CN102945506A - 一种用于风电场微观选址的边界轮廓图像信息处理方法 - Google Patents
一种用于风电场微观选址的边界轮廓图像信息处理方法 Download PDFInfo
- Publication number
- CN102945506A CN102945506A CN2012103110748A CN201210311074A CN102945506A CN 102945506 A CN102945506 A CN 102945506A CN 2012103110748 A CN2012103110748 A CN 2012103110748A CN 201210311074 A CN201210311074 A CN 201210311074A CN 102945506 A CN102945506 A CN 102945506A
- Authority
- CN
- China
- Prior art keywords
- wind energy
- energy turbine
- turbine set
- boundary profile
- boundary
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及一种用于风电场微观选址的边界轮廓图像信息处理方法,包括以下步骤:1)处理器从数据库中获取电子地图,通过边缘检测技术提取该电子地图中风电场边界轮廓的图像信息,进而计算出风电场边界轮廓曲线;2)对获得的风电场边界轮廓曲线进行最优多边形拟合;3)根据拟合得到的最优多边形建立风电场边界约束模型,判断风机位置是否在风电场内。与现有技术相比,本发明解决了现有连续微观选址方法无法处理不规则形状风电场边界约束的问题,能够获得最优的风电场微观选址。
Description
技术领域
本发明涉及一种风电场微观选址技术,尤其是涉及一种用于风电场微观选址的边界轮廓图像信息处理方法。
背景技术
风电场微观选址是在选定的区域中根据风能资源分布,实现最优风机位置排布来达到风机产能的最大化,从而使整个风电场具有最优的经济效益。风电场微观选址优化是风电产业合理规划的关键科学与技术问题,决定了风电场产能的大小和风资源的利用效率。
目前,国际上还没有建立起关于微观选址的统一规范和标准,企业进行风机位置排布时多采用离散网格选址方法,然而网格的最优大小和方向难以确定,无法取到最优的风机选址。连续微观选址方法克服了离散网格带来的问题,但缺少处理不规则形状风电场边界约束的技术。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于风电场微观选址的边界轮廓图像信息处理方法。
本发明的目的可以通过以下技术方案来实现:
一种用于风电场微观选址的边界轮廓图像信息处理方法,包括以下步骤:
1)处理器从数据库中获取电子地图,通过边缘检测技术提取该电子地图中风电场边界轮廓的图像信息,进而计算出风电场边界轮廓曲线;
2)对获得的风电场边界轮廓曲线进行最优多边形拟合;
3)根据拟合得到的最优多边形建立风电场边界约束模型,判断风机位置是否在风电场内。
步骤1)中图像信息的提取包括以下步骤:
11)边缘检测:基于Canny边缘检测算子提取电子地图中风电场的边界轮廓,然后将边界轮廓的图像坐标系转换为直角坐标系,存储所提取的边界轮廓像素点在直角坐标系下的坐标;
12)轮廓追踪:根据相邻像素点之间的距离对11)中存储的风电场边界轮廓进行轮廓追踪,判断像素点之间是否衔接,获取风电场边界轮廓曲线;
13)抗锯齿平滑处理:基于缩减采样技术对步骤12)得到的风电场边界轮廓曲线进行抗锯齿平滑处理。
步骤12)中若相邻像素点之间的距离不大于单位像素,则相邻像素点之间相互衔接。
步骤2)中最优多边形拟合具体包括以下步骤:
21)根据处理器处理得到的风电场边界轮廓曲线S获取实际风电场的边界轮廓曲线P,具体公式为:
P=λS=[p1,p2,…,pN]
其中,S=[s1,s2,…,sN],s和p为边界轮廓曲线的顶点,N为边界轮廓曲线的顶点数,λ为电子地图的比例尺。
22)根据拟合精度,并采用SPPA-2(Shortest Path Polygonal Approximation withTwo run algorithm)算法从实际风电场的边界轮廓曲线P中计算出最优拟合多边形Q=[q1,q2,…,q1,…,qM],其中,q为最优拟合多边形的顶点,M为顶点数。
步骤3)中的风电场边界约束模型包括单边界约束模型和多边界约束模型,所述的单边界约束模型仅包括一个边界轮廓曲线,所述的多边界约束模型包括至少两个边界轮廓曲线。
步骤3)中风机位置的判断过程为:根据由风机位置引出的射线与风电场边界轮廓曲线的最优拟合多边形的交点个数来判断风机位置是否在风电场内,若交点个数为奇数,则风机位置在风电场内,若交点个数为偶数,则风机位置在风电场外。
与现有技术相比,本发明解决了现有连续微观选址方法无法处理不规则形状风电场边界约束的问题,能够获得最优的风电场微观选址。
附图说明
图1为本发明的处理流程图;
图2为本发明获取风电场边界轮廓曲线的具体步骤;
图3为本发明进行最优多边形拟合的具体步骤;
图4为单边界约束模型判断风机位置的原理图;
图5为英国Ironstone风电场的微观选址示例图;
图6为英国Shepham风电场的微观选址示例图。
具体实施方式
下面结合附图和具体实施方案对本发明进行详细说明。
实施方案
如图1所示,一种用于风电场微观选址的边界轮廓图像信息处理方法,包括以下步骤:
步骤1;处理器从数据库中获取电子地图,通过边缘检测技术提取该电子地图中风电场边界轮廓的图像信息,进而计算出风电场边界轮廓曲线,其详细步骤如图2所示:
11)边缘检测:基于Canny边缘检测算子提取电子地图中风电场的边界轮廓,然后将边界轮廓的图像坐标系转换为直角坐标系,并存储所提取的边界轮廓像素点在直角坐标系下的坐标;
12)轮廓追踪:根据相邻像素点之间的距离对11)中存储的风电场边界轮廓进行轮廓追踪,,判断像素点之间是否衔接,获取边界轮廓曲线,若相邻像素点之间的距离不大于单位像素,则相邻像素点之间相互衔接,由于在11)会得到两条轮廓曲线,此处只对最外的轮廓曲线作处理;
13)抗锯齿平滑处理:基于缩减采样技术对12)得到的边界轮廓曲线进行抗锯齿平滑处理。
步骤2:由于步骤1计算输出的风电场边界轮廓曲线所包含的顶点数量过于冗余,为了减少风电场微观选址的运算复杂度,因此对获得的风电场边界轮廓曲线进行最优多边形拟合,其具体的步骤如图3:
首先,输入由步骤1得到的风电场边界轮廓曲线链表为S=[s1,s2,…,sN],处理器则根据该风电场边界轮廓曲线S获取实际风电场的轮廓曲线P=λS=[p1,p2,…,pN],其中,s和p为边界轮廓曲线上的顶点,N为边界轮廓曲线的顶点数,λ为电子地图的比例尺。
然后,根据拟合精度,并采用SPPA-2算法从实际风电场的边界轮廓曲线P中计算出最优拟合多边形Q=[q1,q2,…,q1,…,qM],其中,q为最优拟合多边形的顶点,M为顶点数。Q为P的一个最小子集,用于表示拟合的风电场轮廓曲线,拟合后边界轮廓图像信息的压缩比
最后,输出该最优拟合多边形。
步骤3:在获得风电场轮廓曲线的最优拟合多边形后,则可以建立风电场边界约束模型,判断风机的位置是否在风电场内,其判断方法采用奇偶交点计数法:根据由风机位置引出的射线与风电场边界轮廓曲线的最优拟合多边形的交点个数来判断风机位置是否在风电场内,若交点个数为奇数,则风机位置在风电场内,若交点个数为偶数,则风机位置在风电场外。
风电场边界约束模型包括两种,分别为:
1、单边界约束模型,只考虑一个最优拟合多边形,即风电场只存在单个边界约束,如图4所示,则风机位置判断思想如下:
由风机T1所代表的二维坐标点垂直向上做一条射线,然后计算多边形ABCDE与T1的交点数。若T1与多边形ABCDE的交点数为奇数,则其在多边形ABCDE内,否则在外。这里,T1与多边形ABCDE的交点数为1,故其在多边形内部,T2的交点数为2,故其在多边形外部。如图5所示的英国Ironstone风电场,即为采用单边界约束模型的一个微观选址示例。
2、多边界约束模型,一个大型的风电场可能会规划出若干个子风场,并且每个子风场会有若干个禁止区域不允许安装风机,即风电场存在多边界约束。假设一个风电场有Mw个互不相交的子风电场,并且第k个子风电场内部有nk个禁止区域,这个风电场在对其所包含的所有子风电场和禁止区域的边界轮廓逐次进行最优多边形拟合后,所得拟合多边形的总个数为
其中Mw≥1,nk≥0,k=(1,2,…,Mw)。显然每台风机必须安装在某个子风电场内部,并且在Nw-Mw个禁止区域之外。为了搜索每台风机在整个风电场中的全局最优安装位置,优化算法必须同时搜索Mw个子风电场中的允许区域,因此对于多边界约束模型中的每台风机,在一次搜索中存在Mw个候选允许安装区域。设Δk表示第k个子风电场的区域允许算子,则
其中δk∈{0,1},δk=1表示第k个子风电场被选为风机的当前允许安装区域。Δk的Mw+1~Nw列元素代表风电场的所有禁止安装区域,因此都为0。综合所有区域允许算子,整个风电场的区域允许矩阵为
其中E为单位矩阵,显然Δ的秩Rank(Δ)=Mw,Δ称为风电场区域特征矩阵,且是一个常数矩阵,由风电场区域特征唯一确定。
根据风电场区域特征矩阵Δ判断某个风机选址z是否在风电场允许区域Q内,其中 Ni为风机台数,zi为第i台风机的安装位置,(x,y)为直角坐标系的坐标,并且为风电场的所有Nw个子风电场和禁止区域边界轮廓的最优拟合多边形。那么针对Q中的每个多边形Qh利用单边界约束模型,逐次计算可得选址结果z和整个风电场Q的相对位置关系矩阵:
这里θih∈{0,1},θih=1表示第i台风机在第h个多边形内,θih=0则相反,Θi·为第i行行向量。根据风电场区域特征矩阵Δ和相对位置关系矩阵Θ,第i台风机安装位置相对整个风电场的可行度为;
其中γi∈{0,1},γi=1表示第i台风机在风电场允许安装区域内,γi=0则相反。因此,选址结果z的违规风机台数为:
这里B(z)∈[0,Ni],是选址结果z的边界约束违规程度。如图6所示的英国Shepham风电场,即采用多边界约束模型的一个微观选址示例。
Claims (6)
1.一种用于风电场微观选址的边界轮廓图像信息处理方法,其特征在于,包括以下步骤:
1)处理器从数据库中获取电子地图,通过边缘检测技术提取该电子地图中风电场边界轮廓的图像信息,进而计算出风电场边界轮廓曲线;
2)对获得的风电场边界轮廓曲线进行最优多边形拟合;
3)根据拟合得到的最优多边形建立风电场边界约束模型,判断风机位置是否在风电场内。
2.根据权利要求1所述的一种用于风电场微观选址的边界轮廓图像信息处理方法,其特征在于,步骤1)中边界轮廓图像信息的提取包括以下步骤:
11)边缘检测:基于Canny边缘检测算子提取电子地图中风电场的边界轮廓,然后将边界轮廓的图像坐标系转换为直角坐标系,存储所提取的边界轮廓像素点在直角坐标系下的坐标;
12)轮廓追踪:根据相邻像素点之间的距离对11)中存储的风电场边界轮廓进行轮廓追踪,判断像素点之间是否衔接,获取风电场边界轮廓曲线;
13)抗锯齿平滑处理:基于缩减采样技术对步骤12)得到的风电场边界轮廓曲线进行抗锯齿平滑处理。
4.根据权利要求1所述的一种用于风电场微观选址的边界轮廓图像信息处理方法,其特征在于,步骤2)中最优多边形拟合具体包括以下步骤:
21)根据处理器处理得到的风电场界轮廓曲线S获取实际风电场的轮廓曲线P,具体公式为:
P=λS=[p1,p2,…,pN]
其中,S=[s1,s2,…,sN],s和p为边界轮廓曲线上的顶点,N为边界轮廓曲线的顶点数,λ为电子地图的比例尺。
22)根据拟合精度,并采用SPPA-2算法从实际风电场的边界轮廓曲线P中计算出最优拟合多边形Q=[q1,q2,…,qj,…,qM],其中,q为最优拟合多边形的顶点,M为顶点数。
5.根据权利要求1所述的一种用于风电场微观选址的边界轮廓图像信息处理方法,其特征在于,步骤3)中的风电场边界约束模型包括单边界约束模型和多边界约束模型,所述的单边界约束模型仅包括一个边界轮廓曲线,所述的多边界约束模型包括至少两个边界轮廓曲线。
6.根据权利要求5所述的一种用于风电场微观选址的边界轮廓图像信息处理方法,其特征在于,步骤3)中风机位置的判断过程为:根据由风机位置引出的射线与风电场边界轮廓曲线的最优拟合多边形的交点个数来判断风机位置是否在风电场内,若交点个数为奇数,则风机位置在风电场内,若交点个数为偶数,则风机位置在风电场外。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210311074.8A CN102945506B (zh) | 2012-08-28 | 2012-08-28 | 一种用于风电场微观选址的边界轮廓图像信息处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210311074.8A CN102945506B (zh) | 2012-08-28 | 2012-08-28 | 一种用于风电场微观选址的边界轮廓图像信息处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102945506A true CN102945506A (zh) | 2013-02-27 |
CN102945506B CN102945506B (zh) | 2016-08-10 |
Family
ID=47728445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210311074.8A Expired - Fee Related CN102945506B (zh) | 2012-08-28 | 2012-08-28 | 一种用于风电场微观选址的边界轮廓图像信息处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102945506B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097350A (zh) * | 2016-06-15 | 2016-11-09 | 大连理工大学 | 一种链码与图论技术相结合的图像曲线提取方法 |
CN112784837A (zh) * | 2021-01-26 | 2021-05-11 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN117953067A (zh) * | 2024-03-27 | 2024-04-30 | 华中科技大学 | 一种结合动平台惯测信息的事件相机动目标检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697259A (zh) * | 2009-11-05 | 2010-04-21 | 东南大学 | 用于风电场微观选址的地图和地表粗糙度数字化方法 |
CN102142103A (zh) * | 2011-04-15 | 2011-08-03 | 河海大学 | 一种基于实数编码遗传算法的风电场微观选址优化方法 |
-
2012
- 2012-08-28 CN CN201210311074.8A patent/CN102945506B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697259A (zh) * | 2009-11-05 | 2010-04-21 | 东南大学 | 用于风电场微观选址的地图和地表粗糙度数字化方法 |
CN102142103A (zh) * | 2011-04-15 | 2011-08-03 | 河海大学 | 一种基于实数编码遗传算法的风电场微观选址优化方法 |
Non-Patent Citations (2)
Title |
---|
梁栋: "基于图像区域特征的边缘检测方法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
魏炎初等: "物体轮廓线的多边形拟合", 《微计算机信息》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097350A (zh) * | 2016-06-15 | 2016-11-09 | 大连理工大学 | 一种链码与图论技术相结合的图像曲线提取方法 |
