CN111753415A - 风电场的流场重构方法、装置及可读存储介质 - Google Patents
风电场的流场重构方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN111753415A CN111753415A CN202010550630.1A CN202010550630A CN111753415A CN 111753415 A CN111753415 A CN 111753415A CN 202010550630 A CN202010550630 A CN 202010550630A CN 111753415 A CN111753415 A CN 111753415A
- Authority
- CN
- China
- Prior art keywords
- measured
- time
- information
- regression model
- flow field
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 199
- 238000012360 testing method Methods 0.000 claims description 44
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
-
- 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
Abstract
本申请提供一种风电场的流场重构方法、装置及可读存储介质。所述风电场的流场重构方法包括:将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入与所述目标时间段对应的第一高斯过程回归模型,得到所述待测时刻下所述多个待测点的风速信息;及基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述风速信息,重构所述待测时刻下的所述风电场的三维流场。所述确定装置包括一个或多个处理器,用于实现所述流场重构方法。所述计算机可读存储介质存储有程序,该程序被处理器执行时,实现所述流场重构方法。
Description
技术领域
本申请涉及风电技术领域,尤其涉及一种风电场的流场重构方法、装置及可读存储介质。
背景技术
风力发电是指利用风力发电机把风的动能转为电能。风电场的流场分布数据对风资源评估具有重要的指导意义。
现有技术中通常采用扫描式激光雷达测量风电场的风速信息,根据测得的风速信息重构得到风电场的流场分布数据。扫描式激光雷达同一时刻只能测一部分测量点的风速信息,需要多次扫描才能得到足够多的测量点的风速信息来进行风电场的流场重构。但是多次扫描得到的风速信息不是同一时刻的风速信息,重构得到的流场不准确。
发明内容
本申请提供一种改进的风电场的流场重构方法、装置及可读存储介质。
根据本申请实施例的一个方面,提供一种风电场的流场重构方法,包括:
将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入与所述目标时间段对应的第一高斯过程回归模型,得到所述待测时刻下所述多个待测点的风速信息;及
基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述风速信息,重构所述待测时刻下的所述风电场的三维流场。
根据本申请实施例的另一个方面,提供一种风电场的流场重构装置,包括一个或多个处理器,用于实现上述的流场重构方法。
根据本申请实施例的另一个方面,提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述的流场重构方法方法。
本申请实施例提供的风电场的流场重构方法、装置及可读存储介质,通过将目标时间段内待测时刻的时间信息及风电场空间内多个待测点的位置信息输入至第一高斯过程回归模型,得到的风电场空间内多个待测点的风速信息为同一待测时刻下的风速信息,进而根据待测时刻的时间信息、多个待测点的位置信息及待测时刻下多个待测点的风速信息重构得到的风电场的三维流场精确度较高。并且,采用高斯过程回归模型确定待测点的风速信息的准确度较高,也有助于提升重构得到的风电场的三维流场的精确度。
附图说明
图1所示为本申请一实施例中风电场的流场重构方法的流程图;
图2所示为本申请另一实施例中风电场的流场重构方法的流程图;
图3所示为本申请一实施例中测试时间段包括的多个目标时间段的示意图;
图4所示为本申请另一实施例中测试时间段包括的多个目标时间段的示意图;
图5所示为本申请一实施例中重构所述待测时刻下的所述风电场的三维流场的的流程图;
图6所示为本申请再一实施例中风电场的流场重构方法的流程图;
图7所示为本申请一实施例中测试时间段包括的多个子时间段的示意图;
图8所示为本申请一实施例中确定测试时间段中多个子时间段各自对应的第一超参数的流程图;
图9所示为本申请另一实施例中风电场的流场重构方法的确定装置的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”可以指单数形式,也可包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。除非另行指出,“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而且可以包括电性的连接,不管是直接的还是间接的。
高斯过程回归是一种机器学习回归方法,具有严格的统计学习理论基础,对处理高维数、小样本、非线性等复杂的问题具有较好的适应性,且具有泛化能力强、容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义等优点。高斯过程回归模型是基于高斯过程回归方法建立的模型。
本申请实施例提供的风电场的流场重构方法,包括:将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入与所述目标时间段对应的第一高斯过程回归模型,得到所述待测时刻下所述多个待测点的风速信息;及基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述风速信息,重构所述待测时刻下的所述风电场的三维流场。
本申请实施例提供的风电场的流场重构方法,对不同的目标时间段使用第一超参数不同的第一高斯过程回归模型来针对性地得到目标时间段内待测时刻的风速信息,通过将目标时间段内待测时刻的时间信息及风电场空间内多个待测点的位置信息输入至与目标时间段对应的第一高斯过程回归模型,得到的风电场空间内多个待测点的风速信息为同一待测时刻下的风速信息,进而根据待测时刻的时间信息、多个待测点的位置信息及待测时刻下多个待测点的风速信息重构得到的风电场的三维流场精确度较高。并且,采用高斯过程回归模型确定待测点的风速信息的准确度较高,也有助于提升重构得到的风电场的三维流场的精确度。
下面结合附图,对本申请提供的风电场的流场重构方法、装置及可读存储介质进行详细说明。在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
图1所示为风电场的流场重构方法100的一个实施例的流程图。参见图1,所述风电场的流场重构方法100包括如下步骤110和步骤120。
在步骤110中,将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入与目标时间段对应的第一高斯过程回归模型,得到所述待测时刻下所述多个待测点的风速信息。
在步骤120中,基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述风速信息,重构所述待测时刻下的所述风电场的三维流场。
图2所示为风电场的流场重构方法的另一个实施例的流程图。参见图2,所述风电场的流场重构方法包括如下步骤210至步骤240。
在步骤210中,根据目标时间段的时间信息,通过时间信息与第一超参数的映射关系,确定所述目标时间段对应的第一高斯过程回归模型的第一超参数。
在一个实施例中,所述目标时间段的时间信息可以是目标时间段所包括的时间段的时间信息。时间信息与第一高斯过程回归模型的第一超参数的映射关系为时间段的时间信息与第一高斯过程回归模型的第一超参数的映射关系。时间段的时长可小于或等于目标时间段的时长,例如可以是目标时间段的时长的一半或者三分之一等。在一个示例性实施例中,目标时间段的时长为60s,目标时间段包括的时间段的时长可以是10s、20s、30s、40s、50s、60s等。
在另一个实施例中,所述目标时间段的时间信息可以是目标时间段所包含的参考时刻的时间信息,时间信息与第一超参数的映射关系为参考时刻的时间信息与第一超参数的映射关系。在一个示例性实施例中,目标时间段的时长为60s,目标时间段的参考时刻可以是目标时间段中第0s的时刻、第10s的时刻、第10s的时刻、第20s的时刻、第30s的时刻、第40s的时刻、第50s的时刻、第60s的时刻等。
在一些实施例中,所述目标时间段的参考时刻为所述目标时间段的中间时刻,也即是参考时刻与目标时间段的起始时刻之间的时长为目标时间段的时长的一半。例如目标时间段的时长为60s,目标时间段的中间时刻与目标时间段的起始时刻之间的时长为30s。
目标时间段的参考时刻为中间时刻,则目标时间段包括的所有时刻中与中间时刻之间的距离时长最大值(目标时间段的两端的时刻与中间时刻之间的距离时长)为目标时间段的时长的一半。待测时刻与参考时刻之间的距离时长越大,由第一高斯过程回归模型确定出的待测时刻下待测点的风速信息准确性越低。相对于将参考时刻设置为非中间时刻的方案,可使得根据第一高斯过程回归模型得到的待测点的风速信息的误差较小。
在一些实施例中,时间信息与第一高斯过程回归模型的第一超参数的映射关系可通过第二高斯过程回归模型来得到。步骤210可包括如下过程:
构建第二高斯过程回归模型,所述第二高斯过程回归模型以时间信息为输入、以第一超参数为输出;第二高斯过程回归模型可表征时间信息与第一超参数的映射关系;
将所述目标时间段的时间信息输入至所述第二高斯过程回归模型,由所述第二高斯过程回归模型输出所述目标时间段对应的第一高斯过程回归模型的第一超参数。
在步骤220中,根据所述第一超参数,确定与所述目标时间段对应的所述第一高斯过程回归模型。
这里所说的与目标时间段对应的第一高斯过程回归模型,是指第一超参数与目标时间段对应的第一高斯过程回归模型。
在该步骤中,根据第一超参数及第一高斯过程回归模型的框架,即可确定第一高斯过程回归模型。可根据第一高斯过程回归模型的输入参数的数目及输出参数的数目选择合适的高斯过程回归模型框架。
在步骤230中,将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入与所述目标时间段对应的第一高斯过程回归模型,得到所述待测时刻下所述多个待测点的风速信息。
