本申请提供了一种湍流强度计算方法、模型训练方法、装置、设备及介质，涉及风力发电领域。该湍流强度计算方法，包括：获取遥感测风装置的实测地理数据和遥感测风装置的实测风资源数据；将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准差；根据测风塔的目标风速标准差计算遥感测风装置位置处的湍流强度。利用本申请的技术方案能够提高利用遥感测风装置得到的湍流强度执行业务的准确性。的湍流强度执行业务的准确性。的湍流强度执行业务的准确性。
【技术实现步骤摘要】
湍流强度计算方法、模型训练方法、装置、设备及介质
[0001]本申请属于风力发电领域，尤其涉及一种湍流强度计算方法、模型训练方法、装置、设备及介质。
技术介绍
[0002]湍流强度用于描述风速随时间和空间变化的程度，可反映脉动风速的相对强度，是描述大气湍流运动特性的最重要的特征量之一。可通过测风测量并计算得到湍流强度。可利用湍流强度来对风力发电机组进行产能评估或调整控制等业务。
[0003]现阶段可采用的测风方式有两种，分别为测风塔测风和遥感测风。测风塔测风与遥感测风相比，塔体高度较低，无法获取更高高度的风场信息，产能评估不确定性更高。由于测风塔测风与遥感测风的原理不同，导致测风塔测风测量计算得到的湍流强度与遥感测风测量计算得到的湍流强度不同。但现阶段利用湍流强度进行产能评估或调整控制等的标准是针对测风塔测风测量计算得到的湍流强度建立的。采用遥感测风方式测量计算得到的湍流强度执行业务的准确性会降低。
技术实现思路
[0004]本申请实施例提供了一种湍流强度计算方法、模型训练方法、装置、设备及介质，能够提高利用得到的湍流强度执行业务的准确性。
[0005]第一方面，本申请实施例提供一种湍流强度计算方法，包括：获取遥感测风装置的实测地理数据和遥感测风装置的实测风资源数据；将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准差；根据测风塔的目标风速标准差计算遥感测风装置位置处的湍流强度。
[0006]在一些可能的实施例中，实测地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的RIX指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；实测风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
[0007]在一些可能的实施例中，实测风资源数据包括风切变指数，获取遥感测风装置的实测风资源数据，包括：获取遥感测风装置采集的高度区域和高度区域对应的风速平均值；利用高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
[0008]在一些可能的实施例中，风速标准差转换模型包括多个子模型，将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准，包括：将实测地理数据与实测风资源数据分别输入各子模型，得到各子模型输出的测风塔的风速标准差；对各子模型输出的测风塔的风速标准差进行数据整合计算，得到目标风速标准差。
[0009]第二方面，本申请实施例提供一种模型训练方法，包括：获取多个训练数据组，一个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资
源数据和测风塔的测量风速标准差；利用多个训练数据组对机器学习模型进行训练，得到风速标准差转换模型。
[0010]在一些可能的实施例中，测量地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的RIX指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；测量风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
[0011]在一些可能的实施例中，测量风资源数据包括风切变指数，在获取多个训练数据组之前，还包括：获取高度区域和高度区域对应的风速平均值；对高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
[0012]在一些可能的实施例中，机器学习模型包括多个机器学习子模型，利用多个训练数据组对机器学习模型进行训练，得到风速标准差转换模型，包括：利用多个训练数据组对多个机器学习子模型分别进行训练，得到多个候选转换模型；利用测试数据组分别对多个候选转换模型进行交叉验证，得到多个候选转换模型的转换性能指标，转换性能指标用于表征候选模型输出的测风塔的风速标准差的准确性；在多个候选转换模型中选取目标候选转换模型，目标候选转换模型为转换性能指标表征准确性最高的N个候选转换模型，N为大于1的整数；根据目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
[0013]在一些可能的实施例中，根据目标候选转换模型和数据整合计算算法，得到风速标准差转换模型，包括：获取目标候选转换模型的模型参数；将模型参数的候选取值排列组合，得到多个参数取值组；利用测试数据组和多个参数取值组分别对目标候选转换模型进行交叉验证，得到每个目标候选转换模型的转换性能指标；将目标候选转换模型的转换性能指标表征准确性最高的参数取值组，配置为目标候选转换模型的模型参数的实际值；根据配置实际模型参数的目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
[0014]第三方面，本申请实施例提供一种湍流强度计算装置，包括：获取模块，用于获取遥感测风装置的实测地理数据和遥感测风装置的实测风资源数据；处理模块，用于将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准差；计算模块，用于根据测风塔的目标风速标准差计算遥感测风装置位置处的湍流强度。
[0015]在一些可能的实施例中，实测地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的RIX指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；实测风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
[0016]在一些可能的实施例中，实测风资源数据包括风切变指数，获取模块还用于：获取遥感测风装置采集的高度区域和高度区域对应的风速平均值；利用高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
[0017]在一些可能的实施例中，风速标准差转换模型包括多个子模型，处理模块具体用于：将实测地理数据与实测风资源数据分别输入各子模型，得到各子模型输出的测风塔的风速标准差；对各子模型输出的测风塔的风速标准差进行数据整合计算，得到目标风速标准差。
[0018]第四方面，本申请实施例提供一种模型训练装置，包括：获取模块，用于获取多个训练数据组，一个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差；训练模块，用于利用多个训练数据组对机器学习模型进行训练，得到风速标准差转换模型。
[0019]在一些可能的实施例中，测量地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的RIX指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；测量风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
[0020]在一些可能的实施例中，测量风资源数据包括风切变指数，获取模块还用于：获取高度区域和高度区域对应的风速平均值；对高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种湍流强度计算方法，其特征在于，包括：获取遥感测风装置的实测地理数据和所述遥感测风装置的实测风资源数据；将所述实测地理数据与所述实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准差；根据所述测风塔的目标风速标准差计算所述遥感测风装置位置处的湍流强度。2.根据权利要求1所述的方法，其特征在于，所述实测地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的RIX指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；所述实测风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。3.根据权利要求1所述的方法，其特征在于，所述实测风资源数据包括风切变指数，获取所述遥感测风装置的实测风资源数据，包括：获取所述遥感测风装置采集的高度区域和所述高度区域对应的风速平均值；利用所述高度区域和所述高度区域对应的风速平均值进行拟合计算，得到所述风切变指数。4.根据权利要求1所述的方法，其特征在于，所述风速标准差转换模型包括多个子模型，所述将所述实测地理数据与所述实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准，包括：将所述实测地理数据与所述实测风资源数据分别输入各所述子模型，得到各所述子模型输出的所述测风塔的风速标准差；对所述各所述子模型输出的所述测风塔的风速标准差进行数据整合计算，得到所述目标风速标准差。5.一种模型训练方法，其特征在于，包括：获取多个训练数据组，一个所述训练数据组包括在相同条件下遥感测风装置的测量地理数据、所述遥感测风装置的测量风资源数据和测风塔的测量风速标准差；利用多个所述训练数据组对机器学习模型进行训练，得到风速标准差转换模型。6.根据权利要求5所述的方法，其特征在于，所述测量地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的RIX指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；所述测量风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。7.根据权利要求5所述的方法，其特征在于，所述测量风资源数据包括风切变指数，在所述获取多个训练数据组之前，还包括：获取高度区域和所述高度区域对应的风速平均值；对所述高度区域和所述高度区域对应的风速平均值进行拟合计算，得到所述风切变指数。8.根据权利要求5所述的方法，其特征在于，所述机器学习模型包括多个机器学习子模型，
所述利用多个所述训练数据组对机器学习模型进行训练，得到风速标准差转换模型，包括：利用多个所述...
【专利技术属性】
技术研发人员：于佳鹤，董琦，刘晓亚，
申请(专利权)人：北京金风科创风电设备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。