CN114511158B - 基于尾流偏转效应和2DJensen模型的风力机功率预测方法 - Google Patents
基于尾流偏转效应和2DJensen模型的风力机功率预测方法 Download PDFInfo
- Publication number
- CN114511158B CN114511158B CN202210412243.0A CN202210412243A CN114511158B CN 114511158 B CN114511158 B CN 114511158B CN 202210412243 A CN202210412243 A CN 202210412243A CN 114511158 B CN114511158 B CN 114511158B
- Authority
- CN
- China
- Prior art keywords
- wind
- wind turbine
- wake
- node
- edge
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 71
- 238000013528 artificial neural network Methods 0.000 claims description 66
- 238000011144 upstream manufacturing Methods 0.000 claims description 37
- 238000004220 aggregation Methods 0.000 claims description 36
- 230000002776 aggregation Effects 0.000 claims description 33
- 238000005315 distribution function Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 5
- 230000007812 deficiency Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- HODFCFXCOMKRCG-UHFFFAOYSA-N bitolterol mesylate Chemical compound CS([O-])(=O)=O.C1=CC(C)=CC=C1C(=O)OC1=CC=C(C(O)C[NH2+]C(C)(C)C)C=C1OC(=O)C1=CC=C(C)C=C1 HODFCFXCOMKRCG-UHFFFAOYSA-N 0.000 claims 1
- 229930183990 graphisin Natural products 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于尾流偏转效应和2DJensen模型的风力机功率预测方法,采集并预处理风场内风力机的SCADA数据;基于风场内风力机的地理位置数据构建每台风力机的相对位置坐标;确定风场内风力机的节点集合和全局属性;确定风场内风力机之间的边集合和邻接矩阵;构建输入矢量图集;构建基于尾流偏转效应和2DJensen模型的改进的图神经网络模型;依据预处理后的SCADA数据集和输入矢量图进行参数优化,确定风场内风力机功率预测模型,确定风场中所有风力机节点的预测功率。本发明能够准确预测不同风况下整个风场内具有偏航误差角的风电机组的功率输出值。
Description
技术领域
本发明属于风电机组功率预测领域,具体涉及一种基于尾流偏转效应和2DJensen模型的风力机功率预测方法。
背景技术
我国正在大力发展新能源产业,而风能因其分布广泛、无污染等优点,成为比较有发展前景的新能源之一。随着风力发电技术的不断发展,出现了越来越多的大型风电场。由于成本以及场地等因素导致大型风电场会出现风力机间相互影响、内部风场复杂多变等情况。通过预测功率不仅可以分析风电场功率损失情况,还可以通过预测功率结合场控***有效提升风电场发电效率。因此通过风电场风况信息准确地预测风电场全部风力机的功率具有重要的意义。通常风电场拥有丰富的SCADA历史数据,因此通过历史数据提升风电场功率预测准确率也具有重要的意义。
发明内容
本发明目的在于提出一种基于尾流偏转效应和2DJensen模型的风力机功率预测方法。
实现本发明目的的技术解决方案为:一种基于尾流偏转效应和2DJensen模型的风力机功率预测方法,具体步骤如下:
步骤1、采集并预处理风场内风力机的SCADA数据;
步骤2、基于风场内风力机的地理位置数据构建每台风力机的相对位置坐标;
步骤3、根据预处理后的SCADA数据集得到风场内风力机的节点集合和全局属性;
步骤4、根据风力机相对位置坐标、当前时刻的输入风向、尾流偏转效应和2DJensen模型得到风场内风力机之间的边集合和邻接矩阵;
步骤5、基于风场内风力机的节点集合、边集合、全局属性和邻接矩阵构建输入矢量图集;
步骤6、基于尾流偏转效应和2DJensen模型构建改进的图神经网络模型,确定图神经网络的设置参数;
步骤7、使用优化算法,根据损失函数,依据预处理后的SCADA数据集和输入矢量图对改进的图神经网络进行参数优化,参数优化完成后确定的图神经网络模型作为风场内风力机功率预测模型;
步骤8、利用风力机功率预测模型处理输入的风速和风向,得到风场中所有风力机节点的预测功率。
一种基于尾流偏转效应和2DJensen模型的风力机功率预测***,利用所述的基于尾流偏转效应和2DJensen模型的风力机功率预测方法,实现风力机功率预测。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,利用所述的基于尾流偏转效应和2DJensen模型的风力机功率预测方法,实现风力机功率预测。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,利用所述的基于尾流偏转效应和2DJensen模型的风力机功率预测方法,实现风力机功率预测。
本发明与现有技术相比,其显著优点在于:结合图神经网络、尾流偏转效应和2DJensen模型来预测风力机的功率,能够准确预测不同风况下整个风场内具有偏航误差角的风电机组的功率输出值。
附图说明
图1为本发明基于尾流偏转效应和2DJensen模型的风力机功率预测方法流程图。
图2为本发明图神经网络构建的流程图。
图3为本发明基于尾流偏转效应和2DJensen模型的改进图网络层的结构示意图。
图4为本发明一般架构图神经网络层的结构示意图。
图5为本发明预测的风场风力机组功率预测值、2DJensen模型功率预测值与实际功率输出值的比较图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,基于尾流偏转效应和2DJensen模型的风力机功率预测方法,具体步骤如下:
步骤1、采集并预处理风场内风力机的数据;
采集风电机组的SCADA***中的每台风力机的的入流风速、入流风向、桨距角、偏航误差角和输出功率。将采集的数据进行预处理,去除数据中的缺失值所在时刻的所有数据,去除数据中限电情况下所在时刻的所有数据,去除如风速小于0或有功功率小于0着这种采集错误所在时刻的所有数据,预处理完后保证数据集中同一时刻所有风力机都需有入流风速、入流风向、偏航误差角和输出功率这四项特征。
限电情况是指风力机还没有到达额定风速时的提前变桨控制,目的是放弃一部分的捕获风能以限制发电功率,故去除这类数据只需要判断是否在入流风速达到额定风速时发生桨距角改变的情况。
步骤2、基于风场内风力机的地理位置数据构建每台风力机的相对位置坐标;
根据风场的建造选址确定风场中所有风力机的位置信息,以风场中某一个点为坐标原点,根据风力机之间的相对方位角和相对距离,求得风场中每台风力机的相对位置坐标。
步骤3、根据预处理后的数据集得到风场内风力机的节点集合和全局属性;
在某一时刻下将所有风力机的入流风向求平均,使用得到的风向来判断该时刻风流过风场中的第一台风力机,以该时刻这台风力机的风速和风向作为全局属性。将所有风力机中的节点属性设置为全局属性中的风速,可得到该时刻下风场内的节点集合。
步骤4、根据风力机相对位置坐标、当前时刻的输入风向、尾流偏转效应和2DJensen模型得到风场内风力机之间的边属性和邻接矩阵;
基于该时刻全局属性中的入流风向和两两风力机之间的偏航误差角,可根据尾流偏转效应和2DJensen模型中来判断两两风力机之间是否存在尾流影响,若存在,则在这两台风力机之间建立有向边,前台风力机为发送节点,后台风力机为接受节点,设置该边的属性为后台风力机在前台风力机偏转的尾流中的横向距离和纵向距离;若不存在,则这两台风力机之间没有边。遍历风场中所有的风力机之间的关系后,则可得到整个风场中的边集合和邻接矩阵。
根据尾流偏转效应和2DJensen模型中来判断两两风力机之间是否存在尾流影响时,根据两台风力机的坐标可得出两台风力机的相对位置和方位角,同时根据该时刻全局属性中的入流风向可得出风先后经过风力机的顺序,并将其分别定义为上游风力机和下游风力机。判断下游风力机是否受到上游风力机偏转的尾流影响以及求得被影响后的考虑尾流偏转情况下的尾流横向距离和纵向距离的具体方法为:
定义上下游风电机组连线与上游风电机组尾流中心轴线的夹角θL为:
式中,θ x 为入流风向角,θ FWT 为上游机组相对于下游机组所在的方位角,β 1为上游风电机组的偏航误差角,a为风力机轴向诱导因子;
定义下游风电机组所在截面与上游机组的尾流纵向距离为L l ,计算公式为:
式中,Ld为上下游风电机组的机舱连线距离;
同时定义下游风电机组所在截面与上游机组的尾流横向距离为L r ,计算公式为:
式中,Ld为上下游风电机组的机舱连线距离;
下游风电机组所处截面位置的尾流半径计算公式为:
式中,k为尾流衰减系数,r 0 为上游风电机组的风轮半径。
根据计算所得的尾流半径R l ,可以判断下游风电机组是否受上游风电机组的尾流影响,具体方法为:
其中,r 0 ’ 为风力机j风轮半径的投影长度,计算公式为:
式中,β 2 为下游风电机组的偏航误差角。
步骤5、基于风场内风力机的节点集合、边集合、全局属性和邻接矩阵构建输入矢量图集;
步骤6、基于尾流偏转效应和2DJensen模型构建改进的图神经网络模型,确定图神经网络的设置参数;
如图2所示,建立基于尾流偏转效应和2DJensen模型的改进图神经网络架构,根据风场大小设置合适的图神经网络层数j,j建议取值为2-4层。其中第一层为基于尾流偏转效应和2DJensen模型的改进图网络层,在最后得到图神经网络输出图时,提取其中的所有风力机节点属性,将其输入到全连接层中,输出得到所有风力机的预测功率值。
如图3所示,建立基于尾流偏转效应和2DJensen模型的改进图网络层时,图网络层中包含三个更新函数,分别是边更新函数,节点更新函数,全局更新函数;同时包含了三个聚合函数,分别是邻边聚合函数,所有边聚合函数,所有节点聚合函数;最后包含了基于2DJensen模型尾流亏损因子的边权重分配函数。输入图为,其中包含了所有的输入边,所有的输入节点,以及输入全局属性。在基于尾流偏转效应和2DJensen模型的改进图网络层中,更新顺序如下所示:
在对图神经网络层中所有存在的边进行更新以后,就开始对节点属性进行更新。每个节点的更新需要所有邻近的边、本节点的属性和整个风场的全局属性。首先利用邻边聚合函数将与该节点有连接关系的邻近S条边的信息聚合起来,该聚合函数在基于尾流偏转效应和2DJensen模型的改进图网络层中由于考虑尾流叠加效应,采用的是求和的方式,将所有的邻近边的属性求和得到聚合后的边属性,其值如下所示:
在对图神经网络层中所有存在的节点更新完以后,最后需要对全局属性进行更新。全局属性更新需要所有的边信息、所有节点的属性和整个风场的全局属性。首先利用所有边聚合函数将所有的边的信息聚合起来,该聚合函数通常采用的是求和的方式,将所有边的属性求和得到聚合后的边属性,其值如下所示:
在一层图神经网络层中,只需要更新一次全局属性,更新完以后得到该图网络层的输出、和,图神经网络层的更新和聚合操作不改变所有节点的连接性,即邻接矩阵没有改变,接着将其输出、、和邻接矩阵当作输入属性,输入到下一层的图网络层中。
在基于尾流偏转效应和2DJensen模型的改进图网络层中,将2DJensen模型尾流亏损因子作为给边分配权重的边权重分配函数。在节点的更新中,考虑了尾流偏转效应和2DJensen模型的边权重更精确的反映了两两风力机之间的物理联系和尾流影响程度。边权重分配函数原理如下:
首先2DJensen模型如下所示:
其值反映了在下游尾流中尾流纵向距离为,尾流横向距离为处的风速亏损程度,相隔距离较远的风力机之间的尾流亏损因子小,相隔距离较近的风力机之间的尾流亏损因子大,该定义可以充分说明不同尾流影响程度,故定义其为边权重分配函数,将把不同风力机间的尾流亏损因子当作边权重分配函数。
而两两风力机之间的有向边的属性定义为:
如图4所示,建立第一层图神经网络层连接的后续的第j层图神经网络层时,图网络层中包含三个更新函数,分别是边更新函数、节点更新函数、全局更新函数;同时包含了三个聚合函数,分别是邻边聚合函数、所有边聚合函数、所有节点聚合函数。该层的输入图为,其中包含了所有的j-1层输出边,所有的j-1层输入节点,以及j-1层输出全局属性。在第j层的图神经网络层中,更新顺序如下所示:
在对图神经网络层中所有存在的边进行更新以后,就开始对节点属性进行更新。每个节点的更新需要所有邻近的边、本节点的属性和整个风场的全局属性。首先利用邻边聚合函数将与该节点有连接关系的邻近S条边的信息聚合起来,该聚合函数在通常采用的是求平均的方式,将所有的邻近边的属性求平均得到聚合后的边属性,其值如下所示:
在对图神经网络层中所有存在的节点更新完以后,最后需要对全局属性进行更新。全局属性更新需要所有的边信息、所有节点的属性和整个风场的全局属性。首先利用所有边聚合函数将所有的边的信息聚合起来,该聚合函数通常采用的是平均的方式,将所有边的属性求平均得到聚合后的边属性,其值如下所示:
在一层图神经网络层中,只需要更新一次全局属性,更新完以后得到该图网络层的输出、和,图神经网络层的更新和聚合操作不改变所有节点的连接性,即邻接矩阵没有改变,接着将其输出、、和邻接矩阵当作输入属性,输入到下一层的图网络层中。
在输入矢量图中的、、,经过整个图神经网络架构后,得到输出矢量图,在每台风力机的功率预测中,只需要风力机节点的属性信息,所以建立全连接层,将最后图神经网络输出矢量图中的节点属性输入到全连接层,可以得到最后每台风力机的预测功率,其值为:
步骤7、使用优化算法,根据损失函数,依据预处理后的数据集和输入矢量图对改进的图神经网络进行参数优化,优化完成后参数确定的图神经网络模型作为风场内风力机功率预测模型;
在对图神经网络训练得过程中,先设置损失函数为预测功率和真实值的MSE,其值如下所示:
设置好损失函数后,选择合适的优化算法,建议使用如Adam、SGD或RMSprop等梯度下降优化算法,再设置合适的学习率,即可对图神经网络功率预测模型进行优化,当模型的精度不再变化时优化完成,优化完成后参数确定的图神经网络模型作为风场内风力机功率预测模型。
步骤8、利用风力机功率预测模型处理输入的风速和风向,得到风场中所有风力机节点的预测功率;
预测一定的风速和风向对应的风场内每台风力机的功率时,该输入的风速和风向当作全局属性,并将全局属性中的风速设置为所有风力机的节点属性,依据步骤3-5生成对应的输入矢量图,调用已经优化好的模型处理输入矢量图,即可得到风场内每台风力机的功率输出值。
本发明还提出一种基于尾流偏转效应和2DJensen模型改进的图神经网络的风力机功率预测***,利用所述的基于尾流偏转效应和2DJensen模型改进的图神经网络的风力机功率预测方法,实现风力机功率预测。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,利用所述的基于尾流偏转效应和2DJensen模型改进的图神经网络的风力机功率预测方法,实现风力机功率预测。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,利用所述的基于尾流偏转效应和2DJensen模型改进的图神经网络的风力机功率预测方法,实现风力机功率预测。
为了验证本发明方案的有效性,利用真实风电场的SCADA数据进行如下实验。
采集某风电场共五台风力机的SCADA数据,数据中包含了入流风向、入流风速、偏航误差角和输出功率等特征,机组编号分别为A02、A03、A04、A05、A06,其地理位置信息如表1所示。其中风场中排布的五台风力机为同一型号的风力机,风力机叶轮半径为59m,轴向诱导因子为0.24,尾流衰减系数为0.075。
表1 风力机位置参数
利用采集到的五个风力机的SCADA数据和位置信息来构建输入矢量图集,将其中70%的数据用于训练图神经网络模型,所有神经网络均设置为三层隐层,分别为128、64、32个神经元,激活函数设置为ReLU函数,优化算法选择Adam算法,学习率选择为3e-6,迭代20000步。训练完成之后得到图神经网络模型,将剩余30%的数据用于测量其功率预测准确率,对于A02机组来说,得到预测功率与实际功率的综合误差为15%,相比于2DJensen模型40%综合误差更好,如图5所示。可以看出本发明方法精确有效,能够准确计算风力机功率输出值。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (6)
1.基于尾流偏转效应和2DJensen模型的风力机功率预测方法,其特征在于,具体步骤如下:
步骤1、采集并预处理风场内风力机的SCADA数据;
步骤2、基于风场内风力机的地理位置数据构建每台风力机的相对位置坐标;
步骤3、根据预处理后的SCADA数据集得到风场内风力机的节点集合和全局属性;
步骤4、根据风力机相对位置坐标、当前时刻的输入风向、尾流偏转效应和2DJensen模型得到风场内风力机之间的边集合和邻接矩阵;
步骤5、基于风场内风力机的节点集合、边集合、全局属性和邻接矩阵构建输入矢量图集;
步骤6、基于尾流偏转效应和2DJensen模型构建改进的图神经网络模型,确定图神经网络的设置参数;
步骤7、使用优化算法,根据损失函数,依据预处理后的SCADA数据集和输入矢量图对改进的图神经网络进行参数优化,参数优化完成后确定的图神经网络模型作为风场内风力机功率预测模型;
步骤8、利用风力机功率预测模型处理输入的风速和风向,得到风场中所有风力机节点的预测功率;
步骤4,根据风力机相对位置坐标、当前时刻的输入风向、尾流偏转效应和2DJensen模型得到风场内风力机之间的边集合和邻接矩阵,具体方法为:
基于该时刻全局属性中的入流风向和两两风力机之间的偏航误差角,根据尾流偏转效应和2DJensen模型来判断两两风力机之间是否存在尾流影响,若存在,则在这两台风力机之间建立有向边,前台风力机为发送节点,后台风力机为接受节点,设置该边的属性为后台风力机在前台风力机偏转的尾流中的横向距离和纵向距离;若不存在,则这两台风力机之间没有边,遍历风场中所有的风力机之间的关系后,则得到整个风场中的边集合和邻接矩阵;其中,根据尾流偏转效应和2DJensen模型来判断两两风力机之间是否存在尾流影响的具体方法为:
根据两台风力机的坐标得出两台风力机的相对位置和方位角,同时根据该时刻全局属性中的入流风向得出风先后经过风力机的顺序,并将其分别定义为上游风力机和下游风力机,定义上下游风电机组连线与上游风电机组尾流中心轴线的夹角θL为:
式中,θ x 为入流风向角,θ FWT 为上游机组相对于下游机组所在的方位角,β 1为上游风电机组的偏航误差角,a为风力机轴向诱导因子;
定义下游风电机组所在截面与上游机组的尾流纵向距离为L l ,计算公式为:
式中,Ld为上下游风电机组的机舱连线距离;
同时定义下游风电机组所在截面与上游机组的尾流横向距离为L r ,计算公式为:
式中,Ld为上下游风电机组的机舱连线距离;
则,下游风电机组所处截面位置的尾流半径计算公式为:
式中,k为尾流衰减系数,r 0 为上游风电机组的风轮半径;
根据计算所得的尾流半径R l ,判断下游风电机组是否受上游风电机组的尾流影响,具体方法为:
其中,r 0 ’ 为风力机j风轮半径的投影长度,计算公式为:
式中,β 2 为下游风电机组的偏航误差角;
步骤6,基于尾流偏转效应和2DJensen模型构建改进的图神经网络模型,确定图神经网络的设置参数,所述图神经网络模型的层数选择2-4层,其中第一层为基于尾流偏转效应和2DJensen模型的改进图网络层,包含三个更新函数,分别是边更新函数,节点更新函数,全局更新函数;同时包含了三个聚合函数,分别是邻边聚合函数,所有边聚合函数,所有节点聚合函数;包含了基于2DJensen模型尾流亏损因子的边权重分配函数;
在对图神经网络层中所有存在的边进行更新以后,就开始对节点属性进行更新,每个节点的更新需要所有邻近的边、本节点的属性和整个风场的全局属性,首先利用邻边聚合函数将与该节点有连接关系的邻近S条边的信息聚合起来,该邻边聚合函数在基于尾流偏转效应和2DJensen模型的改进图网络层中由于考虑尾流叠加效应,采用的是求和的方式,将所有的邻近边的属性求和得到聚合后的边属性,其值如下所示:
在对图神经网络层中所有存在的节点更新完以后,最后需要对全局属性进行更新,全局属性更新需要所有的边信息、所有节点的属性和整个风场的全局属性,首先利用所有边聚合函数将所有的边的信息聚合起来,该所有边聚合函数采用的是求和的方式,将所有边的属性求和得到聚合后的边属性,其值如下所示:
在一层图神经网络层中,只需要更新一次全局属性,更新完以后得到该图网络层的输出、和,图神经网络层的更新和聚合操作不改变所有节点的连接性,即邻接矩阵没有改变,接着将其输出、、和邻接矩阵当作输入属性,输入到下一层的图网络层中;
首先建立2DJensen模型如下所示:
其值反映了在下游尾流中尾流纵向距离为,尾流横向距离为处的风速亏损程度,相隔距离较远的风力机之间的尾流亏损因子小,相隔距离较近的风力机之间的尾流亏损因子大,该定义充分说明不同尾流影响程度,故定义其为边权重分配函数,将把不同风力机间的尾流亏损因子当作边权重分配函数;而两两风力机之间的有向边的属性定义为:
建立第一层图神经网络层连接的后续的第j层图神经网络层时,图网络层中包含三个更新函数,分别是边更新函数、节点更新函数、全局更新函数;同时包含了三个聚合函数,分别是邻边聚合函数、所有边聚合函数、所有节点聚合函数;
在对图神经网络层中所有存在的边进行更新以后,就开始对节点属性进行更新,每个节点的更新需要所有邻近的边、本节点的属性和整个风场的全局属性,首先利用邻边聚合函数将与该节点有连接关系的邻近S条边的信息聚合起来,该邻边聚合函数采用的是求平均的方式,将所有的邻近边的属性求平均得到聚合后的边属性,其值如下所示:
在对图神经网络层中所有存在的节点更新完以后,最后需要对全局属性进行更新,全局属性更新需要所有的边信息、所有节点的属性和整个风场的全局属性,首先利用所有边聚合函数将所有的边的信息聚合起来,该所有边聚合函数采用的是平均的方式,将所有边的属性求平均得到聚合后的边属性,其值如下所示:
在一层图神经网络层中,只需要更新一次全局属性,更新完以后得到该图网络层的输出、和,图神经网络层的更新和聚合操作不改变所有节点的连接性,即邻接矩阵没有改变,接着将其输出、、和邻接矩阵当作输入属性,输入到下一层的图网络层中;
在输入矢量图中的、、,经过整个图神经网络架构后,得到输出矢量图,在每台风力机的功率预测中,只需要风力机节点的属性信息,所以建立全连接层,将最后图神经网络输出矢量图中的节点属性输入到全连接层,即得到最后每台风力机的预测功率,其值为:
2.如权利要求1所述的基于尾流偏转效应和2DJensen模型的风力机功率预测方法,其特征在于,步骤1,采集并预处理风场内风力机的SCADA数据,具体方法为:
采集风电机组的SCADA***中的每台风力机的的入流风速、入流风向、桨距角、偏航误差角和输出功率,将采集的数据进行预处理,去除数据中的缺失值所在时刻的所有数据,去除数据中限电情况下所在时刻的所有数据,去除风速小于0或有功功率小于0这种采集错误所在时刻的所有数据,预处理完后保证数据集中同一时刻所有风力机都需有入流风速、入流风向、偏航误差角和输出功率这四项特征。
3.如权利要求1所述的基于尾流偏转效应和2DJensen模型的风力机功率预测方法,其特征在于,步骤2,基于风场内风力机的地理位置数据构建每台风力机的相对位置坐标,具体方法为:
根据风场的建造选址确定风场中所有风力机的位置信息,以风场中某一个点为坐标原点,根据风力机之间的相对方位角和相对距离,求得风场中每台风力机的相对位置坐标。
4.如权利要求1所述的基于尾流偏转效应和2DJensen模型的风力机功率预测方法,其特征在于,步骤3,根据预处理后的SCADA数据集得到风场内风力机的节点集合和全局属性,具体方法为:
在某一时刻下将所有风力机的入流风向求平均,使用得到的风向来判断该时刻风流过风场中的第一台风力机,以该时刻这台风力机的风速和风向作为全局属性,将所有风力机中的节点属性设置为全局属性中的风速,得到该时刻下风场内的节点集合。
5.如权利要求1所述的基于尾流偏转效应和2DJensen模型的风力机功率预测方法,其特征在于,步骤7,使用优化算法,根据损失函数,依据预处理后的SCADA数据集和输入矢量图对改进的图神经网络进行参数优化,其中损失函数为预测功率和真实值的MSE,其值如下所示:
设置好损失函数后,选择Adam、SGD或RMSprop算法,再设置学习率,对图神经网络功率预测模型进行优化,当模型的精度不再变化时优化完成,优化完成后参数确定的图神经网络模型作为风场内风力机功率预测模型。
6.如权利要求1所述的基于尾流偏转效应和2DJensen模型的风力机功率预测方法,其特征在于,步骤8,利用风力机功率预测模型处理输入的风速和风向,得到风场中所有风力机节点的预测功率,具体方法为:
预测一定的风速和风向对应的风场内每台风力机的功率时,将该输入的风速和风向当作全局属性,并将全局属性中的风速设置为所有风力机的节点属性,生成对应的输入矢量图,调用已经优化好的图神经网络模型处理输入矢量图,即得到风场内每台风力机的功率输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412243.0A CN114511158B (zh) | 2022-04-19 | 2022-04-19 | 基于尾流偏转效应和2DJensen模型的风力机功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412243.0A CN114511158B (zh) | 2022-04-19 | 2022-04-19 | 基于尾流偏转效应和2DJensen模型的风力机功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511158A CN114511158A (zh) | 2022-05-17 |
CN114511158B true CN114511158B (zh) | 2022-06-21 |
Family
ID=81555364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210412243.0A Active CN114511158B (zh) | 2022-04-19 | 2022-04-19 | 基于尾流偏转效应和2DJensen模型的风力机功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511158B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579479B (zh) * | 2023-05-15 | 2024-04-09 | 南京理工大学 | 风电场功率超短期预测方法、***、计算机及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663251A (zh) * | 2012-04-09 | 2012-09-12 | 华北电力大学 | 基于计算流体力学模型的风电场功率物理预测方法 |
CN107506854A (zh) * | 2017-08-04 | 2017-12-22 | 国网浙江省电力公司经济技术研究院 | 一种考虑差异化场景的220kV电网网架结构规划方法 |
CN109274121A (zh) * | 2018-11-15 | 2019-01-25 | 山东中车风电有限公司 | 一种风电场控制参数优化方法及*** |
CA3061717A1 (en) * | 2018-11-16 | 2020-05-16 | Royal Bank Of Canada | System and method for a convolutional neural network for multi-label classification with partial annotations |
CN111784041A (zh) * | 2020-06-28 | 2020-10-16 | 中国电力科学研究院有限公司 | 一种基于图卷积神经网络的风电功率预测方法及*** |
CN112883652A (zh) * | 2021-03-12 | 2021-06-01 | 重庆大学 | 考虑动态尾流的风电场有功功率离线预测控制器设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149363B (zh) * | 2020-09-03 | 2021-09-03 | 南京理工大学 | 基于二维Jensen模型和双光束激光雷达的尾流区风机功率预测方法 |
CN114169614B (zh) * | 2021-12-09 | 2022-12-13 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于风力机尾流模型优化的风电场优化调度方法及*** |
-
2022
- 2022-04-19 CN CN202210412243.0A patent/CN114511158B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663251A (zh) * | 2012-04-09 | 2012-09-12 | 华北电力大学 | 基于计算流体力学模型的风电场功率物理预测方法 |
CN107506854A (zh) * | 2017-08-04 | 2017-12-22 | 国网浙江省电力公司经济技术研究院 | 一种考虑差异化场景的220kV电网网架结构规划方法 |
CN109274121A (zh) * | 2018-11-15 | 2019-01-25 | 山东中车风电有限公司 | 一种风电场控制参数优化方法及*** |
CA3061717A1 (en) * | 2018-11-16 | 2020-05-16 | Royal Bank Of Canada | System and method for a convolutional neural network for multi-label classification with partial annotations |
CN111784041A (zh) * | 2020-06-28 | 2020-10-16 | 中国电力科学研究院有限公司 | 一种基于图卷积神经网络的风电功率预测方法及*** |
CN112883652A (zh) * | 2021-03-12 | 2021-06-01 | 重庆大学 | 考虑动态尾流的风电场有功功率离线预测控制器设计方法 |
Non-Patent Citations (2)
Title |
---|
Physical Model Induced Neural Network for Wind Speed Prediction for Wind Turbines under Wake Effects;Jing Liu等;《《10th Renewable Power Generationconference(PRG 2021) 》;20211227;全文 * |
考虑尾流效应的风电场短期功率空间预测模型;曾程等;《电力***保护与控制》;20121216(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114511158A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107785935B (zh) | 计及风险及机组组合的电网风电消纳能力评估方法 | |
CN103996074A (zh) | 基于cfd和改进pso的复杂地形风电场微观选址方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN111639870A (zh) | 考虑源荷不确定性的输电网多目标柔性规划方法及*** | |
CN107316113A (zh) | 一种输电网规划方法及*** | |
CN110852565B (zh) | 一种考虑不同功能属性的输电网网架规划方法 | |
CN106849066A (zh) | 一种区域风电功率预测方法 | |
CN113312735B (zh) | 一种城市供水管网dma分区方法 | |
CN112052544B (zh) | 风电场集电网络设计方法、***、存储介质及计算设备 | |
CN106684905A (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
CN114511158B (zh) | 基于尾流偏转效应和2DJensen模型的风力机功率预测方法 | |
CN105069236A (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN113806947B (zh) | 海上风电场布局处理方法、装置及设备 | |
CN115310378A (zh) | 一种极端台风灾害下电网韧性评估及差异化规划方法 | |
CN115640963A (zh) | 一种考虑投资运营模式的海上风电接入***鲁棒规划方法 | |
CN103440405A (zh) | 基于实测数据的风电场稳态建模方法及*** | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN105529714B (zh) | 基于正态分布组合特征的快速概率潮流计算方法 | |
CN107908899A (zh) | 一种用于风电场建设施工道路的选线***及选线方法 | |
Shu et al. | Decentralised optimisation for large offshore wind farms using a sparsified wake directed graph | |
CN114548444A (zh) | 一种海上风电机组检修全过程优化方法及*** | |
CN115618540A (zh) | 基于三层次动态变异率的风力发电机组优化布局方法 | |
CN109066651A (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
Wu et al. | A synchronization methodology for 3D offshore wind farm layout optimization with multi-type wind turbines and obstacle-avoiding cable network |
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 |