CN113344247A - 一种基于深度学习的电力设施选址预测方法与系统 - Google Patents

一种基于深度学习的电力设施选址预测方法与系统 Download PDF

Info

Publication number
CN113344247A
CN113344247A CN202110517113.9A CN202110517113A CN113344247A CN 113344247 A CN113344247 A CN 113344247A CN 202110517113 A CN202110517113 A CN 202110517113A CN 113344247 A CN113344247 A CN 113344247A
Authority
CN
China
Prior art keywords
data
model
anemometer tower
site selection
training
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
Application number
CN202110517113.9A
Other languages
English (en)
Other versions
CN113344247B (zh
Inventor
刘道洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Aneng Group First Engineering Bureau Co Ltd
Original Assignee
Guangdong Hualian Yungu Science And Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Hualian Yungu Science And Technology Research Institute Co ltd filed Critical Guangdong Hualian Yungu Science And Technology Research Institute Co ltd
Priority to CN202110517113.9A priority Critical patent/CN113344247B/zh
Publication of CN113344247A publication Critical patent/CN113344247A/zh
Application granted granted Critical
Publication of CN113344247B publication Critical patent/CN113344247B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及风力发电技术领域，尤其涉及一种基于深度学习的电力设施选址预测方法与系统，包括：步骤一收集已有风电场和后期测风塔的地图数据信息；步骤二对每一个风电场和测风塔人工标注，获得第一标签数据；步骤三构建FCNN神经网络模型以及第一标签数据分类结果；步骤四对第一标签数据的分类结果再次标注，获得第二标签数据；步骤五构建CNN神经网络模型以及第二标签数据分类结果；步骤六对新风电场的最佳测风塔位置信息预测，得到预测的最佳测风塔位置信息并存入SQL数据库中。通过本发明在新的风电场建设后期测风塔时，只需要输入风电场的地图数据信息，便可自动预测新风电场中的后期测风塔最佳建设位置信息，达到减少人力成本和时间成本的目的。

Description

一种基于深度学习的电力设施选址预测方法与系统
【技术领域】
本发明涉及风力发电技术领域，尤其涉及一种基于深度学习的电力设施选址预测方法与系统。
【背景技术】
近年来，随着环保意识的提高和新能源技术的发展，越来越多的人力、物力投入到新能源领域中去。而新能源领域中非常重要的一类就是风力发电，全国风力发电量占比已达到总发电量的5.23％，发展速度非常迅速。然而由于消纳问题的存在，人们对于风电场的精确发电量预测和评估有了更高的需求。对于已投入运行的风电场进行风资源检测、发电量后评估和超短期功率预测是解决风力发电消纳问题的重要手段。测风塔作为进行风资源监测、发电量后评估和超短期功率预测的设备，通过在已建成的风电场中建立后期测风塔，对于我们精确评估风电场的发电量、解决风力发电消纳问题有着重要作用。
近年来，已经有一些风电场建立了后期测风塔，但是这些后期测风塔在使用过程中暴露出如下几个方面的问题，即：
1.由于没有考虑到风电场建成后对于风资源、地形等的影响，依然按照前期设计图纸进行选址建设，因此这些测风塔所测得的测风数据对风电场风资源状况的代表性普遍较差，并不能实质上帮助解决风力发电消纳问题。也正是因为测风塔的选址严重影响着它对于这个风电场的代表性，所以需要对测风塔选址方法进行研究；
2.目前普遍应用的测风塔选址方法主要是从地形、障碍物等对测风数据的影响因素与测风塔位置对整个风电场的代表性因素进行考量。如今已建立的后期测风塔大多是沿用了设计阶段的前期测风塔，这些测风塔并未考虑已建成的风电场中的因素对测风塔测风准确度的影响。而且，目前的测风塔选址方法尚停留在定性分析上，这意味着在风电场中选取的测风塔位置可能只是比较合适的位置而非全局最优解。因此对测风塔选址工作进行定量分析是十分必要的；
3.当前对于测风塔位置的选定，都是要在实地勘察得到的地理位置信息、气象数据信息、生态环境信息等的基础上，按照经验和GBT18709-2002标准进行人工筛选，最终得到一个最优结果。然后这样做的结果是，由于每个人的专业水准和经验不一样，可能导致筛选的结果不一样，为此又要花费人力和时间在实地考察上，这样就浪费了大量的人力和时间，不能满足现有风力发电发展对于建设测风塔的需求。
【发明内容】
鉴于上述内容，本发明提供了一种基于深度学习的电力设施选址预测方法与系统。
本发明提供的技术方案为：
一方面，本发明提供了一种基于深度学习的电力设施选址预测方法，具体的过程如下：
一种基于深度学习的电力设施选址预测方法，包括：
步骤一：通过数据爬取技术收集已有风电场和后期测风塔的地图数据信息，建立一个包含所述数据信息的SQL数据库；
步骤二：对每一个所述风电场和所述测风塔进行人工标注，获得第一标签数据；
步骤三：根据所述步骤二中得到的所述第一标签数据和相应的所述地图数据信息，构建FCNN神经网络模型以及基于所述第一标签数据的分类结果，并存入所述SQL数据库中；
步骤四：对所述步骤三中获得的所述第一标签数据的分类结果进行再次标注，获得第二标签数据；
步骤五：根据所述步骤四中得到的所述第二标签数据和相应的地图数据，构建CNN神经网络模型以及基于第二标签数据的分类结果，并存入所述SQL数据库中；
步骤六：对新风电场的最佳测风塔位置信息进行预测，并通过所述FCNN神经网络模型以及所述CNN神经网络模型得到预测的最佳测风塔位置信息并将所述预测的最佳测风塔位置信息的结果存入所述SQL数据库中，同时对模型进行重新的训练。
进一步的，所述步骤一通过网络爬虫技术在网络上对公开地图数据库进行数据爬取，收集所述已有风电场和后期测风塔的JPG格式的地图数据信息，即包含所述风电场和所述后期测风塔的地图数据，并建立一个SQL数据库，用于存储数据信息，所述JPG格式的地图数据信息转换为二进制数据存入到所述SQL数据库中。
进一步的，所述步骤二中使用Labelimg标注软件，对所述SQL数据库中存储的每个地图数据进行标注并按照预设的映射表得到对应的标签数据，然后将所述标签数据存入所述SQL数据库中作为第一标签数据。
进一步的，所述风电场于后期测风塔的直接地理信息取决于测风塔的地形特点、测风塔与风电场发电机组之间的位置数据以及测风塔与风电场之间的障碍物因素，所述映射表将所述地图数据信息分为优、良、中和差四类。
进一步的，所述步骤三读取所述SQL数据库中的所述地图数据信息和所述第一标签数据，将所述数据信息按照10：2：3的比例划分为训练数据集、验证数据集和测试数据集，所述训练数据集用于训练所述FCNN神经网络模型，不断自动调整所述FCNN神经网络模型的参数以达到对所述训练数据集的准确率不断上升的目的；所述验证数据集用于验证训练过程中有无发生过拟合现象，验证所述FCNN神经网络模型对于未曾见过的同类型数据的预测准确率，将所述训练数据集和所述验证数据集输入到FCNN神经网络模型，即模型1，进行反复训练，直至所述模型1具备用于实践的能力。
当所述模型1对于训练数据集的预测准确率不再上升或上升幅度很小且对于验证数据集的预测准确率仍然处于一个较高的水平时，停止训练，得到构建好的模型1，此时，将测试数据集输入到模型1中，若发现预测准确率并不理想，那么需要对模型1的网络结构或超参数进行调整并进行重新训练，若发现预测准确率比较高，那么说明模型1已经可以用于实践。
进一步的，将所述SQL数据库中的所述地图数据信息和所述第一标签数据输入到所述模型1中，此时得到基于第一标签数据的分类结果，并将构建好的所述模型1和所述第一标签数据的分类结果存入所述SQL数据库中，所述第一标签数据分类结果为初选测风塔位置信息。
进一步的，所述步骤四从所述SQL数据库中读取所述第一标签数据的分类结果中的优和良两类的地图数据信息，并进行再次人工标注,首先根据所述地图数据信息，进行风资源监测选址指数、发电量后评估选址指数以及超短期功率预测选址指数的计算，将所述风资源监测选址指数、所述发电量后评估选址指数以及所述超短期功率预测选址指数进行综合计算得到选址指数，然后根据所述选址指数，将所述地图数据信息标注为适合与不适合两类，并按照映射表得到对应的标签数据，存入所述SQL数据库中作为第二标签数据，所述映射表将所述地图数据信息分为适合和不适合。
进一步的，所述步骤五读取所述SQL数据库中的所述第二标签数据和相应的所述地图数据信息，将所述数据信息按照10：2：3的比例划分为训练数据集、验证数据集和测试数据集。将所述训练数据集和所述验证数据集输入到所述CNN神经网络模型中，即模型2，并重复训练直至所述模型2具备用于实践的功能，从而获得基于第二标签数据的分类结果，将构建好的所述模型2和所述第二类分类结果存入SQL数据库中，所述第二标签数据分类结果为最佳测风塔位置信息。
当所述模型2对于所述训练数据集的预测准确率不再上升或上升幅度很小且对于所述验证数据集的预测准确率仍然处于一个较高的水平时，停止训练，得到构建好的所述模型2，此时将所述测试数据集输入到所述模型2中，若发现预测准确率并不理想，那么需要对所述模型2的网络结构或超参数进行调整并进行重新训练，若发现预测准确率比较高，那么说明所述模型2已经可以用于实践。
所述步骤六首先收集所述风电场的所述地图数据信息，再将所述地图数据信息依次输入到所述步骤三和所述步骤五构建的模型1和模型2中，得到预测的最佳测风塔位置信息，将所述地图数据信息和所述预测的最佳测风塔位置信息存入所述SQL数据库中，当新存入的所述信息条数达到预设值时，所述SQL数据库中的地图数据重新按照所述步骤二至所述步骤五重新训练所述模型1和所述模型2。
另一方面，本发明提供了一种基于深度学习的电力设施选址预测系统，具体的过程如下：
一种基于深度学习的电力设施选址预测系统，包括：
读取模块，用于对通过数据爬取技术读取收集已有风电场和后期测风塔的所述地图数据信息，建立一个包含所述数据信息的数据库；
构建模块，根据所述第一标签数据、所述第二标签数据和相应的所述地图数据信息，分别构建所述FCNN神经网络模型、所述CNN神经网络模型以及基于所述第一标签数据、所述第一标签数据的分类结果，并存入所述SQL数据库中。
抽取模块，用于获取与与所述风电场和后期测风塔相关联的所述地图数据信息；
分类模块，用于对所述第一标签数据以及所述第二标签数据分别进行分类结果，并存入所述SQL数据库中；
更新模块，用于将所述SQL数据库中的所述地图数据信息和所述预测的最佳测风塔位置信息条数进行统计梳理，当新存入的所述信息条数达到预设值时，所述SQL数据库中的地图数据重新按照所述步骤二至所述步骤五重新训练更新所述模型1和所述模型2；
所述读取模块电连接所述构建模块，所述构建模块电连接所述抽取模块，所述抽取模块电连接所述分类模块，所述分类模块电连接所述更新模块，所述读取模块、所述构建模块、所述抽取模块、所述分类模块以及所述更新模块同时分别电连接并通信于处理器，所述处理器用于处理所述计算机程序时实现上述任一项所述的基于深度学习的电力设施选址预测方法。
本发明技术方案带来的有益效果：本发明针对已建成风电场中后期测风塔的选址问题，提出了一个基于双神经网络模型的自动预测系统，在已有的数据基础上建立好双神经网络模型后，在新的风电场建设后期测风塔时，只需要输入风电场的JPG格式的地图数据信息，便可自动预测这个新风电场中的后期测风塔的最佳建设位置信息，达到减少人力成本和时间成本的目的。另外他还有利于纠正由于测风塔建立后本身体积和位置占用导致的风向细微变化的问题。
【附图说明】
图1为本发明一种基于深度学习的电力设施选址预测方法步骤顺序示意图；
图2为本发明一种基于深度学习的电力设施选址预测系统结构示意图；
其中，100、读取模块，200、构建模块，300、抽取模块，400、分类模块，500、更新模块，600、处理器。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，具体为：
步骤一：通过数据爬取技术收集已有风电场和后期测风塔的JPG格式的地图数据信息，建立一个包含这些数据信息的数据库。
该数据库是建立测风塔的前期数据库，用于获取测风塔及建筑位置。另一方面该数据库用于存储图片格式的数据，有利于后面匹配图片，实现风电场风塔自动选址。
通过网络爬虫技术等，在网络上对公开地图数据库进行数据爬取，收集所述已有风电场和后期测风塔的JPG格式的地图数据信息，即包含该风电场和后期测风塔的JPG格式的地图数据。
建立一个SQL数据库，用于存储数据信息，由于JPG格式图片无法直接存入SQL数据库中，因此需要先将这些JPG格式的JPG格式的地图数据信息转换为二进制数据存入到数据库中。
例如：利用网络爬虫技术，在北极星电力网进行数据爬取，通过关键词“内蒙古风电场”匹配，将包含这些关键词的网页中的图片以JPG格式下载下来，这些JPG格式的图片包含内蒙古已有风电场和后期测风塔的JPG格式的地图数据信息，然后将这些图片按照像素点逐个转换为二进制格式的字节数组存储到SQL数据库中。
步骤二：对每一个风电场和测风塔进行人工标注，获得第一标签的分类结果。
使用LabelImg标注软件，对数据库中存储的每个地图数据进行标注。根据测风塔的地形特点(即地形的陡峭程度)、测风塔与风电场发电机组之间的位置数据(即海拔高度差、相对位置信息)、测风塔与风电场之间的障碍物因素(即障碍物的多少和高度)等风电场于后期测风塔的直接地理信息，将这些地图数据分为“优”、“良”、“中”、“差“四类，并按照映射表{“优：4，”良：3，“中”：2，“差”：1}，得到对应的标签数据，然后存入SQL数据库中作为第一标签数据。对风电场图片数据进行标注，有利于在用户获得拍摄到的地图数据后，立刻预测出该地理位置是否是有利于建筑风电场风塔的。其中所选的特征，包括的地形特点(即地形的陡峭程度)、测风塔与风电场发电机组之间的位置数据(即海拔高度差、相对位置信息)、测风塔与风电场之间的障碍物因素(即障碍物的多少和高度)，这些在地图数据上就能获取得到，这是为什么要采用地图数据进行JPG格式解析的原因，因为只要将各个像素点进行记录，就能知道图片上大概区域的地理环境，能够得到相关上面提到的位置信息的特征。
例如：对于某一张地图数据，我们在LabelImg中根据地图数据发现其中测风塔所处位置的地形特点是陡峭、测风塔与风电场发电机组之间的海拔高度差为96m，与每台风电机组的距离为42m，大于2倍风轮直径、测风塔与风电场之间存在障碍物是：树林(约15m^2，最高6m)，因此将这张地图分为“良”类，代表这个地图数据中，测风塔的位置选择是相对较好但不是最好的位置，然后按照映射表{“优：4，”良：3，“中”：2，“差”：1}将这张地图数据贴上第一标签“3”，然后与其他地图数据的标签组成一个数值数组存入SQL数据库中。这样就将像素特征、障碍物及地理位置特征还有与测风塔的位置优越性特征关联了起来。
步骤三：根据步骤二中得到的第一标签数据和相应的地图数据，构建FCNN神经网络模型。
读取SQL数据库中的JPG格式的地图数据信息和第一标签数据，将这些数据按照10：2：3的比例划分为训练数据集、验证数据集和测试数据集，其中:
训练数据集用于训练FCNN神经网络模型，程序不断自动调整模型的参数尤其是针对用户标注的数据内容，使标注值在前后档次变动，例如2的标注，同时在1、2、3三者进行标注值训练，达到更好的泛化标注值的目的，最终达到对训练数据集的准确率不断上升的目的；
验证数据集用于验证训练过程中有无发生过拟合现象，即对于训练数据集的预测准确率很高，但对于验证数据集的预测准确率很低，同时也会对模型的参数进行调整以避免过拟合；
验证数据集用于验证神经网络模型对于未曾见过的同类型数据的预测准确率。将训练数据集和验证数据集输入到FCNN神经网络模型，即模型1，进行反复训练，当模型1对于训练数据集的预测准确率不再上升或上升幅度很小且对于验证数据集的预测准确率仍然处于一个较高的水平时，停止训练，得到构建好的模型1。
此时，将测试数据集输入到模型1中，若发现预测准确率并不理想，那么需要对模型1的网络结构或超参数进行调整并进行重新训练，若发现预测准确率比较高，那么说明模型1已经可以用于实践。将数据库中的地图数据和相应的第一标签数据都输入到模型1中，此时得到基于第一标签数据的分类结果，即第一标签数据的分类结果——初选测风塔位置信息，将构建好的模型1和第一标签数据的分类结果存入SQL数据库中。
例如：当SQL数据库中有6000张地图数据和相应的6000个第一标签数据时，按照10：2：3的比例划分这些数据，得到训练数据集4000个(包含4000张地图数据和4000个第一标签数据)，验证数据集800个(包含800张地图数据和800个第一标签数据)，测试数据集1200个(包含1200张地图数据和1200个第一标签数据)，然后先将训练数据集和验证数据集输入到模型1中，一单一的标注值进行训练，训练150次后，发现模型1对于训练数据集的预测准确率达到95.34％后上升幅度变得很小，且此时，再讲泛化的标注进行训练，即每一种标注值都用相邻的值进行标注。模型1对于验证数据集的预测准确率达到96.87％，所以，停止模型1的训练。因为已处于一个较高的水平，可以用于实践中，将模型1以h5文件格式存入SQL数据库中。再将数据库中的6000地图数据和相应的6000个第一标签数据输入到模型1中，得到6000条第一标签数据的分类结果，然后将这6000条第一标签数据的分类结果存入SQL数据库中。
以上步骤，已经能够预测获得测风塔的具体位置，但是建立之后，导致的因为本身体积等导致的环境变化的细微差异，依然存在，因此还需要再次纠正其偏差，因此需要进行二次标注和训练。
步骤四：对步骤三中获得的第一标签数据的分类结果进行再次纠正，获得第二标签数据。
从SQL数据库中读取第一标签数据的分类结果中的“优”、“良”两类中的JPG格式的地图数据信息，对第一标签数据的分类结果中的“优”、“良”两类进行再次人工标注。
根据现有测风塔在建造后，其测风精确度是否达到了要求，测试现有模型在第一次数据分类后的结果，是否与真实的情况吻合，例如优良两类是否在真实的测风塔建设中，测得的风是准确的。以此进行再次标注和训练。因为模型训练获得的预测结果只是做地形方面的预测，而建立测风塔之后的结果，并没有做测风塔本身建立后，影响风向的调整。因此，这个步骤有利于精确的减少建测风塔后，而导致的方向误差。
首先根据JPG格式的地图数据信息，进行风资源监测选址指数、发电量后评估选址指数以及超短期功率预测选址指数的计算，将风资源监测选址指数、发电量后评估选址指数以及超短期功率预测选址指数进行综合计算得到选址指数，其计算方式可以采用线性方程的加权进行计算，指数主要包括建测风塔前的测得的指数，减去建测风塔后的指数，然后根据选址指数是否符合真实生产需要，将这些JPG格式的地图数据信息标注为“适合”与“不适合”两类，并按照映射表{“适合”：0，“不适合”：-1}，得到对应的标签数据，并存入SQL数据库中作为第二标签数据。
例如：从SQL数据库中读取到某一条是“优”、“良”的第一标签数据的分类结果的JPG格式的地图数据信息，然后根据这张JPG格式的地图数据信息，计算得到风资源监测选址指数为11.5，发电量后评估选址指数为26.7，超短期功率预测选址指数为15.6，根据这三个指数综合计算得到选址指数为19.4，因此将这张地图数据标注为“适合”，然后按照映射表{“适合”：0，“不适合”：-1}，将这张地图数据贴上第二标签“0”，然后与其他地图数据的第二标签组成一个数值数组存入SQL数据库中。
步骤五：根据步骤二中的得到第二标签数据和相应的地图数据，构建CNN神经网络模型，预测建立测风塔以及纠偏之后的最终结果。
读取SQL数据库中的第二标签数据和相应的JPG格式的地图数据信息，同步骤三一样，将这些数据按照10：2：3的比例划分为训练数据集、验证数据集和测试数据集。将训练数据集和验证数据集输入到CNN神经网络模型中，即模型2，当模型2对于训练数据集的预测准确率不再上升或上升幅度很小且对于验证数据集的预测准确率仍然处于一个较高的水平时，停止训练，得到构建好的模型2。此时，将测试数据集输入到模型2中，若发现预测准确率并不理想，那么需要对模型2的网络结构或超参数进行调整并进行重新训练，若发现预测准确率比较高，那么说明模型2已经可以用于实践。此时获得基于第二标签数据的分类结果，即第二分类结果——最佳测风塔位置信息，将构建好的模型2和第二类分类结果存入SQL数据库中。
例如：当SQL数据库中有3000张地图数据和相应的3000个第二标签数据时，按照10：2：3的比例划分这些数据，得到训练数据集2000个(包含2000张地图数据和2000个第二标签数据)，验证数据集400个(包含400张地图数据和400个第二标签数据)，测试数据集600个(包含600张地图数据和600个第二标签数据)，然后先将训练数据集和验证数据集输入到模型2中，训练50次后，发现模型2对于训练数据集的预测准确率达到94.34％后上升幅度变得很小，且此时模型2对于验证数据集的预测准确率达到89.87％，所以，停止模型2的训练。将测试数据集输入模型2中，发现预测准确率达到90.22％，处于一个较高的水平，可以用于实践中，将模型2以h5文件格式存入SQL数据库中。再将数据库中的3000地图数据和相应的3000个第二标签数据输入到模型2中，得到3000条第二分类结果，然后将这3000条第二分类结果以excel表格的形式存入SQL数据库中。
步骤六：获取地图数据图片对图片进行解析，并对新的风电场的最佳测风塔位置信息进行预测。
在我们在新风电场进行新的后期测风塔的建设时，先收集这个风电场的JPG格式的地图数据信息，再将这些JPG格式的地图数据信息依次输入到步骤三和步骤五构建的模型1和模型2中，得到预测的最佳测风塔位置信息，将该JPG格式的地图数据信息和预测的最佳测风塔位置信息存入SQL数据库中。将数据库中的地图数据重新按照步骤二至步骤五重新训练模型1和模型2，实现自动自动预测系统的自我更新和自我提升。
本发明还公开了一种基于深度学习的电力设施选址预测系统，包括：
读取模块100，用于对通过数据爬取技术读取收集已有风电场和后期测风塔的所述地图数据信息，建立一个包含所述数据信息的数据库；
构建模块200，根据所述第一标签数据、所述第二标签数据和相应的所述地图数据信息，分别构建所述FCNN神经网络模型、所述CNN神经网络模型以及基于所述第一标签数据、所述第一标签数据的分类结果，并存入所述SQL数据库中。
抽取模块300，用于获取与与所述风电场和后期测风塔相关联的所述地图数据信息；
分类模块400，用于对所述第一标签数据以及所述第二标签数据分别进行分类结果，并存入所述SQL数据库中；
更新模块500，用于将所述SQL数据库中的所述地图数据信息和所述预测的最佳测风塔位置信息条数进行统计梳理，当新存入的所述信息条数达到预设值时，所述SQL数据库中的地图数据重新按照所述步骤二至所述步骤五重新训练更新所述模型1和所述模型2；
读取模块100电连接所述构建模块200，所述构建模块200电连接所述抽取模块300，所述抽取模块300电连接所述分类模块400，所述分类模块400电连接所述更新模块500，所述读取模块100、所述构建模块200、所述抽取模块300、所述分类模块400以及所述更新模块500同时分别电连接并通信于处理器600，所述处理器600用于处理所述计算机程序时实现上述任一项所述的基于深度学习的电力设施选址预测方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种基于深度学习的电力设施选址预测方法，其特征在于，包括：
步骤一：通过数据爬取或者拍摄来收集已有风电场和后期测风塔的地图数据信息，建立一个包含所述数据信息的数据库；
步骤二：对每一个所述风电场和所述测风塔进行标注，获得第一标签数据；
步骤三：根据所述步骤二中得到的所述第一标签数据和相应的所述地图数据信息，构建FCNN神经网络模型，即第一训练模型，基于所述第一标签数据获得的测风塔的建立位置信息第一分类结果；
步骤四：根据测风塔建立后是否因为自身体积影响而导致方向变化，对所述步骤三中获得的测风塔位置预测结果进行纠偏，并获得第二标注数据；
步骤五：根据所述步骤四中得到的所述第二标签数据和步骤一所述的地图数据，构建CNN神经网络模型训练，获得结合测风塔构建后本身方向阻挡而影响后的纠偏后第二模型；
步骤六：结合模型一和模型二，对新风电场的最佳测风塔位置信息进行预测，并通过所述FCNN神经网络模型以及所述CNN神经网络模型得到预测的最佳测风塔位置信息并将所述预测的最佳测风塔位置信息的结果。
步骤七：进一步的通过拍摄地图相片，通过解析地图相片像素内容，输入到步骤六的模型中，获得最佳测风塔位置信息的结果。
2.根据权利要求1所述的一种基于深度学习的电力设施选址预测方法，其特征在于：所述步骤一通过网络爬虫技术在网络上对公开地图数据库进行数据爬取，收集所述已有风电场和后期测风塔的JPG格式的地图数据信息，即包含所述风电场和所述后期测风塔的地图数据，并建立一个SQL数据库，用于存储数据信息，所述JPG格式的地图数据信息转换为二进制数据存入到所述SQL数据库中；
或者，通过拍摄地图相片，解析地图相片中的每一个相似度，存入SQL数据库中。
3.根据权利要求1所述的一种基于深度学习的电力设施选址预测方法，其特征在于：所述步骤二中使用Labelimg标注软件，对所述SQL数据库中存储的每个所述地图数据进行标注并按照预设的映射表得到对应的标签数据，将所述标签数据存入所述SQL数据库中作为第一标签数据。
4.根据权利要求1所述的一种基于深度学习的电力设施选址预测方法，其特征在于：所述步骤三读取所述SQL数据库中的所述地图数据信息和所述第一标签数据，将所述数据信息按照10：2：3的比例划分为训练数据集、验证数据集和测试数据集，所述训练数据集用于训练所述FCNN神经网络模型，不断自动调整所述FCNN神经网络模型的参数；所述验证数据集用于验证训练过程中有无发生过拟合现象，验证所述FCNN神经网络模型对于其他同类型数据的预测准确率，将所述训练数据集和所述验证数据集输入到FCNN神经网络模型，即模型1，进行反复训练，直至所述模型1具备实践的能力。
5.根据权利要求4所述的一种基于深度学习的电力设施选址预测方法，其特征在于：训练数据集用于训练FCNN神经网络模型，程序不断自动调整模型的参数尤其是针对用户标注的数据内容，使标注值在前后档次变动，达到更好的泛化标注值的目的，最终训练数据集的预测准确率上升；
将所述SQL数据库中的所述地图数据信息和所述第一标签数据输入到所述模型1中，此时得到基于第一标签数据的分类结果，并将构建好的所述模型1和所述第一标签数据的分类结果存入所述SQL数据库中，所述第一标签数据分类结果为初选测风塔位置信息。
6.根据权利要求1所述的一种基于深度学习的电力设施选址预测方法，其特征在于：根据现有测风塔在建造后，其测风精确度是否达到了要求，测试现有模型在第一次数据分类后的结果，是否与真实的情况吻合，所述步骤四从所述SQL数据库中读取所述第一标签数据的分类结果中的优和良两类的地图数据信息，并进行再次人工标注,首先根据所述地图数据信息，分别进行风资源监测选址指数、发电量后评估选址指数以及超短期功率预测选址指数的计算，将所述风资源监测选址指数、所述发电量后评估选址指数以及所述超短期功率预测选址指数进行综合计算得到选址指数，然后根据所述选址指数，将所述地图数据信息标注为适合与不适合两类。
7.根据权利要求1所述的一种基于深度学习的电力设施选址预测方法，其特征在于：
预测获得测风塔的具体位置，判断建立之后导致的因为本身体积等导致的环境变化的细微差异，再次纠正其偏差，进行二次标注和训练，包括读取所述SQL数据库中的所述第二标签数据和相应的所述地图数据信息，将所述数据信息按照10：2：3的比例划分为训练数据集、验证数据集和测试数据集；将所述训练数据集和所述验证数据集输入到所述CNN神经网络模型中，即模型2，并重复训练直至所述模型2具备用于实践的功能，从而获得基于第二标签数据的分类结果；将构建好的所述模型2和所述第二类分类结果存入SQL数据库中，所述第二标签数据分类结果为最佳测风塔位置信息。
8.根据权利要求1所述的一种基于深度学习的电力设施选址预测方法，其特征在于：收集所述风电场的所述地图数据信息，或者拍摄地理位置现场照片，对照片中的像素进行解析，再将所述像素数据或地图数据信息依次输入到所述步骤三和所述步骤五构建的所述模型1和所述模型2中，得到预测的最佳测风塔位置信息。
9.一种基于深度学习的电力设施选址预测系统，其特征在于，包括：
读取模块，用于对通过数据爬取技术读取收集已有风电场和后期测风塔的所述地图数据信息，建立一个包含所述数据信息的数据库；
构建模块，根据所述第一标签数据、所述第二标签数据和相应的所述地图数据信息，分别构建所述FCNN神经网络模型、所述CNN神经网络模型以及基于所述第一标签数据、所述第一标签数据的分类结果，并存入所述SQL数据库中；
抽取模块，用于获取与与所述风电场和后期测风塔相关联的所述地图数据信息；
分类模块，用于对所述第一标签数据以及所述第二标签数据分别进行分类结果，并存入所述SQL数据库中；
更新模块，用于将所述SQL数据库中的所述地图数据信息和所述预测的最佳测风塔位置信息条数进行统计梳理，当新存入的所述信息条数达到预设值时，所述SQL数据库中的地图数据重新按照所述步骤二至所述步骤五重新训练更新所述模型1和所述模型2；
所述读取模块电连接所述构建模块，所述构建模块电连接所述抽取模块，所述抽取模块电连接所述分类模块，所述分类模块电连接所述更新模块，所述读取模块、所述构建模块、所述抽取模块、所述分类模块以及所述更新模块同时分别电连接并通信于处理器，所述处理器用于处理所述计算机程序时实现如权利要求1和权利要求8中任一项所述的基于深度学习的电力设施选址预测方法。
CN202110517113.9A 2021-05-12 2021-05-12 一种基于深度学习的电力设施选址预测方法与系统 Active CN113344247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110517113.9A CN113344247B (zh) 2021-05-12 2021-05-12 一种基于深度学习的电力设施选址预测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110517113.9A CN113344247B (zh) 2021-05-12 2021-05-12 一种基于深度学习的电力设施选址预测方法与系统

Publications (2)

Publication Number Publication Date
CN113344247A true CN113344247A (zh) 2021-09-03
CN113344247B CN113344247B (zh) 2022-12-13

Family

ID=77468261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517113.9A Active CN113344247B (zh) 2021-05-12 2021-05-12 一种基于深度学习的电力设施选址预测方法与系统

Country Status (1)

Country Link
CN (1) CN113344247B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219168A (zh) * 2021-12-22 2022-03-22 中冶赛迪工程技术股份有限公司 一种基于多模型和大数据的物流园自动选址系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559552A (zh) * 2013-10-16 2014-02-05 国家电网公司 带罚函数粒子群算法的分散式风电场微观选址系统
CN107292514A (zh) * 2017-06-21 2017-10-24 华北电力科学研究院有限责任公司 风电场生产运行测风塔选址方法及装置
CN108876144A (zh) * 2018-06-13 2018-11-23 国网山东省电力公司经济技术研究院 一种基于深度学习算法的变电站预选址方法
CN108897932A (zh) * 2018-06-14 2018-11-27 中国电建集团西北勘测设计研究院有限公司 一种风电场现场微观选址室内实现的方法
CN109447140A (zh) * 2018-10-19 2019-03-08 广州四十五度科技有限公司 一种基于神经网络深度学习的图像识别并推荐认知的方法
CN109636019A (zh) * 2018-11-30 2019-04-16 中国电建集团成都勘测设计研究院有限公司 基于神经网络算法的测风塔布置方案确定方法
EP3579148A1 (en) * 2018-06-08 2019-12-11 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for training, classification model, mobile terminal, and readable storage medium
CN111027617A (zh) * 2019-12-06 2020-04-17 北京市商汤科技开发有限公司 神经网络训练及图像识别方法、装置、设备和存储介质
CN112101608A (zh) * 2019-06-18 2020-12-18 上海电机学院 一种海上风电场选址方法及装置
WO2021063461A1 (en) * 2019-10-03 2021-04-08 Vestas Wind Systems A/S Method for planning a layout of a renewable energy site

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559552A (zh) * 2013-10-16 2014-02-05 国家电网公司 带罚函数粒子群算法的分散式风电场微观选址系统
CN107292514A (zh) * 2017-06-21 2017-10-24 华北电力科学研究院有限责任公司 风电场生产运行测风塔选址方法及装置
EP3579148A1 (en) * 2018-06-08 2019-12-11 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for training, classification model, mobile terminal, and readable storage medium
CN108876144A (zh) * 2018-06-13 2018-11-23 国网山东省电力公司经济技术研究院 一种基于深度学习算法的变电站预选址方法
CN108897932A (zh) * 2018-06-14 2018-11-27 中国电建集团西北勘测设计研究院有限公司 一种风电场现场微观选址室内实现的方法
CN109447140A (zh) * 2018-10-19 2019-03-08 广州四十五度科技有限公司 一种基于神经网络深度学习的图像识别并推荐认知的方法
CN109636019A (zh) * 2018-11-30 2019-04-16 中国电建集团成都勘测设计研究院有限公司 基于神经网络算法的测风塔布置方案确定方法
CN112101608A (zh) * 2019-06-18 2020-12-18 上海电机学院 一种海上风电场选址方法及装置
WO2021063461A1 (en) * 2019-10-03 2021-04-08 Vestas Wind Systems A/S Method for planning a layout of a renewable energy site
CN111027617A (zh) * 2019-12-06 2020-04-17 北京市商汤科技开发有限公司 神经网络训练及图像识别方法、装置、设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘敏: "地理信息系统在风电中的应用", 《科技资讯》 *
张小萌: ""大型风电场生产运行测风塔优化选址技术研究及应用"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
胡学敏: "风电场后评估中影响发电量的主要因素分析", 《企业技术开发》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219168A (zh) * 2021-12-22 2022-03-22 中冶赛迪工程技术股份有限公司 一种基于多模型和大数据的物流园自动选址系统及方法

Also Published As

Publication number Publication date
CN113344247B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
US20230141886A1 (en) Method for assessing hazard on flood sensitivity based on ensemble learning
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN109782373B (zh) 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法
CN114168906B (zh) 一种基于云计算的测绘地理信息数据采集系统
Wu et al. A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN106845559A (zh) 顾及poi数据空间异质性的地表覆盖验证方法及系统
Zhang et al. Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis
CN116129262A (zh) 一种面向宜机化改造的耕地适宜性评价方法及系统
CN114819589A (zh) 城市空间高质量利用测定方法、系统、计算机设备及终端
CN114398951A (zh) 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法
CN113344247B (zh) 一种基于深度学习的电力设施选址预测方法与系统
CN117456342A (zh) 一种基于街景影像的交通事故风险评估方法及系统
CN116739172A (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
Chao Machine learning-based intelligent weather modification forecast in smart city potential area
Jing et al. Optimizing the YOLOv7-Tiny Model with Multiple Strategies for Citrus Fruit Yield Estimation in Complex Scenarios
CN106991404A (zh) 基于众源地理数据的地表覆盖更新方法及系统
CN114005027A (zh) 一种基于无人机影像的城市单木检测系统及方法
CN108510205B (zh) 一种基于超图的作者技能评估方法
Xie et al. Analysis of land cover evolution within the built-up areas of provincial capital cities in northeastern China based on nighttime light data and Landsat data
CN117434624B (zh) 一种基于语义分割的强对流天气识别和发展预判方法
CN116645012B (zh) 一种城市边缘区空间范围的高精度动态识别方法
Kapp-Schwoerer et al. Spatio-temporal segmentation and tracking of weather patterns with light-weight Neural Networks
CN118050729B (zh) 一种基于改进U-Net的雷达回波时间降尺度订正方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221125

Address after: 5 Huichun Road North Yili, Qingxiu District, Nanning City, Guangxi Zhuang Autonomous Region

Applicant after: China anergy Group First Engineering Bureau Co.,Ltd.

Address before: 511442 319, No. 12, Bowang street, Nancun Town, Panyu District, Guangzhou City, Guangdong Province

Applicant before: GUANGDONG HUALIAN YUNGU SCIENCE AND TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant