CN115493644A - 一种风电机组上游来流风速获取方法 - Google Patents

一种风电机组上游来流风速获取方法 Download PDF

Info

Publication number
CN115493644A
CN115493644A CN202211140309.1A CN202211140309A CN115493644A CN 115493644 A CN115493644 A CN 115493644A CN 202211140309 A CN202211140309 A CN 202211140309A CN 115493644 A CN115493644 A CN 115493644A
Authority
CN
China
Prior art keywords
wind
data
wind speed
turbine generator
speed
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.)
Pending
Application number
CN202211140309.1A
Other languages
English (en)
Inventor
董利江
卢鸿坤
朱霄珣
钱白云
石泽启
刘伟
林翔
周杰
胡乔良
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.)
Urumqi Electric Power Construction And Debugging Institute Xinjiang Xinneng Group Co ltd
North China Electric Power University
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
Urumqi Electric Power Construction And Debugging Institute Xinjiang Xinneng Group Co ltd
North China Electric Power University
Electric Power Research Institute of State Grid Xinjiang Electric Power 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 Urumqi Electric Power Construction And Debugging Institute Xinjiang Xinneng Group Co ltd, North China Electric Power University, Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical Urumqi Electric Power Construction And Debugging Institute Xinjiang Xinneng Group Co ltd
Priority to CN202211140309.1A priority Critical patent/CN115493644A/zh
Publication of CN115493644A publication Critical patent/CN115493644A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种风电机组上游来流风速获取方法，其先获取自由来流风吹过目标风电机组风轮时的检测数据和目标风电机组前方相同高度处的上游自由来流风速数据；其次，对获取到的数据进行预处理并构建训练集；然后，将训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵；将训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练输入特征与输出序列之间的映射关系，在不过分依赖风电机组前垂直风塔型测风雷达的情况下可以更加准确的检测风电机组上游实际来流风速。

