CN116245233A - 基于超分辨率重建技术的风电场风速降尺度方法 - Google Patents
基于超分辨率重建技术的风电场风速降尺度方法 Download PDFInfo
- Publication number
- CN116245233A CN116245233A CN202310095979.4A CN202310095979A CN116245233A CN 116245233 A CN116245233 A CN 116245233A CN 202310095979 A CN202310095979 A CN 202310095979A CN 116245233 A CN116245233 A CN 116245233A
- Authority
- CN
- China
- Prior art keywords
- data
- wind
- time
- time data
- wind speed
- 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 41
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000003908 quality control method Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 45
- 238000007689 inspection Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06Q10/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
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)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种基于超分辨率重建技术的风电场风速降尺度方法,包括:获取风电场地形数据,并提取地形特征,同时,获取全球场数值天气预报数据并进行第一质量控制以及获取风电场风速高分辨率图像数据并进行第二质量控制;对提取的地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到训练集、验证集以及测试集;基于所述训练集以及验证集,建立降尺度模型;基于所述降尺度模型对所述测试集进行预测,预报全球场数值天气预报数据的风速降尺度结果;利用风廓线模型对所述风速降尺度结果进行反归一化;根据反归一化结果获取每台风电机组轮毂所处高度的风速。提高风电场风速预报的准确性和时效性。
Description
技术领域
本发明涉及图像视觉技术领域,特别涉及一种基于超分辨率重建技术的风电场风速降尺度方法。
背景技术
数值天气预报是短期风电功率预测的必要输入。现有的中尺度数值天气预报模式均基于纯粹的物理模式,是在给定初值和边界条件下,求解描写天气演变过程的流体力学和热力学的方程组,从而获得未来时刻各个天气要素预报数值,该过程需要大型计算机进行大规模数值计算,且空间分辨率有限,很难考虑风电场尺度的局地信息。高原山区风电场的风电机组排布,相比平原风电场要复杂的多,其排布不但要满足风电场风电机组的间距和排距原则,还需要根据地形地貌的具体情况,尽量排布在山脊区域。因此,风电机组之间的距离没有规律,导致一般都比平原风电场的风电机组间距大,风电场占地面积也随之增大。此时,风电机组尾流的影响往往不是影响风电场出力的重要的因素,而风电场内风速风向的微小变化,对风电场出力影响很大。由于高原山区风电场每一个风电机组所处的位置都有一定的特殊性,任何一个或几个测风塔数据都无法全面代表复杂地形的整个山地风电场。综上所述,不论采取提高数值天气预报空间网格分辨率还是近地面风速校正,都无法实现高原山区风电场内更精细的风速风向预报,从而无法进一步提高风电场的风电功率预测精度。
因此,本发明提出了一种基于超分辨率重建技术的风电场风速降尺度方法。
发明内容
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,用以通过超分辨率重建技术有效的建立降尺度模型,来预报风俗降尺度结果大幅提升数值天气预报计算效率,提高风电场风速预报的准确性和时效性。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,包括:
步骤1:获取风电场地形数据,并提取地形特征,同时,获取全球场数值天气预报数据并进行第一质量控制以及获取风电场风速高分辨率图像数据并进行第二质量控制;
步骤2:对提取的地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到训练集、验证集以及测试集;
步骤3:基于所述训练集以及验证集,建立降尺度模型;
步骤4:基于所述降尺度模型对所述测试集进行预测,预报全球场数值天气预报数据的风速降尺度结果;
步骤5:利用风廓线模型对所述风速降尺度结果进行反归一化;
步骤6:根据反归一化结果获取每台风电机组轮毂所处高度的风速。
优选的,基于所述训练集以及验证集,建立降尺度模型,包括:
基于训练集以及验证集,建立初始模型;
对所述初始模型进行损失函数的建立,并判断所述初始模型是否满足损失标准;
若满足,将所述初始模型视为降尺度模型;
否则,对所述初始模型进行损失优化直到满足损失标准,得到降尺度模型。
优选的,获取风电场风速高分辨率图像数据并进行第二质量控制,包括:
识别风电场所处地形的独立山脉、重叠山脉,并获取每个独立山脉的第一矢量边界以及每个重叠山脉的第二矢量边界以及存在重叠阴影的第三矢量边界;
基于所述第一矢量边界、第二矢量边界以及第三矢量边界,得到所述风电场的地形轮廓;
从历史数据库中获取与所述地形轮廓所匹配的参考高分辨率图像,并将所述参考高分辨率图像与风电场风速高分辨率图像进行比较,获取必要检查区域;
获取所述必要检查区域的风机分布位置、风机工作状态以及区域风信息,确定对应必要检查区域是否合格;
若合格,将对应必要检查区域保留;
若不合格,向对应必要检查区域设备报警标签,并基于所有标签进行质量报警提醒。
优选的,获取所述必要检查区域的风机分布位置、风机工作状态以及区域风信息,确定对应必要检查区域是否合格,包括:
根据所述区域风信息以及风机分布位置,获取每个风机在不同时刻下的预测工作状态;
将所述预测工作状态与对应的风机工作状态进行比较,构建比较阵列,其中,所述比较阵列包括:不同时刻下所对应的预测工作状态组以及所对应的风机工作状态组;
构建预测工作状态组的第一状态曲线以及风机工作状态组的第二状态曲线,并对所述第一状态曲线与第二状态曲线进行对齐处理;
如果对齐处理所对应的曲线结果趋于一致,则判定对应必要检查趋于合格;
如果对齐处理所对应的曲线结果存在时刻上的位置偏离,则对第二状态曲线按照位置偏离进行调整,得到第三状态曲线;
将所述第一状态曲线与第三状态曲线进行对比分析,确定存在的非一致对集合以及所述非一致对集合中不一致对所处不同的不一致等级的频次;
根据频次结果以及对应的不一致等级,得到不合格值;
当所述不合格值大于预设值时,判定对应必要检查区域不合格;
否则,判定对应必要检查区域合格。
优选的,根据频次结果以及对应的不一致等级,得到不合格值,包括:
优选的,对提取的地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到训练集、验证集以及测试集,包括:
根据地形特征构建第一向量、根据第一质量控制结果构建第二向量以及根据第二质量控制结果构建第三向量;
将所述第一向量、第二向量以及第三向量分别输入到机器标识模型中,获取得到对应的第一标识、第二标识以及第三标识,进而从标识数据库中获取相关的数据处理算法;
根据所获取的风电场地形数据、全球场数值天气预报数据、风电场风速高分辨率图像数据的获取时间,来获取时间周期;
根据所述数据处理算法对所述地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到处理数据,其中,所述处理数据包括不同时刻下所对应的并列数据;
按照所述时间周期对所述处理数据进行时间划分,得到第一时间数据、第二时间数据以及第三时间数据;
按照数据提取比例从第一时间数据、第二时间数据以及第三时间数据中进行分别提取,得到训练集、验证集以及测试集。
优选的,按照数据提取比例从第一时间数据、第二时间数据以及第三时间数据中进行分别提取,得到训练集、验证集以及测试集,包括:
确定第一时间数据对应的第一时间、第二时间数据对应的第二时间以及第三时间数据对应的第三时间,按照所述第一时间与时间周期的第一比值、第二时间与时间周期的第二比值以及第三时间与时间周期的第三比值;
分析每个时间数据中每个时刻数据所对应的天气类型,并向每个时刻赋予天气标签,得到对应时间数据的第一标签集合;
提取每个第一标签集合中的并标签,并得到针对第一时间数据、第二时间数据以及第三时间数据的总标签;
获取针对每个时间数据的当下标签比值,且结合对应的时间比值,从对应时间数据中提取训练数据,并组合得到训练集;
对每个时间数据中的剩余数据进行并数据获取,得到验证数据,并将获取的所有验证数据作为验证集,将每个时间数据中除去训练数据以及验证数据的剩余数据进行综合,得到测试集。
优选的,获取针对每个时间数据的当下标签比值,且结合对应的时间比值,从对应时间数据中提取训练数据,并组合得到训练集,包括:
从对应时间数据中需要提取基于并数据的倍数:
其中,Y1表示从对应时间数据中需要提取基于并数据的倍数;Y0表示对应时间数据的数据量;s1表示当下标签比值;s2表示对应的时间比值;[]表示取整符号;
当Y0×s1>Y0×s2时,从对应时间数据中抽取设置标签的并数据,作为训练数据;
否则,从对应时间数据中所抽取的并数据进行Y1倍扩增,作为训练数据;
组合每个时间数据中得到的训练数据,得到训练集。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于超分辨率重建技术的风电场风速降尺度方法的流程图;
图2为本发明实施例中基于超分辨率重建技术的数值天气预报降尺度过程示意图;
图3为本发明实施例中基于超分辨率重建技术的数值天气预报降尺度流程图;
图4为本发明实施例中风电场高分辨率风速图像建立过程;
图5为本发明实施例中降尺度模型结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,如图1所示,包括:
步骤1:获取风电场地形数据,并提取地形特征,同时,获取全球场数值天气预报数据并进行第一质量控制以及获取风电场风速高分辨率图像数据并进行第二质量控制;
步骤2:对提取的地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到训练集、验证集以及测试集;
步骤3:基于所述训练集以及验证集,建立降尺度模型;
步骤4:基于所述降尺度模型对所述测试集进行预测,预报全球场数值天气预报数据的风速降尺度结果;
步骤5:利用风廓线模型对所述风速降尺度结果进行反归一化;
步骤6:根据反归一化结果获取每台风电机组轮毂所处高度的风速。
该实施例中,如图2所示,为基于超分辨率重建技术的数值天气预报降尺度过程示意图,主要是基于卷积神经网络算法,建立了全球场数值天气预报到给定风电机组轮毂高度位置的降尺度模型。大幅提升风电场数值天气预报计算效率,提高风电场风速预报的准确性,进而提升风电场风电功率预测的精度,其中,GCM(global climate model)是指全球气候模式,即全球场数值天气预报(NWP),RCM(regional climate model)是指区域气候模式,即风电场功率预测常用的中尺度数值天气预报,WindFarm是指风电场风电机组轮毂高度处的高分辨率风速预报。
该实施例中,如图3所示,为具体的流程图。
该实施例中,地形特征指的是对应位置的地形情况,为后续建立降尺度模型提供基础,其中,第一质量控制是为了对天气预报数据中的无关数据以及错误数据进行剔除,第二质量控制是为了图像的高分辨率进行检测,来确定是否合格,以此保证后续操作实施的可靠性,进一步保证预报的准确性。
该实施例中,训练集、验证集以及测试集中都分别包含有与地形特征、第一质量控制结果以及第二质量控制结果相关的数据在内。
该实施例中,降尺度模型的构建基础是基于神经网络模型构建得到的。
该实施例中,训练神经网络模型归一化,对预测结果进行反归一化便于与原始标签进行比较,衡量模型的性能。
该实施例中,如图5所示,为降尺度模型结构示意图。
该实施例中,如图4所示,为风电场高分辨率风速图像建立过程。
上述技术方案的有益效果是:基于卷积神经网络算法,建立了全球场数值天气预报到给定风电机组轮毂高度位置的降尺度模型。大幅提升风电场数值天气预报计算效率,提高风电场风速预报的准确性,进而提升风电场风电功率预测的精度。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,基于所述训练集以及验证集,建立降尺度模型,包括:
基于训练集以及验证集,建立初始模型;
对所述初始模型进行损失函数的建立,并判断所述初始模型是否满足损失标准;
若满足,将所述初始模型视为降尺度模型;
否则,对所述初始模型进行损失优化直到满足损失标准,得到降尺度模型。
该实施例中,基于训练集对神经网络模型进行训练,得到一个模型,并基于验证集对模型进行验证。
上述技术方案的有益效果是:通过建立初始模型以及损失函数,便于保证最后获取的降尺度模型的精准性,保证后续预测风电场风电功率的精准性。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,获取风电场风速高分辨率图像数据并进行第二质量控制,包括:
识别风电场所处地形的独立山脉、重叠山脉,并获取每个独立山脉的第一矢量边界以及每个重叠山脉的第二矢量边界以及存在重叠阴影的第三矢量边界;
基于所述第一矢量边界、第二矢量边界以及第三矢量边界,得到所述风电场的地形轮廓;
从历史数据库中获取与所述地形轮廓所匹配的参考高分辨率图像,并将所述参考高分辨率图像与风电场风速高分辨率图像进行比较,获取必要检查区域;
获取所述必要检查区域的风机分布位置、风机工作状态以及区域风信息,确定对应必要检查区域是否合格;
若合格,将对应必要检查区域保留;
若不合格,向对应必要检查区域设备报警标签,并基于所有标签进行质量报警提醒。
该实施例中,矢量边界指的是存在方向以及线条长度的矢量线(山脉的边界线),进而可以基于矢量线构建得到地形轮廓。
该实施例中,历史数据库指的是包含若干地形轮廓以及与地形轮廓所匹配的图像在内,因为分辨率越高越能保证后续分析的精准性,切中,参考高分辨率图像是预先设置好的,且风电场风速高分辨率图像是实际获取得到的。
该实施例中,必要检查区域指的是对应区域的分辨率并未达到预想的分辨率,此时,就将对应区域视为必要检查区域。
该实施例中,由于风机是设置在不同位置的,所以通过获取必要检查区域的风机情况,来确定该必要检查区域是否合格,也就是在未达到预想的高分辨率的情况下,来通过对该风机的情况进行分析,确定是否合格,为后续分析提供基础,因为分辨率不高的情况下,在对图像进行分析的时候,可能会出现错误,因此,来获取图像原本所需要辨识的风机相关情况,进而来确定是否合格。
该实施例中,报警标签的设置是因为该区域中所存在的异常,比如风机位置异常,风机所对应的区域风异常等。
上述技术方案的有益效果是:通过获取不同的矢量,来构建地形轮廓进而匹配存在的参考高分辨率图像与风电场风速高分辨率图像进行比较,对必要检查区域进行合格确定,保证高分辨率下所对应图像的精准性,保证预测的精准性。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,获取所述必要检查区域的风机分布位置、风机工作状态以及区域风信息,确定对应必要检查区域是否合格,包括:
根据所述区域风信息以及风机分布位置,获取每个风机在不同时刻下的预测工作状态;
将所述预测工作状态与对应的风机工作状态进行比较,构建比较阵列,其中,所述比较阵列包括:不同时刻下所对应的预测工作状态组以及所对应的风机工作状态组;
构建预测工作状态组的第一状态曲线以及风机工作状态组的第二状态曲线,并对所述第一状态曲线与第二状态曲线进行对齐处理;
如果对齐处理所对应的曲线结果趋于一致,则判定对应必要检查趋于合格;
如果对齐处理所对应的曲线结果存在时刻上的位置偏离,则对第二状态曲线按照位置偏离进行调整,得到第三状态曲线;
将所述第一状态曲线与第三状态曲线进行对比分析,确定存在的非一致对集合以及所述非一致对集合中不一致对所处不同的不一致等级的频次;
根据频次结果以及对应的不一致等级,得到不合格值;
当所述不合格值大于预设值时,判定对应必要检查区域不合格;
否则,判定对应必要检查区域合格。
该实施例中,区域风影响风机的转速以及风机所在的位置不同对应的影响情况不同,可以有效确定不同时刻下的工作状态,工作状态也就是指的转速不同。
该实施例中,风机工作状态是实际的工作状态,比较阵列如下:
该实施例中,比较阵列中的第一行为预测工作状态组,比较阵列中的第二行为风机工作状态组。
该实施例中,状态曲线是由于对应的工作状态的转速值所确定的。
该实施例中,对齐处理指的是时间上的对齐处理,便于比较分析,因为实际获取状态与预测状态可能会存在时间上的延迟,因此,会存在时刻上的位置偏离。
该实施例中,比如:
第一状态曲线不同时刻下对应的值为:a1 a2 a3,第三状态曲线不同时刻下对应的值为:b1 b2 b3,此时,a1与b1、a2与b2、a3与b3分别是一对,如果a2与b2不一致,则视为非一致对,此时,属于不一致等级Ⅰ,且频次为1,最后就会得到不合格值。
上述技术方案的有益效果是:通过构建比较阵列,并分别进行去信啊对比分析,来确定非一致对集合以及非一致对集合中不一致对所处不同的不一致等级的频次,有效的确定出不合格值,为判定必要检查区域是否合格提供基础。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,根据频次结果以及对应的不一致等级,得到不合格值,包括:
上述技术方案的有益效果是:通过频次、等级个数以及等级权重的计算,有效获取不合格值,为区域判定提供基础。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,对提取的地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到训练集、验证集以及测试集,包括:
根据地形特征构建第一向量、根据第一质量控制结果构建第二向量以及根据第二质量控制结果构建第三向量;
将所述第一向量、第二向量以及第三向量分别输入到机器标识模型中,获取得到对应的第一标识、第二标识以及第三标识,进而从标识数据库中获取相关的数据处理算法;
根据所获取的风电场地形数据、全球场数值天气预报数据、风电场风速高分辨率图像数据的获取时间,确定最小重叠时间;
根据所述数据处理算法对最小重叠时间内的地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到处理数据,其中,所述处理数据包括不同时刻下所对应的并列数据;
对所述处理数据进行时间划分,得到第一时间数据、第二时间数据以及第三时间数据;
按照数据提取比例从第一时间数据、第二时间数据以及第三时间数据中进行分别提取,得到训练集、验证集以及测试集。
该实施例中,第一向量是关于地形特征的表示,比如地势高低、山脉走向、风向、风速大小等。
第二向量是对第一质量控制结果的表示,与天气数据有关,比如,风速值。
第三向量是对第二质量控制结果的表示,与分辨率的高低以及对应区域的风信息、风机信息有关。
该实施例中,机器表示模型是预先训练好的,主要是为了对不同情况下的向量进行分析,来向对应的信息进行标识,将第一标识、第二标识以及第三标识组合,可以从数据库中匹配得到算法。
比如:标识@1#4¥5--算法1、标识@1#1¥5--算法2等在内,可以有效的匹配得到。
该实施例中,@与第一标识有关,#与第二标识有关,¥与第三标识有关。
该实施例中,风电场地形数据的获取时间为T1到T2,全球场数值天气预报数据的获取时间为T1到T3,风电场风速高分辨率图像数据的获取时间也为T1到T4,此时,对时间T2、T3以及T4比较,得到最小时间,进而来初步确定重叠时间,比如为T1到Tmin。
该实施例中,时间划分是进行了三份划分,且三份划分结果对应的时间数据可以是不一样的。
该实施例中,数据提取比例是基于时间比值、标签比值为基础进行提取的。
该实施例中,并列数据指的是同时刻下所存在的地形数据、第一质量控制数据以及第二质量控制数据。
上述技术方案的有益效果是:通过将不同情况下的结果进行向量转换,并输入到机器标识模型中,来得到标识符号,通过数据库匹配得到处理算法,实现对数据的预处理,为后续获取不同的集提供基础,保证预测的精准性。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,按照数据提取比例从第一时间数据、第二时间数据以及第三时间数据中进行分别提取,得到训练集、验证集以及测试集,包括:
确定第一时间数据对应的第一时间、第二时间数据对应的第二时间以及第三时间数据对应的第三时间,按照所述第一时间与时间周期的第一比值、第二时间与时间周期的第二比值以及第三时间与时间周期的第三比值;
分析每个时间数据中每个时刻数据所对应的天气类型,并向每个时刻赋予天气标签,得到对应时间数据的第一标签集合;
提取每个第一标签集合中的并标签,并得到针对第一时间数据、第二时间数据以及第三时间数据的总标签;
获取针对每个时间数据的当下标签比值,且结合对应的时间比值,从对应时间数据中提取训练数据,并组合得到训练集;
对每个时间数据中的剩余数据进行并数据获取,得到验证数据,并将获取的所有验证数据作为验证集,将每个时间数据中除去训练数据以及验证数据的剩余数据进行综合,得到测试集。
该实施例中,第一时间为T1到t1,第二时间为t1到t2,第三时间为t2到Tmin,此时,第一比值为:(t1-T1)/(Tmin-T1),第二比值为:(t2-t1)/(Tmin-T1),第三比值为:(Tmin-t2)/(Tmin-T1)。
该实施例中,第一标签集合是包括不同时刻下的天气标签在内的。
该实施例中,比如,第一标签集合中存在标签:01 02 03 03 04 05 05 06,此时,并标签为:01 02 03 04 05 06,以此类推就会得到每个时间数据对应的标签集合,进而可以得到总标签,且总标签是所有并标签进行并处理后得到的。
该实施例中,当下标签比值为:U1/U2,U1表示对应时间数据的并标签数量,U2表示总标签数量。
上述技术方案的有益效果是:通过确定对应的时间比值以及天气类型对应的标签比值,便于有效得到训练集、验证集以及测试集,保证模型建立的精准性。
本发明提供一种基于超分辨率重建技术的风电场风速降尺度方法,获取针对每个时间数据的当下标签比值,且结合对应的时间比值,从对应时间数据中提取训练数据,并组合得到训练集,包括:
从对应时间数据中需要提取基于并数据的倍数:
其中,Y1表示从对应时间数据中需要提取基于并数据的倍数;Y0表示对应时间数据的数据量;s1表示当下标签比值;s2表示对应的时间比值;[]表示取整符号;
当Y0×s1>Y0×s2时,从对应时间数据中抽取设置标签的并数据,作为训练数据;
否则,从对应时间数据中所抽取的并数据进行Y1倍扩增,作为训练数据;
组合每个时间数据中得到的训练数据,得到训练集。
上述技术方案的有益效果是:通过确定与并数据的倍数,来实现训练数据确定的基础,为构建训练集提供基础,保证预测的精准性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于超分辨率重建技术的风电场风速降尺度方法,其特征在于,包括:
步骤1:获取风电场地形数据,并提取地形特征,同时,获取全球场数值天气预报数据并进行第一质量控制以及获取风电场风速高分辨率图像数据并进行第二质量控制;
步骤2:对提取的地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到训练集、验证集以及测试集;
步骤3:基于所述训练集以及验证集,建立降尺度模型;
步骤4:基于所述降尺度模型对所述测试集进行预测,预报全球场数值天气预报数据的风速降尺度结果;
步骤5:利用风廓线模型对所述风速降尺度结果进行反归一化;
步骤6:根据反归一化结果获取每台风电机组轮毂所处高度的风速。
2.如权利要求1所述的基于超分辨率重建技术的风电场风速降尺度方法,其特征在于,基于所述训练集以及验证集,建立降尺度模型,包括:
基于训练集以及验证集,建立初始模型;
对所述初始模型进行损失函数的建立,并判断所述初始模型是否满足损失标准;
若满足,将所述初始模型视为降尺度模型;
否则,对所述初始模型进行损失优化直到满足损失标准,得到降尺度模型。
3.如权利要求1所述的基于超分辨率重建技术的风电场风速降尺度方法,其特征在于,获取风电场风速高分辨率图像数据并进行第二质量控制,包括:
识别风电场所处地形的独立山脉、重叠山脉,并获取每个独立山脉的第一矢量边界以及每个重叠山脉的第二矢量边界以及存在重叠阴影的第三矢量边界;
基于所述第一矢量边界、第二矢量边界以及第三矢量边界,得到所述风电场的地形轮廓;
从历史数据库中获取与所述地形轮廓所匹配的参考高分辨率图像,并将所述参考高分辨率图像与风电场风速高分辨率图像进行比较,获取必要检查区域;
获取所述必要检查区域的风机分布位置、风机工作状态以及区域风信息,确定对应必要检查区域是否合格;
若合格,将对应必要检查区域保留;
若不合格,向对应必要检查区域设备报警标签,并基于所有标签进行质量报警提醒。
4.如权利要求3所述的基于超分辨率重建技术的风电场风速降尺度方法,其特征在于,获取所述必要检查区域的风机分布位置、风机工作状态以及区域风信息,确定对应必要检查区域是否合格,包括:
根据所述区域风信息以及风机分布位置,获取每个风机在不同时刻下的预测工作状态;
将所述预测工作状态与对应的风机工作状态进行比较,构建比较阵列,其中,所述比较阵列包括:不同时刻下所对应的预测工作状态组以及所对应的风机工作状态组;
构建预测工作状态组的第一状态曲线以及风机工作状态组的第二状态曲线,并对所述第一状态曲线与第二状态曲线进行对齐处理;
如果对齐处理所对应的曲线结果趋于一致,则判定对应必要检查趋于合格;
如果对齐处理所对应的曲线结果存在时刻上的位置偏离,则对第二状态曲线按照位置偏离进行调整,得到第三状态曲线;
将所述第一状态曲线与第三状态曲线进行对比分析,确定存在的非一致对集合以及所述非一致对集合中不一致对所处不同的不一致等级的频次;
根据频次结果以及对应的不一致等级,得到不合格值;
当所述不合格值大于预设值时,判定对应必要检查区域不合格;
否则,判定对应必要检查区域合格。
6.如权利要求1所述的基于超分辨率重建技术的风电场风速降尺度方法,其特征在于,对提取的地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到训练集、验证集以及测试集,包括:
根据地形特征构建第一向量、根据第一质量控制结果构建第二向量以及根据第二质量控制结果构建第三向量;
将所述第一向量、第二向量以及第三向量分别输入到机器标识模型中,获取得到对应的第一标识、第二标识以及第三标识,进而从标识数据库中获取相关的数据处理算法;
根据所获取的风电场地形数据、全球场数值天气预报数据、风电场风速高分辨率图像数据的获取时间,来获取时间周期;
根据所述数据处理算法对所述地形特征、第一质量控制结果以及第二质量控制结果进行数据预处理,得到处理数据,其中,所述处理数据包括不同时刻下所对应的并列数据;
按照所述时间周期对所述处理数据进行时间划分,得到第一时间数据、第二时间数据以及第三时间数据;
按照数据提取比例从第一时间数据、第二时间数据以及第三时间数据中进行分别提取,得到训练集、验证集以及测试集。
7.如权利要求1所述的基于超分辨率重建技术的风电场风速降尺度方法,其特征在于,按照数据提取比例从第一时间数据、第二时间数据以及第三时间数据中进行分别提取,得到训练集、验证集以及测试集,包括:
确定第一时间数据对应的第一时间、第二时间数据对应的第二时间以及第三时间数据对应的第三时间,按照所述第一时间与时间周期的第一比值、第二时间与时间周期的第二比值以及第三时间与时间周期的第三比值;
分析每个时间数据中每个时刻数据所对应的天气类型,并向每个时刻赋予天气标签,得到对应时间数据的第一标签集合;
提取每个第一标签集合中的并标签,并得到针对第一时间数据、第二时间数据以及第三时间数据的总标签;
获取针对每个时间数据的当下标签比值,且结合对应的时间比值,从对应时间数据中提取训练数据,并组合得到训练集;
对每个时间数据中的剩余数据进行并数据获取,得到验证数据,并将获取的所有验证数据作为验证集,将每个时间数据中除去训练数据以及验证数据的剩余数据进行综合,得到测试集。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310095979.4A CN116245233A (zh) | 2023-01-29 | 2023-01-29 | 基于超分辨率重建技术的风电场风速降尺度方法 |
LU503778A LU503778B1 (en) | 2023-01-29 | 2023-03-29 | The method for wind speed downscaling of wind farms based on super-resolution reconstruction technology |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310095979.4A CN116245233A (zh) | 2023-01-29 | 2023-01-29 | 基于超分辨率重建技术的风电场风速降尺度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116245233A true CN116245233A (zh) | 2023-06-09 |
Family
ID=86632498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310095979.4A Pending CN116245233A (zh) | 2023-01-29 | 2023-01-29 | 基于超分辨率重建技术的风电场风速降尺度方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116245233A (zh) |
LU (1) | LU503778B1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738769A (zh) * | 2023-08-14 | 2023-09-12 | 长江三峡集团实业发展(北京)有限公司 | 一种风光数据生成模型构建方法及风光数据生成方法 |
-
2023
- 2023-01-29 CN CN202310095979.4A patent/CN116245233A/zh active Pending
- 2023-03-29 LU LU503778A patent/LU503778B1/en active IP Right Grant
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738769A (zh) * | 2023-08-14 | 2023-09-12 | 长江三峡集团实业发展(北京)有限公司 | 一种风光数据生成模型构建方法及风光数据生成方法 |
CN116738769B (zh) * | 2023-08-14 | 2023-10-20 | 长江三峡集团实业发展(北京)有限公司 | 一种风光数据生成模型构建方法及风光数据生成方法 |
Also Published As
Publication number | Publication date |
---|---|
LU503778B1 (en) | 2023-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
CN112766194A (zh) | 一种海洋中尺度涡检测方法 | |
CN107909212B (zh) | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 | |
CN108256738A (zh) | 道岔动作参考曲线选取方法及其应用 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN114165392A (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
CN116245233A (zh) | 基于超分辨率重建技术的风电场风速降尺度方法 | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
Molina-Garcia et al. | Vertical wind profile characterization and identification of patterns based on a shape clustering algorithm | |
CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
CN113033910A (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
CN115905997B (zh) | 基于预测偏差优化的风电机组气象灾害预警方法及系统 | |
CN116307282A (zh) | 一种基于机理模型和数据驱动的风电功率预测方法及系统 | |
CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
CN115683504B (zh) | 基于多标签分类的桥梁加速度监测数据异常识别方法及系统 | |
CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检系统及方法 |
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 |