基于长短期记忆神经网络的等效激光雷达风速计算方法与流程

本发明涉及风电机组的技术领域，尤其是指一种基于长短期记忆神经网络的等效激光雷达风速计算方法。

背景技术：

业内习知，机舱式激光雷达测风仪利用多普勒频移原理来测量风电机组上风向的风速及相关环境参数，近年来在风电行业作为先进传感设备得到快速应用和推广。目前基于激光雷达数据较为成熟的控制技术主要包括使用激光雷达采集风速的前馈控制技术、基于采集风向数据的偏航校正及机舱风速传递函数校正等应用。

通过激光雷达测量上风向的前置风速信号，风电机组可以通过控制实现降低发电机等部件波动幅度、有效降低机组载荷、提升发电量，但受到激光雷达硬件设备成本限制，国内现有运行风电场项目中极少给每个机位都安装激光雷达设备，使相关控制策略应用受到限制，未能够大面积通用推广。目前，为获得更高的发电量、更优的发电效率和更低的度电成本，机组的先进性智能化技术受到更加强烈的需求。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于长短期记忆神经网络的等效激光雷达风速计算方法，通过收集统计安装激光雷达设备的机位的历史运行数据，构建长短期记忆神经网络模型，获得和激光雷达测量风速相同效力的等效风速，应用于其它具备相同配置参数的机组中，实现具体控制功能。

为实现上述目的，本发明所提供的技术方案为：基于长短期记忆神经网络的等效激光雷达风速计算方法，包含两部分：第一部分是在安装激光雷达设备的风电机组中整理统计相关运行数据，经过长短期记忆神经网络模型训练，获得最终的模型结构和具体参数；第二部分是将训练好的模型结构和具体参数适配到没有安装激光雷达设备的风电机组的控制系统，机组将自身实时运行状态输入到模型中，获得等效的激光雷达风速用于机组的控制系统，实现具体控制功能。

进一步，所述的基于长短期记忆神经网络的等效激光雷达风速计算方法，具体方案如下：

首先，需要安装机舱式激光雷达设备的风电机组，统计包含机组切入到切出风速区间内的发电机转速、叶片桨距角、机组发电功率、机舱风速、机舱风向和用于前馈或其它相关控制的激光雷达测得的机组上风向风速数据；

在整理数据的过程中使运行参数保持连贯，剔除存在异常波动的数值，由于某些机组运行状态数据耦合了不同频率的波动，因此，整理好的运行参数需要通过低通滤波处理，剔除信号中受到的高频干扰，保留基本的运行状态变化情况；

长短期记忆神经网络模型中输入的各种参数经常具有不同的量纲和量纲单位，这种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，需要进行数据标准化处理，以解决数据指标之间的可比性；原始数据经过数据标准化处理后，各指标处于同一数量级，才适合进行综合对比评价；其中，使用离差标准化法对各输入变量进行线性变化，将原有数值折算到[0,1]区间内，具体转换函数如下所示：

式中，x*是折算后的数值，x为折算前的数值，xmin为统计数据中样本数据的最小值，xmax为统计数据中样本数据的最大值；

经过滤波和标准归一化处理后，将发电机转速、叶片桨距角、机组发电功率、机舱风速、机舱风向参数作为长短期记忆神经网络训练的输入参数，将用于前馈或其它相关控制的激光雷达测得的上风向风速数据作为长短期记忆神经网络训练的目标输出值；由于输入参数是以时序为变化的序列数据，前后数据存在关联性，而长短期记忆神经网络适合处理和预测时间序列中间隔和延迟很长的重要事件，因此使用此结构为等效激光雷达风速的训练模型；

经过长短期记忆神经网络的训练后，能够获得完整的模型结构和具体参数，包括内部各权重、偏置，将训练好的模型结构和具体参数适配到没有安装激光雷达设备的风电机组的控制系统中，机组在运行状态下能够获得实时的发电机转速、叶片桨距角和机组发电功率，通过风速风向仪能够获得实时风速风向信息，再经过上述离差标准化法进行归一化，此时xmin和xmax需要和统计数据中样本数据最大、最小值保持一致；

数据经过归一化处理后，输入到控制系统的软件模型中，得到幅值在[0,1]之间的标准化状态下的等效激光雷达风速信号，再经过反归一化折算后即可得到与激光雷达风速相同量纲的等效风速，这样使用模型输出的实时等效风速，就能够替代激光雷达实际测量获得的风速信号，进行具体控制操作。

本发明与现有技术相比，具有如下优点与有益效果：

本发明方法使用长短期记忆神经网络，经过训练生成与激光雷达测量风速相同的等效风速信号，用于前馈、校正等控制技术，减少项目使用激光雷达数量，从而节约传感器设备成本，有效降低机组载荷，提升发电量。

附图说明

图1为本发明方法的模型训练流程图。

图2为本发明方法的逻辑流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本实施例公开了一种基于长短期记忆神经网络的等效激光雷达风速计算方法，具体实现主要包含两部分：第一部分是在安装激光雷达设备的风电机组中整理统计相关运行数据，经过长短期记忆神经网络模型训练，获得最终的模型结构和具体参数，见图1所示；第二部分是将训练好的模型结构和具体参数适配到没有安装激光雷达设备的风电机组的控制系统，机组将自身实时运行状态输入到模型中，获得等效的激光雷达风速用于机组的控制系统，见图2所示；两部分详细设计方案具体如下：

首先，需要安装机舱式激光雷达设备的风电机组，统计包含机组切入到切出风速区间内的发电机转速、叶片桨距角、机组发电功率、机舱风速、机舱风向和用于前馈或其它相关控制的激光雷达测得的机组上风向风速数据。

在整理数据的过程中应尽可能使运行参数保持连贯，对于存在异常波动的数值应当剔除，由于发电机转速、叶片桨距角等机组运行状态数据耦合了不同频率的波动，整理好的运行参数需要通过低通滤波处理，剔除信号中受到的高频干扰，保留基本的运行状态变化情况。

长短期记忆神经网络模型中输入的各种参数往往具有不同的量纲和量纲单位，这种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，需要进行数据标准化处理，以解决数据指标之间的可比性；原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本发明使用离差标准化法对各输入变量进行线性变化，将原有数值折算到[0,1]区间内，具体转换函数如下所示：

式中，x^*是折算后的数值，x为折算前的数值，xmin为统计数据中样本数据的最小值，xmax为统计数据中样本数据的最大值。

经过滤波和标准归一化处理后，将发电机转速、叶片桨距角、机组发电功率、机舱风速、机舱风向等参数作为长短期记忆神经网络训练的输入参数，将用于前馈或其它相关控制的激光雷达测得的上风向风速数据作为长短期记忆神经网络训练的目标输出值；由于输入参数是以时序为变化的序列数据，前后数据存在关联性，长短期记忆神经网络具有独特的设计结构，特别适合于处理和预测时间序列中间隔和延迟非常长的重要事件，因此本发明使用此结构为等效激光雷达风速的训练模型。

经过长短期记忆神经网络的训练后，可以获得完整的模型结构和内部各权重、偏置等具体参数，将训练好的模型结构和具体参数适配到没有安装激光雷达设备的机组的控制系统中，机组在运行状态下可以获得实时的发电机转速、叶片桨距角、机组发电功率，通过风速风向仪可以获得实时风速风向信息，经过上述离差标准化法进行归一化，此时xmin和xmax需要和统计数据中样本数据最大、最小值保持一致。

数据经过归一化处理后，输入到控制系统的软件模型中，得到幅值在[0,1]之间的标准化状态下的等效激光雷达风速信号，再经过反归一化折算后就得到与激光雷达风速相同量纲的等效风速，这样使用模型输出的实时等效风速，就可以替代激光雷达实际测量获得的风速信号，进行具体控制操作。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。