湍流强度计算方法、模型训练方法、装置、设备及介质与流程

1.本技术属于风力发电领域，尤其涉及一种湍流强度计算方法、模型训练方法、装置、设备及介质。


背景技术：

2.湍流强度用于描述风速随时间和空间变化的程度，可反映脉动风速的相对强度，是描述大气湍流运动特性的最重要的特征量之一。可通过测风测量并计算得到湍流强度。可利用湍流强度来对风力发电机组进行产能评估或调整控制等业务。
3.现阶段可采用的测风方式有两种，分别为测风塔测风和遥感测风。测风塔测风与遥感测风相比，塔体高度较低，无法获取更高高度的风场信息，产能评估不确定性更高。由于测风塔测风与遥感测风的原理不同，导致测风塔测风测量计算得到的湍流强度与遥感测风测量计算得到的湍流强度不同。但现阶段利用湍流强度进行产能评估或调整控制等的标准是针对测风塔测风测量计算得到的湍流强度建立的。采用遥感测风方式测量计算得到的湍流强度执行业务的准确性会降低。


技术实现要素：

4.本技术实施例提供了一种湍流强度计算方法、模型训练方法、装置、设备及介质，能够提高利用得到的湍流强度执行业务的准确性。
5.第一方面，本技术实施例提供一种湍流强度计算方法，包括：获取遥感测风装置的实测地理数据和遥感测风装置的实测风资源数据；将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准差；根据测风塔的目标风速标准差计算遥感测风装置位置处的湍流强度。
6.在一些可能的实施例中，实测地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的rix指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；实测风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
7.在一些可能的实施例中，实测风资源数据包括风切变指数，获取遥感测风装置的实测风资源数据，包括：获取遥感测风装置采集的高度区域和高度区域对应的风速平均值；利用高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
8.在一些可能的实施例中，风速标准差转换模型包括多个子模型，将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准，包括：将实测地理数据与实测风资源数据分别输入各子模型，得到各子模型输出的测风塔的风速标准差；对各子模型输出的测风塔的风速标准差进行数据整合计算，得到目标风速标准差。
9.第二方面，本技术实施例提供一种模型训练方法，包括：获取多个训练数据组，一个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资
源数据和测风塔的测量风速标准差；利用多个训练数据组对机器学习模型进行训练，得到风速标准差转换模型。
10.在一些可能的实施例中，测量地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的rix指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；测量风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
11.在一些可能的实施例中，测量风资源数据包括风切变指数，在获取多个训练数据组之前，还包括：获取高度区域和高度区域对应的风速平均值；对高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
12.在一些可能的实施例中，机器学习模型包括多个机器学习子模型，利用多个训练数据组对机器学习模型进行训练，得到风速标准差转换模型，包括：利用多个训练数据组对多个机器学习子模型分别进行训练，得到多个候选转换模型；利用测试数据组分别对多个候选转换模型进行交叉验证，得到多个候选转换模型的转换性能指标，转换性能指标用于表征候选模型输出的测风塔的风速标准差的准确性；在多个候选转换模型中选取目标候选转换模型，目标候选转换模型为转换性能指标表征准确性最高的n个候选转换模型，n为大于1的整数；根据目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
13.在一些可能的实施例中，根据目标候选转换模型和数据整合计算算法，得到风速标准差转换模型，包括：获取目标候选转换模型的模型参数；将模型参数的候选取值排列组合，得到多个参数取值组；利用测试数据组和多个参数取值组分别对目标候选转换模型进行交叉验证，得到每个目标候选转换模型的转换性能指标；将目标候选转换模型的转换性能指标表征准确性最高的参数取值组，配置为目标候选转换模型的模型参数的实际值；根据配置实际模型参数的目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
14.第三方面，本技术实施例提供一种湍流强度计算装置，包括：获取模块，用于获取遥感测风装置的实测地理数据和遥感测风装置的实测风资源数据；处理模块，用于将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准差；计算模块，用于根据测风塔的目标风速标准差计算遥感测风装置位置处的湍流强度。
15.在一些可能的实施例中，实测地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的rix指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；实测风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
16.在一些可能的实施例中，实测风资源数据包括风切变指数，获取模块还用于：获取遥感测风装置采集的高度区域和高度区域对应的风速平均值；利用高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
17.在一些可能的实施例中，风速标准差转换模型包括多个子模型，处理模块具体用于：将实测地理数据与实测风资源数据分别输入各子模型，得到各子模型输出的测风塔的风速标准差；对各子模型输出的测风塔的风速标准差进行数据整合计算，得到目标风速标准差。
18.第四方面，本技术实施例提供一种模型训练装置，包括：获取模块，用于获取多个训练数据组，一个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差；训练模块，用于利用多个训练数据组对机器学习模型进行训练，得到风速标准差转换模型。
19.在一些可能的实施例中，测量地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的rix指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶；测量风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
20.在一些可能的实施例中，测量风资源数据包括风切变指数，获取模块还用于：获取高度区域和高度区域对应的风速平均值；对高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
21.在一些可能的实施例中，机器学习模型包括多个机器学习子模型，训练模块具体用于：利用多个训练数据组对多个机器学习子模型分别进行训练，得到多个候选转换模型；利用测试数据组分别对多个候选转换模型进行交叉验证，得到多个候选转换模型的转换性能指标，转换性能指标用于表征候选模型输出的测风塔的风速标准差的准确性；在多个候选转换模型中选取目标候选转换模型，目标候选转换模型为转换性能指标表征准确性最高的n个候选转换模型，n为大于1的整数；根据目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
22.在一些可能的实施例中，训练模块具体用于：获取目标候选转换模型的模型参数；将模型参数的候选取值排列组合，得到多个参数取值组；利用测试数据组和多个参数取值组分别对目标候选转换模型进行交叉验证，得到每个目标候选转换模型的转换性能指标；将目标候选转换模型的转换性能指标表征准确性最高的参数取值组，配置为目标候选转换模型的模型参数的实际值；根据配置实际模型参数的目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
23.第五方面，本技术实施例提供一种湍流强度计算设备，包括：包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现第一方面的技术方案中的湍流强度计算方法。
24.第六方面，本技术实施例提供一种测风塔转换模型训练设备，包括：包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现第二方面的技术方案中的模型训练方法。
25.第七方面，本技术实施例提供一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现第一方面的技术方案中的湍流强度计算方法或第二方面的技术方案中的模型训练方法。
26.本技术实施例提供一种湍流强度计算方法、模型训练方法、装置、设备及介质，可将获取的遥感测风装置的实测地理数据和实测风资源输入预先建立的风速标准差转换模型，得到对应的测风塔的目标风速标准差。由于预先建立的风速标准差模型是利用多个训练数据组训练得到的，每个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差。因此，可通过风速标准差模型将遥感测风装置的测量地理数据和遥感测风装置的测量风资源数据转换为测风塔的风
速标准差。可利用测风塔的风速标准差计算得到遥感测风装置位置处的与测风塔适配的湍流强度，使得该湍流强度适用于基于测风塔测风方式制定的业务标准，提高利用湍流强度执行业务的准确性。
附图说明
27.从下面结合附图对本技术的具体实施方式的描述中可以更好地理解本技术。其中，相同或相似的附图标记表示相同或相似的特征。
28.图1为本技术实施例中激光雷达测风与测风塔测风在山地环境下测量计算得到的湍流强度的对比示意图；
29.图2为本技术一实施例中模型训练方法的流程图；
30.图3为本技术另一实施例中模型训练方法的流程图；
31.图4为本技术实施例中在相同条件下多种方式测量计算得到的湍流强度的对比示意图；
32.图5为本技术一实施例中的湍流强度计算方法的流程图；
33.图6为本技术另一实施例中湍流强度计算方法的流程图；
34.图7为本技术一实施例中模型训练装置的结构示意图；
35.图8为本技术一实施例中湍流强度计算装置的结构示意图；
36.图9为本技术一实施例提供的模型训练设备的结构示意图；
37.图10为本技术一实施例提供的湍流强度计算设备的结构示意图。
具体实施方式
38.下面将详细描述本技术的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本技术的全面理解。但是，对于本领域技术人员来说很明显的是，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术的更好的理解。本技术决不限于下面所提出的任何具体配置和算法，而是在不脱离本技术的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本技术造成不必要的模糊。
39.风力发电将风能转化为电能。为了能够根据更好地实现对风资源的监测，以便能够更好地进行风力发电，需要获取能够描述风速随时间和空间变化程度和反映脉动风速的相对强度的湍流强度。可采用测风技术测量计算得到湍流强度。具体地，测风方式可包括测风塔测风方式和遥感测风方式。其中，测风塔测风方式为利用测风塔测量风能参数的方式。测风塔是一种用于测量风能参数的高耸塔架结构，即一种用于对近地面气流运动情况进行观测、记录的塔形构筑物。遥感测风方式为利用遥感测风装置测风的方式。遥感测风装置具体可包括激光雷达或超声波测风装置等。例如，激光雷达测风以发射脉冲波和接收从目标返回的脉冲波的方式来跟踪上升且随风飘移的气球，借以测量气球在空间中的运动轨迹来确定各高度上自由大气的风向和水平风速。由于测风塔测风和遥感测风的测风原理不同，因此根据测风塔测风技术测量计算得到的湍流强度和根据遥感测风测量计算得到的湍流强度不同。例如，图1为本技术实施例中激光雷达测风与测风塔测风在山地环境下测量计算
得到的湍流强度的对比示意图。如图1所示，横坐标表示风速，纵坐标表示湍流强度。激光雷达测风与测风塔测风在山地环境下测量计算得到的湍流强度差别较大。但后续利用湍流强度进行产能评估或调整控制等业务的标准都是基于测风塔测风方式制定的，并不适用于遥感测风方式测量计算得到的湍流强度。若利用基于测风塔测风方式制定的业务标准和遥感测风测量计算得到的湍流强度执行业务，则会降低业务执行的准确性。
40.本技术实施例提供一种湍流强度计算方法、模型训练方法、装置、设备及介质，可根据遥感测风装置实测的数据，通过预先建立的风速标准差转换模型，转换得到与遥感测风装置实测的数据对应的测风塔的风速标准差，利用转换得到的测风塔的风速标准差来计算湍流强度，从而使得该湍流强度适用于基于测风塔测风方式制定的业务标准，从而提高利用湍流强度执行业务的准确性。
41.风速标准差模型是利用多个训练数据组训练得到的，使得将遥感测风装置实测的数据输入至训练得到的风速标准差转换模型，风速标准差转换模型可输出与遥感测风装置实测的数据对应的测风塔的风速标准差。下面将具体说明训练风速标准差转换模型的方法。
42.本技术实施例提供一种模型训练方法，可由模型训练装置执行。通过模型训练方法可训练得到风速标准差转换模型。将遥感测风装置的地理数据和遥感测风装置的风资源数据输入该风速标准差转换模型，该风速标准差转换模型可输出测风塔的风速标准差。
43.图2为本技术一实施例中模型训练方法的流程图。如图2所示，该模型训练方法可包括步骤s101和步骤s102。
44.在步骤s101中，获取多个训练数据组。
45.训练数据组用于训练得到风速标准差转换模型。一个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差。这里的相同条件具体可指相同的环境条件以及相同的时间等，环境条件可包括地理条件、气象条件等，在此并不限定。即每一个训练数据组中的测量地理数据、测量风资源数据和测风塔的测量风速标准差都是在相同的条件下采集的。每一个训练数据组可为在预定时长内采集的数据组，例如，每10分钟采集一个训练数据组。将采集的多个训练数据组汇集，用于训练得到风速标准差转换模型。训练数据组的数目越多，训练得到的风速标准差转换模型的准确性越高，应获取尽可能多的训练数据组。
46.遥感测风装置的测量地理数据为遥感测风装置所处的位置的地理数据，用于表征遥感测风所处位置的地理情况。在一些示例中，测量地理数据可包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的rix指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶。
47.地形描述用于说明地形情况。地形粗糙度数据用于表征地形的粗糙度。风向所属扇区的rix(即ruggedness index)指数用于表征风向所属扇区的地形的复杂程度。风向所属扇区的坡度为风向所属扇区的坡度。风向所属扇区的最大脊台阶用于表征风向所属扇区的地形。风向所属扇区是预定时长内风的风向所属的扇区。
48.遥感测风装置的测量风资源数据为遥感测风装置测量得到的风资源的特征数据，用于表征遥感测风装置测量的风资源的特征。在一些示例中，测量风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、
高度区域对应的风速标准差、风切变指数。
49.高度区域为两个高度限定的区域，如10米至20米的高度区域。高度区域对应的风速平均值指在该高度区域中预定时长内风速的平均值。高度区域对应的风速标准差指在该高度区域中预定时长内风速的标准差。风切边指数用于表征垂直于风的方向的交叉水平的风速变化。
50.在一些示例中，在测量风资源数据包括风切变指数的情况下，在步骤s101之前，可先计算出风切变指数。具体地，可获取高度区域和高度区域对应的风速平均值，对高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。例如，可利用下面的算式(1)实现拟合计算：
51.u(z)＝βz
α
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
52.其中，u(z)为高度区域对应的风速平均值，z为高度区域即高度区域的高度，β为拟合计算中的截距项，α为风切变指数。通过拟合计算，可计算得到风切变指数。
53.在本技术实施例中，还可将预设时长的测量地理数据和测量风资源数据合并为一条数据，合并后的数据即为一个训练数据组。具体地，训练数据组可采用集合、数组或向量的方式实现，在此并不限定。
54.在步骤s102中，利用多个训练数据组对机器学习模型进行训练，得到风速标准差转换模型。
55.在一些示例中，可利用多个训练数据组对一个机器学习模型进行训练，得到风速标准差转换模型。在另一些示例中，可利用多个训练数据组对两个以上的机器学习模型分别进行训练，根据训练后的输出准确率最高的一个模型，得到风速标准差转换模型。在又一些示例中，可利用多个训练数据组对两个以上的机器学习模型分别进行训练，根据训练后的输出准确率最高的两个以上的模型，得到风速标准差转换模型。
56.机器学习模型具体可包括支持向量回归机(support vactor regression，svr)模型、多层感知器(multi-layer perceptron，mlp)模型、随机森林(即random forest)模型、线性回归(即linear regression)模型、xgboost模型、lightgbm模型或catboost模型等，在此并不限定。xgboost模型为一种优化的分布式梯度增强库模型。lightgbm模型为一种快速的、分布式的、高性能的基于决策树算法的梯度提升框架模型。catboost模型为一种能够很好地处理类别型特征的梯度提升算法库模型。
57.不同类型的机器学习模型对训练模型所采用的数据的格式可能会有标准化的需求。对应地，在利用多个训练数据组对机器学习模型进行训练之前，还可对多个训练数据组中的数据进行标准化处理。具体地，可对训练数据组中的测量地理数据和测量风资源数据分别进行标准化处理，以满足机器学习模型的要求。在步骤s102中可利用包括标准化处理后的数据的训练数据组对机器学习模型进行训练。
58.在一些示例中，可对字符型的数据进行编码处理，以实现标准化处理。例如，在测量地理数据包括地形描述的情况下，地形描述可具体为山地、平地、台地，可对地形描述标准化处理，进行编码，如采用独热编码(即onehotencoder)法，将山地编码为100，将平地编码为010，将台地编码为001，以便于利用地形描述对机器学习模型进行训练。在另一些示例中，对于数值型的数据可采用z-score标准化算法或其他标准化算法进行标准化处理。例如，z-score标准化算法的计算如下面的算式(2)所示：
[0059][0060]
其中，x
*
为标准化后的数据，x为标准化前的数据，μ为数据的平均值，σ为数据的标准差。
[0061]
在本技术实施例中，利用多组相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差，对机器学习模型进行训练，得到风速标准差转换模型。实现了遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据与测风塔的测量风速标准差之间对应关系的建立。使得训练得到的风速标准差转换模型能够在输入遥感测风装置的地理数据和遥感测风装置的风资源数据的情况下，输出对应的测风塔的风速标准差，实现遥感测风装置的地理数据、遥感测风装置的风资源数据与测风塔的风速标准差之间的转换。利用本技术实施例训练得到的风速标准差转换模型输出的测风塔的风速标准差来计算湍流强度，从而使得该湍流强度适用于基于测风塔测风方式制定的业务标准，进而在提高湍流强度的基础上，提高利用湍流强度执行业务的准确性。而且，本技术实施例中训练得到的风速标准差转换模型也使得遥感测风方式能够普及使用，更加符合风力发电领域风资源评估的应用需求。
[0062]
为了进一步提高训练得到的风速标准差转换模型的准确性，可采用包括多个机器学习子模型的机器模型进行训练，从而得到准确性更高的风速标准差转换模型。图3为本技术另一实施例中模型训练方法的流程图。图3与图2的不同之处在于，图2所示的步骤s102可具体细化为图3所示的步骤s1021至步骤s1024。
[0063]
在步骤s1021中，利用多个训练数据组对多个机器学习子模型分别进行训练，得到多个候选转换模型。
[0064]
多个机器学习子模型为不同的机器学习子模型。机器学习子模型的种类在此并不限定，例如，机器学习子模型具体可包括svr模型、mlp模型、random forest模型、linear regression模型、xgboost模型、lightgbm模型或catboost模型等。
[0065]
将多个训练数据组输入机器学习子模型，分别对多个机器学习子模型进行训练。不同的机器学习子模型训练所用的训练数据组可以相同，也可以不同，在此并不限定。每个机器学习子模型经过训练后可对应得到一个候选转换模型。
[0066]
在步骤s1022中，利用测试数据组分别对多个候选转换模型进行交叉验证，得到多个候选转换模型的转换性能指标。
[0067]
测试数据组用于对训练得到的模型进行准确度测试。一个测试数据组包括在相同条件下的遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差。对于一个机器学习子模型，测试数据组中的数据与训练数据组中的数据不同。
[0068]
在一些示例中，可预先收集成组的遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差。每个数据组包括在相同条件下的遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差。可将多个数据组中的一部分数据组作为训练数据组，另一部分数据组作为测试数据组，在此并不限定。
[0069]
在一些示例中，交叉验证具体可采用5折交叉验证的方式进行，但并不限定。
[0070]
通过对多个候选转换模型的交叉验证，可得到每个候选转换模型的转换性能指
标。其中，转换性能指标用于表征候选模型输出的测风塔的风速标准差的准确性。具体地，将测试数据组中的遥感测风装置的测量地理数据和遥感测风装置的测量风资源数据输入候选转换模型，候选转换模型输出转换得到的测风塔的风速标准差。转换性能指标可用于表征转换得到的测风塔的风速标准差和测试数据组中测风塔的测量风速标准差的接近程度。
[0071]
在一些示例中，转换性能指标可采用均方误差(mean-square error，mse)。mse可反映模型的输出值与实际值之间的差异程度。mse的值越小，表示模型的准确性越高。mse的计算如下面的算式(3)所示：
[0072][0073]
其中，mse为mse的值，m为测试数据组的数目，y
i
为测试数据组中实际的测风塔的风速标准差，为候选转换模型输出的测风塔的风速标准差。
[0074]
在步骤s1023中，在多个候选转换模型中选取目标候选转换模型。
[0075]
其中，目标候选转换模型为转换性能指标表征准确性最高的n个候选转换模型，n为大于1的整数。也就是说，在多个候选转换模型中选取转换性能指标表征准确性最高的n个候选转换模型作为目标候选转换模型。转换性能指标表征准确性越高，表示候选转换模型的准确性越高。
[0076]
在步骤s1024中，根据目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
[0077]
目标候选转换模型包括n个候选转换模型。风速标准差转换模型的输出数据可为对n个候选转换模型的输出数据整合处理后的数据。对n个候选转换模型的输出数据的整合处理的算法即为数据整合计算算法。例如，数据整合计算算法可为平均值算法或加权算法等，在此并不限定。
[0078]
通过在多个机器学习子模型中选取准确性最高的n个机器学习子模型，并利用准确性最高的n个机器学习子模型和数据整合计算算法得到风速标准差转换模型，能够提高训练得到的风速标准差转换模型的准确性，提高风速标准差转换模型输出的数据的准确性。
[0079]
为了更进一步提高训练得到的风速标准差转换模型的准确性，可对目标候选模型的模型参数进行优化。具体地，上述步骤s1023可具体细化为：获取目标候选转换模型的模型参数；将模型参数的候选取值排列组合，得到多个参数取值组；利用测试数据组和多个参数取值组分别对目标候选转换模型进行交叉验证，得到每个目标候选转换模型的转换性能指标；将目标候选转换模型的转换性能指标表征准确性最高的参数取值组，配置为目标候选转换模型的模型参数的实际值；根据配置实际模型参数的目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
[0080]
目标候选转换模型的模型参数与目标候选转换模型相关，不同的目标候选转换模型的模型参数可能不同，在此并不限定。例如，若目标候选转换模型包括xgboost模型，xgboost模型的模型参数可包括max_depth、min_child_weight、gamma和reg_lambda。又例如，若目标候选转换模型包括lightgbm模型，lightgbm模型的模型参数可包括num_leaves、
max_depth、min_child_weight、reg_alpha和reg_lambda。再例如，若目标候选转换模型包括catboost模型，catboost模型的模型参数可包括deepth和l2_leaf_reg。
[0081]
每个模型参数的候选取值可有多个。可将各模型参数的候选取值排列组合，得到模型参数的候选取值所有可能的组合即参数取值组。利用测试数据组对代入不同参数取值组的目标候选转换模型进行测试，得到不同参数取值组对应的目标候选转换模型的转换性能指标。转换性能指标表征的准确性越高，表示采用该参数取值组的目标候选转换模型的准确性越高。配置表征准确性最高的参数取值组的目标候选转换模型即为准确性最高的目标候选转换模型。
[0082]
下面以一示例进行说明。例如，机器学习模型包括七个机器学习子模型，七个机器学习子模型分别为svr模型、mlp模型、random forest模型、linear regression模型、xgboost模型、lightgbm模型和catboost模型。利用训练数据组对每个机器学习子模型进行训练。利用训练数据组对训练后的七个机器学习子模型进行交叉验证，得到训练后的七个机器学习子模型的mse，选取其中mse的值最小的三个机器学习模型，分别为xgboost模型、lightgbm模型和catboost模型，作为目标候选转换模型。对xgboost模型、lightgbm模型和catboost模型的模型参数的候选取值进行排列组合。将对个参数取值组分别代入xgboost模型、lightgbm模型和catboost模型，以根据代入参数取值组后的xgboost模型、lightgbm模型和catboost模型的mse，得到最优的参数取值组作为xgboost模型、lightgbm模型和catboost模型的模型参数的实际值。将平均值算法作为数据整合计算算法，即将多个目标候选转换模型的输出数据取平均值，作为训练得到的风速标准差转换模型的输出数据。
[0083]
为了说明利用本技术实施例中训练得到的风速标准差转换模型输出的风速标准差计算得到的湍流强度的高准确性，下面以一示例说明。图4为本技术实施例中在相同条件下多种方式测量计算得到的湍流强度的对比示意图。如图4所示，方式一为激光雷达测量计算得到的湍流强度；方式二为利用xgboost模型训练得到的风速标准差转换模型输出的风速标准差计算得到的湍流强度；方式三为利用lightgbm模型训练得到的风速标准差转换模型输出的风速标准差计算得到的湍流强度；方式四为利用catboost模型训练得到的风速标准差转换模型输出的风速标准差计算得到的湍流强度；方式五为利用包括xgboost模型、lightgbm模型和catboost模型的模型训练得到的风速标准差转换模型输出的风速标准差计算得到的湍流强度。
[0084]
表一示出了在相同条件下，xgboost模型、lightgbm模型、catboost模型以及利用包括xgboost模型、lightgbm模型和catboost模型的模型训练得到的风速标准差转换模型分别对应的mse的值。由图4和表一可得，方式五对应的湍流强度与实际湍流强度最为接近，利用包括xgboost模型、lightgbm模型和catboost模型的模型训练得到的风速标准差转换模型的准确性最高，可以证明采用包括多个子模型的风速标准差转换模型输出的风速标准差计算得到的湍流强度的准确性得到提高。
[0085]
本技术实施例还提供了一种湍流强度计算方法，可利用上述实施例中训练得到的风速标准差转换模型输出的测风塔的目标风速标准差，计算湍流强度。
[0086]
图5为本技术一实施例中的湍流强度计算方法的流程图。如图5所示，该湍流强度计算方法可包括步骤s201至步骤s203。
[0087]
在步骤s201中，获取遥感测风装置的实测地理数据和遥感测风装置的实测风资源
数据。
[0088]
遥感测风装置的实测地理数据为遥感测风装置所处的位置的地理数据。实测地理数据与上述实施例中测量地理数据的不同之处在于，实测地理数据是待测数据，用于在未知测风塔的风速标准差的情况下，将实测地理数据输入风速标准差转换模型，以得到对应的测风塔的目标风速标准差。
[0089]
在一些示例中，实测地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的rix指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶。实测地理数据的具体说明可参考上述实施例中的测量地理数据的相关说明，在此不再赘述。
[0090]
遥感测风装置的实测风资源数据为遥感测风装置测量得到的风资源的特征数据，用于表征遥感测风装置测量的风资源的特征。实测风资源数据与上述实施例中测量风资源数据的不同之处在于，实测风资源数据是待测数据，用于在未知测风塔的风速标准差的情况下，将实测风资源数据输入风速标准差转换模型，以得到对应的测风塔的目标风速标准差。
[0091]
在一些示例中，实测风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。实测风资源数据的具体说明可参考上述实施例中的测量风资源数据的相关说明，在此不再赘述。
[0092]
在一些示例中，在实测风资源数据包括风切变指数的情况下，上述获取遥感测风装置的实测风资源数据的步骤可细化为：获取遥感测风装置采集的高度区域和高度区域对应的风速平均值；利用高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
[0093]
风切变指数以及风切变指数的计算方法可参见上述实施例中的相关说明，在此不再赘述。
[0094]
在一些示例中，可将预设时长的实测地理数据和实测风资源数据合并为一条数据。具体地，合并后的数据可采用集合、数组或向量的方式实现，在此并不限定。
[0095]
在步骤s202中，将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准差。
[0096]
预先建立的风速标准差转换模型用于输入实测地理数据和实测风资源数据，输出对应的测风塔的目标风速标准差。该风速标准差是利用多个训练数据组和机器学习模型训练得到的。风速标准差转换模型的训练可参见上述实施例，在此不再赘述。
[0097]
风速标准差转换模型可能会对输入的数据的格式有标准化的要求，对应地，在将实测地理数据与实测风资源数据输入风速标准差转换模型之前，可对实测地理数据与实测风资源数据进行标准化处理。标准化处理的具体内容可参见上述实施例中的相关说明，在此不再赘述。
[0098]
在步骤s203中，根据测风塔的目标风速标准差计算遥感测风装置位置处的湍流强度。
[0099]
根据步骤s202中得到的测风塔的目标风速标准差，结合与测风塔适配的湍流强度计算方法，可计算得到遥感测风装置位置处的与测风塔适配的湍流强度。
[0100]
在本技术实施例中，可将获取的遥感测风装置的实测地理数据和实测风资源输入
预先建立的风速标准差转换模型，得到对应的测风塔的目标风速标准差。由于预先建立的风速标准差模型是利用多个训练数据组训练得到的，每个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差。因此，可通过风速标准差模型将遥感测风装置的测量地理数据和遥感测风装置的测量风资源数据转换为测风塔的风速标准差。可利用测风塔的风速标准差计算得到遥感测风装置位置处的与测风塔适配的湍流强度，使得该湍流强度适用于基于测风塔测风方式制定的业务标准，进而在提高湍流强度的基础上，提高利用湍流强度执行业务的准确性。而且，本技术实施例中训练得到的风速标准差转换模型也使得遥感测风方式能够普及使用，更加符合风力发电领域风资源评估的应用需求。
[0101]
图6为本技术另一实施例中湍流强度计算方法的流程图。本技术实施例中的风速标准差转换模型包括多个子模型。图6与图5的不同之处在于，图5中的步骤s202可具体细化为图6中的步骤s2021和步骤s2022。
[0102]
在步骤s2021中，将实测地理数据与实测风资源数据分别输入各子模型，得到各子模型输出的测风塔的风速标准差。
[0103]
在风速标准差转换模型包括多个子模型的情况下，可将实测地理数据与实测风资源数据分别输入各子模型，各子模型均会输出测风塔的风速标准差。各子模型的训练方法可参见上述实施例中对目标候选转换模型进行训练的相关内容，在此不再赘述。
[0104]
在步骤s2022中，对各子模型输出的测风塔的风速标准差进行数据整合计算，得到目标风速标准差。
[0105]
数据整合计算为将各子模型输出的测风塔的风速标准差整合的计算方法。具体地，可采用平均值算法或加权算法，在此并不限定。在一些示例中，若采用平均值算法对各子模型输出的测风塔的风速标准差进行整合，则风速标准差转换模型输出的目标风速标准差为各子模型输出的测风塔的风速标准差的平均值。例如，风速标准差转换模型包括3个子模型，3个子模型分别输出的测风塔的风速标准差为a1、a2和a3，则风速标准差转换模型输出的目标风速标准差＝1/3
×
(a1+a2+a3)。
[0106]
本技术实施例还提供一种模型训练装置。图7为本技术一实施例中模型训练装置的结构示意图。如图7所示，该模型训练装置300可包括获取模块301和训练模块302。
[0107]
获取模块301可用于获取多个训练数据组。
[0108]
一个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差。
[0109]
训练模块302可用于利用多个训练数据组对机器学习模型进行训练，得到风速标准差转换模型。
[0110]
在本技术实施例中，利用多组相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差，对机器学习模型进行训练，得到风速标准差转换模型。实现了遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据与测风塔的测量风速标准差之间对应关系的建立。使得训练得到的风速标准差转换模型能够在输入遥感测风装置的地理数据和遥感测风装置的风资源数据的情况下，输出对应的测风塔的风速标准差，实现遥感测风装置的地理数据、遥感测风装置的风资源数据与测风塔的风速标准差之间的转换。利用本技术实施例训练得到的风速标准差转换模型输出的测
风塔的风速标准差来计算湍流强度，从而使得该湍流强度适用于基于测风塔测风方式制定的业务标准，进而在提高湍流强度的基础上，提高利用湍流强度执行业务的准确性。而且，本技术实施例中训练得到的风速标准差转换模型也使得遥感测风方式能够普及使用，更加符合风力发电领域风资源评估的应用需求。
[0111]
在一些示例中，测量地理数据包括以下一项或多项：海拔、地形描述、地形粗糙度、风向所属扇区的rix指数、风向所属扇区的坡度、风向所属扇区的最大脊台阶。
[0112]
在一些示例中，测量风资源数据包括以下一项或多项：湿度、温度、压强、高度区域、高度区域对应的风速平均值、高度区域对应的风向、高度区域对应的风速标准差、风切变指数。
[0113]
在一些示例中，测量风资源数据包括风切变指数。获取模块301还可用于：获取高度区域和高度区域对应的风速平均值；对高度区域和高度区域对应的风速平均值进行拟合计算，得到风切变指数。
[0114]
在一些示例中，机器学习模型包括多个机器学习子模型。训练模块302可具体用于：利用多个训练数据组对多个机器学习子模型分别进行训练，得到多个候选转换模型；利用测试数据组分别对多个候选转换模型进行交叉验证，得到多个候选转换模型的转换性能指标，转换性能指标用于表征候选模型输出的测风塔的风速标准差的准确性；在多个候选转换模型中选取目标候选转换模型，目标候选转换模型为转换性能指标表征准确性最高的n个候选转换模型，n为大于1的整数；根据目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
[0115]
在一些示例中，训练模块302可具体用于：获取目标候选转换模型的模型参数；将模型参数的候选取值排列组合，得到多个参数取值组；利用测试数据组和多个参数取值组分别对目标候选转换模型进行交叉验证，得到每个目标候选转换模型的转换性能指标；将目标候选转换模型的转换性能指标表征准确性最高的参数取值组，配置为目标候选转换模型的模型参数的实际值；根据配置实际模型参数的目标候选转换模型和数据整合计算算法，得到风速标准差转换模型。
[0116]
本技术实施例还提供一种湍流强度计算装置。图8为本技术一实施例中湍流强度计算装置的结构示意图。如图8所示，该湍流强度计算装置400可包括获取模块401、处理模块402和计算模块403
[0117]
获取模块401可用于获取遥感测风装置的实测地理数据和遥感测风装置的实测风资源数据；
[0118]
处理模块402可用于将实测地理数据与实测风资源数据输入预先建立的风速标准差转换模型，得到测风塔的目标风速标准差；
[0119]
计算模块403可用于根据测风塔的目标风速标准差计算遥感测风装置位置处的湍流强度。
[0120]
在本技术实施例中，可将获取的遥感测风装置的实测地理数据和实测风资源输入预先建立的风速标准差转换模型，得到对应的测风塔的目标风速标准差。由于预先建立的风速标准差模型是利用多个训练数据组训练得到的，每个训练数据组包括在相同条件下遥感测风装置的测量地理数据、遥感测风装置的测量风资源数据和测风塔的测量风速标准差。因此，可通过风速标准差模型将遥感测风装置的测量地理数据和遥感测风装置的测量
express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(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504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。
[0132]
本技术实施例还提供了一种湍流强度计算设备。图10为本技术一实施例提供的湍流强度计算设备的结构示意图。如图10所示，湍流强度计算设备600包括存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
[0133]
在一个示例中，上述处理器602可以包括中央处理器(cpu)，或者特定集成电路(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。
[0134]
存储器601可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器601可包括hdd、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器601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601可在终端热点开启湍流强度计算设备600的内部或外部。在特定实施例中，存储器601是非易失性固态存储器。在特定实施例中，存储器601包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
[0135]
处理器602通过读取存储器601中存储的可执行程序代码来运行与可执行程序代码对应的程序或指令，以用于实现上述实施例中的湍流强度计算方法。
[0136]
在一个示例中，湍流强度计算设备600还可包括通信接口603和总线604。其中，如图10所示，存储器601、处理器602、通信接口603通过总线604连接并完成相互间的通信。
[0137]
通信接口603，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口603接入输入设备和/或输出设备。
[0138]
总线604包括硬件、软件或两者，将湍流强度计算设备600的部件彼此耦接在一起。举例来说而非限制，总线604可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(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604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。
[0139]
本技术实施例还提供一种可读存储介质。该可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述模型训练方法实施例的各个过程或上述湍流强度计算方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，可读存储介质可具体包括只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0140]
需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例、设备实施例和可读存储介质实施例而言，相关之处可以参见方法实施
例的说明部分。本技术并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本技术的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。
[0141]
本领域技术人员应能理解，上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合，以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上，应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中，术语“包括”并不排除其他装置或步骤；数量词“一个”不排除多个；术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。