CN110094300A - 风电机组的对风偏差矫正方法、装置、设备及介质 - Google Patents

风电机组的对风偏差矫正方法、装置、设备及介质 Download PDF

Info

Publication number
CN110094300A
CN110094300A CN201910069352.5A CN201910069352A CN110094300A CN 110094300 A CN110094300 A CN 110094300A CN 201910069352 A CN201910069352 A CN 201910069352A CN 110094300 A CN110094300 A CN 110094300A
Authority
CN
China
Prior art keywords
operation data
trails
data
wind
history operation
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
CN201910069352.5A
Other languages
English (en)
Other versions
CN110094300B (zh
Inventor
史光宇
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.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201910069352.5A priority Critical patent/CN110094300B/zh
Publication of CN110094300A publication Critical patent/CN110094300A/zh
Application granted granted Critical
Publication of CN110094300B publication Critical patent/CN110094300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0204—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
    • 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 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

本申请提供了一种风电机组的对风偏差矫正方法、装置、设备及介质，通过获取所述风电机组在预设时间段内的历史运行数据，对所述历史运行数据进行网格化计算，以获得网格历史运行数据，采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据集，根据所述第一网格历史运行数据集计算对风偏差角，根据所述对风偏差角对所述风电机组的偏航控制进行矫正。本方案中，完成了对风电机组历史运行数据的自动筛选，实现了无需人工干预即可从原始数据中准确计算得到对风偏差角，从而实现了整个对风偏差的自动矫正，节约了大量的人力物力，并且矫正结果非常准确，提高了风电机组的发电效率。

Description

风电机组的对风偏差矫正方法、装置、设备及介质
技术领域
本申请涉及风力发电技术领域，尤其涉及一种风电机组的对风偏差矫正方法、装置、设备及介质。
背景技术
我国风能资源丰富发展潜力巨大，通过在山区、沿海等风场地区大规模建立风力发电机基地，可以充分利用风能能源，创造巨大的经济价值。风力发电机的风轮吸收风能旋转，进而带动相连接的发电机旋转发电。风力发电机组的偏航系统可以跟踪风向的变化，驱动风机机舱围绕塔顶旋转，使风轮的扫掠面与风向保持垂直。
现有风电机组的偏航系统设定对风偏差为零度的目标，从而在理论上达到风能最大能量的吸收。然而由于风向标的初始安装误差，位于机舱尾部导致测量结果受叶轮、机舱的影响，维护不当以及测量和信号链路等因素的影响，大型风电机组在运行过程中会产生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，从而会影响风电机组的发电量，带来经济效益的损失。为了矫正对风偏差，目前的方法都需要人工校正，或者安装激光雷达测量整个机组的对风情况来进行评估，需要投入很大的人力物力，成本较高，并且矫正结果并不准确。
发明内容
本申请实施例提供一种风电机组的对风偏差矫正方法、装置、设备及介质，解决了现有技术中的风电机组的对风偏差矫正方法需要投入很大的人力物力，成本较高，并且矫正结果并不准确的技术问题。
本申请实施例第一方面提供一种风电机组的对风偏差矫正方法，包括：
获取风电机组在预设时间段内的历史运行数据；
对所述历史运行数据进行网格化计算，以获得网格历史运行数据；
采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据集；
根据所述第一网格历史运行数据集计算对风偏差角；
根据所述对风偏差角对所述风电机组的偏航控制进行矫正。
进一步地，如上所述的方法，所述获取所述风电机组在预设时间段内的历史运行数据之前，还包括：
按照预设采样周期实时记录所述风电机组的运行数据，形成所述历史运行数据。
进一步地，如上所述的方法，所述历史运行数据包括：记录时间以及对应的风速、功率和风向标数值、叶轮转速和桨距角。
进一步地，如上所述的方法，所述对所述历史运行数据进行网格化计算，以获得网格历史运行数据，具体包括：
选取所述风速和所述风向标数值作为两个坐标，构成数据平面；
按照预设网格尺寸对所述数据平面划分网格；
获取每个网格内的每个风速和风向标数值对应的功率、叶轮转速和桨距角；
计算每个网格对应的功率平均值、叶轮转速平均值和桨距角平均值；
将每个网格对应的风向标数值平均值，风速范围，功率平均值、叶轮转速平均值和桨距角平均值确定为网格历史运行数据。
进一步地，如上所述的方法，所述机器学习算法是LOF算法；
所述采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据，具体包括：
将所述网格历史运行数据按照所述风速范围以预设等间距风速段进行分组；
对每一风速段中的网格历史运行数据中的功率平均值进行LOF计算，得到对应的LOF数值；
将每一风速段中LOF数值最小的第一预设个数的网格历史运行数据删除；
将每一风速段中保留下的功率平均值最大的网格历史运行数据组成第二网格历史运行数据集；
对所述第二网格历史运行数据集中的网格历史运行数据中的功率平均值再次进行LOF计算，得到对应的LOF数值；
将所述第二网格历史运行数据集中LOF数值最小的第二预设个数的网格历史运行数据删除，得到第一网格历史运行数据集。
进一步地，如上所述的方法，所述根据所述第一网格历史运行数据集，计算对风偏差角，具体包括：
对所述第一网格历史运行数据集中各网格历史运行数据中的风向标数值平均值进行平均计算；
将计算出的第一风向标数值平均值作为对风偏差角。
进一步地，如上所述的方法，所述根据所述对风偏差角对所述风电机组的偏航控制进行矫正，具体包括：
检查所述风电机组中是否预留有对所述风电机组的偏航控制进行矫正的矫正参数；
若有，则将所述对风偏差角赋值所述矫正参数，根据赋值后的矫正参数对所述风电机组的偏航控制进行矫正。
进一步地，如上所述的方法，还包括：
若没有，则根据所述对风偏差角对所述风电机组的风向标零位进行调整。
本申请实施例第二方面提供一种风电机组的对风偏差矫正装置，包括：
数据获取模块，用于获取所述风电机组在预设时间段内的历史运行数据；
网格化计算模块，用于对所述历史运行数据进行网格化计算，以获得网格历史运行数据；
数据筛选模块，用于采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据集；
对风偏差角计算模块，用于根据所述第一网格历史运行数据集，计算对风偏差角；
偏航矫正模块，用于根据所述对风偏差角对所述风电机组的偏航控制进行矫正。
进一步地，如上所述的装置，还包括：
数据记录模块，用于在所述数据获取模块获取所述风电机组在预设时间段内的历史运行数据之前，按照预设采样周期实时记录所述风电机组的运行数据，形成所述历史运行数据。
进一步地，如上所述的装置，所述历史运行数据包括：记录时间以及对应的风速、功率和风向标数值、叶轮转速和桨距角。
进一步地，如上所述的装置，所述网格化计算模块，具体用于：
选取所述风速和所述风向标数值作为两个坐标，构成数据平面；
按照预设网格尺寸对所述数据平面划分网格；
获取每个网格内的每个风速和风向标数值对应的功率、叶轮转速和桨距角；
计算每个网格对应的功率平均值、叶轮转速平均值和桨距角平均值；
将每个网格对应的风向标数值平均值，风速范围，功率平均值、叶轮转速平均值和桨距角平均值确定为网格历史运行数据。
进一步地，如上所述的装置，所述机器学习算法是LOF算法；
所述数据筛选模块，具体用于：
将所述网格历史运行数据按照所述风速范围以预设等间距风速段进行分组；
对每一风速段中的网格历史运行数据中的功率平均值进行LOF计算，得到对应的LOF数值；
将每一风速段中LOF数值最小的第一预设个数的网格历史运行数据删除；
将每一风速段中保留下的功率平均值最大的网格历史运行数据组成第二网格历史运行数据集；
对所述第二网格历史运行数据集中的网格历史运行数据中的功率平均值再次进行LOF计算，得到对应的LOF数值；
将所述第二网格历史运行数据集中LOF数值最小的第二预设个数的网格历史运行数据删除，得到第一网格历史运行数据集。
进一步地，如上所述的装置，所述对风偏差角计算模块，具体用于：
对所述第一网格历史运行数据集中各网格历史运行数据中的风向标数值平均值进行平均计算；
将计算出的第一风向标数值平均值作为对风偏差角。
进一步地，如上所述的装置，所述偏航矫正模块，具体用于：
检查所述风电机组中是否预留有对所述风电机组的偏航控制进行矫正的矫正参数；
若有，则将所述对风偏差角赋值所述矫正参数，根据赋值后的矫正参数对所述风电机组的偏航控制进行矫正。
进一步地，如上所述的装置，所述偏航矫正模块，还具体用于：
若没有，则根据所述对风偏差角对所述风电机组的风向标零位进行调整。
本申请实施例第三方面提供一种电子设备，包括：存储器，处理器以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面中任一项所述的方法。
本申请实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行以实现如第一方面中任一项所述的方法。
基于以上各方面，本申请实施例通过获取所述风电机组在预设时间段内的历史运行数据，对所述历史运行数据进行网格化计算，以获得网格历史运行数据，采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据集，根据所述第一网格历史运行数据集计算对风偏差角，根据所述对风偏差角对所述风电机组的偏航控制进行矫正。本方案中，完成了对风电机组历史运行数据的自动筛选，实现了无需人工干预即可从原始数据中准确计算得到对风偏差角，从而实现了整个对风偏差的自动矫正，节约了大量的人力物力，并且矫正结果非常准确，提高了风电机组的发电效率。
应当理解，上述发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
图1为本申请实施例一提供的风电机组的对风偏差矫正方法的流程图；
图2为本申请实施例二提供的风电机组的对风偏差矫正方法的流程图；
图3为本申请实施例三提供的风电机组的对风偏差矫正装置的结构示意图；
图4为本申请实施例四提供的风电机组的对风偏差矫正装置的结构示意图；
图5为本申请实施例五提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下将参照附图来具体描述本申请的实施例。
实施例一
图1为本申请实施例一提供的风电机组的对风偏差矫正方法的流程图，如图1所示，本申请实施例的执行主体为风电机组的对风偏差矫正装置。在实际应用中，该风电机组的对风偏差矫正装置可以通过虚拟装置，例如软件代码实现，也可以通过写入有相关执行代码的实体装置，例如，U盘实现，再或者，也可以通过集成有相关执行代码的实体装置实现，例如，电子设备，如计算机，笔记本电脑等。示例性的，下面以执行主体为风电机组的对风偏差矫正装置进行说明。本实施例提供的风电机组的对风偏差矫正方法包括以下几个步骤：
S101、获取所述风电机组在预设时间段内的历史运行数据。
具体地，本实施例中，风电机组在运行时，对风电机组的运行数据进行实时记录并存储，从存储的运行数据中获取预设时间段内已经发生的运行数据构成历史运行数据。
其中，预设时间段可以为90天，120天等，本实施例中不作限定。
其中，历史运行数据可以包括：记录时间以及对应的风速、功率和风向标数值、叶轮转速和桨距角，还可以包括其他数据，本实施例中对此不作限定。
S102、对所述历史运行数据进行网格化计算，以获得网格历史运行数据。
具体地，本实施例中，可以以历史运行数据中的风速和所述风向标数值作为两个坐标，构成数据平面，对数据平面划分网格，计算每个网格对应的网格历史运行数据。
其中，网格历史运行数据可以包括：风向标数值平均值，风速范围，功率平均值、叶轮转速平均值和桨距角平均值确定为网格历史运行数据等，还可以包括其他数据，本实施例中对此不作限定。
S103、采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据集。
具体地，本实施例中，以上网格化计算后的网格历史运行数据，需要进行数据筛选，才能得到有效的结果。具体可以通过机器学习算法来对上述网格历史运行数据进行智能化筛选，由筛选出的网格历史运行数据组成第一网格历史运行数据集。
其中，机器学习算法可以包括LOF(Local Outlier Factor，局部异常因子算法)或者K-最近邻算法等，本实施例中对此不作限定。
S104、根据所述第一网格历史运行数据集计算对风偏差角。
具体地，本实施例中，可以根据上述筛选出的第一网格历史运行数据集中的各网格历史运行数据的风向标数值平均值来计算对风偏差角，比如，可以计算对应的各风向标数值的平均数来作为对风偏差角，具体的计算方式，本实施例中对此不作限定。
S105、根据所述对风偏差角对所述风电机组的偏航控制进行矫正。
具体地，本实施例中，获得风电机组的对风偏差角后，可以根据对风偏差角对风电机组原有的偏航修正参数进行修正，也可以根据对风偏差角对风向标零位进行修正，以对风电机组的偏航控制进行矫正。
本实施例提供的风电机组的对风偏差矫正方法，通过获取风电机组在预设时间段内的历史运行数据，对历史运行数据进行网格化计算，以获得网格历史运行数据，采用机器学习算法从网格历史运行数据中筛选出第一网格历史运行数据集，根据第一网格历史运行数据集计算对风偏差角，根据对风偏差角对风电机组的偏航控制进行矫正。本方案中，完成了对风电机组历史运行数据的自动筛选，实现了无需人工干预即可从原始数据中准确计算得到对风偏差角，从而实现了整个对风偏差的自动矫正，节约了大量的人力物力，并且矫正结果非常准确，提高了风电机组的发电效率。
实施例二
图2为本申请实施例二提供的风电机组的对风偏差矫正方法的流程图，如图2所示，本实施例提供的风电机组的对风偏差矫正方法，在本申请方法实施例一的基础上，优选地：
在上述步骤S101之前，还可以包括：
S201、按照预设采样周期实时记录所述风电机组的运行数据，形成所述历史运行数据。
具体地，本实施例中，风电机组在运行时，对风电机组的运行数据按照预设采样周期进行实时记录并存储，从而获取历史运行数据。
其中，预设采样周期可以为10秒，20秒等，本实施例中对此不作限定。
其中，历史运行数据包括：记录时间以及对应的风速、功率和风向标数值、叶轮转速和桨距角。
进一步地，上述步骤S102，具体可以包括以下几个步骤：
第一步：选取所述风速和所述风向标数值作为两个坐标，构成数据平面。
第二步：按照预设网格尺寸对所述数据平面划分网格。
第三步：获取每个网格内的每个风速和风向标数值对应的功率、叶轮转速和桨距角。
第四步：计算每个网格对应的功率平均值、叶轮转速平均值和桨距角平均值。
第五步：将每个网格对应的风向标数值平均值，风速范围，功率平均值、叶轮转速平均值和桨距角平均值确定为网格历史运行数据。
举例来说：
某风电机组实测数据，以csv格式存储，预设时间段90天，预设采样周期10秒。
选取数据列：['time','wind_speed','yaw_deviation','pitch_position','power']
上述各列数据依此是：时间标签，风速，风向标数值，变桨位置和功率。
根据第一步，坐标选取：X:wind_speed列，Y:yaw_deviation列。根据这两列划分网格，把数据分到各个网格中去；根据第四步，把各个网格里的值取平均计算。
根据第五步，把计算结果根据网格顺序，整理成一个文件。
进一步地，所述机器学习算法采用LOF算法。上述步骤S103，具体可以包括以下几个步骤：
第一步：将所述网格历史运行数据按照所述风速范围以预设等间距风速段进行分组。
例如，风速段(km/h)可以是3～4，4～5，5～6，6～7，7～8，8～9。
第二步：对每一风速段中的网格历史运行数据中的功率平均值进行LOF计算，得到对应的LOF数值。
第三步：将每一风速段中LOF数值最小的第一预设个数的网格历史运行数据删除。
其中，第一预设个数可以为2个。
第四步：将每一风速段中保留下的功率平均值最大的网格历史运行数据组成第二网格历史运行数据集。
第五步：对所述第二网格历史运行数据集中的网格历史运行数据中的功率平均值再次进行LOF计算，得到对应的LOF数值。
第六步：将所述第二网格历史运行数据集中LOF数值最小的第二预设个数的网格历史运行数据删除，得到第一网格历史运行数据集。
其中，第二预设个数可以为1个。
举例来说：
把上述计算得到的网格历史运行数据，根据网格位置把数据排成一个二维数组，其中每一行分成一组，也就是一个风速段一组。
根据第二步，计算每个组的LOF数值。
根据第三步和第四步，可以得到由每一组中功率最大的网格组成的第二网格历史运行数据集。
根据第五步和第六步，就可以得到第一网格历史运行数据集。
进一步地，上述步骤S104，具体可以包括以下步骤：
S202、对所述第一网格历史运行数据集中各网格历史运行数据中的风向标数值平均值进行平均计算。
S203、将计算出的第一风向标数值平均值作为对风偏差角。
举例来说，第一网格历史运行数据集中有六个网格历史运行数据，即可以得到六个对应的风向标数值平均值，对这六个风向标数值平均值再进行平均计算，计算出的第一风向标数值平均值就是所需的对风偏差角。
进一步地，上述步骤S105，具体可以包括以下步骤：
S204、检查所述风电机组中是否预留有对所述风电机组的偏航控制进行矫正的矫正参数。
S205、若有，则将所述对风偏差角赋值所述矫正参数，根据赋值后的矫正参数对所述风电机组的偏航控制进行矫正。
S206、若没有，则根据所述对风偏差角对所述风电机组的风向标零位进行调整。
实际应用中，在风电机组的控制系统里，一般会预留一个矫正参数，该矫正参数默认值为零。在得到准确的对风偏差角之后，把这个对风偏差角的值设置给这个矫正参数，风电机组的控制系统会根据这个矫正参数修正偏航控制，从而完成矫正。如果风电机组没有预留这个矫正参数，则需要对风向标进行零位检查，并根据对风偏差角对风向标零位进行调整。
本实施例提供的风电机组的对风偏差矫正方法，通过按照预设采样周期实时记录风电机组的运行数据，形成历史运行数据，对历史运行数据进行网格化计算，以获得网格历史运行数据，采用LOF算法从网格历史运行数据中筛选出第一网格历史运行数据集，根据第一网格历史运行数据集计算对风偏差角，根据对风偏差角对风电机组的偏航控制进行矫正。本方案中，完成了对风电机组历史运行数据的自动筛选，实现了无需人工干预即可从原始数据中准确计算得到对风偏差角，从而实现了整个对风偏差的自动矫正，节约了大量的人力物力，并且矫正结果非常准确，提高了风电机组的发电效率。
实施例三
图3为本申请实施例三提供的风电机组的对风偏差矫正装置车辆防止碰撞的装置的结构示意图，如图3所示，本实施例提供的装置包括：数据获取模块310，网格化计算模块320，数据筛选模块330，对风偏差角计算模块340，偏航矫正模块350。
数据获取模块310，用于获取所述风电机组在预设时间段内的历史运行数据。
网格化计算模块320，用于对所述历史运行数据进行网格化计算，以获得网格历史运行数据。
数据筛选模块330，用于采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据集。
对风偏差角计算模块340，用于根据所述第一网格历史运行数据集，计算对风偏差角。
偏航矫正模块350，用于根据所述对风偏差角对所述风电机组的偏航控制进行矫正。
本实施例提供的装置可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
实施例四
图4为本申请实施例四提供的风电机组的对风偏差矫正装置的结构示意图，如图4所示，在实施例三的基础上，本实施例提供的装置中，还包括：
数据记录模块410，用于在所述数据获取模块310获取所述风电机组在预设时间段内的历史运行数据之前，按照预设采样周期实时记录所述风电机组的运行数据，形成所述历史运行数据。
进一步地，如上所述的装置，所述历史运行数据包括：记录时间以及对应的风速、功率和风向标数值、叶轮转速和桨距角。
进一步地，如上所述的装置，所述网格化计算模块320，具体用于：
选取所述风速和所述风向标数值作为两个坐标，构成数据平面。
按照预设网格尺寸对所述数据平面划分网格。
获取每个网格内的每个风速和风向标数值对应的功率、叶轮转速和桨距角。
计算每个网格对应的功率平均值、叶轮转速平均值和桨距角平均值。
将每个网格对应的风向标数值平均值，风速范围，功率平均值、叶轮转速平均值和桨距角平均值确定为网格历史运行数据。
进一步地，如上所述的装置，所述机器学习算法是LOF算法。
所述数据筛选模块330，具体用于：
将所述网格历史运行数据按照所述风速范围以预设等间距风速段进行分组。
对每一风速段中的网格历史运行数据中的功率平均值进行LOF计算，得到对应的LOF数值。
将每一风速段中LOF数值最小的第一预设个数的网格历史运行数据删除。
将每一风速段中保留下的功率平均值最大的网格历史运行数据组成第二网格历史运行数据集。
对所述第二网格历史运行数据集中的网格历史运行数据中的功率平均值再次进行LOF计算，得到对应的LOF数值。
将所述第二网格历史运行数据集中LOF数值最小的第二预设个数的网格历史运行数据删除，得到第一网格历史运行数据集。
进一步地，如上所述的装置，所述对风偏差角计算模块340，具体用于：
对所述第一网格历史运行数据集中各网格历史运行数据中的风向标数值平均值进行平均计算。
将计算出的第一风向标数值平均值作为对风偏差角。
进一步地，如上所述的装置，所述偏航矫正模块350，具体用于：
检查所述风电机组中是否预留有对所述风电机组的偏航控制进行矫正的矫正参数。
若有，则将所述对风偏差角赋值所述矫正参数，根据赋值后的矫正参数对所述风电机组的偏航控制进行矫正。
进一步地，如上所述的装置，所述偏航矫正模块350，还具体用于：
若没有，则根据所述对风偏差角对所述风电机组的风向标零位进行调整。
本实施例提供的装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
实施例五
图5为本申请实施例五提供的电子设备的结构示意图，如图5所示，该电子设备，包括：存储器510，处理器520以及计算机程序。
其中，所述计算机程序存储在存储器510中，并被配置为由处理器520执行以实现本申请实施例一提供的风电机组的对风偏差矫正方法或本申请实施例二提供的风电机组的对风偏差矫正方法。
相关说明可以对应参见图1至图2的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。
本实施例中，处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行程序指令，以实现上文的本申请的各个实施例的方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
实施例六
本申请实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行以实现本申请实施例一提供的风电机组的对风偏差矫正方法或本申请实施例二提供的风电机组的对风偏差矫正方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种风电机组的对风偏差矫正方法，其特征在于，包括：
获取所述风电机组在预设时间段内的历史运行数据；
对所述历史运行数据进行网格化计算，以获得网格历史运行数据；
采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据集；
根据所述第一网格历史运行数据集计算对风偏差角；
根据所述对风偏差角对所述风电机组的偏航控制进行矫正。
2.根据权利要求1所述的方法，其特征在于，所述获取所述风电机组在预设时间段内的历史运行数据之前，还包括：
按照预设采样周期实时记录所述风电机组的运行数据，形成所述历史运行数据。
3.根据权利要求2所述的方法，其特征在于，所述历史运行数据包括：记录时间以及对应的风速、功率和风向标数值、叶轮转速和桨距角。
4.根据权利要求3所述的方法，其特征在于，所述对所述历史运行数据进行网格化计算，以获得网格历史运行数据，具体包括：
选取所述风速和所述风向标数值作为两个坐标，构成数据平面；
按照预设网格尺寸对所述数据平面划分网格；
获取每个网格内的每个风速和风向标数值对应的功率、叶轮转速和桨距角；
计算每个网格对应的功率平均值、叶轮转速平均值和桨距角平均值；
将每个网格对应的风向标数值平均值，风速范围，功率平均值、叶轮转速平均值和桨距角平均值确定为网格历史运行数据。
5.根据权利要求4所述的方法，其特征在于，所述机器学习算法是LOF算法；
所述采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据，具体包括：
将所述网格历史运行数据按照所述风速范围以预设等间距风速段进行分组；
对每一风速段中的网格历史运行数据中的功率平均值进行LOF计算，得到对应的LOF数值；
将每一风速段中LOF数值最小的第一预设个数的网格历史运行数据删除；
将每一风速段中保留下的功率平均值最大的网格历史运行数据组成第二网格历史运行数据集；
对所述第二网格历史运行数据集中的网格历史运行数据中的功率平均值再次进行LOF计算，得到对应的LOF数值；
将所述第二网格历史运行数据集中LOF数值最小的第二预设个数的网格历史运行数据删除，得到第一网格历史运行数据集。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一网格历史运行数据集，计算对风偏差角，具体包括：
对所述第一网格历史运行数据集中各网格历史运行数据中的风向标数值平均值进行平均计算；
将计算出的第一风向标数值平均值作为对风偏差角。
7.根据权利要求1所述的方法，其特征在于，所述根据所述对风偏差角对所述风电机组的偏航控制进行矫正，具体包括：
检查所述风电机组中是否预留有对所述风电机组的偏航控制进行矫正的矫正参数；
若有，则将所述对风偏差角赋值所述矫正参数，根据赋值后的矫正参数对所述风电机组的偏航控制进行矫正。
8.一种风电机组的对风偏差矫正装置，其特征在于，包括：
数据获取模块，用于获取所述风电机组在预设时间段内的历史运行数据；
网格化计算模块，用于对所述历史运行数据进行网格化计算，以获得网格历史运行数据；
数据筛选模块，用于采用机器学习算法从所述网格历史运行数据中筛选出第一网格历史运行数据集；
对风偏差角计算模块，用于根据所述第一网格历史运行数据集，计算对风偏差角；
偏航矫正模块，用于根据所述对风偏差角对所述风电机组的偏航控制进行矫正。
9.一种电子设备，其特征在于，包括：存储器，处理器以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行以实现如权利要求1-7中任一项所述的方法。
CN201910069352.5A 2019-01-24 2019-01-24 风电机组的对风偏差矫正方法、装置、设备及介质 Active CN110094300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910069352.5A CN110094300B (zh) 2019-01-24 2019-01-24 风电机组的对风偏差矫正方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910069352.5A CN110094300B (zh) 2019-01-24 2019-01-24 风电机组的对风偏差矫正方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN110094300A true CN110094300A (zh) 2019-08-06
CN110094300B CN110094300B (zh) 2020-04-21

Family

ID=67443768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910069352.5A Active CN110094300B (zh) 2019-01-24 2019-01-24 风电机组的对风偏差矫正方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN110094300B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062879A (zh) * 2022-08-19 2022-09-16 昆仑智汇数据科技(北京)有限公司 一种风电机组指标参数的获取方法、装置及设备
CN115857528A (zh) * 2022-12-01 2023-03-28 中国华能集团清洁能源技术研究院有限公司 一种基于卫星的风电机组偏航姿态控制方法
CN117195136A (zh) * 2023-11-03 2023-12-08 南通威森新能源科技有限公司 一种电网新能源异常数据监测方法
CN117907631A (zh) * 2024-03-20 2024-04-19 北京科技大学 一种基于风速传感器的风速矫正方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160032893A1 (en) * 2014-07-31 2016-02-04 General Electric Company System and method for enhanced operation of wind parks
CN106014858A (zh) * 2016-07-21 2016-10-12 浙江运达风电股份有限公司 一种风电机组对风误差自动校准方法及装置
CN106503406A (zh) * 2016-12-05 2017-03-15 广东明阳风电产业集团有限公司 一种风力发电机组偏航自动矫正控制方法
CN106649339A (zh) * 2015-10-30 2017-05-10 北大方正集团有限公司 离群点的挖掘方法及挖掘装置
CN106707233A (zh) * 2017-03-03 2017-05-24 广东工业大学 一种基于离群点检测的多边定位方法及装置
CN108412710A (zh) * 2018-01-30 2018-08-17 同济大学 一种风电机组风功率数据清洗方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160032893A1 (en) * 2014-07-31 2016-02-04 General Electric Company System and method for enhanced operation of wind parks
CN106649339A (zh) * 2015-10-30 2017-05-10 北大方正集团有限公司 离群点的挖掘方法及挖掘装置
CN106014858A (zh) * 2016-07-21 2016-10-12 浙江运达风电股份有限公司 一种风电机组对风误差自动校准方法及装置
CN106503406A (zh) * 2016-12-05 2017-03-15 广东明阳风电产业集团有限公司 一种风力发电机组偏航自动矫正控制方法
CN106707233A (zh) * 2017-03-03 2017-05-24 广东工业大学 一种基于离群点检测的多边定位方法及装置
CN108412710A (zh) * 2018-01-30 2018-08-17 同济大学 一种风电机组风功率数据清洗方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062879A (zh) * 2022-08-19 2022-09-16 昆仑智汇数据科技(北京)有限公司 一种风电机组指标参数的获取方法、装置及设备
CN115062879B (zh) * 2022-08-19 2022-10-28 昆仑智汇数据科技(北京)有限公司 一种风电机组指标参数的获取方法、装置及设备
CN115857528A (zh) * 2022-12-01 2023-03-28 中国华能集团清洁能源技术研究院有限公司 一种基于卫星的风电机组偏航姿态控制方法
CN117195136A (zh) * 2023-11-03 2023-12-08 南通威森新能源科技有限公司 一种电网新能源异常数据监测方法
CN117195136B (zh) * 2023-11-03 2024-03-05 南通威森新能源科技有限公司 一种电网新能源异常数据监测方法
CN117907631A (zh) * 2024-03-20 2024-04-19 北京科技大学 一种基于风速传感器的风速矫正方法及系统
CN117907631B (zh) * 2024-03-20 2024-05-24 北京科技大学 一种基于风速传感器的风速矫正方法及系统

Also Published As

Publication number Publication date
CN110094300B (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN110094300A (zh) 风电机组的对风偏差矫正方法、装置、设备及介质
CN103389388B (zh) 风电场风速预测方法及其装置和功率预测方法及其系统
CN102879199B (zh) 一种全工况风力机模拟器
Li et al. A physical approach of the short-term wind power prediction based on CFD pre-calculated flow fields
CN104993482A (zh) 电力系统暂态稳定性在线分析的分区合成方法及其装置
CN102819221B (zh) 风电机组低电压穿越特性联合仿真模型及其联合仿真方法
CN103020462A (zh) 计及复杂尾流效应模型的风电场概率输出功率计算方法
CN105184683A (zh) 一种基于风电场运行数据的概率聚类分群方法
CN106202815A (zh) 基于有功响应的双馈型风电场动态等值方法
CN104763585B (zh) 基于分布式数据收集的风电机组动态重构方法
CN110094297B (zh) 基于扇区的风力发电机组的控制方法及控制系统
CN114048896B (zh) 光伏发电数据的预测方法、系统、设备及介质
CN103248049B (zh) 含dfig风电场电力系统电压稳定域切平面的获取方法
CN108985490A (zh) 基于滑动窗口特征数据拟合的风力发电机功率曲线修正方法
Branlard et al. A multipurpose lifting-line flow solver for arbitrary wind energy concepts
CN107633368A (zh) 风力发电机组出力性能评估方法及装置
CN115221785A (zh) 一种神经网络预测模型的构建方法、预测方法、系统
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
CN113051845B (zh) 在役山地风电场实时风资源可视化评估方法、系统、设备及存储介质
CN113673788A (zh) 基于分解误差修正和深度学习的光伏发电功率预测方法
CN109521693A (zh) 一种风电场电磁暂态实时仿真方法和装置
CN111651939A (zh) 计及变流器控制参数差异的永磁风电场动态等值建模方法
CN202599970U (zh) 风电场风速预测装置和风电场功率预测系统
Pang et al. Multi kernel fusion convolutional neural network for wind turbine fault diagnosis
CN201845205U (zh) 一种基于单片机的大规模风场风能监测装置

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Shi Guangyu

Inventor after: Guo Xiangchen

Inventor before: Shi Guangyu