基于中尺度数据的风电场选址优化系统及其方法与流程

1.本发明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。


背景技术：

2.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。
3.因此，期待一种优化的风电场选址优化方案。
4.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。
5.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。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术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。
7.根据本技术的一个方面，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：
8.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；
9.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；
10.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；
11.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；
12.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；
13.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；
14.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
15.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。
16.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]vi
＝mi*vc[0022]
其中vi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，vc表示所述风驱动特征向量，mi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＝mk*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，mk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vi和vi′
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：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0034]
根据本技术的另一方面，一种基于中尺度数据的风电场选址优化方法，其包括：
[0035]
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；
[0036]
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；
[0037]
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；
[0038]
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；
[0039]
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；
[0040]
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；
[0041]
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
[0042]
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。
[0043]
在上述基于中尺度数据的风电场选址优化方法中，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，包括：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；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；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：
[0044][0045]
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。
[0046]
在上述基于中尺度数据的风电场选址优化方法中，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，包括：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；
[0047]
其中，所述公式为：
[0048]vi
＝mi*vc[0049]
其中vi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，vc表示所述风驱动特征向量，mi表示所述多个响应性矩阵。
[0050]
在上述基于中尺度数据的风电场选址优化方法中，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，包括：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；
[0051]
其中，所述公式为：
[0052]
m1＝mk*m2[0053]
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，mk表示所述多个转移矩阵。
[0054]
在上述基于中尺度数据的风电场选址优化方法中，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，包括：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。
[0055]
在上述基于中尺度数据的风电场选址优化方法中，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，包括：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；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；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。
[0056]
在上述基于中尺度数据的风电场选址优化方法中，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，包括：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；
[0057]
其中，所述公式为：
[0058][0059]
其中vi和vi′
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。
[0060]
在上述基于中尺度数据的风电场选址优化方法中，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，包括：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：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0061]
与现有技术相比，本技术提供的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。
附图说明
[0062]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0063]
图1为根据本技术实施例的基于中尺度数据的风电场选址优化系统的应用场景图。
[0064]
图2为根据本技术实施例的基于中尺度数据的风电场选址优化系统的框图。
[0065]
图3为根据本技术实施例的基于中尺度数据的风电场选址优化系统中选址优化结果生成模块的框图。
[0066]
图4为根据本技术实施例的基于中尺度数据的风电场选址优化方法的流程图。
[0067]
图5为根据本技术实施例的基于中尺度数据的风电场选址优化方法的架构示意图。
具体实施方式
[0068]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0069]
场景概述
[0070]
如前所述，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。
[0071]
因此，期待一种优化的风电场选址优化方案。
[0072]
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。
[0073]
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。
[0074]
基于此，本技术发明人考虑到风电场的选址优化需要基于环境风力的变化特征以及海上风电场的输出发电性能特征来进行。因此，在本技术的技术方案中，选择以各个所述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，本技术发明人还考虑到在各个所述海上风电场之间的发电性能会存在着差异性，为了在选址时关注到这种隐含的差异性特征，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海上风电场之间的发电性能之间的差异性，并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。
[0075]
具体地，在本技术的技术方案中，首先，通过风速站采集多个预定时间点的风数据，所述风数据包括风速和风向，且所述风向以角度的余弦值或正弦值来表示。特别地，在本技术的技术方案中，基于多个预定时间点的数量来评定短、中、长尺度，而在本技术中基于中尺度数据来进行所述海上风电场的选址优化。应可以理解，考虑到所述风数据在时间维度上具有着动态性的过了，因此，为了能够充分地利用所述多个预定时间点的风数据的动态变化隐含特征信息，进一步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中进行编码，以得到风驱动特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述风数据在时序维度上的关联和通过全连接编码提取所述风数据的高维隐含特征。
[0076]
然后，还通过功率检测器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。应可以理解，同样地，对于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，考虑到其在时序维度上也具有着动态性的隐含关联，因此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通过所述包含一维卷积层的时序编码器中进行编码，以提取出所述多个海上风电场在所述多个预定时间点的输出电功率值的动态变化的隐含关联特征，从而得到多个输出功率特征向量。这样，能够通过所述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所述各个海上风电场的发电性能特征。
[0077]
应可以理解，由于所述海上风电场的输出电功率的动态变化特征在高维特征空间中可以看作是对于所述风数据的动态变化特征的响应性特征，因此，在本技术的技术方案中，进一步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。
[0078]
特别地，考虑到所述各个海上风电场之间的发电性能之间存在着差异性，因此为了凸显这种差异性特征，进一步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。
[0079]
进一步地，在将所述多个转移矩阵排列为三维输入张量以整合各个所述海上风电场的发电性能的差异性后，再以作为特征提取器的卷积神经网络模型来提取所述多个海上风电场中发电性能之间的差异性的高维隐含关联特征以得到分类特征图。这样，将所述分类特征图通过分类器就能够得到用于表示所述多个海上风电场的选址方案是否需要优化的分类结果。
[0080]
但是，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得到分类特征图时，由于所述分类特征图的通道维度表示所述多个转移矩阵的样本维度，而所述多个转移矩阵作为响应性估计之间的转移空间表示，其间很可能具有样本不一致性，且这种样本不一致性可能会导致所述分类特征图的通道维度上的表达不一致性，影响所述分类特征图的分类性能。
[0081]
因此，在本技术的技术方案中，首先计算所述分类特征图的沿通道的每个特征矩阵的全局均值，以获得参考特征向量，然后，计算参考特征向量的通道递归的压榨-激励优化向量，具体为：
[0082][0083]
其中vi和vi′
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。
[0084]
这里，所述通道递归的压榨-激励优化向量可以基于沿通道的特征集合的统计特性来激活特征分布的沿通道递归，从而推断特征在其每个通道采样维度的分布，并且，采用由relu-sigmoid函数构成的压榨-激励机制，来获取沿通道维度的注意力增强的置信度值，增强在通道维度下的表达一致性，从而提升所述分类特征图的分类性能，进而提高分类的准确性。
[0085]
基于此，本技术提出了一种基于中尺度数据的风电场选址优化系统，其包括：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。
[0086]
图1图示了根据本技术实施例的基于中尺度数据的风电场选址优化系统的应用场景图。如图1所示，在该应用场景中，首先，通过风速站(例如，如图1中所示意的w)采集多个预定时间点的风数据，所述风数据包括风速和风向，并且通过功率检测器(例如，如图1中所示意的p)获取多个海上风电场(例如，如图1中所示意的f)在所述多个预定时间点的输出电功率值。然后，将获得的所述多个预定时间点的风数据以及输出电功率值输入至部署有基于中尺度数据的风电场选址优化算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以基于中尺度数据的风电场选址优化算法对所述多个预定时间点的风数据以及输出电功率值进行处理，以生成用于表示所述多个海上风电场的选址方案是否需要优化的分类结果。
[0087]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0088]
示例性系统
[0089]
图2图示了根据本技术实施例的基于中尺度数据的风电场选址优化系统的框图。如图2所示，根据本技术实施例的基于中尺度数据的风电场选址优化系统200，包括：风数据采集模块210，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220，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230，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240，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250，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260，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270，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280，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。
[0090]
具体地，在本技术实施例中，所述风数据采集模块210和所述风数据时序编码模块220，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，并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。如前所述，应可以理解，考虑到风电场的选址优化需要基于环境风力的变化特征以及海上风电场的输出发电性能特征来进行。因此，在本技术的技术方案中，选择以各个所述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，还考虑到在各个所述海上风电场之间的发电性能会存在着差异性，为了在选址时关注到这种隐含的差异性特征，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海上风电场之间的发电性能之间的差异性，并使用卷积神
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。
[0091]
也就是，具体地，在本技术的技术方案中，首先，通过风速站采集多个预定时间点的风数据，所述风数据包括风速和风向，且所述风向以角度的余弦值或正弦值来表示。特别地，在本技术的技术方案中，基于多个预定时间点的数量来评定短、中、长尺度，而在本技术中基于中尺度数据来进行所述海上风电场的选址优化。然后，应可以理解，考虑到所述风数据在时间维度上具有着动态性的过了，因此，为了能够充分地利用所述多个预定时间点的风数据的动态变化隐含特征信息，进一步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中进行编码，以得到风驱动特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述风数据在时序维度上的关联和通过全连接编码提取所述风数据的高维隐含特征。
[0092]
更具体地，在本技术实施例中，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：
[0093][0094]
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。
[0095]
具体地，在本技术实施例中，所述输出功率数据采集模块230和所述功率数据时序编码模块240，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，并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。也就是，在本技术的技术方案中，进一步，还通过功率检测器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。应可以理解，同样地，对于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，考虑到其在时序维度上也具有着动态性的隐含关联，因此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通过所述包含一维卷积层的时序编码器中进行编码，以提取出所述多个海上风电场在所述多个预定时间点的输出电功率值的动态变化的隐含关联特征，从而得到多个输出功率特征向量。这样，能够通过所述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所述各个海上风电场的发电性能特征。
[0096]
具体地，在本技术实施例中，所述发电性能评估模块250和所述风电性能差异评估模块260，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，并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。应可以理解，由于所述海上风电场的输出电功率的动态变化特征在高维特征空间中可以看作是对于所述风数据的动态变化特征的响应性特征，因此，在本技术的技术方案中，进一步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。特别地，考虑到所述各个海上风电场之间的发电性能之间存在着差异性，因此为了凸显这种差异性特征，进一步再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。
[0097]
更具体地，在本技术实施例中，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；
[0098]
其中，所述公式为：
[0099]vi
＝mi*vc[0100]
其中vi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，vc表示所述风驱动特征向量，mi表示所述多个响应性矩阵。
[0101]
更具体地，在本技术实施例中，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；
[0102]
其中，所述公式为：
[0103]
m1＝mk*m2[0104]
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，mk表示所述多个转移矩阵。
[0105]
具体地，在本技术实施例中，所述差异关联特征提取模块270，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。也就是，在本技术的技术方案中，进一步地，在将所述多个转移矩阵排列为三维输入张量以整合各个所述海上风电场的发电性能的差异性后，再以作为特征提取器的卷积神经网络模型来提取所述多个海上风电场中发电性能之间的差异性的高维隐含关联特征以得到分类特征图。
[0106]
更具体地，在本技术实施例中，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。
[0107]
具体地，在本技术实施例中，所述选址优化结果生成模块280，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。也就是，在本技术的技术方案中，进一步将所述分类特征图通过分类器就能够得到用于表示所述多个海上风电场的选址方案是否需要优化的分类结果。但是，应可以理解，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
得到分类特征图时，由于所述分类特征图的通道维度表示所述多个转移矩阵的样本维度，而所述多个转移矩阵作为响应性估计之间的转移空间表示，其间很可能具有样本不一致性，且这种样本不一致性可能会导致所述分类特征图的通道维度上的表达不一致性，影响所述分类特征图的分类性能。因此，在本技术的技术方案中，进一步地，首先计算所述分类特征图的沿通道的每个特征矩阵的全局均值，以获得参考特征向量，然后，计算所述参考特征向量的通道递归的压榨-激励优化向量。
[0108]
应可以理解，这里，所述通道递归的压榨-激励优化向量可以基于沿通道的特征集合的统计特性来激活特征分布的沿通道递归，从而推断特征在其每个通道采样维度的分布，并且，采用由relu-sigmoid函数构成的压榨-激励机制，来获取沿通道维度的注意力增强的置信度值，增强在通道维度下的表达一致性，从而提升所述分类特征图的分类性能，进而提高分类的准确性。
[0109]
更具体地，在本技术实施例中，所述选址优化结果生成模块，包括：首先，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。然后，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。相应地，在一个具体示例中，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；
[0110]
其中，所述公式为：
[0111][0112]
其中vi和vi′
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。最后，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。相应地，在一个具体示例中，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：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0113]
图3图示了根据本技术实施例的基于中尺度数据的风电场选址优化系统中选址优化结果生成模块的框图。如图3所示，所述选址优化结果生成模块280，包括：降维单元281，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282，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283，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。
[0114]
综上，基于本技术实施例的所述基于中尺度数据的风电场选址优化系统200被阐明，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。
[0115]
如上所述，根据本技术实施例的基于中尺度数据的风电场选址优化系统200可以实现在各种终端设备中，例如基于中尺度数据的风电场选址优化算法的服务器等。在一个示例中，根据本技术实施例的基于中尺度数据的风电场选址优化系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于中尺度数据的风电场选址优化系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于中尺度数据的风电场选址优化系统200同样可以是该终端设备的众多硬件模块之一。
[0116]
替换地，在另一示例中，该基于中尺度数据的风电场选址优化系统200与该终端设备也可以是分立的设备，并且该基于中尺度数据的风电场选址优化系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0117]
示例性方法
[0118]
图4图示了基于中尺度数据的风电场选址优化方法的流程图。如图4所示，根据本技术实施例的基于中尺度数据的风电场选址优化方法，包括步骤：s110，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；s120，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；s130，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；s140，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；s150，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；s160，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；s170，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，s180，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。
[0119]
图5图示了根据本技术实施例的基于中尺度数据的风电场选址优化方法的架构示意图。如图5所示，在所述基于中尺度数据的风电场选址优化方法的网络架构中，首先，将获得的所述多个预定时间点的风数据(例如，如图5中所示意的p1)按照时间维度排列为输入向量(例如，如图5中所示意的v1)后通过包含一维卷积层的时序编码器(例如，如图5中所示意的e)以得到风驱动特征向量(例如，如图5中所示意的vf1)；接着，将获得的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(例如，如图5中所示意的p2)分别排列为功率输入向量(例如，如图5中所示意的v2)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(例如，如图5中所示意的vf2)；然后，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(例如，如图5中所示意的mf1)；接着，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(例如，如图5中所示意的mf2)；然后，将所述多个转移矩阵排列为三维输入张量(例如，如图5中所示意的t)通过作为特征提取器的卷积神经网络模型(例如，如图5中所示意的cnn)以得到分类特征图(例如，如图5中所示意的fc)；以及，最后，将所述分类特征图通过分类器(例如，如图5中所示意的分类器)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。
[0120]
更具体地，在步骤s110和s120中，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，并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。应可以理解，考虑到风电场的选址优化需要基于环境风力的变化特征以及海上风电场的输出发电性能特征来进行。因此，在本技术的技术方案中，选择以各个所述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，还考虑到在各个所述海上风电场之间的发电性能会存在着差异性，为了在选址时关注到这种隐含的差异性特征，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海上风电场之间的发电性能之间的差异性，并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。
[0121]
也就是，具体地，在本技术的技术方案中，首先，通过风速站采集多个预定时间点的风数据，所述风数据包括风速和风向，且所述风向以角度的余弦值或正弦值来表示。特别地，在本技术的技术方案中，基于多个预定时间点的数量来评定短、中、长尺度，而在本技术中基于中尺度数据来进行所述海上风电场的选址优化。然后，应可以理解，考虑到所述风数据在时间维度上具有着动态性的过了，因此，为了能够充分地利用所述多个预定时间点的风数据的动态变化隐含特征信息，进一步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中进行编码，以得到风驱动特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述风数据在时序维度上的关联和通过全连接编码提取所述风数据的高维隐含特征。
[0122]
更具体地，在步骤s130和步骤s140中，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，并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。也就是，在本技术的技术方案中，进一步，还通过功率检测器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。应可以理解，同样地，对于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，考虑到其在时序维度上也具有着动态性的隐含关联，因此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通过所述包含一维卷积层的时序编码器中进行编码，以提取出所述多个海上风电场在所述多个预定时间点的输出电功率值的动态变化的隐含关联特征，从而得到多个输出功率特征向量。这样，能够通过所述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所述各个海上风电场的发电性能特征。
[0123]
更具体地，在步骤s150和步骤s160中，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，并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。应可以理解，由于所述海上风电场的输出电功率的动态变化特征在高维特征空间中可以看作是对于所述风数据的动态变化特征的响应性特征，因此，在本技术的技术方案中，进一步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。特别地，考虑到所述各个海上风电场之间的发电性能之间存在着差异性，因此为了凸显这种差异性特征，进一步再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。
[0124]
更具体地，在步骤s170中，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。也就是，在本技术的技术方案中，进一步地，在将所述多个转移矩阵排列为三维输入张量以整合各个所述海上风电场的发电性能的差异性后，再以作为特征提取器的卷积神经网络模型来提取所述多个海上风电场中发电性能之间的差异性的高维隐含关联特征以得到分类特征图。
[0125]
更具体地，在步骤s180中，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。也就是，在本技术的技术方案中，进一步将所述分类特征图通过分类器就能够得到用于表示所述多个海上风电场的选址方案是否需要优化的分类结果。但是，应可以理解，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得到分类特征图时，由于所述分类特征图的通道维度表示所述多个转移矩阵的样本维度，而所述多个转移矩阵作为响应性估计之间的转移空间表示，其间很可能具有样本不一致性，且这种样本不一致性可能会导致所述分类特征图的通道维度上的表达不一致性，影响所述分类特征图的分类性能。
[0126]
因此，在本技术的技术方案中，进一步地，首先计算所述分类特征图的沿通道的每个特征矩阵的全局均值，以获得参考特征向量，然后，计算所述参考特征向量的通道递归的压榨-激励优化向量。应可以理解，这里，所述通道递归的压榨-激励优化向量可以基于沿通道的特征集合的统计特性来激活特征分布的沿通道递归，从而推断特征在其每个通道采样维度的分布，并且，采用由relu-sigmoid函数构成的压榨-激励机制，来获取沿通道维度的注意力增强的置信度值，增强在通道维度下的表达一致性，从而提升所述分类特征图的分类性能，进而提高分类的准确性。
[0127]
综上，基于本技术实施例的所述基于中尺度数据的风电场选址优化方法被阐明，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。
[0128]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0129]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0130]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0131]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0132]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。