CN111091298B - 一种风电场流场耦合特性评估与智能分群方法及*** - Google Patents
一种风电场流场耦合特性评估与智能分群方法及*** Download PDFInfo
- Publication number
- CN111091298B CN111091298B CN201911326716.XA CN201911326716A CN111091298B CN 111091298 B CN111091298 B CN 111091298B CN 201911326716 A CN201911326716 A CN 201911326716A CN 111091298 B CN111091298 B CN 111091298B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- unit
- wind direction
- blade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 135
- 238000010168 coupling process Methods 0.000 title claims abstract description 135
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 135
- 238000011156 evaluation Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 103
- 238000004140 cleaning Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000005452 bending Methods 0.000 claims description 32
- 238000010586 diagram Methods 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000011144 upstream manufacturing Methods 0.000 description 8
- 238000002360 preparation method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电场流场耦合特性评估与智能分群方法及***。所述方法首先获取风电场的历史运行数据并进行数据清洗;根据清洗后目标数据中的风向测量数据确定主要入流风向,根据主要入流风向及机组结构运行参数确定风轮面实时有效风速,根据实时有效风速进行尾流影响评估;根据风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果;根据尾流影响评估结果及流场耦合特性评估结果对风电场中的机组进行聚类分群。本发明方法充分利用风电场的历史运行数据,深度挖掘场内机组间的耦合关系,实现对风电场的初步尾流评估;随着风电场的规模的增大,本发明通过智能分群算法实现了场级的聚类分群,提高了机组分群的效率和准确性。
Description
技术领域
本发明涉及风电场技术领域,特别是涉及一种风电场流场耦合特性评估与智能分群方法及***。
背景技术
21世纪以来,风电发展迅速,风能作为一次能源不可储存,其产生的电能具有随机性、间歇性和反调峰特性,其规模化并入电网将会导致电力***的运行调度控制变得困难,并网和消纳正逐步成为制约风电开发的主要问题。随着新能源电力所占比重的逐渐增加,其随机波动性对***的影响将发生质变,电力***需要在随机波动的负荷需求与随机波动的电源之间实现能量的供需平衡。
风力发电技术的发展带来的一个特点就是不断增大的并网风电场规模。在对风场进行建模过程中,一般情况下由于风场规模较大,如果对每一台机组进行详细建模,不仅会增大模型的规模,还会增加计算及分析与仿真的复杂度,十分繁琐。
对风电场流场进行有效评估,是流场建模的重要前提。实际风电场已存有海量的历史运行数据,目前业界基于数据分析和智能算法多聚焦于风电机组的运行效率评估、故障检测及预警等方面,旨在提高风电机组可靠性和经济性。风电场受到主导风向、地形、机位分布等因素影响,可能同时有多台上游机组对同一机组存在尾流影响,这些相关性均隐藏在各台机组的历史运行数据内,有待进一步发掘。
发明内容
本发明的目的是提供一种风电场流场耦合特性评估与智能分群方法及***,能够充分利用风电场的历史数据库,深度挖掘场内机组间的耦合关系,实现对风电场的初步尾流评估;并随着风电场的规模的增大,通过智能分群方法实现场级的聚类分群。
为实现上述目的,本发明提供了如下方案:
一种风电场流场耦合特性评估与智能分群方法,所述方法包括:
获取风电场的历史运行数据;所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据;所述环境测量数据包括风速测量数据、风向测量数据;所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩;所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数;
对所述历史运行数据进行数据清洗,生成清洗后目标数据;
根据所述风向测量数据确定主要入流风向;
根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速;
根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果;
根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果;
根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群,生成聚类分群结果。
可选的,所述对所述历史运行数据进行数据清洗,生成清洗后目标数据,具体包括:
将所述环境测量数据以及所述机组结构运行参数中的无效数据和错误数据进行剔除;
将所述风速测量数据中风速在切入风速以下和切出风速以上的数据点进行剔除;
根据所述状态标志位数据将异常工作工况所对应的数据点进行剔除,生成清洗后目标数据。
可选的,所述根据所述风向测量数据确定主要入流风向,具体包括:
根据长时间范围内统计的所述风向测量数据生成风向玫瑰图;
根据所述风向玫瑰图筛选出所述主要入流风向;
根据所述风电场内机组的空间分布状态对全年的入流风向进行风向区间划分,将360°的入流风向划为多个风向区间。
可选的,所述根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速,具体包括:
提取所述机组结构运行参数的叶根弯矩数据中风向处于所述主要入流风向范围内的数据点作为实时尾流软测量的目标数据对象;
根据所述目标数据对象,采用公式确定锥系数(λRE,β,qRE);所述锥系数(λRE,β,qRE)由机组所处的运行工况的叶尖速比λRE、叶片桨距角β和风轮面压力有效值qRE共同确定;其中B为风电机组叶片的数量,mi是叶片i的叶根弯矩,ψi为叶片i的转子盘的方位角;ρ为空气密度,A为风轮面区域的面积,R为叶片长度,VRE表示风轮面有效入流风速值;
根据所述锥系数(λRE,β,qRE),采用公式确定t时刻风轮面有效入流风速值VRE(t)作为风轮面实时有效风速;其中表示t时刻叶片载荷传感器的实时测量值;为t时刻的锥系数,t时刻的锥系数由t时刻机组所处的运行工况的叶尖速比λRE(t)、叶片桨距角β(t)和风轮面压力有效值的均值共同确定。
可选的,所述根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果具体包括:
采用公式确定VRE(ψi(t));其中VRE(ψi(t))表示在t时刻处于ψi(t)角度时,第i个叶片的风轮面局部实时有效风速;表示第i个叶片上所搭载的叶片载荷传感器t时刻测量的叶根弯矩;ψi(t)是t时刻时第i个叶片所处的方位角;(λRE(ψi(t)),βi,qBE)表示在t时刻处于ψi(t)角度时,第i个叶片的锥系数;所述锥系数(λRE(ψi(t)),βi,qBE)由t时刻处于ψi(t)角度时,机组所处的运行工况的叶尖速比λRE(ψi(t))、第i个叶片的叶片桨距角βi和风轮面压力有效值qRE共同确定;
