本發(fā)明涉及風(fēng)電機(jī)組定位與數(shù)據(jù)庫構(gòu)建領(lǐng)域，特別是涉及一種基于多源數(shù)據(jù)融合的風(fēng)電機(jī)組位置智能數(shù)據(jù)庫及其構(gòu)建方法。

背景技術(shù)：

1、風(fēng)電作為構(gòu)建新型電力系統(tǒng)的主體，能夠有效助力電力系統(tǒng)脫碳，推動能源結(jié)構(gòu)轉(zhuǎn)型，是實現(xiàn)“雙碳”目標(biāo)的主力軍。風(fēng)電機(jī)組設(shè)施作為風(fēng)電系統(tǒng)最重要的組成部分，構(gòu)建具有準(zhǔn)確、全面位置信息和分布的數(shù)據(jù)庫對于風(fēng)能資源評估、風(fēng)電場規(guī)劃、評估生態(tài)影響和電網(wǎng)管理具有重要意義。傳統(tǒng)的對于風(fēng)電機(jī)組的檢測包括如下方法：

2、1、人工調(diào)查。以小范圍遙感影像為基礎(chǔ)，通過手動尋找與目視解譯的方法，對遙感影像中的風(fēng)電機(jī)組進(jìn)行查找確認(rèn)。該方法工作量大、識別效率低下、極易出現(xiàn)遺漏，難以進(jìn)行大尺度的風(fēng)電機(jī)組定位工作。

3、2、開源地圖數(shù)據(jù)，如openstreetmap。該方法存在數(shù)據(jù)不完整和更新不及時的缺點，無法為大范圍、高精度的科學(xué)研究提供基礎(chǔ)數(shù)據(jù)。

4、3、基于深度學(xué)習(xí)的風(fēng)電機(jī)組遙感提取方法。針對風(fēng)電機(jī)組的多樣性和復(fù)雜背景，近年來研究者們提出了多種改進(jìn)的深度學(xué)習(xí)模型，如yolo、mask?r-cnn等，通過大量的樣本訓(xùn)練，模型校正，這些方法能夠?qū)崿F(xiàn)對風(fēng)電機(jī)組智能化的檢測。但是通常風(fēng)電場呈聚集分布，當(dāng)對大范圍區(qū)域的遙感影像進(jìn)行識別時，這種無差別的掃描方式造成計算量大、耗時長、效率低并且單一來源的數(shù)據(jù)局限性使得識別的準(zhǔn)確性不高尤其在復(fù)雜環(huán)境下表現(xiàn)不佳，此外，現(xiàn)有的識別方法缺少自動化的數(shù)據(jù)更新和管理機(jī)制，使獲取的數(shù)據(jù)難以保持實時性和完整性。

5、綜上，現(xiàn)有的風(fēng)電機(jī)組位置數(shù)據(jù)庫主要依賴于單一的數(shù)據(jù)源，這些方法通常存在數(shù)據(jù)不全面、精度不足、更新不及時、不智能等問題，導(dǎo)致數(shù)據(jù)庫難以滿足現(xiàn)代風(fēng)電場管理和監(jiān)測的需求。

6、基于上述問題，本發(fā)明人對風(fēng)電機(jī)組位置數(shù)據(jù)庫做了深入研究，通過豐富數(shù)據(jù)來源并定時更新，再配套設(shè)置數(shù)據(jù)顯示存儲系統(tǒng)來完善獲得新的智能數(shù)據(jù)庫。

技術(shù)實現(xiàn)思路

1、為了克服上述問題，本發(fā)明人進(jìn)行了銳意研究，設(shè)計出一種基于多源數(shù)據(jù)融合的風(fēng)電機(jī)組位置智能數(shù)據(jù)庫及其構(gòu)建方法，該數(shù)據(jù)庫的構(gòu)建過程中，首先從openstreetmap獲取風(fēng)電機(jī)組位置信息，接著從多個數(shù)據(jù)源(global?wind?power?tracker、北極星電力新聞網(wǎng)、國家能源網(wǎng)等)自動獲取風(fēng)電場位置信息，采用yolov8深度學(xué)習(xí)方法在風(fēng)電場的空間閾值內(nèi)進(jìn)行掃描，識別風(fēng)電機(jī)組，在此基礎(chǔ)上，對上述不同來源數(shù)據(jù)進(jìn)行清洗、降噪和融合；設(shè)置數(shù)據(jù)庫，用以存儲和管理風(fēng)電機(jī)組的地理坐標(biāo)、圖像特征，并自動化更新數(shù)據(jù)；再添加數(shù)據(jù)應(yīng)用模塊，實現(xiàn)對風(fēng)電機(jī)組位置數(shù)據(jù)的可視化、分析、調(diào)用、下載等，得到所述智能數(shù)據(jù)庫，從而完成本發(fā)明。

2、具體來說，本發(fā)明的目的在于提供一種基于多源數(shù)據(jù)融合的風(fēng)電機(jī)組位置智能數(shù)據(jù)庫構(gòu)建方法，該方法包括下述步驟：

3、步驟1：基于開放街道地圖和風(fēng)電場信息，各自獨立地獲得風(fēng)電機(jī)組位置數(shù)據(jù)；

4、步驟2：對獲得的兩組風(fēng)電機(jī)組位置數(shù)據(jù)做數(shù)據(jù)清洗與預(yù)處理，再做數(shù)據(jù)對比與融合；

5、步驟3：將融合后的數(shù)據(jù)存儲在數(shù)據(jù)庫中，并按照預(yù)定頻率更新。

6、其中，在步驟1中，基于開放街道地圖獲得的風(fēng)電機(jī)組位置數(shù)據(jù)包括經(jīng)度、緯度信息，還包括風(fēng)機(jī)狀態(tài)和唯一標(biāo)識碼。

7、其中，在步驟1中，基于風(fēng)電場信息獲得風(fēng)電機(jī)組位置數(shù)據(jù)的過程包括如下子步驟：

8、子步驟1：從global?wind?power?tracker、北極星電力新聞網(wǎng)、國際能源網(wǎng)獲取風(fēng)電場信息，所述風(fēng)電場信息包括風(fēng)電場的名稱和中心位置經(jīng)度緯度坐標(biāo)；

9、子步驟2：基于風(fēng)電場的中心位置經(jīng)度緯度坐標(biāo)，在地圖中劃定節(jié)選出包含該風(fēng)電場的區(qū)域地圖；

10、子步驟3：通過yolov8深度學(xué)習(xí)模型對所述區(qū)域地圖做掃描識別，從而得到區(qū)域地圖中所涵蓋風(fēng)電機(jī)組的位置數(shù)據(jù)。

11、其中，所述yolov8深度學(xué)習(xí)模型通過下述過程訓(xùn)練獲得：

12、步驟a，收集包含不同區(qū)域和環(huán)境條件下800張以上的風(fēng)電機(jī)組圖片，對風(fēng)電機(jī)組進(jìn)行標(biāo)注，生成yolo格式的標(biāo)注文件；

13、將數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集，確保不同區(qū)域和環(huán)境條件的圖像均勻分布在各個子集中；

14、步驟b，下載yolov8的預(yù)訓(xùn)練模型，使用ultralytics提供的yolov8庫加載預(yù)訓(xùn)練模型，配置網(wǎng)絡(luò)架構(gòu)，得到待訓(xùn)練的yolov8深度學(xué)習(xí)模型；

15、步驟c，應(yīng)用數(shù)據(jù)增強(qiáng)技術(shù)增加訓(xùn)練數(shù)據(jù)的多樣性；

16、步驟d，使用訓(xùn)練集進(jìn)行模型訓(xùn)練，并在每次訓(xùn)練集遍歷訓(xùn)練一次后，使用驗證集評估模型性能；

17、步驟e，在每次訓(xùn)練集遍歷訓(xùn)練一次后，對預(yù)訓(xùn)練模型做優(yōu)化，其中，優(yōu)化目標(biāo)是最小化總損失，所述總損失包括分類損失、邊界框損失和置信度損失；

18、步驟f，重復(fù)步驟d和步驟e，直至滿足下述3個停止訓(xùn)練條件中的一個；

19、(1)驗證集損失不再顯著下降，即當(dāng)驗證集上的總損失在連續(xù)10次訓(xùn)練集遍歷中下降幅度小于設(shè)定的閾值0.01；

20、(2)達(dá)到設(shè)定的最大訓(xùn)練輪次，即300輪；

21、(3)驗證集上的平均精度達(dá)到預(yù)設(shè)目標(biāo)，所述預(yù)設(shè)目標(biāo)優(yōu)選為95％；

22、步驟g，使用測試集評估得到的yolov8深度學(xué)習(xí)模型的最終性能，通過關(guān)鍵指標(biāo)全面評估yolov8深度學(xué)習(xí)模型在不同環(huán)境和區(qū)域條件下的表現(xiàn)。

23、其中，在步驟b中，所述網(wǎng)絡(luò)架構(gòu)包括：輸入層、骨干網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)和路徑聚合網(wǎng)絡(luò)、輸出層。

24、其中，在步驟c中，所述數(shù)據(jù)增強(qiáng)技術(shù)包括翻轉(zhuǎn)、旋轉(zhuǎn)、縮放、調(diào)整亮度、調(diào)整對比度。

25、其中，在步驟e中，所述總損失的解算式為：

26、

27、其中：為總損失函數(shù)，表示模型需要最小化的目標(biāo)；

28、為分類損失,用于衡量風(fēng)電機(jī)組類別的預(yù)測誤差，使用交叉熵?fù)p失；

29、為邊界狂損失,用于評估預(yù)測的風(fēng)電機(jī)組邊界框與真是框之間的差異；

30、為置信度損失,用于衡量模型對目標(biāo)是否存在的置信度誤差；

31、λcls，λbbox，λconf各自獨立地表示權(quán)重系數(shù)，控制每一項損失在總損失中的貢獻(xiàn)度。

32、其中，在子步驟3中，將區(qū)域地圖劃分為17級地圖瓦片，單一瓦片尺寸為256*256；

33、掃描識別時，掃描識別框涵蓋3*3個瓦片，掃描步長為2個瓦片。

34、其中，在步驟2中，通過空間距離閾值法判斷重復(fù)的風(fēng)電機(jī)組點位。

35、本發(fā)明還提供一種基于多源數(shù)據(jù)融合的風(fēng)電機(jī)組位置智能數(shù)據(jù)庫，該數(shù)據(jù)庫通過上文所述的方法構(gòu)建獲得；

36、優(yōu)選地，在所述數(shù)據(jù)庫中設(shè)置有分層顯示模塊，用以同步顯示地圖圖層和風(fēng)電機(jī)組位置點；所述地圖圖層為谷歌地圖圖層、天地圖圖層和arcgis地圖圖層；

37、且所述地圖圖層能夠任意切換。

38、本發(fā)明所具有的有益效果包括：

39、(1)根據(jù)本發(fā)明提供的基于多源數(shù)據(jù)融合的風(fēng)電機(jī)組位置智能數(shù)據(jù)庫及其構(gòu)建方法，該數(shù)據(jù)庫與現(xiàn)有數(shù)據(jù)庫相比，首次將多源數(shù)據(jù)openstreetmap、global?wind?powertracker、北極星電力新聞網(wǎng)、國家能源網(wǎng)，及遙感影像融合，進(jìn)行風(fēng)電機(jī)組的自動識別和數(shù)據(jù)庫構(gòu)建，大大提高了數(shù)據(jù)的全面性、準(zhǔn)確性和識別效率；

40、(2)根據(jù)本發(fā)明提供的基于多源數(shù)據(jù)融合的風(fēng)電機(jī)組位置智能數(shù)據(jù)庫及其構(gòu)建方法，該數(shù)據(jù)庫采用yolov8模型結(jié)合遷移學(xué)習(xí)技術(shù)，針對不同區(qū)域和環(huán)境條件優(yōu)化識別算法，實現(xiàn)了更高的識別精度和魯棒性；

41、(3)根據(jù)本發(fā)明提供的基于多源數(shù)據(jù)融合的風(fēng)電機(jī)組位置智能數(shù)據(jù)庫及其構(gòu)建方法，設(shè)計了自動化數(shù)據(jù)更新機(jī)制，通過多種數(shù)據(jù)源的融合和智能化管理，確保數(shù)據(jù)庫數(shù)據(jù)的實時性和一致性；

42、(4)根據(jù)本發(fā)明提供的基于多源數(shù)據(jù)融合的風(fēng)電機(jī)組位置智能數(shù)據(jù)庫及其構(gòu)建方法，提供了標(biāo)準(zhǔn)化的api接口和可視化工具，支持廣泛的應(yīng)用場景，具有良好的可擴(kuò)展性和實用性。