CN106873359B - 一种基于聚类分析和神经网络的风电噪声评价方法 - Google Patents
一种基于聚类分析和神经网络的风电噪声评价方法 Download PDFInfo
- Publication number
- CN106873359B CN106873359B CN201510920434.8A CN201510920434A CN106873359B CN 106873359 B CN106873359 B CN 106873359B CN 201510920434 A CN201510920434 A CN 201510920434A CN 106873359 B CN106873359 B CN 106873359B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- wind turbine
- turbine generator
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 4
- 238000005829 trimerization reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Abstract
本发明涉及一种基于聚类分析和神经网络的风电噪声评价方法，所述方法包括下述步骤：风电机组噪声测试；风电机组主控制系统数据收集和验证；数据聚类分析；BP神经网络模型训练；得出噪声评价结果。本发明所采用的风电噪声评价方法简化测试流程，充分利用风电机组SCADA系统运行数据，采用神经网络模型对噪声进行预测，实现经济高效的风电场噪声评价。
Description
技术领域
本发明涉及新能源发电领域的风电噪声评价方法，具体涉及一种基于聚类分析和神经网络的风电噪声评价方法。
背景技术
风能虽然对大多数国家而言还不是主要的能源，但从发展上来看大有与其他发电行业相媲美的趋势。目前风电的发电成本已接近常规发电方式，风电规模也受国家政策及能源发展趋势的影响高速扩大，风电技术得到明显提高。但风电也有着其本身难以克服的缺陷，微词最多的是风电机组噪声问题。风电噪声大小随着相对风电机组的距离增大而逐渐减小，仅就单台风电机组直接辐射的噪声来讲，风电噪声与其他工业噪声和交通噪声相比并不算大，但由于风电机组夜间运行时间长、风电场所处地区背景噪声水平低、风电噪声频率分布等原因，风电噪声对附近居民有着明显的影响。
1996年，IEC(国际电工委员会)颁布了正式的风电机组噪声测试标准IEC61400-11,ed.1，成为国际通用标准。目前该标准的最新版本是2012年颁布的IEC61400-11,ed.3，规定了对单台并网风电机组视在声功率级、音值、1/3倍频程的测试及分析方法。但风电机组运行状态较为复杂，不同风速、风向、变桨角度，以及不同的功率控制策略均会对辐射噪声产生影响。依据该标准只能得到风电机组在6m/s-10m/s风速(规格化到10m高度的标准风速)范围内，单一运行状态下的等效声功率级，无法针对风电机组不同运行状态得到即时数据。
目前也有一些风电场噪声预测与建模方法，但都需要建立长期测试数据库，收集大量气象信息及周边环境信息，考虑大气、地表及天气因素对噪声传播的影响，其预测精度也依赖于理论模型的选择，往往与实际测试结果差异较大。
发明内容
为解决上述现有技术中的不足，本发明的目的是提供一种基于聚类分析和神经网络的风电噪声评价方法，所采用的风电噪声评价方法简化测试流程，充分利用风电机组SCADA系统运行数据，采用神经网络模型对噪声进行预测，实现经济高效的风电场噪声评价。
本发明的目的是采用下述技术方案实现的：
本发明提供一种基于聚类分析和神经网络的风电噪声评价方法，其改进之处在于，所述方法包括下述步骤：
步骤1：风电机组噪声测试；
步骤2：风电机组主控制系统数据收集和验证；
步骤3：数据聚类分析；
步骤4：BP神经网络模型训练；
步骤5：得出噪声评价结果。
进一步地，所述步骤1包括：
麦克风放在基准位置进行测量，定义下风向测量位置为基准位置；在测量中基准位置相对于风向的偏差应在±15°以内，从风电机组塔架垂直中心到麦克风位置的水平距离为R0，允许偏差为20％；
水平轴风电机组基准距离R0由式(1)计算：
式中：
H——从地面到风轮中心的垂直距离，单位为m；
D——风轮直径，单位为m；
噪声测量要求得到覆盖整数风速范围6-10m/s，10m高处且粗糙长度为0.05m时的噪声值，即覆盖机舱风速计所测得风速约为8-14m/s范围，测量采样率为1Hz，每1min取平均等效声压级；以10m高处基准风速的整数风速为中心，每1m/s风速范围(5.5-6.5m/s，6.5-7.5m/s……)测得的数据量至少为1小时；删除测试过程中风速偏离下风向±15°范围的数据以及在在测试过程中有间歇背景噪声干扰的数据；
由风电机组测量声压级，计算出风电机组等效视在声功率级：
LAeq——风电机组噪声测试测得的等效声压级，单位为dB；
R1——风轮中心到麦克风的倾斜距离，单位为m；
S0——基准面积，S0＝1m2。
进一步地，所述步骤2包括：在风电机组噪声测试过程中，同步采集风电机组主控制系统运行数据，包括机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，风电机组主控制系统运行数据与噪声测试数据同步采集，采集数据需要进行数据清洗和筛选，选择有效数据进行下一步分析；
风电机组中控制系统数据从风电机组主控制系统(即风电机组SCADA系统，数据采集与监视控制系统)中直接引出；对采集到的风电机组主控制系统运行数据进行清洗和筛选，删去由于采集系统故障出现的偏离正常范围的数据以及风电机组故障期间的数据。
进一步地，选择测量位置时，周边建筑物或墙壁的影响均小于0.2dB，选择地表条件在风电场中具有代表性的位置进行测试。
选择周围较为开阔，在风电机组周边2倍风轮直径的范围内没有大型建筑物影响的位置进行测试。测试位置的地表情况要有代表性，即与整个风电场的普遍地表情况一致，如果地面有凹凸不平过其他复杂情况，需要将地面铲平或采取其他措施。
进一步地，所述步骤3包括：
使用K-means聚类方法对步骤2所采集的数据自动进行分类；
在步骤(1)中是随机的选取任意k个对象作为初始聚类的中心，根据风电机组运行噪声的特点，所述步骤3目标在于将步骤2和步骤1中所得的数据分为3类，即k＝3；聚类中心初始地代表一个簇；
在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离V将每个对象重新赋给最近的簇；
当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来；如果在一次迭代前后，V的值没有发生变化，说明算法已经收敛；
式中：x为所有数据点的特征向量，由步骤1所得到的风电机组噪声数据和步骤2所得到的机舱风速(Ws)、功率(P)、桨距角(Pitch)、风轮转速(n)四项数据得到；μ为聚类中心特征向量，同样由上述5项参数得到；通过多次迭代，将所有数据进行分为3类，以提高运算效率，提升后续模型训练精度。
进一步地，所述步骤4包括：利用上述风电机组噪声测试结果、风力发电机组主控制系统采集的运行数据，以及聚类分析所得的数据分类结果，采用BP神经网络模型对所有数据进行训练；
BP神经网络输入层包括：风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压，以及测量所得到的风电机组视在声功率级，均使用1min平均值；
训练得到的BP神经网络模型用于对风电机组噪声做出持续评估。
进一步地，所述步骤5包括：持续采集风电机组主控制系统的运行数据，包括风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，以风电机组主控制系统的运行数据的10min平均值作为BP神经网络模型的输入层，得出对风电机组视在声功率级的预测值LWA,n；
采用BP神经网络模型对所有数据进行训练；数据使用步骤三聚类分析所得的数据分类结果；
BP神经网络模型拓扑结构包括输入层、隐藏层和输出层，利用激活函数来描述层与层输出之间的关系，模拟各层神经元之间的交互反应；BP网络能学习和存贮大量的输入-输出模式映射关系，学习的方式是在外界输入样本的刺激下不断改变网络的连接权值，希望能学习到一个模型，能够针对输入得到一个期望的输出；BP神经网络输入层包括步骤二所得的风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压数据经过聚类三聚类分析的结果；教师信号为步骤一所得到的风电机组视在声功率级经过步骤三聚类分析的结果；输出层为风电机组视在声功率级。若输出层的实际输出与教师信号不符，则修正各层单元的权值，最终得到合适的BP神经网络模型。
对于风电场噪声评价，针对风电场中每种型号的风电机组重复上述步骤，得出每种型号风电机组的噪声预测神经网络模型；对于同种型号风电机组，采用同一神经网络模型；
对于风电机组噪声预测神经网络模型，输入每一风电机组的SCADA数据，得出每个时刻单台风机的视在声功率级预测值(LWA,n,1,LWA,n,2,LWA,n,2…)；将风电机组简化为点声源模型，对于风电场内或风电场5km以内的一点P，使用式(3)得到每台风电机组在P点处的等效声压级Lp，n：
将所有风电机组的等效声压级结果进行叠加，得到所有风电场在某一点P处的噪声声压级Le：
其中：Rn——第n台风电机组风轮中心到接收点P的倾斜距离，单位为m；
S0——基准面积，S0＝1m2；
LWA，n——风电机组视在声功率级的预测值；
Lp，i——第i台风电机组在P点处的等效声压级。
与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：
1、依据IEC标准对风电机组噪声进行测试虽然可以得到同型号风电机组的噪声辐射特性，但无法对运行中风电机组的噪声辐射进行实时分析。本发明将测量结果与风电机组主控制系统运行数据结合，可对风电机组运行中的实时噪声进行评估。
2、目前也有一些风电场噪声预测与建模方法，但都需要建立长期测试数据库，收集大量气象信息及周边环境信息。本发明在充分利用风电机组主控制系统运行数据的基础上，只需要对风电场内每种型号的风电机组进行一次噪声测试，即可实现噪声评价，较为经济高效。
3、采用k-means聚类分析和BP神经网络模型，使训练结果具有较高的精度，评价结果具有较高的指导作用。
附图说明
图1是本发明提供的基于聚类分析和神经网络的风电噪声评价方法的流程图；
图2是本发明提供的聚类分析结果示意图；
图3是本发明提供的BP神经网络模型示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
本发明提供的基于聚类分析和神经网络的风电噪声评价方法的流程图如图1所示，包括下述步骤：
本发明所述评价方法流程包括风电机组噪声测试、风电机组主控制系统数据收集和验证、数据聚类分析、模型训练、得出噪声评价结果五个阶段，评价过程流程图见图1。
步骤1：风电机组噪声测试：
风电机组噪声特性测量实验参考IEC61400-11(GB22516-2008)测量标准。
麦克风放在基准位置进行测量，定义下风向测量位置为基准位置。在测量中基准位置相对于风向的偏差应在±15°以内，从风电机组塔架垂直中心到麦克风位置的水平距离为R0，允许偏差为20％。
水平轴风电机组基准距离R0由式(1)计算：
式中：
H——从地面到风轮中心的垂直距离，单位为m；
D——风轮直径，单位为m。
选择测量位置时考虑便于计算任何反射物所造成的影响，周边建筑物或墙壁的影响均小于0.2dB，为使测量结果适用于风电场附近环境，便于进行之后的噪声预测评价工作，应选择地表条件在风电场中具有代表性的位置进行测试。
噪声测量要求得到覆盖整数风速范围6-10m/s，10m高处且粗糙长度为0.05m时的噪声值，即覆盖机舱风速计所测得风速约为8-14m/s范围，测量采样率为1Hz，每1min取平均等效声压级。以10m高处基准风速的整数风速为中心，每1m/s风速范围(如5.5-6.5m/s，6.5-7.5m/s……)应测得的数据量至少为1小时。测试过程中风速偏离下风向±15°范围的数据应删除，在测试过程中如有间歇背景噪声干扰(如来自飞机、车辆等)，该时间段内的数据也应删除。
由风电机组测量声压级，可计算出风电机组等效视在声功率级：
LAeq——风电机组噪声测试测得的等效声压级，单位为(dB)；
R1——风轮中心到麦克风的倾斜距离，单位为(m)；
S0——基准面积，S0＝1m2。
步骤2：风电机组主控制系统数据收集和验证：
由于本发明所述的评价方法需要使用风电机组主控制系统导出的运行数据，因此需要先对主控导出的信号进行验证，确定机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压等信号与实际数据一致。应对风电机组控制器信号的输入和输出进行核查，考虑主控制系统对信号的修正，以保证使用了正确的最终信号值。
在风电机组噪声测试过程中，同步采集风电机组主控制系统运行数据，采集数据需要进行数据清洗和筛选，选择有效数据进行下一步分析。风电机组中控制系统数据从风电机组主控制系统(即风电机组SCADA系统，数据采集与监视控制系统)中直接引出；包括但不限于机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压，风电机组主控制系统运行数据应与噪声测试数据同步采集，对采集到的风电机组主控制系统运行数据进行清洗和筛选，删去由于采集系统故障出现的偏离正常范围的数据以及风电机组故障期间的数据。
步骤3：数据聚类分析：
使用K-means聚类方法，对第二步所采集的数据自动进行分类。K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量最优分类，使得评价指标最小。本发明依据风电机组噪声和机舱风速、功率、桨距角、风轮转速四项主要参数对所有数据进行分类，选择，以提高运算效率，提升后续模型训练精度。数据聚类结果见图2。
在步骤(1)中是随机的选取任意k个对象作为初始聚类的中心，根据风电机组运行噪声的特点，所述步骤3目标在于将步骤2和步骤1中所得的数据分为3类，即k＝3；聚类中心初始地代表一个簇；
在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离V将每个对象重新赋给最近的簇；
当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来；如果在一次迭代前后，V的值没有发生变化，说明算法已经收敛；
式中：x为所有数据点的特征向量，由步骤1所得到的风电机组噪声数据和步骤2所得到的机舱风速(Ws)、功率(P)、桨距角(Pitch)、风轮转速(n)四项数据得到；μ为聚类中心特征向量，同样由上述5项参数得到；通过多次迭代，将所有数据进行分为3类，以提高运算效率，提升后续模型训练精度。
步骤4：BP神经网络模型训练：
利用上述风电机组噪声测试结果、风力发电机组主控制系统采集的运行数据，以及聚类分析所得的数据分类结果，采用BP神经网络模型对所有数据进行训练。BP神经网络输入层包括：风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压，以及测量所得到的风电机组视在声功率级(本步骤中均使用1min平均值)。训练得到的模型可用于在之后的步骤中对风电机组噪声做出持续评估。
步骤5：风电机组/风电场噪声评价结果：
持续采集风电机组主控制系统的运行数据，包括风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，以风电机组主控制系统的运行数据的10min平均值作为BP神经网络模型的输入层，得出对风电机组视在声功率级的预测值LWA,n；
采用BP神经网络模型对所有数据进行训练；数据使用步骤三聚类分析所得的数据分类结果；
BP神经网络模型拓扑结构包括输入层、隐藏层和输出层，利用激活函数来描述层与层输出之间的关系，模拟各层神经元之间的交互反应；BP网络能学习和存贮大量的输入-输出模式映射关系，学习的方式是在外界输入样本的刺激下不断改变网络的连接权值，希望能学习到一个模型，能够针对输入得到一个期望的输出；BP神经网络输入层包括步骤二所得的风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压数据经过聚类三聚类分析的结果；教师信号为步骤一所得到的风电机组视在声功率级经过步骤三聚类分析的结果；输出层为风电机组视在声功率级。若输出层的实际输出与教师信号不符，则修正各层单元的权值，最终得到合适的BP神经网络模型。BP神经网络模型示意图如图3所示。
对于风电场噪声评价，针对风电场中每种型号的风电机组重复上述步骤，得出每种型号风电机组的噪声预测神经网络模型；对于同种型号风电机组，采用同一神经网络模型；
对于风电机组噪声预测神经网络模型，输入每一风电机组的SCADA数据，得出每个时刻单台风机的视在声功率级预测值(LWA,n,1,LWA,n,2,LWA,n,2…)；将风电机组简化为点声源模型，对于风电场内或风电场5km以内的一点P，使用式(3)得到每台风电机组在P点处的等效声压级Lp，n：
将所有风电机组的等效声压级结果进行叠加，得到所有风电场在某一点P处的噪声声压级Le：
其中：Rn——第n台风电机组风轮中心到接收点P的倾斜距离，单位为m；
S0——基准面积，S0＝1m2；
LWA，n——风电机组视在声功率级的预测值；
Lp，i——第i台风电机组在P点处的等效声压级。
本方法描述了一种风电场噪声评价方法，利用风电机组主控制系统(SCADA)运行数据，结合风电机组噪声测试结果，实现对运行中的风电机组噪声辐射的评价。评价流程包括风电机组噪声测试、风电机组主控制系统数据收集和验证、数据聚类分析、模型训练、得出噪声评价结果五个阶段，实现对整个风电场噪声水平的实时评价。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (3)
1.一种基于聚类分析和神经网络的风电噪声评价方法，其特征在于，所述方法包括下述步骤：
步骤1：风电机组噪声测试；
步骤2：风电机组主控制系统数据收集和验证；
步骤3：数据聚类分析；
步骤4：BP神经网络模型训练；
步骤5：得出噪声评价结果；
所述步骤2包括：在风电机组噪声测试过程中，同步采集风电机组主控制系统运行数据，包括机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，风电机组主控制系统运行数据与噪声测试数据同步采集，采集数据需要进行数据清洗和筛选，选择有效数据进行下一步分析；
风电机组中控制系统数据从风电机组主控制系统中直接引出；对采集到的风电机组主控制系统运行数据进行清洗和筛选，删去由于采集系统故障出现的偏离正常范围的数据以及风电机组故障期间的数据；
所述步骤3包括：
使用K-means聚类方法对步骤2所采集的数据自动进行分类；在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离V将每个对象重新赋给最近的簇；当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来；如果在一次迭代前后，V的值没有发生变化，说明算法已经收敛；
式中：x为所有数据点的特征向量，由步骤1所得到的风电机组噪声数据和步骤2所得到的机舱风速(Ws)、功率(P)、桨距角(Pitch)、风轮转速(n)四项数据得到；μ为聚类中心特征向量；通过多次迭代，将所有数据进行分为3类；
所述步骤4包括：利用上述风电机组噪声测试结果、风力发电机组主控制系统采集的运行数据，以及聚类分析所得的数据分类结果，采用BP神经网络模型对所有数据进行训练；
BP神经网络输入层包括：风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压，以及测量所得到的风电机组视在声功率级，均使用1min平均值；
训练得到的BP神经网络模型用于对风电机组噪声做出持续评估；
所述步骤5包括：持续采集风电机组主控制系统的运行数据，包括风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，以风电机组主控制系统的运行数据的10min平均值作为BP神经网络模型的输入层，得出对风电机组视在声功率级的预测值LWA,n；
采用BP神经网络模型对所有数据进行训练；数据使用步骤三聚类分析所得的数据分类结果；
BP神经网络模型拓扑结构包括输入层、隐藏层和输出层，利用激活函数来描述层与层输出之间的关系，模拟各层神经元之间的交互反应；BP网络能学习和存贮大量的输入-输出模式映射关系，学习的方式是在外界输入样本的刺激下不断改变网络的连接权值，希望能学习到一个模型，能够针对输入得到一个期望的输出；
对于风电场噪声评价，针对风电场中每种型号的风电机组重复上述步骤，得出每种型号风电机组的噪声预测神经网络模型；对于同种型号风电机组，采用同一神经网络模型；
对于风电机组噪声预测神经网络模型，输入每一风电机组的SCADA数据，得出每个时刻单台风机的视在声功率级预测值LWA,n,1,LWA,n,2,LWA,n,2…；将风电机组简化为点声源模型，对于风电场内或风电场5km以内的一点P，使用式(3)得到每台风电机组在P点处的等效声压级Lp，n：
将所有风电机组的等效声压级结果进行叠加，得到所有风电场在某一点P处的噪声声压级Le：
其中：Rn——第n台风电机组风轮中心到接收点P的倾斜距离，单位为m；
S0——基准面积，S0＝1m2；
LWA，n——风电机组视在声功率级的预测值；
Lp，i——第i台风电机组在P点处的等效声压级。
2.如权利要求1所述的风电噪声评价方法，其特征在于，所述步骤1包括：
麦克风放在基准位置进行测量，定义下风向测量位置为基准位置；在测量中基准位置相对于风向的偏差应在±15°以内，从风电机组塔架垂直中心到麦克风位置的水平距离为R0，允许偏差为20％；
水平轴风电机组基准距离R0由式(1)计算：
式中：
H——从地面到风轮中心的垂直距离，单位为m；
D——风轮直径，单位为m；
噪声测量要求得到覆盖整数风速范围6-10m/s，10m高处且粗糙长度为0.05m时的噪声值，即覆盖机舱风速计所测得风速约为8-14m/s范围，测量采样率为1Hz，每1min取平均等效声压级；以10m高处基准风速的整数风速为中心，每1m/s风速范围测得的数据量至少为1小时；删除测试过程中风速偏离下风向±15°范围的数据以及在在测试过程中有间歇背景噪声干扰的数据；风速范围为5.5-6.5m/s，6.5-7.5m/s……；
由风电机组测量声压级，计算出风电机组等效视在声功率级：
LAeq——风电机组噪声测试测得的等效声压级，单位为dB；
R1——风轮中心到麦克风的倾斜距离，单位为m；
S0——基准面积，S0＝1m2。
3.如权利要求2所述的风电噪声评价方法，其特征在于，选择测量位置时，周边建筑物或墙壁的影响均小于0.2dB，选择地表条件在风电场中具有代表性的位置进行测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510920434.8A CN106873359B (zh) | 2015-12-11 | 2015-12-11 | 一种基于聚类分析和神经网络的风电噪声评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510920434.8A CN106873359B (zh) | 2015-12-11 | 2015-12-11 | 一种基于聚类分析和神经网络的风电噪声评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106873359A CN106873359A (zh) | 2017-06-20 |
| CN106873359B true CN106873359B (zh) | 2020-09-15 |
Family
ID=59178049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510920434.8A Active CN106873359B (zh) | 2015-12-11 | 2015-12-11 | 一种基于聚类分析和神经网络的风电噪声评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106873359B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800931A (zh) * | 2017-11-13 | 2019-05-24 | 北京普华亿能风电技术有限公司 | 基于风机scada数据的风电场发电量损失测量方法及系统 |
| CN109874157B (zh) * | 2017-12-04 | 2021-04-30 | 成都鼎桥通信技术有限公司 | 一种rn支持lte与wlan汇聚的方法及系统 |
| CN108460228B (zh) * | 2018-03-21 | 2021-06-04 | 电子科技大学 | 一种基于多目标优化算法进行风电场等值的方法 |
| CN108800954B (zh) * | 2018-05-31 | 2019-12-31 | 中冶华天工程技术有限公司 | 基于音源特征的环冷机风量控制方法及系统 |
| CN109345530A (zh) * | 2018-10-08 | 2019-02-15 | 长安大学 | 一种铝合金活塞积碳清洗效果的定量评价方法 |
| CN111126651B (zh) * | 2018-10-31 | 2022-04-19 | 北京金风科创风电设备有限公司 | 风电场噪声预测方法、装置及系统 |
| CN109558982B (zh) * | 2018-12-03 | 2022-06-10 | 中国水利水电科学研究院 | 一种火电厂取水量预测方法以及装置 |
| CN109656795B (zh) * | 2018-12-11 | 2022-06-28 | 北京安和瑞福信息技术有限公司 | 测试方法及装置 |
| CN110173398B (zh) * | 2019-04-17 | 2021-05-11 | 扬州大学 | 一种风力机远距离传播噪声与发电功率协同主动控制方法 |
| CN110658437A (zh) * | 2019-10-14 | 2020-01-07 | 重庆大学 | 一种风电变流器功率模块igbt健康状态评价方法 |
| CN115099115B (zh) * | 2022-08-24 | 2022-12-30 | 国网江西省电力有限公司电力科学研究院 | 一种户内变电站通风降噪深度强化学习设计方法 |
| CN116025529B (zh) * | 2023-03-23 | 2023-08-15 | 中车山东风电有限公司 | 一种风电机组自主健康评估方法及自愈调控方法及系统 |
| CN117436352B (zh) * | 2023-12-20 | 2024-03-22 | 聚合电力工程设计(北京)股份有限公司 | 一种风电场噪声分析方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201255662Y (zh) * | 2008-08-11 | 2009-06-10 | 重庆大学 | 虚拟式风力发电机组声学噪声测试仪 |
| CN202974425U (zh) * | 2012-10-26 | 2013-06-05 | 中国电力科学研究院 | 一种风电机组噪声测试系统 |
| CN104034411A (zh) * | 2013-03-04 | 2014-09-10 | 中国科学院声学研究所 | 一种风电机组噪声分布式测量系统 |
| CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
| CN103823979B (zh) * | 2014-02-26 | 2017-06-23 | 国家电网公司 | 一种风电场噪声预测方法 |
-
2015
- 2015-12-11 CN CN201510920434.8A patent/CN106873359B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106873359A (zh) | 2017-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106873359B (zh) | 一种基于聚类分析和神经网络的风电噪声评价方法 | |
| AU2017352549B2 (en) | Method and device for calculating power generation of wind farm | |
| CN109219782B (zh) | 用于控制动态系统的系统及方法 | |
| CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
| CN106707166B (zh) | 一种风电场出力特性评估方法 | |
| CN103823979B (zh) | 一种风电场噪声预测方法 | |
| CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
| CN111120205B (zh) | 基于激光雷达的风电场区域化控制方法 | |
| CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
| CN111833202B (zh) | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 | |
| CN111091298B (zh) | 一种风电场流场耦合特性评估与智能分群方法及系统 | |
| CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
| CN104133989B (zh) | 计及覆冰损失的风电场时序输出功率计算方法 | |
| CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
| CN115013258B (zh) | 一种风电机组机前风速智能软测量方法 | |
| 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 | |
| Paraschiv et al. | Investigation of wind power density distribution using Rayleigh probability density function | |
| 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 | |
| CN102236746B (zh) | 无测风记录区风资源模拟推算方法 | |
| CN112085272A (zh) | 一种风功率预测方法 | |
| CN113807693B (zh) | 一种基于机载雷达的风电机组发电量优化效果评价方法 | |
| CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
| CN113847199A (zh) | 一种基于机载雷达在线偏航系统的偏航优化控制方法 | |
| CN111561907A (zh) | 一种基于平面倾角测量的塔筒不均匀沉降监测方法 | |
| CN214836884U (zh) | 一种用于海上风电机组功率特性测量的装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |