一种基于卷积神经网络的风电机组遥感识别定位方法技术

本发明专利技术涉及一种基于卷积神经网络的风电机组遥感识别定位方法，所述方法包括步骤1：采用卷积神经网络方法建立风机识别模型；步骤2：导入遥感地图：以谷歌静态地图为遥感影像数据源，通过谷歌云平台提供的Maps Static API接口获取遥感影像，并以目标区域的经纬度、地图层级及坐标变化幅度为参数，获取相应的遥感影像地图瓦片；步骤3：依次识别遥感影像地图瓦片；步骤4：生成目标区域风机分布图层。所述方法具有快速高效、准确度高、适用范围广、操作性强的优点，能够以计算机代替人力，在较大的目标区域范围内自动识别并定位风电机组，构建得到目标区域的风电机组分布图。到目标区域的风电机组分布图。到目标区域的风电机组分布图。

【技术实现步骤摘要】
一种基于卷积神经网络的风电机组遥感识别定位方法


[0001]本专利技术涉及风电场风电机组定位
，具体涉及一种基于卷积神经网络的风电机组遥感识别定位方法。

技术介绍

[0002]风能、太阳能、生物质能等新型可再生能源日趋受到世界各国的普遍重视，成为解决能源危机、应对气候变化的重要选择。作为一种清洁、可靠的可再生能源，风能在当今世界能源转型过程中占据着重要地位。在“碳达峰、碳中和”战略的驱动下，我国以风电为代表的可再生能源开发利用也呈现出“爆发式”的增长态势。根据国家统计局提供的数据，2020年，我国风电装机容量达到了281.53GW，比2019年增加了71.48GW，增幅达34.6％，占2020年可再生能源总装机容量的30％。据《中国2060年前碳中和研究报告》(GEIDCO,2021)估计，到2060年实现“碳中和”目标时，我国风电装机容量将达到2500GW，预计比2019年翻了十倍以上。
[0003]风能属于“非碳基”资源，具有能量密度低、空间分散等特点。风能的捕获、转化和发电需要投入大量能源基础设施，从而占用大量土地资源。然而，不同地区土地资源的稀缺性差异较大，不同类型土地资源的生态价值也相差悬殊。因此，风电的大规模开发，不仅对我国能源供应与消费格局产生了重大影响，也给国土空间规划、产业发展布局、自然生态保护、环境影响评价等事业带来了新的挑战。在推动实现“碳中和”目标的背景下，如何系统评估风电场的土地利用需求，合理规划风电发展的宏观布局，减少风电开发的生态环境影响，成为关乎我国能源安全和发展大局的重要问题。
[0004]针对风电开发的土地占用、布局选址与生态影响问题，我国的相关研究尚停留在风电场或风电基地层面上。究其原因，一方面是由于我国面积广大、地域辽阔；另一方面是因为缺乏详细准确的风电场与风电机组位置分布数据。其中，风电机组的位置数据是开展风电土地利用与布局规划相关研究的基础，也是评估风电场生态环境影响的首要条件。
[0005]在我国风电快速发展的背景下，风电场和风电机组的增量极大，而风电机组的数量统计和位置核定工作却相对滞后，导致我国缺乏省级和国家级风电机组分布图和信息数据库，因此相关研究只能集中在相对较小的单一风电场或风电基地尺度上，以相应风电场所提供的可行性研究报告或环境影响评价报告为数据源，或以遥感目视识别的方法手动建立目标风电场的风机分布图层。因此，在现有数据条件的限制下，跨区域的风电用地核算、布局规划与生态影响研究就变得相对困难。而在“碳中和”目标的推动下，规模不断扩大的风电开发活动必然会对我国国土空间规划与生态环境保护事业产生深远影响，这就要求我国必须开展宏观层面的风电开发影响评价与应对策略研究，而现有的风电机组位置数据却无法满足相关研究的需求，成为这一领域发展过程中的瓶颈。
[0006]目前，常见的风机位置数据收集方法主要有两种：
[0007]第一种是以运营企业所提供的风电场可行性研究报告或环境影响评价报告为数据源，从这些报告中获得风机点位分布信息；第二种是以遥感影像为基础，通过手动寻找与
目视识别的方法，对遥感影像中的风电机组一一定位。
[0008]前述两种方法都存在很大的局限性，一是自动化程度不足，手动工作量较大，识别定位效率低下；二是信息收集范围狭小，多局限于单一风电场内，难以进行大尺度的、跨风电场的风机定位工作。
[0009]针对现有技术中存在的技术问题，开发一种信息收集范围广泛的风机识别与定位方法，并使之实现快速高效的自动化运转，对于建立大尺度的风电机组分布图，开展跨区域的风电开发评价与规划研究，具有十分重要的现实意义。

技术实现思路

[0010]针对现有技术中存在的风机定位方法、风机位置数据收集方法效率低下、应用范围狭小的问题，提供一种基于卷积神经网络的风电机组遥感识别定位方法，该方法具有快速高效、准确度高、适用范围广、操作性强的优点，能够以计算机代替人力，在较大的目标区域范围内自动识别并定位风电机组，返回目标区域风电机组的位置信息，从而构建得到目标区域的风电机组分布图。
[0011]本专利技术提供的一种基于卷积神经网络的风电机组遥感识别定位方法具体如下：
[0012]一种基于卷积神经网络的风电机组遥感识别定位方法，包括如下步骤：
[0013]步骤1：建立风机识别模型：采用卷积神经网络方法建立风机识别模型；
[0014]步骤2：导入遥感地图：以谷歌静态地图(Google Static Map)为遥感影像数据源，通过谷歌云平台(Google Cloud Platform)所提供的Maps Static API接口获取遥感影像，并以目标区域的经纬度、地图层级及坐标变化幅度为参数，获取相应的遥感影像地图瓦片；
[0015]步骤3：依次识别遥感影像地图瓦片：将目标区域的遥感地图导入到风机识别模型中，风机识别模型以先前设定的坐标变化幅度为增量，按照先经度后纬度、经纬度的数值从小到大的策略，依次对目标区域中的每一幅遥感影像地图瓦片进行识别，获取风机点位数据；
[0016]步骤4：生成目标区域风机分布图层：将风机点位数据转化成矢量图层文件，得到目标区域的风电机组分布图。
[0017]本专利技术所述的风电机组遥感识别定位方法，步骤1中所述的“建立风机识别模型”是指，采用卷积神经网络的方法，以大量风机和背景样本图片作为训练集，训练、验证并测试卷积神经网络，最终得到风机识别模型。所述风机识别模型能够适应多种背景环境下的风机识别任务，精确判断输入模型的图片中是否包含风机，并反馈相应的识别结果。
[0018]本专利技术所应用的“卷积神经网络”方法是深度学习领域中常用的一类算法，基本原理如下：该方法是仿照生物体的视知觉机制构建的、具有卷积层和深度结构的前馈神经网络。卷积神经网络通常由卷积层、池化层和全连接层构成，并以卷积层为核心。卷积层通常包含多个特征平面，同一特征平面内的神经元共享权值，从而形成卷积核。卷积核能够有效减少各层之间的连接，降低过拟合风险。当图片输入卷积神经网络时，通过多层的卷积、池化和全连接，卷积神经网络能够降低图片维度，将其转化为一维特征向量，从而实现对图片特征的提取与学习。
[0019]本专利技术所述的风电机组遥感识别定位方法，步骤2中所述“获取相应的遥感影像地图瓦片”是指，在确定需要进行风机识别定位的目标区域的基础上，以目标区域的经纬度、
所需地图层级及坐标变化幅度为参数，结合Maps Static API的密钥，获取相应的遥感影像地图瓦片。
[0020]所述地图层级指的是谷歌静态地图本身所具有的图层等级，从1级到22级不等。在用户使用和操作过程中，随着地图范围的逐渐缩小，比例尺逐渐增大，地图层级也逐渐变大。
[0021]所述坐标变化幅度指的是从前一幅地图瓦片的中心坐标到后一幅地图瓦片的中心坐标所要跨越的坐标差值，用于充当软件工作过程中坐标的增量。例如，若起点坐标为120.00000,40.00000；设置坐标变化幅度为0.002，由于软件的工作原则为“先经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的风电机组遥感识别定位方法，其特征在于，包括如下步骤：步骤1：建立风机识别模型：采用卷积神经网络方法建立风机识别模型；步骤2：导入遥感地图：以谷歌静态地图(Google Static Map)为遥感影像数据源，通过谷歌云平台(Google Cloud Platform)所提供的Maps Static API接口获取遥感影像，并以目标区域的经纬度、地图层级及坐标变化幅度为参数，获取相应的遥感影像地图瓦片；步骤3：依次识别遥感影像地图瓦片：将目标区域的遥感地图导入到风机识别模型中，风机识别模型以先前设定的坐标变化幅度为增量，按照先经度后纬度、经纬度的数值从小到大的策略，依次对目标区域中的每一幅遥感影像地图瓦片进行识别，获取风机点位数据；步骤4：生成目标区域风机分布图层：将风机点位数据转化成矢量图层文件，得到目标区域的风电机组分布图。2.如权利要求1所述的风电机组遥感识别定位方法，其特征在于，步骤1中所述的“建立风机识别模型”是指，采用卷积神经网络的方法，以大量风机和背景样本图片作为训练集，训练、验证并测试卷积神经网络，最终得到风机识别模型。3.如权利要求1所述的风电机组遥感识别定位方法，其特征在于，步骤2中所述“获取相应的遥感影像地图瓦片”...

【专利技术属性】
技术研发人员：张力小，陈云钊，郝岩，张鹏鹏，李苍柏，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：