CN113818997B - 一种基于大数据分析的风电机组风向自动校正方法 - Google Patents
一种基于大数据分析的风电机组风向自动校正方法 Download PDFInfo
- Publication number
- CN113818997B CN113818997B CN202010568908.8A CN202010568908A CN113818997B CN 113818997 B CN113818997 B CN 113818997B CN 202010568908 A CN202010568908 A CN 202010568908A CN 113818997 B CN113818997 B CN 113818997B
- Authority
- CN
- China
- Prior art keywords
- wind direction
- average
- bin
- wind
- operation 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 238000009825 accumulation Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 239000004973 liquid crystal related substance Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000010977 unit operation Methods 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 abstract description 4
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000005587 bubbling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
-
- 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)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种基于大数据分析的风电机组风向自动校正方法,所述方法包括:步骤一:数据积累单元采集运行数据组,并将所述运行数据组存储在存储单元内;步骤二:机器分析单元对存储单元内的所述运行数据组进行分析,得出预调风向区间和风向偏移量,并将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正。本发明提供的方法无需新增风向标等硬件设备,仅基于机组运行数据,并通过机组实时运行数据分析的方式计算风向偏移量,保证机组发电效益的同时尽量避免不必要的频繁对风偏航,有效降低机组的载荷冲击,延长机组使用寿命。
Description
技术领域
本发明属于风电机组校正领域,特别涉及一种基于大数据分析的风电机组风向自动校正方法。
背景技术
风力发电作为一种可再生能源技术,驱动着传统电力系统的变革与创新,起到了优化能源结构,实现可持续发展的重大作用。然而风能具有随机性和波动性,并且风向标通常位于风轮后的机舱上,来自转子的旋转和湍流会影响从风向标读取读数并且给出导致偏航误差有偏差的风向测量值,从而引起偏航对风不准。这种对风误差会导致机组发电效率下降,以及频繁对风偏航导致的偏航轴承磨损以及风力发电机组机械载荷过大等问题。
因此,提供一种误差小的风电机组风向自动校正方法是本领域亟待解决的问题。
发明内容
针对上述问题,本发明提供一种基于大数据分析的风电机组风向自动校正方法。
一种基于大数据分析的风电机组风向自动校正方法,所述方法包括:
步骤一;数据积累单元采集运行数据组,并将所述运行数据组存储在存储单元内;
步骤二:机器分析单元对存储单元内的所述运行数据组进行分析,得出预调风向区间和风向偏移量,并将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正。
所述采集运行数据组包括:
初始清零;
采集实时运行数据组,计算每30s内实时运行数据组的平均值,获取平均运行数据组;
并根据判断条件,对所述实时运行数据组和所述平均运行数据组进行判断;
得到符合条件的所述运行数据组。
所述实时运行数据组包括:风速、风向、实际桨角、实际有功和桨距角;
所述平均运行数据组包括:平均风速、平均风向、平均实际桨角、平均实际有功数据和平均桨距角;
所述运行数据组包括平均风速、平均风向、平均实际桨角、平均实际有功数据。
所述判断条件为:
3≤平均风速≤15m/s;
-20°<平均风向<20°;
平均实际有功数据≥0.6*当前风速下依据功率曲线差得的功率值;
30s内实时实际有功最大值≤6°,且平均桨距角≤4°。
所述对存储单元内的所述运行数据组进行分析包括:
对所述运行数据组进行分仓,对分仓后的数据组进行排序,对排序后的数据进行处理,得到每一子仓实际有功平均值,比较每一子仓实际有功平均值大小,得到预调风向区间,并根据预调风向区间所在子仓计算风向偏移量。
所述对所述运行数据组进行分仓包括:
依据平均风速对运行数据组进行风速分仓:
对[3,15](单位:m/s)区间内的风速以0.2m/s为间隔分为60个风速仓,风速仓的区间为:
[0.2a+2.8,0.2a+3](a=1,2,3,...,60);
每一风速仓依据平均风向对数据进行风向分仓:
每一风速仓根据平均风向分为3个子仓,分别为A仓、B仓、C仓,其中,每一子仓中的存储单元数量为100;
当-3°≤风向≤3°时,为A仓;
当3°<风向<20°时,为B仓;
当-20°<风向<-3°时,为C仓;
所述对分仓后的数据组进行排序包括:
每一子仓根据所述运行数据组中的平均实际有功的大小,对100条所述运行数据组中的平均风速、平均风向、平均实际有功从小到大进行排列,得到有效运行数据组;
所述对排序后的数据进行处理包括:
剔除5条最小和5条最大的所述平均实际有功对应的所述有效运行数据组,保留余下的90条所述有效运行数据组;
计算余下的90条所述有效运行数据组的实际有功数据平均值,得到每一子仓实际有功数据平均值;
所述比较每一子仓实际有功平均值大小为:
比较每一所述子仓实际有功数据平均值,所述子仓实际有功数据平均值最大的子仓为对应风速仓的预调风向区间。
所述根据预调风向区间计算出风向偏移量包括:
当预调风向区间在A区间时:
不计算风向偏移量,不进行风向自校正;
当预调风向区间在B区和C区时:
计算B仓或C仓中的90条所述有效运行数据组的风向数据平均值,并将风向数据平均值作为对应风向仓的风向偏移量;
将[3,15](单位:m/s)风速区间分成4个大风速区间:[3,6]、(6,9)、[9,12)、[12,15];
分别计算每一大风速区间的风向平均值,并将每一大风速区间的风向平均值作为对应风速段的风向偏移量。
所述将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正为:所述主控偏航控制逻辑将风向偏移量用于偏航控制,并重复步骤一、步骤二,进行再次修正,直至最佳风向区间收敛到A区间。
一种基于大数据分析的风电机组风向自动校正设备,所述设备包括数据积累单元和机器分析单元;其中,
数据积累单元,用于采集运行数据组,并将所述运行数据组存储在存储单元内;
机器分析单元,用于对存储单元内的所述运行数据组进行分析,得出预调风向区间和风向偏移量,并将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正。
所述设备还包括主控偏航控制逻辑;其中,
所述主控偏航控制逻辑,用于将风向偏移量用于偏航控制,并重复上述过程进行再次修正,直至最佳风向区间收敛到A区间。
本发明提供的方法无需新增风向标等硬件设备,仅基于机组运行数据,并通过机组实时运行数据分析的方式计算风向偏移量,保证机组发电效益的同时尽量避免不必要的频繁对风偏航,有效降低机组的载荷冲击,延长机组使用寿命。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明基于大数据分析的风电机组风向自动校正的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种基于大数据分析的风电机组风向自动校正方法,用于解决采用传统的一些数据分析方法进行偏航校正会引起机组频繁对风偏航,导致机组载荷上升以及部件磨损加速等问题,影响风电机组运行使用寿命,以及更换精度更高的风向标,不但增加了技术成本,且误差也难以完全消除的问题。
图1示出了根据本发明基于大数据分析的风电机组风向自动校正的方法流程图,参见图1,所述方法包括:
步骤一:数据积累单元采集运行数据组,并将所述运行数据组存储在存储单元内。
具体的,所述采集运行数据组包括:
数据积累单元在采集实时运行数据组前进行初始清零,初始清零后,采集实时运行数据组。具体的,所述实时运行数据组包括:实时风速、实时风向、实时实际桨角、实时实际有功和实时桨距角。所述实时运行数据组中的数据具有一一对应的特性,即每个被采集的实时风速都有一个实时风向、实时实际桨角、实时实际有功、实时桨距角与其一一对应。
为避免因实时风速突变导致的数据波动,计算每30s内实时运行数据组的平均值,获取平均运行数据组。具体的,所述平均运行数据组包括:平均风速、平均风向、平均实际桨角、平均实际有功数据和平均桨距角。
根据判断条件,对所述实时运行数据组和所述平均运行数据组进行判断;
进一步地,所述判断条件为:
3≤平均风速≤15m/s;
-20°<平均风向<20°;
平均实际有功数据≥0.6*当前风速下依据功率曲线差得的功率值;
30s内实时实际有功最大值≤6°,且平均桨距角≤4°。
当所述实时运行数据组和所述平均运行数据组满足条件时,即得到符合条件的所述运行数据组,将所述运行数据组存储在存储单元内。具体的存入存储单元内的所述运行数据组包括平均风速、平均风向、平均实际桨角和平均实际有功数据。
步骤二:机器分析单元对存储单元内的所述运行数据组进行分析,得出预调风向区间和风向偏移量,并将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正。
具体的,所述对存储单元内的所述运行数据组进行分析包括:对所述运行数据组进行分仓,对分仓后的数据组进行排序,对排序后的数据进行处理,得到每一子仓实际有功平均值,比较每一子仓实际有功平均值大小,得到预调风向区间,并根据预调风向区间所在子仓计算风向偏移量。
进一步地,所述对所述运行数据组进行分仓包括:
依据平均风速对所述运行数据组进行风速分仓:
即对[3,15](单位:m/s)区间内的风速以0.2m/s为间隔分为60个风速仓,风速仓的区间为:
[0.2a+2.8,0.2a+3](a=1,2,3,...,60);示例性的,当平均风速=5.1m/s时,代表的风速区间为[5,5.2]。
每一风速仓再依据平均风向对所述运行数据组进行风向分仓:
每一风速仓根据平均风向分出3个子仓,分别为A仓、B仓、C仓,其中,每一子仓中的存储单元数量为100。
当-3°≤风向≤3°时,为A仓;
当3°<风向<20°时,为B仓;
当-20°<风向<-3°时,为C仓。
所述对分仓后的数据组进行排序包括:每一子仓根据所述运行数据组中的平均实际有功的大小,对100条所述运行数据组中的平均风速、平均风向、平均实际有功从小到大进行排列,得到有效运行数据组。具体的,所述有效运行数据组包括:平均风速、平均风向、平均实际有功。每一子仓采用冒泡法将存储单元内的所述运行数据组按照“队列”的方式存储。
示例性的,在每个风速仓内,机器分析单元对100条所述运行数据组中的平均风速、平均风向、平均实际有功从小到大进行排列,得到有效运行数据组。表1、表2给出了数据排序前和排序后的示例;
表格1:数据排序前位置信息
排序前位置 | 1 | 2 | 3 | 4 |
实际有功数据(kW) | 1000 | 1200 | 900 | 1100 |
风向数据(度) | 5 | 358 | 6 | 356 |
风速数据(m/s) | 7.5 | 7.8 | 7.3 | 7.6 |
表格2:数据排列后位置信息
排序前位置 | 1 | 2 | 3 | 4 |
实际有功数据(kW) | 900 | 1000 | 1100 | 1200 |
风向数据(度) | 6 | 5 | 356 | 358 |
风速数据(m/s) | 7.3 | 7.5 | 7.6 | 7.8 |
所述对排序后的数据进行处理包括:
剔除5条最小和5条最大的所述平均实际有功对应的所述有效运行数据组,保留余下的90条所述有效运行数据组;
计算余下的90条所述有效运行数据组的实际有功平均值,得到每一子仓实际有功平均值;
所述比较每一子仓实际有功平均值大小为:
比较每一所述子仓实际有功数据平均值,所述子仓实际有功数据平均值最大的子仓为对应风速仓的预调风向区间。
所述根据预调风向区间所在子仓计算风向偏移量包括:
当预调风向区间为A区间时:
不计算风向偏移量,不进行风向自校正;
当预调风向区间为B区和C区时:
计算B仓或C仓中的90条所述有效运行数据组的风向数据平均值,并将风向数据平均值作为对应风向仓的风向偏移量;为避免风电机组频繁地进行对风偏航动作,将[3,15](单位:m/s)风速区间分成4个大风速区间:[3,6]、(6,9)、[9,12)、[12,15];分别计算每一大风速区间的风向平均值,并将每个大风速区间的风向平均值作为对应风速段的风向偏移量。如此可保证计算风向偏移的同时尽量避免频繁的不必要的对风偏航,有效降低频繁偏航给机组带来的载荷冲击。
所述将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正为:所述主控偏航控制逻辑将风向偏移量用于偏航控制,并重复步骤一、步骤二,进行再次修正,直至最佳风向区间收敛到A区间。
本发明提供的方法无需新增风向标等硬件设备,仅基于机组运行数据,并通过机组实时运行数据分析的方式计算风向偏移量,保证机组发电效益的同时尽量避免不必要的频繁对风偏航,有效降低机组的载荷冲击,延长机组使用寿命。
本发明基于上述一种基于大数据分析的风电机组风向自动校正方法,还介绍了一种基于大数据分析的风电机组风向自动校正设备,包括数据积累单元和机器分析单元;其中,
数据积累单元,用于采集运行数据组,并将所述运行数据组存储在存储单元内;
所述采集运行数据组包括:
初始清零;采集实时运行数据组,计算每30s内实时运行数据组的平均值,获取平均运行数据组;并根据判断条件,对所述实时运行数据组和所述平均运行数据组进行判断;得到符合条件的所述运行数据组;
所述实时运行数据组包括:风速、风向、实际桨角、实际有功和桨距角;
所述平均运行数据组包括:平均风速、平均风向、平均实际桨角、平均实际有功数据和平均桨距角;
所述运行数据组包括平均风速、平均风向、平均实际桨角、平均实际有功数据;
所述判断条件为:
3≤平均风速≤15m/s;
-20°<平均风向<20°;
平均实际有功数据≥0.6*当前风速下依据功率曲线差得的功率值;
30s内实时实际有功最大值≤6°,且平均桨距角≤4°;
机器分析单元,用于对存储单元内的所述运行数据组进行分析,得出预调风向区间和风向偏移量,并将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正;
所述对存储单元内的所述运行数据组进行分析包括:
对所述运行数据组进行分仓,对分仓后的数据组进行排序,对排序后的数据进行处理,得到每一子仓实际有功平均值,比较每一子仓实际有功平均值大小,得到预调风向区间,并根据预调风向区间所在子仓计算风向偏移量;
所述对所述运行数据组进行分仓包括:
依据平均风速对运行数据组进行风速分仓:
对[3,15](单位:m/s)区间内的风速以0.2m/s为间隔分为60个风速仓,风速仓的区间为:
[0.2a+2.8,0.2a+3](a=1,2,3,...,60);
每一风速仓依据平均风向对数据进行风向分仓:
每一风速仓根据平均风向分为3个子仓,分别为A仓、B仓、C仓,其中,每一子仓中的存储单元数量为100;
当-3°≤风向≤3°时,为A仓;
当3°<风向<20°时,为B仓;
当-20°<风向<-3°时,为C仓;
所述对分仓后的数据组进行排序包括:
每一子仓根据所述运行数据组中的平均实际有功的大小,对100条所述运行数据组中的平均风速、平均风向、平均实际有功从小到大进行排列,得到有效运行数据组;
所述对排序后的数据进行处理包括:
剔除5条最小和5条最大的所述平均实际有功对应的所述有效运行数据组,保留余下的90条所述有效运行数据组;
计算余下的90条所述有效运行数据组的实际有功数据平均值,得到每一子仓实际有功数据平均值;
所述比较每一子仓实际有功平均值大小为:
比较每一所述子仓实际有功数据平均值,所述子仓实际有功数据平均值最大的子仓为对应风速仓的预调风向区间;
所述根据预调风向区间所在子仓计算风向偏移量包括:
当预调风向区间为A区间时:
不计算风向偏移量,不进行风向自校正;
当预调风向区间为B区和C区时:
计算B仓或C仓中的90条所述有效运行数据组的风向数据平均值,并将风向数据平均值作为对应风向仓的风向偏移量;
将[3,15](单位:m/s)风速区间分成4个大风速区间:[3,6]、(6,9)、[9,12)、[12,15];
分别计算每一大风速区间的风向平均值,并将每一大风速区间的风向平均值作为对应风速段的风向偏移量;
所述主控偏航控制逻辑,用于将风向偏移量用于偏航控制,并重复步骤一、步骤二,进行再次修正,直至最佳风向区间收敛到A区间。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于大数据分析的风电机组风向自动校正方法,其特征在于,所述方法包括:
步骤一:数据积累单元采集运行数据组,并将所述运行数据组存储在存储单元内;
步骤二:机器分析单元对存储单元内的所述运行数据组进行分析,得出预调风向区间和风向偏移量,并将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正;
所述对存储单元内的所述运行数据组进行分析包括:
对所述运行数据组进行分仓,对分仓后的数据组进行排序,对排序后的数据进行处理,得到每一子仓实际有功平均值,比较每一子仓实际有功平均值大小,得到预调风向区间,并根据预调风向区间所在子仓计算风向偏移量;其中,对所述运行数据组进行分仓,包括:
将预设风速区间内的风速运行数据组分隔为若干个风速仓;
依据平均风向将每个风速仓内的运行数据组分隔为若干个风向仓;
所述对分仓后的数据组进行排序包括:
每一子仓根据所述运行数据组中的平均实际有功的大小,对预设数量的若干条所述运行数据组中的平均风速、平均风向、平均实际有功从小到大进行排列,得到有效运行数据组;
所述比较每一子仓实际有功平均值大小为:
比较每一所述子仓实际有功数据平均值,所述子仓实际有功数据平均值最大的子仓为对应风速仓的预调风向区间。
2.根据权利要求1所述的基于大数据分析的风电机组风向自动校正方法,其特征在于,所述采集运行数据组包括:
初始清零;
采集实时运行数据组,计算每30s内实时运行数据组的平均值,获取平均运行数据组;
并根据判断条件,对所述实时运行数据组和所述平均运行数据组进行判断;
得到符合条件的所述运行数据组。
3.根据权利要求2所述的基于大数据分析的风电机组风向自动校正方法,其特征在于,
所述实时运行数据组包括:风速、风向、实际桨角、实际有功和桨距角;
所述平均运行数据组包括:平均风速、平均风向、平均实际桨角、平均实际有功数据和平均桨距角;
所述运行数据组包括平均风速、平均风向、平均实际桨角、平均实际有功数据。
4.根据权利要求2所述的基于大数据分析的风电机组风向自动校正方法,其特征在于,所述判断条件为:
3≤平均风速≤15m/s;
-20°<平均风向<20°;
平均实际有功数据≥0.6*当前风速下依据功率曲线差得的功率值;
30s内实时实际有功最大值≤6°,且平均桨距角≤4°。
5.根据权利要求1所述的基于大数据分析的风电机组风向自动校正方法,其特征在于,
所述对所述运行数据组进行分仓包括:
依据平均风速对运行数据组进行风速分仓:
对[3,15](单位:m/s)区间内的风速以0.2m/s为间隔分为60个风速仓,风速仓的区间为:
[0.2a+2.8,0.2a+3](a=1,2,3,...,60);
每一风速仓依据平均风向对数据进行风向分仓:
每一风速仓根据平均风向分为3个子仓,分别为A仓、B仓、C仓,其中,每一子仓中的存储单元数量为100;
当-3°≤风向≤3°时,为A仓;
当3°<风向<20°时,为B仓;
当-20°<风向<-3°时,为C仓;
所述对分仓后的数据组进行排序包括:
每一子仓根据所述运行数据组中的平均实际有功的大小,对100条所述运行数据组中的平均风速、平均风向、平均实际有功从小到大进行排列,得到有效运行数据组;
所述对排序后的数据进行处理包括:
剔除5条最小和5条最大的所述平均实际有功对应的所述有效运行数据组,保留余下的90条所述有效运行数据组;
计算余下的90条所述有效运行数据组的实际有功数据平均值,得到每一子仓实际有功数据平均值;
所述比较每一子仓实际有功平均值大小为:
比较每一所述子仓实际有功数据平均值,所述子仓实际有功数据平均值最大的子仓为对应风速仓的预调风向区间。
6.根据权利要求1所述的基于大数据分析的风电机组风向自动校正方法,其特征在于,所述根据预调风向区间所在子仓计算风向偏移量包括:
当预调风向区间在A区间时:不计算风向偏移量,不进行风向自校正;
当预调风向区间在B区和C区时:
计算B仓或C仓中的90条所述有效运行数据组的风向数据平均值,并将风向数据平均值作为对应风向仓的风向偏移量;
将[3,15](单位:m/s)风速区间分成4个大风速区间:[3,6]、(6,9)、[9,12)、[12,15];
分别计算每一大风速区间的风向平均值,并将每一大风速区间的风向平均值作为对应风速段的风向偏移量。
7.根据权利要求1所述的基于大数据分析的风电机组风向自动校正方法,其特征在于,所述将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正为:所述主控偏航控制逻辑将风向偏移量用于偏航控制,并重复步骤一、步骤二,进行再次修正,直至最佳风向区间收敛到A区间。
8.一种基于大数据分析的风电机组风向自动校正设备,其特征在于,所述设备包括数据积累单元和机器分析单元;其中,
数据积累单元,用于采集运行数据组,并将所述运行数据组存储在存储单元内;
机器分析单元,用于对存储单元内的所述运行数据组进行分析,得出预调风向区间和风向偏移量,并将风向偏移量叠加到主控偏航控制逻辑中,以便进行校正。
9.根据权利要求8所述的基于大数据分析的风电机组风向自动校正设备,其特征在于,所述设备还包括主控偏航控制逻辑;其中,
所述主控偏航控制逻辑,用于将风向偏移量用于偏航控制,并重复上述过程进行再次修正,直至最佳风向区间收敛到A区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568908.8A CN113818997B (zh) | 2020-06-19 | 2020-06-19 | 一种基于大数据分析的风电机组风向自动校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568908.8A CN113818997B (zh) | 2020-06-19 | 2020-06-19 | 一种基于大数据分析的风电机组风向自动校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113818997A CN113818997A (zh) | 2021-12-21 |
CN113818997B true CN113818997B (zh) | 2023-04-25 |
Family
ID=78924643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010568908.8A Active CN113818997B (zh) | 2020-06-19 | 2020-06-19 | 一种基于大数据分析的风电机组风向自动校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113818997B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013205838A1 (de) * | 2013-04-03 | 2014-10-09 | Senvion Se | Effizienzüberwachungsverfahren eines Windenergieanlagenparks |
CN104481804B (zh) * | 2014-12-05 | 2017-02-22 | 北京金风科创风电设备有限公司 | 风力发电机组对风矫正控制方法、装置和系统 |
CN105240213A (zh) * | 2015-11-13 | 2016-01-13 | 天津瑞源电气有限公司 | 风电机组控制系统及自动追踪获取最大功率风向的方法 |
CN107882679B (zh) * | 2016-09-29 | 2019-02-15 | 北京金风科创风电设备有限公司 | 风电场的偏航控制方法及控制装置 |
CN110645145B (zh) * | 2018-06-27 | 2021-09-14 | 新疆金风科技股份有限公司 | 风力发电机组的控制方法和控制设备 |
CN108869176A (zh) * | 2018-06-28 | 2018-11-23 | 北京金风科创风电设备有限公司 | 风力发电机组的对风偏差校正方法、装置和电子设备 |
US11231012B1 (en) * | 2020-09-22 | 2022-01-25 | General Electric Renovables Espana, S.L. | Systems and methods for controlling a wind turbine |
-
2020
- 2020-06-19 CN CN202010568908.8A patent/CN113818997B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113818997A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951851B (zh) | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 | |
US10094297B2 (en) | Power generation system and power generation method | |
CN109800931A (zh) | 基于风机scada数据的风电场发电量损失测量方法及系统 | |
González et al. | Optimum wind turbines operation for minimizing wake effect losses in offshore wind farms | |
CN113818997B (zh) | 一种基于大数据分析的风电机组风向自动校正方法 | |
CN114781757A (zh) | 海上风电场多机组运维策略优化方法 | |
CN105023099A (zh) | 一种考虑湍流强度的风力发电机出力评估方法 | |
Gonzalez et al. | Optimal control of wind turbines for minimizing overall wake effect losses in offshore wind farms | |
Chhor et al. | Smart Windpark Laboratory: Infrastructure for application-oriented wind energy research | |
Ma et al. | A study of fault statistical analysis and maintenance policy of wind turbine system | |
CN116581827A (zh) | 一种考虑尾流影响的限负荷条件下风电场机组启停策略 | |
CN116526544A (zh) | 新能源发电系统灵活性资源规划方法、系统及设备 | |
CN112749205B (zh) | 一种燃煤发电机组功率与供电煤耗关系曲线获取系统及方法 | |
CN104344956A (zh) | 一种风力发电齿轮箱轴承故障模拟方法 | |
Mitiku et al. | Modeling of wind energy harvesting system: A systematic review | |
Xiong et al. | Fatigue damage of wind turbine gearbox under extreme wind conditions | |
Kokila et al. | A survey of wind turbine control monitoring and fault detection on wind energy | |
Dangar et al. | Site matching of offshore wind turbines-a case study | |
CN116733692A (zh) | 基于多模型组合的风电机组故障预警方法及系统 | |
CN116523349B (zh) | 一种风力电站可靠性分析方法及系统 | |
CN111637025B (zh) | 一种风力发电机的检测方法 | |
CN112310997A (zh) | 一种风电场群出力对电力系统业务影响的判断方法及系统 | |
CN117313415A (zh) | 风电场风机叶片延长改造选址评估方法、装置及存储介质 | |
Xu et al. | Research on Capacity Configuration of Wind Storage Hydrogen Production Plant Considering “Source-Load” Double Disturbance | |
Olisa et al. | Reliability study of Kolo Creek Gas Turbine Power Station |
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 |