CN115081346B - 一种风电机组尾流效应下的健康度判断方法、装置及介质 - Google Patents

一种风电机组尾流效应下的健康度判断方法、装置及介质 Download PDF

Info

Publication number
CN115081346B
CN115081346B CN202211016183.7A CN202211016183A CN115081346B CN 115081346 B CN115081346 B CN 115081346B CN 202211016183 A CN202211016183 A CN 202211016183A CN 115081346 B CN115081346 B CN 115081346B
Authority
CN
China
Prior art keywords
fan
wake
data
wind speed
classification tree
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
CN202211016183.7A
Other languages
English (en)
Other versions
CN115081346A (zh
Inventor
邵会学
赖晓路
肖碧涛
刘宇
朱健
罗瑛
王辉
张铁男
杨月丹
刘元
卢建达
朱正超
邢西龙
王成
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.)
Nanjing Guodian Nanzi Weimeide Automation Co ltd
Original Assignee
Nanjing Guodian Nanzi Weimeide Automation 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 Nanjing Guodian Nanzi Weimeide Automation Co ltd filed Critical Nanjing Guodian Nanzi Weimeide Automation Co ltd
Priority to CN202211016183.7A priority Critical patent/CN115081346B/zh
Publication of CN115081346A publication Critical patent/CN115081346A/zh
Application granted granted Critical
Publication of CN115081346B publication Critical patent/CN115081346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明公开了一种风电机组尾流效应下的健康度判断方法、装置及介质，本方法通过非入侵方式利用现有风机运行数据、环境监测数据、气象数据实现尾流的拟合，通过影响尾流的特征因素，构建特征分类树，通过特征分类及决策判断风电机组尾流中心位置，算出风速损失率得到损失因子，并利用标杆风机分类树确定最新的标杆风机作为健康数据，计算出未受尾流效应影响的风机的损失因子。进而判断风机在尾流作用下的非正常程度，从而得出风电机组运行的健康程度，为风电机组的偏航策略及能效分析提供决策依据，优点：不受运维及场地限制，适合运用在已经投运的风场中；健康度判断方法可有效排除环境因素影响，提升计算精度。

Description

一种风电机组尾流效应下的健康度判断方法、装置及介质
技术领域
本发明涉及一种风电机组尾流效应下的健康度判断方法、装置及介质，属于风电技术领域。
背景技术
尾流效应会造成严重的能量损失，并对风场的经济效益产生重大影响。受尾流效应影响，风场整体的能量损失可达10％-20％，单机的功率损失可达30％-40％。同时，由于尾流效应的存在，前方的风机可能影响后方风机的发电效率，进而影响风场整体的发电效率。因此，如何预测风机尾流效应并对风电机组运行的健康度评估成为了人们迫切关注的问题，是当前研究的热点课题。
现有的尾流计算模型主要分为解析尾流模型和计算尾流模型，前者是基于理想化的假设或实验数据拟合而得到的半经验风机尾流区域速度分布的数学表达式；后者则使用完整的计算流体力学分析方法求解N・S方程来更为准确地描述风机尾流场的流动，现有技术存在的缺陷如下：
1．解析尾流模型基于理想化的假设或实验数据拟合而得到的半经验风机尾流区域速度分布的数学表达式，往往不能满足现场工程精度要求。
2. 计算尾流模型使用完整的计算流体力学分析方法求解N・S方程来更为准确地描述风机尾流场的流动，但计算速度较慢，无法满足现场实时性计算要求。
3. 受运维及场地限制，在已经投运的风场及风机中布设传感器获取上述模型的参数分析尾流状态存在一定困难。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种风电机组尾流效应下的健康度判断方法、装置及介质，在减少计算量的同时能够提高尾流效应的监测精度。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种风电机组尾流效应下的健康度判断方法，包括：
获取风机运行数据、环境数据和气象数据，输入预先构建的尾流效应预测分类树进行分类，确定风机是否受尾流影响；
如确定该风机受尾流影响，则根据预先构建的高斯模型算出尾流中心位置以及风速损失率，以风速损失率作为尾流效应下的损失因子；
如确定该风机不受尾流影响，将所有不受尾流影响的风机建立第二数据集，将所述第二数据集输入预先构建的标杆风机分类树模型确定最新的标杆风机，并将标杆风机的风速-功率曲线作为健康数据，计算出未受尾流效应影响的风机风速损失率作为损失因子；
将所述尾流效应下的损失因子与未受尾流效应影响的风机损失因子做对比，判断尾流效应对风机运行健康度的影响。
进一步的，所述尾流效应预测分类树的构建方法，包括：
获取风机历史运行数据、环境历史数据和气象历史数据；
将所述风机历史运行数据、环境历史数据和气象历史数据离散化；
采用ID3算法对风机历史运行数据、环境历史数据和气象历史数据进行划分，得到划分之后的第一数据集；
将所述离散化的风机历史运行数据、环境历史数据和气象历史数据采用ID3算法依次确定分类树各特征，构建出初始的尾流效应预测分类树；其中，在对特征进行分类时，采用量化范围不同的离散方式分类，得到一个尾流效应预测分类树群；
将所述划分之后的第一数据集输入尾流效应预测分类树群进行分类，从分类树群中选取分类正确率高于设定值的分类树作为最终的尾流效应预测分类树。
进一步的，所述采用ID3算法对风机历史运行数据、环境历史数据和气象历史数据进行划分，包括：
假设一个随机变量X取值为X={x1，x2，...，xn}，每一种取到的概率分别为{p1，p2，...，pn}，则X的信息熵的公式为：
Figure DEST_PATH_IMAGE001
；
Ent() 表示信息熵函数，xn表示第n个随机变量X的值，p i表示取到第i个随机变量X的值的概率，n为随机变量X取值的个数；
整个数据集的熵称作原始熵，数据集D根据某个特征a划分之后的熵为条件熵，信息增益=原始熵-条件熵；用信息增益划分的具体做法是：计算每一类特征a对应的信息增益，然后挑选信息增益最小的特征进行划分：
Figure 798916DEST_PATH_IMAGE002
；
其中，
Figure DEST_PATH_IMAGE003
为数据集D根据某个特征a划分之后的信息增益，v为特征a的一个分类，m是特征a的分类个数，
Figure 778373DEST_PATH_IMAGE004
为v分类占特征a总个数的比例，
Figure DEST_PATH_IMAGE005
是根据特征a的v分类进行划分之后的数据集。
进一步的，所述根据预先构建的高斯模型算出尾流中心位置以及风速损失率，包括：
风场采用的多普勒激光雷达所测为径向风速，其与真实风速的关系为
Figure 558111DEST_PATH_IMAGE006
；
式中
Figure DEST_PATH_IMAGE007
为激光雷达与测量点距离，
Figure 264904DEST_PATH_IMAGE008
为径向风速，
Figure DEST_PATH_IMAGE009
为真实风速，
Figure 79277DEST_PATH_IMAGE010
为风向，
Figure DEST_PATH_IMAGE011
为激光雷达的方位角，
Figure DEST_PATH_IMAGE013
为直角坐标系中纵坐标，
采用高斯模型计算尾流中心位置
Figure DEST_PATH_IMAGE015
：
Figure DEST_PATH_IMAGE017
；
式中
Figure 964056DEST_PATH_IMAGE015
对应尾流中心位置，
Figure DEST_PATH_IMAGE019
为控制尾流宽度的参数，a为高斯拟合参数，参数根据现场工程实验结果拟合得出，
计算出风机尾流中心位置，得到中心位置的尾流风速，风速损失率
Figure DEST_PATH_IMAGE021
为：
Figure DEST_PATH_IMAGE023
；
式中
Figure DEST_PATH_IMAGE025
为环境风速，
Figure DEST_PATH_IMAGE027
为风机尾流对应风速，以风速损失率
Figure 106455DEST_PATH_IMAGE021
作为尾流效应下的损失因子。
进一步的，所述标杆风机分类树的构建方法，包括：
获取风机运行数据，将所述风机运行数据离散化；
采用ID3算法和随机树群算法对风机运行数据进行特征划分；
以额定风速-功率曲线为参照依据，将分类树群中其分类结果风机的风速-功率曲线与额定风速-功率曲线拟合率超过90%的分类树作为最终的标杆风机分类树。
进一步的，所述将所述第二数据集输入预先构建的标杆风机分类树模型确定最新的标杆风机，包括：
用风机历史运行数据获取训练样本数据；
利用样本数据训练分类树网络，得到标杆风机分类树模型；
获取第二数据集，调用预先训练的标杆风机分类树模型对所述第二数据集进行分类，得到最新的标杆风机数据。
进一步的，所述计算出未受尾流效应影响的风机风速损失率作为损失因子，公式如下：
Figure DEST_PATH_IMAGE029
；
式中
Figure 305356DEST_PATH_IMAGE031
为未受尾流效应影响的风机风速损失率，
Figure 974234DEST_PATH_IMAGE033
为标杆风机风速，
Figure 279183DEST_PATH_IMAGE035
为未受尾流效应影响的风机风速。
第二方面，本发明提供一种风电机组尾流效应下的健康度判断装置，包括：
第一判断单元，用于获取风机运行数据、环境数据和气象数据，输入预先构建的尾流效应预测分类树进行分类，确定风机是否受尾流影响；
第一损失因子获取单元，用于在确定该风机受尾流影响时，则根据预先构建的高斯模型算出尾流中心位置以及风速损失率，以风速损失率作为尾流效应下的损失因子；
第二损失因子获取单元，用于在确定该风机不受尾流影响时，将所有不受尾流影响的风机建立第二数据集，将所述第二数据集输入预先构建的标杆风机分类树模型确定最新的标杆风机，并将标杆风机的风速-功率曲线作为健康数据，计算出未受尾流效应影响的风机风速损失率作为损失因子；
第二判断单元，用于将所述尾流效应下的损失因子与未受尾流效应影响的风机损失因子做对比，判断尾流效应对风机运行健康度的影响。
第三方面，本发明提供一种风电机组尾流效应下的健康度判断装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
第四方面，本发明提供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时实现前述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提供一种风电机组尾流效应下的健康度判断方法、装置及介质，通过风机现有的运行数据、环境数据和气象数据进行特征分类，方法简单有效、物理意义明确。针对风电场机组原始数据集，通过多重属性比较和特征提取对全场机组进行划分。将每个变量所反映的数据信息和变量间的相互作用考虑进来，以此提升尾流拟合精度。对于小概率受尾流效应影响风电机组，利用标杆风机分类树确定最新的标杆风机作为健康数据，并算出损失因子。如此，对于尾流强相关机组建立独立尾流拟合模型，可有效消除多重环境影响，提升计算精度。
附图说明
图1是本发明的流程示意图；
图2是尾流效应预测流程图；
图3是确定标杆风机流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
实施例介绍一种风电机组尾流效应下的健康度判断方法，包括：
获取风机运行数据、环境数据和气象数据，输入预先构建的尾流效应预测分类树进行分类，确定风机是否受尾流影响；
如确定该风机受尾流影响，则根据预先构建的高斯模型算出尾流中心位置以及风速损失率，以风速损失率作为尾流效应下的损失因子；
如确定该风机不受尾流影响，将所有不受尾流影响的风机建立第二数据集，将所述第二数据集输入预先构建的标杆风机分类树模型确定最新的标杆风机，并将标杆风机的风速-功率曲线作为健康数据，计算出未受尾流效应影响的风机风速损失率作为损失因子；
将所述尾流效应下的损失因子与未受尾流效应影响的风机损失因子做对比，判断尾流效应对风机运行健康度的影响。
本实施例提供的风电机组尾流效应下的健康度判断方法，其应用过程具体涉及如下步骤：
步骤1：获取风机历史运行数据、环境历史数据和气象历史数据；
步骤2：将所述风机历史运行数据、环境历史数据和气象历史数据离散化。
步骤3：采用ID3算法对所述原始数据、环境数据和气象数据进行划分。ID3算法将使用信息增益作为划分数据集的依据。
假如一个随机变量X取值为X={x1，x2，...，xn}，每一种取到的概率分别为{p1，p2，...，pn}，则X的信息熵的公式为：
Figure 33512DEST_PATH_IMAGE001
；
Ent() 表示信息熵函数，xn表示第n个随机变量X的值，p i表示取到第i个随机变量X的值的概率，n为随机变量X取值的个数；
整个数据集的熵称作原始熵，数据集D根据某个特征a划分之后的熵为条件熵，信息增益=原始熵-条件熵。用信息增益划分的具体做法是：计算每一类特征a对应的信息增益，然后挑选信息增益最小的特征进行划分。
Figure 770524DEST_PATH_IMAGE002
；
其中，
Figure 293909DEST_PATH_IMAGE003
为数据集D根据某个特征a划分之后的信息增益，v为特征a的一个分类，m是特征a的分类个数，
Figure 786070DEST_PATH_IMAGE004
为v分类占特征a总个数的比例，
Figure 27696DEST_PATH_IMAGE005
是根据特征a的v分类进行划分之后的数据集。
步骤4：将上述离散化的风机历史运行数据、环境历史数据和气象历史数据采用ID3算法依次确定分类树各特征，构建出尾流效应预测分类树。
随机树群算法是用训练数据随机地计算出许多决策树，形成了一个树群。然后用这个树群对未知数据进行预测，选取正确率最高的分类树。在对某一个特征进行分类时，可以采用不同分类方式。例如采用量化范围不同的离散方式分类，可以得到一个尾流效应预测分类树群。
步骤5：将风机历史运行数据、环境历史数据和气象历史数据输入尾流效应预测分类树群。以某风机A所在位置的风向为横坐标，以风向偏差为纵坐标绘制风向测量偏差时序图。如果风机A受尾流效应影响明显，时序图中的偏差会表现为一个正负交变波形。以此为判断依据，选取分类树群中分类正确率高于90%的分类树作为最终的尾流效应预测分类树。根据此分类树对现有风电机组的运行数据、环境数据和气象数据进行分类，确定该风电机组是否受尾流影响；
步骤6：如确定该风机受尾流影响，则根据预先构建的高斯模型算出尾流中心位置以及风速损失率。
风场采用的多普勒激光雷达所测为径向风速，其与真实风速的关系为
Figure 302819DEST_PATH_IMAGE006
；
式中
Figure 946290DEST_PATH_IMAGE007
为激光雷达与测量点距离，
Figure 94506DEST_PATH_IMAGE008
为径向风速，
Figure 823427DEST_PATH_IMAGE009
为真实风速，
Figure DEST_PATH_IMAGE036
为风向，
Figure 902242DEST_PATH_IMAGE011
为激光雷达的方位角，
Figure 462536DEST_PATH_IMAGE012
为直角坐标系中纵坐标。
采用高斯模型计算尾流中心位置
Figure 234183DEST_PATH_IMAGE015
：
Figure 184822DEST_PATH_IMAGE017
；
式中
Figure 67327DEST_PATH_IMAGE015
对应尾流中心位置，
Figure 419811DEST_PATH_IMAGE037
为控制尾流宽度的参数，a为高斯拟合参数。参数根据现场工程实验结果拟合得出。
计算出风机尾流中心位置，得到中心位置的尾流风速。风速损失率
Figure 673944DEST_PATH_IMAGE021
为：
Figure 111878DEST_PATH_IMAGE023
；
式中
Figure 532495DEST_PATH_IMAGE025
为环境风速，
Figure 5065DEST_PATH_IMAGE027
为风机尾流对应风速，以风速损失率
Figure 180831DEST_PATH_IMAGE021
作为尾流效应下的损失因子。
步骤7：如确定该风机不受尾流影响，将所有不受尾流影响的风机建立数据集。
将风机运行数据离散化。采用ID3算法和随机树群算法对运行数据进行特征划分。以额定风速-功率曲线为参照依据。将分类树群中其分类结果风机的风速-功率曲线与额定风速-功率曲线拟合率超过90%的分类树作为最终的标杆风机分类树。
根据标杆风机分类树动态确定最新的标杆风机，并将标杆风机的风速-功率曲线作为健康数据，计算出未受尾流效应影响的风机风速损失率作为损失因子。
Figure 106062DEST_PATH_IMAGE029
；
式中
Figure 330370DEST_PATH_IMAGE031
为未受尾流效应影响的风机风速损失率，
Figure 391867DEST_PATH_IMAGE033
为标杆风机风速，
Figure 489267DEST_PATH_IMAGE035
为未受尾流效应影响的风机风速。
步骤8：将所述尾流效应下的损失因子
Figure 901794DEST_PATH_IMAGE021
与未受尾流效应影响的风机损失因子
Figure 929793DEST_PATH_IMAGE031
做对比，判断尾流效应对风机运行健康度的影响。
下面结合附图，对上述实施例中设计到的内容进行说明。
如图1所示，本实施例提供的风电机组尾流效应下的健康度判断方法，首先通过尾流预测分类树对风机集群进行划分。对于尾流效应强相关机群，根据高斯模型算出尾流中心位置，进而得出风速损失率，以此作为损失因子。对于尾流弱相关机群，通过标杆风机分类树确定最新的标杆风机，并将其运行数据作为健康数据，计算出未受尾流效应影响的风机风速损失率作为损失因子。计算强相关机组的损失因子和弱相关机组的损失因子，并做对比，可以直观的评估尾流效应对风机运行健康度的影响。
如图2所示，尾流效应预测分类树。首先利用风机历史运行数据、历史环境数据和历史气象数据获取训练样本数据。
利用样本数据训练分类树网络，得到尾流预测分类树模型；
获取待处理数据，调用预先训练的尾流预测分类树模型对所述待处理数据进行分类，得到每个风机机组的尾流预测报告。
如图3所示，标杆风机确定分类树。首先利用风机历史运行数据获取训练样本数据。
利用样本数据训练分类树网络，得到标杆风机分类树模型；
获取待处理数据，调用预先训练的标杆风机分类树模型对所述待处理数据进行分类，得到最新的标杆风机数据。
本方法首先充分考虑了影响尾流的因素，如风速、风向、风机尺寸、叶片扫风面积、风场拓扑及地形等造成的影响。其次，对于标杆风机地确定，考虑了在风机运行过程中，随着时间积累，原有的标杆风机可能老化等存在运行状态变差的情况，利用标杆风机分类树动态地确定最新标杆风机。第三，本方法的实施不需要添加额外的传感器阵列等设备，利用现有的运行数据、环境数据和气象数据对尾流效应进行拟合。基于特征分类树的风电机组尾流效应下的健康度判断方法是结合机组实际运行情况，提升计算精度的有效方法。
本发明可以较好的反映尾流效应对风机运行的影响。本发明根据实际运行数据对于尾流强相关机群和弱相关机群分别处理，具有一定的工程应用价值。
实施例2
本实施例提供一种风电机组尾流效应下的健康度判断装置，包括：
第一判断单元，用于获取风机运行数据、环境数据和气象数据，输入预先构建的尾流效应预测分类树进行分类，确定风机是否受尾流影响；
第一损失因子获取单元，用于在确定该风机受尾流影响时，则根据预先构建的高斯模型算出尾流中心位置以及风速损失率，以风速损失率作为尾流效应下的损失因子；
第二损失因子获取单元，用于在确定该风机不受尾流影响时，将所有不受尾流影响的风机建立第二数据集，将所述第二数据集输入预先构建的标杆风机分类树模型确定最新的标杆风机，并将标杆风机的风速-功率曲线作为健康数据，计算出未受尾流效应影响的风机风速损失率作为损失因子；
第二判断单元，用于将所述尾流效应下的损失因子与未受尾流效应影响的风机损失因子做对比，判断尾流效应对风机运行健康度的影响。
实施例3
本实施例提供一种风电机组尾流效应下的健康度判断装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
实施例4
本实施例提供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时实现实施例1中任一项所述方法的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种风电机组尾流效应下的健康度判断方法，其特征在于，包括：
获取风机运行数据、环境数据和气象数据，输入预先构建的尾流效应预测分类树进行分类，确定风机是否受尾流影响；
如确定该风机受尾流影响，则根据预先构建的高斯模型算出尾流中心位置以及风速损失率，以风速损失率作为尾流效应下的损失因子；
如确定该风机不受尾流影响，将所有不受尾流影响的风机建立第二数据集，将所述第二数据集输入预先构建的标杆风机分类树模型确定最新的标杆风机，并将标杆风机的风速-功率曲线作为健康数据，计算出未受尾流效应影响的风机风速损失率作为损失因子；
将所述尾流效应下的损失因子与未受尾流效应影响的风机损失因子做对比，判断尾流效应对风机运行健康度的影响；
所述尾流效应预测分类树的构建方法，包括：
获取风机历史运行数据、环境历史数据和气象历史数据；
将所述风机历史运行数据、环境历史数据和气象历史数据离散化；
采用ID3算法对风机历史运行数据、环境历史数据和气象历史数据进行划分，得到划分之后的第一数据集；
将所述离散化的风机历史运行数据、环境历史数据和气象历史数据采用ID3算法依次确定分类树各特征，构建出初始的尾流效应预测分类树；其中，在对特征进行分类时，采用量化范围不同的离散方式分类，得到一个尾流效应预测分类树群；
将所述划分之后的第一数据集输入尾流效应预测分类树群进行分类，从分类树群中选取分类正确率高于设定值的分类树作为最终的尾流效应预测分类树；
所述根据预先构建的高斯模型算出尾流中心位置以及风速损失率，包括：
风场采用的多普勒激光雷达所测为径向风速，其与真实风速的关系为
Figure FDA0003884315490000021
式中r为激光雷达与测量点距离，uLOS(y,r)为径向风速，uactual为真实风速，
Figure FDA0003884315490000022
为风向，θ为激光雷达的方位角，y为直角坐标系中纵坐标；
采用高斯模型计算尾流中心位置yc：
Figure FDA0003884315490000023
式中yc对应尾流中心位置，sw为控制尾流宽度的参数，a为高斯拟合参数，参数根据现场工程实验结果拟合得出，
计算出风机尾流中心位置，得到中心位置的尾流风速，风速损失率VD为
Figure FDA0003884315490000024
式中u为环境风速，uwake为风机尾流对应风速，以风速损失率VD作为尾流效应下的损失因子。
2.根据权利要求1所述的风电机组尾流效应下的健康度判断方法，其特征在于：所述采用ID3算法对风机历史运行数据、环境历史数据和气象历史数据进行划分，包括：
假设一个随机变量X取值为X＝{x1,x2,...,xn}，每一种取到的概率分别为{p1,p2,...,pn}，则X的信息熵的公式为：
Figure FDA0003884315490000025
Ent()表示信息熵函数，xn表示第n个随机变量X的值，pi表示取到第i个随机变量X的值的概率，n为随机变量X取值的个数；
整个数据集的熵称作原始熵，数据集D根据某个特征a划分之后的熵为条件熵，信息增益＝原始熵-条件熵；用信息增益划分的具体做法是：计算每一类特征a对应的信息增益，然后挑选信息增益最小的特征进行划分：
Figure FDA0003884315490000031
其中，Gain(D,a)为数据集D根据某个特征a划分之后的信息增益，v为特征a的一个分类，m是特征a的分类个数，pv为v分类占特征a总个数的比例，Dv是根据特征a的v分类进行划分之后的数据集。
3.根据权利要求1所述的风电机组尾流效应下的健康度判断方法，其特征在于：所述标杆风机分类树的构建方法，包括：
获取风机运行数据，将所述风机运行数据离散化；
采用ID3算法和随机树群算法对风机运行数据进行特征划分；
以额定风速-功率曲线为参照依据，将分类树群中其分类结果风机的风速-功率曲线与额定风速-功率曲线拟合率超过90％的分类树作为最终的标杆风机分类树。
4.根据权利要求1所述的风电机组尾流效应下的健康度判断方法，其特征在于：所述将所述第二数据集输入预先构建的标杆风机分类树模型确定最新的标杆风机，包括：
用风机历史运行数据获取训练样本数据；
利用样本数据训练分类树网络，得到标杆风机分类树模型；
获取第二数据集，调用预先训练的标杆风机分类树模型对所述第二数据集进行分类，得到最新的标杆风机数据。
5.根据权利要求1所述的风电机组尾流效应下的健康度判断方法，其特征在于：所述计算出未受尾流效应影响的风机风速损失率作为损失因子，公式如下：
Figure FDA0003884315490000041
式中V′D为未受尾流效应影响的风机风速损失率，u0为标杆风机风速，u1为未受尾流效应影响的风机风速。
6.一种风电机组尾流效应下的健康度判断装置，其特征在于，包括：
第一判断单元，用于获取风机运行数据、环境数据和气象数据，输入预先构建的尾流效应预测分类树进行分类，确定风机是否受尾流影响；其中，所述尾流效应预测分类树的构建方法，包括：
获取风机历史运行数据、环境历史数据和气象历史数据；
将所述风机历史运行数据、环境历史数据和气象历史数据离散化；
采用ID3算法对风机历史运行数据、环境历史数据和气象历史数据进行划分，得到划分之后的第一数据集；
将所述离散化的风机历史运行数据、环境历史数据和气象历史数据采用ID3算法依次确定分类树各特征，构建出初始的尾流效应预测分类树；其中，在对特征进行分类时，采用量化范围不同的离散方式分类，得到一个尾流效应预测分类树群；
将所述划分之后的第一数据集输入尾流效应预测分类树群进行分类，从分类树群中选取分类正确率高于设定值的分类树作为最终的尾流效应预测分类树；
第一损失因子获取单元，用于在确定该风机受尾流影响时，则根据预先构建的高斯模型算出尾流中心位置以及风速损失率，以风速损失率作为尾流效应下的损失因子；其中，所述根据预先构建的高斯模型算出尾流中心位置以及风速损失率，包括：
风场采用的多普勒激光雷达所测为径向风速，其与真实风速的关系为
Figure FDA0003884315490000051
式中r为激光雷达与测量点距离，uLOS(y,r)为径向风速，uactual为真实风速，
Figure FDA0003884315490000052
为风向，θ为激光雷达的方位角，y为直角坐标系中纵坐标；
采用高斯模型计算尾流中心位置yc：
Figure FDA0003884315490000053
式中yc对应尾流中心位置，sw为控制尾流宽度的参数，a为高斯拟合参数，参数根据现场工程实验结果拟合得出，
计算出风机尾流中心位置，得到中心位置的尾流风速，风速损失率VD为
Figure FDA0003884315490000054
式中u为环境风速，uwake为风机尾流对应风速，以风速损失率VD作为尾流效应下的损失因子；
第二损失因子获取单元，用于在确定该风机不受尾流影响时，将所有不受尾流影响的风机建立第二数据集，将所述第二数据集输入预先构建的标杆风机分类树模型确定最新的标杆风机，并将标杆风机的风速-功率曲线作为健康数据，计算出未受尾流效应影响的风机风速损失率作为损失因子；
第二判断单元，用于将所述尾流效应下的损失因子与未受尾流效应影响的风机损失因子做对比，判断尾流效应对风机运行健康度的影响。
7.一种风电机组尾流效应下的健康度判断装置，其特征在于：包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～5任一项所述方法的步骤。
8.一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时实现权利要求1～5任一项所述方法的步骤。
CN202211016183.7A 2022-08-24 2022-08-24 一种风电机组尾流效应下的健康度判断方法、装置及介质 Active CN115081346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211016183.7A CN115081346B (zh) 2022-08-24 2022-08-24 一种风电机组尾流效应下的健康度判断方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211016183.7A CN115081346B (zh) 2022-08-24 2022-08-24 一种风电机组尾流效应下的健康度判断方法、装置及介质

Publications (2)

Publication Number Publication Date
CN115081346A CN115081346A (zh) 2022-09-20
CN115081346B true CN115081346B (zh) 2023-01-24

Family

ID=83243978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211016183.7A Active CN115081346B (zh) 2022-08-24 2022-08-24 一种风电机组尾流效应下的健康度判断方法、装置及介质

Country Status (1)

Country Link
CN (1) CN115081346B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117420773B (zh) * 2023-08-31 2024-07-19 南京国电南自维美德自动化有限公司 一种风电场的尾流协同控制方法及系统
CN117709942B (zh) * 2024-02-04 2024-05-10 清华大学深圳国际研究生院 基于尾流分析的风机场聚类分布式运维方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446540A (zh) * 2016-09-20 2017-02-22 华北电力大学（保定） 一种风电机组健康状态实时评估方法
CN112818604A (zh) * 2021-02-05 2021-05-18 河海大学 一种基于风功率预测的风电机组风险度评估方法
CN113848347A (zh) * 2021-07-29 2021-12-28 尚特杰电力科技有限公司 一种风力发电机测风仪健康状态检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446540A (zh) * 2016-09-20 2017-02-22 华北电力大学（保定） 一种风电机组健康状态实时评估方法
CN112818604A (zh) * 2021-02-05 2021-05-18 河海大学 一种基于风功率预测的风电机组风险度评估方法
CN113848347A (zh) * 2021-07-29 2021-12-28 尚特杰电力科技有限公司 一种风力发电机测风仪健康状态检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
不同入流条件及偏航角下的单风机尾流特性;黄国庆等;《土木与环境工程学报》;20220322;第1-9页 *
基于风电场实测的风机尾流特征分析;温建民等;《机械工程与自动化》;20210228;第3-6页 *

Also Published As

Publication number Publication date
CN115081346A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115081346B (zh) 一种风电机组尾流效应下的健康度判断方法、装置及介质
US9366235B2 (en) Estimation of wind conditions at a wind turbine
CN105844361B (zh) 风电机组风功率预测方法、解缆方法和装置
CN106529719B (zh) 基于粒子群优化算法风速融合的风电功率预测的方法
CN109488528B (zh) 一种风机偏航系统的调整方法及装置
CN109751206B (zh) 风机叶片结冰故障预测方法、装置及存储介质
Bhaskar et al. Wind speed forecasting: Present status
WO2018121668A1 (en) A method and system for evaluating wind turbine generator performance
CN109779848B (zh) 全场风速修正函数的获得方法、装置及风电场
EP4194684B1 (en) Load control method and apparatus for wind turbine generator system
CN111327070A (zh) 风电场能量管理方法及系统
CN113309663B (zh) 用于风力发电机组的控制方法及控制装置
CN115977874B (zh) 基于激光测风雷达的风电机组偏航自适应校准方法及系统
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
Chia et al. Reference evapotranspiration estimation using adaptive neuro-fuzzy inference system with limited meteorological data
CN116378897B (zh) 一种风电场偏航角控制方法及装置
CN110414734B (zh) 一种计及风资源利用率预测评估的方法
Duan et al. Study on performance evaluation and prediction of mixed-flow hydraulic turbine units under variable operating conditions
CN108167140B (zh) 风力发电机组叶片结冰的监测方法和装置
US12123399B2 (en) Load control method and apparatus for wind turbine generator system
US20240141869A1 (en) Control of a wind turbine based on predicting amplitude modulation (am) noise
CN117420773B (zh) 一种风电场的尾流协同控制方法及系统
CN114611812A (zh) 一种基于流体动力学的风能资源预测系统与方法
CN117287341A (zh) 一种风电机组偏航预测系统及方法
CN118174272A (zh) 基于机器学习的风机发电量预测方法及系统

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