以VRE(ψi(t))中的叶片方位角ψi(t)作为积分变量,以叶片扫过的扇面区域方位角度为积分范围,构建积分表达式计算t时刻扇面局部有效风速VSE(t);其中As为叶片扫过的扇面面积;VBE(ψ(t))=VRE(ψi(t));
将局部风速的估计区域划分为上、下、左、右四个扇形区域;
根据所述左、右两个扇形区域的扇面局部有效风速的偏差确定前排机组对后排机组的尾流影响面积;
根据所述上、下两个扇形区域的扇面局部有效风速的偏差对垂直风切变轮廓进行定性分析,生成尾流影响评估结果。
可选的,所述根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果,具体包括:
根据所述风电场各台机组的所述风向测量数据,确定所述风电场的整场入流风向;
根据所述整场入流风向建立风场坐标系;
将所述风电场内所有机组的地理坐标变换为所述风场坐标系下的位置坐标;
根据所述风场坐标系下的位置坐标确定首排机组作为领头机组;
根据所述领头机组及所述整场入流风向确定所述领头机组的下游机组;
根据所述下游机组的风轮面实时有效风速以及其左、右两个扇形区域的扇面局部有效风速的偏差生成所述风电场的有向拓扑图;
根据固定风向下前排机组的风轮面实时有效风速及后排机组的风轮面实时有效风速计算固定风向下的前、后排机组间的流场耦合系数;
根据所述流场耦合系数及所述有向拓扑图确定尾流影响的边界阈值作为流场耦合系数阈值。
一种风电场流场耦合特性评估与智能分群***,所述***包括:
历史运行数据获取模块,用于获取风电场的历史运行数据;所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据;所述环境测量数据包括风速测量数据、风向测量数据;所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩;所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数;
数据清洗模块,用于对所述历史运行数据进行数据清洗,生成清洗后目标数据;
风资源分布确定模块,用于根据所述风向测量数据确定主要入流风向;
实时有效风速估计模块,用于根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速;
尾流影响评估模块,用于根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果;
流场耦合特性评估模块,用于根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果;
风电场聚类分群模块,用于根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群,生成聚类分群结果。
可选的,所述数据清洗模块具体包括:
无效数据剔除单元,用于将所述环境测量数据以及所述机组结构运行参数中的无效数据和错误数据进行剔除;
风速测量数据剔除单元,用于将所述风速测量数据中风速在切入风速以下和切出风速以上的数据点进行剔除;
异常工况数据点剔除单元,用于根据所述状态标志位数据将异常工作工况所对应的数据点进行剔除,生成清洗后目标数据。
可选的,所述风资源分布确定模块具体包括:
风向玫瑰图生成单元,用于根据长时间范围内统计的所述风向测量数据生成风向玫瑰图;
主要入流风向筛选单元,用于根据所述风向玫瑰图筛选出所述主要入流风向;
风向区间划分单元,用于根据所述风电场内机组的空间分布状态对全年的入流风向进行风向区间划分,将360°的入流风向划为多个风向区间。
可选的,所述实时有效风速估计模块具体包括:
目标数据对象提取单元,用于提取所述机组结构运行参数的叶根弯矩数据中风向处于所述主要入流风向范围内的数据点作为实时尾流软测量的目标数据对象;
锥系数计算单元,用于根据所述目标数据对象,采用公式确定锥系数(λRE,β,qRE);所述锥系数(λRE,β,qRE)由机组所处的运行工况的叶尖速比λRE、叶片桨距角β和风轮面压力有效值qRE共同确定;其中B为风电机组叶片的数量,mi是叶片i的叶根弯矩,ψi为叶片i的转子盘的方位角;ρ为空气密度,A为风轮面区域的面积,R为叶片长度,VRE表示风轮面有效入流风速值;
实时有效风速估计单元,用于根据所述锥系数(λRE,β,qRE),采用公式确定t时刻风轮面有效入流风速值VRE(t)作为风轮面实时有效风速;其中表示t时刻叶片载荷传感器的实时测量值;为t时刻的锥系数,t时刻的锥系数由t时刻机组所处的运行工况的叶尖速比λRE(t)、叶片桨距角β(t)和风轮面压力有效值的均值共同确定。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种风电场流场耦合特性评估与智能分群方法及***,所述方法首先获取风电场的历史运行数据并进行数据清洗,生成清洗后目标数据;根据所述清洗后目标数据中的风向测量数据确定主要入流风向,根据所述主要入流风向及机组结构运行参数确定风轮面实时有效风速;根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果;根据风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果;根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群,生成聚类分群结果。本发明方法充分利用风电场的历史运行数据,深度挖掘场内机组间的耦合关系,实现对风电场的初步尾流评估;随着风电场的规模的增大,本发明通过智能分群方法,实现了场级的聚类分群,提高了分群效率和准确性,达到了高效优化控制的结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的风电场流场耦合特性评估与智能分群方法的流程图;
图2为本发明提供的扇面局部有效风速的积分逻辑拓扑图;
图3为本发明提供的扇形区域划分示意图;
图4为本发明提供的基于叶片实时有效风速的尾流影响评估过程示意图;
图5为本发明提供的依尾流干涉的风电场聚类分群过程示意图;
图6为本发明提供的依尾流干涉的风电场聚类分群结果拓扑图;
图7为本发明提供的风电场流场耦合特性评估与智能分群***的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种风电场流场耦合特性评估与智能分群方法及***,基于数据驱动尾流软测量技术进行流场耦合特性评估,设定指标阈值;提出基于定量化耦合系数阈值的分类分群方法,通过寻找领头机组作为初始设定,对全场进行智能分群,能够充分利用风电场的历史数据库,深度挖掘场内机组间的耦合关系,实现对风电场的初步尾流评估;并随着风电场的规模的增大,通过智能分群方法实现场级的聚类分群。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的风电场流场耦合特性评估与智能分群方法的流程图。参见图1,本发明提供的风电场流场耦合特性评估与智能分群方法具体包括:
步骤1:获取风电场的历史运行数据。
在获取风电场的运行数据之前,首先要进行测量硬件设备安装测试及高精度风况数据获取验证,具体包括:
步骤1.1:激光测风安装,在风电机组的轮毂等高处的机舱位置安装超声波风向风速仪,并进行硬件初步测试,测试是否能正常获取风速、风向测量信号数据。
步骤1.2:单机数据提取测试,在完成步骤1.1硬件安装测试的基础上,设定数据采样频率和平均采样周期分别为1Hz和10min并采样提取数据。
步骤1.3:硬件测量数据嵌入SCADA数据***(SCADA***全称为数据采集与监视控制***——Supervisory Control And Data Acquisition,是一种用于记录风电场及其内部机组各项过程运行参数和状态测量信息的自动化监控***),将步骤1.2所提取的数据通过风电现场使用的通讯网络传递到场级控制中心的SCADA***和EMS***(能量管理***),对比现场提取的数据与传输数据的差异,验证现有通讯网络数据传递的质量及超声波风速风向仪与SCADA***的适配性。
