CN108416372A - 基于多种传感器的风电场风速获取方法 - Google Patents

基于多种传感器的风电场风速获取方法 Download PDF

Info

Publication number
CN108416372A
CN108416372A CN201810142361.8A CN201810142361A CN108416372A CN 108416372 A CN108416372 A CN 108416372A CN 201810142361 A CN201810142361 A CN 201810142361A CN 108416372 A CN108416372 A CN 108416372A
Authority
CN
China
Prior art keywords
wind speed
data fusion
wind
fusion
data
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.)
Granted
Application number
CN201810142361.8A
Other languages
English (en)
Other versions
CN108416372B (zh
Inventor
何斌
马明
沈润杰
汪宁渤
吕清泉
马彦宏
张健美
路肖肖
王超
张建卜
王腾科
李昆明
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.)
Tongji University
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Wind Power Technology Center of Gansu Electric Power Co Ltd
Original Assignee
Tongji University
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Wind Power Technology Center of Gansu Electric Power Co Ltd
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 Tongji University, State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd, Wind Power Technology Center of Gansu Electric Power Co Ltd filed Critical Tongji University
Priority to CN201810142361.8A priority Critical patent/CN108416372B/zh
Publication of CN108416372A publication Critical patent/CN108416372A/zh
Application granted granted Critical
Publication of CN108416372B publication Critical patent/CN108416372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Air Conditioning Control Device (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于多种传感器的风电场风速获取方法，具体步骤为：集合传感器测得的测风塔风速和机头风速，分别通过Kalman滤波器进行卡尔曼滤波数据融合和贝叶斯估计法数据融合，最终俩组融合算法算出的风速大小可以取平均值，得到最终的数据融合之后的风速。本发明公开的方法将卡尔曼和贝叶斯估计数据融合技术应用到风电场中，使测风塔风速与机头风速融合出一个更为精确的风速，提升系统精度，使得出力计算更为准确，提高了整个系统的可信度。

Description

基于多种传感器的风电场风速获取方法
技术领域
本发明属于电力系统技术领域，具体涉及卡尔曼滤波数据融合、贝叶斯估计法数据融合等内容，尤其涉及一种基于多种传感器的风电场风速获取方法，使风速计算过程更加精确，确保整个系统后续出力计算更为准确。
背景技术
风能作为一种清洁、无污染、可再生的新能源，越来越受到各界的重视。我国风能资源的理论蕴藏量为32.26亿kW，可开发的装机容量就有2.53亿kW，居世界首位，与可开发的水电装机容量(3.78亿kW)为同一量级，具有形成商业化、规模化发展的资源潜力。而在整个风电场系统中，出力的计算最为重要，是衡量一个风电场能力的重要指标，而计算出力的一个重要参数就是风速。所以研究每个风机准确的风速是非常重要的，这对于整个系统的运行与出力的计算具有非常重要的意义。
随着风电的大规模开发，风电接入给电网安全运行和调度控制等都带来了巨大挑战。越来越多的风电场接入电网，如何提高风电场的风速大小的精度，对电力安全生产至关重要。对于整个系统的出力计算也有着重要的意义，是风电场群整体发电能力评估结果好坏的关键。
发明内容
针对现有技术的上述缺陷，本发明的目的在于基于多种传感器的风电场风速获取方法，将多传感器数据融合应用到风速获取模块中，对采集到的测风塔风速和机头风速分别进行卡尔曼滤波数据融合和贝叶斯估计法数据融合，最终俩组融合算法算出的风速大小可以取平均值，最终得到数据融合之后的风速，使得整个系统精度大大增加。
为实现上述目的，本发明提供了一种基于多种传感器的风电场风速获取方法，所述方法包括如下步骤：
步骤1.对所述测风塔风速和机头风速进行卡尔曼滤波数据融合；
步骤2.对所述测风塔风速和机头风速进行贝叶斯估计法数据融合；
步骤3.对所述步骤1和步骤2中所的的融合数据的风速大小可以取平均值，得到最终的数据融合之后的风速。
进一步地，所述步骤1中所述对测风塔风速和机头风速进行卡尔曼滤波数据融合的具体过程如下：
设系统有如下形式：
x(k+1)＝A(k)x(k)+w(k)
z(i,k)＝C(i,k)x(k)+v(i,k),i＝1,2,...N (1)
其中，X(k)为系统状态向量，A(k)是转移矩阵，z(i,k)表示第i个数据的观测向量，C(i,k)是观测矩阵，w(k),v(i,k)分别为系统噪声和观测噪声序列。
状态向量初始值x(0)为一随机向量，并且有：
E{[x(0)-x0][x(0)-x0]T}＝P0
E[x(0)]＝x0 (2)
假设x(0)、w(k)和v(i，k)之间是统计独立的，i＝1，2，…，N表示传感器。数据融合的目的是通过合理利用这些传感器的观测信息，获得状态的最优估计值。设s(t)分别表示状态基于传感器i观测信息的Kalman滤波估计值和相应的估计误差协方差阵，对于i＝1，2，…，N，假设x(k|k)不相关，则最优联邦滤波器最优数据融合准则由下式给出：
其中,
相应的估计误差协方差矩阵为：
其中P(k|k)表示x(k|k)的估计误差协方差；最后通过卡尔曼数据融合方法得到的最终的风速大小。
进一步地，所述步骤2中所述对测风塔风速和机头风速进行贝叶斯估计法数据融合的具体过程如下：
设n个传感器测量同一参数所得数据中，最佳融合数为m(m＜＝n)，融合集为X＝{X1,X2……Xm}。用贝叶斯估计方法由融合集中的数据融合成一个最佳融合数据，并把它作为被测量参数的最后结果。
若参数u服从N(μ0,σ0 2)，并且Xk服从N(μ0,σ0 2)，令
其中，是与u无关的常数。因此：
上式中的指数部分是关于u的二次函数，因此f(μ|X1,X2……Xm)仍为正态分布，假设服从N(μk,σk 2)，即
根据所述(2)、(3)两式可得：
根据上述公式得到u贝叶斯估计为u'：
本发明为风电场的建设者将获得的测风塔风速和机头风速进行数据融合，得到最终的更为准确的风速，使得风速计算过程更加精确，使得整个系统后续出力计算更为准确。
1)将卡尔曼数据融合应用到风电场中，这使得的测风塔风速与机头风速融合出一个更为精确的风速，使得整个系统运行更为精确，系统更值得信赖。
2)将贝叶斯估计数据融合应用到风机组具体传感器上，同样的，使得单独表示的测风塔风速与机头风速更具有说服力，提升系统精度，使得出力计算更为准确
附图说明
图1是本发明一较佳实施例的基于多种传感器的风电场风速获取方法流程示意图。
图2是本发明另一较佳实施例的卡尔曼数据融合总过程示意图。
具体实施方式
下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
一种基于多种传感器的风电场风速获取方法，将多传感器数据融合应用到风速获取模块中，对测风塔风速和机头风速分别进行卡尔曼滤波数据融合和贝叶斯估计法数据融合，对俩组融合算法算出的风速大小取平均值，得到最终的数据融合之后的风速。其流程如图1所示，具体包括如下步骤：
步骤1.对所述测风塔风速和机头风速进行卡尔曼滤波数据融合；
步骤2.对所述测风塔风速和机头风速进行贝叶斯估计法数据融合；
步骤3.对所述步骤1和步骤2中所的的融合数据的风速大小可以取平均值，得到最终的数据融合之后的风速。
进一步地，所述步骤1中所述对测风塔风速和机头风速进行卡尔曼滤波数据融合的具体过程如下：
设系统有如下形式：
x(k+1)＝A(k)x(k)+w(k)
z(i,k)＝C(i,k)x(k)+v(i,k),i＝1,2,...N (1)
其中，X(k)为系统状态向量，A(k)是转移矩阵，z(i,k)表示第i个数据的观测向量，C(i,k)是观测矩阵，w(k),v(i,k)分别为系统噪声和观测噪声序列。
状态向量初始值x(0)为一随机向量，并且有：
E{[x(0)-x0][x(0)-x0]T}＝P0
E[x(0)]＝x0 (2)
假设x(0)、w(k)和v(i，k)之间是统计独立的，i＝1，2，…，N表示传感器。数据融合的目的是通过合理利用这些传感器的观测信息，获得状态的最优估计值。设s(t)分别表示状态基于传感器i观测信息的Kalman滤波估计值和相应的估计误差协方差阵，对于i＝1，2，…，N，假设x(k|k)不相关，则最优联邦滤波器最优数据融合准则由下式给出：
其中,
相应的估计误差协方差矩阵为：
其中P(k|k)表示x(k|k)的估计误差协方差；最后通过卡尔曼数据融合方法得到的最终的风速大小。
进一步地，所述步骤2中所述对测风塔风速和机头风速进行贝叶斯估计法数据融合的具体过程如下：
设n个传感器测量同一参数所得数据中，最佳融合数为m(m＜＝n)，融合集为X＝{X1,X2……Xm}。用贝叶斯估计方法由融合集中的数据融合成一个最佳融合数据，并把它作为被测量参数的最后结果。
若参数u服从N(μ0,σ0 2)，并且Xk服从N(μ0,σ0 2)，令
其中，是与u无关的常数。因此：
上式中的指数部分是关于u的二次函数，因此f(μ|X1,X2……Xm)仍为正态分布，假设服从N(μk,σk 2)，即
根据所述(2)、(3)两式可得：
根据上述公式得到u贝叶斯估计为u'：
最终俩组融合算法算出的风速大小可以取平均值，得到最终的数据融合之后的风速。
以上实施例公开的方法为风电场的建设者提供了一个基于多种传感器的风电场风速获取方法，该方法可以将获得的测风塔风速和机头风速进行数据融合，使风速计算过程更加精确，使整个系统后续出力计算更为准确。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (3)

1.一种基于多种传感器的风电场风速获取方法，其特征在于，所述方法包括如下步骤：
步骤1.对测风塔风速和机头风速进行卡尔曼滤波数据融合；
步骤2.对测风塔风速和机头风速进行贝叶斯估计法数据融合；
步骤3.对所述步骤1和步骤2中所的的融合数据的风速大小可以取平均值，得到最终的数据融合之后的风速。
2.如权利要求1所述的基于多种传感器的风电场风速获取方法，其特征在于，所述步骤1中所述对测风塔风速和机头风速进行卡尔曼滤波数据融合的具体过程如下：
设系统有如下形式：
x(k+1)＝A(k)x(k)+w(k)
z(i,k)＝C(i,k)x(k)+v(i,k),i＝1,2,...N (1)
其中，X(k)为系统状态向量，A(k)是转移矩阵，z(i,k)表示第i个数据的观测向量，C(i,k)是观测矩阵，w(k),v(i,k)分别为系统噪声和观测噪声序列。
状态向量初始值x(0)为一随机向量，并且有：
E{[x(0)-x0][x(0)-x0]T}＝P0
E[x(0)]＝x0 (2)
假设x(0)、w(k)和v(i，k)之间是统计独立的，i＝1，2，…，N表示传感器。数据融合的目的是通过合理利用这些传感器的观测信息，获得状态的最优估计值。设s(t)分别表示状态基于传感器i观测信息的Kalman滤波估计值和相应的估计误差协方差阵，对于i＝1，2，…，N，假设x(k|k)不相关，则最优联邦滤波器最优数据融合准则由下式给出：
其中,
相应的估计误差协方差矩阵为：
其中P(k|k)表示x(k|k)的估计误差协方差；最后通过卡尔曼数据融合方法得到的最终的风速大小。
3.如权利要求1所述的基于多种传感器的风电场风速获取方法，其特征在于，所述步骤2中所述对测风塔风速和机头风速进行贝叶斯估计法数据融合的具体过程如下：
设n个传感器测量同一参数所得数据中，最佳融合数为m(m＜＝n)，融合集为X＝{X1,X2……Xm}。用贝叶斯估计方法由融合集中的数据融合成一个最佳融合数据，并把它作为被测量参数的最后结果。
若参数u服从N(μ0,σ0 2)，并且Xk服从N(μ0,σ0 2)，令
其中，是与u无关的常数。因此：
上式中的指数部分是关于u的二次函数，因此f(μ|X1,X2……Xm)仍为正态分布，假设服从N(μk,σk 2)，即
根据所述(2)、(3)两式可得：
根据上述公式得到u贝叶斯估计为u'：
其中，u’为u的最优估计。
CN201810142361.8A 2018-02-11 2018-02-11 基于多种传感器的风电场风速获取方法 Active CN108416372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810142361.8A CN108416372B (zh) 2018-02-11 2018-02-11 基于多种传感器的风电场风速获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810142361.8A CN108416372B (zh) 2018-02-11 2018-02-11 基于多种传感器的风电场风速获取方法

Publications (2)

Publication Number Publication Date
CN108416372A true CN108416372A (zh) 2018-08-17
CN108416372B CN108416372B (zh) 2022-07-19

Family

ID=63128548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810142361.8A Active CN108416372B (zh) 2018-02-11 2018-02-11 基于多种传感器的风电场风速获取方法

Country Status (1)

Country Link
CN (1) CN108416372B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886354A (zh) * 2019-03-06 2019-06-14 国家卫星海洋应用中心 风场融合方法及装置
CN109916357A (zh) * 2019-02-21 2019-06-21 西安理工大学 基于多传感器融合的电站锅炉空气预热器间隙检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101252677A (zh) * 2007-10-19 2008-08-27 西安交通大学 一种基于多光谱图像传感器的目标跟踪方法
CN101441718A (zh) * 2008-12-19 2009-05-27 福建三元达通讯股份有限公司 传感器信息融合装置及其方法
KR20130109685A (ko) * 2012-03-28 2013-10-08 김상훈 바람과 열을 이용한 융합 풍력발전기
CN104318072A (zh) * 2014-09-30 2015-01-28 杭州电子科技大学 基于qkf-mmf的多传感器量化融合方法
CN106779148A (zh) * 2016-11-14 2017-05-31 中南大学 一种多模型多特征融合的高速铁路沿线风速预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101252677A (zh) * 2007-10-19 2008-08-27 西安交通大学 一种基于多光谱图像传感器的目标跟踪方法
CN101441718A (zh) * 2008-12-19 2009-05-27 福建三元达通讯股份有限公司 传感器信息融合装置及其方法
KR20130109685A (ko) * 2012-03-28 2013-10-08 김상훈 바람과 열을 이용한 융합 풍력발전기
CN104318072A (zh) * 2014-09-30 2015-01-28 杭州电子科技大学 基于qkf-mmf的多传感器量化融合方法
CN106779148A (zh) * 2016-11-14 2017-05-31 中南大学 一种多模型多特征融合的高速铁路沿线风速预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109916357A (zh) * 2019-02-21 2019-06-21 西安理工大学 基于多传感器融合的电站锅炉空气预热器间隙检测方法
CN109916357B (zh) * 2019-02-21 2020-10-27 西安理工大学 基于多传感器融合的电站锅炉空气预热器间隙检测方法
CN109886354A (zh) * 2019-03-06 2019-06-14 国家卫星海洋应用中心 风场融合方法及装置
CN109886354B (zh) * 2019-03-06 2020-12-22 国家卫星海洋应用中心 风场融合方法及装置

Also Published As

Publication number Publication date
CN108416372B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN105046374B (zh) 一种基于核极限学习机模型的功率区间预测方法
Tao et al. Wind turbine blade icing diagnosis using hybrid features and Stacked-XGBoost algorithm
CN104978608B (zh) 一种风电功率预测装置及预测方法
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
CN105930933A (zh) 风电场理论功率曲线确定方法及装置
CN106875033A (zh) 一种基于动态自适应的风电集群功率预测方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN106505631A (zh) 智能风电风功率预测系统
CN108428017A (zh) 基于核极限学习机分位数回归的风电功率区间预测方法
CN106979126A (zh) 基于svr的风力发电机组高风速段有效风速估计方法
Saeed et al. Wind energy potential and economic analysis with a comparison of different methods for determining the optimal distribution parameters
CN103996079A (zh) 一种基于条件概率的风电功率加权预测方法
CN108416372A (zh) 基于多种传感器的风电场风速获取方法
CN106130066A (zh) 一种用于独立微电网系统的多目标鲁棒频率控制方法
Feng et al. Trustworthy fault diagnosis method based on belief rule base with multi-source uncertain information for vehicle
CN103942620A (zh) 采用复合数据源基于径向基核函数支持向量机的风电功率短期预测方法
CN104574221B9 (zh) 一种基于损失电量特征参数的光伏电站运行状态辨识方法
CN109325553A (zh) 一种风电齿轮箱故障检测方法、系统、设备及介质
CN116502073A (zh) 一种风力发电机组高可信智能故障诊断与健康管理方法
Qatamin Prediction of power output of wind turbines using system identification techniques
CN104850914B (zh) 一种基于特征建模的新能源发电量预测方法
Liu et al. Analysis and comparison of turbulence models on wind turbine performance using SCADA data and machine learning technique
CN111027816B (zh) 一种基于数据包络分析的光伏发电效率计算方法
CN102867032B (zh) 基于历史数据统计的新能源发电风险离散化分析方法

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