CN110296055B - 一种风向预测关联种子机组筛选方法 - Google Patents

一种风向预测关联种子机组筛选方法 Download PDF

Info

Publication number
CN110296055B
CN110296055B CN201910496917.8A CN201910496917A CN110296055B CN 110296055 B CN110296055 B CN 110296055B CN 201910496917 A CN201910496917 A CN 201910496917A CN 110296055 B CN110296055 B CN 110296055B
Authority
CN
China
Prior art keywords
wind
yaw
wind turbine
turbine generator
target
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
Application number
CN201910496917.8A
Other languages
English (en)
Other versions
CN110296055A (zh
Inventor
沈小军
付雪姣
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
Original Assignee
Tongji University
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 filed Critical Tongji University
Priority to CN201910496917.8A priority Critical patent/CN110296055B/zh
Publication of CN110296055A publication Critical patent/CN110296055A/zh
Priority to US16/898,001 priority patent/US20200386209A1/en
Application granted granted Critical
Publication of CN110296055B publication Critical patent/CN110296055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • 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
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G01P13/02—Indicating direction only, e.g. by weather vane
    • G01P13/04—Indicating positive or negative direction of a linear movement or clockwise or anti-clockwise direction of a rotational movement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F05B2260/8211—Parameter estimation or prediction of the weather
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/321—Wind directions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/329—Azimuth or yaw angle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及一种风向预测关联种子机组筛选方法，该方法包括如下步骤：(1)基于风向角度、风速和偏航参数对风电机组偏航事件建模，获取建模时间段内风电场内各风电机组的风机偏航事件标志；(2)对风机偏航事件标志进行分类计数，获取风电场内除目标风电机组外的其余各风电机组与目标风电机组的偏航相关性系数；(3)基于偏航相关性系数筛选种子机组。与现有技术相比，本发明方法具有种子机组区分度高，误差小，相关性高，风速特征贴近等优点。

Description

一种风向预测关联种子机组筛选方法
技术领域
本发明涉及一种种子机组筛选方法，尤其是涉及一种风向预测关联种子机组筛选方法。
背景技术
随着风力发电技术的不断发展，风电装机规模和单机容量不断提升，开展提高风电机组使用寿命和风能利用效率已经成为研究重点之一。研究表明精准的超短期风向预测可有效优化风电机组偏航系统的工作性能，提升风电机组的运行寿命和可靠性，提高风能利用率。开展面向风电机组偏航控制的风向预测理论方法和关键技术研究具有重要的工程价值和应用前景。
在实际气象环境中，相邻区域的风向之间具有较强的相关性，利用风电场风电机组间的风向相关性实现风向预测具有工程可行性。基于空间相关性的风向预测中，关联机组的选择与风向预测结果的精度和稳定度紧密相关，因此关联机组的筛选是关联预测方法的重要环节之一。
目前多采用直接对风速值进行相关性计算，参照这一数学直觉，分析风向相关性可采用直接计算风向角度值的相关性系统，即风向角度相关系数法。但案例研究结果发现风向角度相关系数法存在筛选关联机组区分度低，不利于筛选出关联机组，保障风向预测的精度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风向预测关联种子机组筛选方法。
本发明的目的可以通过以下技术方案来实现：
一种风向预测关联种子机组筛选方法，该方法包括如下步骤：
(1)基于风向角度、风速和偏航参数对风电机组偏航事件建模，获取建模时间段内风电场内各风电机组的风机偏航事件标志；
(2)对风机偏航事件标志进行分类计数，获取风电场内除目标风电机组外的其余各风电机组与目标风电机组的偏航相关性系数；
(3)基于偏航相关性系数筛选种子机组。
步骤(1)中风机偏航事件标志取值为{-1，0，1}，其中，1表示顺时针偏航，-1表示逆时针偏航，0表示不偏航。
步骤(1)具体为：
对n号风电机组分别执行步骤(11)～(16)获取风机偏航事件标志，n＝1,2…,k，k为风电场内风电机组总数：
(11)设定i＝1，
Figure GDA0002446001820000021
为第i个时刻n号风电机组的偏航角度，
Figure GDA0002446001820000022
为第i个时刻n号风电机组的测量风向角度；
(12)获取第1个时刻n号风电机组的偏航角度
Figure GDA0002446001820000023
Figure GDA0002446001820000024
(13)根据下式获取第i个时刻n号风电机组的偏航启动角度
Figure GDA0002446001820000025
Figure GDA0002446001820000026
其中，
Figure GDA0002446001820000027
为第i个时刻n号风电机组的测量风速，vseg为设定的分段风速，deg1、deg2为设定的偏航启动角；
(14)计算第i个时刻n号风电机组的风向偏转角
Figure GDA0002446001820000028
Figure GDA0002446001820000029
(15)根据下式获取第i个时刻n号风电机组的风机偏航事件标识
Figure GDA00024460018200000210
并更新
Figure GDA00024460018200000211
Figure GDA00024460018200000212
Figure GDA00024460018200000213
(16)赋值i＝i+1，判断i是否小于ndata，若是，返回步骤(13)，否则结束，ndata为建模时间段内时刻总数。
步骤(2)具体为：
设目标风电机组编号为n2，针对风电场内的j号风电机组，执行步骤(21)～(22)获取风电场内的j号风电机组与目标风电机组的偏航相关性系数
Figure GDA0002446001820000031
j＝1,2,…,k且j≠n2，k为风电场内风电机组总数：
(21)根据风机偏航事件标志统计建模时间段内相邻时刻j号风电机组和目标风电机组均偏航且偏航事件相同的次数L(1,1)、建模时间段内相邻时刻j号风电机组偏航而目标风电机组不偏航的次数L(1,2)、建模时间段内相邻时刻j号风电机组不偏航而目标风电机组偏航的次数L(2,1)、建模时间段内相邻时刻j号风电机组和目标风电机组均不偏航的次数L(2,2)；
(22)根据L(1,1)、L(1,2)、L(2,1)、L(2,2)计算j号风电机组与n2号风电机组的偏航相关性系数
Figure GDA0002446001820000032
步骤(21)具体为：
(21a)根据风机偏航事件标志获取统计建模时间段内目标风电机组的风机偏航事件标志为b且下一时刻j号风电机组的风机偏航事件标志为a的次数n(a，b)，其中a和b取值为{-1，0，1}；
(21b)根据下式确定L(1,1)、L(1,2)、L(2,1)、L(2,2)：
Figure GDA0002446001820000033
步骤(22)中的
Figure GDA0002446001820000034
过下式确定：
Figure GDA0002446001820000035
步骤(3)具体步骤为：
(31)比较风电场内除目标风电机组外的其余各风电机组与目标风电机组的偏航相关性系数；
(32)筛选相关性最强的风电机组作为用于风向预测的关联种子机组。
所述的步骤(32)中相关性最强的机组通过下式筛选得到：
Figure GDA0002446001820000036
其中，n2为目标风电机组编号为，
Figure GDA0002446001820000037
为j号风电机组与目标风电机组的偏航相关性系数，j＝1,2,…,k且j≠n2，k为风电场内风电机组总数。
与现有技术相比，本发明具有如下优点：
(1)由风电机组偏航系统控制原理可知，风电机组偏航与否不仅与风向相关，同时也与当前时刻风速大小相关，理论上，风电机组间偏航事件相同次数越多，代表风机偏航事件相关性越好，偏航事件相关性较高的两机组之间不仅风向相关性高，其风速特征也较为贴近，能为风机偏航提供更好的指导，风电机组风向预测的根本目的是为风电机组偏航系统控制服务的，因此，本发明基于风机偏航事件相关性筛选的关联机组能更好地保障目标风电机组的风向预测的精度；
(2)本发明提出了一种基于偏航事件相关性的关联机组筛选方法，通过对风电机组偏航行为进行数学建模，然后采用列联表Q系数法计算其它风电机组与目标风电机组偏航事件间的相关性，最后选择与目标风电机组偏航相关性值最大的机组作为空间关联机种子组，本发明避免了直接采用风向角度相关性计算的区分度差的不足，为保障基于空间相关的风向预测精度奠定基础；
(3)本发明筛选风向预测关联种子机组的目的是指导风电机组风向预测，提高风电机组风向预测的精度，本发明结合风向、风速和偏航参数筛选种子机组计算偏航相关性系数，使筛选种子机组的相关性高，风速特征贴近，为风电机组风向预测提供更好的指导。
附图说明
图1为本发明风向预测关联种子机组筛选方法的整体流程框图；
图2为本发明风机偏航事件建模获取风机偏航事件标志的具体流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
如图1所示，一种风向预测关联种子机组筛选方法，该方法包括如下步骤：
(1)基于风向角度、风速和偏航参数对风电机组偏航事件建模，获取建模时间段内风电场内各风电机组的风机偏航事件标志，风机偏航事件标志取值为{-1，0，1}，其中，1表示顺时针偏航，-1表示逆时针偏航，0表示不偏航；
(2)对风机偏航事件标志进行分类计数，获取风电场内除目标风电机组外的其余各风电机组与目标风电机组的偏航相关性系数；
(3)基于偏航相关性系数筛选种子机组。
本发明方法包括三个部分：A、风电机组偏航行为数学建模，B、基于列联表Q系数的风电机组偏航事件相关性计算，C、基于偏航相关性的关联种子筛选。
其中A、风电机组偏航行为数学建模即为上述步骤(1)所执行内容，具体地，如图2所示步骤(1)具体为：
对风电场内n号风电机组分别执行步骤(11)～(16)获取风机偏航事件标志，n＝1,2…,k，k为风电场内风电机组总数：
(11)设定i＝1，
Figure GDA0002446001820000051
为第i个时刻n号风电机组的偏航角度，
Figure GDA0002446001820000052
为第i个时刻n号风电机组的测量风向角度；
(12)获取第1个时刻n号风电机组的偏航角度
Figure GDA0002446001820000053
Figure GDA0002446001820000054
(13)根据下式获取第i个时刻n号风电机组的偏航启动角度
Figure GDA0002446001820000055
Figure GDA0002446001820000056
其中，
Figure GDA0002446001820000057
为第i个时刻n号风电机组的测量风速，vseg为设定的分段风速，deg1、deg2为设定的偏航启动角；
(14)计算第i个时刻n号风电机组的风向偏转角
Figure GDA0002446001820000058
Figure GDA0002446001820000059
(15)根据下式获取第i个时刻n号风电机组的风机偏航事件标识
Figure GDA00024460018200000510
并更新
Figure GDA00024460018200000511
Figure GDA00024460018200000512
Figure GDA00024460018200000513
(16)赋值i＝i+1，判断i是否小于ndata，若是，返回步骤(13)，否则结束，ndata为建模时间段内时刻总数。
B、基于列联表Q系数的风电机组偏航事件相关性计算即为上述步骤(2)所执行内容。
由于偏航事件标识
Figure GDA0002446001820000061
为离散定类变量，每个值代表一个类别，这些值之间没有大小、次序之分。列联表是一种将样本按照两个或两个以上的特征分类后的交叉频数表，可以简明扼要的体现出两个样本在不同特征情况下的样本频数，构造n1号风电机组和n2号风电机组的偏航事件2×2列联表，如表1所示，用于偏航事件相关性计算。
表1风机偏航事件列联表
Figure GDA0002446001820000062
其中，L(1,1)表示建模时间段内相邻时刻n1号风电机组和目标风电机组均偏航且偏航事件相同的次数、L(1,2)为建模时间段内相邻时刻n1号风电机组偏航而目标风电机组不偏航的次数、L(2,1)为建模时间段内相邻时刻n1号风电机组不偏航而目标风电机组偏航的次数、L(2,2)为建模时间段内相邻时刻n1号风电机组和目标风电机组均不偏航的次数。
根据上述原理，可达到步骤(2)具体为：
设目标风电机组编号为n2，针对风电场内的j号风电机组，执行步骤(21)～(22)获取风电场内的j号风电机组与目标风电机组的偏航相关性系数
Figure GDA0002446001820000063
j＝1,2,…,k且j≠n2，k为风电场内风电机组总数：
(21)根据风机偏航事件标志统计建模时间段内相邻时刻j号风电机组和目标风电机组均偏航且偏航事件相同的次数L(1,1)、建模时间段内相邻时刻j号风电机组偏航而目标风电机组不偏航的次数L(1,2)、建模时间段内相邻时刻j号风电机组不偏航而目标风电机组偏航的次数L(2,1)、建模时间段内相邻时刻j号风电机组和目标风电机组均不偏航的次数L(2,2)；
(22)根据L(1,1)、L(1,2)、L(2,1)、L(2,2)计算j号风电机组与n2号风电机组的偏航相关性系数
Figure GDA0002446001820000064
其中，步骤(21)具体为：
(21a)根据风机偏航事件标志获取统计建模时间段内目标风电机组的风机偏航事件标志为b且下一时刻j号风电机组的风机偏航事件标志为a的次数n(a，b)，其中a和b取值为{-1，0，1}；
(21b)根据下式确定L(1,1)、L(1,2)、L(2,1)、L(2,2)：
Figure GDA0002446001820000071
需要说明的是，列联表的四组数据中，L(2,2)一般占样本总量的百分之八十以上；而n(1,-1)和n(-1,1)的总和不超过样本总量的百分之一，相关系数计算无明显影响，故略去。
步骤(22)中的
Figure GDA0002446001820000072
过下式确定：
Figure GDA0002446001820000073
Figure GDA0002446001820000074
系数的取值在-1到1之间，
Figure GDA0002446001820000075
越接近于1，表明j号风电机组和目标风电机组(目标风电机组为n2号风电机组)在固定时间段内偏航事件相同的次数越多，偏航事件正相关；
Figure GDA0002446001820000076
越接近于-1，表明j号风电机组和目标风电机组在固定时间段内偏航事件不同的次数越多，偏航事件负相关；
Figure GDA0002446001820000077
则表示j号风电机组和目标风电机组偏航事件不相关。
C、基于偏航相关性的关联种子筛选即为上述步骤(3)所执行内容，步骤(3)具体步骤为：
(31)比较风电场内除目标风电机组外的其余各风电机组与目标风电机组的偏航相关性系数；
(32)筛选相关性最强的风电机组作为用于风向预测的关联种子机组，具体地，步骤(32)中相关性最强的机组通过下式筛选得到：
Figure GDA0002446001820000078
其中，n2为目标风电机组编号为，
Figure GDA0002446001820000079
为j号风电机组与目标风电机组的偏航相关性系数，j＝1,2,…,k且j≠n2，k为风电场内风电机组总数。
综上所述，基于偏航相关性的风向空间关联机组的筛选方法如下：
Step1：读取风速、风向时间序列，并输入偏航参数(分段风速vseg，偏航启动角deg1，deg2)。
Step2：对偏航事件建模，然后对
Figure GDA00024460018200000710
进行分类计数，得到L(1,1)、L(1,2)、L(2,1)、L(2,2)；
Step3：根据L(1,1)、L(1,2)、L(2,1)、L(2,2)的列联表计算值及计算偏航相关系数
Figure GDA0002446001820000081
Step4：比较所有风电机组与目标风电机组的风向空间相关强度，选择相关性最强的机组作为关联机组，用于基于空间相关性的风向预测。
总结上述，本发明提出了一种风向预测关联种子机组筛选方法，该发明通过对风电机组偏航行为进行数学建模，然后采用Q系数法计算风电机组与目标预测风电机组偏航事件间的相关性系数，最后选择与目标风电机组偏航相关性值最大的机组作为空间关联机组种子，本发明避免了直接采用风向角度相关性计算的区分度差的不足，为保障基于空间相关的风向预测精度奠定基础。
为了验证提出的一种风向预测关联种子机组筛选方法的有效性，选取华北某风电场17台风电机组11月份运行数据，取1000个连续时刻，分别以6#和24#机组为目标风电机组，计算和其他16台机组风向数据的偏航事件相关性。
偏航事件相关性计算中，该风电场的偏航控制策略为，设定分段风速为vseg＝8m/s，当风速大于8m/s时，偏航启动角deg2设定为8°，当风速小于8m/s时偏航启动角deg1设定为16°。风向角度相关性和偏航事件相关性的计算结果如表2所示，表中的风向角度相关系统是采用经典的Pearson公式计算，表中的偏航时间相关系数采用本发明提出的方法计算。
表2 6#和24#机组与其他风电机组风向空间相关性计算结果
Figure GDA0002446001820000082
由表2可知，当6#为目标风电机组时，16台机组中有2、8、19、20、22、23、24七台机组与6#风向线性相关系数在0.94左右，当24#为目标风电机组时，16台机组中有2、8、14、19、20、22、23与24#风机的风向线性相关系数在0.99左右，0.94、0.99在Pearson相关系数的值域等级解释中均属于极强相关，可见同一风电场中预测目标风电机组与其他机组风向相关性的区分度较低，无法作为筛选关联机组的有效手段。
而采用本发明提出的一种风向预测关联种子机组筛选方法计算偏航时间相关性系数，可以看到以6#为目标风电机组时，相关性系数最大的是第17组，相关性系数Q17,6＝0.7505，以25#为目标风电机组时，相关性系数最大的是第23组，相关性系数Q23,6＝0.8564，采用本发明方法相关性区分度明显优于风向线性相关性。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (7)

1.一种风向预测关联种子机组筛选方法，其特征在于，该方法包括如下步骤：
步骤(1)基于风向角度、风速和偏航参数对风电机组偏航事件建模，获取建模时间段内风电场内各风电机组的风机偏航事件标志；
步骤(2)对风机偏航事件标志进行分类计数，获取风电场内除目标风电机组外的其余各风电机组与目标风电机组的偏航相关性系数；
步骤(3)基于偏航相关性系数筛选种子机组；
步骤(3)具体步骤为：
步骤(31)比较风电场内除目标风电机组外的其余各风电机组与目标风电机组的偏航相关性系数；
步骤(32)筛选相关性最强的风电机组作为用于风向预测的关联种子机组。
2.根据权利要求1所述的一种风向预测关联种子机组筛选方法，其特征在于，步骤(1)中风机偏航事件标志取值为{-1，0，1}，其中，1表示顺时针偏航，-1表示逆时针偏航，0表示不偏航。
3.根据权利要求2所述的一种风向预测关联种子机组筛选方法，其特征在于，步骤(1)具体为：
对n号风电机组分别执行步骤(11)～步骤(16)获取风机偏航事件标志，n＝1,2…,k，k为风电场内风电机组总数：
步骤(11)设定i＝1，
Figure FDA0002446001810000011
为第i个时刻n号风电机组的偏航角度，
Figure FDA0002446001810000012
为第i个时刻n号风电机组的测量风向角度；
步骤(12)获取第1个时刻n号风电机组的偏航角度
Figure FDA0002446001810000013
Figure FDA0002446001810000014
步骤(13)根据下式获取第i个时刻n号风电机组的偏航启动角度
Figure FDA0002446001810000015
Figure FDA0002446001810000016
其中，
Figure FDA0002446001810000017
为第i个时刻n号风电机组的测量风速，vseg为设定的分段风速，deg1、deg2为设定的偏航启动角；
步骤(14)计算第i个时刻n号风电机组的风向偏转角
Figure FDA0002446001810000018
Figure FDA0002446001810000021
步骤(15)根据下式获取第i个时刻n号风电机组的风机偏航事件标识
Figure FDA0002446001810000022
并更新
Figure FDA0002446001810000029
Figure FDA0002446001810000024
Figure FDA0002446001810000025
步骤(16)赋值i＝i+1，判断i是否小于ndata，若是，返回步骤(13)，否则结束，ndata为建模时间段内时刻总数。
4.根据权利要求2所述的一种风向预测关联种子机组筛选方法，其特征在于，步骤(2)具体为：
设目标风电机组编号为n2，针对风电场内的j号风电机组，执行步骤(21)～步骤(22)获取风电场内的j号风电机组与目标风电机组的偏航相关性系数
Figure FDA0002446001810000026
Figure FDA0002446001810000027
且j≠n2，k为风电场内风电机组总数：
步骤(21)根据风机偏航事件标志统计建模时间段内相邻时刻j号风电机组和目标风电机组均偏航且偏航事件相同的次数L(1,1)、建模时间段内相邻时刻j号风电机组偏航而目标风电机组不偏航的次数L(1,2)、建模时间段内相邻时刻j号风电机组不偏航而目标风电机组偏航的次数L(2,1)、建模时间段内相邻时刻j号风电机组和目标风电机组均不偏航的次数L(2,2)；
步骤(22)根据L(1,1)、L(1,2)、L(2,1)、L(2,2)计算j号风电机组与n2号风电机组的偏航相关性系数
Figure FDA0002446001810000028
5.根据权利要求4所述的一种风向预测关联种子机组筛选方法，其特征在于，步骤(21)具体为：
步骤(21a)根据风机偏航事件标志获取统计建模时间段内目标风电机组的风机偏航事件标志为b且下一时刻j号风电机组的风机偏航事件标志为a的次数n(a，b)，其中a和b取值为{-1，0，1}；
步骤(21b)根据下式确定L(1,1)、L(1,2)、L(2,1)、L(2,2)：
L(1，1)＝n(1，1)+n(-1，-1)
L(1，2)＝n(1，0)+n(-1，0)
L(2，1)＝n(0，1)+n(0，-1)
L(2，2)＝n(0，0)。
6.根据权利要求4所述的一种风向预测关联种子机组筛选方法，其特征在于，步骤(22)中的
Figure FDA0002446001810000031
过下式确定：
Figure FDA0002446001810000032
7.根据权利要求1所述的一种风向预测关联种子机组筛选方法，其特征在于，所述的步骤(32)中相关性最强的机组通过下式筛选得到：
Figure FDA0002446001810000033
其中，n2为目标风电机组编号为，
Figure FDA0002446001810000034
为j号风电机组与目标风电机组的偏航相关性系数，j＝1，2，…，k且j≠n2，k为风电场内风电机组总数。
CN201910496917.8A 2019-06-10 2019-06-10 一种风向预测关联种子机组筛选方法 Active CN110296055B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910496917.8A CN110296055B (zh) 2019-06-10 2019-06-10 一种风向预测关联种子机组筛选方法
US16/898,001 US20200386209A1 (en) 2019-06-10 2020-06-10 Method for screening correlated seed turbine for wind direction prediction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910496917.8A CN110296055B (zh) 2019-06-10 2019-06-10 一种风向预测关联种子机组筛选方法

Publications (2)

Publication Number Publication Date
CN110296055A CN110296055A (zh) 2019-10-01
CN110296055B true CN110296055B (zh) 2020-07-28

Family

ID=68027800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910496917.8A Active CN110296055B (zh) 2019-06-10 2019-06-10 一种风向预测关联种子机组筛选方法

Country Status (2)

Country Link
US (1) US20200386209A1 (zh)
CN (1) CN110296055B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680823A (zh) * 2020-05-12 2020-09-18 同济大学 一种风向信息预测方法及系统
CN114722563B (zh) * 2021-12-02 2023-04-28 中国电建集团江西省电力设计院有限公司 基于ahp的复杂地形风电场发电量折减系数取值方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10137272A1 (de) * 2001-07-31 2003-02-27 Aloys Wobben Frühwarnsystem für Windenergieanlagen
WO2015048972A1 (en) * 2013-10-01 2015-04-09 Vestas Wind Systems A/S Safe mode operation at high yaw error
JP6247957B2 (ja) * 2014-02-26 2017-12-13 三菱重工業株式会社 風力発電装置のヨー制御システム及びヨー制御方法
EP2955368A1 (en) * 2014-06-10 2015-12-16 ABB Technology AG Optimal wind farm operation
CN104632521B (zh) * 2014-12-19 2017-08-01 风脉（武汉）可再生能源技术有限责任公司 一种基于偏航校正的风电功率优化系统及其方法
CN105041570B (zh) * 2015-07-30 2017-12-15 北京天诚同创电气有限公司 风电机组偏航控制方法和装置
CN105868848B (zh) * 2016-03-25 2019-05-21 湘潭大学 一种机组间偏航和有功功率综合协调的风电场增效方法
WO2017178027A1 (en) * 2016-04-13 2017-10-19 Vestas Wind Systems A/S Control method for a wind turbine
US10385829B2 (en) * 2016-05-11 2019-08-20 General Electric Company System and method for validating optimization of a wind farm
EP3478961B1 (en) * 2016-06-30 2020-05-20 Vestas Wind Systems A/S Control method for a wind turbine
CN108167119B (zh) * 2016-12-07 2019-04-30 北京金风科创风电设备有限公司 风力发电机组的主动偏航控制方法及控制器
CN106640548B (zh) * 2016-12-19 2019-03-29 北京金风科创风电设备有限公司 用于风力发电机组的状态监测方法和装置
CN108894919B (zh) * 2018-06-27 2019-07-12 北京金风科创风电设备有限公司 风力发电机组的启动控制方法和装置、存储介质

Also Published As

Publication number Publication date
CN110296055A (zh) 2019-10-01
US20200386209A1 (en) 2020-12-10

Similar Documents

Publication Publication Date Title
CN110761947B (zh) 一种风电机组偏航校准方法及系统
Buhan et al. Wind pattern recognition and reference wind mast data correlations with NWP for improved wind-electric power forecasts
Reder et al. Data-driven learning framework for associating weather conditions and wind turbine failures
Bracale et al. Multivariate quantile regression for short-term probabilistic load forecasting
Chen et al. Wind power forecasts using Gaussian processes and numerical weather prediction
Liu et al. Wind power plant prediction by using neural networks
Jeon et al. Using conditional kernel density estimation for wind power density forecasting
Chen et al. Short-Term Wind Power Forecasting Using Gaussian Processes.
Hübner et al. Detection of mass imbalance in the rotor of wind turbines using Support Vector Machine
CN110296055B (zh) 一种风向预测关联种子机组筛选方法
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
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
Wen et al. A combined AR-kNN model for short-term wind speed forecasting
CN115115090A (zh) 一种基于改进lstm-cnn的风功率短期预测方法
Khan et al. Determination of optimal parametric distribution and technical evaluation of wind resource characteristics for wind power potential at Jhimpir, Pakistan
CN114819385A (zh) 风电功率预测方法、装置、电子设备及存储介质
Cali Grid and market integration of large-scale wind farms using advanced wind power Forecasting: technical and energy economic aspects
CN110273818B (zh) 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法
CN111488712A (zh) 一种基于迁移学习的风力发电机功率曲线建模方法
Dufek et al. Data-driven symbolic ensemble models for wind speed forecasting through evolutionary algorithms
Bao et al. Iterative modeling of wind turbine power curve based on least‐square B‐spline approximation
Liu et al. Analysis and comparison of turbulence models on wind turbine performance using SCADA data and machine learning technique
CN113048012A (zh) 基于混合高斯模型的风电机组偏航角度识别方法和装置
Yamin et al. Support Vector Regression Approach for Wind Forecasting
Deepak et al. Performance Analysis of Novel Linear Regression Algorithm with Improved Accuracy Compared over K-Nearest Neighbor in Predicting Wind Power Generation

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