CN114764583A - 风力发电机组的偏航偏差获取方法及*** - Google Patents
风力发电机组的偏航偏差获取方法及*** Download PDFInfo
- Publication number
- CN114764583A CN114764583A CN202011625106.2A CN202011625106A CN114764583A CN 114764583 A CN114764583 A CN 114764583A CN 202011625106 A CN202011625106 A CN 202011625106A CN 114764583 A CN114764583 A CN 114764583A
- Authority
- CN
- China
- Prior art keywords
- wind
- deviation
- power
- obtaining
- yaw
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000006870 function Effects 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000009795 derivation Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000010408 sweeping Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013107 unsupervised machine learning method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/304—Spool rotational speed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/32—Wind speeds
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/321—Wind directions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/329—Azimuth or yaw angle
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Wind Motors (AREA)
Abstract
本申请涉及一种风力发电机组的偏航偏差获取方法及***,属于机器学习技术的领域,风力发电机组的偏航偏差获取方法包括,得到包含多组额定风速以上工况数据的寻优数据集;得到风含功率;将每组额定风速以上工况数据分入对应的对风偏差区间内;得到功率均值拟合函数;确定最优对风偏差区间[x1,x2],并得到偏航偏差值Yawmiss;风力发电机组的偏航偏差获取***包括寻优数据集获取模块、风含功率获取模块、对风偏差区间划分模块、功率均值拟合函数获取模块和偏航偏差获取模块。与相关技术相比,本申请具有改善测量得到的偏航偏差结果有误差的问题的效果。
Description
技术领域
本申请涉及机器学习技术的领域,尤其是涉及一种风力发电机组的偏航偏差获取方法及***。
背景技术
风力发电机组包括风轮、发电机、风向标等组件,风轮中含叶片、轮毂、加固件等组件,风力发电机组有叶片受风力旋转发电、发电机机头转动等功能。风力发电机组初始安装时,由于安装误差、风向标位于机舱尾部、测量结果受叶轮、机舱、维护不当、测量和信号链路等因素的影响,大型风力发电机组在运行过程中会出现不同程度的对风偏差。对风偏差会带来机组出力性能的损失,从而会影响风力发电机组的发电量,带来经济损失。
为了矫正对风偏差,可通过人工校正或安装激光雷达测量对整个机组的对风情况进行评估,但都需要投入很大的人力物力,成本较高。近年来,多种基于运行数据的偏航偏差计算方法被提出,这些计算方法基于对不同风速区间、不同偏航角度的功率进行统计对比,综合各个风速区间,找到功率关于偏航位置的最高点,即认为该位置是最优对风角度。
针对上述中的相关技术,发明人认为以上方法中,没有考虑风速测量会受多种因素的影响,在有些风力发电机组的型号下,风速测量受叶轮影响,在不同对风角度下会产生偏移。当风速测量产生偏移,风速区间划分就会失真,从而使功率在不同对风角度下的最高点也会失真,导致测量得到的偏航偏差结果有误差。
发明内容
为了改善测量得到的偏航偏差结果有误差的问题,本申请提供一种风力发电机组的偏航偏差获取方法及***。
第一方面,本申请提供一种风力发电机组的偏航偏差获取方法,采用如下的技术方案:
一种风力发电机组的偏航偏差获取方法,所述获取方法包括,
基于风力发电机组的多组历史工况数据,结合归一化方法和自动聚类方法,得到包含多组额定风速以上工况数据的寻优数据集,每组所述历史工况数据包括但不限于同一时刻风力发电机组的偏航对风角度、风向、功率、变桨位置、转速和机组状态;
根据寻优数据集,得到多个变桨位置,并根据变桨位置得到风速V,并根据风速V,得到风含功率Pwind,
其中,ρ是空气密度,V是风速,S是叶轮扫风面积;
对正常发电区间角进行划分,得到多个对风偏差区间,以每组额定风速以上工况数据的偏航对风角度为分区间标准,将每组额定风速以上工况数据分入对应的对风偏差区间内;
基于风含功率Pwind,得到各个对风偏差区间的等效功率均值,对所有等效功率均值进行拟合,得到功率均值拟合函数;以及,
对功率均值拟合函数连续求导得到连续求导结果,结合最优功率位置确定规则和连续求导结果,确定最优对风偏差区间[x1,x2],并得到偏航偏差值Yawmiss,
Yawmiss=(x1+x2)/2 (2),
其中,x1表示最优对风偏差区间的区间角起始值,x2表示最优对风偏差区间的区间角结束值。
通过采用上述技术方案,通过无监督学习方法,从历史工况数据中提取包含多组额定风速以上工况数据的寻优数据集,并通过风含功率计算公式得到寻优数据集的多个风含功率,同时通过寻优数据集中的偏航对风角度,将寻优数据集中的每组额定风速以上工况数据分入对应的对风偏差区间内,然后对基于风含功率得到每个对风偏差区间的等效功率均值进行拟合,得到功率均值拟合函数,并对功率均值拟合函数连续求导和最优功率位置确定,得到最优对风偏差,以得到偏航偏差,无需划分风速区间,也不需要对风速大小进行判断,在一定程度上规避了风速测量因素的影响,有助于改善测量得到的偏航偏差结果有误差的问题。
可选的,所述提取寻优数据集的具体方法包括,
获取风力发电机组的多组历史工况数据,每组所述历史工况数据包括但不限于风力发电机组的偏航对风角度、风向、功率、变桨位置、转速和机组状态;
采用归一化函数Fone对每组历史工况数据进行处理,得到数据集One;
采用高斯混合模型对数据集One进行自动聚类计算,将数据集One分成多个新数据集;以及,
根据多个新数据集,结合提取方法,得到寻优数据集。
通过采用上述技术方案,采用归一化函数Fone对每组历史工况数据进行简化计算得到数据集One,再通过高斯混合模型量化数据集One,并进行自动聚类计算这种无监督机器学习方法分成多个新数据集,再结合提取方法,得到寻优数据集,全过程自动完成,能够快速地获取寻优数据集,有助于改善测量得到的偏航偏差结果有误差的问题。
可选的,所述提取方法包括,
采用额定以上指数计算方法,得到每个新数据集中每个数据元素的额定以上指数;
基于每个数据元素的额定以上指数,得到每个新数据集的指数均值;以及,
比较各个新数据集的指数均值,指数均值最大的为寻优数据集。
通过采用上述技术方案,借助额定以上指数计算方法,快速得到每个新数据集中每个数据元素的额定以上指数,并基于额定以上指数得到每个新数据集的指数均值,最后得到指数均值最大的寻优数据集,便于快速获取寻优数据。
可选的,所述得到最优对风偏差区间[x1,x2]的具体方法包括,
对功率均值拟合函数连续求导;
根据连续求导结果和最优功率位置确定规则,得到功率均值拟合函数的最优功率;以及,
根据最优功率所在的对风偏差区间,得到最优对风偏差区间[x1,x2]。
通过采用上述技术方案,对功率均值拟合函数进行连续求导后,得到多个极值点,再采用最优功率位置确定规则能够确定功率均值拟合函数的最优功率,从而能够得到最优功率所在的最优对风偏差区间。
可选的,所述最优功率位置确定规则包括,所述连续求导结果的多个极值点中,离零值最近的极值为最优功率。
通过采用上述技术方案,零值点是功率均值拟合函数的递增或递减的转折点,因此通过离零值最近的点即为最优功率点。
可选的,所述最优功率位置确定规则还包括,所述连续求导结果的多个极值点中,零值两边的极值各取中值,各个中值中绝对值最小的为最优功率。
通过采用上述技术方案,零值点是功率均值拟合函数的递增或递减的转折点,因此各个中值中绝对值最小的点为最优功率点。
第二方面,本申请提供一种风力发电机组的偏航偏差获取***,采用如下的技术方案:
一种风力发电机组的偏航偏差获取***,所述***包括,
寻优数据集获取模块,用于基于风力发电机组的多组历史工况数据,结合归一化方法和自动聚类方法,得到包含多组额定风速以上工况数据的寻优数据集,每组所述历史工况数据包括但不限于同一时刻风力发电机组的偏航对风角度、风向、功率、变桨位置、转速和机组状态;
风含功率获取模块,用于根据寻优数据集,得到多个变桨位置,并根据变桨位置得到风速V,并根据风速V,得到风含功率Pwind,
其中,ρ是空气密度,V是风速,S是叶轮扫风面积;
对风偏差区间划分模块,用于对正常发电区间角进行划分,得到多个对风偏差区间,以每组额定风速以上工况数据的偏航对风角度为分区间标准,将每组额定风速以上工况数据分入对应的对风偏差区间内;
功率均值拟合函数获取模块,用于基于风含功率Pwind,得到各个对风偏差区间的等效功率均值,对所有等效功率均值进行拟合,得到功率均值拟合函数;以及,
偏航偏差获取模块,用于对功率均值拟合函数连续求导得到连续求导结果,结合最优功率位置确定规则和连续求导结果,确定最优对风偏差区间[x1,x2],并得到偏航偏差值Yawmiss,
Yawmiss=(x1+x2)/2 (2),
其中,x1表示最优对风偏差区间的区间角起始值,x2表示最优对风偏差区间的区间角结束值。
通过采用上述技术方案,寻优数据集获取模块通过无监督学习方法,从历史工况数据中提取包含多组额定风速以上工况数据的寻优数据集,风含功率获取模块通过风含功率计算公式得到寻优数据集的多个风含功率,对风偏差区间划分模块通过寻优数据集中的偏航对风角度,将寻优数据集中的每组额定风速以上工况数据分入对应的对风偏差区间内,功率均值拟合函数获取模块对基于风含功率得到每个对风偏差区间的等效功率均值进行拟合,得到功率均值拟合函数,偏航偏差获取模块对功率均值拟合函数连续求导和最优功率位置确定,得到最优对风偏差,以得到偏航偏差,无需划分风速区间,也不需要对风速大小进行判断,在一定程度上规避了风速测量因素的影响,极大改善了测量得到的偏航偏差结果有误差的问题。
第三方面,本申请提供一种智能终端,采用如下的技术方案:
一种智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载被执行如第一方面中任一种方法的计算机程序。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行如权利要求第一方面中任一种方法的计算机程序。
附图说明
图1是本申请实施例的风力发电机组的偏航偏差获取方法的第一流程框图。
图2是本申请实施例的风力发电机组的偏航偏差获取方法的第二流程框图。
图3是本申请实施例的风力发电机组的偏航偏差获取方法的第三流程框图。
图4是本申请实施例的风力发电机组的偏航偏差获取方法的第四流程框图。
图5是本申请实施例的风力发电机组的偏航偏差获取***的结构框图。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
本申请实施例公开一种一种风力发电机组的偏航偏差获取方法。参照图1和图2,获取方法包括如下步骤:
101、基于风力发电机组的多组历史工况数据,结合归一化方法和自动聚类方法,得到包含多组额定风速以上工况数据的寻优数据集。
其中,每组历史工况数据包括但不限于同一时刻风力发电机组的偏航对风角度、风向、功率、变桨位置、转速和机组状态等变量,这里的转速指的是叶轮转速。例如还可以包括环境温度、发电机转速等。
归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量。
自动聚类方法是一种典型的无监督机器学习方法,聚类试图将数据集中的样本划分为若干个通常不相交的子集,每个子集成为一个簇,通过这样的划分,每一个簇可能对应一些潜在的概念。
需要说明的是,一组额定风速以上工况数据为寻优数据集的一个数据元素。提取额定风速以上工况数据的过程,也是自动工况识别的过程。而自动工况识别采用常见的自动工况识别方法,比如根据功率和机组状态就可以进行识别,本实施方式中不作进一步的阐述。
102、根据寻优数据集,得到多个变桨位置,并根据变桨位置得到风速V,并根据风速V,得到风含功率Pwind。
其中,
且ρ是空气密度,V是风速,S是叶轮扫风面积。其中,叶轮扫风面积可根据叶轮直径的参数用圆的面积公式计算得到,空气密度可以通过测量得到。
选取的额定风速以上工况数据的功率数值在额定功率附近,功率以及通过变桨控制在一个稳定的范围内。根据变桨型风力发电机组的运行原理,在同一功率水平下,功率越大,就需要更大的变桨位置来维持功率的稳定输出。因此,可以以变桨位置的数据来计算风含功率Pwind的大小。
需要说明的是,寻优数据集中有多个关于额定风速以上工况数据的数据元素,寻优数据集中会有多个变桨位置,从而得到的风含功率Pwind也是多个。风速和变桨位置的对应关系,可以根据风力发电机组实际机型的设计参数得到,也可以用大量历史运行数据拟合得到,本实施方式中不作进一步的阐述。
103、对正常发电区间角进行划分,得到多个对风偏差区间,以每组额定风速以上工况数据的偏航对风角度为分区间标准,将每组额定风速以上工况数据分入对应的对风偏差区间内。
其中,正常发电区间角是风电机组正常工作时的对风区间角,一般为-30°到+30°,在本实施方式中,每1°角作为一个区间间隔,因此得到60个对风偏差区间。当每组额定风速以上工况数据的偏航对风角度的大小在某个对风偏差区间内时,则这组额定风速以上工况数据分入这个对风偏差区间内。
需要说明的是,可以先执行步骤101,再执行步骤102,最后执行步骤103,也可以先执行步骤101,再执行步骤103,最后执行步骤102。
104、基于风含功率Pwind,得到各个对风偏差区间的等效功率均值,对所有等效功率均值进行拟合,得到功率均值拟合函数。
每个对风偏差区间内有多个额定风速以上工况数据,因此有多个变桨角度,即有多个风含功率Pwind,将多个风含功率Pwind相加求均值得到每个对风偏差区间的等效功率均值。
105、对功率均值拟合函数连续求导得到连续求导结果,结合最优功率位置确定规则和连续求导结果,确定最优对风偏差区间[x1,x2],并得到偏航偏差值Yawmiss。
其中,
Yawmiss=(x1+x2)/2 (2),
其中,x1表示最优对风偏差区间的区间角起始值,x2表示最优对风偏差区间的区间角结束值。比如,最优对风偏差区间可能是[-30°,-29°],此时,偏航偏差值Yawmiss=-29.5°。根据最优对风偏差区间[x1,x2]得到偏航偏差值Yawmiss的过程,也是根据最优对风偏差区间进行估算的过程。
根据步骤104和步骤105可以得出,步骤104和步骤105是根据等效功率进行寻优的过程。
上述实施方式中,通过无监督学习方法,从历史工况数据中提取包含多组额定风速以上工况数据的寻优数据集,并通过风含功率计算公式得到寻优数据集的多个风含功率Pwind,同时通过寻优数据集中的偏航对风角度,将寻优数据集中的每组额定风速以上工况数据分入对应的对风偏差区间内,然后对基于风含功率Pwind得到每个对风偏差区间的等效功率均值进行拟合,得到功率均值拟合函数,并对功率均值拟合函数连续求导和最优功率位置确定,得到最优对风偏差,以得到偏航偏差,无需划分风速区间,也不需要对风速大小进行判断,在一定程度上规避了风速测量因素的影响,有助于改善测量得到的偏航偏差结果有误差的问题。
参照图2和图3,提取寻优数据集的具体步骤如下:
201、获取风力发电机组的多组历史工况数据。
其中,每组历史工况数据包括但不限于风力发电机组的偏航对风角度、功率、变桨位置、转速和机组状态等变量。且历史工况数据从SCADA***中获取,即变量就是SCADA数据记录中的时序数据。风向由风向标测量,功率由发电机并网功率获得,变桨位置根据变桨角度获得,转速由速度传感器获得,机组状态包括停机、并网和故障等,偏航对风角度由偏航编码器获得。本实施方式中,以10秒为采样间隔,每10秒获取一组历史工况数据。并将每组历史工况数据组成一个向量Xt,
Xt=(windspeed,winddirection,power,pitch,speed,state) (3)。
每个时刻t,都有一个向量Xt产生,并共同形成一个以Xt为元素的数据集合A。此时,每组历史工况数据是数据集合A的一个数据元素。其中,windspeed代表风速V,风速V由变桨位置得到,winddirection代表风向,power代表功率,pitch代表偏航对风角度,speed代表转速,state代表机组状态。
202、采用归一化函数Fone对每组历史工况数据进行处理,得到数据集One。
即,采用归一化函数Fone对数据集合A中的每个数据元素进行归一化处理得到一个数据集One,即
One=Fone(A) (4),
其中,Fone对每一个元素X做如下的计算:
也就是将每组额定风速工况以上数据中的对风偏差角度、风向、功率、变桨位置、转速和机组状态等变量,根据变量个字的物理范围和量纲进行比例运算,从而把各个变量的值都变换到一个数量等级上。其中,powerrated表示额定功率。
203、采用高斯混合模型对数据集One进行自动聚类计算,将数据集One分成多个新数据集。
其中,高斯混合模型就是用高斯概率密度函数即正态分布曲线精确地量化事物,是一个将事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。
自动聚类计算的具体方法,采用已经被学术界和工程界广泛验证的DBSCAN方法。DBSCAN是一个比较有代表性的基于密度的聚类算法,将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
在本实施方式中,引入基于Python的开源代码库sklearn.cluster.DBSCAN。具体计算代码如下:
db=DBSCAN(eps=0.3,min_samples=10).fit(One)
labels=db.labels_
其中的labels是一组整型数。它和数据集One里的每个元素一一对应,表示该元素属于那一个聚类结果。
根据labels我们把数据集One分成了若干个不同的新数据集:O1,O2,…,On,其中n代表新数据集的个数。
204、采用额定以上指数计算方法,得到每个新数据集中每个数据元素的额定以上指数。
其中,额定以上指数计算方法具体如下:
Indexrated(Xone)=(1if wind_speed>0.8else 0)+(1if power>power_ratedelse 0)+(1if pitch>0else 0)) (6)。
根据公式(6),能够快速计算出额定以上指数。
205、基于每个数据元素的额定以上指数,得到每个新数据集的指数均值。
206、比较各个新数据集的指数均值,指数均值最大的为寻优数据集。
上述提取寻优数据集的实施方式中,借助归一化函数Fone、高斯混合模型、自动聚类计算方法和额定以上指数计算方法,快速对历史工况数据进行处理,并得到多组额定风速以上工况数据的寻优数据集,不需要划分风速区间,得到的寻优数据集在一定程度上规避了风速测量因素的影响,有助于改善测量得到的偏航偏差有误差的问题。
参照图2和图4,作为得到最优对风偏差区间[x1,x2]的具体方法的一种实施方式,包括如下步骤:
301、对功率均值拟合函数连续求导。
连续求导是一种常见的数学计算方法,本实施方式中不作进一步的阐述,且连续求导的次数可根据实际得到的功率均值拟合函数而进行调整。
302、根据连续求导结果和最优功率位置确定规则,得到功率均值拟合函数的最优功率。
连续求导结果,即得到的极值点。
303、根据最优功率所在的对风偏差区间,得到最优对风偏差区间[x1,x2]。
上述得到最优对风偏差区间[x1,x2]的具体方法的实施方式中,对功率均值拟合函数进行连续求导后,得到连续求导结果,即多个极值点,再采用最优功率位置确定规则能够确定功率均值拟合函数的最优功率,从而能够得到最优功率所在的最优对风偏差区间[x1,x2]。
作为最优功率位置确定规则的一种实施方式,最优功率位置确定规则包括,连续求导结果的多个极值点中,离零值最近的极值为最优功率。
作为最优功率位置确定规则的一种实施方式,最优功率位置确定规则还包括连续求导结果的多个极值点中,零值两边的极值各取中值,各个中值中绝对值最小的为最优功率。
需要说明的是,连续求导结果中可能包含多个零值,此时选择取中值的实施方式,且零值点是功率均值拟合函数的递增或递减的转折点。
本实施例,还公开一种风力发电机组的偏航偏差获取***,参照图5,风力发电机组的偏航偏差获取***包括,
寻优数据集获取模块401,用于基于风力发电机组的多组历史工况数据,结合归一化方法和自动聚类方法,得到包含多组额定风速以上工况数据的寻优数据集,每组历史工况数据包括但不限于同一时刻风力发电机组的偏航对风角度、风向、功率、变桨位置、转速和机组状态;
风含功率获取模块402,用于根据寻优数据集,得到多个变桨位置,并根据变桨位置得到风速V,并根据风速V,得到风含功率Pwind。
其中,
其中,ρ是空气密度,V是风速,S是叶轮扫风面积;
对风偏差区间划分模块403,用于对正常发电区间角进行划分,得到多个对风偏差区间,以每组额定风速以上工况数据的偏航对风角度为分区间标准,将每组额定风速以上工况数据分入对应的对风偏差区间内;
功率均值拟合函数获取模块404,用于基于风含功率Pwind,得到各个对风偏差区间的等效功率均值,对所有等效功率均值进行拟合,得到功率均值拟合函数;以及,
偏航偏差获取模块405,用于对功率均值拟合函数连续求导得到连续求导结果,结合最优功率位置确定规则和连续求导结果,确定最优对风偏差区间[x1,x2],并得到偏航偏差值Yawmiss。
其中,
Yawmiss=(x1+x2)/2 (2),
其中,x1表示最优对风偏差区间的区间角起始值,x2表示最优对风偏差区间的区间角结束值。
上述风力发电机组的偏航偏差获取***的实施方式中,寻优数据集获取模块401通过无监督学习方法,从历史工况数据中提取包含多组额定风速以上工况数据的寻优数据集,风含功率获取模块402通过风含功率计算公式得到寻优数据集的多个风含功率Pwind,对风偏差区间划分模块通过寻优数据集中的偏航对风角度,将寻优数据集中的每组额定风速以上工况数据分入对应的对风偏差区间内,功率均值拟合函数获取模块404对基于风含功率Pwind得到每个对风偏差区间的等效功率均值进行拟合,得到功率均值拟合函数,偏航偏差获取模块405对功率均值拟合函数连续求导和最优功率位置确定,得到最优对风偏差,以得到偏航偏差值Yawmiss,无需划分风速区间,也不需要对风速大小进行判断,在一定程度上规避了风速测量因素的影响,极大改善了测量得到的偏航偏差结果有误差的问题。
本申请提供的一种风力发电机组的偏航偏差获取***,可以应用于带有主动偏航***的大型风力发电机组。通过采集风力发电机组运行过程在额定风速以上工况数据,采用偏航偏差获取方法提供的计算方法估算出风力发电机组的偏航偏差值。从而能够通过计算风力发电机组的偏航偏差值对叶轮对风角度进行修正,进而可以有效提升风力发电机组的发电量。
本实施例还公开一种智能终端,包括存储器和处理器,存储器上存储有能够被处理器加载被执行如一种风力发电机组的偏航偏差获取方法中任一种方法的计算机程序。
本实施例还公开一种计算机可读存储介质,存储有能够被处理器加载并执行如一种风力发电机组的偏航偏差获取方法中任一种方法的计算机程序。
本申请实施例一种风力发电机组的偏航偏差获取方法、***及可读存储介质的实施原理为:寻优数据集获取模块401通过无监督学习方法,从历史工况数据中提取包含多组额定风速以上工况数据的寻优数据集,风含功率获取模块402通过风含功率计算公式得到寻优数据集的多个风含功率Pwind,对风偏差区间划分模块403通过寻优数据集中的偏航对风角度,将寻优数据集中的每组额定风速以上工况数据分入对应的对风偏差区间内,功率均值拟合函数获取模块404对基于风含功率Pwind得到每个对风偏差区间的等效功率均值进行拟合,得到功率均值拟合函数,偏航偏差获取模块405对功率均值拟合函数连续求导和最优功率位置确定,得到最优对风偏差,以得到偏航偏差。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (9)
1.一种风力发电机组的偏航偏差获取方法,其特征在于:所述获取方法包括,
基于风力发电机组的多组历史工况数据,结合归一化方法和自动聚类方法,得到包含多组额定风速以上工况数据的寻优数据集,每组所述历史工况数据包括但不限于同一时刻风力发电机组的偏航对风角度、风向、功率、变桨位置、转速和机组状态;
根据寻优数据集,得到多个变桨位置,并根据变桨位置得到风速V,并根据风速V,得到风含功率Pwind,
其中,ρ是空气密度,V是风速,S是叶轮扫风面积;
对正常发电区间角进行划分,得到多个对风偏差区间,以每组额定风速以上工况数据的偏航对风角度为分区间标准,将每组额定风速以上工况数据分入对应的对风偏差区间内;
基于风含功率Pwind,得到各个对风偏差区间的等效功率均值,对所有等效功率均值进行拟合,得到功率均值拟合函数;以及,
对功率均值拟合函数连续求导得到连续求导结果,结合最优功率位置确定规则和连续求导结果,确定最优对风偏差区间[x1,x2],并得到偏航偏差值Yawmiss,
Yawmiss=(x1+x2)/2 (2),
其中,x1表示最优对风偏差区间的区间角起始值,x2表示最优对风偏差区间的区间角结束值。
2.根据权利要求1所述的一种风力发电机组的偏航偏差获取方法,其特征在于:所述提取寻优数据集的具体方法包括,
获取风力发电机组的多组历史工况数据,每组所述历史工况数据包括但不限于风力发电机组的偏航对风角度、风向、功率、变桨位置、转速和机组状态;
采用归一化函数Fone对每组历史工况数据进行处理,得到数据集One;
采用高斯混合模型对数据集One进行自动聚类计算,将数据集One分成多个新数据集;以及,
根据多个新数据集,结合提取方法,得到寻优数据集。
3.根据权利要求2所述的一种风力发电机组的偏航偏差获取方法,其特征在于:所述提取方法包括,
采用额定以上指数计算方法,得到每个新数据集中每个数据元素的额定以上指数;
基于每个数据元素的额定以上指数,得到每个新数据集的指数均值;以及,
比较各个新数据集的指数均值,指数均值最大的为寻优数据集。
4.根据权利要求1所述的一种风力发电机组的偏航偏差获取方法,其特征在于:所述得到最优对风偏差区间[x1,x2]的具体方法包括,
对功率均值拟合函数连续求导;
根据连续求导结果和最优功率位置确定规则,得到功率均值拟合函数的最优功率;以及
根据最优功率所在的对风偏差区间,得到最优对风偏差区间[x1,x2]。
5.根据权利要求1或4所述的一种风力发电机组的偏航偏差获取方法,其特征在于:所述最优功率位置确定规则包括,所述连续求导结果的多个极值点中,离零值最近的极值为最优功率。
6.根据权利要求1或4所述的一种风力发电机组的偏航偏差获取方法,其特征在于:所述最优功率位置确定规则包括,所述连续求导结果的多个极值点中,零值两边的极值各取中值,各个中值中绝对值最小的为最优功率。
7.一种风力发电机组的偏航偏差获取***,其特征在于:所述***包括,
寻优数据集获取模块(401),用于基于风力发电机组的多组历史工况数据,结合归一化方法和自动聚类方法,得到包含多组额定风速以上工况数据的寻优数据集,每组所述历史工况数据包括但不限于同一时刻风力发电机组的偏航对风角度、风向、功率、变桨位置、转速和机组状态;
风含功率获取模块(402),用于根据寻优数据集,得到多个变桨位置,并根据变桨位置得到风速V,并根据风速V,得到风含功率Pwind,
其中,ρ是空气密度,V是风速,S是叶轮扫风面积;
对风偏差区间划分模块(403),用于对正常发电区间角进行划分,得到多个对风偏差区间,以每组额定风速以上工况数据的偏航对风角度为分区间标准,将每组额定风速以上工况数据分入对应的对风偏差区间内;
功率均值拟合函数获取模块(404),用于基于风含功率Pwind,得到各个对风偏差区间的等效功率均值,对所有等效功率均值进行拟合,得到功率均值拟合函数;以及,
偏航偏差获取模块(405),用于对功率均值拟合函数连续求导得到连续求导结果,结合最优功率位置确定规则和连续求导结果,确定最优对风偏差区间[x1,x2],并得到偏航偏差值Yawmiss,
Yawmiss=(x1+x2)/2 (2),
其中,x1表示最优对风偏差区间的区间角起始值,x2表示最优对风偏差区间的区间角结束值。
8.一种智能终端,其特征在于:包括存储器和处理器,所述存储器上存储有能够被处理器加载被执行如权利要求1至6中任一种方法的计算机程序。
9.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625106.2A CN114764583A (zh) | 2020-12-30 | 2020-12-30 | 风力发电机组的偏航偏差获取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625106.2A CN114764583A (zh) | 2020-12-30 | 2020-12-30 | 风力发电机组的偏航偏差获取方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764583A true CN114764583A (zh) | 2022-07-19 |
Family
ID=82364151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011625106.2A Pending CN114764583A (zh) | 2020-12-30 | 2020-12-30 | 风力发电机组的偏航偏差获取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764583A (zh) |
-
2020
- 2020-12-30 CN CN202011625106.2A patent/CN114764583A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11401913B2 (en) | Yaw calibration method and system for wind turbine | |
EP3121442B1 (en) | Operating wind turbines | |
EP3645866B1 (en) | Computer-implemented method for re-calibrating at least one yaw-angle of a wind turbine, respective system, computer-implemented method for wind park optimization, and respective wind park | |
US7086835B2 (en) | Horizontal axis wind turbine and method for controlling horizontal axis wind turbine | |
CA2755154C (en) | Method and system for adjusting a power parameter of a wind turbine | |
CN109488528B (zh) | 一种风机偏航***的调整方法及装置 | |
CN111322205B (zh) | 风电机组风向标零位误差辨识方法及校正方法 | |
CN111091298B (zh) | 一种风电场流场耦合特性评估与智能分群方法及*** | |
Bao et al. | A data-mining compensation approach for yaw misalignment on wind turbine | |
CN113591359A (zh) | 一种风电机组切入/切出风速调优方法、***及设备介质 | |
CN107339194B (zh) | 最佳叶尖速比控制方法、数据处理方法及装置、*** | |
CN117590027A (zh) | 一种风电机组测风仪亏损修正方法、***及电子设备 | |
CN114764583A (zh) | 风力发电机组的偏航偏差获取方法及*** | |
CN117251995A (zh) | 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法 | |
CN114689237A (zh) | 载荷传感器标定方法、装置及计算机可读存储介质 | |
CN117039926A (zh) | 风电场多集群可用惯量评估方法及装置 | |
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 | |
CN110094299B (zh) | 风电机组的偏航对风自矫正方法和设备 | |
CN114912807A (zh) | 一种风电机组技改后发电量提升效果评估方法和评估*** | |
Bao et al. | A data-driven approach for identification and compensation of wind turbine inherent yaw misalignment | |
CN112884262A (zh) | 一种风电机组载荷适应性确定方法和*** | |
Bao et al. | Identification of yaw error inherent misalignment for wind turbine based on SCADA data: A data mining approach | |
CN110985287A (zh) | 一种基于宽度学习的间接转速控制方法 | |
Yin et al. | Research on Wind Deviation Detection Based on DENCLUE Abnormal Working Condition Filtering | |
CN113279904B (zh) | 一种风电机组最大功率跟踪的桨距角寻优方法及装置 |
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 |