用R语言绘制第一个测量风速柱状图

该博客主要讲述使用R语言绘制第一个测量风速的柱状图,涉及信息技术中数据可视化相关内容。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.导入excle、csv、txt格式数据,数据中包含很多不同高程的风速与风向定义变量用于后续程序处理(写在1.ImportData.py文件) 2.清理异常值(根据国标,风速0~40m/s,风向0~360度(风向负值要替换到对应正值?),空值要写0并标记,长时间接近0,长时间数据不变都要处理删除取0,画出处理后的数据图)(写在2.CleanData.py文件) 3.同塔插补(用同一机组不同时间数据插补完整)(写在3.InterpolationData-Same.py文件) 4.异塔插补(用不同塔同一时间数据插补完整)(写在4.InterpolationData-Diff.py文件) 5.插补全塔(同塔插补和异塔插补补全数据,注意每个高度程都要插补,查看数据完整率要大于95%,否则继续插补) 6.输出完整年(剔除数据多余天数,只保留一整年)(写在5.FullyearData.py文件) 7.外推轮毂高度处数据(用数据较好且高程接近的数据,利用风切变指数外推到想要的高程数据)(写在6.ExtrapolateData.py文件) 6个.py文件写算法,最后用main.py文件调用运行 整个步骤每一步都导出excle文件 插补方法:Windographer中8中MCP算法:(测量-关联-预测 (MCP)方法)①线性最小二乘法(LLS)、②正交最小二乘法(TLS)、③方差比法(VR)、④风速分类法(SS) 、⑤平方差比方法(VR)、⑥矩阵时间序列法(MTS)、⑦威布尔分布法(WBL)、垂直分层法(VS)(循环比较误差?利用已有的数据真实值作为训练集,先假设去除真实值利用算法得到插补值,与真实值比较误差,选择误差最小的算法作为该测风塔的插补法进行缺测数据插补) 使用机器学习方法(长短期记忆神经网络LSTM插补法、多头注意力机制插补法(计算样本与样本之间相关性来赋予每个样本在序列中的重要性的权重)、随机森林插补法) 注意:插补的塔使用主风向相似且最相邻的塔为最佳(要进行风向分析) 出图:风速与风向原始时序图、玫瑰图;清理异常值后时序图、玫瑰图;训练时不同插补方法对比图与误差对比图得到该风机最佳插补法;插补后完整风速与风向时序图玫瑰图,计算结果满足国标:输出数据为一个完整年、数据完整率>90%、平均风速范围在0~40m/s、评价风向范围在0~360° 评价指标:MSE值、威布尔分布K值、平均风速、风功率密度、风电机组发电量
最新发布
07-30
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值