技術(shù)特征：

1.一種面向區(qū)域的風(fēng)資源評(píng)估測(cè)風(fēng)塔選址優(yōu)化裝置，其特征在于：包括數(shù)據(jù)庫(kù)、數(shù)據(jù)預(yù)處理模塊、EOF分解模塊和剔除模塊；所述數(shù)據(jù)預(yù)處理模塊包括觀測(cè)矩陣X、均值矩陣M和矩平矩陣所述EOF分解模塊包括協(xié)方差矩陣C、特征值及特征向量輸出模塊和主成份計(jì)算模塊。

2.根據(jù)權(quán)利要求1所述的一種面向區(qū)域的風(fēng)資源評(píng)估測(cè)風(fēng)塔選址優(yōu)化方法，其特征在于：所述數(shù)據(jù)庫(kù)為研究地區(qū)所有測(cè)風(fēng)塔m的測(cè)風(fēng)數(shù)據(jù)以及質(zhì)量控制后處理成時(shí)間長(zhǎng)度一致、時(shí)間尺度為n月的數(shù)據(jù)，所述測(cè)風(fēng)塔m<時(shí)間點(diǎn)n。

3.根據(jù)權(quán)利要求1所述的一種面向區(qū)域的風(fēng)資源評(píng)估測(cè)風(fēng)塔選址優(yōu)化方法，其特征在于：所述矩平矩陣的矩陣為所述觀測(cè)矩陣X減所述均值矩陣M，即：

$\stackrel{\&OverBar;}{X}=X-M=\left(\begin{array}{cccc}{x}_{11}& x_{12}& \mathrm{...}& x_{1n}\\ x_{21}& x_{22}& \mathrm{...}& x_{2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ x_{m1}& x_{m2}& \mathrm{...}& x_{mn}\end{array}\right)-\left(\begin{array}{cccc}{m}_1& m_1& \mathrm{...}& m_1\\ m_2& m_2& \mathrm{...}& m_2\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ m_m& m_m& \mathrm{...}& m_m\end{array}\right)$

其中其中i＝1,2,3,...,m。

4.根據(jù)權(quán)利要求1所述的一種面向區(qū)域的風(fēng)資源評(píng)估測(cè)風(fēng)塔選址優(yōu)化方法，其特征在于：所述協(xié)方差矩陣C：其中X^T為所述X的轉(zhuǎn)置。

5.根據(jù)權(quán)利要求1所述的一種面向區(qū)域的風(fēng)資源評(píng)估測(cè)風(fēng)塔選址優(yōu)化方法，其特征在于：所述特征值及特征向量輸出模塊輸出特征值(λ₁,λ₂,...,λ_m)和特征向量V；所述特征值和特征向量與協(xié)方差矩陣C滿足CV＝VΛ，其中

6.根據(jù)權(quán)利要求1所述的一種面向區(qū)域的風(fēng)資源評(píng)估測(cè)風(fēng)塔選址優(yōu)化方法，其特征在于：所述主成份計(jì)算模塊用于計(jì)算特征向量方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率。

7.根據(jù)權(quán)利要求1-6任意一項(xiàng)所述的一種面向區(qū)域的風(fēng)資源評(píng)估測(cè)風(fēng)塔選址優(yōu)化裝置的工作方法，其特征在于：包括如下步驟：

a.所述數(shù)據(jù)庫(kù)收入研究地區(qū)所有測(cè)風(fēng)塔m的測(cè)風(fēng)數(shù)據(jù)以及質(zhì)量控制后處理成時(shí)間長(zhǎng)度一致、時(shí)間尺度為n月的數(shù)據(jù)，將所述測(cè)風(fēng)塔m和時(shí)間點(diǎn)n送入數(shù)據(jù)預(yù)處理模塊；

b.所述數(shù)據(jù)預(yù)處理模塊接收測(cè)風(fēng)塔m和時(shí)間點(diǎn)n，送入觀測(cè)矩陣X和均值矩陣M，將矩陣X減去均值矩陣M處理成矩平矩陣

c.所述EOF分解模塊讀入矩平矩陣送入?yún)f(xié)方差矩陣C，由所述特征值及特征向量輸出模塊計(jì)算出C的特征值(λ₁,λ₂,...,λ_m)和特征向量V；

d.所述主成份計(jì)算模塊根據(jù)特征值分別計(jì)算特征向量方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率，一般取累計(jì)方差貢獻(xiàn)率達(dá)85～95％的特征值λ₁,λ₂,...,λ_p所對(duì)應(yīng)的第一、第二、…、第p(p≤m)個(gè)特征向量為主模態(tài)，將所得結(jié)果送入剔除模塊；

e.所述剔除模塊讀取所述主成份計(jì)算模塊的計(jì)算結(jié)果，根據(jù)特征值和特征向量矩陣剔除第k個(gè)測(cè)風(fēng)塔；當(dāng)?shù)趇個(gè)特征值λi≈0時(shí)，說(shuō)明其對(duì)應(yīng)的主成份對(duì)信息總體的貢獻(xiàn)很小，若λ_i所對(duì)應(yīng)的特征向量v_i中第k個(gè)分量的絕對(duì)值最大，則將第k個(gè)測(cè)風(fēng)塔剔除掉；對(duì)剩下的m-1個(gè)測(cè)風(fēng)塔的觀測(cè)數(shù)據(jù)再按上述方法進(jìn)行計(jì)算，由所述剔除模塊判斷否必要再剔除另一個(gè)測(cè)風(fēng)塔；并據(jù)此進(jìn)行有限次計(jì)算，直到?jīng)]有特征值近似為0時(shí)為止，輸出測(cè)風(fēng)塔數(shù)目的最優(yōu)解。