Description

一种风电机组上游来流风速获取方法
技术领域
本发明涉及风力发电技术领域，具体而言，涉及一种风电机组上游来流风速获取方法。
背景技术
目前，自由来流风速的测量方法主要包括双参数风力机机舱传递函数构建方法、风电机组机舱传递函数分区拟合方法、利用平均风速拟合法建立机舱上游有效来流风速之间的映射关系以及通过理论模型或CFD的方法对机舱测风数据进行修正来计算风电机组前实际有效风速。但是，双参数风力机机舱传递函数构建方法是利用标杆风电机组测量自由来流风速，获取同时段机舱风速和风电机组输出功率数据，并以机舱风速、机组输出功率无量纲参数作为自变量，自由来流风速无量纲参数为因变量，采用二元五次多项式函数对三者关系进行拟合，拟合函数构建不够准确，无量纲化的自由来流风速与机舱风速和机组输出功率之间并不能精准满足二元五次多项式关系。风电机组机舱传递函数分区拟合方法利用测风塔测得与目标机舱上方同时刻同高度的平均风速数据，以额定风速值为界限划分低风速区和高风速区拟合函数的阶次并分别拟合，通过对机舱风速的修正来更客观得到实际有效来流风速。但是，此技术利用测风塔测得的数据作为自由来流风速，这与目标机组机舱自由来流风速之间的差别很大。利用平均风速拟合法建立机舱与上游有效来流风速之间的映射关系的方法主要利用目标机舱上方测风数据和相同风电机组轮毂高度处的测风数据，采用线性拟合及高阶多项式拟合方法建立机舱上游有效来流风速之间的传递关系。但是，采用线性拟合法发现机舱风速的散点在不同风速段的分布差别很大，而高阶多项式拟合的方法在不同来流风方向上的多项式系数变化很大，不能呈现出统一的拟合规律。通过理论模型或CFD的方法对机舱测风数据进行修正来计算风电机组前实际有效风速的方法，在理论计算法相关的研究较少，且相关研究大多采用致动盘或致动线模型，无法准确反映出叶片的三维结构，不能精准模拟叶片形状对来流风的影响，造成的误差较大。因此，需要提供一种方案以更加准确的检测风电机组上游实际来流风速。
发明内容
本发明的目的在于提供一种风电机组上游来流风速获取方法，用以实现更加准确的检测风电机组上游实际来流风速的技术效果。
第一方面，本发明提供了一种风电机组上游来流风速检测方法，包括：
S1.获取自由来流风吹过目标风电机组风轮时的检测数据和所述目标风电机组前方相同高度处的上游自由来流风速数据；所述检测数据包括各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量；
S2.对所述检测数据和和所述上游自由来流风速数据进行预处理，得到预处理数据；
S3.对所述预处理数据进行归一化处理并构建训练集；
S4.将所述训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵；
S5.将所述训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练所述输入特征与所述输出序列之间的映射关系，得到对应的映射模型；
S6.获取自由来流风吹过目标风电机组风轮时的实时检测数据，并将所述实时检测数据输入所述映射模型，得到目标风电机组的风轮前实际有效来流风速。
第二方面，本发明提供了一种风电机组上游来流风速检测系统，包括：
获取模块，用于获取自由来流风吹过目标风电机组风轮时的检测数据和所述目标风电机组前方相同高度处的上游自由来流风速数据；所述检测数据包括各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量；
数据预处理模块，用于对所述检测数据和和所述上游自由来流风速数据进行预处理，得到预处理数据；
数据集构建模块，用于对所述预处理数据进行归一化处理并构建训练集；
输入数据处理模块，用于将所述训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵；
映射模型分析模块，用于将所述训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练所述输入特征与所述输出序列之间的映射关系，得到对应的映射模型；
输出模块，获取自由来流风吹过目标风电机组风轮时的实时检测数据，并将所述实时检测数据输入所述映射模型，得到目标风电机组的风轮前实际有效来流风速。
本发明能够实现的有益效果是：本发明提供的风电机组上游来流风速检测方法先获取自由来流风吹过目标风电机组风轮时的检测数据和目标风电机组前方相同高度处的上游自由来流风速数据；其次，对获取到的数据进行预处理并构建训练集；然后，将训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵；将训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练输入特征与输出序列之间的映射关系，在不过分依赖风电机组前垂直风塔型测风雷达的情况下可以更加准确的检测风电机组上游实际来流风速。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的一种风电机组上游来流风速检测方法的流程示意图；
图2为本发明实施例提供的一种风电机组上游来流风速检测系统的拓扑结构示意图。
图标：10-风电机组上游来流风速检测系统；100-获取模块；200-数据预处理模块；300-数据集构建模块；400-输入数据处理模块；500-映射模型分析模块；600-输出模块。
具体实施方式
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描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参看图1，图1为本发明实施例提供的一种风电机组上游来流风速检测方法的流程示意图。
在一种实施方式中，本发明实施例提供了一种风电机组上游来流风速检测方法，其具体内容如下所述。
S1.获取自由来流风吹过目标风电机组风轮时的检测数据和所述目标风电机组前方相同高度处的上游自由来流风速数据；所述检测数据包括各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量。
示例性地，可以在目标风电机组机舱上方设置激光雷达测风仪，用于获取自由来流风吹过目标风电机组风轮时的检测数据。在目标风电机组前方增设置垂直风塔型激光雷达，用来代替测风塔测量目标风电机组前方相同高度处的上游自由来流风速数据，与直接利用测风塔测风相比，这种方法更好的减少测风塔的体积对后方目标机舱来流风速的影响，测量结果更加精确。
S2.对所述检测数据和和所述上游自由来流风速数据进行预处理，得到预处理数据。
在一种实施方式中，S2包括：通过LSTM神经网络筛选并删除所述检测数据和所述上游自由来流风速数据中同时刻空缺的数据；对高于目标风电机组额定风速的风速数据使用额定风速进行替换，同时对低于额定风速的风速数据进行清除。
通过这种方式，可以使得降低误差数据对检测结果的影响。
S3.对所述预处理数据进行归一化处理并构建训练集。
在一种实施方式中，在获取到预处理数据后，可以先对预处理数据进行归一化处理，然后再将90%的数据划分为训练集；10%的数据划分为测试集。
S4.将所述训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵。
示例性地，可以将训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量等八个特征作为一个输入特征x，每个时间步长作为样本m，构建关于输入特征x的8*m的输入矩阵。
S5.将所述训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练所述输入特征与所述输出序列之间的映射关系，得到对应的映射模型。
在一种实施方式中，所述LSTM模型的全连接层数设为1，损失函数采用上游自由来流风速数据的预测值和实际有效值之间的平均绝对误差，优化方法采用随机梯度下降法，且在训练过程中通过迭代寻优的方法自适应调整LSTM模型的参数。
在一种实施方式中，上述方法还包括：
对所述预处理数据进行归一化处理后划分一个测试集，通过所述测试集对所述映射模型的预测结果进行验证。通过这种方式可以检验模型的误差是否过大。
S6.获取自由来流风吹过目标风电机组风轮时的实时检测数据，并将所述实时检测数据输入所述映射模型，得到目标风电机组的风轮前实际有效来流风速。
请参看图2，图2为本发明实施例提供的一种风电机组上游来流风速检测系统的拓扑结构示意图。
在一种实施方式中，本发明实施例提供了一种风电机组上游来流风速检测系统，包括：
获取模块，用于获取自由来流风吹过目标风电机组风轮时的检测数据和所述目标风电机组前方相同高度处的上游自由来流风速数据；所述检测数据包括各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量；
数据预处理模块，用于对所述检测数据和和所述上游自由来流风速数据进行预处理，得到预处理数据；
数据集构建模块，用于对所述预处理数据进行归一化处理并构建训练集；
输入数据处理模块，用于将所述训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵；
映射模型分析模块，用于将所述训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练所述输入特征与所述输出序列之间的映射关系，得到对应的映射模型；
输出模块，获取自由来流风吹过目标风电机组风轮时的实时检测数据，并将所述实时检测数据输入所述映射模型，得到目标风电机组的风轮前实际有效来流风速。
通过上述的风电机组上游来流风速检测系统可以在不过分依赖风电机组前垂直风塔型测风雷达的情况下可以更加准确的检测风电机组上游实际来流风速。
综上所述，本发明实施例提供一种风电机组上游来流风速获取方法，其先获取自由来流风吹过目标风电机组风轮时的检测数据和目标风电机组前方相同高度处的上游自由来流风速数据；其次，对获取到的数据进行预处理并构建训练集；然后，将训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵；将训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练输入特征与输出序列之间的映射关系，在不过分依赖风电机组前垂直风塔型测风雷达的情况下可以更加准确的检测风电机组上游实际来流风速。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种风电机组上游来流风速检测方法，其特征在于，包括：
S1.获取自由来流风吹过目标风电机组风轮时的检测数据和所述目标风电机组前方相同高度处的上游自由来流风速数据；所述检测数据包括各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量；
S2.对所述检测数据和和所述上游自由来流风速数据进行预处理，得到预处理数据；
S3.对所述预处理数据进行归一化处理并构建训练集；
S4.将所述训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵；
S5.将所述训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练所述输入特征与所述输出序列之间的映射关系，得到对应的映射模型；
S6.获取自由来流风吹过目标风电机组风轮时的实时检测数据，并将所述实时检测数据输入所述映射模型，得到目标风电机组的风轮前实际有效来流风速。
2.根据权利要求1所述的方法，其特征在于，所述S2 包括：
通过LSTM神经网络筛选并删除所述检测数据和所述上游自由来流风速数据中同时刻空缺的数据；对高于目标风电机组额定风速的风速数据使用额定风速进行替换，同时对低于额定风速的风速数据进行清除。
3.根据权利要求1所述的方法，其特征在于，所述LSTM模型的全连接层数设为1，损失函数采用上游自由来流风速数据的预测值和实际有效值之间的平均绝对误差，优化方法采用随机梯度下降法，且在训练过程中通过迭代寻优的方法自适应调整LSTM模型的参数。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
数据进行归一化处理后划分一个测试集，通过所述测试集对所述映射模型的预测结果进行验证。
5.一种风电机组上游来流风速检测系统，其特征在于，包括：
获取模块，用于获取自由来流风吹过目标风电机组风轮时的检测数据和所述目标风电机组前方相同高度处的上游自由来流风速数据；所述检测数据包括各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量；
数据预处理模块，用于对所述检测数据和和所述上游自由来流风速数据进行预处理，得到预处理数据；
数据集构建模块，用于对所述预处理数据进行归一化处理并构建训练集；
输入数据处理模块，用于将所述训练集中各个时刻的风速、风向、对风角度、功率、发电机转速、转子转速和发电量作为一个输入特征，每个时间步长作为样本，构建输入矩阵；
映射模型分析模块，用于将所述训练集中各个时刻的上游自由来流风速数据作为一个输出序列，通过LSTM模型训练所述输入特征与所述输出序列之间的映射关系，得到对应的映射模型；
输出模块，获取自由来流风吹过目标风电机组风轮时的实时检测数据，并将所述实时检测数据输入所述映射模型，得到目标风电机组的风轮前实际有效来流风速。
CN202211140309.1A 2022-09-20 2022-09-20 一种风电机组上游来流风速获取方法 Pending CN115493644A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211140309.1A CN115493644A (zh) 2022-09-20 2022-09-20 一种风电机组上游来流风速获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140309.1A CN115493644A (zh) 2022-09-20 2022-09-20 一种风电机组上游来流风速获取方法

Publications (1)

Publication Number Publication Date
CN115493644A true CN115493644A (zh) 2022-12-20

Family

ID=84470027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140309.1A Pending CN115493644A (zh) 2022-09-20 2022-09-20 一种风电机组上游来流风速获取方法

Country Status (1)

Country Link
CN (1) CN115493644A (zh)

Similar Documents

Publication Publication Date Title
CN105844361B (zh) 风电机组风功率预测方法、解缆方法和装置
CN105508149B (zh) 用于风力发电机组的故障检测方法及装置
CN106407627B (zh) 一种风速概率分布建模的方法和系统
CN110414102A (zh) 海上风力发电结构疲劳分析方法
CN107292514A (zh) 风电场生产运行测风塔选址方法及装置
CN102830250A (zh) 一种基于空间相关性的风电场风速传感器故障诊断方法
CN115358606B (zh) 一种平缓地形下在役风电场能效评估方法及系统
CN106650977A (zh) 应用于新建风电场的短期功率预测方法
CN105279384A (zh) 一种基于风力机机舱风速的来流风速计算方法及装置
CN113205210A (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
Barber et al. Development of a wireless, non-intrusive, MEMS-based pressure and acoustic measurement system for large-scale operating wind turbine blades
CN116306139A (zh) 一种风力机叶片寿命智能监测方法及系统
Iungo et al. Machine-learning identification of the variability of mean velocity and turbulence intensity for wakes generated by onshore wind turbines: Cluster analysis of wind LiDAR measurements
CN108932554B (zh) 一种风电场流场量测点的配置优化方法及装置
CN106768917A (zh) 一种风力机叶片现场载荷测试与评估方法
Cheggaga et al. A neural network solution for extrapolation of wind speeds at heights ranging for improving the estimation of wind producible
CN115493644A (zh) 一种风电机组上游来流风速获取方法
CN106771370B (zh) 一种风机测风仪检测方法及装置
CN116451608A (zh) 一种复杂地形的混合风功率预测方法及装置
CN115310375A (zh) 基于流体动力学模型的风电机组机舱传递函数拟合方法
CN112231979B (zh) 基于计算流体力学和机器学习的山区瞬时风况预报方法
CN109100102B (zh) 基于应变连续监测的风机模态分析方法、装置、终端与计算机可读存储介质
CN113283035B (zh) 双参数风力机机舱传递函数构建方法、系统、设备及存储介质
CN115204712A (zh) 一种海上和沿海风电场选址评估方法
CN108416372A (zh) 基于多种传感器的风电场风速获取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication