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 PDF

Info

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
Application number
CN202210412243.0A
Other languages
English (en)
Other versions
CN114511158A (zh
Inventor
邱颖宁
柳靖
冯延晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202210412243.0A priority Critical patent/CN114511158B/zh
Publication of CN114511158A publication Critical patent/CN114511158A/zh
Application granted granted Critical
Publication of CN114511158B publication Critical patent/CN114511158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

基于尾流偏转效应和2DJensen模型的风力机功率预测方法
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：
Figure 606289DEST_PATH_IMAGE001
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：
Figure 54588DEST_PATH_IMAGE002
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：
Figure 99904DEST_PATH_IMAGE003
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：
Figure 760693DEST_PATH_IMAGE004
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：
1)若
Figure 355491DEST_PATH_IMAGE005
，则下游风力机不受上游风力机的尾流影响；
2)若
Figure 443533DEST_PATH_IMAGE006
，则下游风力机受上游风力机的尾流影响；
其中，r 0 ’ 为风力机j风轮半径的投影长度，计算公式为：
Figure 241725DEST_PATH_IMAGE007
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
Figure 706204DEST_PATH_IMAGE008
，节点更新函数
Figure 640662DEST_PATH_IMAGE009
，全局更新函数
Figure 915917DEST_PATH_IMAGE010
；同时包含了三个聚合函数，分别是邻边聚合函数
Figure 935825DEST_PATH_IMAGE011
，所有边聚合函数
Figure 938416DEST_PATH_IMAGE012
，所有节点聚合函数
Figure 992960DEST_PATH_IMAGE013
；最后包含了基于2DJensen模型尾流亏损因子的边权重分配函数
Figure 688383DEST_PATH_IMAGE014
。输入图为
Figure 461167DEST_PATH_IMAGE015
，其中包含了所有的输入边
Figure 251138DEST_PATH_IMAGE016
，所有的输入节点
Figure 160188DEST_PATH_IMAGE017
，以及输入全局属性
Figure 26513DEST_PATH_IMAGE018
。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：
首先进行边的更新，每个有向边的更新需要使用所邻近的发送节点的属性
Figure 21014DEST_PATH_IMAGE019
和接收节点的属性
Figure 630986DEST_PATH_IMAGE020
，以及该边自带的属性
Figure 394543DEST_PATH_IMAGE021
，将所有属性同时输入到边更新函数
Figure 182502DEST_PATH_IMAGE022
中，边更新函数选择为神经网络
Figure 664299DEST_PATH_IMAGE023
，更新后的边属性
Figure 812383DEST_PATH_IMAGE024
如下：
Figure 430446DEST_PATH_IMAGE025
然后再根据边权重分配函数
Figure 904153DEST_PATH_IMAGE026
，得到每个有向边应有的权重，该权重使得每个有向边在后续节点的更新中依据物理尾流模型的规律来发挥不同程度的作用，权重的值如下所示：
Figure 607667DEST_PATH_IMAGE027
最后可以得到每条有向边更新过后的最终边属性
Figure 543131DEST_PATH_IMAGE028
如下：
Figure 546859DEST_PATH_IMAGE029
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
Figure 925887DEST_PATH_IMAGE030
的更新需要所有邻近的边
Figure 116697DEST_PATH_IMAGE031
、本节点的属性
Figure 872164DEST_PATH_IMAGE032
和整个风场的全局属性
Figure 215552DEST_PATH_IMAGE033
。首先利用邻边聚合函数
Figure 765482DEST_PATH_IMAGE034
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：
Figure 974746DEST_PATH_IMAGE035
然后将聚合后的边信息
Figure 268324DEST_PATH_IMAGE036
、本节点的属性
Figure 715486DEST_PATH_IMAGE037
和整个风场的全局属性
Figure 685585DEST_PATH_IMAGE038
同时输入到节点更新函数
Figure 850987DEST_PATH_IMAGE039
中，节点更新函数选择为神经网络
Figure 948256DEST_PATH_IMAGE040
，更新后的节点
Figure 515504DEST_PATH_IMAGE041
如下：
Figure 141657DEST_PATH_IMAGE042
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
Figure 794355DEST_PATH_IMAGE043
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：
Figure 446048DEST_PATH_IMAGE044
然后利用所有节点聚合函数
Figure 602222DEST_PATH_IMAGE045
将所有的节点的信息聚合起来，该聚合函数通常采用的是求和的方式，将所有节点的属性求和得到聚合后的节点属性，其值如下所示：
Figure 664856DEST_PATH_IMAGE046
最后将聚合后的边信息
Figure 804851DEST_PATH_IMAGE047
、聚合后的节点的属性
Figure 243922DEST_PATH_IMAGE048
和整个风场的全局属性
Figure 785762DEST_PATH_IMAGE049
同时输入到全局更新函数
Figure 268565DEST_PATH_IMAGE050
中，节点更新函数通选择为神经网络
Figure 895855DEST_PATH_IMAGE051
，更新后的全局属性
Figure 873039DEST_PATH_IMAGE052
如下：
Figure 3806DEST_PATH_IMAGE053
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
Figure 673821DEST_PATH_IMAGE054
、
Figure 522829DEST_PATH_IMAGE055
和
Figure 788856DEST_PATH_IMAGE056
，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
Figure 305288DEST_PATH_IMAGE054
、
Figure 880626DEST_PATH_IMAGE055
、
Figure 216929DEST_PATH_IMAGE056
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
Figure 801494DEST_PATH_IMAGE057
。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
Figure 906854DEST_PATH_IMAGE057
原理如下：
首先2DJensen模型如下所示：
Figure 914079DEST_PATH_IMAGE058
式中，
Figure 737679DEST_PATH_IMAGE059
为下游尾流中尾流纵向距离为
Figure 860355DEST_PATH_IMAGE060
，尾流横向距离为
Figure 85800DEST_PATH_IMAGE061
处的尾流风速，
Figure 2941DEST_PATH_IMAGE062
为尾流衰减系数，
Figure 313836DEST_PATH_IMAGE063
为上游风电机组的风轮半径，
Figure 990937DEST_PATH_IMAGE064
为轴向诱导因子。
定义其中的尾流亏损因子
Figure 805309DEST_PATH_IMAGE065
为：
Figure 424509DEST_PATH_IMAGE066
其值反映了在下游尾流中尾流纵向距离为
Figure 957121DEST_PATH_IMAGE060
，尾流横向距离为
Figure 687180DEST_PATH_IMAGE061
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
Figure 605326DEST_PATH_IMAGE065
小，相隔距离较近的风力机之间的尾流亏损因子
Figure 129849DEST_PATH_IMAGE065
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
Figure 149757DEST_PATH_IMAGE057
，将把不同风力机间的尾流亏损因子
Figure 417928DEST_PATH_IMAGE065
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：
Figure 206892DEST_PATH_IMAGE067
式中，L l 为接收节点
Figure 902315DEST_PATH_IMAGE068
即下游风力机在发送节点
Figure 160253DEST_PATH_IMAGE069
即上游风力机偏转后的尾流中的尾流纵向距离，L r 为接收节点
Figure 966535DEST_PATH_IMAGE070
即下游风力机在发送节点
Figure 875585DEST_PATH_IMAGE071
即上游风力机偏转后的尾流中的尾流横向距离。
故边权重分配函数
Figure 741910DEST_PATH_IMAGE057
定义如下：
Figure 736410DEST_PATH_IMAGE072
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
Figure 346383DEST_PATH_IMAGE073
、节点更新函数
Figure 359208DEST_PATH_IMAGE074
、全局更新函数
Figure 396434DEST_PATH_IMAGE075
；同时包含了三个聚合函数，分别是邻边聚合函数
Figure 878231DEST_PATH_IMAGE076
、所有边聚合函数
Figure 26315DEST_PATH_IMAGE077
、所有节点聚合函数
Figure 909958DEST_PATH_IMAGE078
。该层的输入图为
Figure 118085DEST_PATH_IMAGE079
，其中包含了所有的j-1层输出边
Figure 837910DEST_PATH_IMAGE080
，所有的j-1层输入节点
Figure 524107DEST_PATH_IMAGE081
，以及j-1层输出全局属性
Figure 262256DEST_PATH_IMAGE082
。在第j层的图神经网络层中，更新顺序如下所示：
首先进行边的更新，每个有向边的更新需要使用所邻近的发送节点的属性
Figure 641284DEST_PATH_IMAGE083
和接收节点的属性
Figure 832094DEST_PATH_IMAGE084
，以及该边自带的属性
Figure 836828DEST_PATH_IMAGE085
，将所有属性同时输入到边更新函数
Figure 429484DEST_PATH_IMAGE086
中，边更新函数选择为神经网络
Figure 244993DEST_PATH_IMAGE087
，更新后的边属性
Figure 923099DEST_PATH_IMAGE088
如下：
Figure 951098DEST_PATH_IMAGE089
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
Figure 663839DEST_PATH_IMAGE081
的更新需要所有邻近的边
Figure 135403DEST_PATH_IMAGE085
、本节点的属性
Figure 566384DEST_PATH_IMAGE081
和整个风场的全局属性
Figure 398074DEST_PATH_IMAGE082
。首先利用邻边聚合函数
Figure 699742DEST_PATH_IMAGE076
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：
Figure 591475DEST_PATH_IMAGE090
然后将聚合后的边信息
Figure 509752DEST_PATH_IMAGE091
、本节点的属性
Figure 394400DEST_PATH_IMAGE092
和整个风场的全局属性
Figure 816154DEST_PATH_IMAGE093
同时输入到节点更新函数
Figure 878788DEST_PATH_IMAGE094
中，节点更新函数选择为神经网络
Figure 18783DEST_PATH_IMAGE095
，更新后的节点
Figure 457854DEST_PATH_IMAGE096
如下：
Figure 734115DEST_PATH_IMAGE097
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
Figure 983962DEST_PATH_IMAGE098
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：
Figure 611252DEST_PATH_IMAGE099
然后利用所有节点聚合函数
Figure 322856DEST_PATH_IMAGE100
将所有的节点的信息聚合起来，该聚合函数通常采用的是求平均的方式，将所有节点的属性求和得到聚合后的节点属性，其值如下所示：
Figure 984782DEST_PATH_IMAGE101
最后将聚合后的边信息
Figure 389218DEST_PATH_IMAGE102
、聚合后的节点的属性
Figure 753072DEST_PATH_IMAGE103
和整个风场的全局属性
Figure 268367DEST_PATH_IMAGE104
同时输入到全局更新函数
Figure 519220DEST_PATH_IMAGE105
中，节点更新函数通常选择为神经网络
Figure 360137DEST_PATH_IMAGE106
，更新后的全局属性
Figure 696441DEST_PATH_IMAGE107
如下：
Figure 31738DEST_PATH_IMAGE108
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
Figure 137097DEST_PATH_IMAGE109
、
Figure 148916DEST_PATH_IMAGE110
和
Figure 706936DEST_PATH_IMAGE111
，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
Figure 829613DEST_PATH_IMAGE109
、
Figure 55058DEST_PATH_IMAGE110
、
Figure 221466DEST_PATH_IMAGE111
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
Figure 532361DEST_PATH_IMAGE112
、
Figure 458729DEST_PATH_IMAGE113
、
Figure 273101DEST_PATH_IMAGE114
，经过整个图神经网络架构后，得到输出矢量图
Figure 892301DEST_PATH_IMAGE115
，在每台风力机的功率预测中，只需要风力机节点
Figure 424914DEST_PATH_IMAGE116
的属性信息，所以建立全连接层
Figure 374547DEST_PATH_IMAGE117
，将最后图神经网络输出矢量图中的节点属性
Figure 574584DEST_PATH_IMAGE118
输入到全连接层
Figure 99106DEST_PATH_IMAGE119
，可以得到最后每台风力机的预测功率，其值为：
Figure 853435DEST_PATH_IMAGE120
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：
Figure 387185DEST_PATH_IMAGE121
式中，
Figure 690996DEST_PATH_IMAGE122
为k时刻输入矢量图对应的风场内第i台风力机的图神经网络功率预测值，
Figure 120840DEST_PATH_IMAGE123
为k时刻输入矢量图对应的风场内第i台风力机的实际功率值，s为输入数据的总数，m为风场内的风力机总数。
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
Figure 893624DEST_PATH_IMAGE125
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：
Figure DEST_PATH_IMAGE002
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：
Figure DEST_PATH_IMAGE004
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：
Figure DEST_PATH_IMAGE006
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：
Figure DEST_PATH_IMAGE008
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：
1)若
Figure DEST_PATH_IMAGE010
，则下游风力机不受上游风力机的尾流影响；
2)若
Figure DEST_PATH_IMAGE012
，则下游风力机受上游风力机的尾流影响；
其中，r 0 ’ 为风力机j风轮半径的投影长度，计算公式为：
Figure DEST_PATH_IMAGE014
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
Figure DEST_PATH_IMAGE016
，节点更新函数
Figure DEST_PATH_IMAGE018
，全局更新函数
Figure DEST_PATH_IMAGE020
；同时包含了三个聚合函数，分别是邻边聚合函数
Figure DEST_PATH_IMAGE022
，所有边聚合函数
Figure DEST_PATH_IMAGE024
，所有节点聚合函数
Figure DEST_PATH_IMAGE026
；包含了基于2DJensen模型尾流亏损因子的边权重分配函数
Figure DEST_PATH_IMAGE028
；
在基于尾流偏转效应和2DJensen模型的改进图网络层中，输入图为
Figure DEST_PATH_IMAGE030
，其中包含了所有的输入边
Figure DEST_PATH_IMAGE032
，所有的输入节点
Figure DEST_PATH_IMAGE034
，以及输入全局属性
Figure DEST_PATH_IMAGE036
，更新顺序如下所示：
首先进行边的更新，每个有向边的更新需要使用所邻近的发送节点的属性
Figure DEST_PATH_IMAGE038
和接收节点的属性
Figure DEST_PATH_IMAGE040
，以及该边自带的属性
Figure DEST_PATH_IMAGE042
，将所有属性同时输入到边更新函数
Figure DEST_PATH_IMAGE044
中，边更新函数选择为神经网络
Figure DEST_PATH_IMAGE046
，更新后的边属性
Figure DEST_PATH_IMAGE048
如下：
Figure DEST_PATH_IMAGE050
然后再根据边权重分配函数
Figure DEST_PATH_IMAGE052
，得到每个有向边应有的权重，该权重使得每个有向边在后续节点的更新中依据物理尾流模型的规律来发挥不同程度的作用，权重的值如下所示：
Figure DEST_PATH_IMAGE054
最后得到每条有向边更新过后的最终边属性
Figure DEST_PATH_IMAGE056
如下：
Figure DEST_PATH_IMAGE058
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
Figure DEST_PATH_IMAGE060
的更新需要所有邻近的边
Figure DEST_PATH_IMAGE062
、本节点的属性
Figure DEST_PATH_IMAGE064
和整个风场的全局属性
Figure DEST_PATH_IMAGE066
，首先利用邻边聚合函数
Figure DEST_PATH_IMAGE068
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：
Figure DEST_PATH_IMAGE070
然后将聚合后的边信息
Figure DEST_PATH_IMAGE072
、本节点的属性
Figure DEST_PATH_IMAGE074
和整个风场的全局属性
Figure DEST_PATH_IMAGE076
同时输入到节点更新函数
Figure DEST_PATH_IMAGE078
中，节点更新函数选择为神经网络
Figure DEST_PATH_IMAGE080
，更新后的节点
Figure DEST_PATH_IMAGE082
如下：
Figure DEST_PATH_IMAGE084
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
Figure DEST_PATH_IMAGE086
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：
Figure DEST_PATH_IMAGE088
然后利用所有节点聚合函数
Figure DEST_PATH_IMAGE090
将所有的节点的信息聚合起来，该所有节点聚合函数采用的是求和的方式，将所有节点的属性求和得到聚合后的节点属性，其值如下所示：
Figure DEST_PATH_IMAGE092
最后将聚合后的边信息
Figure DEST_PATH_IMAGE094
、聚合后的节点的属性
Figure DEST_PATH_IMAGE096
和整个风场的全局属性
Figure DEST_PATH_IMAGE098
同时输入到全局更新函数
Figure DEST_PATH_IMAGE100
中，节点更新函数通选择为神经网络
Figure DEST_PATH_IMAGE102
，更新后的全局属性
Figure DEST_PATH_IMAGE104
如下：
Figure DEST_PATH_IMAGE106
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
Figure DEST_PATH_IMAGE108
、
Figure DEST_PATH_IMAGE110
和
Figure DEST_PATH_IMAGE112
，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
Figure DEST_PATH_IMAGE108A
、
Figure DEST_PATH_IMAGE110A
、
Figure DEST_PATH_IMAGE112A
和邻接矩阵当作输入属性，输入到下一层的图网络层中；
基于2DJensen模型尾流亏损因子的边权重分配函数
Figure DEST_PATH_IMAGE114
，具体如下：
首先建立2DJensen模型如下所示：
Figure DEST_PATH_IMAGE116
式中，
Figure DEST_PATH_IMAGE118
为下游尾流中尾流纵向距离为
Figure DEST_PATH_IMAGE120
，尾流横向距离为
Figure DEST_PATH_IMAGE122
处的尾流风速，
Figure DEST_PATH_IMAGE124
为尾流衰减系数，
Figure DEST_PATH_IMAGE126
为上游风电机组的风轮半径，
Figure DEST_PATH_IMAGE128
为轴向诱导因子；
定义其中的尾流亏损因子
Figure DEST_PATH_IMAGE130
为：
Figure DEST_PATH_IMAGE132
其值反映了在下游尾流中尾流纵向距离为
Figure DEST_PATH_IMAGE120A
，尾流横向距离为
Figure DEST_PATH_IMAGE122A
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
Figure DEST_PATH_IMAGE130A
小，相隔距离较近的风力机之间的尾流亏损因子
Figure DEST_PATH_IMAGE130AA
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
Figure DEST_PATH_IMAGE114A
，将把不同风力机间的尾流亏损因子
Figure DEST_PATH_IMAGE130AAA
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：
Figure DEST_PATH_IMAGE134
式中，L l 为接收节点
Figure DEST_PATH_IMAGE136
即下游风力机在发送节点
Figure DEST_PATH_IMAGE138
即上游风力机偏转后的尾流中的尾流纵向距离，L r 为接收节点
Figure DEST_PATH_IMAGE140
即下游风力机在发送节点
Figure DEST_PATH_IMAGE142
即上游风力机偏转后的尾流中的尾流横向距离；
故边权重分配函数
Figure DEST_PATH_IMAGE144
定义如下：
Figure DEST_PATH_IMAGE146
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
Figure DEST_PATH_IMAGE148
、节点更新函数
Figure DEST_PATH_IMAGE150
、全局更新函数
Figure DEST_PATH_IMAGE152
；同时包含了三个聚合函数，分别是邻边聚合函数
Figure DEST_PATH_IMAGE154
、所有边聚合函数
Figure DEST_PATH_IMAGE156
、所有节点聚合函数
Figure DEST_PATH_IMAGE158
；
该层的输入图为
Figure DEST_PATH_IMAGE160
，其中包含了所有的j-1层输出边
Figure DEST_PATH_IMAGE162
，所有的j-1层输入节点
Figure DEST_PATH_IMAGE164
，以及j-1层输出全局属性
Figure DEST_PATH_IMAGE166
，在第j层的图神经网络层中，更新顺序如下所示：
首先进行边的更新，每个有向边的更新需要使用所邻近的发送节点的属性
Figure DEST_PATH_IMAGE168
和接收节点的属性
Figure DEST_PATH_IMAGE170
，以及该边自带的属性
Figure DEST_PATH_IMAGE172
，将所有属性同时输入到边更新函数
Figure DEST_PATH_IMAGE174
中，边更新函数选择为神经网络
Figure DEST_PATH_IMAGE176
，更新后的边属性
Figure DEST_PATH_IMAGE178
如下：
Figure DEST_PATH_IMAGE180
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
Figure DEST_PATH_IMAGE164A
的更新需要所有邻近的边
Figure DEST_PATH_IMAGE172A
、本节点的属性
Figure DEST_PATH_IMAGE164AA
和整个风场的全局属性
Figure DEST_PATH_IMAGE166A
，首先利用邻边聚合函数
Figure DEST_PATH_IMAGE154A
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：
Figure DEST_PATH_IMAGE182
然后将聚合后的边信息
Figure DEST_PATH_IMAGE184
、本节点的属性
Figure DEST_PATH_IMAGE186
和整个风场的全局属性
Figure DEST_PATH_IMAGE188
同时输入到节点更新函数
Figure DEST_PATH_IMAGE190
中，节点更新函数选择为神经网络
Figure DEST_PATH_IMAGE192
，更新后的节点
Figure DEST_PATH_IMAGE194
如下：
Figure DEST_PATH_IMAGE196
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
Figure DEST_PATH_IMAGE198
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：
Figure DEST_PATH_IMAGE200
然后利用所有节点聚合函数
Figure DEST_PATH_IMAGE202
将所有的节点的信息聚合起来，该所有节点聚合函数采用的是求平均的方式，将所有节点的属性求和得到聚合后的节点属性，其值如下所示：
Figure DEST_PATH_IMAGE204
最后将聚合后的边信息
Figure DEST_PATH_IMAGE206
、聚合后的节点的属性
Figure DEST_PATH_IMAGE208
和整个风场的全局属性
Figure DEST_PATH_IMAGE210
同时输入到全局更新函数
Figure DEST_PATH_IMAGE212
中，节点更新函数选择为神经网络
Figure DEST_PATH_IMAGE214
，更新后的全局属性
Figure DEST_PATH_IMAGE216
如下：
Figure DEST_PATH_IMAGE218
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
Figure DEST_PATH_IMAGE220
、
Figure DEST_PATH_IMAGE222
和
Figure DEST_PATH_IMAGE224
，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
Figure DEST_PATH_IMAGE220A
、
Figure DEST_PATH_IMAGE222A
、
Figure DEST_PATH_IMAGE224A
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
Figure DEST_PATH_IMAGE226
、
Figure DEST_PATH_IMAGE228
、
Figure DEST_PATH_IMAGE230
，经过整个图神经网络架构后，得到输出矢量图
Figure DEST_PATH_IMAGE232
，在每台风力机的功率预测中，只需要风力机节点
Figure DEST_PATH_IMAGE234
的属性信息，所以建立全连接层
Figure DEST_PATH_IMAGE236
，将最后图神经网络输出矢量图中的节点属性
Figure DEST_PATH_IMAGE238
输入到全连接层
Figure DEST_PATH_IMAGE240
，即得到最后每台风力机的预测功率，其值为：
Figure DEST_PATH_IMAGE242
。
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：
Figure DEST_PATH_IMAGE244
式中，
Figure DEST_PATH_IMAGE246
为k时刻输入矢量图对应的风场内第i台风力机的图神经网络功率预测值，
Figure DEST_PATH_IMAGE248
为k时刻输入矢量图对应的风场内第i台风力机的实际功率值，s为输入数据的总数，m为风场内的风力机总数；
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。
CN202210412243.0A 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 Active CN114511158B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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***

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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