CN105354763A - 风电机组来流风速测量方法及装置 - Google Patents
风电机组来流风速测量方法及装置 Download PDFInfo
- Publication number
- CN105354763A CN105354763A CN201510783432.9A CN201510783432A CN105354763A CN 105354763 A CN105354763 A CN 105354763A CN 201510783432 A CN201510783432 A CN 201510783432A CN 105354763 A CN105354763 A CN 105354763A
- Authority
- CN
- China
- Prior art keywords
- model
- wind speed
- error
- training sample
- lssvm
- 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 34
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000013461 design Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 15
- 238000000691 measurement method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000001143 conditioned effect Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000008901 benefit Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组来流风速测量方法及装置，该风电机组来流风速测量方法包括：采集风电机组在预设时间内的来流风速和风机状态运行参量；利用第一训练样本对BP神经网络模型进行训练，得到第一误差，利用第二训练样本对LSSVM模型进行训练，得到第二误差；第一训练样本和第二训练样本的输入变量是从风机状态运行参量中选取的对应的预设变量，输出是来流风速；基于均方误差最小原则，根据第一误差、第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，得到基于BP神经网络和LSSVM的风速组合测量模型；利用该模型，根据输入的测试样本测量来流风速。能够获得较为准确的来流风速，测量精度较高。
Description
技术领域
本发明涉及风电机组风速测量技术领域，尤其涉及一种风电机组来流风速测量方法及装置。
背景技术
风速作为直接决定风力发电机组出力的参量，不仅对风电机组功率特性评价及发电效益评估意义重大，同时也是相应控制系统安全高效运行的关键。来流风速也可称为有效风速，是风力发电机组叶轮中心前方的真实风速(受风力机影响之前)。来流风速不易直接测量。
目前，存在以下几种测量风电机组来流风速的方法：
(1)基于风力机机舱上方的风速计。风电机组普遍将机舱风速默认为来流风速，对两者不加以区分。然而机舱风速是来流风速受到机组叶轮、机舱、塔筒以及各种环境因素影响之后由风速计测量得到的，与来流风速存在一定的偏差。由于风速计位于叶轮之后(主要针对上风向风机)，受湍流、塔架、风切变、地表粗糙度等因素的影响，风速计测量值并不能如实反映来流风速(风力机接受的真实风速)。在风电机组设计之初，所有与风速有关的参数设置都是以来流风速为基准的，如果简单地把风速计测量风速作为来流风速，给机组的信息必然存在偏差，使得机组的控制能力下降，影响机组的系统性能。
(2)基于BP(BackPropagation)神经网络建立风速软测量模型，或者，基于支持向量机(SupportVectorMachine，简称为SVM)建立风速软测量模型。这些模型通常以风力机旋转角速度ω、输出功率P及桨距角β为二次变量，以有效风速v为主导变量建立风速软测量模型。然而由于模型在二次变量的选择上考虑的因素过少，使得模型很难准确地反映来流风速的波动特性，从而影响了来流风速的测量精度。另外，模型本身存在的固有缺陷也使得其有效性和实用性受到了质疑。
(3)基于数理机理建模的风速测量，例如风轮单元流管建模。模型的建立完全依据风速在叶轮前后变化的物理机理，逻辑推理严密，表达式明确，可以直接对叶轮后风速进行修正得到来流风速。然而此种方法并没有考虑实际的运行工况，现场风机运行环境复杂多变，各种因素对风速交错影响，理论上的计算结果与实际情况并不一致。
针对上述来流风速测量精度不高的问题，目前尚未提出有效的解决方案。
发明内容
本发明提供了一种风电机组来流风速测量方法及装置，以至少解决现有技术中来流风速测量精度不高的问题。
根据本发明的一个方面，提供了一种风电机组来流风速测量方法，包括：采集风电机组在预设时间内的来流风速和风机状态运行参量；利用第一训练样本对BP神经网络模型进行训练，得到所述BP神经网络模型的第一误差，以及利用第二训练样本对最小二乘支持向量机LSSVM模型进行训练，得到所述LSSVM模型的第二误差；其中，所述第一训练样本和所述第二训练样本的输入变量是从所述风机状态运行参量中选取的对应的预设变量，模型输出结果是来流风速；基于均方误差最小原则，根据所述第一误差、所述第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，得到基于BP神经网络和LSSVM的风速组合测量模型；利用所述风速组合测量模型，根据输入的测试样本测量风电机组的来流风速。
在一个实施例中，在利用第一训练样本对BP神经网络模型进行训练，以及利用第二训练样本对LSSVM模型进行训练之前，所述方法还包括：按照预设条件对采集的来流风速和风机状态运行参量进行数据筛选，其中，所述预设条件包括：风机并网无故障运行、风机非限功率运行以及数据均匀覆盖风机所有运行工况；针对筛选后的数据，对风机状态运行参量中的部分数据进行数据处理，其中，所述数据处理包括：计算标准偏差；从处理后的风机状态运行参量中选取所述预设变量。
在一个实施例中，所述第一训练样本对应的预设变量包括：桨距角、叶轮转速、功率、桨距角标准偏差和功率标准偏差，所述第二训练样本对应的预设变量包括：桨距角、叶轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。
在一个实施例中，基于均方误差最小原则，根据所述第一误差、所述第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，包括：通过求解所述风速组合测量模型的最优权系数的规划模型得到所述BP神经网络模型的权重和所述LSSVM模型的权重；所述规划模型为： 其中，M表示训练样本的个数；Q表示误差的平方和，是目标规划函数；w1表示BP神经网络模型的权重系数；w2表示LSSVM模型的权重系数；e(t)表示t时刻风速组合测量模型的误差，e(t)＝w1eBP(t)+w2eLSSVM(t)，eBP(t)表示t时刻BP神经网络模型的误差；eLSSVM(t)表示t时刻LSSVM模型的误差。
在一个实施例中，利用第一训练样本对BP神经网络模型进行训练，得到所述BP神经网络模型的第一误差，包括：将所述第一训练样本的输入变量输入到所述BP神经网络模型，输出第一计算结果；将所述第一训练样本的输入变量对应的来流风速与所述第一计算结果进行比较，得到所述第一误差；利用第二训练样本对LSSVM模型进行训练，得到所述LSSVM模型的第二误差，包括：将所述第二训练样本的输入变量输入到所述LSSVM模型，输出第二计算结果；将所述第二训练样本的输入变量对应的来流风速与所述第二计算结果进行比较，得到所述第二误差。
根据本发明的另一个方面，提供了一种风电机组来流风速测量装置，包括：采集单元，用于采集风电机组在预设时间内的来流风速和风机状态运行参量；训练单元，用于利用第一训练样本对BP神经网络模型进行训练，得到所述BP神经网络模型的第一误差，以及利用第二训练样本对LSSVM模型进行训练，得到所述LSSVM模型的第二误差；其中，所述第一训练样本和所述第二训练样本的输入变量是从所述风机状态运行参量中选取的对应的预设变量，模型输出结果是来流风速；权重计算单元，用于基于均方误差最小原则，根据所述第一误差、所述第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，得到基于BP神经网络和LSSVM的风速组合测量模型；测量单元，用于利用所述风速组合测量模型，根据输入的测试样本测量风电机组的来流风速。
在一个实施例中，所述装置还包括：筛选单元，用于按照预设条件对采集的来流风速和风机状态运行参量进行数据筛选，其中，所述预设条件包括：风机并网无故障运行、风机非限功率运行以及数据均匀覆盖风机所有运行工况；数据处理单元，用于针对筛选后的数据，对风机状态运行参量中的部分数据进行数据处理，其中，所述数据处理包括：计算标准偏差；选取单元，用于从处理后的风机状态运行参量中选取所述预设变量。
在一个实施例中，所述第一训练样本对应的预设变量包括：桨距角、叶轮转速、功率、桨距角标准偏差和功率标准偏差，所述第二训练样本对应的预设变量包括：桨距角、叶轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。
在一个实施例中，所述权重计算单元具体用于：通过求解所述风速组合测量模型的最优权系数的规划模型得到所述BP神经网络模型的权重和所述LSSVM模型的权重；所述规划模型为： 其中，M表示训练样本的个数；Q表示误差的平方和，是目标规划函数；w1表示BP神经网络模型的权重系数；w2表示LSSVM模型的权重系数；e(t)表示t时刻风速组合测量模型的误差，e(t)＝w1eBP(t)+w2eLSSVM(t)，eBP(t)表示t时刻BP神经网络模型的误差；eLSSVM(t)表示t时刻LSSVM模型的误差。
在一个实施例中，所述训练单元包括：第一训练模块，用于将所述第一训练样本的输入变量输入到所述BP神经网络模型，输出第一计算结果；第一比较模块，用于将所述第一训练样本的输入变量对应的来流风速与所述第一计算结果进行比较，得到所述第一误差；第二训练模块，用于将所述第二训练样本的输入变量输入到所述LSSVM模型，输出第二计算结果；第二比较模块，用于将所述第二训练样本的输入变量对应的来流风速与所述第二计算结果进行比较，得到所述第二误差。
通过本发明的风电机组来流风速测量方法及装置，从采集的数据中选取BP神经网络模型的输入变量以及LSSVM模型的输入变量，最大限度地反映来流风速的波动特性，并且基于均方误差最小原则，对BP神经网络模型和LSSVM模型进行权重分配以及线性组合，建立了基于BP神经网络和LSSVM的风速组合测量模型。基于该组合测量模型，通过直接可测的二次变量(来流风速的关联变量)获取不可测的主导变量(来流风速)，同时测量精度比现有的单个风速测量模型有较大提高，来流风速的准确获取，有利于更准确地把握风机的运行状况，优化机组的控制性能，保障了机组安全高效地运行，提高了机组的发电效益。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。在附图中：
图1是本发明实施例的风电机组来流风速测量方法的流程图；
图2是本发明实施例的BP神经网络的结构示意图；
图3是本发明实施例的LSSVM网络的结构示意图；
图4是本发明实施例的组合测量的流程示意图；
图5是本发明实施例的风电机组来流风速测量装置的结构框图；
图6是本发明实施例的误差概率密度的示意图。
具体实施方式
下面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，都属于本发明的保护范围。
本发明实施例提供了一种风电机组来流风速测量方法。图1是本发明实施例的风电机组来流风速测量方法的流程图，如图1所示，该方法包括以下步骤：
步骤S101，采集风电机组在预设时间内的来流风速和风机状态运行参量。例如，可以采集20天的数据。
步骤S102，利用第一训练样本对BP神经网络模型进行训练，得到BP神经网络模型的第一误差，以及利用第二训练样本对最小二乘支持向量机(LeastSquaresSupportVectorMachine，简称为LSSVM)模型进行训练，得到LSSVM模型的第二误差；其中，第一训练样本和第二训练样本的输入变量是从风机状态运行参量中选取的对应的预设变量，模型输出结果是来流风速。
步骤S103，基于均方误差最小原则，根据第一误差、第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，得到基于BP神经网络和LSSVM的风速组合测量模型。
步骤S104，利用风速组合测量模型，根据输入的测试样本测量风电机组的来流风速。
通过上述方法，从采集的数据中选取BP神经网络模型的输入变量以及LSSVM模型的输入变量，最大限度地反映来流风速的波动特性，并且基于均方误差最小原则，对BP神经网络模型和LSSVM模型进行权重分配以及线性组合，建立了基于BP神经网络和LSSVM的风速组合测量模型。基于该组合测量模型，通过直接可测的二次变量(来流风速的关联变量)获取不可测的主导变量(来流风速)，同时测量精度比现有的单个风速测量模型有较大提高，来流风速的准确获取，有利于更准确地把握风机的运行状况，优化机组的控制性能，保障了机组安全高效地运行，提高了机组的发电效益。
BP神经网络测量模型和LSSVM测量模型在具有各自优点的同时本身也存在一些不可避免的缺陷，如下：BP神经网络局部极小值点、收敛速度慢、网络结构难以确定；LSSVM对大规模训练样本难以实施，参数不容易调整。这些缺陷是迭代引起的本质特性，很难彻底地消除，并且两者建模理论的差异势必导致对信息的处理方式不同，对有效信息的利用程度不同。
本发明实施例为了提高测量精度，更准确地获取来流风速，对BP神经网络测量模型和最小二乘支持向量机测量模型按一定方式进行组合，以达到两者优势的最大化。并且，增加了模型的输入变量。
图1所示的步骤可以简单概括为：数据采集(步骤S101)、变量选取(步骤S102中确定输入变量)、优化组合(步骤S102中计算误差以及步骤S103)、测量(步骤S104)。其中，关联变量是与来流风速密切相关的环境参数以及风电机组运行参数。
(1)数据采集
例如，对某一机型风机(如2.0MW双馈型风电机组)的风速及相关变量进行一段时间的数据采集。其中，来流风速可以采用移动式激光测风仪测量得到，也可以用其他方法，要尽可能准确地获取机组的来流风速，激光侧风仪能够测量来流风速，但是需要在每台风机前进行配置安装，风机的寿命长达20年，这无疑增加了风速测量的硬件成本，因此对大量风机的来流风速的测量，并不适合使用激光侧风仪。风机状态运行参量可以通过风机本身的传感器(如SCADA系统)获得，SCADA系统里面的运行参数数据一般都是10min内所有瞬时数据的平均值。关联变量是从风机状态运行参量中挑选出来的。
(2)变量选取
在进行风速推算的时候需要考虑到自然因素，然而自然因素很难进行量化评估，通过分析地形和气候来准确跟踪风速的变化难度太大。可以考虑数据统计建模这种建模机理，通过大量的数据统计规律，可以把自然因素的影响涵盖其中，而无需单独考虑自然因素。来流风速可以通过风机的一些可测参量体现出来，例如，风力机旋转角速度ω、输出功率P(或功率系数Cp)、桨距角β、机舱风速计测量风速、上一时刻来流风速、偏航灵敏度、偏航速度、风向(各个方向的地形、风机尾流不同)、风机对风角度(机舱偏离位置)等。能够体现来流风速的参数即可作为来流风速的关联变量。
选取变量之前，可以先对采集的数据进行筛选和数据处理，保证数据质量，从而可以减少训练的误差和训练时间。
在一个实施例中，在步骤S102之前，可以按照预设条件对采集的来流风速和风机状态运行参量进行数据筛选，其中，预设条件包括：风机并网无故障运行、风机非限功率运行以及数据均匀覆盖风机所有运行工况；针对筛选后的数据，对风机状态运行参量中的部分数据进行数据处理，其中，数据处理包括：计算标准偏差；从处理后的风机状态运行参量中选取预设变量。
风速的间歇性、不稳定性使得机组的执行机构无法实时跟随风速而动作，同时传感器测量值与真实值也存在延时，很难对所有变量进行准确对时。为此，一般采用10min数据平均值来削弱对时问题对测量结果的影响，但是10min数据平均值严格来说属于二次计算值，并不是原始数据，同样的10min数据平均值可能来源于不同的原始数据，如果仅用平均值作为输入变量，很难得到来流风速的准确值。因此，本发明实施例中，在数据处理方面，引入10min数据标准偏差作为来流风速的关联变量。
可以应用主成分分析法，选取与来流风速联系紧密的变量作为关联变量。在一个实施例中，第一训练样本对应的预设变量可以包括：桨距角、叶轮转速、功率、桨距角标准偏差和功率标准偏差，第二训练样本对应的预设变量可以包括：桨距角、叶轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。上述预设变量即为关联变量。
下面结合附图说明。图2是本发明实施例的BP神经网络的结构示意图，如图2所示，BP神经网络的输入变量包括：桨距角、叶轮转速、功率、桨距角标准偏差和功率标准偏差。其中，Wij为输入层第i个神经元和隐层第j个神经元之间的连接权值，Vj为隐层第j个神经元的阈值。BP神经网络中增加了桨距角标准偏差和功率标准偏差两个输入变量。图3是本发明实施例的LSSVM网络的结构示意图，如图3所示，LSSVM网络的输入变量包括：桨距角、叶轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。LSSVM网络中增加了风向、机舱对风角度、桨距角标准偏差和功率标准偏差四个输入变量。其中，ai是拉格朗日乘子，yi是输出向量。两个模型的输出变量均为来流风速。由于功率与风速的三次方呈正比关系，风速的微小变动都会对输出功率有较大影响，因此，增加了功率标准偏差。
(3)优化组合
本发明实施例中，通过对BP神经网络和LSSVM进行优化组合，得到风速组合测量模型，较为重要的问题是如何确定两个模型的权重。
本实施例中以训练样本最小均方误差为权重分配原则，对BP神经网络和LSSVM进行合理的线性组合。
步骤S102中，利用第一训练样本对BP神经网络模型进行训练，得到BP神经网络模型的第一误差，可以包括：将第一训练样本的输入变量输入到BP神经网络模型，输出第一计算结果；将第一训练样本的输入变量对应的来流风速与第一计算结果进行比较，得到第一误差。利用第二训练样本对LSSVM模型进行训练，得到LSSVM模型的第二误差，可以包括：将第二训练样本的输入变量输入到LSSVM模型，输出第二计算结果；将第二训练样本的输入变量对应的来流风速与第二计算结果进行比较，得到第二误差。即计算输出值(测量值)与采集值(实际值)的差值。
步骤S103可以通过求解风速组合测量模型的最优权系数的规划模型得到BP神经网络模型的权重和LSSVM模型的权重。
规划模型为：
式(1)中，M表示训练样本的个数；Q表示目标规划函数，即误差的平方和；w1表示BP神经网络模型的权重系数；w2表示LSSVM模型的权重系数；e(t)表示t时刻风速组合测量模型的误差。需要说明的是，在时刻t处进行采样，得到时刻t对应的训练样本，经过M次采样，最终得到M个训练样本。
e(t)＝w1eBP(t)+w2eLSSVM(t)(2)
式(2)中，eBP(t)表示t时刻BP神经网络模型的误差；eLSSVM(t)表示t时刻LSSVM模型的误差。
具体地，式(2)的推导过程如下：
y组(t)＝w1yBP(t)+w2yLSSVM(t)(3)
w1+w2＝1(4)
式(3)中，y组(t)表示t时刻风速组合测量模型输出的来流风速；yBP(t)表示t时刻BP神经网络模型输出的来流风速；yLSSVM(t)表示t时刻LSSVM模型输出的来流风速。
e(t)＝y实(t)-y组(t)
＝y实(t)-w1yBP(t)-w2yLSSVM(t)(5)
＝(w1+w2)y实(t)-w1yBP(t)-w2yLSSVM(t)
＝w1eBP(t)+w2eLSSVM(t)
式(5)中，y实(t)表示t时刻实际的来流风速。由此，便得到了式(2)。
在一个实施例中，可以通过矩阵形式求解式(1)，得到权重w1和w2。
式(1)的矩阵形式可表达为：
其中，W＝(w1,w2)T，R＝(1,1)T，
引入拉格朗日乘子后可得到最优权：W＝(RTE-1R)-1E-1R，从而根据权重得到基于BP神经网络和LSSVM的风速组合测量模型。
图4是本发明实施例的组合测量的流程示意图，如图4所示，利用训练样本训练BP网络和LSSVM网络，得到各自的误差，利用均方误差最小原则，通过求解BP模型的权重和LSSVM模型的权重，可以得到优化组合模型，然后向该组合模型中输入测试样本，利用该组合模型对数据进行测量，得到较为准确的来流风速测量值。
基于同一发明构思，本发明实施例中还提供了一种风电机组来流风速测量装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于该装置解决问题的原理与风电机组来流风速测量方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。例如，如果用硬件来实现，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
图5是本发明实施例的风电机组来流风速测量装置的结构框图，如图5所示，该装置包括：采集单元51、训练单元52、权重计算单元53和测量单元54，下面对该结构进行具体说明。
采集单元51，用于采集风电机组在预设时间内的来流风速和风机状态运行参量；
训练单元52，用于利用第一训练样本对BP神经网络模型进行训练，得到BP神经网络模型的第一误差，以及利用第二训练样本对LSSVM模型进行训练，得到LSSVM模型的第二误差；其中，第一训练样本和第二训练样本的输入变量是从风机状态运行参量中选取的对应的预设变量，模型输出结果是来流风速；
权重计算单元53，用于基于均方误差最小原则，根据第一误差、第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，得到基于BP神经网络和LSSVM的风速组合测量模型；
测量单元54，用于利用风速组合测量模型，根据输入的测试样本测量风电机组的来流风速。
通过上述装置，从采集的数据中选取BP神经网络模型的输入变量以及LSSVM模型的输入变量，最大限度地反映来流风速的波动特性，并且基于均方误差最小原则，对BP神经网络模型和LSSVM模型进行权重分配以及线性组合，建立了基于BP神经网络和LSSVM的风速组合测量模型。基于该组合测量模型，通过直接可测的二次变量(来流风速的关联变量)获取不可测的主导变量(来流风速)，同时测量精度比现有的单个风速测量模型有较大提高，来流风速的准确获取，有利于更准确地把握风机的运行状况，优化机组的控制性能，保障了机组安全高效地运行，提高了机组的发电效益。
在一个实施例中，上述装置还可以包括：筛选单元，用于按照预设条件对采集的来流风速和风机状态运行参量进行数据筛选，其中，预设条件包括：风机并网无故障运行、风机非限功率运行以及数据均匀覆盖风机所有运行工况；数据处理单元，用于针对筛选后的数据，对风机状态运行参量中的部分数据进行数据处理，其中，数据处理包括：计算标准偏差；选取单元，用于从处理后的风机状态运行参量中选取预设变量。
在一个实施例中，第一训练样本对应的预设变量可以包括：桨距角、叶轮转速、功率、桨距角标准偏差和功率标准偏差，第二训练样本对应的预设变量可以包括：桨距角、叶轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。
在一个实施例中，权重计算单元53具体用于：通过求解风速组合测量模型的最优权系数的规划模型得到BP神经网络模型的权重和LSSVM模型的权重；
规划模型为：
其中，M表示训练样本的个数；Q表示误差的平方和，是目标规划函数；w1表示BP神经网络模型的权重系数；w2表示LSSVM模型的权重系数；e(t)表示t时刻风速组合测量模型的误差，e(t)＝w1eBP(t)+w2eLSSVM(t)，eBP(t)表示t时刻BP神经网络模型的误差；eLSSVM(t)表示t时刻LSSVM模型的误差。
在一个实施例中，训练单元52可以包括：第一训练模块，用于将第一训练样本的输入变量输入到BP神经网络模型，输出第一计算结果；第一比较模块，用于将第一训练样本的输入变量对应的来流风速与第一计算结果进行比较，得到第一误差；第二训练模块，用于将第二训练样本的输入变量输入到LSSVM模型，输出第二计算结果；第二比较模块，用于将第二训练样本的输入变量对应的来流风速与第二计算结果进行比较，得到第二误差。
当然，上述模块划分只是一种示意划分，本发明并不局限于此。只要能实现本发明的目的的模块划分，均应属于本发明的保护范围。
为了说明本发明方法相较于现有方法的有益效果，通过现场实测数据，验证风速组合测量模型的有效性和准确性。
分别按照BP神经网络模型、LSSVM模型、风速组合测量模型输入相应变量，输出来流风速，并将三种输出结果与实测来流风速进行比较，其误差概率密度如图6所示。由图6可以看出，风速组合测量模型的误差基本上呈正态分布形式，且介于区间[-1,1]，能够准确地反映来流风速，测量值与实测来流风速的变化趋势基本相同。风速组合测量模型输出值比单个测量模型输出值更趋近实测来流风速，误差分布更接近0。因此，测量精度更高。
下面就测量精度应用平均绝对均值和均方误差两个指标来定量分析，结果如表1所示：
表1风速测量模型测量精度对比表
| 平均绝对误差(mae) | 均方误差(mse) | |
| BP测量 | 0.1518 | 0.3056 |
| LSSVM测量 | 0.1428 | 0.3027 |
| 组合测量 | 0.1109 | 0.2636 |
由表1可以看出，BP神经网络模型和LSSVM模型的指标相差不大，测量精度基本相同。而本发明的风速组合测量模型的指标比单个测量模型的指标都要低，可见，风速组合测量模型在一定程度上比单个测量模型的测量精度要高。
综上所述，本发明提出的基于优化组合的风电机组风速测量方法及装置，首先根据风机的结构特性、控制策略以及数据处理方式，分析与来流风速有关联的可测变量，对现有的BP神经网络风速测量模型和LSSVM风速测量模型在输入变量的选择方面作了相应改进(增加了输入变量维数)，以最大限度地反映来流风速的波动特性，更加准确地获取来流风速；然后依据均方误差最小原则，对两者进行权重分配，线性组合，得到BP神经网络和LSSVM的优化组合风速测量模型。
本发明能够通过直接测量的风电机组运行参量来获取来流风速，同时在风速测量精度上相比单测量模型有较大提高，解决了风力发电机组来流风速测量精度不高的问题，对风速更精确地测量，有利于更准确地把握风机的运行状况，为风电机组的功率特性测试和控制策略优化提供了一种技术支持。在风机长达20年的寿命期间，来流风速的准确获取，优化了机组的控制性能，保障了机组安全高效地运行，提高了机组的发电效益。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种风电机组来流风速测量方法，其特征在于，包括：
采集风电机组在预设时间内的来流风速和风机状态运行参量；
利用第一训练样本对BP神经网络模型进行训练，得到所述BP神经网络模型的第一误差，以及利用第二训练样本对最小二乘支持向量机LSSVM模型进行训练，得到所述LSSVM模型的第二误差；其中，所述第一训练样本和所述第二训练样本的输入变量是从所述风机状态运行参量中选取的对应的预设变量，模型输出结果是来流风速；
基于均方误差最小原则，根据所述第一误差、所述第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，得到基于BP神经网络和LSSVM的风速组合测量模型；
利用所述风速组合测量模型，根据输入的测试样本测量风电机组的来流风速。
2.根据权利要求1所述的方法，其特征在于，在利用第一训练样本对BP神经网络模型进行训练，以及利用第二训练样本对LSSVM模型进行训练之前，所述方法还包括：
按照预设条件对采集的来流风速和风机状态运行参量进行数据筛选，其中，所述预设条件包括：风机并网无故障运行、风机非限功率运行以及数据均匀覆盖风机所有运行工况；
针对筛选后的数据，对风机状态运行参量中的部分数据进行数据处理，其中，所述数据处理包括：计算标准偏差；
从处理后的风机状态运行参量中选取所述预设变量。
3.根据权利要求1或2所述的方法，其特征在于，所述第一训练样本对应的预设变量包括：桨距角、叶轮转速、功率、桨距角标准偏差和功率标准偏差，所述第二训练样本对应的预设变量包括：桨距角、叶轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。
4.根据权利要求1所述的方法，其特征在于，基于均方误差最小原则，根据所述第一误差、所述第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，包括：
通过求解所述风速组合测量模型的最优权系数的规划模型得到所述BP神经网络模型的权重和所述LSSVM模型的权重；
所述规划模型为：
其中，M表示训练样本的个数；Q表示误差的平方和，是目标规划函数；w1表示BP神经网络模型的权重系数；w2表示LSSVM模型的权重系数；e(t)表示t时刻风速组合测量模型的误差，e(t)＝w1eBP(t)+w2eLSSVM(t)，eBP(t)表示t时刻BP神经网络模型的误差；eLSSVM(t)表示t时刻LSSVM模型的误差。
5.根据权利要求1所述的方法，其特征在于，
利用第一训练样本对BP神经网络模型进行训练，得到所述BP神经网络模型的第一误差，包括：
将所述第一训练样本的输入变量输入到所述BP神经网络模型，输出第一计算结果；
将所述第一训练样本的输入变量对应的来流风速与所述第一计算结果进行比较，得到所述第一误差；
利用第二训练样本对LSSVM模型进行训练，得到所述LSSVM模型的第二误差，包括：
将所述第二训练样本的输入变量输入到所述LSSVM模型，输出第二计算结果；
将所述第二训练样本的输入变量对应的来流风速与所述第二计算结果进行比较，得到所述第二误差。
6.一种风电机组来流风速测量装置，其特征在于，包括：
采集单元，用于采集风电机组在预设时间内的来流风速和风机状态运行参量；
训练单元，用于利用第一训练样本对BP神经网络模型进行训练，得到所述BP神经网络模型的第一误差，以及利用第二训练样本对最小二乘支持向量机LSSVM模型进行训练，得到所述LSSVM模型的第二误差；其中，所述第一训练样本和所述第二训练样本的输入变量是从所述风机状态运行参量中选取的对应的预设变量，模型输出结果是来流风速；
权重计算单元，用于基于均方误差最小原则，根据所述第一误差、所述第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，得到基于BP神经网络和LSSVM的风速组合测量模型；
测量单元，用于利用所述风速组合测量模型，根据输入的测试样本测量风电机组的来流风速。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
筛选单元，用于按照预设条件对采集的来流风速和风机状态运行参量进行数据筛选，其中，所述预设条件包括：风机并网无故障运行、风机非限功率运行以及数据均匀覆盖风机所有运行工况；
数据处理单元，用于针对筛选后的数据，对风机状态运行参量中的部分数据进行数据处理，其中，所述数据处理包括：计算标准偏差；
选取单元，用于从处理后的风机状态运行参量中选取所述预设变量。
8.根据权利要求6或7所述的装置，其特征在于，所述第一训练样本对应的预设变量包括：桨距角、叶轮转速、功率、桨距角标准偏差和功率标准偏差，所述第二训练样本对应的预设变量包括：桨距角、叶轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。
9.根据权利要求6所述的装置，其特征在于，所述权重计算单元具体用于：通过求解所述风速组合测量模型的最优权系数的规划模型得到所述BP神经网络模型的权重和所述LSSVM模型的权重；
所述规划模型为：
其中，M表示训练样本的个数；Q表示误差的平方和，是目标规划函数；w1表示BP神经网络模型的权重系数；w2表示LSSVM模型的权重系数；e(t)表示t时刻风速组合测量模型的误差，e(t)＝w1eBP(t)+w2eLSSVM(t)，eBP(t)表示t时刻BP神经网络模型的误差；eLSSVM(t)表示t时刻LSSVM模型的误差。
10.根据权利要求6所述的装置，其特征在于，所述训练单元包括：
第一训练模块，用于将所述第一训练样本的输入变量输入到所述BP神经网络模型，输出第一计算结果；
第一比较模块，用于将所述第一训练样本的输入变量对应的来流风速与所述第一计算结果进行比较，得到所述第一误差；
第二训练模块，用于将所述第二训练样本的输入变量输入到所述LSSVM模型，输出第二计算结果；
第二比较模块，用于将所述第二训练样本的输入变量对应的来流风速与所述第二计算结果进行比较，得到所述第二误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510783432.9A CN105354763A (zh) | 2015-11-16 | 2015-11-16 | 风电机组来流风速测量方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510783432.9A CN105354763A (zh) | 2015-11-16 | 2015-11-16 | 风电机组来流风速测量方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105354763A true CN105354763A (zh) | 2016-02-24 |
Family
ID=55330730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510783432.9A Pending CN105354763A (zh) | 2015-11-16 | 2015-11-16 | 风电机组来流风速测量方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105354763A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108918905A (zh) * | 2018-07-09 | 2018-11-30 | 新疆金风科技股份有限公司 | 风力发电机组风速的预测方法及装置 |
| CN111985681A (zh) * | 2020-07-10 | 2020-11-24 | 河北思路科技有限公司 | 数据预测方法、模型训练方法、装置、设备 |
| CN112163259A (zh) * | 2020-09-27 | 2021-01-01 | 西南交通大学 | 一种确定典型铁路基础结构风剖面等效风速比的方法 |
| CN112994101A (zh) * | 2021-03-11 | 2021-06-18 | 中国长江三峡集团有限公司 | 基于神经网络的风电场发电功率后评估及监测方法 |
| CN113283035A (zh) * | 2021-06-11 | 2021-08-20 | 华能新疆能源开发有限公司 | 双参数风力机机舱传递函数构建方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719147A (zh) * | 2009-11-23 | 2010-06-02 | 合肥兆尹信息科技有限责任公司 | 一种基于罗切斯特模型-朴素贝叶斯模型的数据分类系统 |
| CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
| CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
| CN102750542A (zh) * | 2012-05-29 | 2012-10-24 | 北京交通大学 | 一种插值修匀优化的支持向量回归机风速组合预测方法 |
-
2015
- 2015-11-16 CN CN201510783432.9A patent/CN105354763A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719147A (zh) * | 2009-11-23 | 2010-06-02 | 合肥兆尹信息科技有限责任公司 | 一种基于罗切斯特模型-朴素贝叶斯模型的数据分类系统 |
| CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
| CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
| CN102750542A (zh) * | 2012-05-29 | 2012-10-24 | 北京交通大学 | 一种插值修匀优化的支持向量回归机风速组合预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108918905A (zh) * | 2018-07-09 | 2018-11-30 | 新疆金风科技股份有限公司 | 风力发电机组风速的预测方法及装置 |
| CN108918905B (zh) * | 2018-07-09 | 2021-04-27 | 新疆金风科技股份有限公司 | 风力发电机组风速的预测方法及装置 |
| CN111985681A (zh) * | 2020-07-10 | 2020-11-24 | 河北思路科技有限公司 | 数据预测方法、模型训练方法、装置、设备 |
| CN112163259A (zh) * | 2020-09-27 | 2021-01-01 | 西南交通大学 | 一种确定典型铁路基础结构风剖面等效风速比的方法 |
| CN112994101A (zh) * | 2021-03-11 | 2021-06-18 | 中国长江三峡集团有限公司 | 基于神经网络的风电场发电功率后评估及监测方法 |
| CN113283035A (zh) * | 2021-06-11 | 2021-08-20 | 华能新疆能源开发有限公司 | 双参数风力机机舱传递函数构建方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105354763A (zh) | 风电机组来流风速测量方法及装置 | |
| CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
| CN105160060B (zh) | 一种基于实际功率曲线拟合的风电场理论功率确定方法 | |
| CN107394809B (zh) | 基于风速时间周期特征的风电并网系统风险评估方法 | |
| CN103116711B (zh) | 基于辐照度特征参数的天气类型辨识方法 | |
| St Martin et al. | Atmospheric turbulence affects wind turbine nacelle transfer functions | |
| CN104091209A (zh) | 基于bp神经网络的风电机组功率特性评估方法 | |
| CN104699936A (zh) | 基于cfd短期风速预测风电场的扇区管理方法 | |
| CN106815773A (zh) | 一种风电场功率特性评估方法 | |
| 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 | |
| Wang et al. | Typhoon-induced vibration response and the working mechanism of large wind turbine considering multi-stage effects | |
| CN101949363A (zh) | 计及风电场输入风速和风向随机波动的风电机组分组方法 | |
| CN103617308B (zh) | 一种风电场频域等效模型的构建方法 | |
| CN103473621A (zh) | 风电场短期功率预测方法 | |
| CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
| Diaz et al. | Wind farm interference and terrain interaction simulation by means of an adaptive actuator disc | |
| Dimitrov et al. | From SCADA to lifetime assessment and performance optimization: how to use models and machine learning to extract useful insights from limited data | |
| CN105095989B (zh) | 一种基于傅里叶级数的同时刻下风功率概率分布的拟合方法 | |
| CN102830250A (zh) | 一种基于空间相关性的风电场风速传感器故障诊断方法 | |
| CN105005708A (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
| Gögmen | Possible Power Estimation of Down-Regulated Offshore Wind Power Plants. | |
| Cabezon et al. | Comparison of methods for power curve modelling | |
| Schepers et al. | Verification of European wind turbine design codes, VEWTDC; Final report | |
| CN105205572A (zh) | 基于EMD分解和Elman算法的光伏出力预测方法 | |
| Cheggaga et al. | A neural network solution for extrapolation of wind speeds at heights ranging for improving the estimation of wind producible |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160224 |