本发明涉及风电开发技术领域，特别涉及一种基于无人机摄像成图的风电场微观选址方法。
背景技术：
风能是因空气流做功而提供给人类的一种可利用的能量，属于可再生能源。空气流具有的动能称风能。空气流速越高，动能越大。人们可以用风电机组把风的动能转化为旋转的动作去推动发电机，以产生电力。到2008年为止，全世界以风力产生的电力约有94.1百万千瓦，供应的电力已超过全世界用量的1%。
在风电机组项目中，需要重点管理的有：风电场的微观选址；风机基础地基处理；风机塔筒、叶片，机舱体的运输及吊装的安装等问题；其中风电场的微观选址需要进行大量的工作；由于很多风电机组项目在山区，地形复杂，条件恶劣，导致风电场的选址问题较为复杂；其中，风力发电电场选址一般要求年平均风速在6米/秒以上(60-70米高度)，山区在5.8米/秒以上，年平均有效风能功率密度在150瓦/平方米以上，每台风机的平均间距为叶片直径的4-6倍，并网条件好，要求风电场直接接入的电网不超过20公里，离居民区300米以上的距离，另外，还需要考虑电价、风向、地形、地质、气候、环境以及道路交通等一系列因素，因此风电项目选址非常重要。
目前现有技术中对风电场的微观选址一般都是基于风能资源来考虑，如cn201510422396.3一种高海拔山地风电场微观选址方法包括：步骤s1，测风数据分析；步骤s2，风能资源模拟；步骤s3，机组选型；步骤s4，确定有效开发区域；步骤s5，风电机组优化排布；提高土地和风能资源利用率，实现投资效益最大化；然而由于很多地形的复杂化，现有方法并不能实现风电场微观选址的优化处理。
技术实现要素：
本发明的目的是为了解决上述现有技术的不足而提供一种基于无人机摄像成图的风电场微观选址方法。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于无人机摄像成图的风电场微观选址方法，通过低空无人机采集航空影像数据，根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到预处理图像；预处理图像结合pos数据与地面rtk布点数据完成空中三角测量；通过数据处理得到dsm点云数据和dom点云数据；通过dsm点云数据和dom点云数据导入成图软件得到dlg数据；基于dsm点云数据和dom点云数据进行精细化处理得到dsm模型和dom模型，生成三维地图；结合dsm模型与流体力学进行分析模拟，在三维地图上进行风电机组叠加初步选定布局位置；根据初步选定的布局位置结合环境敏感因素，再次进行风电机组叠直到最终确定设计方案。
以上技术方案中优选的，所述低空无人机采集航空影像数据时，s1，划定目标区域形状和面积，进行无人机航线的像控点设置；s2，计算并确定无人机飞行的高度以及无人机的飞行速度；s3，同一目标区域设置两条相互平行的无人机航线；至少两个无人机沿两条航线飞行，并采集航空影像数据。其中，无人机采用倾斜摄影，当一组无人机飞行时，尽量保持两个无人机平行飞行，一组无人机对同一目标区域进行拍摄，拍摄后得到多组相对应的航空影像数据。
进一步优选的，同一目标区域采集的所述航空影像数据至少包括两组畸变影像图像；同一组的畸变影像图像根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到一组纠偏图像；将不同组的所述纠偏图像随机进行叠加拟合得到多个具有exif信息的预备图像；通过开源的基于深度学习的卷积神经网络技术对多个预备图像进行识别，得到至少两个待选预备图像，选取其中一个作为预处理图像；采用最小二乘原理，将畸变影像图像整体平差，将相机畸变参数，相机内外方位元素，畸变影像图像标记点坐标，通过平差迭代，计算出镜头畸变参数。
以上技术方案中优选的，所述项目参数包括相机参数，像控点参数。
以上技术方案中优选的，所述dsm模型和dom模型需达到1:2000比例尺精度要求。以上技术方案中优选的，将dlg数据等高划分后，同一层高进行风电机组叠加，并基于cfd方法对目标区域风能资源进行模拟分析；然后进行风电机组安装位置选定；将上述风电机组叠加至三维原始地图，剔除噪声数据；上述噪声数据包括无法实际进行安装的风电机组安装坐标；在进行目标区域风能资源模拟分析是，还应当考虑风电机组的高度，叶轮的直径，风电机组之间的距离等问题。
以上技术方案中优选的，所述噪声数据还包括环境敏感因素，所述环境敏感因素包括自然保护区，军事禁区、宗教民俗区。
本发明提供的技术方案带来的有益效果是：
1、本发明采用目标区域影响双采集模式，避免了单一无人机获取影像时由于风力等因素造成的偏差，本方法对同一组数据分别进行纠偏，通过多次拟合比对后，得到高精准的三维地图以及dsm模型和dom模型，更有利于室内选址时对实际地形的掌握，减少了实际现场需要的人力成本和时间成本；为风电场微观选址提供了支持。
2、本发明基于cfd方法对目标区域风能资源进行模拟分析，通过dlg数据对风电机组安装位置进行选定，保证了风能资源利用效率；并且通过dsm模型、dom模型以及三维地图结合环境敏感因素对风电机组安装位置进行多次叠加选择，优化风电机组安装位置，提高了风电场微观选址的整体收益。
具体实施方式
本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例具体包括一种基于无人机摄像成图的风电场微观选址方法，通过以下方法实现：本发明通过低空无人机采集航空影像数据，获取的原始影像数据格式一般为：jpg、bmp、tif等格式，优选tif格式。然后将原始影像数据根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到预处理图像；其中无人机航空拍摄的相机为非量测相机，通过pixelgrid主程序进行畸变差纠正；项目参数包括相机参数，像控点参数等。
预处理图像结合pos数据与地面rtk布点数据完成空中三角测量；通过数据处理得到dsm点云数据和dom点云数据；通过dsm点云数据和dom点云数据导入成图软件得到dlg数据；基于dsm点云数据和dom点云数据进行精细化处理得到dsm模型和dom模型，生成三维地图。
结合dsm模型与流体力学进行分析模拟，在三维地图上进行风电机组叠加初步选定布局位置；根据初步选定的布局位置结合环境敏感因素，再次进行风电机组叠直到最终确定设计方案。
其中，低空无人机采集航空影像数据时，s1，划定目标区域形状和面积，进行无人机航线的像控点设置；s2，计算并确定无人机飞行的高度以及无人机的飞行速度；s3，同一目标区域设置两条相互平行的无人机航线；至少两个无人机沿两条航线飞行，并采集航空影像数据。其中，无人机采用倾斜摄影，当一组无人机飞行时，尽量保持两个无人机平行飞行，一组无人机对同一目标区域进行拍摄，拍摄后得到多组相对应的航空影像数据。
同一目标区域采集的航空影像数据至少包括两组畸变影像图像，本实施例采用四组畸变影像图像；同一组的畸变影像图像根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到一组纠偏图像；将不同组的所述纠偏图像随机进行叠加拟合得到多个具有exif信息的预备图像；通过开源的基于深度学习的卷积神经网络技术对多个预备图像进行识别，得到至少两个待选预备图像，选取其中一个作为预处理图像；采用最小二乘原理，将畸变影像图像整体平差，将相机畸变参数，相机内外方位元素，畸变影像图像标记点坐标，通过平差迭代，计算出镜头畸变参数。
根据实际拟合情况，本实施例中dsm模型和dom模型需达到1:2000比例尺精度要求；采用目标区域影响双采集模式，避免了单一无人机获取影像时由于风力等因素造成的偏差，本方法对同一组数据分别进行纠偏，通过多次拟合比对后，得到高精准的三维地图以及dsm模型和dom模型，更有利于室内选址时对实际地形的掌握，减少了实际现场需要的人力成本和时间成本；为风电场微观选址提供了支持。
在进行风电机组安装位置选定时，先将dlg数据等高划分后，同一层高进行风电机组叠加，并基于cfd方法对目标区域风能资源进行模拟分析；然后进行风电机组安装位置选定；将上述风电机组叠加至三维原始地图，剔除噪声数据；上述噪声数据包括无法实际进行安装的风电机组安装坐标等；如安装难度系数过大，不利于设备运输；又如安装后可能破坏原有地形地貌或者生态环境等情况。
在进行目标区域风能资源模拟分析时，还应当考虑风电机组的高度，叶轮的直径，风电机组之间的距离等问题；其中噪声数据还包括环境敏感因素，所述环境敏感因素包括自然保护区，军事禁区、宗教民俗区；在进行风电机组安装位置选定时，还需要充分考虑到自然保护区，军事禁区、宗教民俗区等，应当进行规避，同时还要考虑到风电机组之间的距离，风电机组与居民区之间的距离等。
基于cfd方法对目标区域风能资源进行模拟分析，通过dlg数据对风电机组安装位置进行选定，保证了风能资源利用效率；并且通过dsm模型、dom模型以及三维地图结合环境敏感因素对风电机组安装位置进行多次叠加选择，一般叠加次数不少于3次，优化风电机组安装位置，提高了风电场微观选址的整体收益。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于无人机摄像成图的风电场微观选址方法，其特征在于：通过低空无人机采集航空影像数据，根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到预处理图像；预处理图像结合pos数据与地面rtk布点数据完成空中三角测量；通过数据处理得到dsm点云数据和dom点云数据；通过dsm点云数据和dom点云数据导入成图软件得到dlg数据；基于dsm点云数据和dom点云数据进行精细化处理得到dsm模型和dom模型，生成三维地图；结合dsm模型与流体力学进行分析模拟，在三维地图上进行风电机组叠加初步选定布局位置；根据初步选定的布局位置结合环境敏感因素，再次进行风电机组叠直到最终确定设计方案。
2.根据权利要求1所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：所述低空无人机采集航空影像数据时，s1，划定目标区域形状和面积，进行无人机航线的像控点设置；s2，计算并确定无人机飞行的高度以及无人机的飞行速度；s3，同一目标区域设置两条相互平行的无人机航线；至少两个无人机沿两条航线飞行，并采集航空影像数据。
3.根据权利要求2所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：同一目标区域采集的所述航空影像数据至少包括两组畸变影像图像；同一组的畸变影像图像根据无人机的镜头畸变参数进行畸变差纠正，将项目参数与镜头畸变参数导入图像处理模型后得到一组纠偏图像；将不同组的所述纠偏图像随机进行叠加拟合得到多个具有exif信息的预备图像；通过开源的基于深度学习的卷积神经网络技术对多个预备图像进行识别，得到至少两个待选预备图像，选取其中一个作为预处理图像。
4.根据权利要求1所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：所述项目参数包括相机参数，像控点参数。
5.根据权利要求1所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：所述dsm模型和dom模型需达到1:2000比例尺精度要求。
6.根据权利要求1所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：将dlg数据等高划分后，同一层高进行风电机组叠加，并基于cfd方法对目标区域风能资源进行模拟分析；然后进行风电机组安装位置选定；将上述风电机组叠加至三维原始地图，剔除噪声数据；上述噪声数据包括无法实际进行安装的风电机组安装坐标。
7.根据权利要求6所述的基于无人机摄像成图的风电场微观选址方法，其特征在于：所述噪声数据还包括环境敏感因素，所述环境敏感因素包括自然保护区，军事禁区、宗教民俗区。
技术总结