CN113205218A - 一种基于无人机摄像成图的风电场微观选址方法 - Google Patents
一种基于无人机摄像成图的风电场微观选址方法 Download PDFInfo
- Publication number
- CN113205218A CN113205218A CN202110495787.3A CN202110495787A CN113205218A CN 113205218 A CN113205218 A CN 113205218A CN 202110495787 A CN202110495787 A CN 202110495787A CN 113205218 A CN113205218 A CN 113205218A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- image
- dsm
- 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 description 24
- 238000013507 mapping Methods 0.000 title claims description 11
- 238000009434 installation Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000010187 selection method Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000010006 flight Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明涉及风电开发技术领域，特别涉及一种基于无人机摄像成图的风电场微观选址方法。通过低空无人机采集航空影像数据，根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到预处理图像；预处理图像结合pos数据与地面RTK布点数据完成空中三角测量；通过DSM点云数据和DOM点云数据导入成图软件得到DLG数据；基于DSM点云数据和DOM点云数据进行精细化处理得到DSM模型和DOM模型，生成三维地图；结合DSM模型与流体力学进行分析模拟，在三维地图上进行风电机组叠加初步选定布局位置；初步选定的布局位置结合环境敏感因素，再次进行风电机组叠直到确定设计方案。优化了风电机组安装位置，提高了风电场微观选址的整体收益。
Description
技术领域
本发明涉及风电开发技术领域，特别涉及一种基于无人机摄像成图的风电场微观选址方法。
背景技术
风能是因空气流做功而提供给人类的一种可利用的能量，属于可再生能源。空气流具有的动能称风能。空气流速越高，动能越大。人们可以用风电机组把风的动能转化为旋转的动作去推动发电机，以产生电力。到 2008 年为止，全世界以风力产生的电力约有94.1 百万千瓦，供应的电力已超过全世界用量的1%。
在风电机组项目中，需要重点管理的有：风电场的微观选址；风机基础地基处理；风机塔筒、叶片，机舱体的运输及吊装的安装等问题；其中风电场的微观选址需要进行大量的工作；由于很多风电机组项目在山区，地形复杂，条件恶劣，导致风电场的选址问题较为复杂； 其中，风力发电电场选址一般要求年平均风速在 6 米/秒以上(60-70 米高度)，山区在 5.8 米/秒以上，年平均有效风能功率密度在 150 瓦/平方米以上，每台风机的平均间距为叶片直径的 4-6 倍，并网条件好，要求风电场直接接入的电网不超过20公里，离居民区 300米以上的距离，另外，还需要考虑电价、风向、地形、地质、气候、环境以及道路交通等一系列因素， 因此风电项目选址非常重要。
目前现有技术中对风电场的微观选址一般都是基于风能资源来考虑，如CN201510422396.3 一种高海拔山地风电场微观选址方法包括：步骤 S1，测风数据分析；步骤S2，风能资源模拟；步骤 S3，机组选型；步骤 S4，确定有效开发区域；步骤 S5，风电机组优化排布；提高土地和风能资源利用率，实现投资效益最大化；然而由于很多地形的复杂化，现有方法并不能实现风电场微观选址的优化处理。
发明内容
本发明的目的是为了解决上述现有技术的不足而提供一种基于无人机摄像成图的风电场微观选址方法。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于无人机摄像成图的风电场微观选址方法，通过低空无人机采集航空影像数据，根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到预处理图像；预处理图像结合 pos 数据与地面 RTK 布点数据完成空中三角测量；通过数据处理得到 DSM 点云数据和 DOM 点云数据；通过 DSM 点云数据和 DOM点云数据导入成图软件得到 DLG 数据；基于 DSM 点云数据和 DOM 点云数据进行精细化处理得到 DSM 模型和 DOM 模型，生成三维地图；结合 DSM 模型与流体力学进行分析模拟，在三维地图上进行风电机组叠加初步选定布局位置；根据初步选定的布局位置结合环境敏感因素，再次进行风电机组叠直到最终确定设计方案。
以上技术方案中优选的，所述低空无人机采集航空影像数据时，S1，划定目标区域形状和面积，进行无人机航线的像控点设置；S2，计算并确定无人机飞行的高度以及无人机的飞行速度；S3，同一目标区域设置两条相互平行的无人机航线；至少两个无人机沿两条航线飞行，并采集航空影像数据。其中，无人机采用倾斜摄影，当一组无人机飞行时，尽量保持两个无人机平行飞行，一组无人机对同一目标区域进行拍摄，拍摄后得到多组相对应的航空影像数据。
进一步优选的，同一目标区域采集的所述航空影像数据至少包括两组畸变影像图像；同一组的畸变影像图像根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到一组纠偏图像；将不同组的所述纠偏图像随机进行叠加拟合得到多个具有 EXIF 信息的预备图像；通过开源的基于深度学习的卷积神经网络技术对多个预备图像进行识别，得到至少两个待选预备图像，选取其中一个作为预处理图像；采用最小二乘原理，将畸变影像图像整体平差，将相机畸变参数，相机内外方位元素，畸变影像图像标记点坐标，通过平差迭代，计算出镜头畸变参数。
以上技术方案中优选的，所述项目参数包括相机参数，像控点参数。
以上技术方案中优选的，所述 DSM 模型和 DOM 模型需达到 1:2000 比例尺精度要求。以上技术方案中优选的，将 DLG 数据等高划分后，同一层高进行风电机组叠加，并基于CFD 方法对目标区域风能资源进行模拟分析；然后进行风电机组安装位置选定；将上述风电机组叠加至三维原始地图，剔除噪声数据；上述噪声数据包括无法实际进行安装的风电机组安装坐标；在进行目标区域风能资源模拟分析是，还应当考虑风电机组的高度，叶轮的直径， 风电机组之间的距离等问题。
以上技术方案中优选的，所述噪声数据还包括环境敏感因素，所述环境敏感因素包括自然保护区，军事禁区、宗教民俗区。
本发明提供的技术方案带来的有益效果是：
1、本发明采用目标区域影响双采集模式，避免了单一无人机获取影像时由于风力等因素造成的偏差，本方法对同一组数据分别进行纠偏，通过多次拟合比对后，得到高精准的三维地图以及 DSM 模型和 DOM 模型，更有利于室内选址时对实际地形的掌握，减少了实际现场需要的人力成本和时间成本；为风电场微观选址提供了支持。
2、本发明基于 CFD 方法对目标区域风能资源进行模拟分析，通过 DLG 数据对风电机组安装位置进行选定，保证了风能资源利用效率；并且通过 DSM 模型、DOM 模型以及三维地图结合环境敏感因素对风电机组安装位置进行多次叠加选择，优化风电机组安装位置，提高了风电场微观选址的整体收益。
具体实施方式
本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本实施例具体包括一种基于无人机摄像成图的风电场微观选址方法，通过以下方法实现：本发明通过低空无人机采集航空影像数据，获取的原始影像数据格式一般为：JPG、BMP、TIF 等格式，优选 TIF 格式。然后将原始影像数据根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到预处理图像；其中无人机航空拍摄的相机为非量测相机，通过 PixelGrid 主程序进行畸变差纠正；项目参数包括相机参数，像控点参数等。
预处理图像结合 pos 数据与地面 RTK 布点数据完成空中三角测量；通过数据处理得到 DSM 点云数据和 DOM 点云数据；通过 DSM 点云数据和 DOM 点云数据导入成图软件得到 DLG 数据； 基于 DSM 点云数据和 DOM 点云数据进行精细化处理得到 DSM 模型和 DOM 模型，生成三维地图。
结合 DSM 模型与流体力学进行分析模拟，在三维地图上进行风电机组叠加初步选定布局位置；根据初步选定的布局位置结合环境敏感因素，再次进行风电机组叠直到最终确定设计方案。
其中，低空无人机采集航空影像数据时，S1，划定目标区域形状和面积，进行无人机航线的像控点设置；S2，计算并确定无人机飞行的高度以及无人机的飞行速度；S3，同一目标区域设置两条相互平行的无人机航线；至少两个无人机沿两条航线飞行，并采集航空影像数据。其中，无人机采用倾斜摄影，当一组无人机飞行时，尽量保持两个无人机平行飞行，一组无人机对同一目标区域进行拍摄，拍摄后得到多组相对应的航空影像数据。
同一目标区域采集的航空影像数据至少包括两组畸变影像图像，本实施例采用四组畸变影像图像；同一组的畸变影像图像根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到一组纠偏图像；将不同组的所述纠偏图像随机进行叠加拟合得到多个具有 EXIF 信息的预备图像；通过开源的基于深度学习的卷积神经网络技术对多个预备图像进行识别，得到至少两个待选预备图像，选取其中一个作为预处理图像；采用最小二乘原理，将畸变影像图像整体平差，将相机畸变参数，相机内外方位元素，畸变影像图像标记点坐标，通过平差迭代，计算出镜头畸变参数。
根据实际拟合情况，本实施例中 DSM 模型和 DOM 模型需达到 1:2000 比例尺精度要求；采用目标区域影响双采集模式，避免了单一无人机获取影像时由于风力等因素造成的偏差，本方法对同一组数据分别进行纠偏，通过多次拟合比对后，得到高精准的三维地图以及 DSM 模型和 DOM 模型，更有利于室内选址时对实际地形的掌握，减少了实际现场需要的人力成本和时间成本；为风电场微观选址提供了支持。
在进行风电机组安装位置选定时，先将 DLG 数据等高划分后，同一层高进行风电机组叠加，并基于 CFD 方法对目标区域风能资源进行模拟分析；然后进行风电机组安装位置选定； 将上述风电机组叠加至三维原始地图，剔除噪声数据；上述噪声数据包括无法实际进行安装的风电机组安装坐标等；如安装难度系数过大，不利于设备运输；又如安装后可能破坏原有地形地貌或者生态环境等情况。
在进行目标区域风能资源模拟分析时，还应当考虑风电机组的高度，叶轮的直径，风电机组之间的距离等问题；其中噪声数据还包括环境敏感因素，所述环境敏感因素包括自然保护区，军事禁区、宗教民俗区；在进行风电机组安装位置选定时，还需要充分考虑到自然保护区，军事禁区、宗教民俗区等，应当进行规避，同时还要考虑到风电机组之间的距离，风电机组与居民区之间的距离等。
基于 CFD 方法对目标区域风能资源进行模拟分析，通过 DLG 数据对风电机组安装位置进行选定，保证了风能资源利用效率；并且通过 DSM 模型、DOM 模型以及三维地图结合环境敏感因素对风电机组安装位置进行多次叠加选择，一般叠加次数不少于 3 次，优化风电机组安装位置，提高了风电场微观选址的整体收益。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于无人机摄像成图的风电场微观选址方法，其特征在于：通过低空无人机采集航空影像数据，根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到预处理图像；预处理图像结合 pos 数据与地面 RTK 布点数据完成空中三角测量；通过数据处理得到 DSM 点云数据和 DOM 点云数据；通过 DSM 点云数据和 DOM 点云数据导入成图软件得到 DLG 数据；基于 DSM 点云数据和 DOM 点云数据进行精细化处理得到 DSM 模型和 DOM 模型，生成三维地图；结合 DSM 模型与流体力学进行分析模拟，在三维地图上进行风电机组叠加初步选定布局位置；根据初步选定的布局位置结合环境敏感因素，再次进行风电机组叠直到最终确定设计方案。
2. 根据权利要求 1 所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：所述低空无人机采集航空影像数据时，S1，划定目标区域形状和面积，进行无人机航线的像控点设置；S2，计算并确定无人机飞行的高度以及无人机的飞行速度；S3，同一目标区域设置两条相互平行的无人机航线；至少两个无人机沿两条航线飞行，并采集航空影像数据。
3. 根据权利要求 2 所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：同一目标区域采集的所述航空影像数据至少包括两组畸变影像图像；同一组的畸变影像图像根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到一组纠偏图像；将不同组的所述纠偏图像随机进行叠加拟合得到多个具有EXIF 信息的预备图像；通过开源的基于深度学习的卷积神经网络技术对多个预备图像进行识别，得到至少两个待选预备图像，选取其中一个作为预处理图像。
4. 根据权利要求 1 所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：所述项目参数包括相机参数，像控点参数。
5. 根据权利要求 1 所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：所述 DSM 模型和 DOM 模型需达到 1:2000 比例尺精度要求。
6. 根据权利要求 1 所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：将DLG 数据等高划分后，同一层高进行风电机组叠加，并基于 CFD 方法对目标区域风能资源进行模拟分析；然后进行风电机组安装位置选定；将上述风电机组叠加至三维原始地图，剔除噪声数据；上述噪声数据包括无法实际进行安装的风电机组安装坐标。
7. 根据权利要求 6 所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：所述噪声数据还包括环境敏感因素，所述环境敏感因素包括自然保护区，军事禁区、宗教民俗区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110495787.3A CN113205218A (zh) | 2021-05-07 | 2021-05-07 | 一种基于无人机摄像成图的风电场微观选址方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110495787.3A CN113205218A (zh) | 2021-05-07 | 2021-05-07 | 一种基于无人机摄像成图的风电场微观选址方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113205218A true CN113205218A (zh) | 2021-08-03 |
Family
ID=77029668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110495787.3A Pending CN113205218A (zh) | 2021-05-07 | 2021-05-07 | 一种基于无人机摄像成图的风电场微观选址方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113205218A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100379A (zh) * | 2022-06-15 | 2022-09-23 | 广东能源集团科学技术研究院有限公司 | 一种风机叶片运输监管方法、系统、设备及介质 |
-
2021
- 2021-05-07 CN CN202110495787.3A patent/CN113205218A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100379A (zh) * | 2022-06-15 | 2022-09-23 | 广东能源集团科学技术研究院有限公司 | 一种风机叶片运输监管方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6759966B2 (ja) | 太陽光発電システムの作動方法 | |
| CN103310283B (zh) | 一种风光互补电站的选址方法 | |
| CN109555654A (zh) | 基于风机模型重构的叶片自动跟踪检测方法及系统 | |
| CN101741085A (zh) | 一种短期风电功率预报方法 | |
| US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
| CN103020462A (zh) | 计及复杂尾流效应模型的风电场概率输出功率计算方法 | |
| CN103942736B (zh) | 一种风电场多机等值建模方法 | |
| JPWO2019155594A1 (ja) | 太陽光発電設備の設計支援装置、設計支援方法、設計支援プログラム及び設計支援用学習済みモデル作成装置 | |
| CN109274121A (zh) | 一种风电场控制参数优化方法及系统 | |
| CN108897932A (zh) | 一种风电场现场微观选址室内实现的方法 | |
| CN112734970A (zh) | 基于LoRaWAN定位技术的风电场无人机自动巡检系统及方法 | |
| CN111709644B (zh) | 一种利用机组scada数据的风电场风资源计算方法 | |
| CN115455811A (zh) | 基于数字孪生、深度强化学习的光伏电站电池板布置方法 | |
| Abdraman et al. | Wind Resource Assessment in the City of N'djamena in Chad | |
| CN115326075A (zh) | 一种基于无人机实现风场全域自动化巡检的路径规划方法 | |
| CN113205218A (zh) | 一种基于无人机摄像成图的风电场微观选址方法 | |
| CN105184667B (zh) | 双重嵌套模拟风电场风速分布的方法 | |
| CN117010284B (zh) | 基于风电场噪声的机位排布方法、装置、设备及存储介质 | |
| CN104166948A (zh) | 一种利用Globcover土地覆盖数据评估风电场风能资源的方法 | |
| CN115586591A (zh) | 风暴潮的自动预报方法以及装置 | |
| CN202599970U (zh) | 风电场风速预测装置和风电场功率预测系统 | |
| CN109446548A (zh) | 一种海上风场自动化机位排布软件及其运行方法 | |
| CN115661245A (zh) | 一种基于无人机的大尺度火线瞬时定位方法 | |
| Benevit et al. | Subtle influence of the Weibull shape parameter on homer optimization space of a wind diesel hybrid gen set for use in southern Brazil | |
| Tahir et al. | Estimate of the wind resource of two cities in the sahara and sahel in Chad |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |