[發明專利]基于粒子濾波算法的風速風向預測方法

有效

• 申請號: 202110047680.2
• 申請日: 2021-01-14
• 公開（公告）號: CN112785052B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 李新波;王曉玉;姜良旭;左昕雨;范書源
• 申請（專利權）人: 吉林大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F30/20;G06N3/00;G06K9/00;G06F17/11;G06F17/18;G01P5/24;G01P13/02
• 代理公司: 長春市吉利專利事務所(普通合伙) 22206
• 代理人: 王楠楠;李曉莉

1.基于粒子濾波算法的風速風向預測方法，其特征在于，包括如下步驟：

步驟1：構建弧形陣列測風結構，得到陣列流型矢量；

弧形陣列測風結構由五個超聲波傳感器組成，五個超聲波傳感器中的一個為發射陣元，另外四個為接收陣元，以發射陣元為中心，四個接收陣元處于同一弧線上，α為相鄰兩接收陣元與發射陣元連線夾角，V為待測風速的大小，θ為待測風向角，風的來向為北偏東θ°方向，根據矢量的分解得到待測風速V在發射陣元與四個接收陣元連線上的分量，分別為V₁、V₂、V₃及V₄，其中得到發射陣元所發射信號到第i個接收陣元的時間為：其中i的取值為1、2、3或4，R為弧形半徑，c為超聲波傳播速度，V_i為待測風速V在發射陣元與第i個接收陣元連線上的分量，以第1個接收陣元為參考陣元，得到發射信號到達第i個接收陣元相對于參考陣元的時延為：

τ₁＝0

因此，陣列流型矢量為：

其中f為發射陣元所發射的超聲波頻率，j表示復數域中的虛數單位；

步驟2：建立預測風速風向的狀態空間模型

以風速風向參數作為待估計量，建立用于預測風速風向的狀態空間模型，所述狀態空間模型由狀態方程和觀測方程組成；

所述狀態方程表示待估計量的變化規律，具體表達形式如下：

X(n+1)＝F_cvX(n)+G_cvv(n)

其中X(n+1)為n+1時刻風速風向的狀態向量；X(n)為n時刻風速風向的狀態向量，V(n)為n時刻風速，為n時刻風速變化率，θ(n)為n時刻風向，為n時刻風向變化率，T表示轉置，

ΔT表示相鄰兩次風速風向預測的時間間隔；v(n)＝[v₁(n),v₁(n),v₂(n),v₂(n)]^T為狀態噪聲矢量，其中v₁(n)為狀態空間模型迭代風速時的噪聲，v₂(n)為狀態空間模型迭代風向時的噪聲；

所述觀測方程表示待估計量與觀測量之間的函數關系，具體表達形式如下：

Z(n)＝a(θ,V)s(n)+W(n)

其中n＝1,2,…,L，L為快拍數，Z(n)為陣列接收信號矢量，a(θ,V)為陣列流型矢量，s(n)為發射源的發射信號；W(n)為接收陣元接收到的噪聲矢量，W(n)＝[w₁(n),w₂(n),w₃(n),w₄(n)]^T，T為矩陣轉置，w₁(n)、w₂(n)、w₃(n)及w₄(n)分別為四個接收陣元接收到的均值為零、方差為δ²的高斯白噪聲；

步驟3：根據狀態方程和觀測方程，利用粒子濾波算法估計風速風向的狀態值，實現風速風向的動態預測；

所述粒子濾波算法的似然函數采用多重信號分類MUSIC算法空間譜函數；

具體構建多重信號分類MUSIC算法空間譜函數如下：

其中U為噪聲子空間，a(θ,V)為陣列流型矢量，H為共軛轉置，a^H(θ,V)為a(θ,V)的共軛轉置，U^H為U的共軛轉置；

因此，粒子濾波算法的似然函數表達形式如下：

式中i為粒子序號，為k時刻，第i個粒子的風速風向狀態向量；為k時刻，第i個粒子的風速風向觀測數據；a(θⁱ,Vⁱ)為第i個粒子的陣列流型矢量，a^H(θⁱ,Vⁱ)為a(θⁱ,Vⁱ)的共軛轉置，U_k為k時刻根據風速風向的狀態向量得到的噪聲子空間，U_k^H為U_k的共軛轉置。

2.根據權利要求1所述的基于粒子濾波算法的風速風向預測方法，其特征在于：步驟3中利用粒子濾波算法估計風速風向的狀態值的過程如下：

①初始化：k時刻，采樣N_S個粒子，第i個粒子的風速風向狀態向量為得到集合各粒子權重賦值為1/N_S，各粒子初始狀態風速風向值采用MUSIC算法進行估計，風速變化率為風速測量精度0.1m/s，風向變化率為風向測量精度1°；

②更新權值：k時刻，按照弧形陣列的協方差矩，Z_k(n)為k時刻陣列接收信號矢量，為Z_k(n)的共軛轉置；將其進行特征值分解得到噪聲子空間，根據在k時刻獲得先驗樣本，得到第i個粒子的風速風向狀態為表示狀態方程迭代方式，即先驗概率密度函數，為經過迭代得到的第i個粒子前k-1時刻的風速風向的狀態向量，抽取粒子得到粒子狀態，得到第i個粒子的陣列流型矢量a(θ⁽ⁱ⁾,V⁽ⁱ⁾)，利用似然函數根據粒子權重更新方程計算粒子權重；為k時刻第i個粒子的權重，為k-1時刻第i個粒子的權重；

③重采樣：按照公式計算歸一化權重，重新采樣N_S個粒子并分配權值為1/N_S；

④狀態估計：按照后驗概率密度函數計算風速風向狀態的估計值，即風速風向的狀態值；

X_k為k時刻風速風向狀態向量，為第i個粒子通過迭代過程經過前k個時刻的觀測得到的觀測向量；為X_k的狄拉克函數；

⑤預測：根據X(n+1)＝F_cvX(n)+G_cvv(n)預測下一時刻的風速風向狀態；

⑥k＝k+1，重復步驟②至步驟⑥，當k大于觀測長度，終止預測。