大型风电机组叶轮面等效风速预测方法与流程

本发明涉及叶轮面等效风速预测技术领域，特别涉及一种大型风电机组叶轮面等效风速预测方法。

背景技术：

在风力发电中，风能的利用取决于风电机组能否快速准确的跟踪。大型风力机组叶轮具有的较大转动惯量导致机组叶轮转速难以实时跟踪快速变化的风况。随着激光雷达测风技术的日益成熟，激光雷达测风系统为风信息的提前测量提供了一种新的技术手段。基于风速和风向的预览信息可设计先进非线性预测控制策略，从而对风电机组做出提前控制与调节，提升大型风电机组的控制性能。然而，激光雷达测得的为风电机组叶轮前方一段距离处的风速，而风速从前方运动到叶轮面过程上存在时移演化历程。将雷达测量的结果直接用作风电机组控制输入是不准确的，本发明提供了一种大型风电机组叶轮面等效风速预测方法，结合利用先进测量设备测量数据和智能建模算法，可以准确预测叶轮面等效风速，从而更有效地服务于风电机组先进预测控制策略的设计。

技术实现要素：

本发明提供了一种大型风电机组叶轮面等效风速预测方法，其目的是为了解决叶轮面等效风速未来信息获取不准确，不能为大型风电机组先进预测控制提供可靠的输入的问题。

为了达到上述目的，本发明的实施例提供了一种大型风电机组叶轮面等效风速预测方法，包括：

步骤1，通过激光雷达测量风电机组前方虚拟叶轮面各个高度的风速；

步骤2，根据测量的虚拟叶轮面各个高度的风速数据计算虚拟叶轮面等效风速；

步骤3，利用风电机组模型与传感器测量数据获取实际叶轮面等效风速；

步骤4，将计算出的虚拟叶轮面等效风速经过时移模型后输入到bp神经网络；

步骤5，将获取的实际叶轮面等效风速作为bp神经网络的期望输出，训练bp神经网络使误差最小。

其中，所述步骤1具体包括：

采用多光束激光雷达进行风速测量，可以同时测得虚拟叶轮面各个高度上的风速。

其中，所述步骤2具体包括：

假定激光雷达测得风速点处有一虚拟风电机组，将虚拟风电机组的叶轮转子扫掠区域a细分为多个水平段，选择多个水平段，使得两个水平段之间的水平分离线恰好位于需要测量风速的两个点的中间。

其中，所述步骤2还包括：

计算扇形区域面积，如下所示：

其中，a表示扇形区域面积，r表示叶轮半径，h表示所计算扇形区域的高度。

其中，所述步骤2还包括：

计算虚拟叶轮面等效风速，如下所示：

其中，ueq表示虚拟叶轮面等效风速，ai表示第i个区段的区域面积，ui表示第i个区段的风速。

其中，所述步骤3具体包括：

叶片的气动转矩和等效风速之间存在的特定的数学关系，气动模型如下所示：

ta(λ,β)＝ρπr²v²cq(λ,β)/2(3)

其中，ta(λ,β)表示气动转矩，单位为n·m，ρ表示空气密度，单位为kg·m^-3，r表示转子半径，单位为m，v表示实际叶轮面等效风速，单位为m·s^-1，cq(λ,β)表示转矩系数，λ表示叶尖速比，β表示桨叶角度。

其中，所述步骤3还包括：

对气动转矩ta(λ,β)的获取采用标准的卡尔曼滤波器设计，根据风电机组的传动链模型来建立气动转矩的相关模型，风电机组的传动链模型，如下所示：

其中，γ表示扭转角且γ＝(θr-θg/n)，θr表示叶轮旋转角度，θg表示发电机旋转角度，tsh表示传动链低速轴转矩且tsh＝sdtγ+ωrddt-ωgddt/n，sdt表示传动链刚度，ddt表示阻尼系数，ωr表示叶轮转速，ωg表示发电机转速，jr表示叶轮转动惯量，jg表示发电机转动惯量，ta表示气动转矩，tg表示发电机电气转矩，n为齿轮箱变比；

将式(4)表示为状态空间的形式再加入气动转矩的未知输入模型，得到扩展模型，如下所示：

在式(5)中加入随机噪声得到的状态空间方程形式，如下所示：

其中，wr，wωr，wωg和wta分别为γ，ωr，ωg和ta的过程噪声。

其中，所述步骤3还包括：

根据式(6)设计卡尔曼滤波器得到的气动转矩ta和转子速度ωr的获取值，再将气动模型表示为：

其中，ta(λ,β)表示气动转矩，ρ表示空气密度，r表示转子半径，cq(λ,β)表示转矩系数，ωr表示转子速度；

通过求解式(4)得到叶尖速比λ，通过牛顿拉夫逊法求下述方程的零根：

其中，f(λ,β)表示与λ和β相关的非线性函数，ta(λ,β)表示气动转矩，ρ表示空气密度，r表示转子半径，cq(λ,β)表示转矩系数，ωr表示转子速度；

通过得到的叶尖速比λ的值，计算实际叶轮面等效风速，如下所示：

其中，v表示实际叶轮面等效风速，ωr表示转子转速，r表示转子半径，λ表示叶尖速比。

其中，所述步骤4具体包括：

时移模型，如下所示：

其中，tpre表示激光雷达提前测量的时移，表示平均风速，l表示叶轮前激光雷达测量距离。

其中，所述步骤4还包括：

bp神经网络为按照误差逆向传播算法训练的多层前馈神经网络，bp神经网络包括输入层、隐含层和输出层，将虚拟叶轮面等效风速经过时移模型处理后作为bp神经网络的输入，将实际叶轮面等效风速作为bp神经网络的期望输出，选取一段时间内的样本数据对bp神经网络进行训练，虚拟叶轮面等效风速通过隐含层产生输出信号，将虚拟叶轮面等效风速与实际叶轮面等效风速进行比较得到误差，误差通过隐含层向输入层逐层反传，调整输入节点与隐层节点的权值和隐层节点与输出节点的权值以及阈值，使误差沿梯度方向下降，当误差达到最小或下降到一定程度时，得到基于雷达测风的叶轮面等效风速演化预测模型。

本发明的上述方案有如下的有益效果：

本发明的上述实施例所述的大型风电机组叶轮面等效风速预测方法，采用激光雷达测风，精确性高，不存在测量静态误差，可以提前测量风速信息，消除了因测风滞后引起的功率损失，针对风从测风点处到叶轮面的进化机理，结合机理与数据驱动建模，可以准确预测叶轮面等效风速，叶轮面等效风速对叶轮面上各个高度的风速具有代表性，可应用于风力发电机组的各种控制场景中，可丰富风力发电机组的控制策略，提升风力发电机组的控制水平，从而更有效地服务于风电机组先进预测控制策略的设计，为大型风电机组先进预测控制提供可靠的输入。

附图说明

图1为本发明的流程图；

图2为本发明的虚拟叶轮扫掠区域a划分示意图；

图3为本发明的虚拟叶轮扫掠区域a面积计算示意图；

图4为本发明的bp神经网络架构图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的叶轮面等效风速未来信息获取不准确，不能为大型风电机组先进预测控制提供可靠的输入的问题，提供了一种大型风电机组叶轮面等效风速预测方法。

如图1至图4所示，本发明的实施例提供了一种大型风电机组叶轮面等效风速预测方法，包括：步骤1，通过激光雷达测量风电机组前方虚拟叶轮面各个高度的风速；步骤2，根据测量的虚拟叶轮面各个高度的风速数据计算虚拟叶轮面等效风速；步骤3，利用风电机组模型与传感器测量数据获取实际叶轮面等效风速；步骤4，将计算出的虚拟叶轮面等效风速经过时移模型后输入到bp神经网络；步骤5，将获取的实际叶轮面等效风速作为bp神经网络的期望输出，训练bp神经网络使误差最小。

其中，所述步骤1具体包括：采用多光束激光雷达进行风速测量，可以同时测得虚拟叶轮面各个高度上的风速。

其中，所述步骤2具体包括：假定激光雷达测得风速点处有一虚拟风电机组，将虚拟风电机组的叶轮转子扫掠区域a细分为多个水平段，选择多个水平段，使得两个水平段之间的水平分离线恰好位于需要测量风速的两个点的中间。

其中，所述步骤2还包括：计算扇形区域面积，如下所示：

其中，a表示扇形区域面积，r表示叶轮半径，h表示所计算扇形区域的高度。

其中，所述步骤2还包括：计算虚拟叶轮面等效风速，如下所示：

其中，ueq表示虚拟叶轮面等效风速，ai表示第i个区段的区域面积，ui表示第i个区段的风速。

本发明的上述实施例所述的大型风电机组叶轮面等效风速预测方法，假定激光雷达测得风电机组前方处有一虚拟风电机组，将虚拟风电机组的虚拟叶轮扫掠区域a细分为5个水平段，分别为a1-a5，如图2所示，选择a1-a5水平段，使得两个水平段之间的水平分离线恰好位于要测量风速的两个点的中间，如图3中阴影区域，圆形扇形有一个长度为s的上边界和一个长度为a的下边界，圆的半径是r，r是边长为r和a的三角形的高。从而有，r＝h+r，对于圆形区域顶端和底端即a1和a5的面积，可直接采用公式进行计算。对于区域a2，可以先计算a1和a2的总面积，即将a1和a2看成一整个扇形，就可以直接采用公式(1)进行计算，所得到的面积是a1和a2面积的总和，随后a1和a2面积的总和减去a1的面积就可得到a2的面积，面积a3则使用得到，a4的面积则可以利用a1+a2+a3+a4+a5＝πr²，用整个圆的面积减去a1、a2、a3和a5的面积即可得到a4的面积，本发明选择式(2)中nh＝5的情况，其中，每个扇区的高度都相等，为0.2d，d表示叶轮直径。

其中，所述步骤3具体包括：叶片的气动转矩和等效风速之间存在的特定的数学关系，气动模型如下所示：

ta(λ,β)＝ρπr²v²cq(λ,β)/2(3)

其中，ta(λ,β)表示气动转矩，单位为n·m，ρ表示空气密度，单位为kg·m^-3，r表示转子半径，单位为m，v表示实际叶轮面等效风速，单位为m·s^-1，cq(λ,β)表示转矩系数，λ表示叶尖速比，β表示桨叶角度。

其中，所述步骤3还包括：对气动转矩ta(λ,β)的获取采用标准的卡尔曼滤波器设计，根据风电机组的传动链模型来建立气动转矩的相关模型，风电机组的传动链模型，如下所示：

其中，γ表示扭转角且γ＝(θr-θg/n)，θr表示叶轮旋转角度，θg表示发电机旋转角度，tsh表示传动链低速轴转矩且tsh＝sdtγ+ωrddt-ωgddt/n，sdt表示传动链刚度，ddt表示阻尼系数，ωr表示叶轮转速，ωg表示发电机转速，jr表示叶轮转动惯量，jg表示发电机转动惯量，ta表示气动转矩，tg表示发电机电气转矩，n为齿轮箱变比；

将式(4)表示为状态空间的形式再加入气动转矩的未知输入模型，得到扩展模型，如下所示：

在式(5)中加入随机噪声得到的状态空间方程形式，如下所示：

其中，wr，wωr，wωg和wta分别为γ，ωr，ωg和ta的过程噪声。

其中，所述步骤3还包括：根据式(6)设计卡尔曼滤波器得到的气动转矩ta和转子速度ωr的获取值，再将气动模型表示为：

其中，ta(λ,β)表示气动转矩，ρ表示空气密度，r表示转子半径，cq(λ,β)表示转矩系数，ωr表示转子速度；

通过求解式(4)得到叶尖速比λ，通过牛顿拉夫逊法求下述方程的零根：

其中，f(λ,β)表示与λ和β相关的非线性函数，ta(λ,β)表示气动转矩，ρ表示空气密度，r表示转子半径，cq(λ,β)表示转矩系数，ωr表示转子速度；

通过得到的叶尖速比λ的值，计算实际叶轮面等效风速，如下所示：

其中，v表示实际叶轮面等效风速，ωr表示转子转速，r表示转子半径，λ表示叶尖速比。

本发明的上述实施例所述的大型风电机组叶轮面等效风速预测方法，根据设计卡尔曼滤波器得到气动转矩ta和转子速度ωr的获取值，再将气动转矩表述为式(7)，对式(7)进行求解得到叶尖速比λ，由于求解式(7)的精确根不太可能，因此转而求式(7)的近似根，即转变成用牛顿拉夫逊法求式(8)的零根，牛顿拉夫逊法要求式(8)的f(x)具有一致单调性，式(8)的非线性特性主要体现在cq(λ,β)/(2λ²)，而cq(λ,β)/(2λ²)仅在风电机组处于失速模式才会出现无效解，在风电机组正常运行过程中，式(8)能保持一致单调性，得到叶尖速比λ的值后，代入式(9)得到实际叶轮面等效风速值。

其中，所述步骤4具体包括：时移模型，如下所示：

其中，tpre表示激光雷达提前测量的时移，表示平均风速，l表示叶轮前激光雷达测量距离。

本发明的上述实施例所述的大型风电机组叶轮面等效风速预测方法，远处风运动到叶轮面上除了风速和风向的大小的变化外，还有时移的影响，针对在风演化过程中的时移模型，采用激光雷达和平均风速的关系进行简化，如式(10)所示。

其中，所述步骤4还包括：bp神经网络为按照误差逆向传播算法训练的多层前馈神经网络，bp神经网络包括输入层、隐含层和输出层，将虚拟叶轮面等效风速经过时移模型处理后作为bp神经网络的输入，将实际叶轮面等效风速作为bp神经网络的期望输出，选取一段时间内的样本数据对bp神经网络进行训练，虚拟叶轮面等效风速通过隐含层产生输出信号，将虚拟叶轮面等效风速与实际叶轮面等效风速进行比较得到误差，误差通过隐含层向输入层逐层反传，调整输入节点与隐层节点的权值和隐层节点与输出节点的权值以及阈值，使误差沿梯度方向下降，当误差达到最小或下降到一定程度时，得到基于雷达测风的叶轮面等效风速演化预测模型。

本发明的上述实施例所述的大型风电机组叶轮面等效风速预测方法，远处风运动到叶轮面上风速和风向的变化可由bp神经网络预测，bp神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，从结构上讲，bp神经网络具有输入层、隐含层和输出层，隐含层的数量决定着bp神经网络的规模结构，隐含层的大量节点保证了bp神经网络的良好能力，本发明采用单隐含层的三层bp神经网络。如图4，bp神经网络算法是以网络误差平方为目标函数，采用梯度下降法来计算目标函数的最小值，bp神经网络算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出的误差太大，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的权值和隐层节点与输出节点的权值以及阈值，使误差沿梯度方向下降，经过反复训练，确定与最小误差相对应的网络参数(权值和阈值)，训练停止，经过训练的bp神经网络能自行处理输出误差最小的经过非线性转换的信息。

本发明的上述实施例所述的大型风电机组叶轮面等效风速预测方法，通过激光雷达测得的风速数据计算得到测风点处虚拟叶轮面等效风速，将虚拟叶轮面等效风速经过时移模型处理后作为bp神经网络的输入，将通过风电机组模型与传感器测量数据获取实际叶轮面等效风速，作为bp神经网络的期望输出，因此，bp神经网络的输入层的输入量是一个一维向量，输出层也是一个一维向量，bp神经网络的输入层应有一个节点，输出层也是一个节点，初步隐含层节点数设为3，隐含层最终节点数由多次试验确定，选取一段时间内的大量数据对bp神经网络进行训练，虚拟叶轮面等效风速通过隐含层产生输出信号，与期望输出即实际叶轮面等效风速进行比较得到误差，若输出信号与实际叶轮面等效风速的误差太大，误差通过隐含层向输入层逐层反传，调整输入节点与隐层节点的权值和隐层节点与输出节点的权值以及阈值，bp神经网络经过训练后使误差达到最小值，当误差达到最小或下降到一定程度时，即得到基于雷达测风的叶轮面等效风速演化预测模型，通过bp神经网络输出的叶轮面等效风速考虑了激光雷达测得风速从测量点演化到叶轮面处的风速变化，可作为风电机组控制的直接输入。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。