基于迁移学习的融合风速计算方法、装置、设备及介质

1.本公开涉及风速数据模拟技术领域，尤其涉及一种基于迁移学习的融合风速计算方法、装置、设备及介质。


背景技术：

2.风电场各点位、尤其是拟建风电机组点位的风速是衡量风资源评估软件精度的一个重要参数。
3.相关技术中，通常采用计算流体力学(computational fluid dynamics，cfd)方法计算不同来流风向条件下的空间稳态流场分布，然后基于基准测风塔时序/频域测风数据，计算风电场各点位的年时序/频域风速分布。在此过程中，由于地形处理、湍流模型、边界条件、数值求解等因素的影响，不可避免地造成cfd数值模拟的风速误差，从而使得计算得到的风速精度较低。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种基于迁移学习的融合风速计算方法、装置、设备及介质。
5.第一方面，本公开提供了一种基于迁移学习的融合风速计算方法，包括：
6.在多个测风塔中根据风速相关性确定基准测风塔；
7.获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；
8.对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据；
9.通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
10.第二方面，本公开提供了一种基于迁移学习的融合风速计算装置，包括：
11.数据确定模块，用于在多个测风塔中根据风速相关性确定基准测风塔；
12.第一获取模块，用于获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；
13.第一计算模块，用于对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据；
14.第二计算模块，用于通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
15.第三方面，本公开提供了一种基于迁移学习的融合风速计算设备，包括：
16.处理器；
17.存储器，用于存储可执行指令；
18.其中，处理器用于从存储器中读取可执行指令，并执行可执行指令以实现第一方
面的基于迁移学习的融合风速计算方法。
19.第四方面，本公开提供了一种计算机可读存储介质，该存储介质存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现第一方面的基于迁移学习的融合风速计算方法。
20.本公开实施例提供的技术方案与现有技术相比具有如下优点：
21.本公开实施例的基于迁移学习的融合风速计算方法、装置、设备及介质，能够在多个测风塔中根据风速相关性确定基准测风塔，接着获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据，然后对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据，最后通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据，由此，可以通过基准测风塔的第一真实观测风速数据、第一模拟风速数据、目标点位的第二模拟风速数据，以及迁移学习神经网络模型进行融合计算，得到目标点位的第一融合时序风速数据，从而通过多数据进行融合计算的方法，有效提高风速计算精度。
附图说明
22.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
23.图1为本公开实施例提供的一种基于迁移学习的融合风速计算方法的流程示意图；
24.图2为本公开实施例提供的一种风速相关性的热力示意图；
25.图3为本公开实施例提供的一种基于迁移学习的融合风速计算装置的结构示意图；
26.图4为本公开实施例提供的一种基于迁移学习的融合风速计算设备的结构示意图。
具体实施方式
27.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
28.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
29.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
30.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
31.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
32.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
33.风电场各点位、尤其是拟建风电机组点位的风速是衡量风资源评估软件精度的一个重要参数。风资源评估软件中，通常采用cfd方法计算不同来流风向条件下的空间稳态流场分布，然后基于基准测风塔时序/频域测风数据，计算风电场各点位的年时序/频域风速分布。在此过程中，由于地形处理、湍流模型、边界条件、数值求解等因素的影响，不可避免地造成cfd数值模拟的风速误差，从而使得计算得到的风速精度较低。假如风电场中有多于一个测风塔，可以将其测风数据与cfd数值模拟计算风速等相融合，有效提高风资源评估软件的风速计算精度。
34.针对待开发建设的风电场测风塔数量有限、无法通过测量获得各个潜在机组点位风速分布的实际情况，基于若干测风塔的真实观测风速、整场cfd数值模拟风速、风电场中尺度模拟数据，采用智能算法实现风速数据融合，由若干点位的时序/频域风速外推至风电场内多个目标点位的时序/频域风速，提高风资源评估软件的风速计算精度，为后续计算目标布机点位年发电量等工作提供基础数据，服务于风电场微观选址工作。
35.国内外学术界和产业界重点围绕高精度中微尺度数值模式和基于大量本地观测数据的同化方法开展研究。丹麦科技大学提出了激光雷达和中尺度数据融合的海上风资源评估方法，证明了多源数据融合可以提升评估精度。
36.目前还未有研究将测风塔真实观测风速与整场cfd数值模拟风速、风电场中尺度气候数据结合，对待开发建设风电场目标点位处的风速数据进行融合研究。针对待开发建设的风电场真实观测数据资源相对匮乏，现有技术无法胜任高精度资源评估等问题，基于多源数据进行迁移学习的风速数据融合研究是当前该领域的前沿热点。
37.为了解决上述问题，本公开实施例提供了一种基于迁移学习的融合风速计算方法、装置、设备及介质。
38.下面首先结合图1-2对本公开实施例提供的基于迁移学习的融合风速计算方法进行说明。
39.在本公开实施例中，该基于迁移学习的融合风速计算方法可以由电子设备执行。其中，电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴设备等等的移动终端以及诸如数字tv、台式计算机、智能家居设备等等的固定终端。
40.图1示出了本公开实施例提供的一种基于迁移学习的融合风速计算方法的流程示意图。
41.如图1所示，该基于迁移学习的融合风速计算方法可以包括如下步骤。
42.s110、在多个测风塔中根据风速相关性确定基准测风塔。
43.在本公开实施例中，电子设备可以通过风速相关性，在多个测风塔中确定基准测风塔。
44.可选地，测风塔可以为用于测量特定点位的风速的设备。
45.可选地，风速相关性可以为用于表示各个测风塔之间风速的相关性。
46.可选地，基准测风塔可以为作为其他测风塔计算基准的测风塔。
47.具体地，电子设备可以确定各个测风塔之间的风速相关性，从而从多个测风塔中确定基准测风塔。
48.可选地，s110可以具体包括：获取多个测风塔在第一预设高度处的时序风速序列，并计算多个测风塔的风速相关性；确定风速相关性最大的测风塔为基准测风塔。
49.在本公开实施例中，电子设备可以获取多个测风塔在第一预设高度处的时序风速序列，并计算多个测风塔的风速相关性。
50.可选地，第一预设高度可以为预先设定的高度。例如，第一预设高度可以为风电机组轮毂高度，如90m、100m等，此处不作限定。
51.可选地，时序风速序列可以为预设时间内多个测风塔的时序风速数据序列。其中，预设时间可以为大于等于1年。例如，时序风速序列可以包括在1年内多个测风塔以10min的数据间隔得到的所有时序风速数据。
52.具体地，电子设备可以获取预设时间内多个测风塔对应的时序风速序列，并通过时序风速序列计算各个测风塔之间的风速相关性，其中，计算风速相关性的方法可以为已知的计算方法，此处不作限定。
53.进一步地，电子设备在得到多个测风塔的风速相关性之后，可以确定风速相关性最大的测风塔为基准测风塔。
54.在本公开实施例中，电子设备在计算得到各个测风塔之间的风速相关性之后，可以确定与其他测风塔的风速相关性最大的测风塔，并将该测风塔作为基准测风塔。
55.图2示出了本公开实施例提供的一种风速相关性的热力示意图。
56.如图2所示，包括有5个测风塔之间的风速相关性，颜色越深代表风速相关性越大，数字标识越大代表风速相关性越大，其中，电子设备可以确定一个与其他测风塔之间的风速相关性都最大的测风塔，例如测风塔#2，并将该测风塔#2作为基准测风塔。
57.由此，可以通过风速相关性确定基准测风塔，从而在后续计算过程中以该基准测风塔为基准进行计算，进行可以提高计算精度。
58.s120、获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据。
59.在本公开实施例中，电子设备在确定基准测风塔之后，可以获取该基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据。
60.可选地，第一真实观测风速数据可以为在基准测风塔处真实测量的风速。
61.可选地，第一模拟风速数据可以为通过cfd方法计算基准测风塔处的模拟风速。
62.可选地，目标点位可以为需要计算风速的点位。
63.可选地，第二模拟风速数据可以为通过cfd方法计算目标点位处的模拟风速。
64.具体地，电子设备可以在确定基准测风塔之后，可以获取该基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据。
65.s130、对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据。
66.在本公开实施例中，电子设备在获取第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据之后，可以对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据。
67.可选地，s130可以具体包括：将第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据代入时序风速计算公式，得到目标点位的第一时序风速数据。
68.可选地，时序风速计算可以为通过时序风速计算公式进行计算。
69.可选地，时序风速计算公式可以为：
[0070][0071]
其中，以基准测风塔所在点位为a，目标点位为b，va可以为用于表示基准测风塔，即点位a的第一真实观测风速数据，v
cfda
可以为用于表示基准测风塔，即点位a的第一模拟风速数据，v
cfdb
可以为用于表示目标点位，即点位b的第二模拟风速数据，v
cfd
可以为用于表示目标点位，即点位b的第一时序风速数据。
[0072]
可选地，第一时序风速数据可以为目标点位处的初步时序风速数据。
[0073]
具体地，电子设备可以通过时序风速计算公式，对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，从而得到目标点位的第一时序风速数据，即得到初步时序风速数据。
[0074]
例如，电子设备可以通过时序风速计算公式，对基准测风塔所在点位a的第一真实观测风速数据va、第一模拟风速数据v
cfda
，以及目标点位b的第二模拟风速数据v
cfdb
进行时序风速计算，从而得到目标点位的第一时序风速数据v
cfd
。
[0075]
s140、通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
[0076]
在本公开实施例中，电子设备在得到第一时序风速数据之后，可以通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
[0077]
可选地，迁移学习神经网络模型可以为预先训练好的模型。
[0078]
可选地，模型计算可以为通过迁移学习神经网络模型对第一时序风速数据进行计算。
[0079]
可选地，第一时序风速数据可以为目标点位处的最终时序风速数据。
[0080]
具体地，电子设备可以通过迁移学习神经网络模型对第一时序风速数据进行模型计算，即对初步时序风速数据进行进一步地融合和修正，从而得到目标点位的第一融合时序风速数据，即得到最终时序风速数据。
[0081]
可选地，s140可以具体包括：将第一时序风速数据输入迁移学习神经网络模型，以使迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
[0082]
在本公开实施例中，电子设备在得到第一时序风速数据之后，可以将该第一时序风速数据输入迁移学习神经网络模型，迁移学习神经网络模型可以接收并对第一时序风速数据进行模型计算，从而得到第一融合时序风速数据，并将该第一融合时序风速数据输出，电子设备可以得到目标点位的第一融合时序风速数据。
[0083]
由此，在本公开实施例中，能够在多个测风塔中根据风速相关性确定基准测风塔，接着获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据，然后对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据，最后通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据，由此，可以通过基准测风塔的第一真实观测风速数据、第一模拟风速数据、目标点位的第二模拟风速数据，以及迁移学习神经网络模型进行融合计算，得到目标点位的第一融合时序风速数据，从而通过多数据进行融合计算的方法，有效提高风速计算精度。
[0084]
可选地，在s120之前，该基于迁移学习的融合风速计算方法还可以包括：通过计算流体力学方法获取各个点位的模拟风速数据表，模拟风速数据表包括时序风向标签特征，时序风向标签特征为第二预设高度处的中尺度风向数据，模拟风速数据表包括第一模拟风速数据和第二模拟风速数据。
[0085]
在本公开实施例中，电子设备可以通过计算流体力学方法获取各个点位的模拟风速数据表。
[0086]
可选地，计算流体力学(computational fluid dynamics，cfd)方法可以为用于计算各个点位的模型风速数据。
[0087]
可选地，模拟风速数据表可以包括各个点位不同风向下的第一预设高度处的风速数据。其中，模拟风速数据表可以包括时序风向标签特征。
[0088]
可选地，时序风向标签特征可以为各个点位在第二预设高度处的中尺度风向数据。
[0089]
可选地，第二预设高度可以为预先定义的高度。例如，第二预设高度可以为1500m、1600m等，此处不作限定。
[0090]
可选地，中尺度风向数据可以为用于表征在第二预设高度处的风向的数据。例如，中尺度风向数据可以为用于表征在第二预设高度处为东南风、东北风等风向的数据，此处不作限定。
[0091]
具体地，电子设备可以通过计算流体力学(cfd)方法，获取各个点位不同风向下的第一预设高度处的风速数据，从而得到模拟风速数据表。
[0092]
例如，电子设备可以通过cfd方法计算16个风向扇区下风电场流场数值模拟，得到中性条件下16个风向扇区下风电场内各个点位(包括目标点位)第一预设高度处的模型风速数据，组成模拟风速数据表，其中，每个测风塔可以对应一个点位。
[0093]
可选地，由于受地形地貌等因素的影响，风电场内各个点位的风向有差异，不能将某个测风塔风向作为风电场流场cfd模拟的入口风向边界条件，因此，需要获取第二预设高度处，如1500m处的中尺度风向数据，作为模拟风速数据表中的时序风向标签特征。
[0094]
可选地，模拟风速数据表中可以包括基准测风塔所在点位的第一模拟风速数据和目标点位的第二模拟风速数据。
[0095]
由此，在本公开实施例中，可以通过cfd方法获取模拟风速数据表，从而为后续计算提供对应的数据，有效提高风速计算精度。
[0096]
可选地，在s140之前，该基于迁移学习的融合风速计算方法还可以包括：根据基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及融合测风塔的第二真实观测风
速数据与第三模拟风速数据，对待训练的神经网络模型进行模型训练，得到训练好的神经网络模型，融合测风塔为多个测风塔中除基准测风塔外的测风塔；
[0097]
对训练好的神经网络模型进行迁移学习处理，得到迁移学习神经网络模型。
[0098]
在本公开实施例中，电子设备可以根据基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及融合测风塔的第二真实观测风速数据与第三模拟风速数据，对待训练的神经网络模型进行模型训练，得到训练好的神经网络模型。
[0099]
可选地，融合测风塔可以为多个测风塔中除基准测风塔外的测风塔。
[0100]
例如，有5个测风塔，电子设备确定测风塔#2为基准测风塔后，可以确定#1、#3、#4、#5可以为融合测风塔。
[0101]
可选地，第二真实观测风速数据可以为在融合测风塔处真实测量的风速。
[0102]
可选地，第三模拟风速数据可以为通过cfd方法计算融合测风塔处的模拟风速。
[0103]
具体地，电子设备可以通过测量获取基准测风塔的第一真实观测风速数据与融合测风塔的第二真实观测风速数据，接着在模拟风速数据表中获取模拟风速数据表第一模拟风速数据和融合测风塔的第三模拟风速数据，并通过上述数据对待训练的神经网络模型进行模型训练，得到训练好的神经网络模型，即得到训练好的神经网络模型中的参数。
[0104]
进一步地，电子设备在得到训练好的神经网络模型之后，可以对训练好的神经网络模型进行迁移学习处理，得到迁移学习神经网络模型。
[0105]
可选地，迁移学习处理可以为把已训练好的模型参数迁移到新的模型来帮助新模型训练。
[0106]
具体地，电子设备在得到训练好的神经网络模型之后，可以把训练好的神经网络模型中的参数迁移到新的模型中进行模型训练，得到迁移学习神经网络模型。
[0107]
例如，电子设备可以通对基准测风塔和融合测风塔训练好的神经网络模型进行迁移学习处理，从而得到目标点位对应的迁移学习神经网络模型。其中，电子设备以人工神经网络(artificial neural network，ann)作为迁移学习的内核网络模型，应用误差逆传播(back propagation,bp)算法对模型进行训练，建立较为可靠的迁移学习神经网络模型。
[0108]
由此，在本公开实施例中，电子设备可以通过迁移学习处理，得到较为准确的迁移学习神经网络模型，从而提高了后续计算风速的精度。
[0109]
可选地，在对训练好的神经网络模型进行迁移学习处理，得到迁移学习神经网络模型之后，该基于迁移学习的融合风速计算方法还可以包括：通过测试测风塔的第二时序风速数据和第二融合时序风速数据对迁移学习神经网络模型进行误差分析计算，得到误差结果，误差分析计算为计算第二时序风速数据和第二融合时序风速数据与测试测风塔的第三真实观测风速数据均方根误差。
[0110]
在本公开实施例中，电子设备可以通过测试测风塔的第二时序风速数据和第二融合时序风速数据对迁移学习神经网络模型进行误差分析计算，得到误差结果。
[0111]
可选地，测试测风塔可以为多个融合测风塔中的任一测风塔。
[0112]
例如，有5个测风塔，电子设备确定测风塔#2为基准测风塔后，可以确定#1、#3、#4、#5可以为融合测风塔，接着可以确定测风塔#1为测试测风塔。
[0113]
可选地，第二时序风速数据可以为测试测风塔处的初步时序风速数据。其中，第二时序风速数据可以为根据时序风速计算公式进行时序风速计算得到，具体实施方式参照上
文，此处不作赘述。
[0114]
可选地，第二融合时序风速数据可以为测试测风塔处的最终时序风速数据。其中，第二融合时序风速数据可以为通过迁移学习神经网络模型进行模型计算得到，具体实施方式参照上文，此处不作赘述。
[0115]
可选地，误差分析计算为计算第二时序风速数据和第二融合时序风速数据与测试测风塔的第三真实观测风速数据均方根误差。
[0116]
可选地，第三真实观测风速数据可以为在测试测风塔处真实测量的风速。
[0117]
可选地，均方根误差可以为第二时序风速数据和第二融合时序风速数据分别与第三真实观测风速数据偏差的平方和观测次数n比值的平方根。
[0118]
可选地，误差分析计算可以通过误差分析计算公式进行计算。
[0119]
可选地，误差分析计算公式可以为：
[0120][0121]
其中，i＝1，2，3，......，n，n为所选时间序列的长度(分辨率为10min)，v
model
可以表示第二时序风速数据或第二融合时序风速数据，v
obs
可以表示第三真实观测风速数据。
[0122]
具体地，电子设备可以根据误差分析计算公式，分别对第二时序风速数据与第三真实观测风速数据、第二融合时序风速数据与第三真实观测风速数据进行误差分析计算，从而得到对应的误差结果，即得到对应的均方根误差。
[0123]
例如，有5个测风塔，测风塔#2为基准测风塔，测风塔#1为测试测风塔，#3、#4、#5可以融合测风塔，电子设备可以通过误差分析计算公式对测试测风塔#1进行误差分析计算，得到对应的均方根误差，如第二时序风速数据与第三真实观测风速数据的均方根误差为1.03m/s，第二融合时序风速数据与第三真实观测风速数据的均方根误差为0.81m/s，从而可以看出经过迁移学习神经网络模型进行模型计算出的第二融合时序风速数据比第二时序风速数据的均方根误差更小，即第二融合时序风速数据更加准确。
[0124]
由此，在本公开实施例中，通过多数据进行融合计算的方法，能够有效提高风速计算精度。
[0125]
本公开实施例还提供了一种基于迁移学习的融合风速计算装置，下面结合图3进行说明。
[0126]
在本公开实施例中，该基于迁移学习的融合风速计算装置可以为电子设备。其中，电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda、pad、pmp、车载终端(例如车载导航终端)、可穿戴设备等等的移动终端以及诸如数字tv、台式计算机、智能家居设备等等的固定终端。
[0127]
图3示出了本公开实施例提供的一种基于迁移学习的融合风速计算装置的结构示意图。
[0128]
如图3所示，该基于迁移学习的融合风速计算装置300可以包括数据确定模块310、第一获取模块320、第一计算模块330和第二计算模块340。
[0129]
该数据确定模块310可以用于在多个测风塔中根据风速相关性确定基准测风塔。
[0130]
该第一获取模块320可以用于获取基准测风塔的第一真实观测风速数据与第一模
拟风速数据，以及获取目标点位的第二模拟风速数据。
[0131]
该第一计算模块330可以用于对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据。
[0132]
该第二计算模块340可以用于通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
[0133]
在本公开实施例中，能够在多个测风塔中根据风速相关性确定基准测风塔，接着获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据，然后对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据，最后通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据，由此，可以通过基准测风塔的第一真实观测风速数据、第一模拟风速数据、目标点位的第二模拟风速数据，以及迁移学习神经网络模型进行融合计算，得到目标点位的第一融合时序风速数据，从而通过多数据进行融合计算的方法，有效提高风速计算精度。
[0134]
在本公开一些实施例中，该数据确定模块310可以具体包括数据获取单元和数据确定单元。
[0135]
该数据获取单元可以用于获取多个测风塔在第一预设高度处的时序风速序列，并计算多个测风塔的风速相关性。
[0136]
该数据确定单元可以用于确定风速相关性最大的测风塔为基准测风塔。
[0137]
在本公开一些实施例中，该基于迁移学习的融合风速计算装置300还可以包括第二获取模块。
[0138]
该第二获取模块可以用于在获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据之前，通过计算流体力学方法获取各个点位的模拟风速数据表，模拟风速数据表包括时序风向标签特征，时序风向标签特征为第二预设高度处的中尺度风向数据，模拟风速数据表包括第一模拟风速数据和第二模拟风速数据。
[0139]
在本公开一些实施例中，该第一计算模块330可以具体包括第一计算单元。
[0140]
该第一计算单元可以用于将第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据代入时序风速计算公式，得到目标点位的第一时序风速数据。
[0141]
在本公开一些实施例中，该基于迁移学习的融合风速计算装置300还可以包括模型训练模块和模型处理模块。
[0142]
该模型训练模块可以用于在通过迁移学习神经网络模型对时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据之前，根据基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及融合测风塔的第二真实观测风速数据与第三模拟风速数据，对待训练的神经网络模型进行模型训练，得到训练好的神经网络模型，融合测风塔为多个测风塔中除基准测风塔外的测风塔。
[0143]
该模型处理模块可以用于对训练好的神经网络模型进行迁移学习处理，得到迁移学习神经网络模型。
[0144]
在本公开一些实施例中，该基于迁移学习的融合风速计算装置300还可以包括第三计算模块。
[0145]
该第三计算模块可以用于在对训练好的神经网络模型进行迁移学习处理，得到迁移学习神经网络模型之后，通过测试测风塔的第二时序风速数据和第二融合时序风速数据对迁移学习神经网络模型进行误差分析计算，得到误差结果，误差分析计算为计算第二时序风速数据和第二融合时序风速数据与测试测风塔的第三真实观测风速数据均方根误差。
[0146]
在本公开一些实施例中，该第二计算模块340可以具体包括第二计算单元。
[0147]
该第二计算单元可以用于将第一时序风速数据输入迁移学习神经网络模型，以使迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。
[0148]
需要说明的是，图3所示的基于迁移学习的融合风速计算装置300可以执行图1至图2所示的方法实施例中的各个步骤，并且实现图1至图2所示的方法实施例中的各个过程和效果，在此不做赘述。
[0149]
本公开实施例还提供了一种电子设备，该电子设备可以包括处理器和存储器，存储器可以用于存储可执行指令。其中，处理器可以用于从存储器中读取可执行指令，并执行可执行指令以实现上述实施例中的基于迁移学习的融合风速计算方法。
[0150]
图4示出了本公开实施例提供的一种基于迁移学习的融合风速计算设备的结构示意图。
[0151]
在本公开一些实施例中，图4所示的基于迁移学习的融合风速计算设备可以为用户想要进行风速计算操作的电子设备。其中，电子设备可以包括但不限于诸如笔记本电脑、pda(个人数字助理)、pad(平板电脑)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。
[0152]
如图4所示，该基于迁移学习的融合风速计算设备可以包括处理器401以及存储有计算机程序指令的存储器402。
[0153]
具体地，上述处理器401可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0154]
存储器402可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器402可以包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个及其以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在综合网关设备的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(read-only memory，rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(programmable rom，prom)、可擦除prom(electrical programmable rom，eprom)、电可擦除prom(electrically erasable programmable rom，eeprom)、电可改写rom(electrically alterable rom，earom)或闪存，或者两个或及其以上这些的组合。
[0155]
处理器401通过读取并执行存储器402中存储的计算机程序指令，以执行本公开实施例所提供的基于迁移学习的融合风速计算方法的步骤。
[0156]
在一个示例中，该基于迁移学习的融合风速计算设备还可包括收发器403和总线404。其中，如图4所示，处理器401、存储器402和收发器403通过总线404连接并完成相互间
的通信。
[0157]
总线404包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industrial standard architecture，isa)总线、无限带宽互连、低引脚数(low pin count，lpc)总线、存储器总线、微信道架构(micro channel architecture，mca)总线、外围控件互连(peripheral component interconnect，pci)总线、pci-express(pci-x)总线、串行高级技术附件(serial advanced technology attachment，sata)总线、视频电子标准协会局部(video electronics standards association local bus，vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线404可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0158]
本公开实施例还提供了一种计算机可读存储介质，该存储介质可以存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现本公开实施例所提供的基于迁移学习的融合风速计算方法。
[0159]
上述的存储介质可以例如包括计算机程序指令的存储器402，上述指令可由基于迁移学习的融合风速计算设备的处理器401执行以完成本公开实施例所提供的基于迁移学习的融合风速计算方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(random access memory，ram)、光盘只读存储器(compact disc rom，cd-rom)、磁带、软盘和光数据存储设备等。
[0160]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0161]
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于迁移学习的融合风速计算方法，其特征在于，包括：在多个测风塔中根据风速相关性确定基准测风塔；获取所述基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；对所述第一真实观测风速数据、所述第一模拟风速数据和所述第二模拟风速数据进行时序风速计算，得到所述目标点位的第一时序风速数据；通过迁移学习神经网络模型对所述第一时序风速数据进行模型计算，得到所述目标点位的第一融合时序风速数据。2.根据权利要求1所述的方法，其特征在于，所述在多个测风塔中根据风速相关性确定基准测风塔，包括：获取所述多个测风塔在第一预设高度处的时序风速序列，并计算所述多个测风塔的所述风速相关性；确定所述风速相关性最大的测风塔为所述基准测风塔。3.根据权利要求1所述的方法，其特征在于，在所述获取所述基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据之前，所述方法还包括：通过计算流体力学方法获取各个点位的模拟风速数据表，所述模拟风速数据表包括时序风向标签特征，所述时序风向标签特征为第二预设高度处的中尺度风向数据，所述模拟风速数据表包括所述第一模拟风速数据和所述第二模拟风速数据。4.根据权利要求1所述的方法，其特征在于，所述对所述第一真实观测风速数据、所述第一模拟风速数据和所述第二模拟风速数据进行时序风速计算，得到所述目标点位的第一时序风速数据，包括：将所述第一真实观测风速数据、所述第一模拟风速数据和所述第二模拟风速数据代入时序风速计算公式，得到所述目标点位的第一时序风速数据。5.根据权利要求1所述的方法，其特征在于，在所述通过迁移学习神经网络模型对所述时序风速数据进行模型计算，得到所述目标点位的第一融合时序风速数据之前，所述方法还包括：根据所述基准测风塔的所述第一真实观测风速数据与所述第一模拟风速数据，以及融合测风塔的第二真实观测风速数据与第三模拟风速数据，对待训练的神经网络模型进行模型训练，得到训练好的神经网络模型，所述融合测风塔为所述多个测风塔中除所述基准测风塔外的测风塔；对所述训练好的神经网络模型进行迁移学习处理，得到所述迁移学习神经网络模型。6.根据权利要求5所述的方法，其特征在于，在所述对所述训练好的神经网络模型进行迁移学习处理，得到所述迁移学习神经网络模型之后，所述方法还包括：通过测试测风塔的第二时序风速数据和第二融合时序风速数据对所述迁移学习神经网络模型进行误差分析计算，得到误差结果，所述误差分析计算为计算所述第二时序风速数据和所述第二融合时序风速数据与所述测试测风塔的第三真实观测风速数据均方根误差。7.根据权利要求1所述的方法，其特征在于，所述通过迁移学习神经网络模型对所述第
一时序风速数据进行模型计算，得到所述目标点位的第一融合时序风速数据，包括：将所述第一时序风速数据输入所述迁移学习神经网络模型，以使所述迁移学习神经网络模型对所述第一时序风速数据进行模型计算，得到所述目标点位的所述第一融合时序风速数据。8.一种基于迁移学习的融合风速计算装置，其特征在于，包括：数据确定模块，用于在多个测风塔中根据风速相关性确定基准测风塔；第一获取模块，用于获取所述基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；第一计算模块，用于对所述第一真实观测风速数据、所述第一模拟风速数据和所述第二模拟风速数据进行时序风速计算，得到所述目标点位的第一时序风速数据；第二计算模块，用于通过迁移学习神经网络模型对所述第一时序风速数据进行模型计算，得到所述目标点位的第一融合时序风速数据。9.一种基于迁移学习的融合风速计算设备，其特征在于，包括：处理器；存储器，用于存储可执行指令；其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现上述权利要求1-7中任一项所述的基于迁移学习的融合风速计算方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现上述权利要求1-7中任一项所述的基于迁移学习的融合风速计算方法。

技术总结
本公开涉及一种基于迁移学习的融合风速计算方法、装置、设备及介质。其中，基于迁移学习的融合风速计算方法包括：在多个测风塔中根据风速相关性确定基准测风塔；获取基准测风塔的第一真实观测风速数据与第一模拟风速数据，以及获取目标点位的第二模拟风速数据；对第一真实观测风速数据、第一模拟风速数据和第二模拟风速数据进行时序风速计算，得到目标点位的第一时序风速数据；通过迁移学习神经网络模型对第一时序风速数据进行模型计算，得到目标点位的第一融合时序风速数据。根据本公开实施例，能够通过多数据进行融合计算的方法，有效提高风速计算精度。提高风速计算精度。提高风速计算精度。


技术研发人员：李莉 阎洁 杨舒雯 刘永前 韩爽 孟航 闫亚敏
受保护的技术使用者：华北电力大学
技术研发日：2023.03.09
技术公布日：2023/7/19