风电场空间为三维空间,包括很多个位置点。在一个实施例中,多个待测点可以是风电场空间的一部分位置点。多个待测点可以是在风电场空间内均匀分布的位置点,从而后续重构得到的风电场三维流场的精确度较高。
在一个实施例中,待测时刻可以是过去的某一时刻,也可以是未来的某一时刻。
在一个实施例中,待测点的风速信息是一个矢量。待测点的风速信息可以是待测点的实际风速,也可以是待测点的实际风速在指定方向上的分量。指定方向可以是预先确定的方向。
在一个实施例中,上述的步骤230,包括如下过程:
针对所述风电场空间的每一所述待测点,将所述待测时刻的时间信息及所述待测点的位置信息输入至所述第一高斯过程回归模型,由所述第一高斯过程回归模型输出所述待测时刻下该待测点的风速信息。也即是,每次向第一高斯过程回归模型输入待测时刻的时间信息及一个待测点的位置信息,第一高斯过程回归模型输出该待测点的风速信息。
在另一个实施例中,上述的步骤230,也可包括如下过程:
同时将M个待测点的位置信息及待测时刻的时间信息输入至第一高斯过程回归模型,由第一高斯过程回归模型同时输出待测时刻下M个待测点的风速信息。其中,M大于或等于2,M可小于所述多个待测点的个数,也可等于所述多个待测点的个数。也即是,每次向第一高斯过程回归模型输入两个或两个以上待测点的位置信息,第一高斯过程回归模型同时输出这些待测点的风速信息。
在步骤240中,基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述风速信息,重构所述待测时刻下的所述风电场的三维流场。
在一些实施例中,待测点的风速信息可以是待测点的实际风速信息在指定方向上的分量,所述重构所述待测时刻下的所述风电场的三维流场的步骤240,包括:基于所述多个待测点的位置信息和所述多个待测点的所述风速信息,确定所述待测时刻下多个待测点的实际风速信息,所述风电场的三维流场数据包括待测时刻的时间信息、多个待测点的位置信息和多个待测点的实际风速信息,进而确定风电场的三维流场。
在一个实施例中,基于待测时刻的时间信息、多个待测点的位置信息和多个待测点的所述风速信息,可通过建模的方法重构待测时刻下的风电场的三维流场。
在一个实施例中,目标时间段的数量为多个,确定所述目标时间段对应的第一高斯过程回归模型的第一超参数的步骤210,包括如下过程:
根据多个所述目标时间段的时间信息,通过时间信息与第一超参数的映射关系,确定多个所述目标时间段各自对应的第一高斯过程回归模型的第一超参数。
在一个实施例中,多个目标时间段的时长可相同,或者不完全相同。图3所示的实施例中,相邻两个目标时间段T2没有重合时段。图4所示的实施例中,多个目标时间段T2中,相邻两个目标时间段可有部分时段重合。
进一步地,所述确定所述目标时间段对应的第一高斯过程回归模型的步骤220,包括如下过程:
根据多个所述目标时间段各自对应的所述第一超参数,确定多个所述目标时间段各自对应的第一高斯回归模型。
在一个实施例中,根据多个目标时间段各自对应的第一超参数及各自对应的第一高斯过程回归模型的框架,即可确定多个目标时间段各自对应的第一高斯过程回归模型。可根据第一高斯过程回归模型的输入参数的数目及输出参数的数目选择合适的第一高斯过程回归模型框架。多个目标时间段各自对应的第一高斯过程回归模型的框架可相同。
如此可确定各个目标时间段对应的第一高斯过程回归模型。不同目标时间段对应的第一高斯过程回归模型可相同,也可不同。
在一个实施例中,多个所述目标时间段中,第N个目标时间段至第N+i个目标时间段的部分时段重合,N和i均为大于或等于1的整数。
进一步地,上述的步骤230,包括如下过程:
将部分时段重合的i+1个所述目标时间段内同一待测时刻的时间信息和同一所述待测点的位置信息输入这i+1个所述目标时间段各自对应的所述第一高斯过程回归模型,分别确定这i+1个所述目标时间段内的同一所述待测时刻下同一所述待测点的i+1个风速信息。
如此可得到同一待测时刻同一待测点对应的i+1个风速信息。
对于风电场空间的多个待测点,分别执行上述过程,可得到同一待测时刻下每个待测点对应的i+1个风速信息。
在一个实施例中,参见图5,所述重构所述待测时刻下的所述风电场的三维流场的步骤240,包括如下步骤241和步骤242。
在步骤241中,根据同一所述待测时刻下同一所述待测点的i+1个所述风速信息,确定该待测时刻该待测点的优化风速信息。
通过步骤241得到的优化风速信息的准确度更高,可进一步提升重构的风电场流场的精确度。
在一个实施例中,上述的步骤241,包括如下过程:
至少将i+1个所述风速信息进行加权平均计算,得到所述优化风速信息。
通过对i+1个所述风速信息进行加权平均计算,可提升得到的优化风速信息的准确性。
在一些实施例中,所述待测时刻与所在的目标时间段的参考时刻之间的时长为距离时长;加权平均计算中的i+1个所述风速信息对应的加权系数与对应的所述距离时长成反比。例如,待测时刻距离目标时间段的起始时刻的时长为5min,参考时刻距离目标时间段的起始时刻的时长为8min,则待测时刻与参考时刻之间的距离时长为3min。在一个实施例中,i+1=2,其中一个风速信息a对应的距离时长为3min,另一个风速信息b对应的距离时长为4min,则风速信息a对应的加权系数与风速信息b对应的加权系数的比值为4:3。
待测时刻与参考时刻之间的距离时长越小,通过第一高斯过程回归模型确定的待测时刻下待测点的风速信息的准确度越高。通过设置加权平均计算中的i+1个风速信息对应的加权系数与对应的距离时长成反比,可使得待测时刻下待测点的i+1个风速信息中准确度较高的风速信息所占的比重较大,准确度较低的风速信息所占的比重较小,从而提升得到的优化风速信息的准确性。