CN112784837A (zh) * | 2021-01-26 | 2021-05-11 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN112784837B (zh) * | 2021-01-26 | 2024-01-30 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN117953067A (zh) * | 2024-03-27 | 2024-04-30 | 华中科技大学 | 一种结合动平台惯测信息的事件相机动目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102945506B (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Urban solar utilization potential mapping via deep learning technology: A case study of Wuhan, China | |
Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
CN108961235A (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN103020423B (zh) | 基于copula函数获取风电场出力相关特性的方法 | |
Nguyen et al. | Automated quantification of solar photovoltaic potential in cities Overview: A new method to determine a city's solar electric potential by analysis of a distribution feeder given the solar exposure and orientation of rooftops. | |
CN105787239B (zh) | 风电场湍流强度处理方法及系统 | |
CN107704992A (zh) | 输电线路雷击风险评估的方法及装置 | |
Xu et al. | A method of calculating urban-scale solar potential by evaluating and quantifying the relationship between urban block typology and occlusion coefficient: A case study of Wuhan in Central China | |
CN106651031B (zh) | 基于历史信息的雷击闪络预警方法及系统 | |
CN102521592A (zh) | 基于非清晰区域抑制的多特征融合显著区域提取方法 | |
CN103745459A (zh) | 一种非结构化点云特征点检测方法及其提取方法 | |
CN105184394A (zh) | 基于配电网cps在线数据挖掘的优化控制方法 | |
CN110706211A (zh) | 基于卷积神经网络的铁路路基病害雷达图实时检测方法 | |
Wang et al. | A computationally-efficient layout optimization method for real wind farms considering altitude variations | |
CN106295698B (zh) | 一种基于分层kpi相似度的智能光伏电站故障诊断方法 | |
CN110119556A (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
CN109886937A (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
Sun et al. | A novel detection method for hot spots of photovoltaic (PV) panels using improved anchors and prediction heads of YOLOv5 network | |
Chowdhury et al. | Characterizing the influence of land configuration on the optimal wind farm performance | |
Chen et al. | 3D model-based terrestrial laser scanning (TLS) observation network planning for large-scale building facades | |
CN114184881B (zh) | 一种基于拓扑模型追踪分析故障事件定位方法 | |
CN102945506A (zh) | 一种用于风电场微观选址的边界轮廓图像信息处理方法 | |
Gu et al. | Automated assessment of wind damage to windows of buildings at a city scale based on oblique photography, deep learning and CFD | |
Nasrallah et al. | Lebanon solar rooftop potential assessment using buildings segmentation from aerial images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160810 Termination date: 20190828 |