CN105508148A - 基于风能分布捕获最大风能的方法和系统 - Google Patents

Abstract

本发明公开一种基于风能分布捕获最大风能的方法和系统。根据本发明，在设定时间段内多次测量风电机组的风速与风向；基于多次测量的风速与风向，构建风电机组的风能分布数据；基于风电机组的风能分布数据，判断最大风能捕获角度；以及基于所述最大风能捕获角度，指导风电机组进行偏航控制。本发明通过实时获取风速和风向二者的数值，能够有效实时地展现风电机组的风况，通过捕获最大风能方向，提升风能到电能的最大转换，提升风电机组的发电量。通过积累历史运行数据，对后续风机运行的最大风能的方向进行预测，可提前采取偏航，实现实时跟踪，减小未能捕获最大风能对风电机组造成的高载荷，减少风电机组可能出现的故障。

Description

基于风能分布捕获最大风能的方法和系统

技术领域

本发明涉及风力发电技术领域，特别涉及一种基于风能分布捕获最大风能的方法和系统。

背景技术

风力发电机组将风能转换成机械能，然后将机械能转换成电能。在能量之间的转换率相同的情况下，风力发电机组捕获风能的大小，直接影响电能的大小。

目前，风力发电机组的偏航控制策略，主要依靠风向标采集到的风向，通过计算设定时间段内角度偏差以及持续时间作为参数，控制或者触发偏航。因此，出现了单纯考虑风向角度偏差作为输入量，造成偏航角度误差，偏航控制策略输出偏航角度出现偏差。因此，该方法不仅没有捕获最大风能，实现发电量的最大化，而且，长期处于该模式运行的风电机组，易出现疲劳和高载荷，缩短风机寿命。同时，未能对数据进行进一步的挖掘，不能给机组后续运行时间提出指导。

因此，需要一种方法和系统来有效地提高风电机组实现最大风能的捕获和偏航控制策略的指导。

发明内容

考虑到以上的问题，本发明通过风速和风向的测量值，计算不同风速和风向在风电机组的各方位或者角度上的风能分布情况，利用PCA(主要成分分析)对样本快速降维，加速计算速度，通过数据分析和挖掘，有效地提高风电机组实现最大风能的捕获和偏航控制策略的指导。

本发明通过测量风速和风向，输入后续步骤进行实时计算，减小单纯依靠风向标测量风向单一变量造成误差，对风电机组风能的分布进行实时展现，对设定时间段内采集到的风速和风向在各方向上的风能值进行计算，利用PCA方法降维，快速计算出最大风能方向，并将其输入主控程序参数，保证风电机组实时捕获最大风能，提升发电量和降载。另一方面，通过采集数据的积累，实现对最大风能的方向预测。

本发明的目标之一在于，利用风速和风向二者的测量值相结合，计算每台风电机组风能的分布状况，清晰并且有效地反映出能量场中的分布情况，对最大风能捕获有明确的指导。

本发明的另一目标在于，通过PCA方法对样本数据进行降维处理，保证后续控制策略的实时性和算法的快速性，缩短计算时间。通过PCA将风能分布数据映射到另一维度，计算贡献率。

本发明的又一目标在于，通过采集数据和贡献率数据积累，进行数据拟合，对最大风能方向进行预测，对风机的运行和偏航实现指导。

根据本发明的第一方面，提供了一种基于风能分布捕获最大风能的方法，包括：在设定时间段内多次测量风电机组的风速与风向；基于多次测量的风速与风向，构建风电机组的风能分布数据；基于风电机组的风能分布数据，判断最大风能捕获角度；以及基于所述最大风能捕获角度，指导风电机组进行偏航控制。

优选地，所述的基于风电机组的风能分布数据，判断最大风能捕获角度包括：利用主要成分分析方法将风能分布数据降维；以及基于降维后的风能分布数据，判断最大风能捕获角度。

优选地，所述的利用主要成分分析方法将风能分布数据降维包括：分解风能分布数据的成分；选择风能分布数据的最主要的多个成分来构建降维的风能分布数据。

根据第一实施方式，选择使得贡献率在第一阈值以上的最主要的多个成分来构建降维的风能分布数据，其中，所述贡献率反映风能分布数据的特征量对最大风能的影响程度。

根据第二实施方式，选择预定数量的最主要的多个成分来构建降维的风能分布数据。

根据第三实施方式，所述的基于所述最大风能捕获角度，指导风电机组进行偏航控制包括：计算风电机组当前所处角度与判断出的最大风能捕获角度之间的角度差；以及如果所述角度差大于0，则基于所述最大风能捕获角度进行偏航控制。

根据第四实施方式，所述的基于所述最大风能捕获角度，指导风电机组进行偏航控制包括：记录在不同设定时间段内的最大风能捕获角度；对所记录的在不同设定时间段内的最大风能捕获角度进行数据拟合；根据数据拟合结果，对下一设定时间段内的最大风能捕获角度进行预测；计算预测的最大风能捕获角度与实际的最大风能捕获角度之差；如果预测角度与实际角度之差小于第二阈值，则利用该预测角度来提前指导风电机组下一设定时间段内的偏航控制策略；以及如果预测角度与实际角度之差不小于第二阈值，则使用该差值来优化上述的数据拟合算法。

根据本发明的第二方面，提供一种基于风能分布捕获最大风能的系统，包括：风电机组，用于将风能转换成机械能，然后将机械能转换成电能；风速与风向测量装置，用于在设定时间段内多次测量风电机组的风速与风向；最大风能捕获角度判断装置，用于基于所述风速与风向测量装置多次测量的风速与风向，构建风电机组的风能分布数据，然后基于风电机组的风能分布数据，判断最大风能捕获角度；以及偏航控制装置，用于基于由所述最大风能捕获角度判断装置判断出的最大风能捕获角度，指导所述风电机组进行偏航控制。

优选地，所述风电机组和所述风速与风向测量装置处于相同坐标系。

优选地，所述风速与风向测量装置包括风速仪和风向标。所述风速仪和风向标包括超声波风速仪或激光雷达测风仪。

优选地，所述的最大风能捕获角度判断装置进一步被配置用于：利用主要成分分析方法将风能分布数据降维；以及基于降维后的风能分布数据，判断最大风能捕获角度。

优选地，所述的最大风能捕获角度判断装置进一步被配置用于：分解风能分布数据的成分；选择风能分布数据的最主要的多个成分来构建降维的风能分布数据。

根据第一实施方式，选择使得贡献率在第一阈值以上的最主要的多个成分来构建降维的风能分布数据，其中，所述贡献率反映风能分布数据的特征量对最大风能的影响程度。

根据第二实施方式，选择预定数量的最主要的多个成分来构建降维的风能分布数据。

根据第三实施方式，所述的偏航控制装置进一步被配置用于：计算所述风电机组当前所处角度与判断出的最大风能捕获角度之间的角度差；以及如果所述角度差大于0，则基于所述最大风能捕获角度对所述风电机组进行偏航控制。

根据第四实施方式，所述的偏航控制装置进一步被配置为：记录在不同设定时间段内的最大风能捕获角度；对所记录的在不同设定时间段内的最大风能捕获角度进行数据拟合；根据数据拟合结果，对下一设定时间段内的最大风能捕获角度进行预测；计算预测的最大风能捕获角度与实际的最大风能捕获角度之差；如果预测角度与实际角度之差小于第二阈值，则利用该预测角度来提前指导风电机组下一设定时间段内的偏航控制策略；以及如果预测角度与实际角度之差不小于第二阈值，则使用该差值来优化上述的数据拟合算法。

一方面，本发明通过实时获取风速和风向二者的数值，能够有效实时地展现风电机组的风况，通过捕获最大风能方向，提升风能到电能的最大转换，提升风电机组的发电量。

另一方面，本发明通过积累历史运行数据，对后续风机运行的情况和偏航策略进行分析，预测最大风能的方向或方位，可提前采取偏航，实现实时跟踪，并减小未能捕获最大风能对风电机组造成的高载荷，减少风电机组可能出现的故障。

附图说明

下面参考附图结合实施例说明本发明。在附图中：

图1是根据本发明的基于风能分布捕获最大风能的方法的流程图；

图2是基于风电机组的风能分布数据判断最大风能捕获角度的方法的流程图；

图3是利用PCA方法将风能分布数据降维的方法的流程图；

图4是根据本发明的第一实施方式的基于风能分布捕获最大风能的方法的流程图；

图5是根据本发明的第二实施方式的基于风能分布捕获最大风能的方法的流程图；

图6是根据本发明的第三实施方式的基于风能分布捕获最大风能的方法的流程图；

图7是根据本发明的第四实施方式的基于风能分布捕获最大风能的方法的流程图；

图8是根据本发明的基于风能分布捕获最大风能的系统的示例框图；以及

图9是风速在360°参考方向上的损失系数的计算示意图。

具体实施方式

下面将结合具体应用来描述本发明的实施例。

在本发明中，风力发电机组有时被简称为“风电机组”。术语“PCA”是主要成分分析的缩写。

图1是根据本发明的基于风能分布捕获最大风能的方法的流程图。

如图1所示，方法100开始于步骤S101。在此步骤，在设定时间段内多次测量风电机组的风速与风向。

根据IEC(国际电工委员会)标准，选取风速和风向测量装置，标定测量装置和风力发电机组的坐标系。保证二者之间处于相同坐标系，即保证数据分析前提条件的一致性。

设定观测和分析时间段，一般可分为30秒，60秒，180秒和300秒不等(可根据机组和当地风况实际情况进行调节)。对每个时间段内采集到的数据进行分析。

在步骤S103，基于多次测量的风速与风向，构建风电机组的风能分布数据。

根据本发明的一个实施例，在设定时间段Δt内，N次测量风速与风向，将风向划分为M个方向。然后，可以按照下式计算损失系数k_m，其中m＝0,1,2,…,M-1：

k_m＝cos³(θ_n-r_m)

其中，θ_n(n＝1,2,···,N)为设定时间段Δt内第n个实测风向角度值；r_m为θ_n同第m个方向角度的差值，k_m为第m个对应的风能损失系数。

然后，根据下式计算实测风能：

$E_m=v_n^3(1-k_m)$

其中，v_n(n＝1,2,···,N)为设定时间段Δt内第n个实测风速值，E_m为风速v_n在第m个方向角度上能捕获的能量值。

通过上述计算，可以形成一个N×M的矩阵E_Δt，其形式如下：

其中，E_n×m表示第n个风速值在第m个风向角度上能捕获的能量，其中，n＝1,2,…,N，m＝0,1,…,M-1。

在步骤S105，基于风电机组的风能分布数据，判断最大风能捕获角度。

一般地说，可以直接从上面的矩阵E_Δt中判断最大风能捕获角度。例如，对上述矩阵中的各列元素求和，可以得到M个能量值，其中最大的一个能量值所对应的角度就可以被确定为最大风能捕获角度。

然而，由于一般来说N和M都较大，特别是M，可能为360，以反映360°的全方位角度。在此情况下，希望能够缩短计算时间，快速得到最大风能捕获角度。

根据本发明的实施例，采用了PCA方法来降维，从而达到缩短计算时间，快速得到最大风能捕获角度的目的。

图2是基于风电机组的风能分布数据判断最大风能捕获角度的方法的流程图。具体地说，是图1中步骤S105的进一步的展开。如图2所示，在方法200中，图1中的步骤S105可以被进一步执行为步骤S201和S203。

在步骤S201，利用PCA方法将风能分布数据降维。在步骤203，基于降维后的风能分布数据，判断最大风能捕获角度。

PCA方法的基本原理步骤包括：计算原始数据的协方差矩阵，计算协方差矩阵的特征向量和特征值，将特征值由大到小进行排列，选取贡献率大的最主要的几个成分构成新的基，把原始数据在新的基下进行投影，从而实现数据的降维。

图3是利用PCA方法将风能分布数据降维的方法的流程图。如图3中所述，本发明所述的利用PCA方法将风能分布数据降维的方法300包括：在步骤S301，分解风能分布数据的成分；以及在步骤S303，选择风能分布数据的最主要的多个成分来构建降维的风能分布数据。具体地说，在步骤303，包括两种方式(下文中称为本发明的第一实施方式和第二实施方式)，分别在图4和图5中进一步示出。

在下文对第一和第二实施方式以及具体应用的描述中，将进一步解释和说明PCA方法在本发明中的运用。

返回到图1，在步骤S105中判断出最大风能捕获角度之后，在步骤S107，基于最大风能捕获角度，指导风电机组进行偏航控制。之后，方法100结束。

本发明所述的偏航控制包括两种方式：一种是直接对风电机组的风能捕获角度进行调整(本发明第三实施方式)；另一种则是基于数据的积累，通过数据拟合，对最大风能的方向进行预测，从而对风机的运行和偏航实现指导(本发明的第四实施方式)。下文中将结合图6和图7来描述这两种实施方式。

第一实施方式

图4是根据本发明的第一实施方式的基于风能分布捕获最大风能的方法的流程图。

如前所述，在步骤S101中，在设定时间段内多次测量风电机组的风速与风向。例如，N次测量风速与风向，将风向划分为M个方向。

在步骤S103中，基于多次测量的风速与风向，构建风电机组的风能分布数据。根据之前的详细描述，构建维度为N×M的实测风能分布矩阵E_Δt，Δt为所述设定时间段，所述实测风能分布矩阵E_Δt的元素为E_n×m，表示第n个风速值在第m个风向上的能量，其中，n＝1,2,…,N，m＝0,1,…,M-1。

如图3所示，在图1的步骤S103之后，在图3的步骤S301，分解风能分布数据的成分。

具体地说，在一个实施例中，PCA方法是以如下所述的方式来进行运用的。

将所述实测风能分布矩阵E_Δt看做由N个样本以及各样本对应的M个特征值形成的矩阵。求取每个特征值的均值u_m，每个原始值减去对应的均值u_m，得到标准化矩阵Z_Δt。求取标准化矩阵Z_Δt的协方差矩阵C_Δt，其中的元素C_i×j＝cov(Z_n×i,Z_n×j)为标准化矩阵Z_Δt的第i列和第j列的协方差，其中，i＝0,1,…,M-1，j＝0,1,…,M-1。根据下式来求取协方差矩阵C_Δt的特征值和特征向量：

|λI-C_Δt|＝0

其中，I为单位向量，λ为待求特征值。

求解λ得到所有特征值λ_m，m＝0,1,…M-1。

将所有特征值λ_m按由大到小的顺序排列，即λ_max0≥λ_max1≥…≥λ_maxm≥…≥λ_max(M-1)，其矩阵表示为：

根据图4的方法400所示，在本发明的第一实施方式中，在图3的步骤301之后，执行图4的步骤S401，选择使得贡献率在第一阈值以上的最主要的多个成分来构建降维的风能分布数据。这里，所谓的贡献率，反映的是风能分布数据的特征量对最大风能的影响程度。

例如，计算当下式中的贡献率η大于第一阈值时的k值，0<k<M-1：

$\mathrm{\&eta;}=\underset{m=0}{\overset{k}{\&Sigma;}}{\mathrm{\&lambda;}}_{\max m}/\underset{m=0}{\overset{M-1}{\&Sigma;}}{\mathrm{\&lambda;}}_{\max m}$

通过最主要的k个成分特征值对应的特征向量，形成正交化矩阵U_Δt，根据下式对原始数据进行重构得到E′_Δt：

E′_Δt＝Z_ΔtU_Δt+u_Δt，

其中， $u_{\mathrm{\&Delta;}t}=\left[\begin{array}{cccc}{u}_{\max 0}& u_{\max 1}& \mathrm{...}& u_{\max k-1}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ u_{\max 0}& u_{\max 1}& \mathrm{...}& u_{\max k-1}\end{array}\right],$ 由所述均值u_m中对应于最主要的k个成分特征值的均值u_max0,u_max1,…,u_maxk-1构成N×k的矩阵，降维后的E′_Δt是N×k的矩阵。

根据图4的方法400所示，在步骤S401之后，返回图2，执行步骤S203，基于降维后的风能分布数据，判断最大风能捕获角度。

具体地说，在本发明的一个实施例中，计算上述的E′_Δt矩阵中每列(共k列)元素的总和，其中，总和中的最大值对应的方向即为最大风能捕获角度。

根据图2，在步骤S203的判断最大风能捕获角度之后，方法返回图1的步骤S107，将指导风电机组进行偏航控制。然后方法结束。

在所述第一实施方式中，所述第一阈值可以在90％到100％之间取值，即所述第一阈值是大于90％且小于100％的一个值。

此外，所述设定时间段可以为30秒、60秒、180秒或300秒。在设定时间段内可以每秒测量一次风电机组的风速与风向。

尽管以图4的示例来描述了第一实施方式，但第一实施方式可以看做是图1、图2、图3的一种具体实施方式。具体地，图4中的步骤S401对应于图3中的步骤S303。图3中的步骤S301和S303对应于图2中的步骤S201。由于图2中的步骤S201和S203对应于图1中的步骤S105，因此图1中的步骤S105实际上由步骤S301、S401、S203来顺序实现。

第二实施方式

图5是根据本发明的第二实施方式的基于风能分布捕获最大风能的方法的流程图。

如前所述，在步骤S101中，在设定时间段内多次测量风电机组的风速与风向。例如，N次测量风速与风向，将风向划分为M个方向。

在步骤S103中，基于多次测量的风速与风向，构建风电机组的风能分布数据。根据之前的详细描述，构建维度为N×M的实测风能分布矩阵E_Δt，Δt为所述设定时间段，所述实测风能分布矩阵E_Δt的元素为E_n×m，表示第n个风速值在第m个风向上的能量，其中，n＝1,2,…,N，m＝0,1,…,M-1。

如图3所示，在图1的步骤S103之后，在图3的步骤S301，分解风能分布数据的成分。

关于步骤S301，即分解风能分布数据的成分，这里不再赘述。总之，将所述实测风能分布矩阵E_Δt看做由N个样本以及各样本对应的M个特征值形成的矩阵。最终，将所有特征值λ_m按由大到小的顺序排列为矩阵表示：

根据图5的方法500所示，在本发明的第二实施方式中，在图3的步骤301之后，执行图5的步骤S501，选择预定数量的最主要的多个成分来构建降维的风能分布数据。

具体地说，在步骤S501，不再考虑贡献率，直接选取预定数量的最主要的p个成分特征值对应的特征向量，形成正交化矩阵U_Δt，根据下式对原始数据进行重构得到E′_Δt：

E′_Δt＝Z_ΔtU_Δt+u_Δt，

其中， $u_{\mathrm{\&Delta;}t}=\left[\begin{array}{cccc}{u}_{\max 0}& u_{\max 1}& \mathrm{...}& u_{\max p-1}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ u_{\max 0}& u_{\max 1}& \mathrm{...}& u_{\max p-1}\end{array}\right],$ 由所述均值u_m中对应于最主要的p个成分特征值的均值u_max0,u_max1,…,u_maxp-1构成N×p的矩阵，降维后的E′_Δt是N×p的矩阵。

换句换说，步骤S501相当于在步骤S401中直接令k＝p，即一个预先确定的值。优选地，p＝3，即选取最主要的三个成分来降维。

根据图5的方法500所示，在步骤S501之后，返回图2，执行步骤S203，基于降维后的风能分布数据，判断最大风能捕获角度。

具体地说，在本发明的一个实施例中，计算上述的E′_Δt矩阵中每列(共p列)元素的总和，其中，总和中的最大值对应的方向即为最大风能捕获角度。也就是说，在第一和第二实施方式中，关于判断最大风能捕获角度的操作相一致。在k>p的情况下，第二实施方式中的降维效果会比第一实施方式更加明显，计算会更加快速。但从精确度角度来说，第一实施方式会保证选取贡献率符合要求(即精确度符合要求)的最主要的多个成分，在削减计算时间的同时，也注重精确度。

根据图2，在步骤S203的判断最大风能捕获角度之后，方法返回图1的步骤S107，将指导风电机组进行偏航控制。然后方法结束。

在第二实施方式中，所述设定时间段可以为30秒、60秒、180秒或300秒。在设定时间段内可以每秒测量一次风电机组的风速与风向。

尽管以图5的示例来描述了第二实施方式，但第二实施方式可以看做是图1、图2、图3的一种具体实施方式。具体地，图5中的步骤S501对应于图3中的步骤S303。图3中的步骤S301和S303对应于图2中的步骤S201。由于图2中的步骤S201和S203对应于图1中的步骤S105，因此图1中的步骤S105实际上由步骤S301、S501、S203来顺序实现。

第三实施方式

图6是根据本发明的第三实施方式的基于风能分布捕获最大风能的方法的流程图。

第三实施方式是针对图1中的步骤S107的进一步的展开。也就是说，是在图1的方法100在进行完步骤S105，即判断出最大风能捕获角度之后，执行的方法。

根据图6的方法600所示，在第三实施方式中，在步骤S601，计算风电机组当前所处角度与在步骤S105中判断出的最大风能捕获角度之间的角度差。在步骤S603，判断步骤S601中所计算出的角度差是否大于0。如果步骤S603的判断结果为是，即角度差大于0，则在步骤S605，基于在步骤S105中判断出的最大风能捕获角度进行偏航控制。具体地说，可以将对风电机组进行偏航调整，使其以判断出的最大风能捕获角度进行风能捕获。之后，图6的方法流程600结束。否则，即步骤S603的判断结果为否，角度差不大于0，例如角度差等于0，则图6的方法流程600直接结束。

在第三实施方式中，所述设定时间段可以为30秒、60秒、180秒或300秒。在设定时间段内可以每秒测量一次风电机组的风速与风向。

尽管以图6的示例来描述了第三实施方式，但第三实施方式可以看做是图1的一种具体实施方式。具体地，图6中的步骤S601-605完全对应于图1中的步骤S107。

第四实施方式

图7是根据本发明的第四实施方式的基于风能分布捕获最大风能的方法的流程图。

第四实施方式是针对图1中的步骤S107的进一步的展开。也就是说，是在图1的方法100在进行完步骤S105，即判断出最大风能捕获角度之后，执行的方法。

根据图7的方法700所示，在第四实施方式中，在步骤S701，记录在不同设定时间段内的最大风能捕获角度。在步骤S703，对所记录的在不同设定时间段内的最大风能捕获角度进行数据拟合。在步骤S705，根据数据拟合结果，对下一设定时间段内的最大风能捕获角度进行预测。在步骤S707，计算预测的最大风能捕获角度与实际的最大风能捕获角度之差。在步骤S709，判断步骤S707中所计算出的角度差是否小于第二阈值。如果步骤S709的判断结果为是，即角度差小于第二阈值，则在步骤S711，利用该预测角度来提前指导风电机组下一设定时间段内的偏航控制策略。具体地说，可以提前对风电机组进行偏航调整，使其以预测出的最大风能捕获角度进行风能捕获。之后，图7的方法流程700结束。否则，即步骤S709的判断结果为否，即角度差不小于第二阈值，例如角度差大于第二阈值，则在步骤S713，使用该差值来优化上述的数据拟合算法。在步骤S713之后，图7的方法流程700回到步骤S703，即重新进行数据拟合。

在所述第四实施方式中，所述第二阈值可以是1°。也就是说，要求预测算法的误差小于1°的角度差，就可以利用该预测值进行偏航控制。

此外，所述设定时间段可以为30秒、60秒、180秒或300秒。在设定时间段内可以每秒测量一次风电机组的风速与风向。

尽管以图7的示例来描述了第四实施方式，但第四实施方式可以看做是图1的一种具体实施方式。具体地，图7中的步骤S701-713完全对应于图1中的步骤S107。

系统实施方式

图8是根据本发明的基于风能分布捕获最大风能的系统的示例框图。

如图8所示，根据本发明的基于风能分布捕获最大风能的系统800包括：风电机组801，用于将风能转换成机械能，然后将机械能转换成电能；风速与风向测量装置802，用于在设定时间段内多次测量风电机组的风速与风向；最大风能捕获角度判断装置803，用于基于所述风速与风向测量装置多次测量的风速与风向，构建风电机组的风能分布数据，然后基于风电机组的风能分布数据，判断最大风能捕获角度；以及偏航控制装置804，用于基于由所述最大风能捕获角度判断装置判断出的最大风能捕获角度，指导所述风电机组进行偏航控制。

换句话说，系统800的风速与风向测量装置802被配置为执行图1中的步骤S101；系统800的最大风能捕获角度判断装置803被配置为执行图1中的步骤S103、S105；系统800的偏航控制装置504被配置为执行图1中的步骤S107。对应地，系统800中的各个组成部分分别被配置为执行图2的方法200、图3的方法300、图4的方法400、图5的方法500、图6的方法600以及图7的方法700中的相应步骤。

需要注意的是，所述风电机组和所述风速与风向测量装置需要处于相同坐标系，以保证数据分析前提条件的一致性。

具体地说，所述风速与风向测量装置包括风速仪和风向标。例如，这样的风速仪和风向标包括超声波风速仪或激光雷达测风仪。

具体应用

下面给出一个具体的应用。

根据IEC标准，选取风速和风向测量装置，标定测量装置和风力发电机组的坐标系。保证二者之间处于相同坐标系，即保证数据分析前提条件的一致性。

设定观测和分析时间段Δt，一般可分为30秒，60秒，180秒和300秒不等(可根据机组和当地风况实际情况进行调节)。对每个时间段内采集到的数据进行分析。

图9是风速在360°参考方向上的损失系数的计算示意图。

如图9所示，对极坐标系按1°进行分仓，形成0°到359°的可能成为最大风能方向的数据集。此处，以当达到设定观测时间Δt为30秒时刻为例，采集到30个风速和风向数据点，即每秒采集(测量)一次。利用风能损失系数公式(1)，计算出损失系数k_m(其中m＝0,1,2,···,359)。

k_m＝cos³(θ_n-r_m)(1)

其中，θ_n(n＝1,2,···,30)为设定观测时间30秒内第n个实测风向角度值；r_m(m＝0,1,2,…,359)为θ_n同0°到359°分仓数据集对应的第m个角度的差值；k_m为第m个对应的风能损失系数(m＝0,1,2,…,359)。

根据公式(2)计算实际风电机组在360个可能成为最大风能方向的能量值(由于风能主要受风速的三次方影响，本发明主要考虑风速，其他因素暂时忽略)。

$E_m=v_n^3(1-k_m)---\left(2\right)$

其中，v_n(n＝1,2,···,30)为设定观测时间30秒内第n个实测风速值；k_m为第m个对应的风能损失系数(m＝0,1,2,…,359)；E_m(m＝0,1,2,…,359)为风速v_n在第m个参考方向上能捕获的能量值。

通过上述计算，可以形成一个30×360的矩阵E_Δt，其形式如(3)。

其中，E_1×0为第1个速度值在0°参考方向上所能捕获的能量值；E_29×358为第29个速度值在358°参考方向上所能捕获的能量值；E_Δt为设定观测时间为Δt时，在360个参考方向上的能量分布矩阵(Δt＝30秒，60秒，180秒和300秒不等)。

由于矩阵E_Δt中存在非相关量，且实现风电机组快速和精确捕获最大风能方向，本发明采取PCA方法进行降维处理。将E_Δt看做由30个样本以及各样本对应的360个特征值形成的矩阵。

首先是标准化矩阵E_Δt的步骤。求取每个特征值的均值u_m(m＝0,1,2,…,359)，每个原始值减去对应的均值u_m(m＝0,1,2,…,359)，得到标准化矩阵Z_Δt。

求取矩阵Z_Δt的协方差矩阵C_Δt。

其中的元素C_i×j＝cov(Z_n×i,Z_n×j)为标准化矩阵Z_Δt的第i列和第j列的协方差，其中，i＝0,1,…,359，j＝0,1,…,359。举例来说，C_0×0＝cov(Z_n×0,Z_n×0)为矩阵Z_Δt的第0列和第0列的协方差；C_1×358＝cov(Z_n×1,Z_n×358)为矩阵Z_Δt的第1列和第358列的协方差(n＝1,2,…,30)；C_Δt为Δt时间段按上述要求求取的样本协方差矩阵。

然后，根据公式(5)求取协方差矩阵C_Δt的特征值和特征向量。

λI-C_Δt|＝0(5)

其中，I为单位向量；λ为待求特征值。

求解λ，即

接下来，将所有特征值λ_m(m＝0,1,2,…,359)按由大到小的顺序排列，即λ_max0≥λ_max1≥…≥λ_maxm≥…≥λ_max359(m＝0,1,2,…,359)，其矩阵表示为：

通过PCA映射后，在另一个维度中，特征值越大，其贡献率越大。贡献率的大小反映该特征值对应特征量的影响程度。通过公式(6)，由于风电场经前期选址后，其风能分布情况较为密集，本发明根据角度计算各角度的风能。因此，影响最大风能的特征量其对应的特征值也较大，其贡献率也较大。本发明考虑实时计算最大风能，在保证精度的前提，通过贡献率η的计算达到降维，加速算法。计算当η大于90％(该值的大小根据Δt值的大小不同调节90％到100％，即大于90％且小于100％)时，求取式中的k值(0<k<359)。

$\mathrm{\&eta;}=\underset{m=0}{\overset{k}{\&Sigma;}}{\mathrm{\&lambda;}}_{\max m}/\underset{m=0}{\overset{359}{\&Sigma;}}{\mathrm{\&lambda;}}_{\max m}---\left(6\right)$

接下来，通过最主要的k个成分特征值对应的特征向量，形成正交化矩阵U_Δt，根据公式(7)对原始数据进行重构得到E′_Δt。

E′_Δt＝Z_ΔtU_Δt+u_Δt，(7)

其中， $u_{\mathrm{\&Delta;}t}=\left[\begin{array}{cccc}{u}_{\max 0}& u_{\max 1}& \mathrm{...}& u_{\max k-1}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ u_{\max 0}& u_{\max 1}& \mathrm{...}& u_{\max k-1}\end{array}\right],$ 由所述均值u_m中对应于最主要的k个成分特征值的均值u_max0,u_max1,…,u_maxk-1构成30×k的矩阵，降维后的E′_Δt是30×k的矩阵。

最后，计算E′_Δt矩阵中每列元素的总和。k列的每列元素的总和中的最大值对应的角度即为最大风能捕获的角度θ_max。

在找到最大风能捕获的角度θ_max之后，计算风机当前所处角度和θ_max之间的角度差，若差值大于0，则将参数θ_max输入偏航控制策略程序，实施偏航。若等于0，则维持现状。

在具体应用中，偏航控制装置可以基于可商用的PLC(可编程逻辑控制器)模块开发(例如倍福PLC)，计算的角度差作为PLC的输入量，通过PLC主控程序判断是否需要触发偏航电机的动作。

在以上步骤中，以设定观测时间Δt为30秒为例对第一实施方式、第三实施方式的具体应用进行了阐述。

在第二实施方式和第四实施方式的具体应用中，会对不同设定的观测时间段Δt，按上述步骤计算和迭代，记录不同设定的观测时间段Δt对应的最主要的3个成分所对应的角度值。

当数据量累积到一定量级后，对不同设定观测时间段Δt同级的主要成分所对应的角度值进行数据拟合。数据拟合方法主要采用机器学习算法，例如，逻辑回归等。根据数据拟合的结果，可以对下一个观测时间段Δt(如60秒等)可能出现的角度进行预测。在得到实测值(真实值)之后(例如，通过本发明第一实施方式来得到实测值)，比较真实值和预测值之间的关系，即计算真实值和预测值之间的误差Δ。

该误差Δ如果较大，则需要根据该误差对数据拟合算法进行进一步优化，以便再次通过数据拟合来预测，期望得到更小的误差Δ。例如，当误差Δ小于1°时，则预测值是可以利用的。也就是说，可利用预测值提前指导风机下一时间段的偏航控制策略。

尽管在以上示例的具体应用中，将第一和第三实施方式进行组合以及将第二和第四实施方式进行组合，然而，本领域技术人员应该理解，也可以将第一和第四实施方式进行组合以及将第二和第三实施方式进行组合。上述的组合方式都在本发明要求保护的范围之内。

上面已经描述了本发明的实施方式及其具体应用和优选实施例。但是本发明的精神和范围不限于这里所公开的具体内容。本领域技术人员将能够根据本发明的教导而做出更多的实施方式和应用，这些实施方式和应用都在本发明的精神和范围内。本发明的精神和范围不由具体实施例来限定，而由权利要求来限定。

Claims (17)

1.一种基于风能分布捕获最大风能的方法，其特征在于，包括：

在设定时间段内多次测量风电机组的风速与风向；

基于多次测量的风速与风向，构建风电机组的风能分布数据；

基于风电机组的风能分布数据，判断最大风能捕获角度；以及

基于所述最大风能捕获角度，指导风电机组进行偏航控制。

2.如权利要求1所述的方法，其特征在于，其中，所述的基于风电机组的风能分布数据，判断最大风能捕获角度包括：

利用主要成分分析方法将风能分布数据降维；以及

基于降维后的风能分布数据，判断最大风能捕获角度。

3.如权利要求2所述的方法，其特征在于，其中，所述的利用主要成分分析方法将风能分布数据降维包括：

分解风能分布数据的成分；

选择风能分布数据的最主要的多个成分来构建降维的风能分布数据。

4.如权利要求3所述的方法，其特征在于，其中，所述的选择风能分布数据的最主要的多个成分来构建降维的风能分布数据包括：

选择使得贡献率在第一阈值以上的最主要的多个成分来构建降维的风能分布数据，其中，所述贡献率反映风能分布数据的特征量对最大风能的影响程度。

5.如权利要求3所述的方法，其特征在于，其中，所述的选择风能分布数据的最主要的多个成分来构建降维的风能分布数据包括：

选择预定数量的最主要的多个成分来构建降维的风能分布数据。

6.如权利要求1-4中任意一项所述的方法，其特征在于，其中，所述的基于所述最大风能捕获角度，指导风电机组进行偏航控制包括：

计算风电机组当前所处角度与所述最大风能捕获角度之间的角度差；以及

如果所述角度差大于0，则基于所述最大风能捕获角度进行偏航控制。

7.如权利要求1-3、5中任意一项所述的方法，其特征在于，其中，所述的基于所述最大风能捕获角度，指导风电机组进行偏航控制包括：

记录在不同设定时间段内的最大风能捕获角度；

对所记录的在不同设定时间段内的最大风能捕获角度进行数据拟合；

根据数据拟合结果，对下一设定时间段内的最大风能捕获角度进行预测；

计算预测的最大风能捕获角度与实际的最大风能捕获角度之差；

如果预测角度与实际角度之差小于第二阈值，则利用该预测角度来提前指导风电机组下一设定时间段内的偏航控制策略；以及

如果预测角度与实际角度之差不小于第二阈值，则使用该差值来优化上述的数据拟合算法。

8.一种基于风能分布捕获最大风能的系统，其特征在于，包括：

风电机组，用于将风能转换成机械能，然后将机械能转换成电能；

风速与风向测量装置，用于在设定时间段内多次测量风电机组的风速与风向；

最大风能捕获角度判断装置，用于基于所述风速与风向测量装置多次测量的风速与风向，构建风电机组的风能分布数据，然后基于风电机组的风能分布数据，判断最大风能捕获角度；以及

偏航控制装置，用于基于由所述最大风能捕获角度判断装置判断出的最大风能捕获角度，指导所述风电机组进行偏航控制。

9.如权利要求8所述的系统，其特征在于，其中，所述风电机组和所述风速与风向测量装置处于相同坐标系。

10.如权利要求8所述的系统，其特征在于，其中，所述风速与风向测量装置包括风速仪和风向标。

11.如权利要求10所述的系统，其特征在于，其中，所述风速仪和风向标包括超声波风速仪或激光雷达测风仪。

12.如权利要求8所述的系统，其特征在于，其中，所述的最大风能捕获角度判断装置进一步被配置用于：

利用主要成分分析方法将风能分布数据降维；以及

基于降维后的风能分布数据，判断最大风能捕获角度。

13.如权利要求12所述的系统，其特征在于，其中，所述的最大风能捕获角度判断装置进一步被配置用于：

分解风能分布数据的成分；

选择风能分布数据的最主要的多个成分来构建降维的风能分布数据。

14.如权利要求13所述的系统，其特征在于，其中，所述的最大风能捕获角度判断装置进一步被配置用于：

选择使得贡献率在第一阈值以上的最主要的多个成分来构建降维的风能分布数据，其中，所述贡献率反映风能分布数据的特征量对最大风能的影响程度。

15.如权利要求13所述的系统，其特征在于，其中，所述的最大风能捕获角度判断装置进一步被配置用于：

选择预定数量的最主要的多个成分来构建降维的风能分布数据。

16.如权利要求8、12-14中任意一项所述的系统，其特征在于，其中，所述的偏航控制装置进一步被配置用于：

计算所述风电机组当前所处角度与所述最大风能捕获角度之间的角度差；以及

如果所述角度差大于0，则基于所述最大风能捕获角度对所述风电机组进行偏航控制。

17.如权利要求8、12、13、15中任意一项所述的系统，其特征在于，其中，所述的偏航控制装置进一步被配置用于：

记录在不同设定时间段内的最大风能捕获角度；

对所记录的在不同设定时间段内的最大风能捕获角度进行数据拟合；

根据数据拟合结果，对下一设定时间段内的最大风能捕获角度进行预测；

计算预测的最大风能捕获角度与实际的最大风能捕获角度之差；

如果预测角度与实际角度之差小于第二阈值，则利用该预测角度来提前指导风电机组下一设定时间段内的偏航控制策略；以及

如果预测角度与实际角度之差不小于第二阈值，则使用该差值来优化上述的数据拟合算法。