CN115310533B - 一种基于ais的海上风电场识别方法及*** - Google Patents
一种基于ais的海上风电场识别方法及*** Download PDFInfo
- Publication number
- CN115310533B CN115310533B CN202210936736.4A CN202210936736A CN115310533B CN 115310533 B CN115310533 B CN 115310533B CN 202210936736 A CN202210936736 A CN 202210936736A CN 115310533 B CN115310533 B CN 115310533B
- Authority
- CN
- China
- Prior art keywords
- ship
- wind power
- ais
- clusters
- suspected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000009434 installation Methods 0.000 claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 abstract description 7
- 238000010248 power generation Methods 0.000 description 4
- 238000004873 anchoring Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000014435 Mentha Nutrition 0.000 description 1
- 241001072983 Mentha Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000014569 mints Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于AIS的海上风电场识别方法及***，基于船舶AIS动态数据和船舶资料数据，并结合业务逻辑确定出疑似风电安装船，以及风电安装船安装风机时所具备的AIS特征，然后采用DBSCAN聚类算法对满足AIS特征的疑似风电安装船的经纬度位置信息进行聚类得到多个第一簇，再采用Kmeans聚类算法将得到的每个第一簇再次进行聚类，得到多个第二簇，再结合业务逻辑筛选出疑似风机的簇，以及疑似海上风电场的簇，并计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近风机的斜率，根据每个疑似海上风电场中的风机数量、风机之间的距离、斜率和船舶目的港识别出海上风电场区域，警告船舶禁止进入相关区域并评估海上风电的发展情况。
Description
技术领域
本发明涉及海上风电场大数据挖掘处理技术领域，具体涉及一种基于AIS的海上风电场识别方法及***。
背景技术
风力发电是可再生能源发电技术中最成熟、最具规模开发潜力的发现方式之一，在陆地风电场建设快速发展的同时，陆地风能利用所受到的一些限制，如占地面积大、噪声污染等问题使得风力发电向海上转变。
海上风电风能资源丰富、机组运行稳定、单机容量大、年利用小时数高、能量产出大，且具有陆地面积占用小和环境负面影响小等优势。海上风电场是发展清洁低碳能源和优化能源结构的重要组成部分。
2021年我国海上风电新增投产规模达到1690千瓦，同比高增月340％，累计装机规模达到2638万千瓦。但由于目前关于海上风场数据资料较少，无法获得准确的海上风场位置信息，导致有些船舶误入海上风电场区域内。
发明内容
为解决现有获取海上风场位置信息不够准确等问题，本发明提供了一种基于AIS的海上风电场识别方法，基于AIS数据和船舶资料数据，采用DBSCAN聚类算法和Kmeans聚类算法进行多级聚类，并结合业务逻辑发现并识别出海上风电场，确定风场的位置。能够标定海上风电场范围，防止船舶误入，评估海上风电的发展情况。本发明还涉及一种基于AIS的海上风电场识别***。
本发明的技术方案如下：
一种基于AIS的海上风电场识别方法，其特征在于，包括以下步骤：
数据采集步骤：采集船舶资料数据，根据业务逻辑从船舶资料数据中进行风电安装船特征挖掘以确定出疑似风电安装船；
特征确定步骤：采集疑似风电安装船的AIS动态数据，根据AIS动态数据确定风电安装船安装风机时所具备的AIS特征；所述AIS动态数据包括船舶经纬度位置信息、对地航速、船艏向、船舶吃水和船舶目的港；
聚类及计算步骤：采用DBSCAN聚类算法对满足AIS特征的疑似风电安装船的经纬度位置信息进行聚类，得到多个第一簇，再采用Kmeans聚类算法将得到的每个第一簇再次进行聚类，得到多个第二簇，并获得每个第二簇的中心点经纬度坐标，根据中心点经纬度坐标计算出第二簇的半径，并根据AIS动态数据计算出第二簇内船艏向的方差、船舶吃水的均值和方差；
风机识别步骤：从多个第二簇中将半径、船艏向的方差、船舶吃水的均值和方差均满足各自的预设条件的簇智能筛选出来，作为疑似风机存储至数据库中；
风电场识别步骤：采用DBSCAN聚类算法对数据库中已筛选出作为疑似风机的各个簇的中心点经纬度坐标进行聚类，得到多个第三簇，将第三簇作为疑似海上风电场，并计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近风机的斜率，根据每个疑似海上风电场中的风机数量、风机之间的距离、斜率和船舶目的港自动识别出海上风电场。
优选地，所述数据采集步骤中，所述船舶资料数据包括船舶状态字段、船舶设备字段和船舶类型字段，所述船舶状态字段包括在营运字段、拆解字段和订单字段，所述船舶类型字段包括提供海上服务字段和支撑平台字段。
优选地，特征确定步骤中，所述AIS特征包括对地航速和航行状态。
优选地，所述聚类及计算步骤中，在采用DBSCAN聚类算法进行聚类时，还采用轮廓系数作为聚类效果的评价指标。
优选地，所述聚类及计算步骤中，在得到多个第二簇后，保留簇内的最小时间和最大时间，并根据最小时间和最大时间计算出时间差，作为风电安装船安装效率的评价指标。
一种基于AIS的海上风电场识别***，其特征在于，包括依次连接的数据采集模块、特征确定模块、聚类及计算模块、风机识别模块和风电场识别模块，
所述数据采集模块，采集船舶资料数据，根据业务逻辑从船舶资料数据中进行风电安装船特征挖掘以确定出疑似风电安装船；
所述特征确定模块，采集疑似风电安装船的AIS动态数据，根据AIS动态数据确定风电安装船安装风机时所具备的AIS特征；所述AIS动态数据包括船舶经纬度位置信息、对地航速、船艏向、船舶吃水和船舶目的港；
所述聚类及计算模块，采用DBSCAN聚类算法对满足AIS特征的疑似风电安装船的经纬度位置信息进行聚类，得到多个第一簇，再采用Kmeans聚类算法将得到的每个第一簇再次进行聚类，得到多个第二簇，并获得每个第二簇的中心点经纬度坐标，根据中心点经纬度坐标计算出第二簇的半径，并根据AIS动态数据计算出第二簇内船艏向的方差、船舶吃水的均值和方差；
所述风机识别模块，从多个第二簇中将半径、船艏向的方差、船舶吃水的均值和方差均满足各自的预设条件的簇智能筛选出来，作为疑似风机存储至数据库中；
所述风电场识别模块，采用DBSCAN聚类算法对数据库中已筛选出作为疑似风机的各个簇的中心点经纬度坐标进行聚类，得到多个第三簇，将第三簇作为疑似海上风电场，并计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近风机的斜率，根据每个疑似海上风电场中的风机数量、风机之间的距离、斜率和船舶目的港自动识别出海上风电场。
优选地，所述船舶资料数据包括船舶状态字段、船舶设备字段和船舶类型字段，所述船舶状态字段包括在营运字段、拆解字段和订单字段，所述船舶类型字段包括提供海上服务字段和支撑平台字段。
优选地，所述AIS特征包括对地航速和航行状态。
优选地，所述聚类及计算模块中，在采用DBSCAN聚类算法进行聚类时，还采用轮廓系数作为聚类效果的评价指标。
优选地，所述聚类及计算模块中，在得到多个第二簇后，保留簇内的最小时间和最大时间，并根据最小时间和最大时间计算出时间差，作为风电安装船安装效率的评价指标。
本发明的有益效果为：
本发明提供的一种基于AIS的海上风电场识别方法，基于船舶AIS动态数据和船舶资料数据，并结合业务逻辑确定出疑似风电安装船，以及风电安装船安装风机时所具备的AIS特征，然后采用DBSCAN聚类算法对满足AIS特征的疑似风电安装船的经纬度位置信息进行聚类，得到多个第一簇(即风机簇)，并采用Kmeans聚类算法将已得到的每个风机簇进行再聚类，得到多个第二簇，能够得到每个风机的准确位置，并获得每个第二簇的中心点经纬度坐标，作为每个风机准确位置。再采用DBSCAN聚类算法对每个风机中心点进行聚类，将多个风机点聚类成多个风电场，再结合相关业务逻辑筛选出疑似风机的簇，以及疑似海上风电场的簇，并计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近风机的斜率，根据每个疑似海上风电场中的风机数量、风机之间的距离、斜率和船舶目的港自动识别出海上风电场区域，警告船舶禁止进入相关区域，并可以进一步智能评估风电安装船的安装效率，以及评价海上风电的发展情况。
本发明还涉及一种基于AIS的海上风电场识别***，该***与上述的基于AIS的海上风电场识别方法相对应，可理解为是一种实现上述基于AIS的海上风电场识别方法的***，包括依次连接的数据采集模块、特征确定模块、聚类及计算模块、风机识别模块和风电场识别模块，各模块相互协同工作，基于AIS数据和船舶资料数据，采用DBSCAN聚类算法和Kmeans 聚类算法进行多级聚类，并结合业务逻辑发现并自动识别出海上风电场，确定风场的位置，能够自动标定海上风电场区域，警告船舶禁止进入相关区域，并可以智能评估海上风电的发展情况。
附图说明
图1是本发明基于AIS的海上风电场识别方法的流程图。
图2是大桥福船的航行轨迹示意图。
图3是粤电阳江青州二海上风电场示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种基于AIS的海上风电场识别方法，该方法的流程图如图1所示，依次包括以下步骤：
数据采集步骤：采集船舶资料数据，根据业务逻辑从船舶资料数据中进行风电安装船特征挖掘以确定出疑似风电安装船；具体地，先使用Python语言中的psycopg2(是Python语言的PostgreSQL数据库接口)连接PostgreSQL数据库，从PostgreSQL数据库中查询船舶资料数据，在获得上述数据后，具体使用船舶资料数据中：船舶状态shipstatus字段、船舶设备 geardescriptivenarrative字段及船舶类型shiptype字段。shipstatus字段主要描述船舶当前的营运状态，包括：在营运、拆解和订单等字段；geardescriptivenarrative字段主要描述船舶的设备情况；shiptype字段主要描述船舶的详细类型，包括：近海支援船Offshore Support Vessel、支撑平台Support Platform等字段。
通过查询相关资料，并参考业务逻辑(或称为业务知识)，确定风电安装船需具备起重功能、主要工作为海上服务，且有可能具备自升式平台。查询资料确定了一些风电安装船，及其安装风机的时间段。通过对这些已知风电安装船及与其并行安装风机的船舶资料整理，确定风电安装船的船舶为具备以下特征的船舶：Geardescriptivenarrativ字段中包含‘SWL’，意为起重机；shipstatus字段中包含‘In Service/Commission’，意为在该船舶目前在营运；shiptype 字段中包含：‘Offshore SupportVessel’、‘jack up’等，‘OffshoreSupport Vessel’表示该船舶主要致力于提供海上服务，‘jack up’表示该船舶具备自升式平台。根据上述条件查询数据库中具备该特征的所有船舶，作为疑似风电安装船使用。
特征确定步骤：采集疑似风电安装船的AIS动态数据，根据AIS动态数据并结合业务知识确定风电安装船安装风机时所具备的AIS特征；AIS动态数据包括船舶经纬度位置信息、对地航速、船艏向、船舶吃水和船舶目的港；
具体地，从PostgreSQL数据库中查询所有疑似风电安装船的AIS动态数据，在获得上述数据后，先对AIS动态数据进行预处理，AIS动态数据使用的字段包括：status、lon、lat、sog、 cog、hdg、draught和dest字段。其中，status＝{0,1,5}，status(状态)字段为：1为锚泊，5 为靠泊，0为航行；lon和lat为经度位置和纬度位置；sog为船舶实时对地航速；hdg为船艏向，即船头朝向；draught为船舶实时吃水；dest为船舶目的港。
结合相关业务知识，船舶在安装风机时，航速接近为0，船艏向一定时间段内保持不变，近海作业吃水不会太大，并根据对已知风电安装船和其安装风机时间段内的AIS状态数据挖掘，确定风电安装船安装风机的AIS状态数据具备以下AIS特征，AIS状态数据来源于上述疑似风电安装船，AIS特征包括对地航速和航行状态，其中，对地航速sog为0，航行状态为 status＝1，即当前状态为1，即锚泊状态。
聚类及计算步骤：采用DBSCAN聚类算法对满足AIS特征的疑似风电安装船的经纬度位置信息进行聚类，得到多个第一簇，作为风机簇，再采用Kmeans聚类算法将得到的每个风机簇再次进行聚类，得到多个第二簇，并获得每个风机簇的中心点经纬度坐标，根据中心点经纬度坐标计算出风机簇的半径，并根据AIS动态数据计算出风机簇内船艏向的方差、船舶吃水的均值和方差；
具体地，采用DBSCAN聚类算法对满足对地航速sog为0，航行状态为锚泊的疑似风电安装船的经纬度位置信息进行聚类，得到多个风机簇，再采用Kmeans聚类算法对聚类形成的每个风机簇再次进行聚类，得到多个第二簇，并获取每个第二簇的中心点经纬度坐标，根据中心点位置坐标计算簇内每个点到中心点的经纬度距离，将距离的最大值作为簇的半径。与此同时，保留第二簇内的最小时间和最大时间，并根据最小时间和最大时间计算出时间差，作为风电安装船安装效率的评价指标，并根据AIS动态数据计算出第二簇内船艏向hdg的方差、船舶吃水draught的均值和方差，全部作为每个第二簇的参数，每个第二簇都疑似一个风机。
DBSCAN聚类算法是机器学习非监督学习中的一种算法，与其它聚类算法相比，DBSCAN聚类算法聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类，并且不需要指定聚类的个数。其参数只需要关注邻域参数(ε，MinPts)，其中ε为邻域半径，在一个邻域的半径内minPts数的邻域被认为是一个簇，该算法寻找最优参数时更加方便快捷。使用DBSCAN聚类算法聚类时，直接采用经纬度数值的欧式距离，不采用经纬度距离，原因在于：1)经纬度距离计算繁琐，对于大量数据会使得算法变慢；2)经纬度距离和经纬度数值的欧式距离在本发明中差异并不大。出于算法效率考虑，采用十进制经纬度数值的欧式距离作为 DBSCAN聚类的距离函数。并采用机器学习中的轮廓系数作为聚类效果的评价指标。轮廓系数越接近于1，聚类效果越好，越接近于-1，说明样本i更应该分类到其他簇。
Kmeans聚类算法是机器学***方误差E：
上式中，x为样本集，k为簇的数量，μi是簇Ci的均值向量，μi表达式为：
风机识别步骤：结合业务知识，从多个第二簇中将半径、船艏向的方差、船舶吃水的均值和方差均满足各自的预设条件的簇智能筛选出来，作为疑似风机存储至数据库中；
具体地，通过查询相关资料，并结合业务知识，发现每个海上风机的半径大约在45-60 米之间，风电安装船在安装风机时，不会过多调整船艏向，且由于海上风机均在近海区域，吃水不会过大且近似不变，故将半径在100米以内，吃水均值在7米以内，吃水方差在5以内的第二簇筛选出来，作为疑似风机存储至数据库中，以便后续使用。
风电场识别步骤：采用DBSCAN聚类算法对数据库中已筛选出作为疑似风机的各个簇的中心点经纬度坐标进行聚类，得到多个第三簇，将第三簇作为疑似海上风电场，并计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近风机的斜率，根据每个疑似海上风电场中的风机数量、风机之间的距离、斜率和船舶目的港自动识别出海上风电场。
具体地，采用DBSCAN聚类算法对数据库中已筛选出作为疑似风机的各个簇的中心点经纬度坐标进行聚类，得到多个第三簇，将形成的第三簇作为疑似海上风电场。海上风电场内的风机多以直线形式规则排列，且风电场内的风机数量较多，多于10架风机以上，且风机之间的间隔相等，计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近的风机的斜率，若第三簇内某个簇(即某个疑似海上风电场)内的风机数量大于10，并且风机之间的距离接近相等，斜率近似相同，船舶目的港相同，则自动判定该簇为一个海上风电场。
实施例：
数据采集步骤：通过查询我国海上风电场的相关新闻，获得若干个风电安装船的船舶名称及风机安装时间。在数据库查询这些船舶的船舶资料，发现具有相同的共同点，均为特种船舶，且Geardescriptivenarrativ字段中均包含‘SWL’，说明该船舶装备有起重机，用来吊风机叶片。shiptype字段包含：‘Offshore Support Vessel’、‘jack up’等，‘Offshore Support Vessel’意为该船舶主要致力于提供海上服务，‘jackup’说明该船舶具备自升式平台。
以大桥福船为例，大桥福船于2021年3月27日，完成了三峡阳江沙扒三期T31#号风机安装，3月27日左右，该船轨迹成环状簇，符合安装风机的轨迹特征。特征确定步骤：在数据库查询大桥福船2021.03.01～2021.04.10的AIS数据，使用Python语言中的Plotly可视化模块，将该时间段内的轨迹数据画图表示。如图2所示，可以明显看到，在该时间段内，轨迹形成了3个环状簇，为风机安装时的轨迹，通过对这3个簇内的对地航速sog、(状态)字段status、船艏向hdg和船舶目的港dest数据挖掘，发现均具备以下特征：sog接近为0，status＝1，即船舶状态为锚泊。故设定风电安装船在安装风机时AIS特征为sog接近0，status＝1。
聚类及计算步骤：查询数据库中符合Geardescriptivenarrativ字段中均包含‘SWL’， shiptype字段包含：‘Offshore SupportVessel’、‘jack up’等的船舶，查询上述船舶2021年全年且满足sog＝0，status＝1，在粤电阳江青州二海上风电场附近，即经度lon在区间[111.45,111.68]内，纬度lat在区间[21.22,21.38]内的AIS动态数据，使用DBSCAN聚类算法，对经度和纬度位置信息进行聚类，得到多个第一簇，作为风机簇。并使用轮廓系数作为评估方法，对参数进行选择，最优的参数为ε＝0.01，Minpts＝10。对于聚类得到的每个风机簇，为获得风机簇的中心点和半径，以及簇内其他数据信息，使用Kmeans聚类算法对聚类形成的每个风机簇再次进行聚类，得到多个第二簇，第二簇的个数k设置为1，并获得每个第二簇的中心点位置坐标，根据中心点位置坐标，计算第二簇内每个点到中心点的经纬度距离，将距离的最大值作为第二簇的半径。与此同时，保留第二簇内的最小时间和最大时间，并计算时间差作为持续时长，计算船艏向hdg的方差、船舶实时吃水draught的方差及均值，上述结果均作为每个第二簇的参数保留。风机识别步骤：根据相关业务知识，风电安装船在安装风机时，船艏向基本保持不变，且风叶长度在45-60米之间，且风场均在近海区域内，吃水不会太大。因此，优选地，选定半径在100米以内，hdg的方差在5以内，draught的均值在7以内的类，认为其为风机，存至数据库中，以便后续海上风电场的识别使用。
风电场识别步骤：采用DBSCAN聚类算法对数据库中已筛选出作为疑似风机的各个簇的中心点经纬度坐标进行聚类，得到多个第三簇，即得到2021年在粤电阳江青州二海上风电场范围内的风电场簇。
如图3所示，可以明显看到该海上风电场内的风机多以直线形式规则排列，且风电场内的风机数量较多，多于10架风机以上，且风机之间的间隔相等，每个风机之间的距离近似 530米，dest均为‘YANG JIANG’，则可以判定该簇为一个海上风电场。通过openstreet地图也可以看到该范围内有较多已安装好的风机群。
本发明还涉及了一种基于AIS的海上风电场识别***，该***与上述基于AIS的海上风电场识别方法相对应，可理解为是实现上述方法的***，该***包括依次连接的数据采集模块、特征确定模块、聚类及计算模块、风机识别模块和风电场识别模块，具体地，
数据采集模块，采集船舶资料数据，根据业务逻辑从船舶资料数据中进行风电安装船特征挖掘以确定出疑似风电安装船；
特征确定模块，采集疑似风电安装船的AIS动态数据，根据AIS动态数据并结合业务知识确定风电安装船安装风机时所具备的AIS特征；所述AIS动态数据包括船舶经纬度位置信息、对地航速、船艏向、船舶吃水和船舶目的港；
聚类及计算模块，采用DBSCAN聚类算法对满足AIS特征的疑似风电安装船的经纬度位置信息进行聚类，得到多个第一簇，再采用Kmeans聚类算法将得到的每个第一簇再次进行聚类，得到多个第二簇，并获得每个第二簇的中心点经纬度坐标，根据中心点经纬度坐标计算出第二簇的半径，并根据AIS动态数据计算出第二簇内船艏向的方差、船舶吃水的均值和方差；
风机识别模块，结合业务知识，从多个第二簇中将半径、船艏向的方差、船舶吃水的均值和方差均满足各自的预设条件的簇都筛选出来，作为疑似风机存储至数据库中；
风电场识别模块，采用DBSCAN聚类算法对数据库中已筛选出作为疑似风机的各个簇的中心点经纬度坐标进行聚类，得到多个第三簇，将第三簇作为疑似海上风电场，并计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近风机的斜率，根据每个疑似海上风电场中的风机数量、风机之间的距离、斜率和船舶目的港自动识别出海上风电场。
优选地，船舶资料数据包括船舶状态字段、船舶设备字段和船舶类型字段，所述船舶状态字段包括在营运字段、拆解字段和订单字段，所述船舶类型字段包括提供海上服务字段和支撑平台字段。
优选地，AIS特征包括对地航速和航行状态。
优选地，聚类及计算模块中，在采用DBSCAN聚类算法进行聚类时，还采用轮廓系数作为聚类效果的评价指标。
优选地，聚类及计算模块中，在得到多个第二簇后，保留簇内的最小时间和最大时间，并根据最小时间和最大时间计算出时间差，作为风电安装船安装效率的评价指标。
本发明提供了客观、科学的基于AIS的海上风电场识别方法及***，基于AIS数据和船舶资料数据，采用DBSCAN聚类算法和Kmeans聚类算法进行多级聚类，并结合业务知识发现并识别出海上风电场，确定风场的位置，能够标定海上风电场范围，防止船舶误入，评估海上风电的发展情况。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (10)
1.一种基于AIS的海上风电场识别方法，其特征在于，包括以下步骤：
数据采集步骤：采集船舶资料数据，根据业务逻辑从船舶资料数据中进行风电安装船特征挖掘以确定出疑似风电安装船；
特征确定步骤：采集疑似风电安装船的AIS动态数据，根据AIS动态数据确定风电安装船安装风机时所具备的AIS特征；所述AIS动态数据包括船舶经纬度位置信息、对地航速、船艏向、船舶吃水和船舶目的港；
聚类及计算步骤：采用DBSCAN聚类算法对满足AIS特征的疑似风电安装船的经纬度位置信息进行聚类，得到多个第一簇，再采用Kmeans聚类算法将得到的每个第一簇再次进行聚类，得到多个第二簇，并获得每个第二簇的中心点经纬度坐标，根据中心点经纬度坐标计算出第二簇的半径，并根据AIS动态数据计算出第二簇内船艏向的方差、船舶吃水的均值和方差；
风机识别步骤：从多个第二簇中将半径、船艏向的方差、船舶吃水的均值和方差均满足各自的预设条件的簇智能筛选出来，作为疑似风机存储至数据库中；
风电场识别步骤：采用DBSCAN聚类算法对数据库中已筛选出作为疑似风机的各个簇的中心点经纬度坐标进行聚类，得到多个第三簇，将第三簇作为疑似海上风电场，并计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近风机的斜率，根据每个疑似海上风电场中的风机数量、风机之间的距离、斜率和船舶目的港自动识别出海上风电场，若某个疑似海上风电场中的风机数量大于10，风机之间的距离相等、斜率相同，且船舶目的港相同，则自动判定该疑似海上风电场为海上风电场。
2.根据权利要求1所述的基于AIS的海上风电场识别方法，其特征在于，所述数据采集步骤中，所述船舶资料数据包括船舶状态字段、船舶设备字段和船舶类型字段，所述船舶状态字段包括在营运字段、拆解字段和订单字段，所述船舶类型字段包括提供海上服务字段和支撑平台字段。
3.根据权利要求1所述的基于AIS的海上风电场识别方法，其特征在于，特征确定步骤中，所述AIS特征包括对地航速和航行状态。
4.根据权利要求1至3之一所述的基于AIS的海上风电场识别方法，其特征在于，所述聚类及计算步骤中，在采用DBSCAN聚类算法进行聚类时，还采用轮廓系数作为聚类效果的评价指标。
5.根据权利要求4所述的基于AIS的海上风电场识别方法，其特征在于，所述聚类及计算步骤中，在得到多个第二簇后，保留簇内的最小时间和最大时间，并根据最小时间和最大时间计算出时间差，作为风电安装船安装效率的评价指标。
6.一种基于AIS的海上风电场识别***，其特征在于，包括依次连接的数据采集模块、特征确定模块、聚类及计算模块、风机识别模块和风电场识别模块，
所述数据采集模块，采集船舶资料数据，根据业务逻辑从船舶资料数据中进行风电安装船特征挖掘以确定出疑似风电安装船；
所述特征确定模块，采集疑似风电安装船的AIS动态数据，根据AIS动态数据确定风电安装船安装风机时所具备的AIS特征；所述AIS动态数据包括船舶经纬度位置信息、对地航速、船艏向、船舶吃水和船舶目的港；
所述聚类及计算模块，采用DBSCAN聚类算法对满足AIS特征的疑似风电安装船的经纬度位置信息进行聚类，得到多个第一簇，再采用Kmeans聚类算法将得到的每个第一簇再次进行聚类，得到多个第二簇，并获得每个第二簇的中心点经纬度坐标，根据中心点经纬度坐标计算出第二簇的半径，并根据AIS动态数据计算出第二簇内船艏向的方差、船舶吃水的均值和方差；
所述风机识别模块，从多个第二簇中将半径、船艏向的方差、船舶吃水的均值和方差均满足各自的预设条件的簇智能筛选出来，作为疑似风机存储至数据库中；
所述风电场识别模块，采用DBSCAN聚类算法对数据库中已筛选出作为疑似风机的各个簇的中心点经纬度坐标进行聚类，得到多个第三簇，将第三簇作为疑似海上风电场，并计算每个疑似海上风电场中每个风机与其他风机之间的距离，以及每个风机与其距离最近风机的斜率，根据每个疑似海上风电场中的风机数量、风机之间的距离、斜率和船舶目的港自动识别出海上风电场，若某个疑似海上风电场中的风机数量大于10，风机之间的距离相等、斜率相同，且船舶目的港相同，则自动判定该疑似海上风电场为海上风电场。
7.根据权利要求6所述的基于AIS的海上风电场识别***，其特征在于，所述船舶资料数据包括船舶状态字段、船舶设备字段和船舶类型字段，所述船舶状态字段包括在营运字段、拆解字段和订单字段，所述船舶类型字段包括提供海上服务字段和支撑平台字段。
8.根据权利要求6所述的基于AIS的海上风电场识别***，其特征在于，所述AIS特征包括对地航速和航行状态。
9.根据权利要求6至8之一所述的基于AIS的海上风电场识别***，其特征在于，所述聚类及计算模块中，在采用DBSCAN聚类算法进行聚类时，还采用轮廓系数作为聚类效果的评价指标。
10.根据权利要求9所述的基于AIS的海上风电场识别***，其特征在于，所述聚类及计算模块中，在得到多个第二簇后，保留簇内的最小时间和最大时间，并根据最小时间和最大时间计算出时间差，作为风电安装船安装效率的评价指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210936736.4A CN115310533B (zh) | 2022-08-05 | 2022-08-05 | 一种基于ais的海上风电场识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210936736.4A CN115310533B (zh) | 2022-08-05 | 2022-08-05 | 一种基于ais的海上风电场识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115310533A CN115310533A (zh) | 2022-11-08 |
| CN115310533B true CN115310533B (zh) | 2024-01-19 |
Family
ID=83860581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210936736.4A Active CN115310533B (zh) | 2022-08-05 | 2022-08-05 | 一种基于ais的海上风电场识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115310533B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102031151B1 (ko) * | 2019-03-20 | 2019-10-15 | 씨벤티지 주식회사 | 선박의 효율 운항을 위한 항로 안내 방법 |
| AU2020102354A4 (en) * | 2020-09-21 | 2020-10-29 | Tianjin Research Institute For Water Transport Engineering.M.O.T. | Morning and early warning method for coastal port ship operation conditions |
| CN112487659A (zh) * | 2020-12-15 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 一种海上风电场集电***优化设计方法和*** |
| CN112613455A (zh) * | 2020-12-29 | 2021-04-06 | 武汉理工大学 | 一种船舶锚泊聚集区识别方法及装置 |
| CN112906830A (zh) * | 2021-04-14 | 2021-06-04 | 武汉理工大学 | 一种基于ais大数据的船舶最优航线自动生成方法 |
| CN113538820A (zh) * | 2021-07-14 | 2021-10-22 | 华能国际电力江苏能源开发有限公司 | 一种海上风电场海缆监测与保护***和方法 |
| CN113962321A (zh) * | 2021-10-30 | 2022-01-21 | 中远海运科技股份有限公司 | 一种船对船装卸货识别处理方法及*** |
| CN113988213A (zh) * | 2021-11-12 | 2022-01-28 | 中远海运科技股份有限公司 | 一种船舶在坞修理识别方法及*** |
| CN114444315A (zh) * | 2022-01-30 | 2022-05-06 | 中远海运科技股份有限公司 | 一种船舶避台航线模拟方法及*** |
| CN114781244A (zh) * | 2022-03-25 | 2022-07-22 | 国网河南省电力公司安阳供电公司 | 一种风电场内分群与参数优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11460003B2 (en) * | 2019-09-18 | 2022-10-04 | Inventus Holdings, Llc | Wind turbine damage detection system using machine learning |
-
2022
- 2022-08-05 CN CN202210936736.4A patent/CN115310533B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102031151B1 (ko) * | 2019-03-20 | 2019-10-15 | 씨벤티지 주식회사 | 선박의 효율 운항을 위한 항로 안내 방법 |
| AU2020102354A4 (en) * | 2020-09-21 | 2020-10-29 | Tianjin Research Institute For Water Transport Engineering.M.O.T. | Morning and early warning method for coastal port ship operation conditions |
| CN112487659A (zh) * | 2020-12-15 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 一种海上风电场集电***优化设计方法和*** |
| CN112613455A (zh) * | 2020-12-29 | 2021-04-06 | 武汉理工大学 | 一种船舶锚泊聚集区识别方法及装置 |
| CN112906830A (zh) * | 2021-04-14 | 2021-06-04 | 武汉理工大学 | 一种基于ais大数据的船舶最优航线自动生成方法 |
| CN113538820A (zh) * | 2021-07-14 | 2021-10-22 | 华能国际电力江苏能源开发有限公司 | 一种海上风电场海缆监测与保护***和方法 |
| CN113962321A (zh) * | 2021-10-30 | 2022-01-21 | 中远海运科技股份有限公司 | 一种船对船装卸货识别处理方法及*** |
| CN113988213A (zh) * | 2021-11-12 | 2022-01-28 | 中远海运科技股份有限公司 | 一种船舶在坞修理识别方法及*** |
| CN114444315A (zh) * | 2022-01-30 | 2022-05-06 | 中远海运科技股份有限公司 | 一种船舶避台航线模拟方法及*** |
| CN114781244A (zh) * | 2022-03-25 | 2022-07-22 | 国网河南省电力公司安阳供电公司 | 一种风电场内分群与参数优化方法 |
Non-Patent Citations (6)
| Title |
|---|
| Maritime Traffic Route Detection Framework Based on Statistical Density Analysis From AIS Data Using a Clustering Algorithm;Jeong-Seok Lee 等;《IEEE Access》;第10卷;全文 * |
| SCADA Data-Based Working Condition Classification for Condition Assessment of Wind Turbine Main Transmission System;Huanguo Chen 等;《energies》;第14卷(第21期);全文 * |
| 基于CNN-集成学习的多风电机组故障诊断;叶祎旎 等;《工业工程》;第25卷(第1期);全文 * |
| 基于历史航迹的船舶任意点到港的航线规划算法;段俊利 等;《上海船舶运输科学研究所学报》;第43卷(第2期);全文 * |
| 海量航行特定数据远程检索***设计;刘佳;《舰船科学技术》;第42卷(第16期);全文 * |
| 考虑通航环境因素的智能船舶航线规划;潘伟 等;《上海海事大学学报》;第42卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115310533A (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111427100B (zh) | 一种台风中心定位方法、装置及台风路径生成方法 | |
| JP5435418B2 (ja) | 海流データ同化方法および同化システム | |
| CN104520861A (zh) | 风功率密度预测方法 | |
| CN114692521A (zh) | 一种风电场测风塔的优化布局方法 | |
| CN114910980B (zh) | 基于主观路径强度预报和参数化风场模型的风圈预报方法 | |
| CN115310533B (zh) | 一种基于ais的海上风电场识别方法及*** | |
| CN115114873A (zh) | 海洋环境重现期设计标准推算方法与*** | |
| CN115187040A (zh) | 一种冒泡自学习的水面无人艇群综合性能评估方法 | |
| CN115326075A (zh) | 一种基于无人机实现风场全域自动化巡检的路径规划方法 | |
| CN111666725A (zh) | 一种适应非复杂地形风电场的测风塔规划选址方法及*** | |
| Solbrekke et al. | Norwegian offshore wind power—Spatial planning using multi‐criteria decision analysis | |
| CN104392113A (zh) | 一种近海海面冷空气大风风速的估算方法 | |
| CN112749847B (zh) | 船舶航线的确定方法、装置及电子设备 | |
| CN115693666B (zh) | 基于卫星反演的海上风电场发电量确定方法及*** | |
| CN114047508B (zh) | 一种对海雷达探测范围统计评估方法及*** | |
| CN116887297A (zh) | 排水管网无线传感器网络监测节点的优化部署方法 | |
| CN116070735A (zh) | 一种基于边长和方位向差规则的黄海绿潮分布区及其漂移预测初始场制作方法 | |
| CN115146742A (zh) | 适用于场群控制的海上风电场机组分组与旗舰机选取方法 | |
| CN115866510A (zh) | 一种无人机群传感网络中的终端定位方法 | |
| CN112364300A (zh) | 基于相对坡长的近地面风速统计降尺度订正方法 | |
| Tranberg et al. | Determining offshore wind installation times using machine learning and open data | |
| CN118378921A (zh) | 面向近岸多岛区域的海上风电场选址方法、设备、介质 | |
| CN113988349A (zh) | 一种基于时空局部模型的数值模式预报产品客观释用方法 | |
| CN112308275A (zh) | 风力发电机组的最优桨距角辨识方法和设备 | |
| CN117152372B (zh) | 一种风电工程三维数字化地理信息服务平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |