和目标变量预处理后组成的数据集划分为训练集和测试集；将训练集输入到多个机器学习模型中进行训练；

根据R方和平均绝度误差组成的评价指标，使用测试集对上述多个模型训练结果进行评估，选取最优的机器学习模型；