一种风力发电机功率曲线的获取方法及装置与流程

本申请涉及风力发电技术领域，特别涉及一种风力发电机功率曲线的获取方法及装置。

背景技术：

随着近些年风力发电技术的快速发展和进步，风力发电已经在我国电力系统中发挥着重要作用。风力发电机功率曲线是风力发电机的重要特性，它描述了风力发电机的输出功率与风速之间的关系，是评估风力发电机组性能和发电能力的一项重要指标。

现有技术中，风力发电机组功率曲线的获取方式一般分为两大类。其中一种是依靠数理统计方法，通过对测量得到的风力发电机组运行时的观测数据进行数据拟合等方式，得到功率曲线。然而，由于实际的观测数据中包含有大量的故障数据，包括高风速零功率的故障点和风速误差过大的湍流点，因此，依靠数理统计方法得到的功率曲线误差较大；并且，一些常见的拟合函数并不完全适用于风力发电机。

另一种方法则是依据风力发电机的工作原理得到的机理模型：其中，ρ为空气密度，a为风力发电机风轮的扫略面积，v为风轮处的风速，cp为风能利用系数。然而，在实际应用中，参数空气密度会随着温度、气压等环境因素变化；风能利用率会因叶尖速比、桨距角的不同而变化；实际测量位置处的风速大小和角度也与风轮处的风速不同。因此，这些因素都会造成较大的误差。

由此可见，采用何种高精度、高可靠性的风力发电机功率曲线获取方法及装置，是本领域技术人员亟待解决的技术问题。

技术实现要素：

本申请的目的在于提供一种高精度、高可靠性的风力发电机功率曲线的获取方法及装置。

为解决上述技术问题，本申请提供一种风力发电机功率曲线的获取方法，包括：

获取风力发电机运行时的观测数据；所述观测数据包括风速的观测数据和输出功率的观测数据；

将所述观测数据代入到预先建立的风力发电机模型的状态空间方程中；

对所述状态空间方程进行一阶线性化；

对线性化后的所述状态空间方程进行kalman滤波，生成所述观测数据的去噪数据，以便根据所述去噪数据生成所述功率曲线。

可选地，所述获取风力发电机运行时的观测数据包括：

采集预设时长时间段内所述风力发电机运行时的观测数据。

可选地，还包括：

在所述生成所述观测数据的去噪数据之后，将所述去噪数据进行存储。

可选地，在所述获取风力发电机运行时的观测数据之后、所述将所述观测数据代入到预先建立的风力发电机模型的状态空间方程中之前，还包括：

对所述观测数据进行筛选预处理。

可选地，所述对所述观测数据进行筛选预处理包括：

将所述观测数据划分成多个风速比恩；

计算各个所述风速比恩的平均风速；

将各个所述风速比恩中与对应的平均风速的误差超过预设误差阈值的观测数据滤除。

可选地，所述对所述观测数据进行筛选预处理还包括：

在所述将各个所述风速比恩中与对应的平均风速的误差超过预设误差阈值的观测数据滤除之后，将所述风速不为零而所述输出功率为零的观测数据滤除。

可选地，所述状态空间方程的状态观测量包括：

空气密度、测量风速与叶片接触风速的差速、风向与叶片的夹角和风能利用率；

所述观测数据还包括所述状态观测量的观测数据。

可选地，所述对所述状态空间方程进行一阶线性化包括：

将所述状态空间方程的观测方程进行一阶泰勒展开后保留一阶项。

本申请还提供了一种风力发电机功率曲线的获取装置，包括：

数据获取模块：用于获取风力发电机运行时的观测数据；所述观测数据包括风速的观测数据和输出功率的观测数据；

数据融合模块：用于将所述观测数据代入到预先建立的风力发电机模型的状态空间方程中；

线性化处理模块：用于对所述状态空间方程进行一阶线性化；

kalman滤波模块：用于对线性化后的所述状态空间方程进行kalman滤波，生成所述观测数据的去噪数据，以便根据所述去噪数据生成所述功率曲线。

可选地，还包括：

数据存储模块：用于在所述kalman滤波模块生成所述观测数据的去噪数据之后，将所述去噪数据进行存储。

本申请所提供的风力发电机功率曲线的获取方法包括：获取风力发电机运行时的观测数据；所述观测数据包括风速的观测数据和输出功率的观测数据；将所述观测数据代入到预先建立的风力发电机模型的状态空间方程中；对所述状态空间方程进行一阶线性化；对线性化后的所述状态空间方程进行kalman滤波，生成所述观测数据的去噪数据，以便根据所述去噪数据生成所述功率曲线。

可见，相比于现有技术，本申请实施例所提供的风力发电机功率曲线的获取方法，以大量的实际观测数据为依据，在以风力发电机机理模型建立的状态空间方程的基础上，采用kalman滤波对观测数据进行最优估计，利用kalman滤波的高精度，获取观测数据的可靠性较高的去噪数据，以便生成风力发电机的功率曲线。本申请所提供的风力发电机功率曲线的获取装置可以实现上述风力发电机功率曲线的获取方法，同样具有上述有益效果。

附图说明

为了更清楚地说明现有技术和本申请实施例中的技术方案，下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。

图1为本申请实施例所提供的一种风力发电机功率曲线的获取方法的流程图；

图2为本申请实施例所提供的一种风力发电机功率曲线的获取装置的结构框图。

具体实施方式

本申请的核心在于提供一种高精度、高可靠性的风力发电机功率曲线的获取方法及装置。

为了对本申请实施例中的技术方案进行更加清楚、完整地描述，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行介绍。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

请参考图1，图1为本申请实施例所提供的一种风力发电机功率曲线的获取方法的流程图，主要包括以下步骤：

步骤1：获取风力发电机运行时的观测数据；观测数据包括风速的观测数据和输出功率的观测数据。

步骤2：将观测数据代入到预先建立的风力发电机模型的状态空间方程中。

具体地，这里所说的状态空间方程为根据风力发电机机理模型所建立的状态空间方程。当然，可以根据步骤1中所获取到的观测数据的数量来设置状态空间方程中变量矩阵的维数。

步骤3：对状态空间方程进行一阶线性化。

步骤4：对线性化后的状态空间方程进行kalman滤波，生成观测数据的去噪数据，以便根据去噪数据生成功率曲线。

具体地，kalman滤波是自动控制系统中一种常用的滤波算法，它可以通过逐次地滤波处理对系统进行最优估计。本申请将测量得到的观测数据与风力发电机的机理模型通过状态空间方程进行结合，以便利用kalman滤波来获取高精度和高可靠性的去噪数据，进而获得风力发电机的功率曲线。根据kalman滤波算法理论，风力发电机机理模型所对应的状态空间方程需要经过一阶线性化之后，再进行滤波处理，从而进行最优估计以获得观测数据的去噪数据。

可见，本申请实施例所提供的风力发电机功率曲线的获取方法，以大量的实际观测数据为依据，在以风力发电机机理模型建立的状态空间方程的基础上，采用kalman滤波对观测数据进行最优估计，利用kalman滤波的高精度，获取观测数据的可靠性较高的去噪数据，以便生成风力发电机的功率曲线。

本申请所提供的风力发电机功率曲线的获取方法，在上述实施例的基础上：

作为一种优选实施例，获取风力发电机运行时的观测数据包括：

采集预设时长时间段内风力发电机运行时的观测数据。

具体地，每次在获取风力发电机运行时的观测数据时，可以在时域中滚动获取固定时长时间段内的观测数据，以便获取最近一段时间内的最新数据，全面地利用历史数据信息，克服风速和风向不确定带来的影响。至于该时间段的预设时长的大小，可由本领域技术人员自行选择并设置，本申请实施例对此并不进行限定。

作为一种优选实施例，还包括：

在生成观测数据的去噪数据之后，将去噪数据进行存储。

具体地，当完成了数据处理之后，可以将得到的观测数据的去噪数据进行存储，并且具体可以保存在指定的文件中。

作为一种优选实施例，在获取风力发电机运行时的观测数据之后、将观测数据代入到预先建立的风力发电机模型的状态空间方程中之前，还包括：

对观测数据进行筛选预处理。

根据前文所述，在通过各类传感器测量得到的观测数据中，总会存在有大量的坏数据，包括故障点和湍流点。因此，为了进一步提高准确度和可靠性，在将观测数据代入到状态空间方程中进行kalman滤波前，需要对观测数据进行预处理，以便将其中的故障点和湍流点等滤除。

作为一种优选实施例，对观测数据进行筛选预处理包括：

将观测数据划分成多个风速比恩；

计算各个风速比恩的平均风速；

将各个风速比恩中与对应的平均风速的误差超过预设误差阈值的观测数据滤除。

具体地，采用风速比恩的方法，可将观测数据中风速误差过大的点，即湍流点进行滤除。在一个风速比恩中，所有观测点的风速值应当与该风速比恩的平均风速相差不大，若其误差超过了预设误差阈值，则该观测点即为湍流点。当然，该预设误差阈值可由本领域技术人员根据实际应用情况自行选择并设置，本申请实施例对此并不进行限定。

作为一种优选实施例，对观测数据进行筛选预处理还包括：

在将各个风速比恩中与对应的平均风速的误差超过预设误差阈值的观测数据滤除之后，将风速不为零而输出功率为零的观测数据滤除。

具体地，测量得到的观测数据中，风力发电机输出功率为零时包括两类情况，一类是风速为零，一类是风速不为零。显然，后者属于故障点的观测数据。当然，考虑到机械摩擦等因素，本领域技术人员也可以设置合理的预设风速阈值，将风速大于预设风速阈值而输出功率为零的观测数据视为故障点的观测数据而进行滤除。

作为一种优选实施例，状态空间方程的状态观测量包括：

空气密度、测量风速与叶片接触风速的差速、风向与叶片的夹角和风能利用率；

观测数据还包括状态观测量的观测数据。

具体地，根据前文所述，空气密度、风速、风能利用率都是变化的参数，不是固定的，为了消除这些因素对结果造成的误差，本申请实施例将空气密度、测量风速与叶片接触风速的差速、风向与叶片的夹角和风能利用率均作为状态观测量，以便在进行kalman滤波的过程中，不断地对这些参数也进行最优估计，从而根据这些参数的最优估计值得到风力发电机在对应环境下输出功率的去噪数据。

风力发电机扩展后的输出功率及其状态空间方程的状态方程为：

x(k+1)＝x(k)+w(k)；

其中，y(k)为风力发电机的输出功率；v(k)为叶片接触风速；状态观测量x(k)＝[ρ(k)cosθ(k)cp(k)δv(k)]^t，ρ(k)为空气密度，θ(k)为风向与叶片间的角度，cp(k)为风能利用率，δv(k)为测量风速与叶片接触风速的差速；w(k)＝[wρ(k)wθ(k)wc(k)wv(k)]^t为动态误差，wρ(k)为空气密度的动态误差，wθ(k)为风向角度的动态误差，wc(k)为风能利用率的动态误差，wv(k)为风速的动态误差。

由此可得到状态空间方程的观测方程为：

其中，n为观测方程中的矩阵参数，具体可由获取到的观测数据的数量来确定。

由于在k-n+1时刻到k时刻的时域范围内，空气密度、风与叶片间的角度、风能利用率以及测量风速与叶片接触风速的差速均几乎保持不变，因此，它们可分别用k时刻的测量值ρ(k)、θ(k)、cp(k)、δv(k)来表示，则观测方程可简化为：

作为一种优选实施例，对状态空间方程进行一阶线性化包括：

将状态空间方程的观测方程进行一阶泰勒展开后保留一阶项。

具体地，对于上述将空气密度、测量风速与叶片接触风速的差速、风向与叶片的夹角和风能利用率作为状态观测量的状态空间方程，可以通过一阶泰勒展开进行线性化，得到一阶线性化后的一阶偏导即观测矩阵为：

由此，可进行kalman滤波的处理过程，首先计算k时刻的状态预测值x(k|k-1)及其协方差矩阵p(k|k-1)：

x(k|k-1)＝x(k-1|k-1)+ω(k)；

p(k|k-1)＝φ(k)p(k-1|k-1)φ^t(k)+q；

其中，x(k-1|k-1)为k-1时刻的状态最优估计值；p(k-1|k-1)为x(k-1|k-1)的协方差矩阵；φ(k)为单位阵；q为ω(k)的方差。

然后，可计算kalman增益矩阵k(k)：

k(k)＝p(k|k-1)h^t(k)(h(k)p(k|k-1)h^t(k)+r)；

其中，r为v(k)的方差。

由此可计算k时刻的状态最优估计值x(k)及其协方差矩阵p(k)：

x(k)＝x(k|k-1)+k(y(k)-y(k|k-1))；

p(k)＝(in-k(k)h(k))p(k|k-1)；

其中，y(k|k-1)为k时刻的输出预测值。

由此，即完成了kalman滤波过程中的一次计算。对上述过程进行循环处理，直到将所有的数据都处理完成。

根据上述内容可知，通过将空气密度、测量风速与叶片接触风速的差速、风向与叶片的夹角和风能利用率作为状态观测量，并利用kalman滤波理论进行最优估计，在获得更精确的输出功率的去噪数据同时，还实现了对空气密度，风向、风速等的软测量，提供了一种新的风机运行监控手段。

下面对本申请实施例所提供的风力发电机功率曲线的获取装置进行介绍。

请参阅图2，图2为本申请所提供的一种风力发电机功率曲线的获取装置的结构框图；包括数据获取模块1、数据融合模块2、线性化处理模块3和kalman滤波模块4；

数据获取模块1用于获取风力发电机运行时的观测数据；观测数据包括风速的观测数据和输出功率的观测数据；

数据融合模块2用于将观测数据代入到预先建立的风力发电机模型的状态空间方程中；

线性化处理模块3用于对状态空间方程进行一阶线性化；

kalman滤波模块4用于对线性化后的状态空间方程进行kalman滤波，生成观测数据的去噪数据，以便根据去噪数据生成功率曲线。

可见，本申请所提供的风力发电机功率曲线的获取装置，以大量的实际观测数据为依据，在以风力发电机机理模型建立的状态空间方程的基础上，采用kalman滤波对观测数据进行最优估计，降低了非直接测量和噪声带来的影响，利用kalman滤波的高精度，获取观测数据的可靠性较高的去噪数据，以便生成风力发电机的功率曲线。

本申请所提供的风力发电机功率曲线的获取装置，在上述实施例的基础上：

作为一种优选实施例，数据获取模块1具体用于：

采集预设时长时间段内风力发电机运行时的观测数据。

作为一种优选实施例，还包括数据存储模块：

数据存储模块用于在kalman滤波模块4生成观测数据的去噪数据之后，将去噪数据进行存储。

作为一种优选实施例，还包括数据预处理模块：

数据预处理模块用于在数据获取模块1获取风力发电机运行时的观测数据之后、数据融合模块2将观测数据代入到预先建立的风力发电机模型的状态空间方程中之前，对数据获取模块1获取的观测数据进行筛选预处理。

作为一种优选实施例，数据预处理模块具体用于：

将观测数据划分成多个风速比恩；计算各个风速比恩的平均风速；将各个风速比恩中与对应的平均风速的误差超过预设误差阈值的观测数据滤除。

作为一种优选实施例，数据预处理模块还用于：

在将各个风速比恩中与对应的平均风速的误差超过预设误差阈值的观测数据滤除之后，将风速不为零而输出功率为零的观测数据滤除。

作为一种优选实施例，状态空间方程的状态观测量包括：

空气密度、测量风速与叶片接触风速的差速、风向与叶片的夹角和风能利用率；

观测数据还包括状态观测量的观测数据。

作为一种优选实施例，线性化处理模块3具体用于：

将状态空间方程的观测方程进行一阶泰勒展开后保留一阶项。

本申请所提供的风力发电机功率曲线的获取装置的具体实施方式与上文所描述的风力发电机功率曲线的获取方法可相互对应参照，这里就不再赘述。

本申请中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需说明的是，在本申请文件中，诸如“第一”和“第二”之类的关系术语，仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的技术方案进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。