本发明属于风力发电,具体涉及一种振动环境下风速风向仪校准方法及系统。
背景技术:
1、风速风向仪所测得的风速风向是风电机组发电效率和稳定性的关键参数之一。随着风电机组不断朝着叶片尺寸更长、单机功率更大的方向发展,对风速风向数据的准确度要求越来越高。这些数据被用于调整叶片角度和叶轮对风方向,使风机朝向最有利的风向,以最大程度地利用风能,提高发电效率。
2、然而,风速风向仪长期在较为恶劣的环境因素下运行,如灰尘和油滴的积聚、长期旋转导致零部件磨损严重及连接松动、低温结冰等,可能导致测量误差增加,造成测量结果的失准甚至失效,从而严重影响了机组的发电效率。其中,振动因素是导致风速风向仪失准失效的较为常见原因。
3、在早期投运的风机中,风速风向仪主要采用机械式与超声波式,随着运行年数的增加,其测量结果逐渐失准。虽然更换新的风速风向仪可以显著提高测量结果的准确性,但成本较高;传统的静态校准方法需要复杂的仪器和设备,增加了校准过程的成本和复杂性,缺乏自动化和实时性,导致校准效率较低,不适应大规模仪器校准的需求。
技术实现思路
1、为了解决上述现有技术中存在的缺陷,本发明的目的在于提供一种振动环境下风速风向仪校准方法及系统,引入振动监测和自动化校准,以实现在真实振动环境下对风速风向仪进行高精度、高效率的校准,提高校准的可靠性;确保风电机组风速风向数据的准确度,优化风电场的发电效率和稳定性,提高风电运维的安全性。
2、本发明是通过以下技术方案来实现:
3、本发明公开的一种振动环境下风速风向仪校准方法,包括:
4、s1:在原风速风向仪传感器所在区域设置新装风速风向仪传感器,利用新装风速风向仪传感器采集的风速风向值基准值,对原风速风向仪传感器采集的风速风向测量值进行预处理;
5、s2:在原风速风向仪传感器所在区域的水平方向设置水平方向振动传感器,垂直方向设置垂直方向振动传感器,分别采集水平方向和垂直方向的振动数据;
6、s3:利用s1得到的预处理后的风速风向测量值和s2得到的水平方向和垂直方向的振动数据,分别采用回归分析方法和机器学习方法,建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型;
7、s4:利用s3得到的校准关系模型对原风速风向仪传感器采集的风速风向测量值进行实时在线校准。
8、优选地,s1中,新装风速风向仪传感器与原风速风向仪传感器的型号相同。
9、优选地,s1中,所述预处理包括对采集的风速风向值进行数据清洗和异常值去除。
10、优选地,s2中,水平方向的振动数据包括横摇幅度和横摇频率;垂直方向的振动数据纵摇幅度和纵摇频率。
11、进一步优选地,s3中,风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系表示为:
12、
13、式中,f为振动频率(hz),a为振幅(m/s2),v为风速(m/s),θ为风向(°),vc为校准后的风速值(m/s),θc为校准后的风向值(°);
14、f(v,f,a)为风速的校准函数,g(θ,f,a)为风向的校准函数;振动频率f为横摇频率与纵摇频率的均值,振幅a为横摇振幅与纵摇振幅的平均值。
15、进一步优选地,若风速风向校准前后满足多项式拟合关系,则风速风向校准关系表示为:
16、
17、式中,k1、k2、k3、k4为校准系数,由风速风向测量值与风速风向基准值拟合分析确定。
18、进一步优选地,建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型具体为:基于bp神经网络建立输入数据与目标输出之间的映射关系模型,输入数据为风速风向测量值、纵摇幅度、纵摇频率、横摇幅度和横摇频率,目标输出为风速风向基准值;将s1得到的风速风向测量值和风速风向值基准值、s2得到的纵摇幅度、纵摇频率、横摇幅度和横摇频率划分为训练集和测试集,利用训练集建立风速风向校准关系模型,利用测试集检验建立的风速风向校准关系模型的预测精度。
19、进一步优选地,训练集中的数据占比为80%,测试集中的数据占比为20%。
20、进一步优选地,所述校准关系模型建立后,对所述校准关系模型的参数进行优化,具体为:通过调节bp神经网络的可调参数隐含层节点个数与神经元个数,不断训练和测试建立的风速风向校准关系模型,逐步提高模型的预测精度,其中bp神经网络的主要可调参数包括隐含层节点个数与神经元个数,神经元个数可以采用循环遍历的方法依次选取10、15、20……,隐含层节点个数满足如下公式:
21、
22、式中,h表示隐含层节点数目,m表示输入层节点数目,n表示输出层节点数目,a为1~10之间的调节常数。
23、本发明公开的一种振动环境下风速风向仪校准系统,包括新装风速风向仪传感器、水平方向振动传感器、垂直方向振动传感器、风速风向测量值预处理模块、校准关系模型建立模块和在线校准模块;新装风速风向仪传感器设在风电机舱顶部原风速风向仪传感器所在区域,水平方向振动传感器设在原风速风向仪传感器所在区域的水平方向上,垂直方向振动传感器设在原风速风向仪传感器所在区域的垂直方向上;
24、风速风向测量值预处理模块,利用新装风速风向仪传感器采集的风速风向值基准值,对原风速风向仪传感器采集的风速风向测量值进行预处理;
25、校准关系模型建立模块,利用预处理后的风速风向测量值和水平方向振动传感器及垂直方向振动传感器采集的水平方向和垂直方向的振动数据,分别采用回归分析方法和机器学习方法,建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型;
26、在线校准模块,利用校准关系模型对原风速风向仪传感器采集的风速风向测量值进行实时在线校准。
27、与现有技术相比,本发明具有以下有益的技术效果:
28、本发明公开的振动环境下风速风向仪校准方法,引入振动监测和自动化校准,以实现在真实振动环境下对风速风向仪进行高精度、高效率的校准。通过精确测量风速风向仪的振动频率、幅值和方向,量化了振动因素对风速风向仪测量结果的影响程度,从而提高校准的可靠性。本方法简单易行,通过采集风速风向仪测量数据和振动数据进行风速风向校准,避免了不必要的登塔检修,降低了风电场的运维成本。同时,本方法具有实时监测和调整的优点,通过实时连接到风电控制系统,实现对风电机组的实时监测和调整,提高发电效率和运维安全。本方法还能够实现高精度校准,通过校准算法优化和自动化校准流程,实现对风速风向仪的高精度校准,提高测量准确性和稳定性。
29、本发明公开的振动环境下风速风向仪校准系统,构建简单,能够与现有的风机控制监测系统良好地兼容,具有良好的应用前景。
1.一种振动环境下风速风向仪校准方法,其特征在于,包括:
2.如权利要求1所述的振动环境下风速风向仪校准方法,其特征在于,s1中,新装风速风向仪传感器(3)与原风速风向仪传感器(2)的型号相同。
3.如权利要求1所述的振动环境下风速风向仪校准方法,其特征在于,s1中,所述预处理包括对采集的风速风向值进行数据清洗和异常值去除。
4.如权利要求1所述的振动环境下风速风向仪校准方法,其特征在于,s2中,水平方向的振动数据包括横摇幅度和横摇频率;垂直方向的振动数据纵摇幅度和纵摇频率。
5.如权利要求4所述的振动环境下风速风向仪校准方法,其特征在于,s3中,风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系表示为:
6.如权利要求5所述的振动环境下风速风向仪校准方法,其特征在于,若风速风向校准前后满足多项式拟合关系,则风速风向校准关系表示为:
7.如权利要求6所述的振动环境下风速风向仪校准方法,其特征在于,建立风速风向测量值到风速风向基准值在不同振动频率和振幅下的校准关系模型具体为:基于bp神经网络建立输入数据与目标输出之间的映射关系模型,输入数据为风速风向测量值、纵摇幅度、纵摇频率、横摇幅度和横摇频率,目标输出为风速风向基准值;将s1得到的风速风向测量值和风速风向值基准值、s2得到的纵摇幅度、纵摇频率、横摇幅度和横摇频率划分为训练集和测试集,利用训练集建立风速风向校准关系模型,利用测试集检验建立的风速风向校准关系模型的预测精度。
8.如权利要求7所述的振动环境下风速风向仪校准方法,其特征在于,训练集中的数据占比为80%,测试集中的数据占比为20%。
9.如权利要求7所述的振动环境下风速风向仪校准方法,其特征在于,所述校准关系模型建立后,对所述校准关系模型的参数进行优化,具体为:通过调节bp神经网络的可调参数隐含层节点个数与神经元个数,不断训练和测试建立的风速风向校准关系模型,逐步提高模型的预测精度,其中bp神经网络的主要可调参数包括隐含层节点个数与神经元个数,神经元个数可以采用循环遍历的方法依次选取10、15、20……,隐含层节点个数满足如下公式:
10.一种振动环境下风速风向仪校准系统,其特征在于,包括新装风速风向仪传感器(3)、水平方向振动传感器(4)、垂直方向振动传感器(5)、风速风向测量值预处理模块、校准关系模型建立模块和在线校准模块;新装风速风向仪传感器(3)设在风电机舱(1)顶部原风速风向仪传感器(2)所在区域,水平方向振动传感器(4)设在原风速风向仪传感器(2)所在区域的水平方向上,垂直方向振动传感器(5)设在原风速风向仪传感器(2)所在区域的垂直方向上;