在一个实施例中,所述目标时间段的参考时刻包括所述目标时间段的中间时刻。对于测试时刻的各个目标时间段来说,将目标时间段的参考时刻设为目标时间段的中间时刻,有助于提升确定的待测时刻下待测点的风速信息的准确性,从而进一步提升确定优化风速信息的准确性。
在一个实施例中,i=1,第N个和第N+1个所述目标时间段的时长相同,且这两个目标时间段的重合时长等于第N个目标时间段时长的一半。也即是,多个目标时间段中,存在至少两个相邻的目标时间段具有相同的时长,且这两个相邻目标时间段的重合时长等于这两个目标时间段中一个目标时间段时长的一半。例如,两个所述目标时间段的时长均为60s,两个所述目标时间段的重合时长为30s。
在一些实施例中,再次参见图4,多个目标时间段T2的时长均相同,且任两个相邻的目标时间段均部分时段重合,重合时段T3的时长均等于目标时间段T2的时长的一半。如此设置,各个重合时段内的待测时刻下的风速信息均可采用上述步骤241进行优化,提升确定的风速信息的准确性。
在步骤242中,基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述优化风速信息,重构所述三维流场。
通过对待测时刻下待测点的风速信息进行优化,可使得待测时刻下待测点的风速信息更加准确,进而根据得到的优化风速信息重构的三维流场的准确性更高。
图6所示为风电场的流场重构方法的另一个实施例的流程图。参见图6,所述风电场的流场重构方法包括如下步骤310至步骤370。
在步骤310中,确定测试时间段中多个子时间段各自对应的第一高斯过程回归模型的第一超参数。
在一个实施例中,参见图7,测试时间段T包括多个子时间段T1,多个子时间段T1的时长相同。在其他实施例中,多个子时间段的时长可不同。
图7所示的实施例中,相邻两个子时间段T1的端点重合。在其他实施例中,相邻两个子时间段可间隔一段时长,或者相邻两个子时间段可有部分时长重合。
在一个实施例中,参见图8,确定测试时间段中多个子时间段各自对应的第一高斯过程回归模型的第一超参数的步骤310可包括如下步骤311和步骤312。
在步骤311中,获取所述子时间段内的多组测试数据,每组所述测试数据包括所述风电场空间的测试点的位置信息、测试时刻的时间信息及风速信息。
风电场空间的测试点可包括风电场空间中的一部分位置点。
在一个实施例中,测试数据通过检测风速的设备测得。检测风速的设备可以是扫描式激光雷达。扫描式激光雷达用于测风速具有数据获取方便、不受地形限制、测试精度高等优点。
在一个实施例中,采用扫描式激光雷达获取的测试数据中,测试点的位置信息可包括扫描式激光雷达发射的光束的方位角(方位角可以预定方向为基准,预定方向例如可以是正北方向)、扫描式激光雷达发射的光束与水平面之间的夹角及测试点与雷达之间的距离;测试数据包括的风速信息指测试点的实际风速在扫描式激光雷达与测量点的连线所在方向上的分量。
在一个实施例中,所述获取所述子时间段内的多组测试数据的步骤311,包括如下过程:
获取所述子时间段内的多个不同时刻测得的不同测试点的风速信息。
通过获取子时间段内的多个不同时刻的不同测试点的风速信息,可使得确定出的第一高斯过程回归模型的泛化能力更强,从而第一高斯过程回归模型用于预测不同测试时刻不同待测点的风速信息精确度更高。
在一个实施例中,子时间段的多个不同时刻中,相邻时刻之间的时长可以相同,也可以不同。子时间段的多个不同时刻可在子时间段均匀间隔分布,有助于提升确定的子时间段的第一超参数的准确度。
在步骤312中,根据所述多组测试数据,对未训练的第一高斯过程回归模型进行训练,得到所述子时间段对应的所述第一超参数。
在一个实施例中,可根据所述子时间段的多组测试数据,采用极大似然法、数据子集近似法等方法对未训练的第一高斯过程回归模型进行训练,得到子时间段对应的第一超参数。
对于测试时间段中的各个子时间段,分别执行上述步骤311和步骤312,可得到测试时间段中的多个子时间段各自对应的第一超参数。不同子时间段对应的测试数据的数量可相同,也可不同。
在一个实施例中,所述子时间段的时长大于所述目标时间段的时长。如此,子时间段的时长较大,可减小确定第一超参数过程中的训练量;目标时间段的时长较小,第一高斯过程回归模型预测的待测时刻的风速信息的准确度较高。在一些实施例中,子时间段的时长可以是目标时间段的时长的5倍~15倍。在一个示例性实施例中,子时间段的时长可以是目标时间段的时长的5倍、10倍、15倍等。子时间段的时长例如为10min,目标时间段的时长例如为1min。
在步骤320中,利用多个所述子时间段的时间信息和各自对应的所述第一超参数,对未训练的第二高斯过程回归模型进行训练,确定所述第二高斯过程回归模型的第二超参数。
在一个实施例中,可利用多个所述子时间段的时间信息和各自对应的第一超参数,采用极大似然法、数据子集近似法等方法对未训练的第二高斯过程回归模型进行训练,得到第二高斯过程回归模型的第二超参数。
在一个实施例中,所述子时间段的时间信息可以是子时间段包括的时间段的时间信息。子时间段包括的时间段的时长可小于或等于子时间段的时长,子时间段的时长例如可以是子时间段的时长的一半、三分之一等。在一个示例性实施例中,子时间段的时长为10min,子时间段包括的时间段的时长可以是2min、4min、6min、8min、10min等。
