基于深度學(xué)習(xí)模型識別風(fēng)電場避讓物的方法研究

雷 鳴

(1. 中國電建集團(tuán)西北勘測設(shè)計研究院有限公司，西安 710065；2. 中鐵第一勘察設(shè)計院集團(tuán)有限公司，西安 710065)

0 引言

2020 年9 月，中國明確提出了2030 年碳達(dá)峰與2060 年碳中和的目標(biāo)[1]。根據(jù)云南省綠色能源行業(yè)協(xié)會發(fā)布的統(tǒng)計數(shù)據(jù)，截至2022 年9 月底，中國風(fēng)電新增裝機容量為1924 萬kW，其中，西北、華北和東北地區(qū)(下文簡稱為“三北”地區(qū))的風(fēng)電新增裝機容量占比約為74.3%。“三北”地區(qū)的風(fēng)電場以風(fēng)電基地項目居多，而目前新建風(fēng)電場不僅需要避讓生態(tài)保護(hù)紅線、永久基本農(nóng)田、自然保護(hù)區(qū)、風(fēng)景名勝區(qū)等國家限建區(qū)域，以及需要考慮風(fēng)電場內(nèi)風(fēng)電機組之間的尾流影響，還需要重點關(guān)注周邊已建風(fēng)電場對新建風(fēng)電場的尾流影響。工程中針對尾流影響的計算，通常采用當(dāng)?shù)剡b感影像對周邊已建風(fēng)電場的風(fēng)電機組機位進(jìn)行人工標(biāo)記，然后將標(biāo)記后的風(fēng)電機組機位與擬建風(fēng)電場的風(fēng)電機組機位共同建模，進(jìn)行尾流計算。但該方法的工作效率低，過失誤差較大。

根據(jù)國家發(fā)展和改革委員會能源研究所的統(tǒng)計，截至2021 年年底，中國現(xiàn)有在役風(fēng)電機組超過14 萬臺，其中，0.85～1.5 MW 的風(fēng)電機組超過5萬臺。據(jù)其測算，在2021—2030 年期間，中國風(fēng)電機組累計改造退役容量將超過6000 萬kW。由此可見，未來需要進(jìn)行技改的老舊風(fēng)電場規(guī)模十分可觀。

早期建設(shè)的風(fēng)電場大部分位于平原地區(qū)，需要進(jìn)行技改的老舊風(fēng)電場通常已運營多年，且其周邊也已建有大量風(fēng)電場。老舊風(fēng)電場在進(jìn)行技改時需要對風(fēng)電機組機位進(jìn)行重新布置，除考慮要利用既有集電線路、既有道路等已建設(shè)施之外，其他風(fēng)電場對本風(fēng)電場的尾流影響也不可忽視。但由于老舊風(fēng)電場附近環(huán)境復(fù)雜、已建風(fēng)電機組數(shù)量多，采用人工標(biāo)記已建風(fēng)電機組機位的方式容易出現(xiàn)缺漏。

針對新建風(fēng)電場和老舊風(fēng)電場技改中風(fēng)電機組機位的布置，本文提出一種基于深度學(xué)習(xí)模型識別風(fēng)電場避讓物的方法，利用深度學(xué)習(xí)模型對遙感影像中已建風(fēng)電場風(fēng)電機組和民房等敏感因素進(jìn)行識別標(biāo)記，采用OpenWind 軟件對這些敏感因素進(jìn)行避讓，并快速進(jìn)行風(fēng)電機組布置。

1 風(fēng)電機組機位選址

風(fēng)電機組機位的布置需要考慮以下幾點：

1)需要考慮該位置的風(fēng)能資源稟賦性。測風(fēng)塔實測數(shù)據(jù)只能代表該位置的風(fēng)能條件，需要利用Meteodyn WT、WindSim、OpenWind、WAsP等風(fēng)電場風(fēng)資源仿真軟件對場區(qū)內(nèi)各位置的風(fēng)能資源進(jìn)行推算。

