基于深度學習模型識別風電場避讓物的方法研究

雷 鳴

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

0 引言

2020 年9 月，中國明確提出了2030 年碳達峰與2060 年碳中和的目標[1]。根據云南省綠色能源行業協會發布的統計數據，截至2022 年9 月底，中國風電新增裝機容量為1924 萬kW，其中，西北、華北和東北地區(下文簡稱為“三北”地區)的風電新增裝機容量占比約為74.3%?！叭薄钡貐^的風電場以風電基地項目居多，而目前新建風電場不僅需要避讓生態保護紅線、永久基本農田、自然保護區、風景名勝區等國家限建區域，以及需要考慮風電場內風電機組之間的尾流影響，還需要重點關注周邊已建風電場對新建風電場的尾流影響。工程中針對尾流影響的計算，通常采用當地遙感影像對周邊已建風電場的風電機組機位進行人工標記，然后將標記后的風電機組機位與擬建風電場的風電機組機位共同建模，進行尾流計算。但該方法的工作效率低，過失誤差較大。

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

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

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

1 風電機組機位選址

風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能資源稟賦性。測風塔實測數據只能代表該位置的風能條件，需要利用Meteodyn WT、WindSim、OpenWind、WAsP等風電場風資源仿真軟件對場區內各位置的風能資源進行推算。

2)風電機組機位選擇時需要避開國家公園、森林公園、壓覆礦區域、自然保護區、永久基本農田、生態保護紅線、飲用水源保護區、風景名勝區等限制建設區域。

3)合適的避讓距離。由于風輪轉動時將產生噪聲，風電機組布置時應保證與附近民房相隔一定的距離，使風電機組運行時的噪音經過距離衰減后符合GB 3096—2008《聲環境質量標準》的要求，但各省市針對避讓距離的要求并不統一，大多數在300～500 m 之間。

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

目前，獲取周邊風電場的風電機組機位點坐標的方法有以下4 種：

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

2)資料收集。向當地政府或周邊風電場業主收集各場區內的風電機組機位點坐標。該方法的優點是獲得的機位點坐標準確，不易遺漏；但缺點是由于溝通對象較多，協調工作量大，配合困難，工作進度不可控。

3)利用遙感影像人工識別。工程師采用當地遙感影像對周邊已建的風電機組和民房進行逐個標記。該方法的優點是工作進度可控，協調工作量小，易于實施；但缺點是所獲得的數據質量完全取決于工程師的細心程度，容易造成風電機組機位統計的缺漏，過失誤差較大。

4)基于深度學習模型識別風電場避讓物。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習模型識別風電場避讓物的新方法，利用訓練后的深度學習模型對遙感影像中的風電機組和民房進行識別標記，并繪制場區民房分布圖及風電機組機位分布圖，獲取風電機組機位點坐標。該方法利用計算機分析并標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電場避讓物的工作效率和結果精度。同時，工程師可利用識別結果與遙感影像進行快速比對，判斷模型質量并對結果進行校核。

2 深度學習模型

深度學習模型是基于人工神經網絡算法衍生出的一種模型，該模型通過建設多層運算層次結構[2]，利用給定的輸入層和輸出層，通過網絡的學習和調整參數權重，建立起輸入層和輸出層的函數關系，并逐步修正其誤差[3]。深度學習模型可以根據不同的數據集進行自我調整，以適應不同的應用場景。

該模型旨在建立輸入層與輸出層的函數關系。通過訓練樣本對模型進行學習與修正，然后利用修正后的模型對遙感影像進行避讓物識別與標記。首先利用模型中的卷積神經網絡(CNN)算法提取遙感影像中的信息；然后逐層建立神經元，在神經元網絡中，除頂層外其他所有層的權重均設置為雙向，正向傳播時的權重用于“認知”，反向傳播時的權重用于“生成”；最后采用CNN算法進行“正向傳播-反向傳播”循環迭代，調整除頂層外其他所有層的權重，使輸入層和輸出層的結果達成一致。

深度學習模型的工作流程圖如圖1 所示。

3 基于深度學習模型識別風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習模型識別風電場避讓物的方法中，避讓物識別的具體步驟包括訓練區避讓物標記、訓練區避讓物特征值導出、模型訓練、避讓物提取 。

1)訓練區避讓物標記。截取遙感影像中的部分區域作為模型的訓練區域，利用特征提取骨干網絡(convolution network)得到訓練區域的特征圖。在訓練區域內對風電機組、民房等需要避讓的物體進行人工標記。

2)訓練區避讓物特征值導出。在對應的坐標系內，通過指定的切片尺寸對所有標記出的避讓物進行切片并提取其特征。

3)模型訓練。將樣本數據輸入至模型，利用Mask R-CNN 算法使輸入層與輸出層的結果達到一致。Mask R-CNN 算法采用ResNet 殘差網絡算法完成多層預測與賦權重，可使預測結果的準確度不隨卷積層層數的增加而下降[4]。模型采用雙線性差值(RPN)算法，對訓練區域生成的特征圖的規律生成一系列的錨框，并判斷錨框中是否存在待識別物體。通過深度學習模型不斷的“正向傳播-反向傳播”循環迭代，調整模型中除頂層外其他所有層的權重，使對錨框中避讓物的識別更加準確[5]。

4)避讓物提取。導入需要標記避讓物的遙感影像，然后利用訓練后的深度學習模型對遙感影像中的避讓物進行自動識別、標記、導出。

3.2 遙感影像區域的風能資源評估

將處理后的實測地形圖，當地的歐空局全球陸地覆蓋數據(ESA)、美國國家土地覆蓋數據庫(NLCD)等粗糙度圖譜，以及測風塔測風數據作為輸入文件，導入由法國美迪公司開發的Meteodyn WT 或挪威WindSim 公司開發的WindSim 等流體力學計算(CFD)軟件中，通過求解Navier-Stokes方程，仿真遙感影像區域的風流運動，求得該區域風能資源分布圖譜。

3.3 風電機組機位布置

OpenWind 軟件可利用地理信息和風能資源模型對風電機組機位進行自動尋優排布[6]。

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

2)輸入由深度學習模型繪制的場區民房分布圖及當地的限制建設區域分布圖。風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 軟件中導入前面得到的遙感影像區域風能資源分布圖譜，利用該軟件的自動尋優功能，對風電機組機位進行尋優排布。

4 案例分析

以寧夏回族自治區某風電場為例，采用本文提出的基于深度學習模型識別風電場避讓物的方法進行老舊風電場技改的風電機組機位選址分析。該風電場于2007 年3 月投產，屬于平原風電場，共安裝了66 臺由金風科技股份有限公司生產的750 kW 風電機組，總裝機容量為49.5 MW。該風電場場址范圍內設立了1 座測風塔，編號為0001#。

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

該風電場內測風塔的基本信息如表1 所示，其地理位置示意圖如圖2 所示。

表1 測風塔的基本信息Table 1 Basic information of anemometer tower

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

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

圖3 該風電場場區的風能資源分布圖Fig. 3 Wind energy resource distribution map in the wind farm area

根據項目區域特點，本次深度學習模型“前后循環迭代次數”設置為“20 回”，“驗證百分比”設為“10%”，“切片尺寸”設置為“1000 pix”，“步幅”設置為“256 pix”，“旋轉角度”設置為“0”。

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

圖4 局部遙感影像區域內已建風電機組分布圖Fig. 4 Distribution map of existing wind turbines in the local remote sensing image area

利用OpenWind 軟件進行風電機組尋優排布后，該風電場改造為采用10 臺5 MW 風電機組，改造后風電場的年上網電量預計為13246 萬kWh，年等效滿負荷小時數預計為2676 h。改造方案的推薦風電機組機位點與周圍已建風電機組機位點的相對位置如圖5 所示。圖中：藍色點為推薦風電機組機位點；紅色點為周圍已建風電機組機位點。

圖5 改造方案的推薦風電機組機位點與周圍已建風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 結論

本文提出一種基于深度學習模型識別風電場避讓物的方法，利用深度學習模型對遙感影像中的已建風電場風電機組和民房等敏感因素進行識別標記，采用OpenWind 軟件對這些敏感因素進行避讓，并實現風電機組快速布置，得出以下結論：

1)利用深度學習模型繪制場區民房分布圖及風電機組機位分布圖，獲取風電機組機位點坐標，結果準確、不易產生遺漏、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行快速比對，判斷模型質量并對模型生成的成果進行校核。

2)深度學習模型可以根據不同的數據集進行自我調整，從而適應不同的應用場景，因此可以利用深度學習模型對民房、廠房、牛棚、110/220kV 鐵塔、溝渠、河道、道路、光伏電站等風電場避讓物進行標記。

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

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

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，深度學習模型的識別精度會顯著提高。深度學習模型擅長圖像處理、文本分析領域，通常來講，使用圖形處理器(GPU)訓練模型的效率更高。