CN114819756B - 基于分类模型的风电机组智能选址方法、装置及设备 - Google Patents
基于分类模型的风电机组智能选址方法、装置及设备 Download PDFInfo
- Publication number
- CN114819756B CN114819756B CN202210721547.5A CN202210721547A CN114819756B CN 114819756 B CN114819756 B CN 114819756B CN 202210721547 A CN202210721547 A CN 202210721547A CN 114819756 B CN114819756 B CN 114819756B
- Authority
- CN
- China
- Prior art keywords
- initial
- area
- ith
- addressing
- acquiring
- 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.)
- Active
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 61
- 238000010187 selection method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000004590 computer program Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能及电机技术,提供了一种基于分类模型的风电机组智能选址方法、装置及设备,是获取初始选址区域集;获取其中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度和平均海拔高度以组成各初始选址区域对应的区域风力参数;根据每一区域风力参数确定各输入向量;将每一输入向量输入至分类模型,得到各自对应的分类值;获取各分类值中超出分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域组成候选选址区域集。实现了基于较少维度的参数组成输入向量输入至分类模型得到与选址相关的分类值,以分类值为重要参数可快速且准确的获取候选选址区域集,降低选址结果获取难度。
Description
技术领域
本申请涉及智能决策技术领域,尤其涉及一种基于分类模型的风电机组智能选址方法、装置及设备。
背景技术
在评估一个地址是否适合作为设立风电场以及风电机组的重要指标是该地址的风能水平,可以理解的是,风能是风速的三次方,风速相差1倍,风能会相差8倍,所以一个地方是否适合设置风电场重点需要考虑这一地方的风能是否充裕。除了风能这一重要指标,还要充分考虑电网、交通、环境、生活等条件。
目前,常用的风电场选址方法是风电场微观选址优化方法,风电场微观选址优化是一种非线性强耦合问题,需综合考虑当地气象地形、环境指标、土地价格、道路分布和建设可行性等因素,涉及流体、气象、机电等多方面因素,无法使用传统最优化方法得出最优解。但是,风电场微观选址优化方法对使用者的专业要求较高,导致获取选址结果的难度大,且获取选址结果的效率低下。
发明内容
本申请实施例提供了一种基于分类模型的风电机组智能选址方法、装置及设备,旨在解决现有技术中风电场微观选址优化方法对使用者的专业要求较高,导致获取选址结果的难度大,且获取选址结果的效率低下的问题。
第一方面,本申请实施例提供了一种基于分类模型的风电机组智能选址方法,其包括:
响应于智能选址规划指令,获取与所述智能选址规划指令对应的初始选址区域集;其中,所述初始选址区域集中包括多个初始选址区域;
获取所述初始选址区域集中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数;
根据所述初始选址区域集中每一个初始选址区域的区域风力参数确定每一个初始选址区域的输入向量;
获取预先训练的分类模型,将每一初始选址区域的输入向量输入至所述分类模型进行分类运算,得到与每一初始选址区域的输入向量对应的分类值;
获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集;
将所述候选选址区域集发送至与所述智能选址规划指令对应的接收终端。
第二方面,本申请实施例提供了一种基于分类模型的风电机组智能选址装置,其包括:
初始区域获取单元,用于响应于智能选址规划指令,获取与所述智能选址规划指令对应的初始选址区域集;其中,所述初始选址区域集中包括多个初始选址区域;
区域参数获取单元,用于获取所述初始选址区域集中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数;
输入向量获取单元,用于根据所述初始选址区域集中每一个初始选址区域的区域风力参数确定每一个初始选址区域的输入向量;
分类单元,用于获取预先训练的分类模型,将每一初始选址区域的输入向量输入至所述分类模型进行分类运算,得到与每一初始选址区域的输入向量对应的分类值;
候选区域获取单元,用于获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集;
候选区域发送单元,用于将所述候选选址区域集发送至与所述智能选址规划指令对应的接收终端。
第三方面,本申请实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于分类模型的风电机组智能选址方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于分类模型的风电机组智能选址方法。
本申请实施例提供了一种基于分类模型的风电机组智能选址方法、装置及设备,是先获取与智能选址规划指令对应的初始选址区域集;然后获取初始选址区域集中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成各初始选址区域对应的区域风力参数;之后根据每一个初始选址区域的区域风力参数确定各输入向量;将每一初始选址区域的输入向量输入至分类模型进行分类运算,得到与各输入向量对应的分类值;获取各输入向量对应的分类值中超出分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域以组成候选选址区域集。实现了基于较少维度的参数组成输入向量输入至分类模型得到与选址相关的分类值,以分类值为重要参数可快速且准确的获取候选选址区域集。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于分类模型的风电机组智能选址方法的流程示意图;
图2为本申请实施例提供的基于分类模型的风电机组智能选址装置的示意性框图;
图3为本申请实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本申请实施例提供的基于分类模型的风电机组智能选址方法的流程示意图,该基于分类模型的风电机组智能选址方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图1所示,该方法包括步骤S101~S106。
