CN111322205A - 风电机组风向标零位误差辨识方法及校正方法 - Google Patents

Abstract

本发明涉及一种风电机组风向标零位误差辨识方法，读取需求周期内风电机组的运行数据作为初始数据集；从初始数据集中筛选出偏航控制系统正常运作时的运行数据作为待分析数据集；将待分析数据集按照一定偏航误差间隔划分为N个子集；分别计算每个子集的量化功率性能指标；取量化功率性能指标最大值对应的子集，并在该子集中选取偏航误差下界和上界取平均值，即为风电机组的风向标零位误差辨识值。本发明的方法基于数据驱动，具有较强的普适性、可扩展性与可迁移性，对风电机组性能提升有着很大的经济价值与应用意义，对基于数据分析手段提升风电机组的发电性能有着较高的理论研究与实际应用价值。

Description

风电机组风向标零位误差辨识方法及校正方法

技术领域

本发明涉及一种风电机组风向标零位误差辨识及校正方法，特别涉及一种数据驱动的风电机组风向标零位误差辨识及校正方法。

背景技术

在化石能源日益匮乏的今天，风力发电以其低污染、储量丰富与可再生的优质特性而逐渐在可再生能源领域中备受青睐。自21世纪初开始，从装机容量的与日俱增到建设力度的日益壮大，都在昭示着作为国内外新型可再生能源产业的领军行业之一的风电行业正经历着十分迅猛的发展。但在十余年蓬勃发展后的当下也逐渐暴露出了一系列负面因素，其中最为显著的便是在役风电机组设备组件的日益恶化带来的运行性能下降等问题。因此，如何以提升风电机组性能为目的，准确地对风电机组在高间歇性、强随机性的运行风况下的运行状况加以量化评估，并抓住其中最为广泛的问题加以解决则逐渐成为风电场智慧运维原理的首要问题之一。

目前，在役大型风电机组的类型主要为水平轴风力发电机组。这一类机组在应对变化风向时，通常由其内部集成的偏航系统通过调整机舱朝向的方式来实现风能捕获效率的最大化。如图1所示为水平轴风力发电机组偏航系统示意图，其中：θ_w为来流风向与正北方向的夹角，称为风向角；θ_n为机舱与正北方向的夹角，称为机舱位置。风向标一般安装在机舱后方，且理论的零点位置应与机舱位置时刻对齐；在风电机组正常运行过程中，风向标受风力作用而时刻指向风向来流方向，因此其测量值理论应为风电机组机舱位置与来流风向之间的夹角，即偏航误差真实值，记为θ_r；但风向标在实际安装与运行时由于装机人员的安装偏差以及运行中的回程偏差的影响，实际零点位置与理论零点位置(机舱位置)之间往往存在偏差，即风向标零位误差，记为θ_e；此时风向标的实际测量结果为来流风向与实际零点位置之间的夹角，即偏航误差测量值，记为θ_m。不同角度之间的关系如下各式所示：

θ_r＝θ_m+θ_e

θ_w＝θ_n+θ_r＝θ_n+θ_m+θe

偏航系统的控制策略是通过控制机舱转动来使得真实偏航误差θ_r接近0°，但由于风向标零位误差θ_e的存在，使得偏航误差真实值θ_r与测量值θ_m之间一直存在误差，即无法实现偏航系统的既定控制目标。

发明内容

本发明的目的在于提供一种风电机组风向标零位误差辨识方法及校正方法，该方法基于数据驱动，首先从数据集中提取出偏航控制系统运行中的数据，之后基于不同的偏航误差区间对风电机组的运行数据进行划分，进一步通过对比不同区间下的风电机组量化功率性能确定风向标零位误差估计结果，最后基于理论分析结果实现对偏航误差测量值的补偿校正目的，从而从数据驱动角度实现风力发电系统发电性能的提升，对于风电场智慧运维的实施与应用起到了推进的作用。

为实现上述目的，本发明所采取的技术方案是：

一种风电机组风向标零位误差辨识方法，其特征在于：

读取需求周期内风电机组的运行数据作为初始数据集；

从初始数据集中筛选出偏航控制系统正常运作时的运行数据作为待分析数据集；

将待分析数据集按照一定偏航误差间隔划分为N个子集；

分别计算每个子集的量化功率性能指标；

取量化功率性能指标最大值对应的子集，并在该子集中选取偏航误差下界和上界取平均值，即为风电机组的风向标零位误差辨识值。

进一步地，所述初始数据集包括风速测量值、功率测量值、偏航误差测量值和桨距角测量值。

进一步地，所述偏航控制系统正常运作的判断条件为：

风电机组切入风速≤风速测量值≤风电机组切出风速 ①

功率测量值＞0 ②

|桨距角测量值|＜桨距角低风速段给定最大阈值 ③

当同时满足①②③时判定为偏航控制系统正常运作时的运行数据。

进一步地，所述待分析数据集包括风速测量值、功率测量值和偏航误差测量值。

进一步地，所述待分析数据集按照一定偏航误差间隔划分为N个子集包括：

a、绘制待分析数据集中偏航误差测量值的频率分布直方图，选取上一定百分比的分位数和下一定百分比的分位数的取整值作为待分析偏航误差测量值的上界和下界；

b、确定偏航误差划分子集个数N，则偏航误差划分间隔等于待分析偏航误差的上界和下界之差除以子集个数N；

c、根据偏航误差划分间隔确定每个子集的偏航误差下界与偏航误差上界；

d、根据步骤c中确定的偏航误差下界和上界对待分析数据集进行划分。

进一步地，所述待分析偏航误差测量值的上界和下界分别为所述频率分布直方图上75％分位数和下25％分位数的取整值。

进一步地，所述子集包括风速测量值和功率测量值。

进一步地，所述子集的量化功率性能指标为该子集的平均功率测量值。

进一步地，所述所述子集的量化功率性能指标计算包括：

a、在子集中提取风速最小值和风速最大值，并给定一风速划分间隔，

b、则该子集的风速子区间划分个数等于风速最大值和风速最小值之差除以风速划分间隔，向上取正整数；

c、根据风速最大值或风速最小值、风速子区间划分个数以及风速划分间隔，计算出子集中每个风速子区间的风速划分下界和风速划分上界；

d、根据步骤c中得到的每个风速子区间的风速划分下界和风速划分上界对该子集进行划分，并且计算出每个风速子区间的功率平均值；

e、对该子集内所有风速子区间的功率平均值求和，再平均得到该子集的量化功率性能指标。

一种风电机组风向标零位误差校正方法，其特征在于：通过上述风电机组风向标零位误差辨识方法得到风电机组的风向标零位误差辨识值，将风向标零位误差辨识值在线增量补偿到偏航误差测量值上进行校正。

本发明的有益效果为：

(1)本发明的方法基于数据驱动，首先从数据集中提取出偏航控制系统运行中的数据，之后基于不同的偏航误差区间对风电机组的运行数据进行划分，进一步通过对比不同区间下的风电机组量化功率性能确定风向标零位误差估计结果，最后基于理论分析结果实现对偏航误差测量值的补偿校正目的，从而从数据驱动角度实现风力发电系统发电性能的提升，对于风电场智慧运维的实施与应用起到了推进的作用。

(2)本发明的方法基于数据驱动，易于实际应用且对风电机组无特殊要求，具有较强的普适性、可扩展性与可迁移性，对风电机组性能提升有着很大的经济价值与应用意义，对基于数据分析手段提升风电机组的发电性能有着较高的理论研究与实际应用价值，推动数据驱动的智能辨识与校正技术在风力发电领域的研究与应用。

(3)针对风电场运维过程中普遍存在的疑难问题，创新性地提出一种基于数据分析技术的风电机组风向标零位误差辨识及校正方法，该方法具有在线应用意义，在解决了风电行业痛点问题的同时为基于数据分析的智能辨识与补偿技术在风电机组的性能提升领域的推广提供推动作用。

(4)风电场时刻运行在高不确定性、高随机性的风况条件下，因此实际运行数据可能由于运行环境差异而难以对偏航误差的校正有效性进行验证，算法创新性地从仿真数据分析层面验证了风电机组性能提升的有效性，为风电领域风电机组性能提升技术的验证提供十分有价值的参考，且算法设计较为灵活，具有较强的扩展性与迁移性。

附图说明

图1为风电应用领域中水平轴风力发电机组偏航系统示意图。

图2为实施例中的风电机组待分析数据集的三维可视化散点图。

图3为实施例中的风向标零位误差校正前的偏航误差频率分布直方图。

图4为实施例中的零位误差校正前各个子集的量化功率性能指标结果图。

图5为实施例中的零位误差校正后各个子集的量化功率性能指标结果图。

具体实施方式

为了更好地理解本发明，下面结合实施例和附图对本发明的技术方案做进一步的说明。

考虑到风电场中的风力发电系统在不同时段内运行时的风况无法完全一致，而补偿前后的控制效果对于不同的风况而言是无法进行比较的，为准确地进行技术有效性的验证，本实施例中采用的数据集来自仿真软件GHBladed3.82在相同风电机组、相同风况文件下的仿真数据。本数据集的数据采样间隔为10min，数据时间跨度为5年，数据条目总计284405条。数据集中包括的详细信息与部分数据实例如表1、表2所示：

表1 GHBladed3.82下对某风电机组在某风况下的部分仿真数据

表2 GHBladed3.82下对某风电机组的仿真数据集变量信息统计

由于GH Bladed中测量得到的偏航误差并不会出现实际过程中的人为安装偏差和回程误差等现象，因此在仿真过程中采用将测量值人为+5°的方式来模拟实际过程中存在-5°偏航误差固有偏差的现象。本实施例详细实施步骤具体如下：

1)根据待分析风电机组风向标零位误差辨识及校正需求，读取需求周期内风电机组SCADA系统中记录的M′条风电机组运行数据作为初始数据集{WT_i}，该数据集包含风速测量值{v_i}、功率测量值{P_i}、偏航误差测量值{θ_i}以及桨距角测量值{β_i}，其中i＝1，2，3，…，M′；由表1和表2所示，本实施例中的仿真数据集包括了本步骤中的所有必要信息。

2)基于偏航控制系统运行判断准则从步骤1)的初始数据集{WT_i}中筛选出偏航控制系统正常运作时的总计M条风电机组运行数据作为待分析数据集{YE_k}＝{v_k，P_k，θ_k}，其中k＝1，2，3，…，M；偏航控制系统运行判断的一种优选准则定义如下，但不限于此：

2-a)设定待判别数据初始下标i＝1，并设置初始待分析数据集

2-b)若初始数据集{WT_i}中的第i条数据满足如下条件，则继续执行步骤2-c)，反之则跳至2-d)继续执行：

v_{cut_in}≤v_i≤v_{cut_out}且P_i＞0且|β_k|＜β_thres

其中，v_{cut_in}为风电机组切入风速，v_{cut_out}为风电机组切出风速，β_thres为桨距角低风速段给定最大阈值；在本实施例中，用于仿真分析的某风电机组的切入风速v_{cut_in}＝3m/s，切出风速v_{cut_out}＝25m/s，桨距角低风速段给定最大阈值主要基于控制策略选取，本实施例中β_thres＝2°；

2-c)将第i条数据的风速值v_i、功率值P_i以及偏航误差值θ_i作为待分析数据插入到待分析数据集{YE_k}中；

2-d)设定数据下标i＝i+1，并重复进行步骤2-b)至2-c)，直到i＞M′为止，并记此时待分析数据集{YE_k}中的数据个数为M。本实施例中的待分析数据集的三维可视化散点图如图2所示。

3)将步骤2)中的待分析数据集{YE_k}按照一定偏航误差间隔划分为N个子集，将第j个子集中的数据的偏航误差下界记为

偏航误差上界记为

数据个数记为M_j、数据集记为

其中j＝1，2，3，…，N，l＝1，2，3，…，M_j；待分析数据集{YE_k}的偏航误差间隔划分的一种优选方法步骤如下，但不限于此：

3-a)绘制待分析数据集{YE_k}中偏航误差{θ_k}的频率分布直方图，基于分布情况确定偏航误差的下界θ_lb和上界θ_ub；本实施例中的偏航误差频率分布直方图如图3所示，考虑到便于后续分析，选取上75％分位数和下25％分位数的取整值作为待分析偏航误差的上界θ_ub和下界θ_lb，分别为5°和-14°；

3-b)确定偏航误差划分子集个数N，则偏航误差划分间隔Δθ计算公式如下

在本实施例中，考虑到数据量且为了便于计算，偏航误差划分子集个数N选取为19，则偏航误差划分间隔Δθ＝中°；

3-c)确定第j个偏航误差划分子集的偏航误差下界

与偏航误差上界

如下式所示：

3-d)基于步骤3-c)中确定的偏航误差下界

和上界

对待分析数据集{YE_k}进行划分，并将风速信息{v_l}和功率信息{P_l}合并作为子数据集

同时记子数据集

中数据个数为M_j。

4)分别计算步骤3)中N个子数据集

的量化功率性能指标I_j，其中j＝1，2，3，…，N；量化功率性能指标I_j的计算方法如下：

4-a)设定初始待分析子数据集区间j＝1，并确定风速划分间隔Δv；在本实施例中，考虑到数据量以及划分精度对结果准确性的影响，风速划分间隔Δv选取为0.005m/s；

4-b)记第j个子数据集

中的风速最小值为

风速最大值为

则第j个子数据集

的风速子区间划分个数N_j可由下式确定：

其中，

为向上取整函数；

4-c)定义第j个子数据集

的第m个风速子区间的风速划分下界

风速划分上界

如下式所示

其中m＝1，2，3，…，N_j；

4-d)基于步骤4-c)中确定的风速划分下界

和上界

对第j个子数据集

进行划分，并计算第m个风速子区间的功率平均值

4-e)基于步骤4-d)中计算得到的第j个子数据集

所有N_j个风速子区间的功率平均值

计算量化功率性能指标I_j，公式如下：

4-f)设定数据集区间j＝j+1，并重复进行步骤4-b)至4-e)，直到j＞N为止。在本实施例中，所有20个子数据集

的量化功率性能指标I_j的结果如图4所示。

5)基于风电机组风向标零位误差辨识准则确定该风电机组的风向标零位误差辨识值θ_e；

所述风向标零位误差辨识准则定义如下：将步骤4)中的所有N个子数据集

的量化功率性能指标I_j由小到大进行排列，并确定量化功率性能指标最大值I_max对应的下标j′，则风向标零位误差辨识值θ_e的辨识结果计算如下：

在本实施例中，由图4可以看出，对应量化功率性能指标最大值对应的下标为9，即风向标零位误差的辨识结果θ_e＝(-6°-5°)/2＝-5.5°。

6)将步骤5)中辨识得到的风向标零位误差辨识值θ_e在线增量补偿到偏航误差测量值θ_m上，得到最终用于输入到偏航控制系统的偏航误差校正值θ′，即θ′＝θ_m+θ_e。在本实施例中，基于本步骤中所述的校正策略，将步骤5)中辨识得到的θ_e＝-5.5°通过仿真对之前人为修改过的结果进行补偿，并重新使用相同的风况文件进行相同时间长度的仿真，之后经过相同的步骤进行分析可以得到如图5所示的量化功率性能指标I_j′的分析结果，相关重要参数如下：偏航误差上下界分别选取为-10°和10°；偏航误差区间划分个数N取20；其他关键参数选取均与校正前参数选取相同。从图中可以看出，校正之后的结果显示对应量化功率性能指标最大值下标为10，对应风向标零位误差辨识结果θ_e＝(-1°+0°)/2＝-0.5°，即均可以准确得到对应运行环境下风向标零位误差的近似结果。同时，对比图4和图5可以看出，在相同的真实偏航误差下，校正后的量化功率性能指标在[-5°，5°]的真实偏航误差区间内的发电量也相对平均提升了约1.33％，从而验证了风向标零位误差辨识及校正方法在提升风电机组发电性能上的有效性。

本发明数据驱动的风电机组风向标零位误差辨识及校正方法，主要包括基于固定偏航误差区间划分、基于固定风速区间划分、风电机组量化功率性能指标计算、风向标零位误差辨识以及偏航控制系统输入校正等环节组成。具体实施例基于GHBladed3.82仿真软件的风电机组SCADA仿真数据进行分析，通过对校正前后的风电机组在相同一段时间、相同风况下的运行结果进行量化分析来实现对风电机组性能提升有效性的验证。图1-5为使用本发明数据驱动的风电机组风向标零位误差辨识及校正方法进行风电机组风向标零位误差的辨识与校正流程中各个环节的结果，对具有风电机组的性能提升需求的风电制造商及业主而言均具有很强的应用价值与经济意义。

以上说明仅为本发明的应用实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等效变化，仍属本发明的保护范围。

Claims (10)

1.一种风电机组风向标零位误差辨识方法，其特征在于：

读取需求周期内风电机组的运行数据作为初始数据集；

从初始数据集中筛选出偏航控制系统正常运作时的运行数据作为待分析数据集；

将待分析数据集按照一定偏航误差间隔划分为N个子集；

分别计算每个子集的量化功率性能指标；

取量化功率性能指标最大值对应的子集，并在该子集中选取偏航误差下界和上界取平均值，即为风电机组的风向标零位误差辨识值。

2.根据权利要求1所述的风电机组风向标零位误差辨识方法，其特征在于：所述初始数据集包括风速测量值、功率测量值、偏航误差测量值和桨距角测量值。

3.根据权利要求2所述的风电机组风向标零位误差辨识方法，其特征在于：所述偏航控制系统正常运作的判断条件为：

风电机组切入风速≤风速测量值≤风电机组切出风速 ①

功率测量值＞0 ②

|桨距角测量值|＜桨距角低风速段给定最大阈值 ③

当同时满足①②③时判定为偏航控制系统正常运作时的运行数据。

4.根据权利要求3所述的风电机组风向标零位误差辨识方法，其特征在于：所述待分析数据集包括风速测量值、功率测量值和偏航误差测量值。

5.根据权利要求1所述的风电机组风向标零位误差辨识方法，其特征在于：所述待分析数据集按照一定偏航误差间隔划分为N个子集包括：

a、绘制待分析数据集中偏航误差测量值的频率分布直方图，选取上一定百分比的分位数和下一定百分比的分位数的取整值作为待分析偏航误差测量值的上界和下界；

b、确定偏航误差划分子集个数N，则偏航误差划分间隔等于待分析偏航误差的上界和下界之差除以子集个数N；

c、根据偏航误差划分间隔确定每个子集的偏航误差下界与偏航误差上界；

d、根据步骤c中确定的偏航误差下界和上界对待分析数据集进行划分。

6.根据权利要求5所述的风电机组风向标零位误差辨识方法，其特征在于：所述待分析偏航误差测量值的上界和下界分别为所述频率分布直方图上75％分位数和下25％分位数的取整值。

7.根据权利要求5所述的风电机组风向标零位误差辨识方法，其特征在于：所述子集包括风速测量值和功率测量值。

8.根据权利要求1所述的风电机组风向标零位误差辨识方法，其特征在于：所述子集的量化功率性能指标为该子集的平均功率测量值。

9.根据权利要求8所述的风电机组风向标零位误差辨识方法，其特征在于：所述所述子集的量化功率性能指标计算包括：

a、在子集中提取风速最小值和风速最大值，并给定一风速划分间隔，

b、则该子集的风速子区间划分个数等于风速最大值和风速最小值之差除以风速划分间隔，向上取正整数；

c、根据风速最大值或风速最小值、风速子区间划分个数以及风速划分间隔，计算出子集中每个风速子区间的风速划分下界和风速划分上界；

d、根据步骤c中得到的每个风速子区间的风速划分下界和风速划分上界对该子集进行划分，并且计算出每个风速子区间的功率平均值；

e、对该子集内所有风速子区间的功率平均值求和，再平均得到该子集的量化功率性能指标。

10.一种风电机组风向标零位误差校正方法，其特征在于：通过权利要求1-9任一风电机组风向标零位误差辨识方法得到风电机组的风向标零位误差辨识值，将风向标零位误差辨识值在线增量补偿到偏航误差测量值上进行校正。

Images