[发明专利]一种基于云-贝叶斯网络的海上风电场智能宏观选址方法

权利要求书

1.一种基于云-贝叶斯网络的海上风电场智能宏观选址方法，其特征在于，包括步骤：

(1)选取海上风电场选址指标，收集海上不同位置坐标上与各个选址指标相应的海洋环境信息作为指标数据；

(2)将选址指标作为贝叶斯网络的观测节点，将海上风电场的选址坐标作为目标节点，搭建贝叶斯网络结构；

(3)若观测节点为离散型变量，则直接将其数据作为该节点的训练样本；若观测节点为连续型变量，则根据观测节点的指标数据，通过自适应高斯云变换算法生成符合认知的多种概念云，并输出相应概念云的数字特征；设计正向云发生器，根据概念云的数字特征对指标数据进行等级划分，获得离散化的指标数据；至此，所有观测节点的指标数据均为离散化数据；

(4)将步骤(3)得到的所有离散化数据作为观测节点的训练样本，采用EM算法对网络节点参数θ^t进行学习，完成贝叶斯网络的训练；

(5)获取待选址区域的海洋环境信息，即选址指标数据，对选址指标数据根据步骤(3)进行离散化处理，将离散化后的数据输入训练好的贝叶斯网络，采用联合树推理机制进行网络的概率推理，得到待选址区域中每个位置被选为海上风电场的选址坐标的概率，完成对海上风电场环境条件评估并根据最大概率原则进行选址。

2.根据权利要求1所述的一种基于云-贝叶斯网络的海上风电场智能宏观选址方法，其特征在于，所述选址指标包括：平均水深、年平均风速、年平均风功率密度、风速变异系数、离岸距离、温度、流速。

3.根据权利要求1所述的一种基于云-贝叶斯网络的海上风电场智能宏观选址方法，其特征在于，所述通过自适应高斯云变换算法生成符合认知的多种概念云的具体步骤包括：

(31)将连续型观测节点的指标数据作为数据样本集X，设置概念含混度α；

(32)统计计算X的频率分布p的波峰数量M，作为概念数量的初始值；

(33)采用启发式高斯云变换将数据集X聚类为M个高斯云；

(34)依据α判断各高斯云的含混度，调整概念数量；

(35)重复执行步骤(33)至(34)，直至生成m个含混度小于等于α的高斯云。

4.根据权利要求1所述的一种基于云-贝叶斯网络的海上风电场智能宏观选址方法，其特征在于，所述采用EM算法对网络节点参数进行学习的具体步骤包括：

(41)初始化每个网络节点的概率分布，包括观测节点的先验概率和目标节点的条件概率；其中先验概率通过统计观测节点各等级的频率得到，条件概率采用专家打分法得到；

(42)以当前参数θ^t和观测节点A推断目标节点Z的分布P(Z|A，θ^t)，并计算对数似然LL(θ^t|Z，A)关于Z的期望：

(43)寻找参数最大化期望似然获得网络节点参数，即θ^t+1＝arg maxQ(θ|θ^t)。