一种基于机舱风速传递函数的机组控制方法与流程

1.本发明涉及风力发电技术领域，特别涉及一种基于机舱风速传递函数的机组控制方法。


背景技术：

2.由于叶片扫掠和机舱外行的影响，机舱风速的测量值一般小于风轮前方真实的来流风速。通常通过来流风速实现风电机组的控制、功率曲线测试和功率预测，因此，来流风速的精确度十分重要。
3.现有技术中，通常采用理论修正法修正来流风速。利用“基于风轮动量理论的单元流管模型”，将风轮吸收的能量等效为风轮前后气流的动能差，将风轮后的机舱风速修正成风轮界面的自由流风速；利用叶尖速比、风能利用系数、桨距角等参数之间的关系反推风轮界面的风速；利用fluent软件对风电场流畅进行仿真从而得到风轮界面的风速。该方法需要得知机械传动效率和电气效率，且数据在额定与非额定工况下存在明显区别，风速精确度较低对后续计算影响较大；该方法没有考虑到风速通过风轮面时的其他损耗，将损失的动能完全等效为叶片捕获的动能，风速精确度较低对后续计算影响较大。存在依赖机械传动效率和电气效率计算来流风速，来流风速精确度较低会造成机组控制安全隐患的问题。
4.例如，一种在中国专利文献上公开的“风力发电机叶片的流体动力学和结构力学分析方法”，其公告号：cn101532906a，其申请日：2009年04月27日，该发明设置合适的边界条件，基于fluent软件平台对有限元进行性能计算，提取叶片转矩计算叶片功率及叶片效率，基于ansys软件平台建立叶片结构模型并进行网格划分，施加载荷及约束条件，对叶片结构进行模态分析，对由fluent软件平台获得的压强分布进行等力矩处理，于ansys软件平台中施加压强面载荷，对风力发电机叶片进行结构力学特性计算，进而提高计算精确度。但是该方法需要得知机械传动效率和电气效率，且数据在额定与非额定工况下存在明显区别，风速精确度较低对计算结果影响较大。存在依赖机械传动效率和电气效率计算来流风速，来流风速精确度较低会造成机组控制安全隐患的问题。


技术实现要素：

5.针对现有技术依赖机械传动效率和电气效率计算来流风速，来流风速精确度较低会造成机组控制安全隐患的不足，本发明提出了一种基于机舱风速传递函数的机组控制方法，不依赖机械传动效率和电气效率计算来流风速，能提高来流风速的精确度从而提高机组控制的有效性和安全性。
6.以下是本发明的技术方案，一种基于机舱风速传递函数的机组控制方法，包括以下步骤：
7.s1：获取机组运行数据和测风塔运行数据，基于机组运行数据筛选物理量；
8.s2：对机组运行数据进行有效性处理得到第一数据集；
9.s3：压缩、合并物理量和测风塔运行数据；
10.s4：基于风向区间以测风塔运行数据表征机组运行数据得到第二数据集；
11.s5：基于反向传播神经网络建立并训练机舱风速传递函数模型得到机舱风速传递函数；
12.s6：基于机舱风速传递函数确定来流风速，基于来流风速控制机组。
13.本方案中，获取机组运行数据和测风塔运行数据，通过处理机组运行数据和测风塔运行数据，抛开了机械传动效率和电气效率对来流风速的影响，基于反向传播神经网络建立并训练机舱风速传递函数模型得到机舱风速传递函数，基于机舱风速传递函数确定来流风速，提高来流风速的精确度，基于来流风速控制机组，从而提高机组控制的有效性和安全性。
14.作为优选，s1中，测风塔运行数据包括风速数据和风向数据。
15.作为优选，s1中，基于机组运行数据筛选物理量，包括以下步骤：
16.s11：删除空的或非正常的机组运行数据；
17.s12：计算机组运行数据中各物理量和机舱风速的相关性系数；
18.s13：筛选若干种和机舱风速相关性系数最高且互不强相关的物理量，删除其余物理量。
19.本方案中，获取机组运行数据后，对数据进行处理，处理方式包括：删除空数据和非正常数据，非正常数据包括机组故障或限电等非正常运行时刻的数据等；然后求解运行数据中物理量和机舱风速的相关性系数；基于相关性系数筛选相关性系数最高且互不强相关的若干个物理量，并删除其他物理量。能够提高机组运行数据的有效性。
20.作为优选，s2包括以下步骤：
21.s21：基于机组属性和实际情况删除超出阈值的机组运行数据；
22.s22：按照指定风速将机舱风速分割成若干个区间；
23.s23：计算区间内功率数据集的标准差，删除超过均值正负三倍标准差区间的数据，得到第一数据集。
24.本方案中，根据机组属性和当地实际情况，删除超出物理意义阈值的数据以机舱风速0.5m/s为间隔，将机舱风速划分为若干区间；对每个区间内的功率数据集求标准差，并删除超过均值正负三倍标准差区间的数据，得到清洗后的数据集。能够进一步提高数据有效性。
25.作为优选，s3包括以下步骤：
26.s31：按照指定时间压缩物理量为第一节点，第一节点保留平均值和方差值；
27.s32：按照指定时间压缩测风塔的风速数据为第二节点，第二节点保留平均值和方差值；
28.s33：按照指定时间和指定时间内的主要风向压缩测风塔的风向数据为第三节点；s34：通过时间戳对齐的方式合并第一节点、第二节点和第三节点。
29.本方案中，将得到的数据集中每一个物理量压缩为10分钟一个的节点，保存其平均值、方差值；按照前述方法对测风塔风速数据进行同样处理；将测风塔风向数据压缩为10分钟一个点，压缩方式为取十分钟内主要风向；通过时间戳对齐的方式合并数据。能够实现机舱和测风塔数据的整合。
30.作为优选，s4包括以下步骤：
31.s41：将测风塔的风向数据按照指定时间内的主要风向分为若干个区间；
32.s42：对比风向区间内风向数据和机舱风速的时序数据，保留误差值小于指定阈值的第二数据集。
33.本方案中，通过对比风向数据和机舱风速的时序数据，剔除超出指定阈值的数据，提高数据的有效性。
34.作为优选，s5包括以下步骤：
35.s51：从第二数据集中若干个物理量组成第三数据集，第三数据集随机划分为训练集和测试集；
36.s52：设置神经网络的初始参数和激励函数，将训练集作为机舱风速传递函数模型的输入；
37.s53：计算输出层误差；
38.s54：利用梯度下降法反向更新神经网络的参数；
39.s55：对机舱风速传递函数模型进行迭代得到机舱风速传递函数。
40.本方案中，从第二数据集中若干个物理量组成第三数据集，作为模型的原始数据集；将第三数据集随机划分为训练集和测试集，训练集用于模型的训练，测试集用于模型的测试；构建机舱风速传递函数，初始化参数并设置激励函数，以将训练集作为机舱风速传递函数模型的输入，计算输出层的误差，利用梯度下降法反向更新神经网络的参数，对机舱风速传递函数模型进行迭代得到机舱风速传递函数，能够通过反向传播神经网络建模，根据原始数据集得到机舱风速传递函数。
41.作为优选，s12中，相关性系数的表达式如下：
[0042][0043]
上式中，x为机舱风速，y为物理量，ρ(x,y)为物理量与机舱风速的相关性系数，cov(x,y)为物理量与机舱风速的协方差，d(x)为机舱风速的方差，d(y)为物理量的方差。
[0044]
作为优选，s42中，误差值的表达式如下：
[0045][0046]
上式中，ei为第i个风向区间内机舱风速与测风塔风速的误差值，v
i,t,j
为第i个风向区间内,第j时刻的测风塔风速，v
i,n,j
为第i个风向区间内，第j时刻的机舱风速，ni为第i个风向区间内数据组数。
[0047]
作为优选，机舱风速传递函数，表达式如下：
[0048][0049]
[0050][0051][0052][0053][0054][0055]b*
＝b+ηe
[0056]
上式中，y
*
为机舱风速传递函数，f(x)为激励函数，fj为隐含层第j个节点的输出值，e为输出层误差，y为训练集给定的目标值，ω
i,j
和ωj为神经元之间的连接权值，aj为隐含层阈值，b为输出层阈值，m为隐含层节点数，k为输入层节点数，和为更新后的连接权值，η为迭代步长，为更新后的隐含层阈值，b
*
为更新后的输出层阈值。
[0057]
本发明的有益效果是：
[0058]
1、采用机舱风速传递函数推导风轮前方的来流风速，不依赖机械传动效率和电气效率计算来流风速，可避免机舱风速仪测得的风速偏小对控制策略、功率曲线测试、功率预测等产生的不利影响；
[0059]
2、结合机组运行参数，利用反向传播神经网络进行建模，较其他只对来流风速和机舱风速进行拟合的方法更为准确；
[0060]
3、神经网络输入的特征值不仅包含十分钟平均值，还包含十分钟标准差，十分钟平均值可以消除风速从测风塔传递至机舱的时间差，标准差可以表示十分钟内工况变化的剧烈程度，可以将工况变化所造成的传递函数变化涵盖于模型之中，进而使机舱风速传递函数更加准确；
[0061]
4、采用相关性进行特征的选取，可以减少计算时间，增加准确度，防止过拟合。
附图说明
[0062]
图1本发明一种基于机舱风速传递函数的机组控制方法的流程图。
[0063]
图2本发明一种基于机舱风速传递函数的机组控制方法的功率数据清洗图。
[0064]
图3本发明一种基于机舱风速传递函数的机组控制方法的神经网络示意图。
具体实施方式
[0065]
实施例：如图1所示，一种基于机舱风速传递函数的机组控制方法，包括以下步骤：
[0066]
s1：获取机组运行数据和测风塔运行数据，基于机组运行数据筛选物理量；
[0067]
s2：对机组运行数据进行有效性处理；
[0068]
s3：压缩、合并物理量和测风塔运行数据；
[0069]
s4：基于风向区间以测风塔运行数据表征机组运行数据；
[0070]
s5：基于反向传播神经网络建立并训练机舱风速传递函数模型得到机舱风速传递函数；
[0071]
s6：基于机舱风速传递函数确定来流风速，基于来流风速控制机组。
[0072]
获取机组运行数据后，对数据进行处理，处理方式包括：删除空数据和非正常数据，非正常数据包括机组故障或限电等非正常运行时刻的数据等；然后求解运行数据中物理量和机舱风速的相关性系数；基于相关性系数筛选相关性系数最高且互不强相关的若干个物理量，并删除其他物理量。能够提高机组运行数据的有效性。
[0073]
步骤s1中，获取机组运行数据后，对数据进行处理，处理方式包括：删除空数据和非正常数据，非正常数据包括机组故障或限电等非正常运行时刻的数据等；然后求解运行数据中物理量和机舱风速的相关性系数；基于相关性系数筛选相关性系数最高且互不强相关的若干个物理量，并删除其他物理量。具体步骤如下：
[0074]
步骤s11：删除空数据所在时刻和机组故障、限电等非正常运行时刻的所有数据；
[0075]
步骤s12：分别求解机组运行数据中各物理量与机舱风速的相关性系数，表达式如下：
[0076][0077]
上式中，x为机舱风速，y为物理量，ρ(x,y)为物理量与机舱风速的相关性系数，cov(x,y)为物理量与机舱风速的协方差，d(x)为机舱风速的方差，d(y)为物理量的方差。
[0078]
步骤s13：筛选与机舱风速相关性系数最高且互不强相关的5种物理量，删除其余物理量。
[0079]
步骤s2中，基于机组属性和实际情况对数据进行清洗，删除超出物理意义阈值的数据；按照指定风速将机舱风速分割成若干个区间，如图2所示，求取每个区间内的功率数据集的标准差，并删除超过均值正负三倍标准差区间的数据，得到清洗后的数据集。包括以下步骤：
[0080]
步骤s21：根据机组属性和当地实际情况，删除超出物理意义阈值的数据；
[0081]
步骤s22：以机舱风速0.5m/s为间隔，将机舱风速划分为若干区间；
[0082]
步骤s23：对每个区间内的功率数据集求标准差，并删除超过均值正负三倍标准差区间的数据，得到清洗后的数据集。
[0083]
步骤s3中，测风塔的运行数据包括测风塔风速数据和测风塔风向数据。在清洗后的数据集中，对物理量进行压缩，将物理量压缩为指定时间的节点并保留物理量信息，物理量信息包括平均值和方差值等；将测风塔风速数据压缩为与指定时间相同的节点并保留风速信息，风速信息包括平均值和方差值等；将测风塔风向数据压缩为与指定时间相同的节点，其压缩方式为十分钟内主要风向，其中，十分钟主要风向分为若干个扇区；将压缩后的物理量、测风塔风速数据和测风塔风向数据进行时间戳对齐。具体步骤如下：
[0084]
步骤s31：将步骤s2得到的数据集中每一个物理量压缩为10分钟一个的节点，保存其平均值、方差值；
[0085]
步骤s32：按照步骤s31对测风塔风速数据进行同样处理，将测风塔风速数据压缩为10分钟一个的节点，保存其平均值、方差值；
[0086]
步骤s33：将测风塔风向数据压缩为10分钟一个点，压缩方式为取十分钟内主要风向；
[0087]
步骤s34：通过时间戳对齐的方式合并步骤s31至步骤s33所得的数据。
[0088]
步骤s4中，筛选可以用测风塔风速表征该机组风速的风向区间。将测风塔风向数据分为若干个区间；对比每个风向区间内的测风塔风向数据和机舱风速的时序数据，保留误差小于指定阈值的对应的风向区间的数据集。具体步骤如下：
[0089]
步骤s41：将测风塔风向数据中的“十分钟主要风向”分为36个风向区间，风向区间中心值为0
°
、10
°
、20
°……
50
°
，风向区间跨度为左右各5
°
。
[0090]
步骤s42：对于每个风向区间范围内的测风塔风速数据，将其与同时刻的机舱风速的时序数据对比并求解误差，最终只保留误值差小于0.2的对应的风向区间范围内的数据集m。计算方法为：
[0091][0092]
上式中，ei为第i个风向区间内机舱风速与测风塔风速的误差值；v
i,t,j
为第i个风向区间内,第j时刻的测风塔风速；v
i,n,j
为第i个风向区间内,第j时刻的机舱风速；ni为第i个风向区间内数据组数。
[0093]
步骤5中，基于反向传播神经网络建立并训练机舱风速传递函数模型得到机舱风速传递函数。选取数据集m中若干个物理量对应的数据集a，对数据集a随机划分为训练集和测试集；初始化参数设置并设置激励函数，将训练集中对应的物理量处理后作为模型的输入；计算输出层误差；利用梯度下降法反向更新神经网络的参数；对机舱风速传递函数模型进行迭代得到机舱风速传递函数。具体步骤如下：
[0094]
步骤s51：对步骤s4得到的数据集m中12个物理量的数据集a进行随机划分，其中80％数据作为神经网络的训练集，20％的数据作为神经网络的测试集。
[0095]
步骤s52：初始化参数设置并设置激励函数，将训练集中对应的物理量处理后作为模型的输入。如图3所示，设置输入层节点数为k,本实施例中，k＝12；将训练集中12个物理量归一化后作为神经网络的输入；设置隐含层节点数为m；输出层节点数为1；初始化各神经元之间的连接权值ω
i,j
、ωj；初始化隐含层阈值aj、输出层阈值b；设定迭代步长为η；设定迭代次数为n。表达式如下：
[0096][0097][0098][0099]
上式中，y
*
为神经网络的输出，即机舱风速传递函数，f(x)为激励函数，fj为隐含层第j个节点的输出值，ω
i,j
和ωj为神经元之间的连接权值，aj为隐含层阈值，b为输出层阈值，m为隐含层节点数，k为输入层节点数。
[0100]
步骤s53：计算输出层误差，表达式如下：
[0101][0102]
上式中，e为输出层误差，y为训练集给定的目标值。
[0103]
步骤s54：利用梯度下降法反向更新神经网络各参数，表达式如下：
[0104][0105][0106][0107]b*
＝b+ηe
[0108]
上式中，和为更新后的连接权值，η为迭代步长，为更新后的隐含层阈值，b
*
为更新后的输出层阈值。
[0109]
步骤s55：对模型进行迭代，达到迭代次数n之后，模型训练完成，得到机舱风速传递函数。
[0110]
步骤s6中，基于机舱风速传递函数确定风轮前方的来流风速，根据来流风速控制机组。机舱风速传递函数可用于推导风轮前方的来流风速，可避免机舱风速仪测得的风速偏小对控制策略、功率曲线测试、功率预测等产生的不利影响。
[0111]
结合机组运行参数，利用反向传播神经网络进行建模，较其他只对来流风速和机舱风速进行拟合的方法更为准确。神经网络输入的特征值不仅包含十分钟平均值，还包含十分钟标准差。其中，十分钟平均值可以消除风速从测风塔传递至机舱的时间差，标准差可以表示十分钟内工况变化的剧烈程度，可以将工况变化所造成的传递函数变化涵盖于模型之中，进而使机舱风速传递函数更加准确。采用相关性进行特征的选取，可以减少计算时间，增加准确度，防止过拟合。

技术特征：
1.一种基于机舱风速传递函数的机组控制方法，其特征在于，包括以下步骤：s1：获取机组运行数据和测风塔运行数据，基于机组运行数据筛选物理量；s2：对机组运行数据进行有效性处理得到第一数据集；s3：压缩、合并物理量和测风塔运行数据；s4：基于风向区间以测风塔运行数据表征机组运行数据得到第二数据集；s5：基于反向传播神经网络建立并训练机舱风速传递函数模型得到机舱风速传递函数。s6：基于机舱风速传递函数确定来流风速，基于来流风速控制机组。2.根据权利要求1所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，s1中，测风塔运行数据包括风速数据和风向数据。3.根据权利要求1或2所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，s1中，基于机组运行数据筛选物理量，包括以下步骤：s11：删除空的或非正常的机组运行数据；s12：计算机组运行数据中各物理量和机舱风速的相关性系数；s13：筛选若干种和机舱风速相关性系数最高且互不强相关的物理量，删除其余物理量。4.根据权利要求1所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，s2包括以下步骤：s21：基于机组属性和实际情况删除超出阈值的机组运行数据；s22：按照指定风速将机舱风速分割成若干个区间；s23：计算区间内功率数据集的标准差，删除超过均值正负三倍标准差区间的数据，得到第一数据集。5.根据权利要求1或2所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，s3包括以下步骤：s31：按照指定时间压缩物理量为第一节点，第一节点保留平均值和方差值；s32：按照指定时间压缩测风塔的风速数据为第二节点，第二节点保留平均值和方差值；s33：按照指定时间和指定时间内的主要风向压缩测风塔的风向数据为第三节点；s34：通过时间戳对齐的方式合并第一节点、第二节点和第三节点。6.根据权利要求1所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，s4包括以下步骤：s41：将测风塔的风向数据按照指定时间内的主要风向分为若干个区间；s42：对比风向区间内风向数据和机舱风速的时序数据，保留误差值小于指定阈值的第二数据集。7.根据权利要求1或6所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，s5包括以下步骤：s51：从第二数据集中若干个物理量组成第三数据集，第三数据集随机划分为训练集和测试集；s52：设置神经网络的初始参数和激励函数，将训练集作为机舱风速传递函数模型的输
入；s53：计算输出层误差；s54：利用梯度下降法反向更新神经网络的参数；s55：对机舱风速传递函数模型进行迭代得到机舱风速传递函数。8.根据权利要求3所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，s12中，相关性系数的表达式如下：上式中，x为机舱风速，y为物理量，ρ(x,y)为物理量与机舱风速的相关性系数，cov(x,y)为物理量与机舱风速的协方差，d(x)为机舱风速的方差，d(y)为物理量的方差。9.根据权利要求6所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，s42中，误差值的表达式如下：上式中，e
i
为第i个风向区间内机舱风速与测风塔风速的误差值，v
i,t,j
为第i个风向区间内,第j时刻的测风塔风速，v
i,n,j
为第i个风向区间内，第j时刻的机舱风速，n
i
为第i个风向区间内数据组数。10.根据权利要求7所述的一种基于机舱风速传递函数的机组控制方法，其特征在于，机舱风速传递函数，表达式如下：机舱风速传递函数，表达式如下：机舱风速传递函数，表达式如下：机舱风速传递函数，表达式如下：机舱风速传递函数，表达式如下：机舱风速传递函数，表达式如下：机舱风速传递函数，表达式如下：b
*
＝b+ηe上式中，y
*
为机舱风速传递函数，f(x)为激励函数，f
j
为隐含层第j个节点的输出值，e为输出层误差，y为训练集给定的目标值，ω
i,j
和ω
j
为神经元之间的连接权值，a
j
为隐含层阈值，b为输出层阈值，m为隐含层节点数，k为输入层节点数，和为更新后的连接权值，η
为迭代步长，为更新后的隐含层阈值，b
*
为更新后的输出层阈值。

技术总结
本发明公开了一种基于机舱风速传递函数的机组控制方法，包括以下步骤：S1：获取机组运行数据和测风塔运行数据，基于机组运行数据筛选物理量；S2：对机组运行数据进行有效性处理得到第一数据集；S3：压缩、合并物理量和测风塔运行数据；S4：基于风向区间以测风塔运行数据表征机组运行数据得到第二数据集；S5：基于反向传播神经网络建立并训练机舱风速传递函数模型得到机舱风速传递函数；S6：基于机舱风速传递函数确定来流风速，基于来流风速控制机组。本发明的有益效果是：不依赖机械传动效率和电气效率计算来流风速，能提高来流风速的精确度从而提高机组控制的有效性和安全性。确度从而提高机组控制的有效性和安全性。确度从而提高机组控制的有效性和安全性。


技术研发人员：王恩予 侯鹏 朱金奎 沈洋 雪小峰 施小华 阎越圣 陆超 吴伊雯 何国栋 林感 储著宇 张宝龙 蔡得生 寿春晖 高斌 戚远航 金荣森 杨之乐 张墨苇
受保护的技术使用者：浙江省白马湖实验室有限公司
技术研发日：2023.05.18
技术公布日：2023/10/19