2)風(fēng)電機組機位選擇時需要避開國家公園、森林公園、壓覆礦區(qū)域、自然保護(hù)區(qū)、永久基本農(nóng)田、生態(tài)保護(hù)紅線、飲用水源保護(hù)區(qū)、風(fēng)景名勝區(qū)等限制建設(shè)區(qū)域。

3)合適的避讓距離。由于風(fēng)輪轉(zhuǎn)動時將產(chǎn)生噪聲，風(fēng)電機組布置時應(yīng)保證與附近民房相隔一定的距離，使風(fēng)電機組運行時的噪音經(jīng)過距離衰減后符合GB 3096—2008《聲環(huán)境質(zhì)量標(biāo)準(zhǔn)》的要求，但各省市針對避讓距離的要求并不統(tǒng)一，大多數(shù)在300～500 m 之間。

4)無論是中國早年開發(fā)的風(fēng)電場，還是目前新建的風(fēng)電基地項目，大多數(shù)都建于平原地區(qū)；同時，這些風(fēng)電場周邊也已建有其他風(fēng)電場。因此需要考慮周邊風(fēng)電場對本項目的尾流影響。

目前，獲取周邊風(fēng)電場的風(fēng)電機組機位點坐標(biāo)的方法有以下4 種：

1)實地走訪。通過現(xiàn)場踏勘的方式，利用實時動態(tài)(RTK)載波相位差分技術(shù)測量儀等工具逐個采集周邊風(fēng)電場的風(fēng)電機組機位點坐標(biāo)。該方法的優(yōu)點是獲取的機位點坐標(biāo)準(zhǔn)確、精度高；但缺點是耗時、耗力，并且容易產(chǎn)生遺漏。

2)資料收集。向當(dāng)?shù)卣蛑苓咃L(fēng)電場業(yè)主收集各場區(qū)內(nèi)的風(fēng)電機組機位點坐標(biāo)。該方法的優(yōu)點是獲得的機位點坐標(biāo)準(zhǔn)確，不易遺漏；但缺點是由于溝通對象較多，協(xié)調(diào)工作量大，配合困難，工作進(jìn)度不可控。

3)利用遙感影像人工識別。工程師采用當(dāng)?shù)剡b感影像對周邊已建的風(fēng)電機組和民房進(jìn)行逐個標(biāo)記。該方法的優(yōu)點是工作進(jìn)度可控，協(xié)調(diào)工作量小，易于實施；但缺點是所獲得的數(shù)據(jù)質(zhì)量完全取決于工程師的細(xì)心程度，容易造成風(fēng)電機組機位統(tǒng)計的缺漏，過失誤差較大。

4)基于深度學(xué)習(xí)模型識別風(fēng)電場避讓物。為降低過失誤差，提高遙感影像的識別效率及精度，本文提出基于深度學(xué)習(xí)模型識別風(fēng)電場避讓物的新方法，利用訓(xùn)練后的深度學(xué)習(xí)模型對遙感影像中的風(fēng)電機組和民房進(jìn)行識別標(biāo)記，并繪制場區(qū)民房分布圖及風(fēng)電機組機位分布圖，獲取風(fēng)電機組機位點坐標(biāo)。該方法利用計算機分析并標(biāo)記避讓物可有效消除過失誤差，同時借助計算機運算可極大提高識別風(fēng)電場避讓物的工作效率和結(jié)果精度。同時，工程師可利用識別結(jié)果與遙感影像進(jìn)行快速比對，判斷模型質(zhì)量并對結(jié)果進(jìn)行校核。

2 深度學(xué)習(xí)模型

深度學(xué)習(xí)模型是基于人工神經(jīng)網(wǎng)絡(luò)算法衍生出的一種模型，該模型通過建設(shè)多層運算層次結(jié)構(gòu)[2]，利用給定的輸入層和輸出層，通過網(wǎng)絡(luò)的學(xué)習(xí)和調(diào)整參數(shù)權(quán)重，建立起輸入層和輸出層的函數(shù)關(guān)系，并逐步修正其誤差[3]。深度學(xué)習(xí)模型可以根據(jù)不同的數(shù)據(jù)集進(jìn)行自我調(diào)整，以適應(yīng)不同的應(yīng)用場景。

該模型旨在建立輸入層與輸出層的函數(shù)關(guān)系。通過訓(xùn)練樣本對模型進(jìn)行學(xué)習(xí)與修正，然后利用修正后的模型對遙感影像進(jìn)行避讓物識別與標(biāo)記。首先利用模型中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法提取遙感影像中的信息；然后逐層建立神經(jīng)元，在神經(jīng)元網(wǎng)絡(luò)中，除頂層外其他所有層的權(quán)重均設(shè)置為雙向，正向傳播時的權(quán)重用于“認(rèn)知”，反向傳播時的權(quán)重用于“生成”；最后采用CNN算法進(jìn)行“正向傳播-反向傳播”循環(huán)迭代，調(diào)整除頂層外其他所有層的權(quán)重，使輸入層和輸出層的結(jié)果達(dá)成一致。

深度學(xué)習(xí)模型的工作流程圖如圖1 所示。

3 基于深度學(xué)習(xí)模型識別風(fēng)電場避讓物方法的具體措施

3.1 避讓物識別

本文提出的基于深度學(xué)習(xí)模型識別風(fēng)電場避讓物的方法中，避讓物識別的具體步驟包括訓(xùn)練區(qū)避讓物標(biāo)記、訓(xùn)練區(qū)避讓物特征值導(dǎo)出、模型訓(xùn)練、避讓物提取 。

1)訓(xùn)練區(qū)避讓物標(biāo)記。截取遙感影像中的部分區(qū)域作為模型的訓(xùn)練區(qū)域，利用特征提取骨干網(wǎng)絡(luò)(convolution network)得到訓(xùn)練區(qū)域的特征圖。在訓(xùn)練區(qū)域內(nèi)對風(fēng)電機組、民房等需要避讓的物體進(jìn)行人工標(biāo)記。

2)訓(xùn)練區(qū)避讓物特征值導(dǎo)出。在對應(yīng)的坐標(biāo)系內(nèi)，通過指定的切片尺寸對所有標(biāo)記出的避讓物進(jìn)行切片并提取其特征。

3)模型訓(xùn)練。將樣本數(shù)據(jù)輸入至模型，利用Mask R-CNN 算法使輸入層與輸出層的結(jié)果達(dá)到一致。Mask R-CNN 算法采用ResNet 殘差網(wǎng)絡(luò)算法完成多層預(yù)測與賦權(quán)重，可使預(yù)測結(jié)果的準(zhǔn)確度不隨卷積層層數(shù)的增加而下降[4]。模型采用雙線性差值(RPN)算法，對訓(xùn)練區(qū)域生成的特征圖的規(guī)律生成一系列的錨框，并判斷錨框中是否存在待識別物體。通過深度學(xué)習(xí)模型不斷的“正向傳播-反向傳播”循環(huán)迭代，調(diào)整模型中除頂層外其他所有層的權(quán)重，使對錨框中避讓物的識別更加準(zhǔn)確[5]。

4)避讓物提取。導(dǎo)入需要標(biāo)記避讓物的遙感影像，然后利用訓(xùn)練后的深度學(xué)習(xí)模型對遙感影像中的避讓物進(jìn)行自動識別、標(biāo)記、導(dǎo)出。

3.2 遙感影像區(qū)域的風(fēng)能資源評估

將處理后的實測地形圖，當(dāng)?shù)氐臍W空局全球陸地覆蓋數(shù)據(jù)(ESA)、美國國家土地覆蓋數(shù)據(jù)庫(NLCD)等粗糙度圖譜，以及測風(fēng)塔測風(fēng)數(shù)據(jù)作為輸入文件，導(dǎo)入由法國美迪公司開發(fā)的Meteodyn WT 或挪威WindSim 公司開發(fā)的WindSim 等流體力學(xué)計算(CFD)軟件中，通過求解Navier-Stokes方程，仿真遙感影像區(qū)域的風(fēng)流運動，求得該區(qū)域風(fēng)能資源分布圖譜。

3.3 風(fēng)電機組機位布置

OpenWind 軟件可利用地理信息和風(fēng)能資源模型對風(fēng)電機組機位進(jìn)行自動尋優(yōu)排布[6]。

1)在OpenWind 軟件中導(dǎo)入由深度學(xué)習(xí)模型提取的周邊風(fēng)電場中已建風(fēng)電機組的機位點坐標(biāo)，用于測算風(fēng)電場之間的尾流影響。

2)輸入由深度學(xué)習(xí)模型繪制的場區(qū)民房分布圖及當(dāng)?shù)氐南拗平ㄔO(shè)區(qū)域分布圖。風(fēng)電機組布置時還需要再考慮與周邊民房之間的距離，避讓距離為300～500 m。

3)在OpenWind 軟件中導(dǎo)入前面得到的遙感影像區(qū)域風(fēng)能資源分布圖譜，利用該軟件的自動尋優(yōu)功能，對風(fēng)電機組機位進(jìn)行尋優(yōu)排布。

4 案例分析

以寧夏回族自治區(qū)某風(fēng)電場為例，采用本文提出的基于深度學(xué)習(xí)模型識別風(fēng)電場避讓物的方法進(jìn)行老舊風(fēng)電場技改的風(fēng)電機組機位選址分析。該風(fēng)電場于2007 年3 月投產(chǎn)，屬于平原風(fēng)電場，共安裝了66 臺由金風(fēng)科技股份有限公司生產(chǎn)的750 kW 風(fēng)電機組，總裝機容量為49.5 MW。該風(fēng)電場場址范圍內(nèi)設(shè)立了1 座測風(fēng)塔，編號為0001#。

該風(fēng)電場屬于寧夏回族自治區(qū)最早開發(fā)建設(shè)的風(fēng)電場之一，項目所在區(qū)域的風(fēng)能資源已被充分開發(fā)利用，其周邊建有多個風(fēng)電場。該風(fēng)電場已運行16 年，根據(jù)國家能源局2023 年發(fā)布的《風(fēng)電場改造升級和退役管理辦法》，該風(fēng)電場具備改造升級條件，計劃對其風(fēng)電機組機位進(jìn)行重新規(guī)劃布置。

該風(fēng)電場內(nèi)測風(fēng)塔的基本信息如表1 所示，其地理位置示意圖如圖2 所示。

表1 測風(fēng)塔的基本信息Table 1 Basic information of anemometer tower

圖2 測風(fēng)塔的地理位置示意圖Fig. 2 Geographical location diagram of anemometer tower

測風(fēng)塔有效數(shù)據(jù)的完整率大于90%；再加上該風(fēng)電場的地形為平坦地形，測風(fēng)塔所在位置的海拔高度與場區(qū)平均海拔高度接近，因此該測風(fēng)塔處的風(fēng)能資源數(shù)據(jù)具有較好的代表性。該測風(fēng)塔115 m 高度處：代表年平均風(fēng)速為5.82 m/s，平均風(fēng)功率密度為180 W/m2；風(fēng)向主要集中在正南，占全部風(fēng)向分布的24.68%；風(fēng)能也主要集中在正南，占全部風(fēng)能分布的28.35%；平均空氣密度為1.032 kg/m3；綜合切變指數(shù)為0.109；15 m/s 風(fēng)速段的湍流強度為0.116。該風(fēng)電場場區(qū)的風(fēng)能資源分布圖如圖3 所示。

圖3 該風(fēng)電場場區(qū)的風(fēng)能資源分布圖Fig. 3 Wind energy resource distribution map in the wind farm area

根據(jù)項目區(qū)域特點，本次深度學(xué)習(xí)模型“前后循環(huán)迭代次數(shù)”設(shè)置為“20 回”，“驗證百分比”設(shè)為“10%”，“切片尺寸”設(shè)置為“1000 pix”，“步幅”設(shè)置為“256 pix”，“旋轉(zhuǎn)角度”設(shè)置為“0”。

通過深度學(xué)習(xí)模型識別出遙感影像區(qū)域內(nèi)已建風(fēng)電機組共有436 臺，其中包括該項目的66 臺原有風(fēng)電機組。為了展示識別標(biāo)記的效果，局部遙感影像區(qū)域內(nèi)已建風(fēng)電機組的分布圖如圖4 所示。圖中：紅框內(nèi)容為識別的紅色標(biāo)記的放大圖。

圖4 局部遙感影像區(qū)域內(nèi)已建風(fēng)電機組分布圖Fig. 4 Distribution map of existing wind turbines in the local remote sensing image area

利用OpenWind 軟件進(jìn)行風(fēng)電機組尋優(yōu)排布后，該風(fēng)電場改造為采用10 臺5 MW 風(fēng)電機組，改造后風(fēng)電場的年上網(wǎng)電量預(yù)計為13246 萬kWh，年等效滿負(fù)荷小時數(shù)預(yù)計為2676 h。改造方案的推薦風(fēng)電機組機位點與周圍已建風(fēng)電機組機位點的相對位置如圖5 所示。圖中：藍(lán)色點為推薦風(fēng)電機組機位點；紅色點為周圍已建風(fēng)電機組機位點。

圖5 改造方案的推薦風(fēng)電機組機位點與周圍已建風(fēng)電機組機位點的相對位置圖Fig. 5 Relative position map of recommended wind turbine location points for renovation plan and surrounding existing wind turbine location points

5 結(jié)論

本文提出一種基于深度學(xué)習(xí)模型識別風(fēng)電場避讓物的方法，利用深度學(xué)習(xí)模型對遙感影像中的已建風(fēng)電場風(fēng)電機組和民房等敏感因素進(jìn)行識別標(biāo)記，采用OpenWind 軟件對這些敏感因素進(jìn)行避讓，并實現(xiàn)風(fēng)電機組快速布置，得出以下結(jié)論：

1)利用深度學(xué)習(xí)模型繪制場區(qū)民房分布圖及風(fēng)電機組機位分布圖，獲取風(fēng)電機組機位點坐標(biāo)，結(jié)果準(zhǔn)確、不易產(chǎn)生遺漏、能夠有效消除過失誤差。同時，工程師可利用該民房分布圖和機位分布圖與遙感影像進(jìn)行快速比對，判斷模型質(zhì)量并對模型生成的成果進(jìn)行校核。

2)深度學(xué)習(xí)模型可以根據(jù)不同的數(shù)據(jù)集進(jìn)行自我調(diào)整，從而適應(yīng)不同的應(yīng)用場景，因此可以利用深度學(xué)習(xí)模型對民房、廠房、牛棚、110/220kV 鐵塔、溝渠、河道、道路、光伏電站等風(fēng)電場避讓物進(jìn)行標(biāo)記。

3)利用深度學(xué)習(xí)模型進(jìn)行避讓物標(biāo)記的方法大幅降低了人工標(biāo)記避讓物時的工作量，有效減少了大量的繁雜、低效、高重復(fù)性的工作，提高了工作效率。

需要說明的是，深度學(xué)習(xí)模型是通過對比訓(xùn)練區(qū)域特征圖與標(biāo)記處的特征值，不斷修正模型中除頂層外其他所有層的權(quán)重，從而提高識別精度的方法。因此，在訓(xùn)練區(qū)避讓物標(biāo)記這一步驟中，人工標(biāo)記避讓物時不能漏標(biāo)避讓物，否則會引入極大的誤差，從而嚴(yán)重降低訓(xùn)練模型的精度。

本方法對遙感影像的分辨率和計算機配置的要求較高。隨著遙感影像分辨率的增加，深度學(xué)習(xí)模型的識別精度會顯著提高。深度學(xué)習(xí)模型擅長圖像處理、文本分析領(lǐng)域，通常來講，使用圖形處理器(GPU)訓(xùn)練模型的效率更高。