基于中尺度数据的风电场选址优化系统及其方法技术方案

本申请涉及风电场的智能选址领域，其具体地公开了一种基于中尺度数据的风电场选址优化系统及其方法，其通过以各个海上风电场在预定风条件下的输出电功率特征来表示各个所述海上风电场的发电性能特征，继而再结合风数据的动态变化特征信息来进行所述海上风电场的选址，并且，进一步以各个所述海上风电场之间的转移矩阵来表示各个所述海上风电场之间的发电性能之间的隐含差异性特征，再通过使用卷积神经网络模型来对这种差异性进行高维的隐含关联特征提取，来保证所述风电场选址的优化结果。结果。结果。

【技术实现步骤摘要】
基于中尺度数据的风电场选址优化系统及其方法


[0001]本专利技术涉及风电场的智能选址领域，且更为具体地，涉及一种基于中尺度数据的风电场选址优化系统及其方法。

技术介绍

[0002]目前，海上风电场用海面积有限，同时湍流低、尾流恢复慢，风力机的优化排布是增加收益的有效手段和关键技术之一。现有排布方法难以充分利用海上风电场规划区域，同时海上风电场集中开发，风电场之间往往相互影响等问题。
[0003]因此，期待一种优化的风电场选址优化方案。
[0004]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]近年来，深度学习以及神经网络的发展，为风电场的选址优化提供了解决思路和方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于中尺度数据的风电场选址优化系统及其方法，其通过以各个海上风电场在预定风条件下的输出电功率特征来表示各个所述海上风电场的发电性能特征，继而再结合风数据的动态变化特征信息来进行所述海上风电场的选址，并且，进一步以各个所述海上风电场之间的转移矩阵来表示各个所述海上风电场之间的发电性能之间的隐含差异性特征，再通过使用卷积神经网络模型来对这种差异性进行高维的隐含关联特征提取，来保证所述风电场选址的优化结果。
[0007]根据本申请的一个方面，提供了一种基于中尺度数据的风电场选址优化系统，其包括：
[0008]风数据采集模块，用于获取多个预定时间点的风数据，所述风数据包括风速和风向，所述风向以角度的余弦值或正弦值来表示；
[0009]风数据时序编码模块，用于将所述多个预定时间点的风数据按照时间维度排列为输入向量后通过包含一维卷积层的时序编码器以得到风驱动特征向量；
[0010]输出功率数据采集模块，用于获取多个海上风电场在所述多个预定时间点的输出电功率值；
[0011]功率数据时序编码模块，用于将各个所述海上风电场在所述多个预定时间点的输出电功率值分别排列为功率输入向量后所述包含一维卷积层的时序编码器以得到多个输出功率特征向量；
[0012]发电性能评估模块，用于分别计算所述多个输出功率特征向量中各个输出功率特征向量相对于所述风驱动特征向量的响应性估计以得到多个响应性矩阵；
[0013]风电性能差异评估模块，用于计算所述多个响应性矩阵中每两个响应性矩阵之间的转移矩阵以得到多个转移矩阵；
[0014]差异关联特征提取模块，用于将所述多个转移矩阵排列为三维输入张量通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及
[0015]选址优化结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述多个海上风电场的选址方案是否需要优化。
[0016]在上述基于中尺度数据的风电场选址优化系统中，所述风数据时序编码模块，包括：输入向量构造单元，用于将所述多个预定时间点的风数据按照时间维度排列为输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0017][0018]其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量。
[0019]在上述基于中尺度数据的风电场选址优化系统中，所述发电性能评估模块，进一步用于：以如下公式分别计算所述多个输出功率特征向量中各个输出功率特征向量相对于所述风驱动特征向量的响应性估计以得到所述多个响应性矩阵；
[0020]其中，所述公式为：
[0021]V
i
＝M
i
*V
c
[0022]其中V
i
表示所述多个输出功率特征向量中各个输出功率特征向量，V
c
表示所述风驱动特征向量，M
i
表示所述多个响应性矩阵。
[0023]在上述基于中尺度数据的风电场选址优化系统中，所述风电性能差异评估模块，进一步用于：以如下公式计算所述多个响应性矩阵中每两个响应性矩阵之间的转移矩阵以得到所述多个转移矩阵；
[0024]其中，所述公式为：
[0025]M1＝M
k
*M2[0026]其中M1和M2分别表示所述多个响应性矩阵中每两个响应性矩阵，M
k
表示所述多个转移矩阵。
[0027]在上述基于中尺度数据的风电场选址优化系统中，所述差异关联特征提取模块，进一步用于：所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述三维输入张量。
[0028]在上述基于中尺度数据的风电场选址优化系统中，所述选址优化结果生成模块，包括：降维单元，用于计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值以得到参考特征向量；分类特征向量生成单元，用于计算所述参考特征向量的通道递归的压榨
‑
激励优化向量作为分类特征向量，所述参考特征向量的通道递归的压榨
‑
激励优化向量与所述参考特征向量的均值和方差有关；分类单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0029]在上述基于中尺度数据的风电场选址优化系统中，所述分类特征向量生成单元，进一步用于：以如下公式计算所述参考特征向量的通道递归的压榨
‑
激励优化向量作为所述分类特征向量；
[0030]其中，所述公式为：
[0031][0032]其中v
i
和v
i
′
分别表示所述参考特征向量和所述通道递归的压榨
‑
激励优化向量的第i个位置的特征值，且μ和σ分别是所述参考特征向量的特征值集合的均值和方差，exp(
·
)表示特征值的指数运算，以特征值为幂的指数运算表示以特征值作为幂的自然指数函数值。
[0033]在上述基于中尺度数据的风电场选址优化系统中，所述分类单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于中尺度数据的风电场选址优化系统，其特征在于，包括：风数据采集模块，用于获取多个预定时间点的风数据，所述风数据包括风速和风向，所述风向以角度的余弦值或正弦值来表示；风数据时序编码模块，用于将所述多个预定时间点的风数据按照时间维度排列为输入向量后通过包含一维卷积层的时序编码器以得到风驱动特征向量；输出功率数据采集模块，用于获取多个海上风电场在所述多个预定时间点的输出电功率值；功率数据时序编码模块，用于将各个所述海上风电场在所述多个预定时间点的输出电功率值分别排列为功率输入向量后所述包含一维卷积层的时序编码器以得到多个输出功率特征向量；发电性能评估模块，用于分别计算所述多个输出功率特征向量中各个输出功率特征向量相对于所述风驱动特征向量的响应性估计以得到多个响应性矩阵；风电性能差异评估模块，用于计算所述多个响应性矩阵中每两个响应性矩阵之间的转移矩阵以得到多个转移矩阵；差异关联特征提取模块，用于将所述多个转移矩阵排列为三维输入张量通过作为特征提取器的卷积神经网络模型以得到分类特征图；以及选址优化结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述多个海上风电场的选址方案是否需要优化。2.根据权利要求1所述的基于中尺度数据的风电场选址优化系统，其特征在于，所述风数据时序编码模块，包括：输入向量构造单元，用于将所述多个预定时间点的风数据按照时间维度排列为输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量。3.根据权利要求2所述的基于中尺度数据的风电场选址优化系统，其特征在于，所述发电性能评估模块，进一步用于：以如下公式分别计算所述多个输出功率特征向量中各个输出功率特征向量相对于所述风驱动特征向量的响应性估计以得到所述多个响应性矩阵；其中，所述公式为：
V
i
＝M
i
*V
c
其中V
i
表示所述多个输出功率特征向量中各个输出功率特征向量，V
c
表示所述风驱动特征向量，M
i
表示所述多个响应性矩阵。4.根据权利要求3所述的基于中尺度数据的风电场选址优化系统，其特征在于，所述风电性能差异评估模块，进一步用于：以如下公式计算所述多个响应性矩阵中每两个响应性矩阵之间的转移矩阵以得到所述多个转移矩阵；其中，所述公式为：M1＝M
k
*M2其中M1和M2分别表示所述多个响应性矩阵中每两个响应性矩阵，M
k
表示所述多个转移矩阵。5.根据权利要求4所述的基于中尺度数据的风电场选址优化系统，其特征在于，所述差异关联特征提取模块，进一步用于：所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述分类特征图，所述作为特征提取器的卷积神经网络模型...

【专利技术属性】
技术研发人员：梁哲铭，叶林，隋树波，卢引承，延卫忠，安达，吕胜波，赵亚雄，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：