激光雷达可以在所需的采样频率下提供相当完整的流量描述,由于激光雷达数据传输的稳定性,对比差异是为了保证超声波风速风向标的数据是否有效传递到SCADA***内。若风速风向仪的数据采集与SCADA中相应的参数数据统一,或者每个采样时间点都有数据与之统一,则证明适配性良好。在保证通讯网络数据传递质量和验证适配器的基础上,保证SCADA内的数据可以顺利获取,从而能够采集风电场的运行数据并存储至数据库中。
在使用时,只需从所述数据库中提取所述风电场的历史运行数据,为步骤2中对运行数据进行数据清洗做准备。所述历史运行数据具体包括环境测量数据、机组结构运行参数以及状态标志位数据;所述环境测量数据包括风速测量数据、风向测量数据;所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩;所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数。
步骤2:对所述历史运行数据进行数据清洗,生成清洗后目标数据。
在完成步骤1硬件改装工程的基础上,需要提取SCADA***中风电机组运行相关数据(即历史运行数据),包括:风速、风向等环境测量数据,机组偏航角、叶尖速比、叶根弯矩等机组结构运行参数以及SCADA***所提供的状态标志位数据,提取数据时采用的提取分度值为每10s~60s一个数据点,提取数据的覆盖范围为2年。然后针对所述历史运行数据进行数据清洗,生成清洗后目标数据,具体包括:
步骤2.1:将所述环境测量数据以及所述机组结构运行参数中的无效数据和错误数据进行剔除。
针对历史运行数据进行数据清洗,首先对历史运行数据中的无效/错误数据进行剔除(由于机组传感器的失灵或传输数据的失真会出现错误数据),针对历史运行数据中的关键数据类型(如:偏航角、有功功率、风向、风速)进行排查,将关键数据中出现NaN(Not aNumber,非数)或空值的数据点进行剔除。
步骤2.2:将所述风速测量数据中风速在切入风速以下和切出风速以上的数据点进行剔除。
针对历史运行数据进行数据清洗,还需要针对风机正常运行工况进行筛选,根据风力发电机的机组型号及结构参数设置获取该类机组的切入/切出风速界限值(即当自由风风速达到切入风速以上时,风机才会开始工作,当自由风速达到切出风速以上时,为保护风机,防止过载及设备损坏,风机会停止工作),并以历史运行数据中的风速测量数据为判断变量,将切入风速以下和切出风速以上的数据点进行剔除。
步骤2.3:根据所述状态标志位数据将异常工作工况所对应的数据点进行剔除,生成清洗后目标数据。
在完成步骤2.2和步骤2.3的数据点剔除后,需要针对机组工作状态模式进行剔除筛选,通过对比SCADA***的工作标志位数据数值,如叶片动作角度(正常角度数值、NaN或空值)、齿轮箱速度(高速、低速、NaN)、偏航动作角度(左偏航角度数、右偏航角度数、NaN或者空值)、解缆情况(具体圈数、NaN或者空值)等,将异常工作工况(如限电工况、故障工况、启/停工况等)所对应的数据点进行剔除。例如将叶片动作角度中的NaN或空值进行剔除,并剔除正常角度数值范围外的叶片动作角度。齿轮箱速度的高速、低速、NaN分别对应于启/停工况或故障工况,将高于高速、低于低速以及故障工况对应的齿轮箱速度数据进行剔除。偏航数据如果为空值或者是NaN,则表示是故障工况,进行剔除。解缆数据若为空值或者为错误数据,则剔除相应时间段对应的数据点。
步骤3:根据所述风向测量数据确定主要入流风向。
步骤3主要根据所述风向测量数据进行风电场风资源分布描述,具体包括:
步骤3.1:根据长时间范围内统计的所述风向测量数据生成风向玫瑰图。
以步骤2所处理过后的目标数据集为分析对象,统计风电场SCADA***中的环境测量数据(风速、风向测量数据),并以二者为决策变量进行频次统计,统计相同风向-风速的数据点出现频次,得到风电现场风资源分布情况的玫瑰图,包括风向玫瑰图和风速玫瑰图。其中风向玫瑰图通过对一段时间内风向数据的统计,线段越长表示在该风向上频率次数越多。在长时间段内,根据概率分析,可以认为线段越长所代表的风向为主要入流风向。
步骤3.2:根据所述风向玫瑰图筛选出所述主要入流风向。
基于步骤3.1的统计结果对风电现场的风资源进行定性分析描述,通过对长时间范围内的风向数据统计分析,根据风向玫瑰图筛选出主要入流风向的分布方向,并根据场内机组的空间分布状态对全年的入流风向进行风向区间划分,为后期的机组的风向数据分析提供便利。
步骤3.3:根据所述风电场内机组的空间分布状态对全年的入流风向进行风向区间划分,将360°的入流风向划为多个风向区间。
例如以20°为分度值将360°的入流风向划为18个区间。通过方向划分区间可总结出整个风场的主势入流风向是什么风向,为后续步骤进行某风向上的聚类分群提供指导风向。
步骤4:根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速。
步骤4主要进行数据驱动的叶片实时有效风速估计,通过构造叶片载荷观测器,提取目标数据中机组叶片外部的载荷传感器测量数据,记录不同叶片位置和风向情况下,每个叶片的外叶根弯矩有效值。所述步骤4具体包括:
步骤4.1:提取所述机组结构运行参数的叶根弯矩数据中风向处于所述主要入流风向范围内的数据点作为实时尾流软测量的目标数据对象。
根据步骤3所分析的风资源评估信息,选出所述机组结构运行参数的叶根弯矩数据中风向处于主势入流风向范围内的数据点,作为实时尾流软测量的目标数据对象。
步骤4.2:基于步骤4.1的目标数据对象定义面向风速估计的参数,定义锥系数(Cone Coefficient)作为间接变量,其表达式如下:
其中λRE是叶尖速比,β为叶片桨距角,qRE为风轮面压力有效值,B是风电机组叶片的数量;mi是叶片i的叶根弯矩,该具体数值与转子盘的方位角Ψi有关;ρ为空气密度,A为风轮面区域的面积,R为叶片长度,VRE表示风轮面有效入流风速值。Cm0是人为定义的锥系数,该系数的具体数值由机组所处的运行工况的叶尖速比(λRE)、叶片桨距角(β)和风轮面压力有效值(qRE)共同决定。
步骤4.3:根据所述锥系数确定t时刻风轮面有效入流风速值作为风轮面实时有效风速。
风轮面有效入流风速的实时计算表达式如下:
其中是t时刻叶片载荷传感器的叶根弯矩实时测量值,ρ为空气密度,A为风轮面区域的面积,R为叶片长度,VRE(t)表示t时刻风轮面有效入流风速,表示为风轮面压力测量有效值的均值,Cm0则是人为定义的锥系数,该系数的具体数值由机组所处的运行工况的叶尖速比(λRE)、叶片桨距角(β)和风轮面压力有效值共同决定。具体的,所述公式(2)中为t时刻的锥系数,t时刻的锥系数由t时刻机组所处的运行工况的叶尖速比λRE(t)、叶片桨距角β(t)和风轮面压力有效值的均值共同确定。
提取整理目标数据对象中,不同风速情况下(2)式除锥系数和VRE以外的参数数据(空气密度ρ、叶片半径R、风轮面面积A、叶根弯矩),并对其中叶根弯矩的统计数据进行均值计算用以表征统计时间段内的叶根弯矩瞬时值,同时利用安装于机舱轮毂处的超声波风速仪测量轮毂入流风速作为VRE,通过以上参数计算得到锥系数并为计算风轮面实时有效风速VRE(t)做准备。
基于所整理的数据对式(1)进行计算,得到不同风速情况下的锥系数具体数值,同时将计算结果与相同风速情况下的叶尖速比、叶片桨距角、风轮面压力有效值进行对标。锥系数本质上与叶尖速比、叶片桨距角、风轮面压力有效值有关,可由公式(1)求得,通过对比数据之间的关系,验证锥系数具体数值的准确性,保证后续步骤中的使用无误。
然后利用步骤所计算的锥系数配合风电机组各种传感器的测量数据(式(2)中所列参数的实时测量数据)进行风轮面有效入流风速VRE(t)的实时计算,即实现基于实时测量数据的风轮面实时有效风速估计。
锥系数是通过一段时间内载荷传感器的统计值和风轮面有效风俗的统计值由公式(1)计算得到的。在得到锥系数的基础上,根据载荷传感器所测载荷的实时值由式(2)得到风轮面有效风速的实时值VRE(t)。基于数据驱动所测数据,有更高的准确度。
步骤5:根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果。
图4为本发明提供的基于叶片实时有效风速的尾流影响评估过程示意图,参见图4,步骤5主要进行基于叶片实时有效风速的尾流影响评估,所述步骤5具体包括:
步骤5.1:基于风轮面有效风速估计的单叶片实时风速估计。
式(2)中利用机组叶片传感器的统计数据对风轮盘面的入流风速进行实时计算,针对式(2)的关键计算变量Cm0(锥系数)、VRE(有效入流风速)以及m0(叶根弯矩)进行重定义:
其中表示第i个叶片上所搭载的叶片载荷传感器t时刻的实时测量数据(叶根弯矩),ψi(t)是t时刻时第i个叶片所处的方位角(方位角指风轮平面上叶片指向与正北方向的夹角)。VRE(ψi(t))表示在t时刻处于ψi(t)角度时,第i个叶片的局部有效风速。以式(3)为理论依据,通过步骤4.3所阐述的方法可以实现VRE(ψi(t))的倒推计算。公式(3)是用于计算VRE(ψi(t))的,公式中其他参数都是已知量。
即采用公式确定VRE(ψi(t));其中VRE(ψi(t))表示在t时刻处于ψi(t)角度时,第i个叶片的风轮面局部实时有效风速;(t)表示第i个叶片上所搭载的叶片载荷传感器t时刻测量的叶根弯矩;ψi(t)是t时刻时第i个叶片所处的方位角;(λRE(ψi(t)),βi,qBE)表示在t时刻处于ψi(t)角度时,第i个叶片的锥系数;所述锥系数(λRE(ψi(t)),βi,qBE)由t时刻处于ψi(t)角度时,机组所处的运行工况的叶尖速比λRE(ψi(t))、第i个叶片的叶片桨距角βi和风轮面压力有效值qRE共同确定。
步骤5.2:基于单叶片实时风速估计的扇面局部风速估计。
式(3)估计计算了以单叶片为对象的实时风速VRE(ψi(t)),对该计算结果进行面积积分,即以VRE(ψi(t))中的叶片方位角ψi(t)作为积分变量,以该叶片扫过的扇面区域方位角度为积分范围构建积分表达式,其积分表达式如式(4)所示:
对VBE进行面积积分和均值计算后可以得到扇面局部有效风速VSE,其中AS为叶片扫过的扇面面积,积分的逻辑拓扑如图2,图2中ψ1和ψ2分别表示单叶片实时风速估计的扇形截面的初始方位角和结束方位角,其差值表示扇形界面的方位角跨度。ψ(t)为实时方位角。AB表示叶片的面积。通过改变积分范围所对应的方位角即可改变需要进行局部风速估计的扇面位置。公式(4)中的VBE(ψ(t))与公式(3)中计算的参数VRE(ψi(t))本质上是同一个量,只是在公式描述上不一样。式(3)表述上更为具体将三个叶片都体现出来了,而式(4)并没有。公式(4)不需要对时间和和方位角进行积分,根据等式左右单位一致性也可推出。
步骤5.3:风轮面分区局部有效风速估计。
基于步骤5.1和步骤5.2介绍的计算机理对风电机组风轮面进行划分,针对以下两种风速估计方式进行划分:首先,为了量化估计前排机组尾流对后排机组入流风的影响,将局部风速的估计区域锁定为左、右两个扇形区域(45°~135°和225°~315°,如图3左图所示),根据左、右两个扇面区域有效风速的偏差,可以估计前排机组尾流对其影响面积;其次,将局部风速的估计区域锁定为上、下两个扇形区域(-45°~45°和135°~225°,如图3右图所示),根据上下两个扇形区域的有效风速的偏差,可以对垂直风切变的轮廓进行定性分析,为后续风电机组间流场耦合特性分析做准备。
即以VRE(ψi(t))中的叶片方位角ψi(t)作为积分变量,以叶片扫过的扇面区域方位角度为积分范围,构建积分表达式计算t时刻扇面局部有效风速VSE(t);其中As为叶片扫过的扇面面积;VBE(ψ(t))=VRE(ψi(t))。将局部风速的估计区域划分为上、下、左、右四个扇形区域;根据上、下、左、右四个扇形区域的不同方位角ψi(t),采用公式和公式分别确定上、下、左、右四个扇形区域的扇面局部有效风速。根据所述左、右两个扇形区域的扇面局部有效风速的偏差确定前排机组对后排机组的尾流影响面积。根据所述上、下两个扇形区域的扇面局部有效风速的偏差对垂直风切变轮廓进行定性分析,生成尾流影响评估结果。
利用公式(3)分别计算后排机组风轮面的左、右扇面区域的局部有效风速估计值时,左、右扇面区域对应的不同的参数为各自的两个方位角。左、右扇面区域的局部有效风速估计值由式(3)、(4)所得,区别为方位角不同(右:-45°~45°,左:135°~225°)。根据左、右两个扇形区域的有效风速的偏差,可以得到前排机组尾流分布的风速测量和方向测量以及尾流影响面积。根据上、下两个扇形区域的有效风速的偏差,可以对垂直风切变的轮廓进行定性的分析。为后续风电机组间流场耦合特性分析做准备。
步骤5.4:基于步骤5.3的区域局部有效风速计算结果对后排机组的尾流影响面积和垂直风切变轮廓进行定性分析。针对地势较为平坦,机舱高度相对稳定的两台机组,垂直风切变情况较为稳定,只需对后排机组尾流影响情况进行分析。依据步骤5.3的计算结果,对后排机组风轮面的左、右扇面区域的局部其有效风速估计值进行比较,当后排机组受到严重尾流影响时,作用于后排机组风轮面的风会在水平方向上产生速度差,根据速度差值衡量尾流影响大小。
步骤5根据速度差得出风电机组受上游机组尾流影响程度,为后续流场耦合特性量化评估提供特性条件。获得风电机组所受上游机组尾流影响,是流场耦合特性量化评估的提前,并为最终的分群做准备。
步骤6:根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果。
步骤6进行流场耦合特性评估,具体包括:
步骤6.1:提取风电现场SCADA***内所记录的风机运行数据,并基于步骤2所描述的数据清洗方法对提取数据进行数据预处理。
步骤6.2:根据所述风电场各台机组的所述风向测量数据,确定所述风电场的整场入流风向。
针对预处理后的风向数据,以单台风电机组为处理单位,对各台机组的入流风向(即风向数据)进行平均计算,作为整场的入流风向。
对每台机组的一个入流风向进行平均计算的公式如下:
步骤6.3:根据所述整场入流风向建立风场坐标系。
基于步骤6.2计算得到的整场入流风向,并将该入流风向定义为x轴,同时与该方向成逆时针垂直的方向定义为y轴构建坐标系,记为当前风向下的风场坐标系。
步骤6.4:将所述风电场内所有机组的地理坐标变换为所述风场坐标系下的位置坐标。
以步骤6.3计算得到的风场坐标系为标准,对下游机组(风电场内除首排机组以外的机组)的坐标进行如式(6)的坐标转换
其中Φ是步骤6.3中风场坐标系的x轴与地理坐标系x轴的夹角,为第i台机组的地理坐标,{Xi,Yi}则是在风场坐标系下第i台机组的坐标位置。对风电场内所有机组进行式(6)的坐标变换计算。其中,以某一地理位置作为地理坐标的原点,选定x坐标轴和y坐标轴,由于此时已知入流风向如何,全观整场机组,将地理原点设在合适的位置,尽可能保证所有机组在该地理坐标系的第一象限内。
步骤6.5:根据所述风场坐标系下的位置坐标确定首排机组作为领头机组。
基于步骤6.4的计算结果在笛卡尔坐标系下对风电场内所有机组进行标注,并以坐标信息为依据(如,在同一y坐标下,距离y坐标轴最小的风电机组位置,可估计为首排机组),初步判断在当前风向下的首排机组并提取记录其叶片载荷测量值(叶根弯矩m0)与风轮面有效风速VRE(t)(计算流程参考步骤4)作为后续分析的基准值,同时将该首排机组选为领头机组。
所述笛卡尔坐标系即为风场坐标系。对第i台机组进行标注的意思是根据转换公式(6)求出该机组坐标。根据机组坐标可得知在同一纵坐标下,距离y坐标轴的距离最小的机组即为首排机组。所述坐标信息即为每个风电机组在该坐标系下的位置坐标,根据此坐标可以得出在同一纵坐标时,与轴垂直距离最小的风电机组,估计为首排机组。
步骤6.6:根据所述领头机组及所述整场入流风向确定所述领头机组的下游机组。
在找出风电场首排机组的前提下,沿着整场入流风向在风电场机组坐标图内找寻各个领头机组的下游机组,并计算机组的风轮面有效入流风速和左右扇面局部有效风速。风轮面有效入流风速的计算公式是式(3),左右扇面局部有效风速的计算公式是式(4)。找出风电场首排机组和其下游机组为后续的智能分群做准备。
步骤6.7:根据所述下游机组的风轮面实时有效风速以及其左、右两个扇形区域的扇面局部有效风速的偏差生成所述风电场的有向拓扑图。
对场内各台机组的风轮面有效风速和左右扇面有效风速差进行分析,若该台机组的风轮面有效风速与领头机组相差不大,且不存在明显的左右扇面风速差时,可以将该机组定义为新的领头机组;对于风轮面有效风速明显低于首排机组,或是左右扇面风速差较大时,则该机组可判断为受前排机组尾流影响严重。重复执行计算、分析工作直至所有机组都完成分析。分析结果是可以判定所有的机组是否是领头机组,是否受尾流的影响,受哪一台或几台机组的尾流影响,即获得风电场的有向拓扑图。该有向拓扑图是对每台风电机组的风轮面有效风速和左右扇面的有效风速差进行分析得到的。
步骤6.8:根据固定风向下前排机组的风轮面实时有效风速及后排机组的风轮面实时有效风速计算固定风向下的前、后排机组间的流场耦合系数。
改变整场入流风向的指向,并重复步骤6.3至步骤6.7的计算工作,可以得到任一风向下风电场机组的有向拓扑图,网络中一个节点代表一台机组。定义机组间流场耦合权重系数J,该系数用于表征上游机组尾流对下游机组的干涉强度,并量化上下游机组之间因流场耦合产生的影响。流场耦合权重系数J定义如下:
式(7)中,D代指机组间沿入流风方向的距离,VRE为式(2)中所计算的机组风轮面有效入流风风速,其中为前排机组的风轮面有效风速,为后排机组的风轮面有效风速。计算固定风向下的前后排机组间的流场耦合系数,并根据计算结果和风电场有向拓扑图设定尾流影响的边界阈值。尾流干涉程度与机组间的相对位置有关,根据机组相对位置确定尾流干涉程度的相对大小,并根据其流场耦合系数的计算结果设定阈值,用于标定机组之间有无尾流影响。
步骤6.9:根据所述流场耦合系数及所述有向拓扑图确定尾流影响的边界阈值作为流场耦合系数阈值。
根据流场耦合系数计算结果和风电场有向拓扑图设定尾流影响的边界阈值作为流场耦合系数阈值。
步骤7:根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群,生成聚类分群结果。
图5为本发明提供的依尾流干涉的风电场聚类分群过程示意图,参见图5,本发明步骤7为依尾流干涉的风电场聚类分群,所述步骤7具体包括:
步骤7.1:基于步骤6中整场入流风向下的风场有向拓扑结构以及机组流场耦合系数,选取出风电场内所有的领头机组并将领头机组作为首次聚类算法的聚类中心C。
在选取领头机组时,首先,不受前排机组尾流影响的首排机组一定是领头机组;另外,对场内各机组的盘面有效风速和左右扇面风速差异进行分析,若机组盘面有效风速与首排机组差异不大,且不存在左右风速差,则认为这台机组不受其他机组尾流影响,同样定义为领头机组。通过对流场耦合权重系数的定义,可量化上下游机组之间因流场耦合产生的影响,并通过对参考耦合权重系数的设定,辅以进一步分群。
步骤7.2:以机组间流场耦合系数作为量化特征属性,根据风电场有向拓扑图选取整场入流风向下的第一排下游机组并进行聚类,根据聚类算法距离函数计算本次聚类的隶属度函数矩阵(所谓隶属度即算法样本与不同聚类中心距离的相对大小,隶属度通常以百分比形式表示)。常用的聚类算法距离函数(Minkowski距离)定义为:
其中dij(q)表示第i个样本xi与第j个样本xj之间的Minkowski距离,其中xik表示第i个样本的第k个特征属性,xjk表示第j个样本的第k个特征属性,m为参与聚类分析的数据样本所具有的特征属性个数,n为样本数量,q则是距离函数定义式中的特征参数。本发明选取的聚类特征参数为流场耦合系数。当q取不同值时,dij(q)可以用来表示不同形式的距离(包括绝对值距离、欧氏距离等),本发明距离函数选择绝对值距离(即q=1),并以流场耦合系数的绝对值距离计算相应隶属度矩阵。
根据得到的隶属度矩阵可保证最终的分群准确性,隶属度函数矩阵用于确定下游机组所属于上游机组的哪个群或者哪几个群中,也可以说某一上游机组与哪个或者哪几个同排下游机组在不同的机群中。
步骤7.3:根据步骤6计算得到的风电场整场机组流场耦合系数的关系,设定出能够判断机组是否受尾流影响的流场耦合系数阈值Jref。当所选下游机组的流场耦合系数J低于该值Jref时则需要判断该机组是否为领头机组,若是领头机组的话,将其作为聚类中心依据分群流程继续进行智能分群;若不是领头机组则需要将其作为支线划分到对其耦合最严重的机组所在群内,同时选取其他同排下游机组进行步骤7.2的计算。选取其他同排下游机组的过程依据风电场智能分群流程图5进行,选取其他同排下游机组进行步骤7.2计算,是为了对每一排的风电机组进行分析,为同排各个机组更新聚类中心做准备。其中流场耦合系数的计算公式为公式(7)。
当第一排下游机组中存在流场耦合系数J大于设定阈值时Jref,则计算该机组与前一排所有机组的流场耦合系数,并依据流场耦合系数的计算结果构造隶属度矩阵(所谓隶属度矩阵即以流场耦合系数为对象,计算不同流场耦合系数占所有流场耦合系数加和值的百分比,并将计算结果按矩阵形式进行排列),将该机组与隶属度明显偏高的一个或多个前排机组聚类为同一群簇。
首先,根据流场耦合系数计算公式得到前排机组与后排机组的流场耦合关系,根据这一关系的强弱(也就是说这个耦合系数J与Jref的大小关系)。若其耦合系数比参考耦合系数要大的话,则计算其与所有前排机组之间的耦合关系,由此耦合系数所占所有耦合系数的百分比构成隶属度矩阵,百分比越大,隶属度关系越强,所受尾流影响越强,则将其聚为一类中。某一后排机组和前排几个机组的隶属度都明显偏高的话,说明该机组分别在前排机组所在的不同类里,则称这个机组为耦合机组。所述隶属度矩阵表示某两台风电机组的隶属度占所有流场耦合系数加和值的百分比,若占比较高,则说明隶属度比较高,则说明流场耦合相关性比较大,则说明可以将其聚为一类。
步骤7.4:当该机组完成聚类后(聚为某一类或未与其他机组聚类),需要对聚类的对象进行纵向更新,沿整场入流方向探索下游机组,并以新的下游机组为对象进行步骤7.3的聚类分群操作。
步骤7.5:当所有沿入流风向的下游机组完成聚类分群后,计算每个群组内的机组流场耦合系数叠加值作为当前路径耦合系数H。调整整场入流风向的角度从而寻找其他可行的聚类路径,重复步骤7.1至步骤7.4的聚类步骤,并基于每次所选路径计算器路径耦合系数H。
步骤7.6:当可行路径搜索完成时,横向比较不同路径所对应的耦合系数H,选择H取最大值时的路径作为整场机组聚类分群的结果从而完成分群,聚类效果拓扑图如图6所示,聚类分群的流程图参见图5。
本发明通过研究所述步骤7依尾流干涉的风电场聚类分群算法,揭示了场内各机组尾流效应的耦合机理,实现场内机组依特定风向下的尾流分布的智能分群。所述步骤7可按照聚类算法将风电场分成几个风群,包括得出场内的耦合机组,保证所有的机组都能被聚类到某一或者某几个群中。选择每一个群作为一个独立的运算单元,构建分布式网络,不同网络运算单元在各个机***叉的机组交互通讯,实现了场级的聚类分群。
实际风电场已存有海量的历史运行数据,目前业界基于数据分析和智能算法多聚焦于风电机组的运行效率评估、故障检测及预警等方面,旨在提高风电机组可靠性和经济性。风电场受到主导风向、地形、机位分布等因素影响,可能同时有多台上游机组对同一机组存在尾流影响,这些相关性均隐藏在各台机组的历史运行数据内,有待进一步发掘。本发明方法通过流场耦合特性评估和智能分群解决这一问题,充分利用风电场的历史数据库,深度挖掘场内机组间的耦合关系,实现对风电场的初步尾流评估。随着风电场的规模的增大,通过智能分群方法,为风电场高效优化控制提供研究基础。
基于本发明提供的一种风电场流场耦合特性评估与智能分群方法,本发明还提供一种风电场流场耦合特性评估与智能分群***,参见图7,所述***包括:
历史运行数据获取模块701,用于获取风电场的历史运行数据;所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据;所述环境测量数据包括风速测量数据、风向测量数据;所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩;所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数;
数据清洗模块702,用于对所述历史运行数据进行数据清洗,生成清洗后目标数据;
风资源分布确定模块703,用于根据所述风向测量数据确定主要入流风向;
实时有效风速估计模块704,用于根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速;
尾流影响评估模块705,用于根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果;
流场耦合特性评估模块706,用于根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果;
风电场聚类分群模块707,用于根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群,生成聚类分群结果。
其中,所述数据清洗模块702具体包括:
无效数据剔除单元,用于将所述环境测量数据以及所述机组结构运行参数中的无效数据和错误数据进行剔除;
风速测量数据剔除单元,用于将所述风速测量数据中风速在切入风速以下和切出风速以上的数据点进行剔除;
异常工况数据点剔除单元,用于根据所述状态标志位数据将异常工作工况所对应的数据点进行剔除,生成清洗后目标数据。
所述风资源分布确定模块703具体包括:
风向玫瑰图生成单元,用于根据长时间范围内统计的所述风向测量数据生成风向玫瑰图;
主要入流风向筛选单元,用于根据所述风向玫瑰图筛选出所述主要入流风向;
风向区间划分单元,用于根据所述风电场内机组的空间分布状态对全年的入流风向进行风向区间划分,将360°的入流风向划为多个风向区间。
所述实时有效风速估计模块704具体包括:
目标数据对象提取单元,用于提取所述机组结构运行参数的叶根弯矩数据中风向处于所述主要入流风向范围内的数据点作为实时尾流软测量的目标数据对象;
锥系数计算单元,用于根据所述目标数据对象,采用公式确定锥系数(λRE,β,qRE);所述锥系数(λRE,β,qRE)由机组所处的运行工况的叶尖速比λRE、叶片桨距角β和风轮面压力有效值qRE共同确定;其中B为风电机组叶片的数量,mi是叶片i的叶根弯矩,ψi为叶片i的转子盘的方位角;ρ为空气密度,A为风轮面区域的面积,R为叶片长度,VRE表示风轮面有效入流风速值;
实时有效风速估计单元,用于根据所述锥系数(λRE,β,qRE),采用公式确定t时刻风轮面有效入流风速值VRE(t)作为风轮面实时有效风速;其中表示t时刻叶片载荷传感器的实时测量值;为t时刻的锥系数,t时刻的锥系数由t时刻机组所处的运行工况的叶尖速比λRE(t)、叶片桨距角β(t)和风轮面压力有效值的均值共同确定。
所述尾流影响评估模块705具体包括:
风轮面实时有效风速计算单元,用于采用公式确定VRE(ψi(t));其中VRE(ψi(t))表示在t时刻处于ψi(t)角度时,第i个叶片的风轮面局部实时有效风速;表示第i个叶片上所搭载的叶片载荷传感器t时刻测量的叶根弯矩;ψi(t)是t时刻时第i个叶片所处的方位角;(λRE(ψi(t)),βi,qBE)表示在t时刻处于ψi(t)角度时,第i个叶片的锥系数;所述锥系数(λRE(ψi(t)),βi,qBE)由t时刻处于ψi(t)角度时,机组所处的运行工况的叶尖速比λRE(ψi(t))、第i个叶片的叶片桨距角βi和风轮面压力有效值qRE共同确定;
积分表达式构建单元,用于以VRE(ψi(t))中的叶片方位角ψi(t)作为积分变量,以叶片扫过的扇面区域方位角度为积分范围,构建积分表达式计算t时刻扇面局部有效风速VSE(t);其中AS为叶片扫过的扇面面积;VBE(ψ(t))=VRE(ψi(t));
扇形区域划分单元,用于将局部风速的估计区域划分为上、下、左、右四个扇形区域;
尾流影响面积确定单元,用于根据所述左、右两个扇形区域的扇面局部有效风速的偏差确定前排机组对后排机组的尾流影响面积;
尾流影响评估单元,用于根据所述上、下两个扇形区域的扇面局部有效风速的偏差对垂直风切变轮廓进行定性分析,生成尾流影响评估结果。
所述流场耦合特性评估模块706模块具体包括:
整场入流风向确定单元,用于根据所述风电场各台机组的所述风向测量数据,确定所述风电场的整场入流风向;
风场坐标系建立单元,用于根据所述整场入流风向建立风场坐标系;
坐标转换单元,用于将所述风电场内所有机组的地理坐标变换为所述风场坐标系下的位置坐标;
领头机组确定单元,用于根据所述风场坐标系下的位置坐标确定首排机组作为领头机组;
下游机组确定单元,用于根据所述领头机组及所述整场入流风向确定所述领头机组的下游机组;
有向拓扑图生成单元,用于根据所述下游机组的风轮面实时有效风速以及其左、右两个扇形区域的扇面局部有效风速的偏差生成所述风电场的有向拓扑图;
流场耦合系数计算单元,用于根据固定风向下前排机组的风轮面实时有效风速及后排机组的风轮面实时有效风速计算固定风向下的前、后排机组间的流场耦合系数;
流场耦合系数阈值确定单元,用于根据所述流场耦合系数及所述有向拓扑图确定尾流影响的边界阈值作为流场耦合系数阈值。
本发明针对风电场尾流评估方法进行研究,挖掘风电场多尺度时空特征量灵敏度,针对单台机组分析机组扇面受力分布,定量化揭示前后机组间尾流干涉机理;通过对各机组间流场耦合系数的分析计算,揭示场内各机组尾流效应的耦合机理,通过聚类算法实现场内机组依特定风向下尾流分布的智能分群。其优势在于从尾流评估阶段,沿风场→机群→机组方向进行多层次的聚类分群,分群过程充分考虑了风电机组多种运行特性和风电场流场分布情况,为风电场流场特性分析及聚类分群提供了新的研究思路。
本发明方法及***基于数据驱动方法实现风电场的尾流评估和智能分群。首先针对机组间流场耦合场景,得出机组间流场相关性的定量化指标方法,基于数据驱动尾流软测量技术对后排机组运行特性进行定性/定量化分析,包括机组叶片受力/载荷特性、风力机叶轮有效风速和左右/上下盘面风速差等,以此设定指标阈值。其次,通过提取风电场内不受其他机组尾流影响的机组作为领头机组,同时构造机组间流场耦合系数,并结合尾流软测量技术予以验证,并对关键特征参数的阈值界限进行设定,在此基础上实现对全场机组的聚类分群,提高了分群结果的科学性和准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种风电场流场耦合特性评估与智能分群方法,其特征在于,所述方法包括:
获取风电场的历史运行数据;所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据;所述环境测量数据包括风速测量数据、风向测量数据;所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩;所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数;
对所述历史运行数据进行数据清洗,生成清洗后目标数据;
根据所述风向测量数据确定主要入流风向;
根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速;
根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果;
根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果;
所述根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果,具体包括:
根据所述风电场各台机组的所述风向测量数据,确定所述风电场的整场入流风向;
根据所述整场入流风向建立风场坐标系;
将所述风电场内所有机组的地理坐标变换为所述风场坐标系下的位置坐标;
根据所述风场坐标系下的位置坐标确定首排机组作为领头机组;
根据所述领头机组及所述整场入流风向确定所述领头机组的下游机组;
根据所述下游机组的风轮面实时有效风速以及其左、右两个扇形区域的扇面局部有效风速的偏差生成所述风电场的有向拓扑图;
根据固定风向下前排机组的风轮面实时有效风速及后排机组的风轮面实时有效风速计算固定风向下的前、后排机组间的流场耦合系数;
根据所述流场耦合系数及所述有向拓扑图确定尾流影响的边界阈值作为流场耦合系数阈值;
根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群,生成聚类分群结果。
2.根据权利要求1所述的风电场流场耦合特性评估与智能分群方法,其特征在于,所述对所述历史运行数据进行数据清洗,生成清洗后目标数据,具体包括:
将所述环境测量数据以及所述机组结构运行参数中的无效数据和错误数据进行剔除;
将所述风速测量数据中风速在切入风速以下和切出风速以上的数据点进行剔除;
根据所述状态标志位数据将异常工作工况所对应的数据点进行剔除,生成清洗后目标数据。
3.根据权利要求2所述的风电场流场耦合特性评估与智能分群方法,其特征在于,所述根据所述风向测量数据确定主要入流风向,具体包括:
根据长时间范围内统计的所述风向测量数据生成风向玫瑰图;
根据所述风向玫瑰图筛选出所述主要入流风向;
根据所述风电场内机组的空间分布状态对全年的入流风向进行风向区间划分,将360°的入流风向划为多个风向区间。
4.根据权利要求3所述的风电场流场耦合特性评估与智能分群方法,其特征在于,所述根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速,具体包括:
提取所述机组结构运行参数的叶根弯矩数据中风向处于所述主要入流风向范围内的数据点作为实时尾流软测量的目标数据对象;
根据所述目标数据对象,采用公式确定锥系数所述锥系数由机组所处的运行工况的叶尖速比λRE、叶片桨距角β和风轮面压力有效值qRE共同确定;其中B为风电机组叶片的数量,mi是叶片i的叶根弯矩,ψi为叶片i的转子盘的方位角;ρ为空气密度,A为风轮面区域的面积,R为叶片长度,VRE表示风轮面有效入流风速值;
5.根据权利要求4所述的风电场流场耦合特性评估与智能分群方法,其特征在于,所述根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果具体包括:
采用公式确定VRE(ψi(t));其中VRE(ψi(t))表示在t时刻处于ψi(t)角度时,第i个叶片的风轮面局部实时有效风速;表示第i个叶片上所搭载的叶片载荷传感器t时刻测量的叶根弯矩;ψi(t)是t时刻时第i个叶片所处的方位角;表示在t时刻处于ψi(t)角度时,第i个叶片的锥系数;所述锥系数由t时刻处于ψi(t)角度时,机组所处的运行工况的叶尖速比λRE(ψi(t))、第i个叶片的叶片桨距角βi和风轮面压力有效值qRE共同确定;
以VRE(ψi(t))中的叶片方位角ψi(t)作为积分变量,以叶片扫过的扇面区域方位角度为积分范围,构建积分表达式计算t时刻扇面局部有效风速VSE(t);其中AS为叶片扫过的扇面面积;VBE(ψ(t))=VRE(ψi(t));
将局部风速的估计区域划分为上、下、左、右四个扇形区域;
根据所述左、右两个扇形区域的扇面局部有效风速的偏差确定前排机组对后排机组的尾流影响面积;
根据所述上、下两个扇形区域的扇面局部有效风速的偏差对垂直风切变轮廓进行定性分析,生成尾流影响评估结果。
6.一种风电场流场耦合特性评估与智能分群***,其特征在于,所述***包括:
历史运行数据获取模块,用于获取风电场的历史运行数据;所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据;所述环境测量数据包括风速测量数据、风向测量数据;所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩;所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数;
数据清洗模块,用于对所述历史运行数据进行数据清洗,生成清洗后目标数据;
风资源分布确定模块,用于根据所述风向测量数据确定主要入流风向;
实时有效风速估计模块,用于根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速;
尾流影响评估模块,用于根据所述风轮面实时有效风速进行尾流影响评估,生成尾流影响评估结果;
流场耦合特性评估模块,用于根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果;
所述根据所述风向测量数据进行流场耦合特性评估,生成流场耦合特性评估结果,具体包括:
根据所述风电场各台机组的所述风向测量数据,确定所述风电场的整场入流风向;
根据所述整场入流风向建立风场坐标系;
将所述风电场内所有机组的地理坐标变换为所述风场坐标系下的位置坐标;
根据所述风场坐标系下的位置坐标确定首排机组作为领头机组;
根据所述领头机组及所述整场入流风向确定所述领头机组的下游机组;
根据所述下游机组的风轮面实时有效风速以及其左、右两个扇形区域的扇面局部有效风速的偏差生成所述风电场的有向拓扑图;
根据固定风向下前排机组的风轮面实时有效风速及后排机组的风轮面实时有效风速计算固定风向下的前、后排机组间的流场耦合系数;
根据所述流场耦合系数及所述有向拓扑图确定尾流影响的边界阈值作为流场耦合系数阈值;
风电场聚类分群模块,用于根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群,生成聚类分群结果。
7.根据权利要求6所述的风电场流场耦合特性评估与智能分群***,其特征在于,所述数据清洗模块具体包括:
无效数据剔除单元,用于将所述环境测量数据以及所述机组结构运行参数中的无效数据和错误数据进行剔除;
风速测量数据剔除单元,用于将所述风速测量数据中风速在切入风速以下和切出风速以上的数据点进行剔除;
异常工况数据点剔除单元,用于根据所述状态标志位数据将异常工作工况所对应的数据点进行剔除,生成清洗后目标数据。
8.根据权利要求7所述的风电场流场耦合特性评估与智能分群***,其特征在于,所述风资源分布确定模块具体包括:
风向玫瑰图生成单元,用于根据长时间范围内统计的所述风向测量数据生成风向玫瑰图;
主要入流风向筛选单元,用于根据所述风向玫瑰图筛选出所述主要入流风向;
风向区间划分单元,用于根据所述风电场内机组的空间分布状态对全年的入流风向进行风向区间划分,将360°的入流风向划为多个风向区间。
9.根据权利要求8所述的风电场流场耦合特性评估与智能分群***,其特征在于,所述实时有效风速估计模块具体包括:
目标数据对象提取单元,用于提取所述机组结构运行参数的叶根弯矩数据中风向处于所述主要入流风向范围内的数据点作为实时尾流软测量的目标数据对象;
锥系数计算单元,用于根据所述目标数据对象,采用公式确定锥系数所述锥系数由机组所处的运行工况的叶尖速比λRE、叶片桨距角β和风轮面压力有效值qRE共同确定;其中B为风电机组叶片的数量,mi是叶片i的叶根弯矩,ψi为叶片i的转子盘的方位角;ρ为空气密度,A为风轮面区域的面积,R为叶片长度,VRE表示风轮面有效入流风速值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326716.XA CN111091298B (zh) | 2019-12-20 | 2019-12-20 | 一种风电场流场耦合特性评估与智能分群方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326716.XA CN111091298B (zh) | 2019-12-20 | 2019-12-20 | 一种风电场流场耦合特性评估与智能分群方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091298A CN111091298A (zh) | 2020-05-01 |
CN111091298B true CN111091298B (zh) | 2020-09-01 |
Family
ID=70396591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911326716.XA Active CN111091298B (zh) | 2019-12-20 | 2019-12-20 | 一种风电场流场耦合特性评估与智能分群方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091298B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597136A (zh) * | 2020-05-28 | 2021-04-02 | 河北新天科创新能源技术有限公司 | 一种用于风力发电机的数据清洗方法 |
CN111934363B (zh) * | 2020-07-29 | 2022-09-09 | 国网甘肃省电力公司电力科学研究院 | 各类型电源空间分布和调节能力约束的多源协调调峰方法 |
CN113326592B (zh) * | 2021-08-04 | 2021-10-15 | 浙江中自庆安新能源技术有限公司 | 一种基于模态分解算法的风机叶片故障分析方法及*** |
CN116341420B (zh) * | 2023-05-22 | 2023-08-15 | 华能新疆青河风力发电有限公司 | 一种用于机组的地貌与风场的地-风耦合方法及*** |
CN116993026B (zh) * | 2023-09-26 | 2023-12-19 | 无锡九方科技有限公司 | 一种大规模风电场机组运行参数优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104124708A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种能源协调优化机组组合方法 |
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN105186525A (zh) * | 2015-10-29 | 2015-12-23 | 山东大学 | 风电接入下无功电压控制分区方法 |
CN106096269A (zh) * | 2016-06-12 | 2016-11-09 | 清华大学 | 一种电‑气耦合***中天然气网的区间潮流计算方法 |
CN106208157A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于电转气的电‑气互联综合能源***削峰填谷方法 |
CN109255471A (zh) * | 2018-08-17 | 2019-01-22 | 国网山东省电力公司电力科学研究院 | 一种含风电的电-气-热综合能源***扩展规划优化方法 |
CN110009037A (zh) * | 2019-04-03 | 2019-07-12 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及*** |
CN110135631A (zh) * | 2019-04-26 | 2019-08-16 | 燕山大学 | 基于信息间隙决策理论的电气综合能源***调度方法 |
CN110460036A (zh) * | 2019-05-10 | 2019-11-15 | 四川大学 | 一种考虑风电不确定性的交直流配电网分布式优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335617B (zh) * | 2015-11-05 | 2017-12-15 | 北京金风科创风电设备有限公司 | 风电场尾流效应评估方法及装置 |
CN106845737A (zh) * | 2015-12-03 | 2017-06-13 | 甘肃省电力公司风电技术中心 | 一种风电场群整体发电能力评估方法 |
CN110543649B (zh) * | 2018-05-29 | 2023-04-07 | 北京金风科创风电设备有限公司 | 基于快速评估流体模型和尾流模型的风机排布方法和装置 |
CN110020801B (zh) * | 2019-04-08 | 2021-04-02 | 中能电力科技开发有限公司 | 一种风电场受外部尾流影响损失的评估方法 |
-
2019
- 2019-12-20 CN CN201911326716.XA patent/CN111091298B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104124708A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种能源协调优化机组组合方法 |
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN105186525A (zh) * | 2015-10-29 | 2015-12-23 | 山东大学 | 风电接入下无功电压控制分区方法 |
CN106096269A (zh) * | 2016-06-12 | 2016-11-09 | 清华大学 | 一种电‑气耦合***中天然气网的区间潮流计算方法 |
CN106208157A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于电转气的电‑气互联综合能源***削峰填谷方法 |
CN109255471A (zh) * | 2018-08-17 | 2019-01-22 | 国网山东省电力公司电力科学研究院 | 一种含风电的电-气-热综合能源***扩展规划优化方法 |
CN110009037A (zh) * | 2019-04-03 | 2019-07-12 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及*** |
CN110135631A (zh) * | 2019-04-26 | 2019-08-16 | 燕山大学 | 基于信息间隙决策理论的电气综合能源***调度方法 |
CN110460036A (zh) * | 2019-05-10 | 2019-11-15 | 四川大学 | 一种考虑风电不确定性的交直流配电网分布式优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111091298A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091298B (zh) | 一种风电场流场耦合特性评估与智能分群方法及*** | |
Liu et al. | Wind power plant prediction by using neural networks | |
EP2169218B1 (en) | System and method for estimating wind condition for wind turbines | |
US10371124B2 (en) | System and method for determining wind farm wake loss | |
US7895018B2 (en) | Event monitoring via combination of signals | |
CN106873359B (zh) | 一种基于聚类分析和神经网络的风电噪声评价方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN106707166B (zh) | 一种风电场出力特性评估方法 | |
CN105891546A (zh) | 基于大数据的风电机组偏航***中风向标故障诊断的方法 | |
CN105894391B (zh) | 基于scada运行数据提取的风电机组转矩控制性能评估方法 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、***、设备及存储介质 | |
CN109408849B (zh) | 一种基于同调机组分群的风电场动态等值方法 | |
CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及*** | |
CN115013258A (zh) | 一种风电机组机前风速智能软测量方法、装置及服务器 | |
CN105279384A (zh) | 一种基于风力机机舱风速的来流风速计算方法及装置 | |
CN116771610A (zh) | 一种调整风电机组变桨***故障评估值的方法 | |
CN110273818B (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
CN113283035B (zh) | 双参数风力机机舱传递函数构建方法、***、设备及存储介质 | |
CN115898787A (zh) | 一种风电机组静态偏航误差动态识别方法及装置 | |
CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
CN106251238B (zh) | 风电场建模序列离散化步长的选取及模型误差分析方法 | |
CN114595989A (zh) | 一种风电机组性能评估方法及装置 | |
CN113269430A (zh) | 基于运行测风塔实测数据的风电项目发电量后评估方法 | |
CN114943174A (zh) | 一种用于寒潮小样本情况下的风机出力损失预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |