一种结合地形信息的声雷达风功率精确预测方法技术

本发明专利技术涉及风功率预测的技术领域，揭露了一种结合地形信息的声雷达风功率精确预测方法，所述方法包括：采集声雷达地区的声雷达风功率评估指标数据以及地区图像，构建轻量级地形识别网络对采集的声雷达地区图像进行地形识别；构建不同地形条件下的声雷达风功率评估预测模型；利用共轭梯度算法对不同地形条件下的声雷达风功率评估预测模型进行快速优化；将采集的声雷达风功率评估指标数据输入到对应地形的声雷达风功率评估预测模型中，模型输出精确的风功率评估预测值。本发明专利技术基于声雷达实现风电场地区风速的精确测量，所构建的不同地形条件下的声雷达风功率评估预测模型，避免地形因素导致的预测误差，提高风功率预测的准确性。性。性。

【技术实现步骤摘要】
一种结合地形信息的声雷达风功率精确预测方法


[0001]本专利技术涉及风功率预测的
，尤其涉及一种结合地形信息的声雷达风功率精确预测方法。

技术介绍

[0002]随着经济社会的快速发展，能源短缺问题日益严重。风力发电被大量投入平常日程使用中，由于对大自然中形成的风无法进行有效控制，风能资源的多变性让风电场的精准风况测量和风能评估工作越来越受到重视。当前主要的测风设备测风塔不仅受到地理位置的影响，例如在复杂山地、农田、居民点、保护区等地无法安装测风塔，同时测风塔还会出现倒塔、裹冰等极端情况，这对精细化测风十分不利。同时现有基于声雷达的风功率预测研究缺乏对地形信息的考虑，没有将地形信息考虑到风功率的评估计算过程中导致风功率评估存在较大偏差。针对该问题，本专利提出一种结合地形信息的声雷达风功率精确预测方法。

技术实现思路

[0003]有鉴于此，本专利技术提供一种结合地形信息的声雷达风功率精确预测方法，目的在于（1）利用声雷达向声雷达地区的低空大气层发射脉冲信号，并接收散射回波信号，通过对散射回波信号进行转换处理，得到声雷达地区的风速，基于声雷达实现风电场地区风速的测量；（2）构建不同地形条件下的声雷达风功率评估预测模型，避免地形因素导致的预测误差，提高风功率预测的准确性，所构建声雷达风功率评估预测模型采用多个SVM模型级联的方式，避免单个模型训练出错导致模型预测异常的问题，进一步提高模型预测结果的准确性；（3）利用共轭梯度算法进行模型参数的优化，快速得到可用模型。
[0004]实现上述目的，本专利技术提供的一种结合地形信息的声雷达风功率精确预测方法，包括以下步骤：S1：采集不同声雷达地区的声雷达风功率评估指标数据，其中所述声雷达风功率评估指标数据为声雷达所采集到的风功率评估指标时序数据；S2：采集声雷达地区图像，基于MobileNet构建轻量级地形识别网络对采集的声雷达地区图像进行地形识别；S3：构建不同地形条件下的声雷达风功率评估预测模型，所述模型以采集到的声雷达风功率评估指标数据为输入，以预测得到的风功率为输出；S4：利用共轭梯度算法对不同地形条件下的声雷达风功率评估预测模型进行快速优化，得到优化后的不同地形条件下的声雷达风功率评估预测模型；S5：根据地形识别结果确定不同声雷达风功率评估指标数据应采用的声雷达风功率评估预测模型，并将采集的声雷达风功率评估指标数据输入到对应地形的声雷达风功率评估预测模型中，模型输出精确的风功率评估预测值。
[0005]作为本专利技术的进一步改进方法：
可选地，所述S1步骤中采集不同声雷达地区的声雷达风功率评估指标数据，包括：在不同风电场地区附近布置声雷达，所述布置声雷达的风电场地区即为声雷达地区，利用声雷达向声雷达地区的低空大气层发射脉冲信号，并接收散射回波信号，通过对散射回波信号进行转换处理，得到声雷达地区的声雷达风功率评估指标数据，所述声雷达地区集合为，其中表示第i个声雷达地区，n表示声雷达地区的总数；所述声雷达风功率评估指标数据为声雷达所采集到的风功率评估指标时序数据，所述声雷达地区的风功率评估指标时序数据为，t表示时序信息，，表示声雷达接收散射回波信号的初始时刻，表示声雷达接收散射回波信号的截止时刻，所述将散射回波信号转换为风功率评估指标时序数据的流程为：S11：在t时刻，声雷达地区的声雷达向低空大气层发出五个波束作为脉冲信号，并接收得到五个波束的回波信号，则五个波束的多普勒频移为：其中：表示第j个波束的多普勒频移，表示声雷达所发出的第j个波束的原始频率，所述即为接收到第j个波束的回波信号的频率；表示第j个波束测量到t时刻的风速；c表示光速；在本专利技术具体实施例中，五个波束包括一个垂直波束以及四个倾斜波束，垂直波束的方向垂直于地面，倾斜波束的倾斜角为20
°
，且分别位于两个互相垂直的平面内；S12：基于多普勒频移以及波束与风速的几何关系构建如下风速模型：其中：表示波束俯仰角，表示波束方位角；表示在t时刻，声雷达地区内风速矢量在三
个方向的分量，在本专利技术具体实施例中，所选取方向为东、南以及垂直于地面的方向；S13：对风速模型进行求解，得到t时刻的声雷达地区的水平风速：：：S14：将t时刻的声雷达地区水平风速作为t时刻的风功率评估指标时序数据，所述声雷达地区的风功率评估指标时序数据为；所采集的风功率评估指标时序数据集合为。
[0006]在本专利技术具体实施例中，所述风电场用于将风能转换为电能，所述风电场地区包括复杂山地、农田、居民住宅地区、平原、森林区域等。
[0007]可选地，所述声雷达的工作流程包括：当声雷达工作时，声雷达天线向低空大气层发射定向的脉冲信号，当脉冲信号遇到低空大气层中的湍流时进行散射，其中散射回波脉冲信号的回波方向与脉冲信号的发射方法相差180
°
，声雷达天线接收散射回波脉冲信号，通过对散射回波脉冲信号进行转换得到声雷达所处地区的风速。
[0008]可选地，所述S2步骤中采集声雷达地区图像，包括：采集声雷达地区集合中每个声雷达地区的地区图像，所述声雷达地区的地区图像为。
[0009]可选地，所述S2步骤中基于MobileNet构建轻量级地形识别网络对采集的声雷达地区图像进行地形识别，包括：基于MobileNet构建轻量级地形识别网络，所述轻量级地形识别网络包括输入层、深度可分离卷积层以及输出层，所述深度可分离卷积层包括深度卷积层以及逐点卷积层，
其中深度卷积层将输入特征图分成若干组，每组分别进行卷积处理，并将卷积结果进行拼接，所述逐点卷积层为利用1
×
1像素大小的卷积核对特征图进行卷积处理；所述深度可分离卷积层为三层的卷积层，每层结构依次为深度卷积层、BN层、逐点卷积层以及BN层；所述轻量级地形识别网络的训练流程为：S21：采集声雷达地区图像构成轻量级地形识别网络的训练数据集data，其中所述训练数据集中包括S张声雷达地区图像，为S张声雷达地区图像添加地形标签，所述地形标签包括复杂山地、农田、居民住宅地区、平原、森林区域，则所述训练数据集data为：其中：表示训练数据集data中第s张声雷达地区图像，为声雷达地区图像的地形标签，，分别对应复杂山地、农田、居民住宅地区、平原、森林区域；利用所采集的训练数据集data对轻量级地形识别网络进行训练；S22：构建网络训练的损失函数：其中：为将图像输入到基于参数的轻量级地形识别网络中，网络输出的地形识别标签，为图像的真实地形标签，所述参数包括卷积层的权重以及偏置量参数；S23：对轻量级地形识别网络的参数进行训练，所述训练公式为：其中：表示学习率；表示第k次训练时得到的参数，为预先设置的初始网络参数；重复该步骤，直到网络参数不变；所述轻量级地形识别网络的识别流程为：轻量级地形识别网络的输入层接收待识别的声雷达地区图像，并将接收到的图像进行规整化处理，得到规格相同的地区图像，在本专利技术实施例中，规整化处理后的地区图像大小为220
×
220像素；输入层将处理后的地区图像输入到深度可分离卷积层，得到对应的特征图，并将特征图输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合地形信息的声雷达风功率精确预测方法，其特征在于，所述方法包括：S1：采集不同声雷达地区的声雷达风功率评估指标数据，其中所述声雷达风功率评估指标数据为声雷达所采集到的风功率评估指标时序数据；S2：采集声雷达地区图像，基于MobileNet构建轻量级地形识别网络对采集的声雷达地区图像进行地形识别；S3：构建不同地形条件下的声雷达风功率评估预测模型，所述模型以采集到的声雷达风功率评估指标数据为输入，以预测得到的风功率为输出；S4：利用共轭梯度算法对不同地形条件下的声雷达风功率评估预测模型进行快速优化，得到优化后的不同地形条件下的声雷达风功率评估预测模型；S5：根据地形识别结果确定不同声雷达风功率评估指标数据应采用的声雷达风功率评估预测模型，并将采集的声雷达风功率评估指标数据输入到对应地形的声雷达风功率评估预测模型中，模型输出精确的风功率评估预测值。2.如权利要求1所述的一种结合地形信息的声雷达风功率精确预测方法，其特征在于，所述S1步骤中采集不同声雷达地区的声雷达风功率评估指标数据，包括：在不同风电场地区附近布置声雷达，所述布置声雷达的风电场地区即为声雷达地区，利用声雷达向声雷达地区的低空大气层发射脉冲信号，并接收散射回波信号，通过对散射回波信号进行转换处理，得到声雷达地区的声雷达风功率评估指标数据，所述声雷达地区集合为，其中表示第i个声雷达地区，n表示声雷达地区的总数；所述声雷达风功率评估指标数据为声雷达所采集到的风功率评估指标时序数据，所述声雷达地区的风功率评估指标时序数据为，t表示时序信息，，表示声雷达接收散射回波信号的初始时刻，表示声雷达接收散射回波信号的截止时刻，所述将散射回波信号转换为风功率评估指标时序数据的流程为：S11：在t时刻，声雷达地区的声雷达向低空大气层发出五个波束作为脉冲信号，并接收得到五个波束的回波信号，则五个波束的多普勒频移为：其中：表示第j个波束的多普勒频移，表示声雷达所发出的第j个波束的原始频率，所述即为接收到第j个波束的回波信号的频率；表示第j个波束测量到t时刻的风速；c表示光速；S12：基于多普勒频移以及波束与风速的几何关系构建如下风速模型：
其中：表示波束俯仰角，表示波束方位角；表示在t时刻，声雷达地区内风速矢量在三个方向的分量；S13：对风速模型进行求解，得到t时刻的声雷达地区的水平风速：：：S14：将t时刻的声雷达地区水平风速作为t时刻的风功率评估指标时序数据，所述声雷达地区的风功率评估指标时序数据为；所采集的风功率评估指标时序数据集合为。3.如权利要求2所述的一种结合地形信息的声雷达风功率精确预测方法，其特征在于，
所述声雷达的工作流程包括：当声雷达工作时，声雷达天线向低空大气层发射定向的脉冲信号，当脉冲信号遇到低空大气层中的湍流时进行散射，其中散射回波脉冲信号的回波方向与脉冲信号的发射方法相差180
°
，声雷达天线接收散射回波脉冲信号，通过对散射回波脉冲信号进行转换得到声雷达所处地区的风速。4.如权利要求1所述的一种结合地形信息的声雷达风功率精确预测方法，其特征在于，所述S2步骤中采集声雷达地区图像，包括：采集声雷达地区集合中每个声雷达地区的地区图像，所述声雷达地区的地区图像为。5.如权利要求4所述的一种结合地形信息的声雷达风功率精确预测方法，其特征在于，所述S2步骤中基于MobileNet构建轻量级地形识别网络对采集的声雷达地区图像进行地形识别，包括：基于MobileNet构建轻量级地形识别网络，所述轻量级地形识别网络包括输入层、深度可分离卷积层以及输出层，所述深度可分离卷积层包括深度卷积层以及逐点卷积层，其中深度卷积层将输入特征图分成若干组，每组分别进行卷积处理，并将卷积结果进行拼接，所述逐点卷积层为利用1
×
1像素大小的卷积核对特征图进行卷积处理；所述深度可分离卷积层为三层的卷积层，每层结构依次为深度卷积层、BN层、逐点卷积层以及BN层；所述轻量级地形识别网络的训练流程为：S21：采集声雷达地区图像构成轻量级地形识别网络的训练数据集data，其中所述训练数据集中包括S张声雷达地区图像，为S张声雷达地区图像添加地形标签，所述地形标签包括复杂山地、农田、居民住宅地区、平原、森林区域，则所述训练数据集data为：其中：表示训练数据集data中第s张声雷达地区图像，为声雷达地区图像的地形标签，，分别对应复杂山地、农...

【专利技术属性】
技术研发人员：彭燕，黄巍，肖科，吴自厚，肖秀，
申请(专利权)人：湖南赛能环测科技有限公司，
类型：发明
国别省市：