S101、响应于智能选址规划指令,获取与所述智能选址规划指令对应的初始选址区域集;其中,所述初始选址区域集中包括多个初始选址区域。
在本实施例中,是以服务器为执行主体来描述技术方案。当服务器上部署有用于进行风电机组智能选址的智能选址系统,用户则可以操作用户终端(后文中所提及的接收终端也可以理解为用户终端,用户终端具体可为智能手机、平板电脑等智能终端)与服务器建立连接后登录该智能选址系统,当用户操作打开该智能选址系统后,可以点击该智能选址系统的用户交互界面中的智能选址按钮,以触发智能选址规划指令。服务器在检测到该用户终端触发产生的该智能选址规划指令后,先是获取对应包括有多个初始选址区域的初始选址区域集。可见,通过上述方式将智能选址过程的触发过程简单化,只需用户操作触发智能选址规划指令即可开始进行智能选址。
在一实施例中,步骤S101包括:
获取所述智能选址规划指令对应的初始限定区域及初始限定条件,根据所述初始限定条件在所述初始限定区域中对应获取初始选址区域集。
在本实施例中,当用户登录智能选址系统后,服务器也是可以对应获取该用户的登录IP地址,基于登录IP地址所确定的定位城市作为初始限定区域,然后在服务器中预先存储的多个选址区域筛选出与所述初始限定区域的间距小于所述初始限定条件对应的间距阈值(例如所述初始限定条件对应的间距阈值为500KM)的筛选后选址区域,以组成初始选址区域集。
具体实施时,获取初始限定区域并不局限于上述基于登录IP地址所确定的定位城市作为初始限定区域的方式,也可以用户在智能选址系统的用户交互界面上所显示电子地图上人工选定一个定位点作为初始限定区域,然后也可以人工编辑所述初始限定条件对应的间距阈值,从而以另一种方式实现对初始选址区域集的获取。可见,在服务器检测到述智能选址规划指令后,能快速基于其对应的初始限定区域及初始限定条件获取到初始选址区域集。
S102、获取所述初始选址区域集中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数。
在本实施例中,因所述初始选址区域集中每一个初始选址区域对应一个后续可能被选中作为风电机组部署位置的候选区域,故此时为了进一步判断每一个初始选址区域是否能作为最终的候选区域,需要进一步获取每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数。
其中,因一个区域的历史平均风速超过6m/s才适合部署建立风电场,故获取每一个初始选址区域对应的历史平均风速能作为考量其是否能判定作为风电场部署地的第一维度参数。
因一个区域的风向稳定才适合部署建立风电场,故获取每一个初始选址区域对应的历史高频风向集合作为考量其是否能判定作为风电场部署地的第二维度参数。
因一个区域的风机容量系数大才适合部署建立风电场(其中,风机容量系数是指统计周期内风电机组实际发电量和该风电机组额定理论发电量的比值),故获取每一个初始选址区域对应的风机容量系数作为考量其是否能判定作为风电场部署地的第三维度参数。
因一个区域的湍流强度小才适合部署建立风电场,故获取每一个初始选址区域对应的历史平均湍流强度作为考量其是否能判定作为风电场部署地的第四维度参数。
因一个区域的平均海拔高度适中才适合部署建立风电场(也即平均海拔高度在合理范围内如10-1000m才可视为区域的平均海拔高度适中),故获取每一个初始选址区域对应的平均海拔高度作为考量其是否能判定作为风电场部署地的第五维度参数。
在分别获取了每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,即可快速组成每一个初始选址区域对应的区域风力参数。
在一实施例中,步骤S102包括:
基于当前系统时间及预设的数据统计时间周期,确定当前统计数据获取时间区间;
获取所述初始选址区域集中第i个初始选址区域;其中,i的初始取值为1,且i的取值范围是[1,N],N表示所述初始选址区域集中初始选址区域的总个数;
获取第i个初始选址区域对应的第i号区域服务器;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均风速;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均风机容量系数;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均湍流强度;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号平均海拔高度;
基于所述第i个初始选址区域的第i号历史平均风速、第i号历史高频风向集合、第i号历史平均风机容量系数、第i号历史平均湍流强度、第i号平均海拔高度组成第i个初始选址区域对应的第i个区域风力参数;
将i自增1以更新i的取值;
若确定i未超出N,返回执行所述获取所述初始选址区域集中第i个初始选址区域的步骤;
若确定i超出N,获取第1个区域风力参数至第N个区域风力参数并保存。
在本实施例中,为了更加准确的获取每一个初始选址区域对应的区域风力参数,可以按照轮询的方式依次来获取每一个初始选址区域对应的区域风力参数,例如,需要先确定本次获取的区域风力参数对应的当前统计数据获取时间区间,且所获取到的当前系统时间为20XX1年XX2月XX3日,预先设置的数据统计时间周期为1年(具体实施时并不限定为1年,可以根据实际需求调整为其他数值),所确定当前统计数据获取时间区间的方式为以当前系统时间减去数据统计时间周期作为当前统计数据获取时间区间的起始值,并以当前系统时间减去一作为当前统计数据获取时间区间的终止值,即当前统计数据获取时间区间为[当前系统时间减去数据统计时间周期,当前系统时间减去一]。在确定了当前统计数据获取时间区间后,然后先获取所述初始选址区域集中第1个初始选址区域,由于第1个初始选址区域对应的区域风力参数可能存储于第1号区域服务器,故此时服务器可以从第1号区域服务器中分别获取述当前统计数据获取时间区间对应上传的第1号历史平均风速、第1号历史高频风向集合、第1号历史平均风机容量系数、第1号历史平均湍流强度及第1号平均海拔高度,然后直接将第1号历史平均风速、第1号历史高频风向集合、第1号历史平均风机容量系数、第1号历史平均湍流强度及第1号平均海拔高度对应的数值或数值集合进行组合,得到了第1个区域风力参数。依次类推,分别获取第2个区域风力参数至第N个区域风力参数并保存。通过上述分别查询第1号区域服务器及第N号区域服务器的方式,可以快速且准确的获取第1个区域风力参数至第N个区域风力参数并保存。
在一实施例中,所述获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合之后,还包括:
若确定所述第i号历史高频风向集合中存在异常值,将所述第i号历史高频风向集合中的异常值剔除以更新所述第i号历史高频风向集合;
若确定所述第i号历史高频风向集合中的高频风向参数个数大于预设的第一参数个数阈值,获取所述第i号历史高频风向集合中高频风向频次降序排序值未超出所述第一参数个数阈值的目标高频风向频次,以各目标高频风向频次对应更新所述第i号历史高频风向集合。
在本实施例中,例如以第1号历史高频风向集合为例,其一般也可以角度来表示风向,具体是把圆周分成360度,北风(N)是0度(即360度),东风(E)是90度,南风(S)是180度,西风(W)是270度,其余的风向都可以由此计算出来。某个方向的风在一年内出现的频次,则可以做精准统计。若在当前统计数据获取时间区间对应的一年时间内所得到第1号历史高频风向集合为[(E,80), (N,70), (S,60), (W,50)],则表示在当前统计数据获取时间区间对应的一年时间内东风(E)出现了80次、北风(N)出现了70次、南风(S)出现了60次且西风(W)出现了50次。由于在第1号历史高频风向集合中还可能出现异常值如(X,5),此时X是一个未知值且不确定的值,此时可以将其视为异常值进行剔除,从而更新所述第1号历史高频风向集合。在对第1号历史高频风向集合进行异常值剔除并更新后,还可以再次确定更新后的第1号历史高频风向集合中所包括的高频风向参数个数(例如上述第1号历史高频风向集合中所包括的高频风向参数个数为4个)是否大于预设的第一参数个数阈值(例如将第一参数个数阈值设置为3个)。若确定所述第1号历史高频风向集合中的高频风向参数个数4个大于第一参数个数阈值3个,则获取所述第1号历史高频风向集合中高频风向频次降序排序值未超出所述第一参数个数阈值的目标高频风向频次即(E,80), (N,70), (S,60),以各目标高频风向频次对应更新所述第1号历史高频风向集合,即最后的第1号历史高频风向集合表示[(E,80), (N,70), (S,60)]。可见,基于上述方式可以快速调整各历史高频风向集合,得到更为客观准确的历史高频风向集合。
在一实施例中,所述获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合之后,还包括:
向所述第i个初始选址区域对应的气象数据服务器发起连接请求;
若接收到所述气象数据服务器发送的连接请求通过指令,与所述气象数据服务器建立通讯连接;
基于所述当前统计数据获取时间区间获取所述气象数据服务器发送的与所述第i个初始选址区域对应的第i号标准高频风向集合;
若所述第i号历史高频风向集合与所述第i号标准高频风向集合相同,以所述第i号历史高频风向集合作为第i号历史高频风向集合;
若所述第i号历史高频风向集合与所述第i号标准高频风向集合不相同,以所述第i号历史高频风向集合作为第i号历史高频风向集合。
在本实施例中,为了进一步核实所述第i号历史高频风向集合的正确性,还可以由服务器与气象数据服务器连接,以获取气象数据服务器中更可观准确的第i号标准高频风向集合。在获取了第i号标准高频风向集合后,将其与第i号历史高频风向集合进行比较,两者无论是否相同,都可以所述第i号历史高频风向集合作为第i号历史高频风向集合,这样得到了更为准确的第i号历史高频风向集合,使得后续的分类过程更加可观准确。
S103、根据所述初始选址区域集中每一个初始选址区域的区域风力参数确定每一个初始选址区域的输入向量。
在本实施例中,当获取了所述初始选址区域集中每一个初始选址区域的区域风力参数后,每一区域风力参数是包括对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,将这些参数以concat()函数(即连接函数)进行串接,即可得到每一个初始选址区域的输入向量。
S104、获取预先训练的分类模型,将每一初始选址区域的输入向量输入至所述分类模型进行分类运算,得到与每一初始选址区域的输入向量对应的分类值。
在本实施例中,因已经将每一个初始选址区域的区域风力参数对应转换为了输入向量,故此时可以借助服务器中经过训练集得到的分类模型来对每一个初始选址区域的输入向量进行分类运算,从而得到与每一初始选址区域的输入向量对应的分类值。具体实施时,所述分类模型可以采用KNN邻近算法、随机森林等分类模型,所计算得到的分类值一般在[0,1]内。由于将基于人工经验判断或是风电场微观选址优化方法的方式以本申请中分类模型的方式来获取,极大的降低了获取选址结果的难度,并提升了获取选址结果的效率。
S105、获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集。
在本实施例中,当基于分类模型获取了每一初始选址区域的输入向量对应的分类值后,需要先筛选出其中分类值超出预设的分类阈值(例如将分类阈值设置为0.6,具体实施时并不局限于设置为0.6,可根据实际需求调整分类阈值)的目标分类值,然后获取各目标分类值对应的初始选址区域,以组成候选选址区域集。以分类阈值为标准挑选的分类值所对应的初始选址区域,进一步筛选出更适合作为设置风电机组进行风力发电的候选区域。
在一实施例中,步骤S105之后还包括:
由所述候选选址区域集中每一初始选址区域的经纬度信息组成测风塔部署候选区域集。
在本实施例中,所获取的候选选址区域可以理解为设置风电机组进行风力发电的较佳候选区域,此时用户还可以对这些区域进行进一步验证。故在服务器中可以由所述候选选址区域集中每一初始选址区域的经纬度信息组成测风塔部署候选区域集,将该测风塔部署候选区域集对应发送至接收终端,以由接收终端的使用者人工决策是否在上述测风塔部署候选区域集分别对应的测风塔部署候选区域分别部署测风塔,以进一步考量这些测风塔部署候选区域是否确实为可设置风电机组进行风力发电的候选区域。
在一实施例中,步骤S105之后还包括:
获取预先存储的配电网分布区域集;
将所述候选选址区域集与所述配电网分布区域集组合得到综合分布区域集;
将所述综合分布区域集进行DBSCAN聚类,得到聚类结果;
获取所述聚类结果中噪声点对应的初始选址区域,并从所述候选选址区域集中删除以更新所述候选选址区域集。
在本实施例中,当获取了可以理解为设置风电机组进行风力发电的较佳候选区域所组成的所述候选选址区域集后,所述候选选址区域集中每一候选选址区域可以视为一个具有具体经纬度的定位点,而在服务器中又是存储了已部署电网位置组成的配电网分布区域集。此时为了判断配电网分布区域集及候选选址区域集中各定位点的聚类关系,此时可以先将所述候选选址区域集与所述配电网分布区域集进行融合组合(也即将两个区域集进行合并运算)得到综合分布区域集,然后对所述综合分布区域集进行DBSCAN聚类(是一种基于密度的聚类算法,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类)得到聚类结果,最后获取所述聚类结果中噪声点对应的初始选址区域并从所述候选选址区域集中删除以更新所述候选选址区域集。通过这一方式,可以进一步筛选出所述候选选址区域集中哪一些候选选址区域是靠近配电网分布区域,在这些区域选址设置风电机组组成风电场更能节省输电成本。
其中,对所述综合分布区域集采用DBSCAN聚类处理得到聚类结果,是因为其无需设置最终期望的聚类簇个数,只需提供综合分布区域集,然后基于其中各分布区域对应的定位经纬度进行计算即可。
S106、将所述候选选址区域集发送至与所述智能选址规划指令对应的接收终端。
在本实施例中,当在服务器中完成了对所述候选选址区域集的获取之后,为了及时的发送至决策人员进行查看,此时由服务器将所述候选选址区域集发送至与所述智能选址规划指令对应的接收终端,将所述候选选址区域集以列表的形式或者是电子地图定位点的形式在接收终端的显示界面上进行直观展示。
该方法实现了基于较少维度的参数组成输入向量输入至分类模型得到与选址相关的分类值,以分类值为重要参数可快速且准确的获取候选选址区域集,降低了选址结果获取难度。
本申请实施例还提供一种基于分类模型的风电机组智能选址装置,该基于分类模型的风电机组智能选址装置用于执行前述基于分类模型的风电机组智能选址方法的任一实施例。具体地,请参阅图2,图2是本申请实施例提供的基于分类模型的风电机组智能选址装置100的示意性框图。
其中,如图2所示,基于分类模型的风电机组智能选址装置100包括初始区域获取单元101、区域参数获取单元102、输入向量获取单元103、分类单元104、候选区域获取单元105和候选区域发送单元106。
初始区域获取单元101,用于响应于智能选址规划指令,获取与所述智能选址规划指令对应的初始选址区域集;其中,所述初始选址区域集中包括多个初始选址区域。
在本实施例中,是以服务器为执行主体来描述技术方案。当服务器上部署有用于进行风电机组智能选址的智能选址系统,用户则可以操作用户终端(后文中所提及的接收终端也可以理解为用户终端,用户终端具体可为智能手机、平板电脑等智能终端)与服务器建立连接后登录该智能选址系统,当用户操作打开该智能选址系统后,可以点击该智能选址系统的用户交互界面中的智能选址按钮,以触发智能选址规划指令。服务器在检测到该用户终端触发产生的该智能选址规划指令后,先是获取对应包括有多个初始选址区域的初始选址区域集。可见,通过上述方式将智能选址过程的触发过程简单化,只需用户操作触发智能选址规划指令即可开始进行智能选址。
在一实施例中,初始区域获取单元101具体用于:
获取所述智能选址规划指令对应的初始限定区域及初始限定条件,根据所述初始限定条件在所述初始限定区域中对应获取初始选址区域集。
在本实施例中,当用户登录智能选址系统后,服务器也是可以对应获取该用户的登录IP地址,基于登录IP地址所确定的定位城市作为初始限定区域,然后在服务器中预先存储的多个选址区域筛选出与所述初始限定区域的间距小于所述初始限定条件对应的间距阈值(例如所述初始限定条件对应的间距阈值为500KM)的筛选后选址区域,以组成初始选址区域集。
具体实施时,获取初始限定区域并不局限于上述基于登录IP地址所确定的定位城市作为初始限定区域的方式,也可以用户在智能选址系统的用户交互界面上所显示电子地图上人工选定一个定位点作为初始限定区域,然后也可以人工编辑所述初始限定条件对应的间距阈值,从而以另一种方式实现对初始选址区域集的获取。可见,在服务器检测到述智能选址规划指令后,能快速基于其对应的初始限定区域及初始限定条件获取到初始选址区域集。
区域参数获取单元102,用于获取所述初始选址区域集中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数。
在本实施例中,因所述初始选址区域集中每一个初始选址区域对应一个后续可能被选中作为风电机组部署位置的候选区域,故此时为了进一步判断每一个初始选址区域是否能作为最终的候选区域,需要进一步获取每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数。
其中,因一个区域的历史平均风速超过6m/s才适合部署建立风电场,故获取每一个初始选址区域对应的历史平均风速能作为考量其是否能判定作为风电场部署地的第一维度参数。
因一个区域的风向稳定才适合部署建立风电场,故获取每一个初始选址区域对应的历史高频风向集合作为考量其是否能判定作为风电场部署地的第二维度参数。
因一个区域的风机容量系数大才适合部署建立风电场(其中,风机容量系数是指统计周期内风电机组实际发电量和该风电机组额定理论发电量的比值),故获取每一个初始选址区域对应的风机容量系数作为考量其是否能判定作为风电场部署地的第三维度参数。
因一个区域的湍流强度小才适合部署建立风电场,故获取每一个初始选址区域对应的历史平均湍流强度作为考量其是否能判定作为风电场部署地的第四维度参数。
因一个区域的平均海拔高度适中才适合部署建立风电场(也即平均海拔高度在合理范围内如10-1000m才可视为区域的平均海拔高度适中),故获取每一个初始选址区域对应的平均海拔高度作为考量其是否能判定作为风电场部署地的第五维度参数。
在分别获取了每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,即可快速组成每一个初始选址区域对应的区域风力参数。
在一实施例中,区域参数获取单元102具体用于:
基于当前系统时间及预设的数据统计时间周期,确定当前统计数据获取时间区间;
获取所述初始选址区域集中第i个初始选址区域;其中,i的初始取值为1,且i的取值范围是[1,N],N表示所述初始选址区域集中初始选址区域的总个数;
获取第i个初始选址区域对应的第i号区域服务器;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均风速;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均风机容量系数;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均湍流强度;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号平均海拔高度;
基于所述第i个初始选址区域的第i号历史平均风速、第i号历史高频风向集合、第i号历史平均风机容量系数、第i号历史平均湍流强度、第i号平均海拔高度组成第i个初始选址区域对应的第i个区域风力参数;
将i自增1以更新i的取值;
若确定i未超出N,返回执行所述获取所述初始选址区域集中第i个初始选址区域的步骤;
若确定i超出N,获取第1个区域风力参数至第N个区域风力参数并保存。
在本实施例中,为了更加准确的获取每一个初始选址区域对应的区域风力参数,可以按照轮询的方式依次来获取每一个初始选址区域对应的区域风力参数,例如,需要先确定本次获取的区域风力参数对应的当前统计数据获取时间区间,且所获取到的当前系统时间为20XX1年XX2月XX3日,预先设置的数据统计时间周期为1年(具体实施时并不限定为1年,可以根据实际需求调整为其他数值),所确定当前统计数据获取时间区间的方式为以当前系统时间减去数据统计时间周期作为当前统计数据获取时间区间的起始值,并以当前系统时间减去一作为当前统计数据获取时间区间的终止值,即当前统计数据获取时间区间为[当前系统时间减去数据统计时间周期,当前系统时间减去一]。在确定了当前统计数据获取时间区间后,然后先获取所述初始选址区域集中第1个初始选址区域,由于第1个初始选址区域对应的区域风力参数可能存储于第1号区域服务器,故此时服务器可以从第1号区域服务器中分别获取述当前统计数据获取时间区间对应上传的第1号历史平均风速、第1号历史高频风向集合、第1号历史平均风机容量系数、第1号历史平均湍流强度及第1号平均海拔高度,然后直接将第1号历史平均风速、第1号历史高频风向集合、第1号历史平均风机容量系数、第1号历史平均湍流强度及第1号平均海拔高度对应的数值或数值集合进行组合,得到了第1个区域风力参数。依次类推,分别获取第2个区域风力参数至第N个区域风力参数并保存。通过上述分别查询第1号区域服务器及第N号区域服务器的方式,可以快速且准确的获取第1个区域风力参数至第N个区域风力参数并保存。
在一实施例中,所述获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合之后,还包括:
若确定所述第i号历史高频风向集合中存在异常值,将所述第i号历史高频风向集合中的异常值剔除以更新所述第i号历史高频风向集合;
若确定所述第i号历史高频风向集合中的高频风向参数个数大于预设的第一参数个数阈值,获取所述第i号历史高频风向集合中高频风向频次降序排序值未超出所述第一参数个数阈值的目标高频风向频次,以各目标高频风向频次对应更新所述第i号历史高频风向集合。
在本实施例中,例如以第1号历史高频风向集合为例,其一般也可以角度来表示风向,具体是把圆周分成360度,北风(N)是0度(即360度),东风(E)是90度,南风(S)是180度,西风(W)是270度,其余的风向都可以由此计算出来。某个方向的风在一年内出现的频次,则可以做精准统计。若在当前统计数据获取时间区间对应的一年时间内所得到第1号历史高频风向集合为[(E,80), (N,70), (S,60), (W,50)],则表示在当前统计数据获取时间区间对应的一年时间内东风(E)出现了80次、北风(N)出现了70次、南风(S)出现了60次且西风(W)出现了50次。由于在第1号历史高频风向集合中还可能出现异常值如(X,5),此时X是一个未知值且不确定的值,此时可以将其视为异常值进行剔除,从而更新所述第1号历史高频风向集合。在对第1号历史高频风向集合进行异常值剔除并更新后,还可以再次确定更新后的第1号历史高频风向集合中所包括的高频风向参数个数(例如上述第1号历史高频风向集合中所包括的高频风向参数个数为4个)是否大于预设的第一参数个数阈值(例如将第一参数个数阈值设置为3个)。若确定所述第1号历史高频风向集合中的高频风向参数个数4个大于第一参数个数阈值3个,则获取所述第1号历史高频风向集合中高频风向频次降序排序值未超出所述第一参数个数阈值的目标高频风向频次即(E,80), (N,70), (S,60),以各目标高频风向频次对应更新所述第1号历史高频风向集合,即最后的第1号历史高频风向集合表示[(E,80), (N,70), (S,60)]。可见,基于上述方式可以快速调整各历史高频风向集合,得到更为客观准确的历史高频风向集合。
在一实施例中,所述获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合之后,还包括:
向所述第i个初始选址区域对应的气象数据服务器发起连接请求;
若接收到所述气象数据服务器发送的连接请求通过指令,与所述气象数据服务器建立通讯连接;
基于所述当前统计数据获取时间区间获取所述气象数据服务器发送的与所述第i个初始选址区域对应的第i号标准高频风向集合;
若所述第i号历史高频风向集合与所述第i号标准高频风向集合相同,以所述第i号历史高频风向集合作为第i号历史高频风向集合;
若所述第i号历史高频风向集合与所述第i号标准高频风向集合不相同,以所述第i号历史高频风向集合作为第i号历史高频风向集合。
在本实施例中,为了进一步核实所述第i号历史高频风向集合的正确性,还可以由服务器与气象数据服务器连接,以获取气象数据服务器中更可观准确的第i号标准高频风向集合。在获取了第i号标准高频风向集合后,将其与第i号历史高频风向集合进行比较,两者无论是否相同,都可以所述第i号历史高频风向集合作为第i号历史高频风向集合,这样得到了更为准确的第i号历史高频风向集合,使得后续的分类过程更加可观准确。
输入向量获取单元103,用于根据所述初始选址区域集中每一个初始选址区域的区域风力参数确定每一个初始选址区域的输入向量。
在本实施例中,当获取了所述初始选址区域集中每一个初始选址区域的区域风力参数后,每一区域风力参数是包括对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,将这些参数以concat()函数(即连接函数)进行串接,即可得到每一个初始选址区域的输入向量。
分类单元104,用于获取预先训练的分类模型,将每一初始选址区域的输入向量输入至所述分类模型进行分类运算,得到与每一初始选址区域的输入向量对应的分类值。
在本实施例中,因已经将每一个初始选址区域的区域风力参数对应转换为了输入向量,故此时可以借助服务器中经过训练集得到的分类模型来对每一个初始选址区域的输入向量进行分类运算,从而得到与每一初始选址区域的输入向量对应的分类值。具体实施时,所述分类模型可以采用KNN邻近算法、随机森林等分类模型,所计算得到的分类值一般在[0,1]内。由于将基于人工经验判断或是风电场微观选址优化方法的方式以本申请中分类模型的方式来获取,极大的降低了获取选址结果的难度,并提升了获取选址结果的效率。
候选区域获取单元105,用于获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集。
在本实施例中,当基于分类模型获取了每一初始选址区域的输入向量对应的分类值后,需要先筛选出其中分类值超出预设的分类阈值(例如将分类阈值设置为0.6,具体实施时并不局限于设置为0.6,可根据实际需求调整分类阈值)的目标分类值,然后获取各目标分类值对应的初始选址区域,以组成候选选址区域集。以分类阈值为标准挑选的分类值所对应的初始选址区域,进一步筛选出更适合作为设置风电机组进行风力发电的候选区域。
在一实施例中,基于分类模型的风电机组智能选址装置100还包括:
测风塔部署候选区域集获取单元,用于由所述候选选址区域集中每一初始选址区域的经纬度信息组成测风塔部署候选区域集。
在本实施例中,所获取的候选选址区域可以理解为设置风电机组进行风力发电的较佳候选区域,此时用户还可以对这些区域进行进一步验证。故在服务器中可以由所述候选选址区域集中每一初始选址区域的经纬度信息组成测风塔部署候选区域集,将该测风塔部署候选区域集对应发送至接收终端,以由接收终端的使用者人工决策是否在上述测风塔部署候选区域集分别对应的测风塔部署候选区域分别部署测风塔,以进一步考量这些测风塔部署候选区域是否确实为可设置风电机组进行风力发电的候选区域。
在一实施例中,基于分类模型的风电机组智能选址装置100还包括:
配电网分布区域集获取单元,用于获取预先存储的配电网分布区域集;
综合分布区域集获取单元,用于将所述候选选址区域集与所述配电网分布区域集组合得到综合分布区域集;
DBSCAN聚类单元,用于将所述综合分布区域集进行DBSCAN聚类,得到聚类结果;
噪声点移除单元,用于获取所述聚类结果中噪声点对应的初始选址区域,并从所述候选选址区域集中删除以更新所述候选选址区域集。
在本实施例中,当获取了可以理解为设置风电机组进行风力发电的较佳候选区域所组成的所述候选选址区域集后,所述候选选址区域集中每一候选选址区域可以视为一个具有具体经纬度的定位点,而在服务器中又是存储了已部署电网位置组成的配电网分布区域集。此时为了判断配电网分布区域集及候选选址区域集中各定位点的聚类关系,此时可以先将所述候选选址区域集与所述配电网分布区域集进行融合组合(也即将两个区域集进行合并运算)得到综合分布区域集,然后对所述综合分布区域集进行DBSCAN聚类(是一种基于密度的聚类算法,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类)得到聚类结果,最后获取所述聚类结果中噪声点对应的初始选址区域并从所述候选选址区域集中删除以更新所述候选选址区域集。通过这一方式,可以进一步筛选出所述候选选址区域集中哪一些候选选址区域是靠近配电网分布区域,在这些区域选址设置风电机组组成风电场更能节省输电成本。
其中,对所述综合分布区域集采用DBSCAN聚类处理得到聚类结果,是因为其无需设置最终期望的聚类簇个数,只需提供综合分布区域集,然后基于其中各分布区域对应的定位经纬度进行计算即可。
候选区域发送单元106,用于将所述候选选址区域集发送至与所述智能选址规划指令对应的接收终端。
在本实施例中,当在服务器中完成了对所述候选选址区域集的获取之后,为了及时的发送至决策人员进行查看,此时由服务器将所述候选选址区域集发送至与所述智能选址规划指令对应的接收终端,将所述候选选址区域集以列表的形式或者是电子地图定位点的形式在接收终端的显示界面上进行直观展示。
该装置实现了基于较少维度的参数组成输入向量输入至分类模型得到与选址相关的分类值,以分类值为重要参数可快速且准确的获取候选选址区域集,降低了选址结果获取难度。
上述基于分类模型的风电机组智能选址装置可以实现为计算机程序的形式,该计算机程序可以在如图3所示的计算机设备上运行。
请参阅图3,图3是本申请实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,也可以是服务器集群。服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图3,该计算机设备500包括通过装置总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于分类模型的风电机组智能选址方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于分类模型的风电机组智能选址方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现本申请实施例公开的基于分类模型的风电机组智能选址方法。
本领域技术人员可以理解,图3中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图3所示实施例一致,在此不再赘述。
应当理解,在本申请实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本申请的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本申请实施例公开的基于分类模型的风电机组智能选址方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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,后台服务器,或者网络设备等 ) 执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U 盘、移动硬盘、只读存储器 (ROM,Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于分类模型的风电机组智能选址方法,其特征在于,包括:
响应于智能选址规划指令,获取与所述智能选址规划指令对应的初始选址区域集;其中,所述初始选址区域集中包括多个初始选址区域;
获取所述初始选址区域集中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数;
根据所述初始选址区域集中每一个初始选址区域的区域风力参数确定每一个初始选址区域的输入向量;
获取预先训练的分类模型,将每一初始选址区域的输入向量输入至所述分类模型进行分类运算,得到与每一初始选址区域的输入向量对应的分类值;
获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集;
将所述候选选址区域集发送至与所述智能选址规划指令对应的接收终端;
所述获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集之后,还包括:
由所述候选选址区域集中每一初始选址区域的经纬度信息组成测风塔部署候选区域集;
将所述测风塔部署候选区域集对应发送至接收终端,所述接收终端由人工决策测风塔部署候选区域,并确定所述测风塔部署候选区域集中所述测风塔部署候选区域对应的风力发电候选区域;
所述获取所述初始选址区域集中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数,包括:
基于当前系统时间及预设的数据统计时间周期,确定当前统计数据获取时间区间;
获取所述初始选址区域集中第i个初始选址区域;其中,i的初始取值为1,且i的取值范围是[1,N],N表示所述初始选址区域集中初始选址区域的总个数;
获取第i个初始选址区域对应的第i号区域服务器;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均风速;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均风机容量系数;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均湍流强度;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号平均海拔高度;
基于所述第i个初始选址区域的第i号历史平均风速、第i号历史高频风向集合、第i号历史平均风机容量系数、第i号历史平均湍流强度、第i号平均海拔高度组成第i个初始选址区域对应的第i个区域风力参数;
将i自增1以更新i的取值;
若确定i未超出N,返回执行所述获取所述初始选址区域集中第i个初始选址区域的步骤;
若确定i超出N,获取第1个区域风力参数至第N个区域风力参数并保存;
所述获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集之后,还包括:
获取预先存储的配电网分布区域集;
将所述候选选址区域集与所述配电网分布区域集组合得到综合分布区域集;
将所述综合分布区域集进行DBSCAN聚类,得到聚类结果;
获取所述聚类结果中噪声点对应的初始选址区域,并从所述候选选址区域集中删除以更新所述候选选址区域集;
所述获取与所述智能选址规划指令对应的初始选址区域集,包括:
获取所述智能选址规划指令对应的初始限定区域及初始限定条件,根据所述初始限定条件在所述初始限定区域中对应获取初始选址区域集;
其中,基于登录IP地址所确定的定位城市作为初始限定区域,在预先存储的多个选址区域筛选出与所述初始限定区域的间距小于所述初始限定条件对应的间距阈值的筛选后选址区域,以组成初始选址区域集;
所述分类模型采用KNN邻近算法或随机森林,所述分类值在[0,1]内。
2.根据权利要求1 所述的方法,其特征在于,所述获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合之后,还包括:
若确定所述第i号历史高频风向集合中存在异常值,将所述第i号历史高频风向集合中的异常值剔除以更新所述第i号历史高频风向集合;
若确定所述第i号历史高频风向集合中的高频风向参数个数大于预设的第一参数个数阈值,获取所述第i号历史高频风向集合中高频风向频次降序排序值未超出所述第一参数个数阈值的目标高频风向频次,以各目标高频风向频次对应更新所述第i号历史高频风向集合。
3.根据权利要求1所述的方法,其特征在于,所述获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合之后,还包括:
向所述第i个初始选址区域对应的气象数据服务器发起连接请求;
若接收到所述气象数据服务器发送的连接请求通过指令,与所述气象数据服务器建立通讯连接;
基于所述当前统计数据获取时间区间获取所述气象数据服务器发送的与所述第i个初始选址区域对应的第i号标准高频风向集合;
若所述第i号历史高频风向集合与所述第i号标准高频风向集合相同,以所述第i号历史高频风向集合作为第i号历史高频风向集合;
若所述第i号历史高频风向集合与所述第i号标准高频风向集合不相同,以所述第i号历史高频风向集合作为第i号历史高频风向集合。
4.一种基于分类模型的风电机组智能选址装置,其特征在于,包括:
初始区域获取单元,用于响应于智能选址规划指令,获取与所述智能选址规划指令对应的初始选址区域集;其中,所述初始选址区域集中包括多个初始选址区域;
区域参数获取单元,用于获取所述初始选址区域集中每一个初始选址区域对应的历史平均风速、历史高频风向集合、历史平均风机容量系数、历史平均湍流强度、平均海拔高度,以组成每一个初始选址区域对应的区域风力参数;
输入向量获取单元,用于根据所述初始选址区域集中每一个初始选址区域的区域风力参数确定每一个初始选址区域的输入向量;
分类单元,用于获取预先训练的分类模型,将每一初始选址区域的输入向量输入至所述分类模型进行分类运算,得到与每一初始选址区域的输入向量对应的分类值;
候选区域获取单元,用于获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集;
候选区域发送单元,用于将所述候选选址区域集发送至与所述智能选址规划指令对应的接收终端;
所述获取与每一初始选址区域的输入向量对应的分类值中超出预设的分类阈值的目标分类值,确定每一目标分类值对应的初始选址区域,以组成候选选址区域集之后,还包括:
由所述候选选址区域集中每一初始选址区域的经纬度信息组成测风塔部署候选区域集;
将所述测风塔部署候选区域集对应发送至接收终端,所述接收终端由人工决策测风塔部署候选区域,并确定所述测风塔部署候选区域集中所述测风塔部署候选区域对应的风力发电候选区域;
所述区域参数获取单元,具体用于:
基于当前系统时间及预设的数据统计时间周期,确定当前统计数据获取时间区间;
获取所述初始选址区域集中第i个初始选址区域;其中,i的初始取值为1,且i的取值范围是[1,N],N表示所述初始选址区域集中初始选址区域的总个数;
获取第i个初始选址区域对应的第i号区域服务器;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均风速;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史高频风向集合;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均风机容量系数;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号历史平均湍流强度;
获取所述第i号区域服务器根据所述当前统计数据获取时间区间对应上传的第i号平均海拔高度;
基于所述第i个初始选址区域的第i号历史平均风速、第i号历史高频风向集合、第i号历史平均风机容量系数、第i号历史平均湍流强度、第i号平均海拔高度组成第i个初始选址区域对应的第i个区域风力参数;
将i自增1以更新i的取值;
若确定i未超出N,返回执行所述获取所述初始选址区域集中第i个初始选址区域的步骤;
若确定i超出N,获取第1个区域风力参数至第N个区域风力参数并保存;
所述基于分类模型的风电机组智能选址装置还包括:
配电网分布区域集获取单元,用于获取预先存储的配电网分布区域集;
综合分布区域集获取单元,用于将所述候选选址区域集与所述配电网分布区域集组合得到综合分布区域集;
DBSCAN聚类单元,用于将所述综合分布区域集进行DBSCAN聚类,得到聚类结果;
噪声点移除单元,用于获取所述聚类结果中噪声点对应的初始选址区域,并从所述候选选址区域集中删除以更新所述候选选址区域集;
所述初始区域获取单元,具体用于:
获取所述智能选址规划指令对应的初始限定区域及初始限定条件,根据所述初始限定条件在所述初始限定区域中对应获取初始选址区域集;
其中,基于登录IP地址所确定的定位城市作为初始限定区域,在预先存储的多个选址区域筛选出与所述初始限定区域的间距小于所述初始限定条件对应的间距阈值的筛选后选址区域,以组成初始选址区域集;
所述分类模型采用KNN邻近算法或随机森林,所述分类值在[0,1]内。
5.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的基于分类模型的风电机组智能选址方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至3任一项所述的基于分类模型的风电机组智能选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210721547.5A CN114819756B (zh) | 2022-06-24 | 2022-06-24 | 基于分类模型的风电机组智能选址方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210721547.5A CN114819756B (zh) | 2022-06-24 | 2022-06-24 | 基于分类模型的风电机组智能选址方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114819756A CN114819756A (zh) | 2022-07-29 |
CN114819756B true CN114819756B (zh) | 2022-09-27 |
Family
ID=82520770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210721547.5A Active CN114819756B (zh) | 2022-06-24 | 2022-06-24 | 基于分类模型的风电机组智能选址方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819756B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703210B (zh) * | 2023-05-29 | 2024-05-28 | 广东永光新能源设计咨询有限公司 | 可再生能源利用方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944632A (zh) * | 2017-12-06 | 2018-04-20 | 北京天润新能投资有限公司 | 一种基于开发地图的风电场选址系统及选址方法 |
CN110852557A (zh) * | 2019-09-24 | 2020-02-28 | 长江大学 | 一种基于gis的垃圾填埋场的选址方法及装置 |
CN112700349A (zh) * | 2019-10-22 | 2021-04-23 | 北京金风科创风电设备有限公司 | 测风塔选址方法和装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110206250A1 (en) * | 2010-02-24 | 2011-08-25 | Icad, Inc. | Systems, computer-readable media, and methods for the classification of anomalies in virtual colonography medical image processing |
CN103996074B (zh) * | 2014-05-07 | 2017-04-12 | 河海大学 | 基于cfd和改进pso的复杂地形风电场微观选址方法 |
CN208689615U (zh) * | 2018-06-19 | 2019-04-02 | 南方电网科学研究院有限责任公司 | 风电场选址装置 |
US10713542B2 (en) * | 2018-10-24 | 2020-07-14 | The Climate Corporation | Detection of plant diseases with multi-stage, multi-scale deep learning |
CN109657883B (zh) * | 2019-01-28 | 2023-04-07 | 重庆邮电大学 | 一种基于多源数据驱动的银行网点选址推荐方法 |
CN110334828A (zh) * | 2019-03-07 | 2019-10-15 | 北京融链科技有限公司 | 选址方法及装置、存储介质、处理器 |
CN110264002B (zh) * | 2019-06-20 | 2021-07-06 | 龙源(北京)风电工程设计咨询有限公司 | 基于聚类分析的风电场微观选址方案评价方法 |
CN112907000A (zh) * | 2019-11-19 | 2021-06-04 | 泰康保险集团股份有限公司 | 基于大数据的医院选址方法、装置、电子设备、存储介质 |
US20210162216A1 (en) * | 2019-12-02 | 2021-06-03 | West Virginia University Board of Governors on behalf of West Virginia University | Neuromodulatory methods for improving addiction using multi-dimensional feedback |
CN113947425A (zh) * | 2021-09-27 | 2022-01-18 | 上海维智卓新信息科技有限公司 | 店铺地址确定方法及装置 |
-
2022
- 2022-06-24 CN CN202210721547.5A patent/CN114819756B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944632A (zh) * | 2017-12-06 | 2018-04-20 | 北京天润新能投资有限公司 | 一种基于开发地图的风电场选址系统及选址方法 |
CN110852557A (zh) * | 2019-09-24 | 2020-02-28 | 长江大学 | 一种基于gis的垃圾填埋场的选址方法及装置 |
CN112700349A (zh) * | 2019-10-22 | 2021-04-23 | 北京金风科创风电设备有限公司 | 测风塔选址方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114819756A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110019595B (zh) | 一种多源气象数据集成方法及系统 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN114819756B (zh) | 基于分类模型的风电机组智能选址方法、装置及设备 | |
CN111461410A (zh) | 一种基于迁移学习的空气质量的预测方法及装置 | |
CN109543870B (zh) | 一种基于邻域保持嵌入算法的输电线路杆塔雷击预警方法 | |
CN105241524A (zh) | 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法 | |
US20130054211A1 (en) | Unit commitment for wind power generation | |
CN108632832B (zh) | 网络覆盖分析方法及系统 | |
CN112566093B (zh) | 一种终端关系识别方法、装置、计算机设备及存储介质 | |
US11244161B2 (en) | Managing tree risk | |
CN115174416B (zh) | 一种网络规划系统、方法、装置及电子设备 | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
CN114614989A (zh) | 基于数字孪生技术的网络业务的可行性验证方法及装置 | |
CN107659566B (zh) | 对服务器异常访问的识别频率确定方法、装置及服务器 | |
JP2022000651A (ja) | 発雷推定システム、及び方法 | |
CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
KR102401823B1 (ko) | 폭염 및 한파의 기상요소와 재해부문별 열환경 응용지수 산출 시스템 및 방법 | |
CN115643360A (zh) | 可视对讲指挥系统 | |
CN111857015B (zh) | 输变电云端智能控制器 | |
CN114518612A (zh) | 雷暴风险预警方法、系统及电子设备 | |
CN113049914B (zh) | 一种输电线路故障诊断方法、系统、电子设备和存储介质 | |
CN113887813A (zh) | 台风灾害预警方法、装置、服务器及存储介质 | |
CN114139621A (zh) | 确定模型分类性能标识的方法、装置、设备及存储介质 | |
CN112598025A (zh) | 电力设备目标信息的处理方法、装置、设备和介质 | |
CN111612233A (zh) | 一种配电网线路重跳影响因素重要性得分获取方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |