CN112632862B - 风场稳定性的确定方法、装置、电子设备及存储介质 - Google Patents
风场稳定性的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112632862B CN112632862B CN202011240970.0A CN202011240970A CN112632862B CN 112632862 B CN112632862 B CN 112632862B CN 202011240970 A CN202011240970 A CN 202011240970A CN 112632862 B CN112632862 B CN 112632862B
- Authority
- CN
- China
- Prior art keywords
- wind
- wind direction
- data
- monitoring point
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 211
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 38
- 238000013145 classification model Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000012855 volatile organic compound Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本申请提出一种风场稳定性的确定方法、装置、电子设备及存储介质,其中方法包括:获取待处理的区域;对区域进行三维建模以及仿真,获取区域在预设的大气来流下的风数据;根据区域内各个监测点的风向数据和风速数据,确定区域内各个监测点在大气来流下的风场特征信息;根据区域内各个监测点在大气来流下的风场特征信息,确定区域内各个监测点在大气来流下的风场稳定性。该方法根据获取到的待处理区域内各个监测点在预设的大气来流下的风向数据和风速数据,确定该区域内各个监测点的预设大气来流下的风场特征信息,进而根据该风场特征信息进行风场稳定的判定,可提高泄漏源溯源结果的准确率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种风场稳定性的确定方法、装置、电子设备及存储介质。
背景技术
目前,化工园区的挥发性有机物(VOCs)的泄漏会导致物料损失、环境污染,甚至巨大的伤亡破坏事故,对VOCs的泄漏监测和溯源具有重大意义。由于泄漏出的有害气体扩散路径受自然风场影响很大,相关技术中,直接采用来自传感器或模拟得到的单一确定风向进行泄漏源反演,利用泄漏源随风向下风向飘散的原则作为泄漏源判断的因素,并未对局部流场的稳定性进行重点考虑。
但是,由于化工园区内的设备及建筑分布并不规律,导致局部流场形式多样且混乱,其风向波动很大不会稳定在某一固定方向上,若对风场不进行稳定性判定而直接应用,可导致溯源结果出现明显错误。
发明内容
本申请的目的旨在至少在一定程度上解决上述技术问题之一。
为此,本申请的第一个目的在于提出一种风场稳定性的确定方法,根据获取到的待处理区域内各个监测点在预设的大气来流下的风向数据和风速数据,确定该区域内各个监测点的预设大气来流下的风场特征信息,进而根据该风场特征信息进行风场稳定的判定,可提高泄漏源溯源结果的准确率。
本申请的第二个目的在于提出一种风场稳定性的确定装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种风场稳定性的确定方法,包括:获取待处理的区域;对所述区域进行三维建模以及仿真,获取所述区域在预设的大气来流下的风数据,其中,所述风数据包括:所述区域内各个监测点的风向数据和风速数据;根据所述区域内各个监测点的风向数据和风速数据,确定所述区域内各个监测点在所述大气来流下的风场特征信息;根据所述区域内各个监测点在所述大气来流下的风场特征信息,确定所述区域内各个监测点在所述大气来流下的风场稳定性。
本申请实施例的风场稳定性的确定方法,通过获取待处理的区域;对所述区域进行三维建模以及仿真,获取所述区域在预设的大气来流下的风数据,其中,所述风数据包括:所述区域内各个监测点的风向数据和风速数据;根据所述区域内各个监测点的风向数据和风速数据,确定所述区域内各个监测点在所述大气来流下的风场特征信息;根据所述区域内各个监测点在所述大气来流下的风场特征信息,确定所述区域内各个监测点在所述大气来流下的风场稳定性。该方法根据获取到的待处理区域内各个监测点在预设的大气来流下的风向数据和风速数据,确定该区域内各个监测点的预设大气来流下的风场特征信息,进而根据该风场特征信息进行风场稳定的判定,可提高泄漏源溯源结果的准确率。
为达上述目的,本申请第二方面实施例提出了一种风场稳定性的确定装置,包括:第一获取模块,用于获取待处理的区域;第二获取模块,用于对所述区域进行三维建模以及仿真,获取所述区域在预设的大气来流下的风数据,其中,所述风数据包括:所述区域内各个监测点的风向数据和风速数据;第一确定模块,用于根据所述区域内各个监测点的风向数据和风速数据,确定所述区域内各个监测点在所述大气来流下的风场特征信息;第二确定模块,用于根据所述区域内各个监测点在所述大气来流下的风场特征信息,确定所述区域内各个监测点在所述大气来流下的风场稳定性。
本申请实施例的风场稳定性的确定装置,通过获取待处理的区域;对所述区域进行三维建模以及仿真,获取所述区域在预设的大气来流下的风数据,其中,所述风数据包括:所述区域内各个监测点的风向数据和风速数据;根据所述区域内各个监测点的风向数据和风速数据,确定所述区域内各个监测点在所述大气来流下的风场特征信息;根据所述区域内各个监测点在所述大气来流下的风场特征信息,确定所述区域内各个监测点在所述大气来流下的风场稳定性。该装置可实现根据获取到的待处理区域内各个监测点在预设的大气来流下的风向数据和风速数据,确定该区域内各个监测点的预设大气来流下的风场特征信息,进而根据该风场特征信息进行风场稳定的判定,可提高泄漏源溯源结果的准确率。
为达上述目的,本申请第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的风场稳定性的确定方法。
为达上述目的,本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的风场稳定性的确定方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例的风场稳定性的确定方法的流程示意图;
图2为根据本申请一个实施例的某个泄露源在大气来流下的风向数据示意图;
图3为根据本申请另一个实施例的风场稳定性的确定方法的流程示意图;
图4为根据本申请一个实施例的风向数据经过降噪和滑动平均滤波后的处理结果;
图5为根据本申请又一个实施例的风场稳定性的确定方法的流程示意图;
图6为根据本申请的再一个实施例的风场稳定性的确定方法的流程示意图;
图7为根据本申请一个实施例的风场稳定性的确定装置的结构示意图;
图8为根据本申请一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的风场稳定性的确定方法及装置。
图1为根据本申请一个实施例的风场稳定性的确定方法的流程示意图。如图1所示,主要包括以下步骤:
步骤101,获取待处理的区域。
在本申请实施例中,可将需要确定风场稳定性的区域作为待处理的区域,比如,可将化工园区的设备区域作为待处理区域。又比如,由于设备区域周边的大型建筑会对设备区域的风场造成影响,可将设备区域以及该设备区域周边的大型建筑作为待处理区域。作为一种示例,可预先设置各设备区域以及周边大型建筑的坐标点,根据该坐标点可获取到待处理区域。
步骤102,对区域进行三维建模以及仿真,获取区域在预设的大气来流下的风数据,其中,风数据包括:区域内各个监测点的风向数据和风速数据。
作为一种示例,对待处理区域进行激光扫描获取对应的点云图像,对该点云图像进行三维建模,接着,设置大气来流的风数据,比如,在18m的高度下,通过气象参数传感器测量获取该高度下的风数据,将该风数据作为预设的大气来流的风数据。其中,预设的大气来流可包括一种或多种大气来流。其中,需要说明的是,风数据可包括但不限于:区域内各个监测点的风向数据和风速数据。
可选地,在预设的大气来流下,通过计算流体力学对待处理区域进行仿真,可获取区域在预设的大气来流下的风数据。
举例而言,可采用网格划分方法对待处理区域进行网格切分,网格分辨率为10mm,由于待处理区域内的风场流动非定常且非线性,待处理区域可设置为k-ε湍流模型并采用非稳态计算。其中,待处理区域的风速数据可通过如下公式进行计算:
其中,u0为z0高度下大气来流下的风速,u为z高度下的待处理区域的风速,0.22为城市区域对应的幂指数。需要说明的是,不同区域对应的幂指数不同,可根据实际需要进行选择,本申请不做具体限制。
为了提高待处理区域在预设的大气来流下的风向数据的准确性,作为一种示例,如图2所示,可每隔0.5s对大气来流风数据进行采集,采集时长为3600s,将采集时长内采集到的大气来流下的风数据集合进行批量计算流体力学仿真,从而获得待处理区域在预设的大气来流下的风数据。
需要理解的是,由于经过三维建模及仿真获得的待处理区域在预设的大气来流下的风数据存在0度到360度的跨越问题,导致该风向数据发生突变,为了解决该风向数据突变问题,以获取更准确的风向数据,在本申请实施例中,可对待处理区域在预设的大气来流下的风数据进行数据清洗处理,可选地,根据区域内的每个监测点的风向数据,确定该区域内的每个监测点的风向平均值,将该风向平均值与第一风向阈值及第二风向阈值进行比对,根据比对结果进一步对风向数据进行处理。具体详见后续实施例的描述。
步骤103,根据区域内各个监测点的风向数据和风速数据,确定区域内各个监测点在大气来流下的风场特征信息。
在本申请实施例中,在获取到区域内各个监测点的风向数据和风速数据后,可对该区域内各个监测点的风向数据和风速数据进行特征提取,获取该区域内各个监测点在大气来流下的风场特征信息。其中,需要说明的是,风场特征信息可包括以下特征中的至少一种:风向小波熵、风速小波熵、风向方差、风速方差、风向偏转量和相对速度变化量。
作为一种示例,风向小波熵可通过如下方式进行计算,将经过数据清洗后的风向数据S进行小波分析,表示为各分量之和,具体可表现为如下公式:
其中,an为小波近似解a,di为各级细节解d,n表示小波分解级数。
为了统一,可将an表示为dn+1,则公式可表示为/>进一步地,某一尺度下的小波分量的能量Ei为该尺度下小波系数的平方和,具体可表现为如下公式:
其中,k为时间序列,k=1,2,…N,N为风向数据S的采样点数,di(k)为不同时间序列的小波系数,接着,将各尺度分量的能量之和进行相加可获得风向数据S的总能量,具体可表现为如下公式:
其中,E为风向数据S的总能量,n表示小波分解级数,Ei为各尺度分量的能量。
接着,归一化处理得到风向数据S在不同小波尺度下的分布,具体可表现为如下公式:
其中,pi为风向数据S在不同小波尺度下的分布。
进一步地,风向小波熵可表示为如下公式:
其中,HE为风向数据S对应的风向小波熵。由此可以看出,通过对风向数据S进行小波分析,将风向数据S在时频域上分解可以得到不同能量尺度的分布,因此,基于该能量尺度的分布构建的风向小波熵可以表征不同能量尺度下风向能量分布的混乱度。
同理,可获取风速数据对应的风速小波熵,风速小波熵可表征不同能量尺度下风速能量分布的混乱度。
可以理解的是,方差可直观地表示数据的变化,因此,在本申请实施例中,可采用风向方差和风速方差直观地表示风向数据和风速数据的变化,作为一种示例,风向方差可采用如下公式进行计算:
其中,σ2为风向方差,X为风向数据,μ为风向均值,N为风向数据采样总数;需要说明的是,风向方差可表征风向的流动稳定性,风向越稳定,风向方差越小,风向越不稳定,风向方差越大。
同理,可计算出风速方差,风速方差可表征风速的流动稳定性。风速流动越稳定,风速方差越小,风速越不稳定,风速方差越小。
可以理解的是,由于风场流动遇到建筑物会发生偏移而改变,可通过如下公式计算风向偏移量:
其中,Δθ为风向偏移量,为待处理区域内监测点的平均风向,θ0为预设的大气来流风向(如160度)。通过该公式可以看出,风向偏移量可表征风向相对于大气来流风向的偏转量。
在本申请实施例中,通过将待处理区域内各个监测点的风速数据与预设大气来流风速进行相比,可获得待处理区域内各个监测点的相对速度变化量,具体可表示为如下公式:
其中,ΔV为相对速度变化量,为监测点平均速度,V0为预设的大气来流风速(如1m/s)。通过该公式可以看出,相对速度变化量可表征风速相对于大气来流风速的变化量。
步骤104,根据区域内各个监测点在大气来流下的风场特征信息,确定区域内各个监测点在大气来流下的风场稳定性。
可选地,针对区域内的每个监测点,将监测点在大气来流下的风场特征信息输入预设的风场稳定性分类模型,获取风场稳定性分类模型输出的分类结果;根据分类结果确定监测点在大气来流下的风场稳定性。
也就是说,对于区域内的每个监测点,可将每个监测点在大气来流下的风场特征信息作为预设的风场稳定性分类模型的输入,风场稳定性分类模型可输出对应的分类结果,接着,根据该分类结果可确定监测点在大气来流下的风场稳定性。比如,对于风场不稳定的监测点,分类结果为0,对于风场稳定的监测点,分类结果为1。
为了便于后续泄露事故的溯源,在本申请实施例中,在确定区域内各个监测点在大气来流下的风场稳定性后,对于在大气来流下的风场稳定的监测点,可直接用于溯源结果的分析,可将该监测点的风向数据经过处理后得到该监测点的主导风向,将该主导风向添加至风场数据库中,以便后续泄露事故的溯源。详见后续实施例的描述。
为了准确地确定每个监测点在大气来流下的风场稳定性,提高泄漏源溯源结果的准确率,在将监测点在大气来流下的风场特征信息输入预设的风场稳定性分类模型,获取风场稳定性分类模型输出的分类结果之前,可选地,获取样本区域集,对该样本区域集中的样本区域进行三维建模以及仿真,获取该样本区域在多种大气来流下的风数据以及对应的风场特征信息,根据该风场特征信息以及多种大气来流下的风场稳定性,生成训练数据,根据该训练数据对初始的风场稳定性模型进行训练,从而得到预设的风场稳定性分类模型,具体详见后续实施例的描述。
综上,通过获取到的待处理区域内各个监测点在预设的大气来流下的风向数据和风速数据,确定该区域内各个监测点的预设大气来流下的风场特征信息,进而根据该风场特征信息进行风场稳定的判定,可提高泄漏源溯源结果的准确率。
为了便于后续泄露事故的溯源,如图3所示,图3为根据本申请另一个实施例的风场稳定性的确定方法的流程示意图,在本申请实施例中,在确定区域内各个监测点在大气来流下的风场稳定性后,对于在大气来流下的风场稳定的监测点,可直接用于溯源结果的分析,可将该监测点的风向数据经过处理后得到该监测点的主导风向,将该主导风向添加至风场数据库中,以便后续泄露事故的溯源。在图1所示实施例的步骤104之后还可包括如下步骤:
步骤301,获取区域内对应的风场处于稳定状态的第一监测点。
在本申请实施例中,根据风场稳定性分类模型输出的分类结果可确定待处理区域内监测点在大气来流下的风场稳定性,将该区域内风场稳定的监测点作为第一监测点,其中,需要说明的是,第一监测点的个数可为一个或多个。
步骤302,根据第一监测点的风向数据,确定第一监测点的主导风向。
需要理解的是,由于第一监测点的风向数据是风向时变数据,需要对该风向时变数据进行处理,得到该监测点的主导风向。
作为一种示例,对第一监测点的风向数据进行降噪处理和滤波处理,得到滤波处理后的风向数据;根据滤波处理后的风向数据,确定第一监测点的风向平均值;将第一监测点的风向平均值,确定为第一监测点的主导风向。
举例而言,以风向数据S为例,风向数据S的平均值为,标准差为σ,设置降噪基准为Sdn,并判断风向数据S在每个采集时间点的浓度值是否在/>的评价基准范围内,如果风向数据S在某个采集时间点的浓度值超过/>的评价基准范围,则将该采集时间点的风向数据S对应的浓度值设置为阈值。风向数据S在每个采集时间点的浓度值V经过降噪处理后得到Vdn,接着,对风向数据进行滤波处理,由于滑动平均滤波可以看作是变量的过去一段时间取值的均值,相比对变量直接赋值而言,滑动平均滤波得到的值在图像上更加平缓光滑,抖动性更小,不会因为某次的异常取值而使得滑动平均值波动很大。其对周期性的干扰有良好的抑制作用,平滑度高,适用于高频振荡的系统,因此,在本申请实施例中,可采用滑动平均滤波对降噪处理后的风向数据S进行处理,如图4所示,图4为根据本申请一个实施例的风向数据经过降噪和滑动平均滤波后的处理结果。图4中上下波动范围较大的为处理前的风向数据S,颜色较深的线条为处理前的风向数据S经过降噪和滑动平均滤波处理后的得到的风向数据S,可以看出,风向数据S处理后得到了较大改善,能够清晰的显示风向数据浓度的变化趋势。接着,对经过降噪和滑动平均滤波处理后的风向数据S进行统计,得到其平均值,将该平均值作为第一监测点的主导风向。
其中,需要说明的是,第一监测点的个数为多个时,可分别对每个监测点风向数据进行处理,得到该监测点的主导风向。
步骤303,根据区域内的第一监测点,以及第一监测点的主导风向以及大气来流,生成区域在大气来流下的风场数据。
在本申请实施例中,可根据区域内第一监测点的主导风向的风向数据,结合大气来流的风向数据可生成该区域在大气来流下的风向数据,同时,根据区域内第一监测点的主导风向的风速数据,结合大气来流下的风速数据,生成该区域在大气来流下的风速数据,接着,根据该区域内在大气来流下的风向数据以及风速数据,可生成该区域在大气来流下的风场数据。
步骤304,将区域在大气来流下的风场数据,添加到预设的风场数据库中。
为了便于后续泄露事故的溯源,作为一种示例,可将区域在大气来流下的风场数据,添加到预设的风场数据库中,在该区域发生泄漏事故时,可根据预设的风场数据库中的风场数据进行溯源分析。
综上,通过获取区域内对应的风场处于稳定状态的第一监测点;根据第一监测点的风向数据,确定第一监测点的主导风向;根据区域内的第一监测点,以及第一监测点的主导风向以及大气来流,生成区域在大气来流下的风场数据;将区域在大气来流下的风场数据,添加到预设的风场数据库中,为后续泄露事故的溯源提供了便利。
在本申请实施例中,如图5所示,图5为根据本申请又一个实施例的风场稳定性的确定方法的流程示意图,由于经过三维建模及仿真获得的待处理区域在预设的大气来流下的风数据存在0度到360度的跨越问题,导致该风向数据发生突变,为了解决该风向数据突变问题,以获取更准确的风向数据,可对待处理区域在预设的大气来流下的风数据进行数据清洗处理,可选地,根据区域内的每个监测点的风向数据,确定该区域内的每个监测点的风向平均值,将该风向平均值与第一风向阈值及第二风向阈值进行比对,根据比对结果进一步对风向数据进行处理。图1所示实施例的步骤102之后可包括如下步骤:
步骤501,针对区域内的每个监测点,根据监测点的风向数据确定监测点的风向平均值。
在本申请实施例中,对待处理区域进行仿真时,可每隔一定的时间对风向数据进行采集,以获取待处理区域内各个监测点的风向数据,因此,针对待处理区域内的每个监测点,可根据对该监测点的风向数据以及风向数据的采集数量计算该监测点的风向平均值。
步骤502,判断风向平均值是否小于等于第一风向阈值,或者大于等于第二风向阈值,其中,第二风向阈值为360度与第一风向阈值的差值,且第一风向阈值小于第二风向阈值。
在本申请实施例中,预先设置第一风向阈值和第二风向阈值,其中,第二风向阈值为360度与第一风向阈值的差值,第一风向阈值小于第二风向阈值。
作为一种示例,将待处理区域内每个监测点的风向平均值与第一风向阈值和第二风向阈值进行比对,判断风向平均值是否小于等于第一风向阈值,或者大于等于第二风向阈值。
步骤503,若风向平均值小于等于第一风向阈值,则对风向数据中大于等于第二风向阈值的风向数据进行减360度处理。
步骤504,若风向平均值大于等于第二风向阈值,则对风向数据中小于等于第一风向阈值的风向数据进行加360度处理。
可选地,若待处理区域内监测点的风向平均值小于或等于第一风向阈值,则对该监测点的风向数据中大于或等于第二风向阈值的数据进行减360度处理,若待处理区域内监测点的风向平均值大于或等于第二风向阈值,则对该监测点的风向数据中小于或等于第一风向阈值的风向数据进行加360度处理,由此,可解决风向数据0度突变问题,得到高质量的风向数据。
综上,针对区域内的每个监测点,根据监测点的风向数据确定监测点的风向平均值;判断风向平均值是否小于等于第一风向阈值,或者大于等于第二风向阈值;若风向平均值小于等于第一风向阈值,则对风向数据中大于等于第二风向阈值的风向数据进行减360度处理;若风向平均值大于等于第二风向阈值,则对风向数据中小于等于第一风向阈值的风向数据进行加360度处理,由此,可解决风向数据0度突变问题,得到高质量的风向数据。
为了准确地确定每个监测点在大气来流下的风场稳定性,提高泄漏源溯源结果的准确率,如图6所示,图6为根据本申请的再一个实施例的风场稳定性的确定方法的流程示意图,在将监测点在大气来流下的风场特征信息输入预设的风场稳定性分类模型,获取风场稳定性分类模型输出的分类结果之前,可选地,获取样本区域集,对该样本区域集中的样本区域进行三维建模以及仿真,获取该样本区域在多种大气来流下的风数据以及对应的风场特征信息,根据该风场特征信息以及多种大气来流下的风场稳定性,生成训练数据,根据该训练数据对初始的风场稳定性模型进行训练,从而得到预设的风场稳定性分类模型。图1所示实施例的步骤104中可包括如下步骤:
步骤601,获取样本区域集,其中,样本区域集包括:大于预设数量的样本区域,以及样本区域在多种大气来流下的风场稳定性。
作为一种示例,可通过设备区域坐标点获取对应的设备区域,将该设备区域作为样本区域,将大于预设数量的样本区域作为样本区域集,接着,对样本区域中的各个监测点在每种大气来流下的风场稳定性进行统计以获取样本区域在多种大气来流下的风场稳定性。比如,样本区域A中的监测点1在大气来流B下风场稳定,样本区域A中的监测点2在大气来流B下风场不稳定;又比如,样本区域A中的监测点1在大气来流C下风场稳定,样本区域A中的监测点2在大气来流C下风场不稳定。
步骤602,对样本区域集中的样本区域进行三维建模以及仿真,获取样本区域在多种大气来流下的风数据。
接着,可对样本区域集中的样本区域进行激光扫描获取对应的点云图像,对该点云图像进行三维建模,在多种大气来流下,通过计算流体力学对样本区域进行仿真,获得样本区域在多种大气来流下的风数据。具体可参见图1所示实施例的步骤102,本申请不再赘述。
步骤603,根据样本区域在多种大气来流下的风数据,确定样本区域内各个监测点在多种大气来流下的风场特征信息。
在本申请实施例中,在获取样本区域在多种大气来流下的风数据后,可对样本区域各个监测点在多种大气来流下的风数据进行特征提取,获取样本区域内各个监测点在多种大气来流下的风场特征信息。其中,需要说明的是,风场特征信息可包括以下特征中的至少一种:风向小波熵、风速小波熵、风向方差、风速方差、风向偏转量和相对速度变化量。具体可参见图1所示实施例的步骤103,本申请不再赘述。
步骤604,根据各个样本区域内各个监测点在多种大气来流下的风场特征信息,以及各个样本区域在多种大气来流下的风场稳定性,生成训练数据。
步骤605,采用训练数据对初始的风场稳定性分类模型进行训练,得到预设的风场稳定性分类模型。
进一步地,可将各个样本区域内各个监测点在多种大气来流下的风场特征信息,以及各个样本区域在多种大气来流下的风场稳定性,作为训练数据。采用该训练数据对初始的风场稳定性分类模型进行训练,比如,将训练数据输入至初始的风场稳定性分类模型中,根据训练数据中的各个样本区域在多种大气来流下的风场稳定性对初始的风场稳定性分类模型的输出结果进行修正,从而生成预设的风场稳定性分类模型。其中,需要说明的是,初始的风场稳定性分类模型可为未经训练的神经网络。
综上,通过获取样本区域集,对该样本区域集中的样本区域进行三维建模以及仿真,获取该样本区域在多种大气来流下的风数据以及对应的风场特征信息,根据该风场特征信息以及多种大气来流下的风场稳定性,生成训练数据,根据该训练数据对初始的风场稳定性模型进行训练,从而得到预设的风场稳定性分类模型,在将监测点在大气来流下的风场特征信息输入预设的风场稳定性分类模型,可准确地确定每个监测点在大气来流下的风场稳定性,提高泄漏源溯源结果的准确率。
本申请实施例的风场稳定性的确定方法,通过获取待处理的区域;对区域进行三维建模以及仿真,获取区域在预设的大气来流下的风数据,其中,风数据包括:区域内各个监测点的风向数据和风速数据;根据区域内各个监测点的风向数据和风速数据,确定区域内各个监测点在大气来流下的风场特征信息;根据区域内各个监测点在大气来流下的风场特征信息,确定区域内各个监测点在所述大气来流下的风场稳定性。该方法根据获取到的待处理区域内各个监测点在预设的大气来流下的风向数据和风速数据,确定该区域内各个监测点的预设大气来流下的风场特征信息,进而根据该风场特征信息进行风场稳定的判定,可提高泄漏源溯源结果的准确率。
图7为根据本申请一个实施例的风场稳定性的确定装置的结构示意图。如图7所示,该风场稳定性的确定装置700包括:第一获取模块710、第二获取模块720、第一确定模块730和第二确定模块740。
其中,第一获取模块710,用于获取待处理的区域;第二获取模块720,用于对区域进行三维建模以及仿真,获取区域在预设的大气来流下的风数据,其中,风数据包括:区域内各个监测点的风向数据和风速数据;第一确定模块730,用于根据区域内各个监测点的风向数据和风速数据,确定区域内各个监测点在大气来流下的风场特征信息;第二确定模块740,用于根据区域内各个监测点在大气来流下的风场特征信息,确定区域内各个监测点在大气来流下的风场稳定性。
作为本申请实施例的一种可能实现方式,风场特征信息包括以下特征中的至少一种:风向小波熵、风速小波熵、风向方差、风速方差、风向偏转量和相对速度变化量;其中,风向小波熵,表征不同能量尺度下风向能量分布的混乱度;风速小波熵,表征不同能量尺度下风速能量分布的混乱度;风向方差,表征风向的流动稳定性;风速方差,表征风速的流动稳定性;风向偏转量,表征风向相对于大气来流风向的偏转量;相对速度变化量,表征风速相对于大气来流风速的变化量。
作为本申请实施例的一种可能实现方式,风场稳定性的确定装置700还包括:第三确定模块、判断模块、处理模块。
其中,第三确定模块,用于针对所述区域内的每个监测点,根据所述监测点的风向数据确定所述监测点的风向平均值;判断模块,用于判断所述风向平均值是否小于等于第一风向阈值,或者大于等于第二风向阈值,其中,所述第二风向阈值为360度与所述第一风向阈值的差值,且所述第一风向阈值小于所述第二风向阈值;处理模块,用于若所述风向平均值小于等于所述第一风向阈值,则对所述风向数据中大于等于所述第二风向阈值的风向数据进行减360度处理;以及若所述风向平均值大于等于所述第二风向阈值,则对所述风向数据中小于等于所述第一风向阈值的风向数据进行加360度处理。
作为本申请实施例的一种可能实现方式,第二确定模块740具体用于针对区域内的每个监测点,将监测点在大气来流下的风场特征信息输入预设的风场稳定性分类模型,获取风场稳定性分类模型输出的分类结果;根据分类结果确定监测点在大气来流下的风场稳定性。
作为本申请实施例的一种可能实现方式,风场稳定性的确定装置700还包括:第一生成模块、训练模块。
其中,第一获取模块710,还用于获取样本区域集,其中,样本区域集包括:大于预设数量的样本区域,以及样本区域在多种大气来流下的风场稳定性;第二获取模块720,还用于对样本区域集中的样本区域进行三维建模以及仿真,获取样本区域在多种大气来流下的风数据;第一确定模块730,还用于根据样本区域在多种大气来流下的风数据,确定样本区域内各个监测点在多种大气来流下的风场特征信息;第一生成模块,用于根据各个样本区域内各个监测点在多种大气来流下的风场特征信息,以及各个样本区域在多种大气来流下的风场稳定性,生成训练数据;训练模块,用于采用所述训练数据对初始的风场稳定性分类模型进行训练,得到所述预设的风场稳定性分类模型。
作为本申请实施例的一种可能实现方式,风场稳定性的确定装置700还包括:第三获取模块、第四确定模块、第二生成模块、添加模块。
其中,第三获取模块,用于获取区域内对应的风场处于稳定状态的第一监测点;第四确定模块,用于根据第一监测点的风向数据,确定第一监测点的主导风向;第二生成模块,用于根据区域内的第一监测点,以及第一监测点的主导风向以及大气来流,生成区域在大气来流下的风场数据;添加模块,用于将区域在大气来流下的风场数据,添加到预设的风场数据库中。
作为本申请实施例的一种可能实现方式,第四确定模块具体用于,对所述第一监测点的风向数据进行降噪处理和滤波处理,得到滤波处理后的风向数据;根据滤波处理后的风向数据,确定第一监测点的风向平均值;将第一监测点的风向平均值,确定为第一监测点的主导风向。
本申请实施例的风场稳定性的确定装置,通过获取待处理的区域;对区域进行三维建模以及仿真,获取区域在预设的大气来流下的风数据,其中,风数据包括:区域内各个监测点的风向数据和风速数据;根据区域内各个监测点的风向数据和风速数据,确定区域内各个监测点在大气来流下的风场特征信息;根据区域内各个监测点在大气来流下的风场特征信息,确定区域内各个监测点在大气来流下的风场稳定性。该装置可实现根据获取到的待处理区域内各个监测点在预设的大气来流下的风向数据和风速数据,确定该区域内各个监测点的预设大气来流下的风场特征信息,进而根据该风场特征信息进行风场稳定的判定,可提高泄漏源溯源结果的准确率。
为了实现上述实施例,本申请还提出一种电子设备,图8为根据本申请一个实施例的电子设备的结构示意图。该电子设备包括:
存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程序。
处理器1002执行所述程序时实现上述实施例中提供的风场稳定性的确定方法。
进一步地,电子设备还包括:
通信接口1003,用于存储器1001和处理器1002之间的通信。
存储器1001,用于存放可在处理器1002上运行的计算机程序。
存储器1001可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器1002,用于执行所述程序时实现上述实施例所述的风场稳定性的确定方法。
如果存储器1001、处理器1002和通信接口1003独立实现,则通信接口1003、存储器1001和处理器1002可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component,简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器1001、处理器1002及通信接口1003,集成在一块芯片上实现,则存储器1001、处理器1002及通信接口1003可以通过内部接口完成相互间的通信。
处理器1002可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
为了实现上述实施例,本申请实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例的风场稳定性的确定方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种风场稳定性的确定方法,其特征在于,包括:
获取待处理的区域;
对所述区域进行三维建模以及仿真,获取所述区域在预设的大气来流下的风数据,其中,所述风数据包括:所述区域内各个监测点的风向数据和风速数据;
根据所述区域内各个监测点的风向数据和风速数据,确定所述区域内各个监测点在所述大气来流下的风场特征信息;
根据所述区域内各个监测点在所述大气来流下的风场特征信息,确定所述区域内各个监测点在所述大气来流下的风场稳定性;
所述风场特征信息包括以下特征中的至少一种:风向小波熵、风速小波熵、风向方差、风速方差、风向偏转量和相对速度变化量;
其中,所述风向小波熵,表征不同能量尺度下风向能量分布的混乱度;所述风速小波熵,表征不同能量尺度下风速能量分布的混乱度,其中,风向小波熵或风速小波熵表示为如下公式:
其中,当数据S为风向数据S时,计算风向小波熵;当数据S为风速数据S时,计算风速小波熵;
对风向或风速数据S进行小波分析,表示为各分量之和:
其中,为小波近似解a,/>为各级细节解d,n表示小波分解级数;
某一尺度下的小波分量的能量为该尺度下小波系数的平方和,具体表现为如下公式:
其中,k为时间序列,k=1,2,…N,N为风速风向或数据S的采样点数,为不同时间序列的小波系数,将各尺度分量的能量之和进行相加可获得风向或风速数据S的总能量,具体表现为如下公式:
其中,E为风向或风速数据S的总能量,n表示小波分解级数,为各尺度分量的能量;
归一化处理得到风向或风速数据S在不同小波尺度下的分布,具体表现为如下公式:
其中,为风向或风速数据S在不同小波尺度下的分布
其中,为风向获取风速数据S对应的风向小波熵或风速小波熵;
所述风向方差,表征风向的流动稳定性;所述风速方差,表征风速的流动稳定性;
所述风向偏转量,表征风向相对于大气来流风向的偏转量;
所述相对速度变化量,表征风速相对于大气来流风速的变化量;
所述根据所述区域内各个监测点在所述大气来流下的风场特征信息,确定所述区域内各个监测点在所述大气来流下的风场稳定性,包括:
针对所述区域内的每个监测点,将所述监测点在所述大气来流下的风场特征信息输入预设的风场稳定性分类模型,获取所述风场稳定性分类模型输出的分类结果;
根据所述分类结果确定所述监测点在所述大气来流下的风场稳定性;
所述针对所述区域内的每个监测点,将所述监测点在所述大气来流下的风场特征信息输入预设的风场稳定性分类模型,获取所述风场稳定性分类模型输出的分类结果之前,还包括:
获取样本区域集,其中,所述样本区域集包括:大于预设数量的样本区域,以及所述样本区域在多种大气来流下的风场稳定性;
对所述样本区域集中的样本区域进行三维建模以及仿真,获取所述样本区域在多种大气来流下的风数据;
根据所述样本区域在多种大气来流下的风数据,确定所述样本区域内各个监测点在多种大气来流下的风场特征信息;
根据各个样本区域内各个监测点在多种大气来流下的风场特征信息,以及各个样本区域在多种大气来流下的风场稳定性,生成训练数据;
采用所述训练数据对初始的风场稳定性分类模型进行训练,得到所述预设的风场稳定性分类模型。
2.根据权利要求1所述的方法,其特征在于,所述对所述区域进行三维建模以及仿真,获取所述区域在预设的大气来流下的风数据之后,还包括:
针对所述区域内的每个监测点,根据所述监测点的风向数据确定所述监测点的风向平均值;
判断所述风向平均值是否小于等于第一风向阈值,或者大于等于第二风向阈值,其中,所述第二风向阈值为360度与所述第一风向阈值的差值,且所述第一风向阈值小于所述第二风向阈值;
若所述风向平均值小于等于所述第一风向阈值,则对所述风向数据中大于等于所述第二风向阈值的风向数据进行减360度处理;
若所述风向平均值大于等于所述第二风向阈值,则对所述风向数据中小于等于所述第一风向阈值的风向数据进行加360度处理。
3.根据权利要求1所述的方法,其特征在于,所述根据所述区域内各个监测点在所述大气来流下的风场特征信息,确定所述区域内各个监测点在所述大气来流下的风场稳定性之后,还包括:
获取所述区域内对应的风场处于稳定状态的第一监测点;
根据所述第一监测点的风向数据,确定所述第一监测点的主导风向;
根据所述区域内的所述第一监测点,以及所述第一监测点的主导风向以及所述大气来流,生成所述区域在所述大气来流下的风场数据;
将所述区域在所述大气来流下的风场数据,添加到预设的风场数据库中。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一监测点的风向数据,确定所述第一监测点的主导风向,包括:
对所述第一监测点的风向数据进行降噪处理和滤波处理,得到滤波处理后的风向数据;
根据所述滤波处理后的风向数据,确定所述第一监测点的风向平均值;
将所述第一监测点的风向平均值,确定为所述第一监测点的主导风向。
5.一种风场稳定性的确定装置,其特征在于,包括:
第一获取模块,用于获取待处理的区域;
第二获取模块,用于对所述区域进行三维建模以及仿真,获取所述区域在预设的大气来流下的风数据,其中,所述风数据包括:所述区域内各个监测点的风向数据和风速数据;
第一确定模块,用于根据所述区域内各个监测点的风向数据和风速数据,确定所述区域内各个监测点在所述大气来流下的风场特征信息;
第二确定模块,用于根据所述区域内各个监测点在所述大气来流下的风场特征信息,确定所述区域内各个监测点在所述大气来流下的风场稳定性;
所述风场特征信息包括以下特征中的至少一种:风向小波熵、风速小波熵、风向方差、风速方差、风向偏转量和相对速度变化量;
其中,所述风向小波熵,表征不同能量尺度下风向能量分布的混乱度;所述风速小波熵,表征不同能量尺度下风速能量分布的混乱度,其中,风向小波熵或风速小波熵表示为如下公式:
其中,当数据S为风向数据S时,计算风向小波熵;当数据S为风速数据S时,计算风速小波熵;
对风向或风速数据S进行小波分析,表示为各分量之和:
其中,为小波近似解a,/>为各级细节解d,n表示小波分解级数;
某一尺度下的小波分量的能量为该尺度下小波系数的平方和,具体表现为如下公式:
其中,k为时间序列,k=1,2,…N,N为风速风向或数据S的采样点数,为不同时间序列的小波系数,将各尺度分量的能量之和进行相加可获得风向或风速数据S的总能量,具体表现为如下公式:
其中,E为风向或风速数据S的总能量,n表示小波分解级数,为各尺度分量的能量;
归一化处理得到风向或风速数据S在不同小波尺度下的分布,具体表现为如下公式:
其中,为风向或风速数据S在不同小波尺度下的分布
其中,为风向获取风速数据S对应的风向小波熵或风速小波熵;
所述风向方差,表征风向的流动稳定性;所述风速方差,表征风速的流动稳定性;
所述风向偏转量,表征风向相对于大气来流风向的偏转量;
所述相对速度变化量,表征风速相对于大气来流风速的变化量;
所述第二确定模块具体用于,
针对所述区域内的每个监测点,将所述监测点在所述大气来流下的风场特征信息输入预设的风场稳定性分类模型,获取所述风场稳定性分类模型输出的分类结果;
根据所述分类结果确定所述监测点在所述大气来流下的风场稳定性;
所述装置还包括:第一生成模块和训练模块;
所述第一获取模块,还用于获取样本区域集,其中,所述样本区域集包括:大于预设数量的样本区域,以及所述样本区域在多种大气来流下的风场稳定性;
所述第二获取模块,还用于对所述样本区域集中的样本区域进行三维建模以及仿真,获取所述样本区域在多种大气来流下的风数据;
所述第一确定模块,还用于根据所述样本区域在多种大气来流下的风数据,确定所述样本区域内各个监测点在多种大气来流下的风场特征信息;
所述第一生成模块,用于根据各个样本区域内各个监测点在多种大气来流下的风场特征信息,以及各个样本区域在多种大气来流下的风场稳定性,生成训练数据;
所述训练模块,用于采用所述训练数据对初始的风场稳定性分类模型进行训练,得到所述预设的风场稳定性分类模型。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第三确定模块,用于针对所述区域内的每个监测点,根据所述监测点的风向数据确定所述监测点的风向平均值;
判断模块,用于判断所述风向平均值是否小于等于第一风向阈值,或者大于等于第二风向阈值,其中,所述第二风向阈值为360度与所述第一风向阈值的差值,且所述第一风向阈值小于所述第二风向阈值;
处理模块,用于若所述风向平均值小于等于所述第一风向阈值,则对所述风向数据中大于等于所述第二风向阈值的风向数据进行减360度处理;以及
若所述风向平均值大于等于所述第二风向阈值,则对所述风向数据中小于等于所述第一风向阈值的风向数据进行加360度处理。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取所述区域内对应的风场处于稳定状态的第一监测点;
第四确定模块,用于根据所述第一监测点的风向数据,确定所述第一监测点的主导风向;
第二生成模块,用于根据所述区域内的所述第一监测点,以及所述第一监测点的主导风向以及所述大气来流,生成所述区域在所述大气来流下的风场数据;
添加模块,用于将所述区域在所述大气来流下的风场数据,添加到预设的风场数据库中。
8.根据权利要求7所述的装置,其特征在于,所述第四确定模块具体用于,
对所述第一监测点的风向数据进行降噪处理和滤波处理,得到滤波处理后的风向数据;
根据所述滤波处理后的风向数据,确定所述第一监测点的风向平均值;
将所述第一监测点的风向平均值,确定为所述第一监测点的主导风向。
9.一种电子设备,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一所述的风场稳定性的确定方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的风场稳定性的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240970.0A CN112632862B (zh) | 2020-11-09 | 2020-11-09 | 风场稳定性的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240970.0A CN112632862B (zh) | 2020-11-09 | 2020-11-09 | 风场稳定性的确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632862A CN112632862A (zh) | 2021-04-09 |
CN112632862B true CN112632862B (zh) | 2023-11-14 |
Family
ID=75304275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011240970.0A Active CN112632862B (zh) | 2020-11-09 | 2020-11-09 | 风场稳定性的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632862B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114324975B (zh) * | 2021-12-29 | 2024-01-09 | 航天科工火箭技术有限公司 | 一种风向确定方法、装置、设备和介质 |
CN114705884B (zh) * | 2022-06-06 | 2022-09-23 | 自然资源部第一海洋研究所 | 海洋风风向和海洋洋流流向监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10126200B1 (en) * | 2012-12-22 | 2018-11-13 | Picarro, Inc. | Systems and methods for likelihood-based mapping of areas surveyed for gas leaks using mobile survey equipment |
CN109141808A (zh) * | 2018-10-29 | 2019-01-04 | 广州地铁集团有限公司 | 地铁高架线路多点风速感知的沿线风速空间推演方法 |
CN110687255A (zh) * | 2019-10-21 | 2020-01-14 | 软通动力信息技术有限公司 | 一种空气污染物的溯源方法、装置、设备和存储介质 |
CN110929776A (zh) * | 2019-11-18 | 2020-03-27 | 杭州师范大学 | 一种基于海面风场稳定度统计区划的遥感风场数据质量评估方法及装置 |
-
2020
- 2020-11-09 CN CN202011240970.0A patent/CN112632862B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10126200B1 (en) * | 2012-12-22 | 2018-11-13 | Picarro, Inc. | Systems and methods for likelihood-based mapping of areas surveyed for gas leaks using mobile survey equipment |
CN109141808A (zh) * | 2018-10-29 | 2019-01-04 | 广州地铁集团有限公司 | 地铁高架线路多点风速感知的沿线风速空间推演方法 |
CN110687255A (zh) * | 2019-10-21 | 2020-01-14 | 软通动力信息技术有限公司 | 一种空气污染物的溯源方法、装置、设备和存储介质 |
CN110929776A (zh) * | 2019-11-18 | 2020-03-27 | 杭州师范大学 | 一种基于海面风场稳定度统计区划的遥感风场数据质量评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
城市风环境CFD模拟场景下建筑群模型简化方法研究;李应馨;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112632862A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102052289B1 (ko) | 풍력 터빈의 등가 하중을 검출하기 위한 방법 및 장치 | |
Jayawardena et al. | Noise reduction and prediction of hydrometeorological time series: dynamical systems approach vs. stochastic approach | |
CN112632862B (zh) | 风场稳定性的确定方法、装置、电子设备及存储介质 | |
CN112560355B (zh) | 基于卷积神经网络的风洞的马赫数的预测方法和装置 | |
CN111046327B (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
CN111175608A (zh) | 基于加速独立分量分析的配电网谐波责任定量划分方法 | |
CN112559657A (zh) | 水污染溯源方法、装置及终端设备 | |
CN111783035B (zh) | 一种适应谐波不同波动情况的谐波责任计算方法及装置 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN114218860A (zh) | 一种基于机器学习的激光雷达测风运动补偿方法和系统 | |
CN112417734A (zh) | 一种基于风电场地理信息的风速订正方法及装置 | |
CN118376885B (zh) | 基于深度学习的高压电缆短路故障精准定位方法及系统 | |
CN117906580B (zh) | 一种航道水下地形变化分析系统及方法 | |
CN110211189A (zh) | ToF相机深度误差建模校正方法及装置 | |
CN113762795A (zh) | 一种基于层次分析的产业链诊断方法及系统 | |
CN110045250B (zh) | 一种电力电缆的绝缘状态判断方法及系统 | |
JP2014110047A (ja) | 電子回路シミュレーションのための方法及び装置 | |
CN117591819A (zh) | 一种考虑扰动强度阈值与鲁棒性分析的大型设备故障诊断方法 | |
CN114487284B (zh) | 一种测量空气中重金属浓度的方法及系统 | |
CN111289800A (zh) | 一种基于广义回归神经网络的小电阻振动监测方法 | |
CN112241853B (zh) | 一种区域间空气质量影响的评估方法及评估装置 | |
CN114136530B (zh) | 确定变流器进出口空气压力差的方法及装置 | |
CN113959511A (zh) | 基于射流水表的流量计量方法、设备、介质及产品 | |
CN115982606A (zh) | 基于模糊c均值聚类算法的桥梁结构健康检测方法及系统 | |
CN111428345B (zh) | 一种随机性负载扰动控制系统的性能评价系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |