一种基于聚类分析和神经网络的风电噪声评价方法与流程

本发明涉及新能源发电领域的风电噪声评价方法，具体涉及一种基于聚类分析和神经网络的风电噪声评价方法。

背景技术：

风能虽然对大多数国家而言还不是主要的能源，但从发展上来看大有与其他发电行业相媲美的趋势。目前风电的发电成本已接近常规发电方式，风电规模也受国家政策及能源发展趋势的影响高速扩大，风电技术得到明显提高。但风电也有着其本身难以克服的缺陷，微词最多的是风电机组噪声问题。风电噪声大小随着相对风电机组的距离增大而逐渐减小，仅就单台风电机组直接辐射的噪声来讲，风电噪声与其他工业噪声和交通噪声相比并不算大，但由于风电机组夜间运行时间长、风电场所处地区背景噪声水平低、风电噪声频率分布等原因，风电噪声对附近居民有着明显的影响。

1996年，IEC(国际电工委员会)颁布了正式的风电机组噪声测试标准IEC61400-11,ed.1，成为国际通用标准。目前该标准的最新版本是2012年颁布的IEC61400-11,ed.3，规定了对单台并网风电机组视在声功率级、音值、1/3倍频程的测试及分析方法。但风电机组运行状态较为复杂，不同风速、风向、变桨角度，以及不同的功率控制策略均会对辐射噪声产生影响。依据该标准只能得到风电机组在6m/s-10m/s风速(规格化到10m高度的标准风速)范围内，单一运行状态下的等效声功率级，无法针对风电机组不同运行状态得到即时数据。

目前也有一些风电场噪声预测与建模方法，但都需要建立长期测试数据库，收集大量气象信息及周边环境信息，考虑大气、地表及天气因素对噪声传播的影响，其预测精度也依赖于理论模型的选择，往往与实际测试结果差异较大。

技术实现要素：

为解决上述现有技术中的不足，本发明的目的是提供一种基于聚类分析和神经网络的风电噪声评价方法，所采用的风电噪声评价方法简化测试流程，充分利用风电机组SCADA系统运行数据，采用神经网络模型对噪声进行预测，实现经济高效的风电场噪声评价。

本发明的目的是采用下述技术方案实现的：

本发明提供一种基于聚类分析和神经网络的风电噪声评价方法，其改进之处在于，所述 方法包括下述步骤：

步骤1：风电机组噪声测试；

步骤2：风电机组主控制系统数据收集和验证；

步骤3：数据聚类分析；

步骤4：BP神经网络模型训练；

步骤5：得出噪声评价结果。

进一步地，所述步骤1包括：

麦克风放在基准位置进行测量，定义下风向测量位置为基准位置；在测量中基准位置相对于风向的偏差应在±15°以内，从风电机组塔架垂直中心到麦克风位置的水平距离为R₀，允许偏差为20％；

水平轴风电机组基准距离R₀由式(1)计算：

式中：

H——从地面到风轮中心的垂直距离，单位为m；

D——风轮直径，单位为m；

噪声测量要求得到覆盖整数风速范围6-10m/s，10m高处且粗糙长度为0.05m时的噪声值，即覆盖机舱风速计所测得风速约为8-14m/s范围，测量采样率为1Hz，每1min取平均等效声压级；以10m高处基准风速的整数风速为中心，每1m/s风速范围(5.5-6.5m/s，6.5-7.5m/s……)测得的数据量至少为1小时；删除测试过程中风速偏离下风向±15°范围的数据以及在在测试过程中有间歇背景噪声干扰的数据；

由风电机组测量声压级，计算出风电机组等效视在声功率级：

L_Aeq——风电机组噪声测试测得的等效声压级，单位为dB；

R₁——风轮中心到麦克风的倾斜距离，单位为m；

S₀——基准面积，S₀＝1m²。

进一步地，所述步骤2包括：在风电机组噪声测试过程中，同步采集风电机组主控制系统运行数据，包括机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，风电机组主控制系统运行数据与噪声测试数据同步采集，采集数据需要进行数据清洗和筛选，选择有效数据进行下一步分析；

风电机组中控制系统数据从风电机组主控制系统(即风电机组SCADA系统，数据采集与监视控制系统)中直接引出；对采集到的风电机组主控制系统运行数据进行清洗和筛选，删去由于采集系统故障出现的偏离正常范围的数据以及风电机组故障期间的数据。

进一步地，选择测量位置时，周边建筑物或墙壁的影响均小于0.2dB，选择地表条件在风电场中具有代表性的位置进行测试。

选择周围较为开阔，在风电机组周边2倍风轮直径的范围内没有大型建筑物影响的位置进行测试。测试位置的地表情况要有代表性，即与整个风电场的普遍地表情况一致，如果地面有凹凸不平过其他复杂情况，需要将地面铲平或采取其他措施。

进一步地，所述步骤3包括：

使用K-means聚类方法对步骤2所采集的数据自动进行分类；

在步骤(1)中是随机的选取任意k个对象作为初始聚类的中心，根据风电机组运行噪声的特点，所述步骤3目标在于将步骤2和步骤1中所得的数据分为3类，即k＝3；聚类中心初始地代表一个簇；

在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离V将每个对象重新赋给最近的簇；

当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来；如果在一次迭代前后，V的值没有发生变化，说明算法已经收敛；

式中：x为所有数据点的特征向量，由步骤1所得到的风电机组噪声数据和步骤2所得到的机舱风速(Ws)、功率(P)、桨距角(Pitch)、风轮转速(n)四项数据得到；μ为聚类中心特征向量，同样由上述5项参数得到；通过多次迭代，将所有数据进行分为3类，以提高运算效率，提升后续模型训练精度。

进一步地，所述步骤4包括：利用上述风电机组噪声测试结果、风力发电机组主控制系统采集的运行数据，以及聚类分析所得的数据分类结果，采用BP神经网络模型对所有数据进行训练；

BP神经网络输入层包括：风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压，以及测量所得到的风电机组视在声功率级，均使用1min平均值；

训练得到的BP神经网络模型用于对风电机组噪声做出持续评估。

进一步地，所述步骤5包括：持续采集风电机组主控制系统的运行数据，包括风电机组 机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，以风电机组主控制系统的运行数据的10min平均值作为BP神经网络模型的输入层，得出对风电机组视在声功率级的预测值L_WA,n；

采用BP神经网络模型对所有数据进行训练；数据使用步骤三聚类分析所得的数据分类结果；

BP神经网络模型拓扑结构包括输入层、隐藏层和输出层，利用激活函数来描述层与层输出之间的关系，模拟各层神经元之间的交互反应；BP网络能学习和存贮大量的输入-输出模式映射关系，学习的方式是在外界输入样本的刺激下不断改变网络的连接权值，希望能学习到一个模型，能够针对输入得到一个期望的输出；BP神经网络输入层包括步骤二所得的风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压数据经过聚类三聚类分析的结果；教师信号为步骤一所得到的风电机组视在声功率级经过步骤三聚类分析的结果；输出层为风电机组视在声功率级。若输出层的实际输出与教师信号不符，则修正各层单元的权值，最终得到合适的BP神经网络模型。

对于风电场噪声评价，针对风电场中每种型号的风电机组重复上述步骤，得出每种型号风电机组的噪声预测神经网络模型；对于同种型号风电机组，采用同一神经网络模型；

对于风电机组噪声预测神经网络模型，输入每一风电机组的SCADA数据，得出每个时刻单台风机的视在声功率级预测值(L_WA,n,1,L_WA,n,2,L_WA,n,2…)；将风电机组简化为点声源模型，对于风电场内或风电场5km以内的一点P，使用式(3)得到每台风电机组在P点处的等效声压级L_p，n：

将所有风电机组的等效声压级结果进行叠加，得到所有风电场在某一点P处的噪声声压级L_e：

其中：R_n——第n台风电机组风轮中心到接收点P的倾斜距离，单位为m；

S₀——基准面积，S₀＝1m²；

L_WA，n——风电机组视在声功率级的预测值；

L_p，i——第i台风电机组在P点处的等效声压级。

与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：

1、依据IEC标准对风电机组噪声进行测试虽然可以得到同型号风电机组的噪声辐射特性，但无法对运行中风电机组的噪声辐射进行实时分析。本发明将测量结果与风电机组主控制系统运行数据结合，可对风电机组运行中的实时噪声进行评估。

2、目前也有一些风电场噪声预测与建模方法，但都需要建立长期测试数据库，收集大量气象信息及周边环境信息。本发明在充分利用风电机组主控制系统运行数据的基础上，只需要对风电场内每种型号的风电机组进行一次噪声测试，即可实现噪声评价，较为经济高效。

3、采用k-means聚类分析和BP神经网络模型，使训练结果具有较高的精度，评价结果具有较高的指导作用。

附图说明

图1是本发明提供的基于聚类分析和神经网络的风电噪声评价方法的流程图；

图2是本发明提供的聚类分析结果示意图；

图3是本发明提供的BP神经网络模型示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

本发明提供的基于聚类分析和神经网络的风电噪声评价方法的流程图如图1所示，包括下述步骤：

本发明所述评价方法流程包括风电机组噪声测试、风电机组主控制系统数据收集和验证、数据聚类分析、模型训练、得出噪声评价结果五个阶段，评价过程流程图见图1。

步骤1：风电机组噪声测试：

风电机组噪声特性测量实验参考IEC61400-11(GB22516-2008)测量标准。

麦克风放在基准位置进行测量，定义下风向测量位置为基准位置。在测量中基准位置相对于风向的偏差应在±15°以内，从风电机组塔架垂直中心到麦克风位置的水平距离为R₀，允许偏差为20％。

水平轴风电机组基准距离R₀由式(1)计算：

式中：

H——从地面到风轮中心的垂直距离，单位为m；

D——风轮直径，单位为m。

选择测量位置时考虑便于计算任何反射物所造成的影响，周边建筑物或墙壁的影响均小于0.2dB，为使测量结果适用于风电场附近环境，便于进行之后的噪声预测评价工作，应选择地表条件在风电场中具有代表性的位置进行测试。

噪声测量要求得到覆盖整数风速范围6-10m/s，10m高处且粗糙长度为0.05m时的噪声值，即覆盖机舱风速计所测得风速约为8-14m/s范围，测量采样率为1Hz，每1min取平均等效声压级。以10m高处基准风速的整数风速为中心，每1m/s风速范围(如5.5-6.5m/s，6.5-7.5m/s……)应测得的数据量至少为1小时。测试过程中风速偏离下风向±15°范围的数据应删除，在测试过程中如有间歇背景噪声干扰(如来自飞机、车辆等)，该时间段内的数据也应删除。

由风电机组测量声压级，可计算出风电机组等效视在声功率级：

L_Aeq——风电机组噪声测试测得的等效声压级，单位为(dB)；

R₁——风轮中心到麦克风的倾斜距离，单位为(m)；

S₀——基准面积，S₀＝1m²。

步骤2：风电机组主控制系统数据收集和验证：

由于本发明所述的评价方法需要使用风电机组主控制系统导出的运行数据，因此需要先对主控导出的信号进行验证，确定机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压等信号与实际数据一致。应对风电机组控制器信号的输入和输出进行核查，考虑主控制系统对信号的修正，以保证使用了正确的最终信号值。

在风电机组噪声测试过程中，同步采集风电机组主控制系统运行数据，采集数据需要进行数据清洗和筛选，选择有效数据进行下一步分析。风电机组中控制系统数据从风电机组主控制系统(即风电机组SCADA系统，数据采集与监视控制系统)中直接引出；包括但不限于机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压，风电机组主控制系统运行数据应与噪声测试数据同步采集，对采集到的风电机组主控制系统运行数据进行清洗和筛选，删去由于采集系统故障出现的偏离正常范围的数据以及风电机组故障期间的数据。

步骤3：数据聚类分析：

使用K-means聚类方法，对第二步所采集的数据自动进行分类。K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量最优分类，使得评价指标最小。本发明依据风电机组噪声和机舱风速、功率、桨距角、风轮转速四项主要参数对所有数据进行分类，选择，以提高运算效率，提升后续模型训练精度。数据聚类结果见图2。

在步骤(1)中是随机的选取任意k个对象作为初始聚类的中心，根据风电机组运行噪声的特点，所述步骤3目标在于将步骤2和步骤1中所得的数据分为3类，即k＝3；聚类中心初始地代表一个簇；

在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离V将每个对象重新赋给最近的簇；

当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来；如果在一次迭代前后，V的值没有发生变化，说明算法已经收敛；

式中：x为所有数据点的特征向量，由步骤1所得到的风电机组噪声数据和步骤2所得到的机舱风速(Ws)、功率(P)、桨距角(Pitch)、风轮转速(n)四项数据得到；μ为聚类中心特征向量，同样由上述5项参数得到；通过多次迭代，将所有数据进行分为3类，以提高运算效率，提升后续模型训练精度。

步骤4：BP神经网络模型训练：

利用上述风电机组噪声测试结果、风力发电机组主控制系统采集的运行数据，以及聚类分析所得的数据分类结果，采用BP神经网络模型对所有数据进行训练。BP神经网络输入层包括：风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压，以及测量所 得到的风电机组视在声功率级(本步骤中均使用1min平均值)。训练得到的模型可用于在之后的步骤中对风电机组噪声做出持续评估。

步骤5：风电机组/风电场噪声评价结果：

持续采集风电机组主控制系统的运行数据，包括风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，以风电机组主控制系统的运行数据的10min平均值作为BP神经网络模型的输入层，得出对风电机组视在声功率级的预测值L_WA,n；

采用BP神经网络模型对所有数据进行训练；数据使用步骤三聚类分析所得的数据分类结果；

BP神经网络模型拓扑结构包括输入层、隐藏层和输出层，利用激活函数来描述层与层输出之间的关系，模拟各层神经元之间的交互反应；BP网络能学习和存贮大量的输入-输出模式映射关系，学习的方式是在外界输入样本的刺激下不断改变网络的连接权值，希望能学习到一个模型，能够针对输入得到一个期望的输出；BP神经网络输入层包括步骤二所得的风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压数据经过聚类三聚类分析的结果；教师信号为步骤一所得到的风电机组视在声功率级经过步骤三聚类分析的结果；输出层为风电机组视在声功率级。若输出层的实际输出与教师信号不符，则修正各层单元的权值，最终得到合适的BP神经网络模型。BP神经网络模型示意图如图3所示。

对于风电场噪声评价，针对风电场中每种型号的风电机组重复上述步骤，得出每种型号风电机组的噪声预测神经网络模型；对于同种型号风电机组，采用同一神经网络模型；

对于风电机组噪声预测神经网络模型，输入每一风电机组的SCADA数据，得出每个时刻单台风机的视在声功率级预测值(L_WA,n,1,L_WA,n,2,L_WA,n,2…)；将风电机组简化为点声源模型，对于风电场内或风电场5km以内的一点P，使用式(3)得到每台风电机组在P点处的等效声压级L_p，n：

将所有风电机组的等效声压级结果进行叠加，得到所有风电场在某一点P处的噪声声压级L_e：

其中：R_n——第n台风电机组风轮中心到接收点P的倾斜距离，单位为m；

S₀——基准面积，S₀＝1m²；

L_WA，n——风电机组视在声功率级的预测值；

L_p，i——第i台风电机组在P点处的等效声压级。

本方法描述了一种风电场噪声评价方法，利用风电机组主控制系统(SCADA)运行数据，结合风电机组噪声测试结果，实现对运行中的风电机组噪声辐射的评价。评价流程包括风电机组噪声测试、风电机组主控制系统数据收集和验证、数据聚类分析、模型训练、得出噪声评价结果五个阶段，实现对整个风电场噪声水平的实时评价。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。