在另一个实施例中,所述子时间段的时间信息可以是子时间段包括的参考时刻的时间信息。在一个示例性实施例中,子时间段的时长为10min,子时间段的参考时刻可以是子时间段中第2min的时刻、第4min的时刻、第5min的时刻、第6min的时刻、第8min的时刻、第10min的时刻。
在一些实施例中,所述子时间段的参考时刻可以是所述子时间段的中间时刻。例如子时间段的时长为10min,目标时间段的中间时刻与目标时间段的起始时刻之间的时长为5min。
在步骤330中,根据所述第二超参数,确定所述第二高斯过程回归模型。
在该步骤中,根据第二超参数及第二高斯过程回归模型的框架,即可确定第二高斯过程回归模型。可根据第二高斯过程回归模型的输入参数的数目及输出参数的数目选择合适的第二高斯过程回归模型框架。
在步骤340中,将目标时间段的时间信息输入至第二高斯过程回归模型,由所述第二高斯过程回归模型输出所述目标时间段对应的第一高斯过程回归模型的第一超参数。
采用第二高斯过程回归模型可快速确定第一高斯过程回归模型的第一超参数,且确定出的第一超参数的准确度较高。第二高斯过程回归模型用于确定多个目标时间段对应的第一超参数时,效率较高,可节省计算时间。
在一个实施例中,目标时间段的时间信息与子时间段的时间信息相对应。也即是,若子时间段的时间信息为子时间段包括的时间段的时间信息,则目标时间段的时间信息为目标时间段包括的时间段的时间信息;若子时间段的时间信息为子时间段的参考时刻的时间信息,则目标时间段的时间信息为目标时间段的参考时刻的时间信息;若子时间段的时间信息为子时间段的参考时刻的时间信息,参考时刻为子时间段的中间时刻,则目标时间段的时间信息为目标时间段的中间时刻的时间信息。
在一个实施例中,目标时间段可以是测试时间段的一段时间。如此,根据第二高斯过程回归模型确定出的目标时间段对应的第一高斯过程回归模型的第一超参数的精确度较高,进而采用第一高斯过程回归模型预测得到的风速信息的准确度较高。
在步骤350中,根据所述第一超参数,确定与目标时间段对应的所述第一高斯过程回归模型。
在该步骤中,根据第一超参数及第一高斯过程回归模型的框架,即可确定第一高斯过程回归模型。可根据第一高斯过程回归模型的输入参数的数目及输出参数的数目选择合适的高斯过程回归模型框架。
在步骤360中,将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入第一高斯过程回归模型,得到所述待测时刻下所述多个待测点的风速信息。
该步骤中向第一高斯过程回归模型输入的待测点的位置信息包括虚拟光束的方位角、虚拟光束与水平面之间的夹角、及测试点与虚拟位置之间的距离,第一高斯过程回归模型输出的风速信息指待测点的实际风速在虚拟位置与测量点的连线所在方向上的分量。其中,虚拟位置指假设采用扫描式激光雷达测量待测点的风速信息时扫描式激光雷达的位置信息,虚拟光束指的是假设采用扫描式激光雷达测量待测点的风速信息时扫描式激光雷达发射的光束。获取测试数据时采用的扫描式激光雷达的位置与虚拟位置可相同。
在步骤370中,基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述风速信息,重构所述待测时刻下的所述风电场的三维流场。
在一些实施例中,待测点的风速信息可以是待测点的实际风速信息在指定方向上的分量,所述重构所述待测时刻下的所述风电场的三维流场的步骤370,包括:基于所述多个待测点的位置信息和所述多个待测点的所述风速信息,确定所述待测时刻下多个待测点的实际风速信息,所述风电场的三维流场数据包括待测时刻的时间信息、多个待测点的位置信息和多个待测点的实际风速信息,进而确定风电场的三维流场。
在一个实施例中,基于待测时刻的时间信息、多个待测点的位置信息和多个待测点的所述风速信息,可通过建模的方法重构待测时刻下的风电场的三维流场。
在一个实施例中,再次参见图3,多个目标时间段T2的时长可相同,相邻两个目标时间段没有重合时段。在其他实施例中,多个目标时间段T2的时长可不完全相同,相邻两个目标时间段可有部分时段重合。
在一个实施例中,所述将目标时间段的时间信息输入至第二高斯过程回归模型,由所述第二高斯过程回归模型输出所述目标时间段对应的第一高斯过程回归模型的第一超参数的步骤340,包括如下过程:将多个所述目标时间段的时间信息输入至第二高斯过程回归模型,由所述第二高斯过程回归模型输出各个所述目标时间段对应的第一高斯过程回归模型的第一超参数。
进一步地,所述确定所述目标时间段对应的第一高斯过程回归模型的步骤350,包括如下过程:
根据多个所述目标时间段各自对应的所述第一超参数,确定多个所述目标时间段各自对应的第一高斯回归模型。
在一个实施例中,根据多个目标时间段各自对应的第一超参数及各自对应的第一高斯过程回归模型的框架,即可确定多个目标时间段各自对应的第一高斯过程回归模型。第一高斯过程回归模型的框架可以采用现有的高斯过程回归模型的框架,可根据第一高斯过程回归模型的输入参数的数目及输出参数的数目选择合适的第一高斯过程回归模型框架。多个目标时间段各自对应的第一高斯过程回归模型的框架可相同。
如此可确定测试时间段内各个目标时间段对应的第一高斯过程回归模型。不同目标时间段对应的第一高斯过程回归模型可相同,也可不同。
在一个实施例中,多个所述目标时间段中,第N个至第N+i个目标时间段的部分时段重合,N和i均为大于或等于1的整数。
进一步地,上述的步骤360,包括如下过程:
将部分时段重合的i+1个所述目标时间段内同一待测时刻的时间信息和同一所述待测点的位置信息输入这i+1个所述目标时间段各自对应的所述第一高斯过程回归模型,分别确定N个所述目标时间段内的同一所述待测时刻下同一所述待测点的i+1个风速信息。
如此可得到同一待测时刻同一待测点对应的i+1个风速信息。
对于风电场空间的多个待测点,分别执行上述过程,可得到统一待测时刻下各个待测点对应的i+1个风速信息。在一个实施例中,所述重构所述待测时刻下的所述风电场的三维流场的步骤370,包括如下过程:
根据同一所述待测时刻下同一所述待测点的i+1个所述风速信息,确定该待测时刻该待测点的优化风速信息;
基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述优化风速信息,重构所述三维流场。
上述过程的详细介绍参见步骤241与步骤242,在此不再进行赘述。
本申请实施例还提供了一种风电场的流场重构方法的确定装置400。参见图9,确定装置400包括一个或多个处理器401,用于实现上述任一实施例所述的风电场的流场重构方法。在一些实施例中,确定装置400可以包括计算机可读存储介质404,计算机可读存储介质可以存储有可被处理器401调用的程序,可以包括非易失性存储介质。在一些实施例中,确定装置400可以包括内存403和接口402。在一些实施例中,确定装置400还可以根据实际应用包括其他硬件。
本申请实施例还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述任一实施例所述的风电场的流场重构方法。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例所提供的方法和装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
本专利文件披露的内容包含受版权保护的材料。该版权为版权所有人所有。版权所有人不反对任何人复制专利与商标局的官方记录和档案中所存在的该专利文件或者该专利披露。
Claims (17)
1.一种风电场的流场重构方法,其特征在于,包括:
将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入与所述目标时间段对应的第一高斯过程回归模型,得到所述待测时刻下所述多个待测点的风速信息;及
基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述风速信息,重构所述待测时刻下的所述风电场的三维流场。
2.根据权利要求1所述的流场重构方法,其特征在于,在将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入与所述目标时间段对应的第一高斯过程回归模型的步骤之前,还包括:
根据所述目标时间段的时间信息,通过时间信息与第一超参数的映射关系,确定所述目标时间段对应的第一高斯过程回归模型的第一超参数;
根据所述第一超参数,确定与所述目标时间段对应的所述第一高斯过程回归模型。
3.根据权利要求2所述的流场重构方法,其特征在于,所述根据所述目标时间段的时间信息,通过时间信息与第一超参数的映射关系,确定所述目标时间段对应的第一高斯过程回归模型的第一超参数,包括:
构建第二高斯过程回归模型,所述第二高斯过程回归模型以时间信息为输入,以第一高斯过程回归模型的第一超参数为输出;
将所述目标时间段的时间信息输入至所述第二高斯过程回归模型,由所述第二高斯过程回归模型输出所述目标时间段对应的第一高斯过程回归模型的第一超参数。
4.根据权利要求2或3所述的流场重构方法,其特征在于,所述目标时间段的时间信息包括所述目标时间段的参考时刻的时间信息。
5.根据权利要求4所述的流场重构方法,其特征在于,所述目标时间段的参考时刻包括所述目标时间段的中间时刻。
6.根据权利要求3所述的流场重构方法,其特征在于,所述构建第二高斯过程回归模型的步骤包括:
确定测试时间段中多个子时间段各自对应的第一超参数;
利用多个所述子时间段的时间信息和各自对应的所述第一超参数,对未训练的所述第二高斯过程回归模型进行训练,确定所述第二高斯过程回归模型的第二超参数;
根据所述第二超参数,确定所述第二高斯过程回归模型。
7.根据权利要求6所述的流场重构方法,其特征在于,所述确定测试时间段中多个子时间段各自对应的第一超参数的步骤包括:
获取所述子时间段内的多组测试数据,每组所述测试数据包括所述风电场空间的测试点的位置信息、测试时刻的时间信息及风速信息;
根据所述多组测试数据,对未训练的所述第一高斯过程回归模型进行训练,得到所述子时间段对应的所述第一超参数。
8.根据权利要求7所述的流场重构方法,其特征在于,所述获取所述子时间段内的多组测试数据的步骤包括:
获取所述子时间段内的多个不同时刻测得的不同测试点的风速信息。
9.根据权利要求7或8所述的流场重构方法,其特征在于,所述子时间段的时长大于所述目标时间段的时长。
10.根据权利要求2所述的流场重构方法,其特征在于,所述目标时间段的数量为多个,所述根据所述目标时间段的时间信息,通过时间信息与第一超参数的映射关系,确定所述目标时间段对应的第一高斯过程回归模型的第一超参数的步骤包括:
根据多个所述目标时间段的时间信息,通过时间信息与第一超参数的映射关系,确定多个所述目标时间段各自对应的第一高斯过程回归模型的第一超参数;
所述根据所述第一超参数,确定与所述目标时间段对应的第一高斯过程回归模型的步骤包括:
根据多个所述目标时间段各自对应的所述第一超参数,确定多个所述目标时间段各自对应的第一高斯回归模型。
