CN116246178A - 基于卫星图片识别技术生成区域高精度风向的方法 - Google Patents
基于卫星图片识别技术生成区域高精度风向的方法 Download PDFInfo
- Publication number
- CN116246178A CN116246178A CN202211547455.6A CN202211547455A CN116246178A CN 116246178 A CN116246178 A CN 116246178A CN 202211547455 A CN202211547455 A CN 202211547455A CN 116246178 A CN116246178 A CN 116246178A
- Authority
- CN
- China
- Prior art keywords
- wind
- satellite
- picture
- precision
- area
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
- Astronomy & Astrophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开了一种基于卫星图片识别技术生成区域高精度风向的方法。本发明采用的技术方案为:通过地球同步卫星的图片拍摄系统对目标区域进行拍照,得到目标区域的卫星图片;将卫星图片传输至地面计算机;所述的地面计算机基于机器学习算法,对卫星图片进行识别,识别出风力机所在位置以及叶轮平面;由于风力机具有自动对风的偏航系统,叶轮平面一直与来流风向垂直,即风力机在运行时总是正对来流方向,则综合所有风力机的来流风向,即可生成整个目标区域的风向流线图。本发明可准确地确定出目标区域陆面100m高度处的风向,明显降低了卫星测风的风向误差。
Description
技术领域
本发明涉及风电领域,具体涉及一种基于卫星图片识别技术生成区域高精度风向的方法。
背景技术
新能源并网给电力系统频率稳定性带来严重挑战,也对风电场每天可接入电网的发电量的风功率预测精准度提出更高要求。
目前气象预测结果与实际应用,有时还存在着精准度偏差较大、空间和时间分辨率不足、缺乏多元数据耦合等问题。如卫星测风资料已经广泛应用于大尺度天气分析、天气预报和气象研究,在海洋等常规气象探测资料稀少的地区。但是卫星测风一般以云为示踪物,故只能在有云的地方才能测得风的资料,然而云的水平分布和铅直分布都是不均匀的,如在资料稀少的热带洋面上,以对流云为主;在铅直方向上,强烈发展的积雨云顶部在气压约为200百帕的高度,信风积云顶部在气压约为850百帕的高度上,用卫星测风法,一般只能得到这两个高度附近的资料;另一方面由于云的生消演变和大气中水汽含量的变化导致云的定位不准,使云的顶部高度定不准。这两个因素,使卫星测风的风向误差可达30度。
一般风力机叶轮轮毂高度约为100m,即对于风电行业,重点关注陆面100m高度处的风速和风向特征。如果能够进一步提高卫星测风技术在陆面100m高度处风向识别技术精度,将明显降低卫星测风的风向误差。
发明内容
针对上述现有背景中所述的卫星测风技术识别风向精度较低的问题,本发明提出一种基于卫星图片识别技术生成区域高精度风向的方法,其可准确地确定出目标区域陆面100m高度处的风向,以明显降低卫星测风的风向误差。
为达到以上目的,本发明采用如下技术方案:基于卫星图片识别技术生成区域高精度风向的方法,其包括:
通过地球同步卫星的图片拍摄系统对目标区域进行拍照,得到目标区域的卫星图片;
将卫星图片传输至地面计算机;
所述的地面计算机基于机器学习算法,对卫星图片进行识别,识别出风力机所在位置以及叶轮平面;
由于风力机具有自动对风的偏航系统,叶轮平面一直与来流风向垂直,即风力机在运行时总是正对来流方向,则综合所有风力机的来流风向,即可生成整个目标区域的风向流线图。
进一步地,所述的风目标区域中均含有风电场以及风力机。
进一步地,所述目标区域的卫星图片分辨率应保证能够识别出每台风力机的位置以及叶轮叶片平面偏航角度。
进一步地,所述的机器学习算法采用区域卷积神经网络模型。
更进一步地,所述区域卷积神经网络模型的形成步骤如下:
步骤1,选取图片中的若干提议区域;
步骤2,通过卷积神经网络对每个提议区域抽取关键特征;
步骤3,在提议区域的关键特征上训练模型;
步骤4,测试模型的准确率。
更进一步地,选取图片中的若干提议区域的具体内容如下:
从输入图片中选取若干提议区域,每个风力机为选取的提议区域,并标注类别和真实边界框;所述的提议区域可通过手动选取。
更进一步地,通过卷积神经网络对每个提议区域抽取关键特征的具体内容如下:
用卷积神经网络对每个提议区域进行前向传播以抽取其特征,风力机提议区域的重要特征为位置和方向特征,即风力机的坐标点位和垂直于风力机叶轮平面的向量。
更进一步地,在提议区域的关键特征上训练模型的具体内容如下:
将每个风力机提议区域的特征连同其标注的类别作为一个样本,训练多个支持向量机对目标分类,其中每个支持向量机用来判断样本是否属于某一个类别,即通过对确定的卫星图片中风力机提议区域的位置以及方向特征进行训练调参,从而获得能够识别风力机风向的区域卷积神经网络模型。
更进一步地,测试模型的准确率的具体内容如下:
根据训练获得的区域卷积神经网络模型,识别并获得卫星图片中其他区域的风力机以及特征风向;若识别结果误差较大,返回步骤2,进一步优化模型。
进一步地,利用区域卷积神经网络模型识别出风力机所在位置以及叶轮平面偏航角度,从而可准确地确定出目标区域陆面100m高度处的风向,该测风结果与卫星示踪云区测风进行数据融合,可大幅度提高目标区域的风向识别精度。
本发明具有的有益效果如下:本发明通过地球同步卫星对目标区域进行拍照,进一步从目标区域的实时卫星图片中,采用机器学习算法识别出风力机所在位置以及叶轮平面偏航角度,从而可以准确地确定出目标区域陆面100m高度处的风向。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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为本发明采用地球同步卫星对目标区域进行拍摄的示意图;
图2为本发明区域卷积神经网络模型的形成过程示意图;
图3为本发明的图片识别效果图;
图4为本发明基于卫星图片识别技术生成区域高精度风向的方法的流程示意图;
图中,1-地球,2-地球同步卫星,3-目标区域,4-风力机。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对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作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。
本发明为一种基于卫星图片识别技术生成区域高精度风向的方法,如图4所示,其包括:
通过地球同步卫星的图片拍摄系统对目标区域进行拍照,得到目标区域的卫星图片;
将卫星图片传输至地面计算机;
所述的地面计算机基于机器学习算法,对卫星图片进行识别,识别出风力机所在位置以及叶轮平面;
由于风力机具有自动对风的偏航系统,叶轮平面一直与来流风向垂直,即风力机在运行时总是正对来流方向,则综合所有风力机的来流风向,即可生成整个目标区域的风向流线图。
我国的风电场遍布全国。从区域范围来说,风电场覆盖的区域尺度足够大,即测风目标区域中均含有风电场以及风力机。
如图1所示,地球同步卫星2将对地球1的目标区域3的进行时序拍摄,从而生成时序卫星图片。即从地球同步卫星上,实时获得目标区域的高清卫星体图片,并传输至地面计算机上。
拍摄目标区域3的范围应该足够大,图片内包含合适数量的风电场或风力机4。同时拍摄目标区域3卫星图片的分辨率应该足够高,保证能够识别出每台风力机的位置,以及叶轮叶片平面。
风向的识别是基于中卫星图片中的风力机4的叶轮平面。由于风力机的偏航控制系统,能够根据风向、风速传感器采集的数据,采取逻辑控制控制叶轮平面主动对风,即风力机在正常运行过程中,其叶轮平面一直垂直于来流风速。
图片识别风力位置以及叶轮平面方向的目标检测问题,可通过两阶段检测算法实现,即先在图像上产生候选区域,再对候选区域进行分类并预测目标物体位置。涉及到的机器学习算法有很多,这里采用区域卷积神经网络(Regions with CNN features,R-CNN)模型。
基于区域的卷积神经网络就是将一张图像拆分成多张小图,然后分别在小图上做特定的任务。具体来说,主要由以下4步骤构成,如图2所示:
1、选取提议区域。R-CNN首先从输入图像中选取若干提议区域,本实施例中,每个风力机为选取的提议区域,并标注类别和真实边界框如图3所示,其中提议区域可通过手动选取。
2、抽取关键特征。用卷积神经网络(CNN)对每个提议区域进行前向传播以抽取其特征。本发明对风力机提议区域的重要特征为位置和方向特征,即风力机的坐标点位和垂直于风力机叶轮平面的向量,如图3中显示的风力机位置和方向向量。
3、训练模型,将每个风力机提议区域的特征连同其标注的类别作为一个样本。训练多个支持向量机对目标分类,其中每个支持向量机用来判断样本是否属于某一个类别。即通过对确定的卫星图片中风力机提议区域的位置以及方向特征进行训练调参,从而获得能够识别风力机风向的区域卷积神经网络(R-CNN)模型。
4、测试模型,根据训练获得的区域卷积神经网络(R-CNN)模型,可识别并获得卫星图片中其他区域的风力机以及特征风向。若识别结果误差较大,可重新返回步骤2,进一步优化模型。
具体图片识别效果如附图3所示,可以从卫星图片中,可准确地识别出风力机的位置,图中白色圆圈位置,另外可以明显看出风力机4的叶轮平面垂线方向,即来流风向。
一般风力机轮毂高度为100m,叶轮直径范围为100m~250m,那么从卫星图片中可以明显识别出叶轮平面以及迎风方向,另外,由于风力机具有自动对风的偏航系统,叶轮平面一直与来流风向垂直。因此,可通过地球同步卫星对目标区域进行拍照,进一步从目标区域的实时卫星图片中,识别出风力机所在位置以及叶轮平面偏航角度,从而可以准确地确定出目标区域陆面100m高度处的风向。
本发明提出的方法可以与传统方法进行数据融合,即插值方法的方法,将本发明得到的测风结果与卫星示踪云区测风进行数据融合,可大幅度提高目标区域的风向识别精度。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,包括:
通过地球同步卫星的图片拍摄系统对目标区域进行拍照,得到目标区域的卫星图片;
将卫星图片传输至地面计算机;
所述的地面计算机基于机器学习算法,对卫星图片进行识别,识别出风力机所在位置以及叶轮平面;
由于风力机具有自动对风的偏航系统,叶轮平面一直与来流风向垂直,即风力机在运行时总是正对来流方向,则综合所有风力机的来流风向,即可生成整个目标区域的风向流线图。
2.根据权利要求1所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,所述的风目标区域中均含有风电场以及风力机。
3.根据权利要求1所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,所述目标区域的卫星图片分辨率应保证能够识别出每台风力机的位置以及叶轮叶片平面偏航角度。
4.根据权利要求1所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,所述的机器学习算法采用区域卷积神经网络模型。
5.根据权利要求4所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,所述区域卷积神经网络模型的形成步骤如下:
步骤1,选取图片中的若干提议区域;
步骤2,通过卷积神经网络对每个提议区域抽取关键特征;
步骤3,在提议区域的关键特征上训练模型;
步骤4,测试模型的准确率。
6.根据权利要求5所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,选取图片中的若干提议区域的具体内容如下:
从输入图片中选取若干提议区域,每个风力机为选取的提议区域,并标注类别和真实边界框;所述的提议区域可通过手动选取。
7.根据权利要求5所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,通过卷积神经网络对每个提议区域抽取关键特征的具体内容如下:
用卷积神经网络对每个提议区域进行前向传播以抽取其特征,风力机提议区域的重要特征为位置和方向特征,即风力机的坐标点位和垂直于风力机叶轮平面的向量。
8.根据权利要求5所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,在提议区域的关键特征上训练模型的具体内容如下:
将每个风力机提议区域的特征连同其标注的类别作为一个样本,训练多个支持向量机对目标分类,其中每个支持向量机用来判断样本是否属于某一个类别,即通过对确定的卫星图片中风力机提议区域的位置以及方向特征进行训练调参,从而获得能够识别风力机风向的区域卷积神经网络模型。
9.根据权利要求5所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,测试模型的准确率的具体内容如下:
根据训练获得的区域卷积神经网络模型,识别并获得卫星图片中其他区域的风力机以及特征风向;若识别结果误差较大,返回步骤2,进一步优化模型。
10.根据权利要求1所述的基于卫星图片识别技术生成区域高精度风向的方法,其特征在于,利用区域卷积神经网络模型识别出风力机所在位置以及叶轮平面偏航角度,从而可准确地确定出目标区域陆面100m高度处的风向,该测风结果与卫星示踪云区测风进行数据融合,可大幅度提高目标区域的风向识别精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211547455.6A CN116246178A (zh) | 2022-12-05 | 2022-12-05 | 基于卫星图片识别技术生成区域高精度风向的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211547455.6A CN116246178A (zh) | 2022-12-05 | 2022-12-05 | 基于卫星图片识别技术生成区域高精度风向的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116246178A true CN116246178A (zh) | 2023-06-09 |
Family
ID=86624908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211547455.6A Pending CN116246178A (zh) | 2022-12-05 | 2022-12-05 | 基于卫星图片识别技术生成区域高精度风向的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246178A (zh) |
-
2022
- 2022-12-05 CN CN202211547455.6A patent/CN116246178A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766274B (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 | |
CN113284124B (zh) | 一种基于无人机视觉的光伏面板缺陷检测方法 | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
CN111179262B (zh) | 一种结合形状属性的电力巡检图像金具检测方法 | |
CN113538391A (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
CN112734970B (zh) | 基于LoRaWAN定位技术的风电场无人机自动巡检系统及方法 | |
CN113902792B (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
US20230105991A1 (en) | Method of imaging a wind turbine rotor blade | |
Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
WO2022166510A1 (zh) | 风电场前期测风塔规划选址方法、系统、装置及存储介质 | |
CN113610749A (zh) | 基于神经网络的风机叶片缺陷检测方法 | |
CN115620239B (zh) | 一种点云和视频结合的输电线路在线监测方法和系统 | |
Guo et al. | Detecting and positioning of wind turbine blade tips for uav-based automatic inspection | |
CN111860593A (zh) | 一种基于生成对抗网络的风机叶片故障检测方法 | |
WO2019103621A1 (en) | Wind turbine blade orientation detection | |
CN117036993A (zh) | 一种基于无人机的船舶水尺远程测量方法 | |
CN115218801A (zh) | 基于机器视觉的风力发电机净空距离测量方法及装置 | |
Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
CN113033446B (zh) | 一种基于高分辨率遥感影像输电杆塔识别与定位方法 | |
CN116246178A (zh) | 基于卫星图片识别技术生成区域高精度风向的方法 | |
CN116539001A (zh) | 一种基于无人机的海上风电塔筒垂直度检测方法及系统 | |
CN115880642A (zh) | 一种基于机器视觉的海上目标接近程度预警方法及系统 | |
CN115937084A (zh) | 一种用于确定风力发电机叶轮姿态的方法 | |
Zhou et al. | Three dimensional fully autonomous inspection method for wind power employing unmanned aerial vehicle based on 5G wireless communication and artificial intelligence | |
Chen et al. | Research on Power System External Fault Monitoring Techniques Based on Deep Learning |
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 |