一种用于风电场微观选址的边界轮廓图像信息处理方法

摘要

本发明涉及一种用于风电场微观选址的边界轮廓图像信息处理方法，包括以下步骤：1)处理器从数据库中获取电子地图，通过边缘检测技术提取该电子地图中风电场边界轮廓的图像信息，进而计算出风电场边界轮廓曲线；2)对获得的风电场边界轮廓曲线进行最优多边形拟合；3)根据拟合得到的最优多边形建立风电场边界约束模型，判断风机位置是否在风电场内。与现有技术相比，本发明解决了现有连续微观选址方法无法处理不规则形状风电场边界约束的问题，能够获得最优的风电场微观选址。

说明书

技术领域

本发明涉及一种风电场微观选址技术，尤其是涉及一种用于风电场微观选址的边界轮廓图像信息处理方法。

背景技术

风电场微观选址是在选定的区域中根据风能资源分布，实现最优风机位置排布来达到风机产能的最大化，从而使整个风电场具有最优的经济效益。风电场微观选址优化是风电产业合理规划的关键科学与技术问题，决定了风电场产能的大小和风资源的利用效率。

目前，国际上还没有建立起关于微观选址的统一规范和标准，企业进行风机位置排布时多采用离散网格选址方法，然而网格的最优大小和方向难以确定，无法取到最优的风机选址。连续微观选址方法克服了离散网格带来的问题，但缺少处理不规则形状风电场边界约束的技术。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于风电场微观选址的边界轮廓图像信息处理方法。

本发明的目的可以通过以下技术方案来实现：

一种用于风电场微观选址的边界轮廓图像信息处理方法，包括以下步骤：

1)处理器从数据库中获取电子地图，通过边缘检测技术提取该电子地图中风电场边界轮廓的图像信息，进而计算出风电场边界轮廓曲线；

2)对获得的风电场边界轮廓曲线进行最优多边形拟合；

3)根据拟合得到的最优多边形建立风电场边界约束模型，判断风机位置是否在风电场内。

步骤1)中图像信息的提取包括以下步骤：

11)边缘检测：基于Canny边缘检测算子提取电子地图中风电场的边界轮廓，然后将边界轮廓的图像坐标系转换为直角坐标系，存储所提取的边界轮廓像素点在直角坐标系下的坐标；

12)轮廓追踪：根据相邻像素点之间的距离对11)中存储的风电场边界轮廓进行轮廓追踪，判断像素点之间是否衔接，获取风电场边界轮廓曲线；

13)抗锯齿平滑处理：基于缩减采样技术对步骤12)得到的风电场边界轮廓曲线进行抗锯齿平滑处理。

步骤12)中若相邻像素点之间的距离不大于单位像素，则相邻像素点之间相互衔接。

步骤2)中最优多边形拟合具体包括以下步骤：

21)根据处理器处理得到的风电场边界轮廓曲线S获取实际风电场的边界轮廓曲线P，具体公式为：

P＝λS＝[p₁，p₂，…，p_N]

其中，S＝[s₁，s₂，…，s_N]，s和p为边界轮廓曲线的顶点，N为边界轮廓曲线的顶点数，λ为电子地图的比例尺。

22)根据拟合精度，并采用SPPA-2(Shortest Path Polygonal Approximation withTwo run algorithm)算法从实际风电场的边界轮廓曲线P中计算出最优拟合多边形Q＝[q₁，q₂，…，q₁，…，q_M]，其中，q为最优拟合多边形的顶点，M为顶点数。

步骤3)中的风电场边界约束模型包括单边界约束模型和多边界约束模型，所述的单边界约束模型仅包括一个边界轮廓曲线，所述的多边界约束模型包括至少两个边界轮廓曲线。

步骤3)中风机位置的判断过程为：根据由风机位置引出的射线与风电场边界轮廓曲线的最优拟合多边形的交点个数来判断风机位置是否在风电场内，若交点个数为奇数，则风机位置在风电场内，若交点个数为偶数，则风机位置在风电场外。

与现有技术相比，本发明解决了现有连续微观选址方法无法处理不规则形状风电场边界约束的问题，能够获得最优的风电场微观选址。

附图说明

图1为本发明的处理流程图；

图2为本发明获取风电场边界轮廓曲线的具体步骤；

图3为本发明进行最优多边形拟合的具体步骤；

图4为单边界约束模型判断风机位置的原理图；

图5为英国Ironstone风电场的微观选址示例图；

图6为英国Shepham风电场的微观选址示例图。

具体实施方式

下面结合附图和具体实施方案对本发明进行详细说明。

实施方案

如图1所示，一种用于风电场微观选址的边界轮廓图像信息处理方法，包括以下步骤：

步骤1；处理器从数据库中获取电子地图，通过边缘检测技术提取该电子地图中风电场边界轮廓的图像信息，进而计算出风电场边界轮廓曲线，其详细步骤如图2所示：

11)边缘检测：基于Canny边缘检测算子提取电子地图中风电场的边界轮廓，然后将边界轮廓的图像坐标系转换为直角坐标系，并存储所提取的边界轮廓像素点在直角坐标系下的坐标；

12)轮廓追踪：根据相邻像素点之间的距离对11)中存储的风电场边界轮廓进行轮廓追踪，，判断像素点之间是否衔接，获取边界轮廓曲线，若相邻像素点之间的距离不大于单位像素，则相邻像素点之间相互衔接，由于在11)会得到两条轮廓曲线，此处只对最外的轮廓曲线作处理；

13)抗锯齿平滑处理：基于缩减采样技术对12)得到的边界轮廓曲线进行抗锯齿平滑处理。

步骤2：由于步骤1计算输出的风电场边界轮廓曲线所包含的顶点数量过于冗余，为了减少风电场微观选址的运算复杂度，因此对获得的风电场边界轮廓曲线进行最优多边形拟合，其具体的步骤如图3：

首先，输入由步骤1得到的风电场边界轮廓曲线链表为S＝[s₁，s₂，…，s_N]，处理器则根据该风电场边界轮廓曲线S获取实际风电场的轮廓曲线P＝λS＝[p₁，p₂，…，p_N]，其中，s和p为边界轮廓曲线上的顶点，N为边界轮廓曲线的顶点数，λ为电子地图的比例尺。

然后，根据拟合精度，并采用SPPA-2算法从实际风电场的边界轮廓曲线P中计算出最优拟合多边形Q＝[q₁，q₂，…，q₁，…，q_M]，其中，q为最优拟合多边形的顶点，M为顶点数。Q为P的一个最小子集，用于表示拟合的风电场轮廓曲线，拟合后边界轮廓图像信息的压缩比

最后，输出该最优拟合多边形。

步骤3：在获得风电场轮廓曲线的最优拟合多边形后，则可以建立风电场边界约束模型，判断风机的位置是否在风电场内，其判断方法采用奇偶交点计数法：根据由风机位置引出的射线与风电场边界轮廓曲线的最优拟合多边形的交点个数来判断风机位置是否在风电场内，若交点个数为奇数，则风机位置在风电场内，若交点个数为偶数，则风机位置在风电场外。

风电场边界约束模型包括两种，分别为：

1、单边界约束模型，只考虑一个最优拟合多边形，即风电场只存在单个边界约束，如图4所示，则风机位置判断思想如下：

由风机T1所代表的二维坐标点垂直向上做一条射线，然后计算多边形ABCDE与T1的交点数。若T1与多边形ABCDE的交点数为奇数，则其在多边形ABCDE内，否则在外。这里，T1与多边形ABCDE的交点数为1，故其在多边形内部，T2的交点数为2，故其在多边形外部。如图5所示的英国Ironstone风电场，即为采用单边界约束模型的一个微观选址示例。

2、多边界约束模型，一个大型的风电场可能会规划出若干个子风场，并且每个子风场会有若干个禁止区域不允许安装风机，即风电场存在多边界约束。假设一个风电场有M_w个互不相交的子风电场，并且第k个子风电场内部有n_k个禁止区域，这个风电场在对其所包含的所有子风电场和禁止区域的边界轮廓逐次进行最优多边形拟合后，所得拟合多边形的总个数为

$>N_w=M_w+\underset{k=1}{\overset{M_w}{\Sigma }}{n}_k$>

其中M_w≥1，n_k≥0，k＝(1，2，…，M_w)。显然每台风机必须安装在某个子风电场内部，并且在N_w-M_w个禁止区域之外。为了搜索每台风机在整个风电场中的全局最优安装位置，优化算法必须同时搜索M_w个子风电场中的允许区域，因此对于多边界约束模型中的每台风机，在一次搜索中存在M_w个候选允许安装区域。设Δ_k表示第k个子风电场的区域允许算子，则

其中δ_k∈{0，1}，δ_k＝1表示第k个子风电场被选为风机的当前允许安装区域。Δ_k的M_w+1～N_w列元素代表风电场的所有禁止安装区域，因此都为0。综合所有区域允许算子，整个风电场的区域允许矩阵为

$>\Delta =\left(\begin{array}{c}{\Delta }_1\\ {\Delta }_2\\ .\\ .\\ .\\ {\Delta }_k\\ .\\ .\\ .\\ {\Delta }_{M_w}\end{array}\right)={\left(\begin{array}{cc}{E}_{M_w\times M_w}& 0\end{array}\right)}_{M_w\times N_w}$>

其中E为单位矩阵，显然Δ的秩Rank(Δ)＝M_w，Δ称为风电场区域特征矩阵，且是一个常数矩阵，由风电场区域特征唯一确定。

根据风电场区域特征矩阵Δ判断某个风机选址z是否在风电场允许区域Q内，其中$>z=[z_1,z_2,...,z_i,...,z_{N_i}]=[(x_1,y_1),(x_2,y_2),...,(x_i,y_i),...,(x_{N_i},y_{N_i})],$>N_i为风机台数，z_i为第i台风机的安装位置，(x，y)为直角坐标系的坐标，并且为风电场的所有N_w个子风电场和禁止区域边界轮廓的最优拟合多边形。那么针对Q中的每个多边形Q_h利用单边界约束模型，逐次计算可得选址结果z和整个风电场Q的相对位置关系矩阵：

这里θ_ih∈{0，1}，θ_ih＝1表示第i台风机在第h个多边形内，θ_ih＝0则相反，Θ_i·为第i行行向量。根据风电场区域特征矩阵Δ和相对位置关系矩阵Θ，第i台风机安装位置相对整个风电场的可行度为；

$>{\gamma }_i=\left(\begin{array}{cc}1+M_w-\mathrm{Rank}{\left(\begin{array}{c}\Delta \\ {\Theta }_{i·}\end{array}\right)}_{(M_w+1)\times N_w},& {\text{Θ}}_{i·}\ne 0\\ 0,& {\Theta }_{i·}=0\end{array}\right)$>

其中γ_i∈{0，1}，γ_i＝1表示第i台风机在风电场允许安装区域内，γ_i＝0则相反。因此，选址结果z的违规风机台数为：

$>B\left(z\right)=N_i-\underset{i=1}{\overset{N_i}{\Sigma }}{\gamma }_i$>

这里B(z)∈[0，N_i]，是选址结果z的边界约束违规程度。如图6所示的英国Shepham风电场，即采用多边界约束模型的一个微观选址示例。