(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211036273.2 (22)申请日 2022.08.28 (71)申请人 华能新能源股份有限公司 地址 100000 北京市海淀区复兴 路甲23号 10、 11层 申请人 北京华能新锐控制技 术有限公司 (72)发明人 梁哲铭　叶林　隋树波　卢引承　 延卫忠　安达　吕胜波　赵亚雄　 (74)专利代理 机构 北京华锐创新知识产权代理 有限公司 1 1925 专利代理师 安丽艳 (51)Int.Cl. G06Q 10/04(2012.01) G06F 17/16(2006.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于中尺度数据的风电场选址优化系统及 其方法 (57)摘要 本申请涉及风电场的智能选址领域， 其具体 地公开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。 权利要求书3页 说明书15页 附图5页 CN 115456259 A 2022.12.09 CN 115456259 A 1.一种基于中尺度数据的风电场选 址优化系统， 其特 征在于， 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。 2.根据权利要求1所述的基于中尺度 数据的风电场选址优化系统， 其特征在于， 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： 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。 3.根据权利要求2所述的基于中尺度 数据的风电场选址优化系统， 其特征在于， 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； 其中， 所述公式为：权　利　要　求　书 1/3 页 2 CN 115456259 A 2Vi＝Mi*Vc 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。 4.根据权利要求3所述的基于中尺度 数据的风电场选址优化系统， 其特征在于， 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； 其中， 所述公式为： M1＝Mk*M2 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。 5.根据权利要求4所述的基于中尺度 数据的风电场选址优化系统， 其特征在于， 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。 6.根据权利要求5所述的基于中尺度 数据的风电场选址优化系统， 其特征在于， 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。 7.根据权利要求6所述的基于中尺度 数据的风电场选址优化系统， 其特征在于， 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； 其中， 所述公式为： 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。 8.根据权利要求7所述的基于中尺度 数据的风电场选址优化系统， 其特征在于， 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，权　利　要　求　书 2/3 页 3 CN 115456259 A 3