11.根据权利要求10所述的流场重构方法,其特征在于,多个所述目标时间段中,第N个目标时间段至第N+i个目标时间段的部分时段重合,N和i均为大于或等于1的整数;
所述将目标时间段内待测时刻的时间信息、所述风电场空间内多个待测点的位置信息输入与所述目标时间段对应的第一高斯过程回归模型,得到所述待测时刻下所述多个待测点的风速信息的步骤包括:
将部分时段重合的i+1个所述目标时间段内同一待测时刻的时间信息和同一所述待测点的位置信息输入i+1个所述目标时间段各自对应的所述第一高斯过程回归模型,分别确定i+1个所述目标时间段内的同一所述待测时刻下同一所述待测点的i+1个风速信息;
所述基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述风速信息,重构所述待测时刻下的所述风电场的三维流场的步骤包括:
根据同一所述待测时刻下同一所述待测点的i+1个所述风速信息,确定该待测时刻该待测点的优化风速信息;
基于所述待测时刻的时间信息、所述多个待测点的位置信息和所述多个待测点的所述优化风速信息,重构所述三维流场。
12.根据权利要求11所述的流场重构方法,其特征在于,所述根据同一所述待测时刻下同一所述待测点的i+1个所述风速信息,确定该待测时刻该待测点的优化风速信息,包括:
至少将i+1个所述风速信息进行加权平均计算,得到所述优化风速信息。
13.根据权利要求12所述的流场重构方法,其特征在于,所述待测时刻与所在的目标时间段的参考时刻之间的时长为距离时长;
加权平均计算中的i+1个所述风速信息对应的加权系数与对应的所述距离时长成反比。
14.根据权利要求13所述的流场重构方法,其特征在于,所述目标时间段的参考时刻包括所述目标时间段的中间时刻。
15.根据权利要求11至14任一项所述的流场重构方法,其特征在于,i=1,第N个目标时间段和第N+1个目标时间段的时长相同,且第N个目标时间段和第N+1个目标时间段的重合时长等于第N个目标时间段时长的一半。
16.一种风电场的流场重构装置,其特征在于,包括一个或多个处理器,用于实现如权利要求1-15中任一项所述的流场重构方法。
17.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现如权利要求1-15中任一项所述的流场重构方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010550630.1A CN111753415A (zh) | 2020-06-16 | 2020-06-16 | 风电场的流场重构方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010550630.1A CN111753415A (zh) | 2020-06-16 | 2020-06-16 | 风电场的流场重构方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753415A true CN111753415A (zh) | 2020-10-09 |
Family
ID=72675751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010550630.1A Pending CN111753415A (zh) | 2020-06-16 | 2020-06-16 | 风电场的流场重构方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753415A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113270892A (zh) * | 2021-06-08 | 2021-08-17 | 上海电气风电集团股份有限公司 | 风电机组及其控制方法、装置、电子设备、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200102A (zh) * | 2014-09-03 | 2014-12-10 | 中国建筑设计咨询有限公司 | 一种基于cfd的光伏阵列风荷载预测方法 |
CN107944774A (zh) * | 2017-12-28 | 2018-04-20 | 华润电力技术研究院有限公司 | 一种风电场建设方案优化系统 |
CN108205734A (zh) * | 2017-12-28 | 2018-06-26 | 华润电力技术研究院有限公司 | 一种风电场建设方案的处理方法以及相关设备 |
CN109934283A (zh) * | 2019-03-08 | 2019-06-25 | 西南石油大学 | 一种融合cnn和sift光流的自适应运动目标检测方法 |
CN109992889A (zh) * | 2019-04-02 | 2019-07-09 | 上海电气风电集团有限公司 | 风电场模型的建立方法及系统、尾流值计算方法及系统 |
CN109992888A (zh) * | 2019-04-02 | 2019-07-09 | 上海电气风电集团有限公司 | 风电场的风资源情况的评估方法及系统 |
-
2020
- 2020-06-16 CN CN202010550630.1A patent/CN111753415A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200102A (zh) * | 2014-09-03 | 2014-12-10 | 中国建筑设计咨询有限公司 | 一种基于cfd的光伏阵列风荷载预测方法 |
CN107944774A (zh) * | 2017-12-28 | 2018-04-20 | 华润电力技术研究院有限公司 | 一种风电场建设方案优化系统 |
CN108205734A (zh) * | 2017-12-28 | 2018-06-26 | 华润电力技术研究院有限公司 | 一种风电场建设方案的处理方法以及相关设备 |
CN109934283A (zh) * | 2019-03-08 | 2019-06-25 | 西南石油大学 | 一种融合cnn和sift光流的自适应运动目标检测方法 |
CN109992889A (zh) * | 2019-04-02 | 2019-07-09 | 上海电气风电集团有限公司 | 风电场模型的建立方法及系统、尾流值计算方法及系统 |
CN109992888A (zh) * | 2019-04-02 | 2019-07-09 | 上海电气风电集团有限公司 | 风电场的风资源情况的评估方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113270892A (zh) * | 2021-06-08 | 2021-08-17 | 上海电气风电集团股份有限公司 | 风电机组及其控制方法、装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Deeprain: Convlstm network for precipitation prediction using multichannel radar data | |
US20180240200A1 (en) | Method and device for modeling a long-time-scale photovoltaic output time sequence | |
CN111667098A (zh) | 一种基于多模型组合优化的风力电站输出功率预测方法 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN107862170A (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
CN111753415A (zh) | 风电场的流场重构方法、装置及可读存储介质 | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
CN111709112A (zh) | 一种海上风电运行模拟方法、装置及存储介质 | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
CN113341459B (zh) | 基于机器学习和动力学计算融合的地震定位方法与设备 | |
CN116680569A (zh) | 基于rwkv神经网络的风资源预测方法和装置 | |
CN115907194A (zh) | 一种光伏发电功率预测方法、系统及产品 | |
Ultee et al. | A stochastic parameterization of ice sheet surface mass balance for the Stochastic Ice-Sheet and Sea-Level System Model (StISSM v1. 0) | |
CN114611799A (zh) | 发电功率预测方法、装置、设备、存储介质和程序产品 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
Dimoulkas et al. | EEM 2017 Forecast Competition: Wind power generation prediction using autoregressive models | |
Veljanovski et al. | Implementation of Neural Networks and Feature Selection for Short Term Load Forecast | |
CN114493004B (zh) | 一种基于机器学习的单点风速短临风速外推方法 | |
CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN116628570A (zh) | 风机叶片覆冰失效检测方法、装置、存储介质和设备 | |
El Assadi | Multistep Electricity Price Forecasting for Deregulated Energy Markets: GAN-Based Reinforcement Learning | |
Matar | Analytical modelling and representation of wind energy resources | |
Barajas | An Approach to Tuning Hyperparameters in Parallel: An Approach to Tuning Hyperparameters in Parallel |
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 |