基于迁移学习的融合风速计算方法、装置、设备及介质制造方法及图纸

本公开涉及一种基于迁移学习的融合风速计算方法、装置、设备及介质。其中，基于迁移学习的融合风速计算方法包括：在多个测风塔中根据风速相关性确定基准测风塔；获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据；通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。根据本公开实施例，能够通过多数据进行融合计算的方法，有效提高风速计算精度。提高风速计算精度。提高风速计算精度。

【技术实现步骤摘要】
基于迁移学习的融合风速计算方法、装置、设备及介质


[0001]本公开涉及风速数据模拟
，尤其涉及一种基于迁移学习的融合风速计算方法、装置、设备及介质。

技术介绍

[0002]风电场各点位、尤其是拟建风电机组点位的风速是衡量风资源评估软件精度的一个重要参数。
[0003]相关技术中，通常采用计算流体力学(Computational Fluid Dynamics，CFD)方法计算不同来流风向条件下的空间稳态流场分布，然后基于基准测风塔时序/频域测风数据，计算风电场各点位的年时序/频域风速分布。在此过程中，由于地形处理、湍流模型、边界条件、数值求解等因素的影响，不可避免地造成CFD数值模拟的风速误差，从而使得计算得到的风速精度较低。

技术实现思路

[0004]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种基于迁移学习的融合风速计算方法、装置、设备及介质。
[0005]第一方面，本公开提供了一种基于迁移学习的融合风速计算方法，包括：
[0006]在多个测风塔中根据风速相关性确定基准测风塔；
[0007]获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；
[0008]对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据；
[0009]通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
[0010]第二方面，本公开提供了一种基于迁移学习的融合风速计算装置，包括：
[0011]数据确定模块，用于在多个测风塔中根据风速相关性确定基准测风塔；
[0012]第一获取模块，用于获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；
[0013]第一计算模块，用于对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据；
[0014]第二计算模块，用于通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
[0015]第三方面，本公开提供了一种基于迁移学习的融合风速计算设备，包括：
[0016]处理器；
[0017]存储器，用于存储可执行指令；
[0018]其中，处理器用于从存储器中读取可执行指令，并执行可执行指令以实现第一方
面的基于迁移学习的融合风速计算方法。
[0019]第四方面，本公开提供了一种计算机可读存储介质，该存储介质存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现第一方面的基于迁移学习的融合风速计算方法。
[0020]本公开实施例提供的技术方案与现有技术相比具有如下优点：
[0021]本公开实施例的基于迁移学习的融合风速计算方法、装置、设备及介质，能够在多个测风塔中根据风速相关性确定基准测风塔，接着获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据，然后对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据，最后通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据，由此，可以通过基准测风塔的第一真实观测风速数据、第一模拟风速数据、目标点位的第二模拟风速数据，以及迁移学习神经网络模型进行融合计算，得到目标点位的第一融合时序风速数据，从而通过多数据进行融合计算的方法，有效提高风速计算精度。
附图说明
[0022]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0023]图1为本公开实施例提供的一种基于迁移学习的融合风速计算方法的流程示意图；
[0024]图2为本公开实施例提供的一种风速相关性的热力示意图；
[0025]图3为本公开实施例提供的一种基于迁移学习的融合风速计算装置的结构示意图；
[0026]图4为本公开实施例提供的一种基于迁移学习的融合风速计算设备的结构示意图。
具体实施方式
[0027]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0028]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0029]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0030]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0031]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0032]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0033]风电场各点位、尤其是拟建风电机组点位的风速是衡量风资源评估软件精度的一个重要参数。风资源评估软件中，通常采用CFD方法计算不同来流风向条件下的空间稳态流场分布，然后基于基准测风塔时序/频域测风数据，计算风电场各点位的年时序/频域风速分布。在此过程中，由于地形处理、湍流模型、边界条件、数值求解等因素的影响，不可避免地造成CFD数值模拟的风速误差，从而使得计算得到的风速精度较低。假如风电场中有多于一个测风塔，可以将其测风数据与CFD数值模拟计算风速等相融合，有效提高风资源评估软件的风速计算精度。
[0034]针对待开发建设的风电场测风塔数量有限、无法通过测量获得各个潜在机组点位风速分布的实际情况，基于若干测风塔的真实观测风速、整场CFD数值模拟风速、风电场中尺度模拟数据，采用智能算法实现风速数据融合，由若干点位的时序/频域风速外推至风电场内多个目标点位的时序/频域风速，提高风资源评估软件的风速计算精度，为后续计算目标布机点位年发电量等工作提供基础数据，服务于风电场微观选址工作。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的融合风速计算方法，其特征在于，包括：在多个测风塔中根据风速相关性确定基准测风塔；获取所述基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；对所述第一真实观测风速数据、所述第一模拟风速数据和所述第二模拟风速数据进行时序风速计算，得到所述目标点位的第一时序风速数据；通过迁移学习神经网络模型对所述第一时序风速数据进行模型计算，得到所述目标点位的第一融合时序风速数据。2.根据权利要求1所述的方法，其特征在于，所述在多个测风塔中根据风速相关性确定基准测风塔，包括：获取所述多个测风塔在第一预设高度处的时序风速序列，并计算所述多个测风塔的所述风速相关性；确定所述风速相关性最大的测风塔为所述基准测风塔。3.根据权利要求1所述的方法，其特征在于，在所述获取所述基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据之前，所述方法还包括：通过计算流体力学方法获取各个点位的模拟风速数据表，所述模拟风速数据表包括时序风向标签特征，所述时序风向标签特征为第二预设高度处的中尺度风向数据，所述模拟风速数据表包括所述第一模拟风速数据和所述第二模拟风速数据。4.根据权利要求1所述的方法，其特征在于，所述对所述第一真实观测风速数据、所述第一模拟风速数据和所述第二模拟风速数据进行时序风速计算，得到所述目标点位的第一时序风速数据，包括：将所述第一真实观测风速数据、所述第一模拟风速数据和所述第二模拟风速数据代入时序风速计算公式，得到所述目标点位的第一时序风速数据。5.根据权利要求1所述的方法，其特征在于，在所述通过迁移学习神经网络模型对所述时序风速数据进行模型计算，得到所述目标点位的第一融合时序风速数据之前，所述方法还包括：根据所述基准测风塔的所述第一真实观测风速数据与所述第一模拟风速数据，以及融合测风塔的第二真实观测风速数据与第三模拟风速数据，对待训练的神经网络模型进行模型训练，得到训练好的神经网络模型，所述融合测风塔为所述多个测风塔中除所述基准测风塔外的测风塔；对所述...

【专利技术属性】
技术研发人员：李莉，阎洁，杨舒雯，刘永前，韩爽，孟航，闫亚敏，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：