低风速风电机组机舱风速修正函数的获得方法及其装置与流程

本发明涉及风电技术领域，特别是涉及一种低风速风电机组机舱风速修正函数的获得方法、装置及风电场。

背景技术：

风电机组的测量风速是整机控制的一项重要因素，尤其在低风速时，它直接决定机组的切入行为，也间接影响机组的对风效果。但是，绝大多数风电机组的测风传感器都安装在机组叶轮的下风向，测风数据受到叶轮尾流的影响与自由流风相差较大，给评价已经投运风电机组的叶片效能带来较大的困难。

目前，风电机组机舱风速仪数据修正采用方法主要有：1、根据样机实际测量得到的风速偏差进行批量机组的风速修正；2、对每台机组采用激光雷达设备进行叶轮前端自由流风速与机舱风速仪数据关系测量。第一种方法因为批量运行机组所处的环境不同，自由流风速与机舱测量值会有完全不同传递关系，样机测量结果应用范围有限；第二种方法因为需要在每台机组上安装设备并付出较长时间和费用，因此在机组运行阶段实施是非常困难的。

在低风速时，如何在保证可靠性、经济性的前提下对数量众多的批量运行机组进行风速修正，是目前风电机组风速测量及修正的一项普遍技术难题。

技术实现要素：

本发明要解决的技术问题是提供一种低风速风电机组机舱风速修正函数的获得方法，使其在保证可靠性、经济性的前提下能对数量众多的批量运行机组进行风速修正。

为解决上述技术问题，本发明采用如下技术方案：

本发明提供一种低风速风电机组机舱风速修正函数的获得方法，包括如下步骤：

s1：数据采集及预处理，采集大量机组的运行数据，将所述运行数据分为两类，一类为待分析机组的运行数据，记为待分析数据，另一类为与待分析机组同类型的大量风电机组的运行数据，记为大量数据，分别对这两类数据进行归一化处理；

s2：使用聚类方法将大量数据进行健康筛选，将筛选的大量数据根据运行机理设计风速传递关系，并同时对待分析数据进行风速传递关系设计；

s3：采用bp神经网络算法根据步骤s2中两类数据的风速传递关系分别搭建模型，并对参数进行参数初始化处理，根据大量数据的分析结论，得出大量数据与待分析数据的对比模型，从而获得机舱风速修正函数模型。

进一步地，所述步骤s2中还分别对两类数据的核心变量数据进行适应性处理，适应性处理的算法公式为：

式(1)中ws3为适应性处理后的某数据变量，winds0.25是某数据变量1/4中位数，windsmean是某数据变量平均值，winds0.75是某数据变量3/4中位数。

进一步地，所述步骤s1中分别对采集的大量数据和待分析数据进行输入矩阵train_x、text_x的构造，并分别对train_x、text_x进行归一化处理：

大量数据的输入矩阵train_x构建为：

train_x＝[windsdyawedpowerdgenspdpitdvibd](2)

式(2)中train_x是训练矩阵；windsd是大量机组风速；yawed是大量机组偏航误差；powerd是大量机组的发电功率；genspd是大量机组发电机转速；pitd是大量机组桨距角；vibd是大量机组振动数据；

大量数据的输入矩阵text_x构建为：

test_x＝[windssyawespowersgenspspitsvibs](3)

test_x是测试矩阵；windss是待分析机组风速；yawes是待分析机组偏航误差；powers是待分析机组的发电功率；gensps是待分析机组发电机转速；pits是待分析机组桨距角；vibs是待分析机组振动数据；

以公式(4)分别对train_x、text_x进行归一化处理：

xk＝(xk-xmin)/(xmax-xmin)(4)

式(4)中，x代表某数据变量，xk为某数据变量的归一化结果，xmax为某数据变量的最大值，xmin为某数据变量的最小值。

进一步地，根据空气动力学原理得到气动数学模型，步骤s2中风速传递关系如下：

式(5)、式(6)中，tr为风轮获取的气动转矩；pr为风轮吸收的功率；λ为叶尖速比；ωr为风轮转动角速度；ρ为空气密度；v为有效风速；r为风轮半径；cp(λ,β)为风能利用系数。

进一步地，风能利用系数cp(λ,β)与桨距角近似关系为：

式(7)中，β为叶片桨距角；将公式(5)、(7)合并，获得下式：

公式(8)中，同样型号的风电机组的ω、ρ、v、r均为常量或者已知量，β为变量；则大量数据和待分析数据的气动数学模型为：

在公式(9)、(10)中，td是大量机组叶轮的转矩；ts是待分析机组叶轮转矩。

进一步地，叶片桨距角β由执行机构调节，执行机构用一个时间常数为τ的一阶系统近似,其传递函数如下:

式(11)中，τ为执行机构的时间常数；βr为桨距角参考输入。

进一步地，利用大量数据的模型结论和待分析数据的模型结论分别生成测量风速和桨距角指标结论，采用回归法拟合βd和βs之间的关系方程：

βs＝kβd+b(12)

式(8)中：k、b为拟合得到的常数，βd：大量机组桨距角标准值；βs：待分析机组桨距角标准值；

计算待分析机组的效能指标k＝{tr/td}，将公式(12)带入公式(10)中，并与公式(9)合并计算效能指标k。

进一步地，所述步骤s3中参数初始化包括神经网络的权值和阈值初始化。

另一方面，提供一种低风速风电机组机舱风速修正函数的装置，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的低风速风电机组机舱风速修正函数的获得方法。

再一方面，提供一种风电场，包括所述的低风速风电机组机舱风速修正函数的装置。

采用这样的设计后，本发明至少具有以下优点：

1、本发明针对大型风电机组的机舱风速仪测量修正问题，提出了一种风电机组运行机理分析与bp(backpropagation)神经网络相结合的方法，通过将大量机组运行过程中吸收风能效果在控制参数上的表现与测量风速同步拟合来推测/估算自由流风速的技术方案。

2、本发明提出一种低风速下风电机组测量风速与自由流风速之间的传递函数的计算方法，并将该方法应用于现役风电场的批量风电机组。该方法避免了所有机组均进行传递函数测量，缩减了测试周期，节省了测试费用，为风电机组运行、控制提供了有效可靠的风速换算值。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是本发明一实施例中低风速风电机组机舱风速修正函数的获得方法流程图；

图2是本发明的低风速风电机组机舱风速修正函数的获得方法的某一具体实施例的模型结论对比图。

具体实施方式

本发明针对大型风电机组的机舱风速仪测量修正问题，本发明基于bp(backpropagation)神经网络算法，提出一种低风速风电机组机舱风速修正函数的获得方法。

如图1、2所示，本实施例提供了一种低风速风电机组机舱风速修正函数的获得方法，包括如下步骤：

s1：数据采集及预处理，采集大量机组的运行数据，将运行数据分为两类，一类为待分析机组的运行数据，记为待分析数据，另一类为与待分析机组同类型的大量风电机组的运行数据，记为大量数据，分别对这两类数据进行归一化处理；

s2：使用聚类方法将大量数据进行健康筛选，将筛选的大量数据根据运行机理设计风速传递关系，并同时对待分析数据进行风速传递关系设计；

s3：采用bp神经网络算法根据步骤s2中两类数据的风速传递关系分别搭建模型，并对参数进行参数初始化处理，根据大量数据的分析结论，得出大量数据与待分析数据的对比模型，从而获得机舱风速修正函数模型。

本发明针对大型风电机组的机舱风速仪测量修正问题，提出了一种风电机组运行机理分析与bp(backpropagation)神经网络相结合的方法，通过将大量机组运行过程中吸收风能效果在控制参数上的表现与测量风速同步拟合来推测/估算自由流风速的技术方案。

本发明通过对大量同类型的风电机组进行数据采集，建立数据库，可以使批量机组运行数据结论极大接近于设计值。

本发明使用聚类方法对大量数据进行健康筛选，极大程度保证大量机组运行数据接近一台健康机组。对影响整机出力性能的因素进行筛选，包括整机控制策略、功率曲线分析、偏航误差分析、振动状态分析等，排除叶片之外的影响因素。

由于输入矩阵中的各参数带有不同属性、幅值差距较大，在进行模型训练之前必须进行数据归一化处理，因为不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性。

可以以公式(4)分别对train_x、text_x进行归一化处理：

xk＝(xk-xmin)/(xmax-xmin)(4)

式(4)中，x代表某数据变量，xk为某数据变量的归一化结果，xmax为某数据变量的最大值，xmin为某数据变量的最小值。

为了保障数据处理过程不会降低机理有效性，建模前另一项关键任务是对输入矩阵的核心变量进行适应性处理，步骤s2中分别对两类数据的核心变量数据进行适应性处理，适应性处理的算法公式为：

式(1)中ws3为适应性处理后的某数据变量，winds0.25是某数据变量1/4中位数，windsmean是某数据变量平均值，winds0.75是某数据变量3/4中位数。中位数是指数据按大小派训过程中处于中间位置的数据，由于在额定风速以上，湍流对风电机组出力产生负作用，经过大量的数据验证后选用公式(1)进行适应性处理后的分析精度会更高。

本发明选用大量机组的运行数据(大量数据)作为训练输入，选用待分析机组的运行数据作为测试数据输入，即分别对采集的大量数据和待分析数据进行输入矩阵train_x、text_x的构造，并分别对train_x、text_x进行归一化处理：

大量数据的输入矩阵train_x构建为：

train_x＝[windsdyawedpowerdgenspdpitdvibd](2)

式(2)中train_x是训练矩阵；windsd是大量机组风速；yawed是大量机组偏航误差；powerd是大量机组的发电功率；genspd是大量机组发电机转速；pitd是大量机组桨距角；vibd是大量机组振动数据；

大量数据的输入矩阵text_x构建为：

test_x＝[windssyawespowersgenspspitsvibs](3)

test_x是测试矩阵；windss是待分析机组风速；yawes是待分析机组偏航误差；powers是待分析机组的发电功率；gensps是待分析机组发电机转速；pits是待分析机组桨距角；vibs是待分析机组振动数据；

本发明的原理是，在风速高于额定风速时，双馈变桨距式风力发电机组通过对桨距角调节来减少叶轮输入转矩，进而使发电机输出功率稳定在额定功率，步骤s2中风速传递关系如下：

式(5)、式(6)中，tr为风轮获取的气动转矩；pr为风轮吸收的功率；λ为叶尖速比；ωr为风轮转动角速度；ρ为空气密度；v为有效风速；r为风轮半径；cp(λ,β)为风能利用系数。

进一步地，风能利用系数cp(λ,β)与桨距角近似关系为：

其中，叶片桨距角β由执行机构调节，执行机构用一个时间常数为τ的一阶系统近似,其传递函数如下:

式(11)中，τ为执行机构的时间常数；βr为桨距角参考输入。

由公式(5)、(6)、(7)、(11)推论可知，在额定风速以上，机组风轮获取的气动转矩tr与桨距角近似一阶关系，本发明在对叶片效能评价指标的选择上主要参照同一条件下的叶片桨距角。

式(7)中，β为叶片桨距角；将公式(5)、(7)合并，获得下式：

公式(8)中，同样型号的风电机组的ω、ρ、v、r均为常量或者已知量，β为变量；则大量数据和待分析数据的气动数学模型为：

在公式(9)、(10)中，td是大量机组叶轮的转矩；ts是待分析机组叶轮转矩。

进一步地，利用大量数据的模型结论和待分析数据的模型结论分别生成测量风速和桨距角指标结论，采用回归法拟合βd和βs之间的关系方程：

βs＝kβd+b(12)

式(8)中：k、b为拟合得到的常数，βd：大量机组桨距角标准值；βs：待分析机组桨距角标准值；

计算待分析机组的效能指标k＝{tr/td}，将公式(12)带入公式(10)中，并与公式(9)合并计算效能指标k。

以某类型的大量数据的模型结论和待分析数据的模型结论分别生成测量风速和桨距角指标结论风电机组，将两组模型结论进行可视化对比(如图2所示)，采用回归法拟合βd和βs之间的关系方程：βs＝0.83×βd+0.48，则将其带入公式(10)中，并与公式(9)合并计算效能指标k：

根据大数据分析理论，批量机组运行数据结论极大接近于设计值，因此获得的待分析机组的效能指标k，可以完成待分析机组的测量风速修正，避免了额外的测试设备在风速修正中的安装使用，节省了时间和费用并且便于推广。

进一步地，步骤s3中参数初始化包括神经网络的权值和阈值初始化：

maxgen＝10(13)

sizepop＝30(14)

pcross＝[0.3](15)

pmutation＝[0.1](16)

其中，maxgen是进化迭代次数；sizepop是种群规模；pcross是交叉概率选择；pmutation是变异概率选择。

本发明的特点是，采用大量的风电机组运行数据，根据风能吸收效果与叶片桨距角的机理关系，设计出大量运行数据与待分析机组数据的对比模型，最终完成待分析机组的测量风速修正，避免了额外的测试设备在风速修正中的安装使用，节省了时间和费用并且便于推广。

另一方面，提供一种低风速风电机组机舱风速修正函数的装置，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现所述的低风速风电机组机舱风速修正函数的获得方法。

再一方面，提供一种风电场，包括所述的低风速风电机组机舱风速修正函数的装置。

本发明提出了一种基于风电机组运行机理分析与bp(backpropagation)神经网络相结合的机舱低风速修正方法，通过将大量机组运行过程中吸收风能效果在控制参数上的表现与测量风速同步拟合来修正机舱测量风速。本发明提出的基于风电机组运行机理分析与bp(backpropagation)神经网络相结合的机舱风速修正方法，可有效避免对所有机组均进行传递函数的测量，从而缩减了测试周期，节省了测试费用，为风电机组运行、控制提供了有效可靠的风速换算值。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。