CN115544884A - 一种基于数据驱动的大型风电场尾流快速计算方法及系统 - Google Patents

Abstract

本发明公开了一种基于数据驱动的大型风电场尾流快速计算方法及系统，创造性地通过“机群划分‑离线建模‑在线计算”的技术框架研究风电场尾流建模工作，根据历史风向与风速信息挖掘尾流传播路径，并以减小模型计算得到的风速大小与实际风速大小的均方损失误差为目标，利用狼群算法对解析尾流模型的衰减参数进行优化求解，离线训练并得到修正的场级尾流模型，之后结合风速风向预测结果、机组自身运行状态及机组尾流的影响，实现尾流在线快速计算的部署应用，大幅度提升了实时尾流建模计算的效率和精度，为后续风电场风电机组载荷在线计算、出力性能评估和优化控制策略等在线分析任务提供高可靠的数据支撑。

Description

一种基于数据驱动的大型风电场尾流快速计算方法及系统

技术领域

本发明涉及风电场尾流计算技术领域，特别涉及一种基于数据驱动的大型风电场尾流快速计算方法及系统。

背景技术

能源是促进人类生存和发展的重要物质基础。由于自然资源的局限性，传统的化石能源的储量逐年下降，且其在能量转化的过程中产生了大量的环境生态问题。为减轻社会生产对传统化石能源的依赖性，大量可再生能源得到了开发与应用。其中，风能被认为是最具潜力和技术经济性的可再生能源之一，得到了各国政府的重点关注，被视为能有效缓解能源短缺、应对环境问题的重要手段。我国幅员辽阔，海岸线长，风能资源储量丰富。优越的自然条件给大规模的开发和利用风能资源创造了可能，我国目前是世界风电第一大国，我国非水新能源中风力发电占比第一。

尾流效应是指，风力发电机从风中获取能量的同时在其下游形成风速下降的尾流区，若下游有风机位于尾流区内，下游风机的输入风速就低于上游风机的输入风速。风电场风机的机械构造与风电场风机的位置排布常给风电场带来较大的尾流效应影响，尤其对于运行环境较为简单的海上风电场，机组排布较为密集，各风机尾流相互干涉，尾流效应在风电场内叠加现象严重，使得风电场整场的发电效率降低，导致发电量受损，最终影响风电场的经济效益。在风场运行时，理论上可以通过风电场控制系统根据实时运行情况进行尾流优化管理这一措施来减少尾流效应造成的发电量损失，然而，现有的风电场尾流计算装置不能做到对风电场内尾流效应的实时准确的计算，且因为尾流效应的复杂性导致现有的风电场尾流计算耗时较长，不利于为后续风电场运行的在线分析提供可靠的参考依据。

针对尾流效应导致风电场发电量损失的问题，学者们提出了对尾流进行精确建模的解决方案，当前的主流方法可以总结为有两类，即解析尾流模型方法和数值模拟方法。由于成本低，计算速度快，效率高，解析尾流模型在如今的工程实践中仍被广泛用于尾流分布的预测。其中，最具开创性的模型便是Jensen尾流模型，它考虑了尾流速度衰减的礼帽型分布，然而“礼帽状”尾流速度衰减的假设条件不切合实际应用，于是Bastankhah等人通过假设自相似高斯轮廓建立了高斯尾流模型，用于尾流缺陷并提高尾流预测的准确性。之后，Larsen等人通过假设尾流是平均流扰动的结果，基于自相似理论提出了Larsen尾流模型，Frandsen等人基于风机转子内部和周围流动的动量守恒定律提出了Frandsen尾流模型。这些经典解析尾流模型严重依赖经验常数，不能很好地考虑湍流强度对尾流的影响及风电机组间的耦合关系，且无法根据具体风电场的环境风速条件做出改变，导致计算精度与实际情况存在较大误差，无法满足风电场运行时在线计算尾流的工程需求。而CFD数值模拟如利用大涡模拟(LES)或雷诺平均纳维-斯托克斯方程(RANS)等方法，可以显着提高尾流预测的准确性，但计算成本过于昂贵，计算量过大，导致计算效率很低，当前较多出现在前沿的理论研究中，仍无法在一般的大型风电场上推广应用。

发明内容

现有的风电场尾流计算方法不能做到对风电场内尾流效应的实时准确的计算，且因为尾流效应的复杂性导致现有的风电场尾流计算耗时较长，尤其是风电机组的集群部署现状导致风电场内存在严重的尾流效应，不仅对下游风电机组的工作载荷及出力性能产生了极大的不利影响，还使得风机来流风速的耦合关系更加复杂，而现有的尾流模型难以兼顾工程应用中对效率和精度的要求；针对上述问题，本发明提出了一种基于数据驱动的大型风电场尾流快速计算方法及系统，创造性地提出“机群划分-离线建模-在线计算”技术框架来进行风电场尾流实时快速建模的研究工作，根据历史风向与风速信息挖掘尾流传播路径，并以减小模型计算得到的风速大小与实际风速大小的均方损失误差为目标，利用狼群算法对解析尾流模型的进行优化求解，离线训练并建立风电场场级模型，之后结合风速风向预测结果、机组自身运行状态及机组尾流的影响，研究基于数据驱动的大型风电场尾流快速计算技术及系统，大幅度提升了实时尾流建模计算的效率和精度，为后续风电场运行的在线分析提供可靠的数据服务。

本发明解决其技术问题所采用的技术方案是：一种基于数据驱动的大型风电场尾流快速计算方法，该方法包括以下步骤：

(1)获取风电机组基本参数信息以及风电场内风电机组排布信息，获取各机组一段历史时间内SCADA系统记录的输出数据；

(2)利用步骤(1)中获得的风电场内风电机组排布信息和历史SCADA数据中的环境风向信息，将一段历史时间内的平均入流风向处理为正向风向和斜向风向；

(3)对步骤(2)中处理得到的风向信息，进行机群划分，将风流经过风电场的首排风机设定为边界迎风机组，根据风向推断尾流传播路径，将同一尾流传播路径下的机组划分为同一机群；

(4)利用步骤(1)中得到的风电机组基本参数信息，基于质量守恒和动量守恒原理，并设定好Park模型中各个尾流衰减系数的初值，进行单台风机的尾流效应建模，再基于步骤(3)中得到的尾流传播路径信息，基于尾流损失的线性叠加原理，对各个机群的尾流效应进行建模，得到全场场级尾流模型；

(5)根据步骤(1)中SCADA数据中提取的各台风电机组历史风速信息以及步骤(4)全场场级尾流模型输出的风速信息，得到模型计算风速大小与实际测得风速大小的均方损失误差和，记作MSELoss；

(6)以步骤(5)中得到MSELoss的最小化为导向，对各个尾流衰减系数进行最优值求解，修正该风电场这段历史时间内的全场尾流模型；

(7)将步骤(6)中得到的修正尾流模型进行在线应用部署，根据实时环境信息预测的风速和风向，划分同一尾流传播路径的机群，实现各个机群内各个风电机的尾流速度的快速计算，进而为后续风电场运行的在线分析提供可靠的数据服务。

进一步地，所述步骤(1)的风电机组基本参数信息具体包括风机切入风速，风机切出风速，叶片数，叶轮直径，叶轮扫掠面积，风轮轮毂高度，风机额定功率，风机功率曲线，风机推力系数，风机轴向感应因子；风电场内风电机组排布信息具体包括风电场风电机组数，各台风电机组的经纬度参数和海拔高度参数。

进一步地，所述步骤(2)具体为：步骤(2)中所述的正向风向和斜向风向，其中，正向风向指平均风向垂直于风电场的行或列，记作d₁＝[正东E,正西W,正南S,正北N]，斜向风向指平均风向与风电场的行或列存在45°夹角；记作d₂＝[东北EN,东南ES,西北WN,西南WS]，若平均输入风向既不属于正向风向也不属于斜向风向，则按最小错误率的贝叶斯准则，将其映射为正向风向或斜向风向：

其中，m代表当前平均输入风向，d₁是正向风向，d₂是斜向风向，P(d₁)是历史信息中正向风向的概率，P(m|d₁)是当前风向为正向风向的概率，P(d₂)是历史信息中斜向风向的概率，P(m|d₂)是当前风向为斜向风向的概率，l(m)是似然比，P(d₂)/P(d₁)是似然比阈值。

进一步地，所述步骤(4)中是基于Park模型原理对单台风机的尾流效应建模，针对单台风电机组产生的尾流效应，假设风电机组i在风电机组j形成的尾流效应有效区域内，生成单机垂直剖面的尾流速度分布，表示为：

其中，V_∞是环境风速，V_i是风电机组i的入流风速，C_T是风电机组的推力系数，D_r是风电机组的叶轮直径，x是风电机组i距离风电机组j的距离，并假设预测的最远距离是9倍叶轮直径D_r，k是尾流膨胀衰减系数，表示为：

其中，U_i(x,D_w,a_i)是风电机组i可利用的风能大小，a_i是风电机组i的轴向感应因子，a_j是风电机组j的轴向感应因子，D_w是风电机组i处于风电机组j尾流区内的尾流半径，δ是风能损失因子，得到下游风电机组i可利用风能大小表示为：

U_i(x,D_w,a_i)＝V_∞(1-δU_j(x,D_w,a_j))

其中，U_j(x,D_w,a_j)是风电机组j可利用的风能大小。

进一步地，所述步骤(4)中尾流叠加区域的面积计算的具体方法如下，尾流叠加的阴影部分＝(扇形O₁AB-三角形O₁AB)+(扇形O₂AB-三角形O₂AB)，其中O₁是风电机组i的转动中心点，O₂是风电机组j尾流区域的中心点，A、B分别是风电机组i的风轮扫掠区域与风电机组j尾流区域的两个不同交点；

其中，三角形O₁AO₂和三角形O₁BO₂这两个三角形组成了一个四边形，可通过两倍的三角形O₁AO₂面积得到，具体的推导如下：

∠AO1B＝2∠AO1O2

其中，S_O1AB是扇形O₁AB的面积大小，r₁是风电机组i的叶轮半径，r₂是风电机组j尾流区域的尾流半径，d是O₁和O₂的距离；同理，得到扇形O₂AB的面积：

S_O2AB＝∠AO2O1*r₂ ²

其中四边形面积表示为：

因此可以得到尾流叠加区域的面积为：

其中，

表示风电机组i处于风电机组j尾流区内的尾流叠加区域的面积。

进一步地，所述步骤(4)中尾流损失的线性叠加原理用公式表示为：

其中，V_j风电机组j的流入风速大小，V_ij是风电机组i受风电机组j尾流区影响的流入风速大小，N_i是风电机组i所在机群内的风电机组数目。

进一步地，所述步骤(4)中全场尾流模型用公式表示为：

其中，θ^w是风电机组i的风轮旋转面与风机轮毂高度平面处的夹角，

为风电机组i受该机群内风电机组尾流影响的风能大小。

进一步地，所述步骤(5)中得到模型风速的均方损失误差和用公式表示为：

其中，N是风电场中风电机组的数目，

是从SCADA数据中提取的风电机组i历史风速大小，V_i是通过全场尾流模型计算得到的风电机组i的风速大小。

进一步地，所述步骤(6)具体为：采用狼群算法对各个尾流衰减系数进行最优值求解，得到：

通过MSELoss达到最优求解目标或超过最大迭代次数的判定条件，最终得到修正后的尾流模型。

本发明公开了一种基于数据驱动的大型风电场尾流快速计算系统，包括：

风电场风电机组位置参数信息获取模块，获取风电场内风电机组排布信息包括风电场风电机组数，各台风电机组的经纬度参数和海拔高度参数，并将其经纬度参数和海拔高度参数信息转化为三维坐标系的矩阵位置信息；

边界迎风机组获取模块，根据获取的位置信息，对风电场划分不同风向下的机群分布情况；

尾流传播路径预测模块，根据历史SCADA数据中的环境风向信息，基于最小错误率的贝叶斯准则，对风电场尾流传播路径进行预测；

尾流模型离线训练模块，进行单台风机的尾流效应建模，以及对各个机群的尾流效应进行建模，得到全场场级尾流模型；并基于历史风速信息对各个尾流衰减系数的初值进行最优值求解，最终得到修正的尾流模型；

尾流模型在线应用模块，根据输入的预测风速和预测风向信息，划分同一尾流传播路径的机群，实现各个机群内各个风电机的尾流速度的快速计算；

位于上游的大数据及风电场能量管理平台，提供风电机组基本参数信息，风电场内风电机组排布信息以及SCADA系统记录的输出数据；并存储尾流模型在线应用模块对计算结果进行可视化处理后得到的相关图表数据；

位于上游的风速预测模块，对环境风速信息进行实时的短期预测；

位于下游的风电场优化调度平台，进行后续的在线分析任务，包括风电机组载荷在线计算、出力性能评估和优化控制策略在线求解；

所述系统的尾流模型离线训练模块、尾流传播路径预测模块的输入端同时与上游的大数据及风电场能量管理平台连接；尾流模型离线训练模块、风速预测模块的输出端同时与尾流模型在线应用模块的输入端连接；风电场风电机组位置参数信息获取模块的输出端与边界迎风机组获取模块的输入端连接；边界迎风机组获取模块的输出端与尾流传播预测模块的输入端连接；尾流传播路径预测模块的输出端与尾流模型离线训练模块的输入端连接；尾流模型在线应用模块与下游的风电场优化调度平台连接。

本发明的有益效果是：本发明创造性地提出“机群划分-离线建模-在线计算”技术框架来进行风电场尾流实时快速建模的研究工作，根据历史风向与风速信息挖掘尾流传播路径，并以减小模型计算得到的风速大小与实际风速大小的均方损失误差为目标，利用狼群算法对解析尾流模型的衰减参数进行优化求解，离线训练并得到修正的场级尾流模型，之后结合风速风向预测结果、机组自身运行状态及机组尾流的影响，实现尾流在线快速计算的部署应用，大幅度提升了实时尾流建模计算的效率和精度，为后续风电场风电机组载荷在线计算、出力性能评估和优化控制策略等在线分析任务提供高可靠的数据，进而提高了风电场整场的发电产能。

附图说明

图1为本发明的尾流快速计算系统的实施示意图；

图2为本发明的采用狼群算法进行模型参数修正的流程图；

图3为本发明的机群划分原理图；

图4为本发明采用的Park模型原理示意图；

图5为本发明的尾流叠加情况示意图；

图6为实施例中风电场全场尾流在轮毂高度平面处的速度分布示意图；

图7为实施例中风电场全场尾流速度分布的三维可视化示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明实施例提出的基于数据驱动的大型风电场尾流快速计算方法，包括以下步骤：

(1)获取风电机组基本参数信息，包括风机切入风速，风机切出风速，叶片数，叶轮直径，叶轮扫掠面积，风轮轮毂高度，风机额定功率，风机功率曲线，风机推力系数，风机轴向感应因子；风电场内风电机组排布信息，包括风电场风电机组数，各台风电机组的经纬度参数和海拔高度参数，获取各机组一段历史时间内SCADA系统记录的输出数据；

(2)利用步骤(1)中获得的风电场内风电机组排布信息和历史SCADA数据中的环境风向信息，将一段历史时间内的平均入流风向处理为正向风向和斜向风向；其中，正向风向指平均风向垂直于风电场的行或列，记作d₁＝[正东E,正西W,正南S,正北N]，斜向风向指平均风向与风电场的行或列存在45°夹角；记作d₂＝[东北EN,东南ES,西北WN,西南WS]，若平均输入风向既不属于正向风向也不属于斜向风向，则按最小错误率的贝叶斯准则，将其映射为正向风向或斜向风向：

其中，m代表当前平均输入风向，d₁是正向风向，d₂是斜向风向，P(d₁)是历史信息中正向风向的概率，P(m|d₁)是当前风向为正向风向的概率，P(d₂)是历史信息中斜向风向的概率，P(m|d₂)是当前风向为斜向风向的概率，l(m)是似然比，P(d₂)/P(d₁)是似然比阈值。

(3)对步骤(2)中处理得到的风向信息，如图3，进行机群划分，将风流经过风电场的首排风机设定为边界迎风机组，根据风向推断尾流传播路径，将同一尾流传播路径下的机组划分为同一机群；

(4)利用步骤(1)中得到的风电机组基本参数信息，基于质量守恒和动量守恒原理，并设定好模型中各个尾流衰减系数的初值，如图4，基于Park模型原理对单台风机的尾流效应建模，针对单台风电机组产生的尾流效应，假设风电机组i在风电机组j形成的尾流效应有效区域内，生成单机垂直剖面的尾流速度分布，表示为：

其中，V_∞是环境风速，V_i是风电机组i的入流风速，C_T是风电机组的推力系数，D_r是风电机组的叶轮直径，x是风电机组i距离风电机组j的距离，并假设预测的最远距离是9倍叶轮直径D_r，k是尾流膨胀衰减系数，表示为：

其中，U_i(x,D_w,a_i)是风电机组i可利用的风能大小，a_i是风电机组i的轴向感应因子，a_j是风电机组j的轴向感应因子，D_w是风电机组i处于风电机组j尾流区内的尾流半径，δ是风能损失因子，得到下游风电机组i可利用风能大小表示为：

U_i(x,D_w,a_i)＝V_∞(1-δU_j(x,D_w,a_j))

其中，U_j(x,D_w,a_j)是风电机组j可利用的风能大小；之后，针对尾流叠加区域的面积进行计算，如图5，其特征在于，步骤(4)中尾流叠加区域的面积计算的具体方法如下，尾流叠加的阴影部分＝(扇形O₁AB-三角形O₁AB)+(扇形O₂AB-三角形O₂AB)，其中O₁是风电机组i的转动中心点，O₂是风电机组j尾流区域的中心点，A、B分别是风电机组i的风轮扫掠区域与风电机组j尾流区域的两个不同交点；

其中，三角形O₁AO₂和三角形O₁BO₂这两个三角形组成了一个四边形，可通过两倍的三角形O₁AO₂面积得到，具体的推导如下：

∠AO1B＝2∠AO1O2

其中，S_O1AB是扇形O₁AB的面积大小，r₁是风电机组i的叶轮半径，r₂是风电机组j尾流区域的尾流半径，d是O₁和O₂的距离；同理，得到扇形O₂AB的面积：

S_O2AB＝∠AO2O1*r₂ ²

其中四边形面积表示为：

因此可以得到尾流叠加区域的面积为：

其中，

表示风电机组i处于风电机组j尾流区内的尾流叠加区域的面积；

再基于步骤(3)中得到的尾流传播路径信息，基于尾流损失的线性叠加原理：

其中，V_j风电机组j的流入风速大小，V_ij是风电机组i受风电机组j尾流区影响的流入风速大小，N_i是风电机组i所在机群内的风电机组数目；

对各个机群的尾流效应进行建模，得到全场尾流模型用公式表示为：

其中，θ^w是风电机组i的风轮旋转面与风机轮毂高度平面处的夹角，

为风电机组i受该机群内风电机组尾流影响的风能大小。

(5)根据步骤(1)中SCADA数据中提取的各台风电机组历史风速信息以及步骤(4)模型输出的风速信息，得到模型计算风速大小与实际测得风速大小的均方损失误差和：

将均方损失误差和记作MSELoss。

(6)以步骤(5)中得到MSELoss的最小化为导向，如图2，采用狼群算法对各个尾流衰减参数变量进行最优值求解，得到：

通过MSELoss达到最优求解目标或超过最大迭代次数的判定条件，最终得到多参数变量修正后的尾流模型。

(7)将步骤(6)中得到的修正尾流模型进行在线应用部署，根据风速预测模块输出的预测风速和预测风向，划分同一尾流传播路径的机群，实现各个机群内各个风电机的尾流速度的快速计算，并将结果直接传输至风电优化调度平台，为后续风电场运行的在线分析提供可靠的数据服务，同时将结果进行可视化处理，以图表等形式传回存储至大数据及风电场能量管理平台。

如图1所示，本发明提出的一种利用上述计算方法实现的基于数据驱动的大型风电场尾流快速计算系统，包括：

风电场风电机组位置参数信息获取模块，获取风电场内风电机组排布信息包括风电场风电机组数，各台风电机组的经纬度参数和海拔高度参数，并将其经纬度参数和海拔高度参数信息转化为三维坐标系的矩阵位置信息；

边界迎风机组获取模块，根据获取的位置信息，对风电场划分不同风向下的机群分布情况；

尾流传播路径预测模块，根据历史SCADA数据中的环境风向信息，基于最小错误率的贝叶斯准则，对风电场尾流传播路径进行预测；

尾流模型离线训练模块，进行单台风机的尾流效应建模，以及对各个机群的尾流效应进行建模，得到全场场级尾流模型；并基于历史风速信息对各个尾流衰减系数的初值进行最优值求解，最终得到修正的尾流模型；

尾流模型在线应用模块，根据输入的预测风速和预测风向信息，划分同一尾流传播路径的机群，实现各个机群内各个风电机的尾流速度的快速计算；

位于上游的大数据及风电场能量管理平台，提供风电机组基本参数信息，风电场内风电机组排布信息以及SCADA系统记录的输出数据；并存储尾流模型在线应用模块对计算结果进行可视化处理后得到的相关图表数据；

位于上游的风速预测模块，对环境风速信息进行实时的短期预测；

位于下游的风电场优化调度平台，进行后续的在线分析任务，包括风电机组载荷在线计算、出力性能评估和优化控制策略在线求解；

所述系统的尾流模型离线训练模块、尾流传播路径预测模块的输入端同时与上游的大数据及风电场能量管理平台连接；尾流模型离线训练模块、风速预测模块的输出端同时与尾流模型在线应用模块的输入端连接；风电场风电机组位置参数信息获取模块的输出端与边界迎风机组获取模块的输入端连接；边界迎风机组获取模块的输出端与尾流传播预测模块的输入端连接；尾流传播路径预测模块的输出端与尾流模型离线训练模块的输入端连接；尾流模型在线应用模块与下游的风电场优化调度平台连接。

下面以具体实施例对本发明进行进一步的解释说明：

本实施例基于MATLAB仿真软件，对本发明提供方法的有效性进行验证，所用的风速和风向数据来自于中国某海上风电场，仿真时间为600s，给定基本参数的设定数值范围如下表所示：

基本参数	数值范围
		空气密度	1.225kg/m<sup>3</sup>
风电场风电机组数	72台
		风机切入风速	3m/s
风机切出风速	25m/s
		叶片数	3片
叶轮直径	150m
		叶轮扫掠面积	17671m<sup>2</sup>
风轮轮毂高度	95m
		额定功率	6MW

根据本发明提出的“机群划分-离线建模-在线计算”技术框架来进行风电场尾流实时快速建模的研究工作，根据历史风向与风速信息挖掘尾流传播路径，并以减小模型计算得到的风速大小与实际风速大小的均方损失误差为目标，利用狼群算法对解析尾流模型的进行优化求解，经过100次迭代后，均方损失误差MSELoss从初始值0.218降低至0.123，衰减参数变量k和δ由最初设定的0.08和0.12分别优化为0.142和0.197，从而得到修正后的风电场场级模型，之后结合风速风向预测结果进行在线尾流的快速计算，计算结果的可视化分别如图6和图7所示，其中图6为该风电场全场尾流在轮毂高度平面处的速度分布示意图，图7为该风电场全场尾流速度分布的三维可视化示意图。

利用该尾流计算结果可为后续风电场风电机组载荷在线计算、出力性能评估和优化控制策略等在线分析任务提供高可靠的数据支撑。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (10)

1.一种基于数据驱动的大型风电场尾流快速计算方法，其特征在于，包括以下步骤：

(1)获取风电机组基本参数信息以及风电场内风电机组排布信息，获取各机组一段历史时间内SCADA系统记录的输出数据；

(2)利用步骤(1)中获得的风电场内风电机组排布信息和历史SCADA数据中的环境风向信息，将一段历史时间内的平均入流风向处理为正向风向和斜向风向；

(3)对步骤(2)中处理得到的风向信息，进行机群划分，将风流经过风电场的首排风机设定为边界迎风机组，根据风向推断尾流传播路径，将同一尾流传播路径下的机组划分为同一机群；

(4)利用步骤(1)中得到的风电机组基本参数信息，基于质量守恒和动量守恒原理，并设定好Park模型中各个尾流衰减系数的初值，进行单台风机的尾流效应建模，再基于步骤(3)中得到的尾流传播路径信息，基于尾流损失的线性叠加原理，对各个机群的尾流效应进行建模，得到全场场级尾流模型；

(5)根据步骤(1)中SCADA数据中提取的各台风电机组历史风速信息以及步骤(4)全场场级尾流模型输出的风速信息，得到模型计算风速大小与实际测得风速大小的均方损失误差和，记作MSELoss；

(6)以步骤(5)中得到MSELoss的最小化为导向，对各个尾流衰减系数进行最优值求解，修正该风电场这段历史时间内的全场尾流模型；

(7)将步骤(6)中得到的修正尾流模型进行在线应用部署，根据实时环境信息预测的风速和风向，划分同一尾流传播路径的机群，实现各个机群内各个风电机的尾流速度的快速计算，进而为后续风电场运行的在线分析提供可靠的数据服务。

2.根据权利要求1所述的基于数据驱动的大型风电场尾流快速计算方法，其特征在于，步骤(1)中所述的风电机组基本参数信息包括风机切入风速，风机切出风速，叶片数，叶轮直径，叶轮扫掠面积，风轮轮毂高度，风机额定功率，风机功率曲线，风机推力系数，风机轴向感应因子；风电场内风电机组排布信息包括风电场风电机组数，各台风电机组的经纬度参数和海拔高度参数。

3.根据权利要求1所述的基于数据驱动的大型风电场尾流快速计算方法，其特征在于，步骤(2)中所述的正向风向和斜向风向，其中，正向风向指平均风向垂直于风电场的行或列，记作d₁＝[正东E,正西W,正南S,正北N]，斜向风向指平均风向与风电场的行或列存在45°夹角；记作d₂＝[东北EN,东南ES,西北WN,西南WS]，若平均输入风向既不属于正向风向也不属于斜向风向，则按最小错误率的贝叶斯准则，将其映射为正向风向或斜向风向：

其中，m代表当前平均输入风向，d₁是正向风向，d₂是斜向风向，P(d₁)是历史信息中正向风向的概率，P(m|d₁)是当前风向为正向风向的概率，P(d₂)是历史信息中斜向风向的概率，P(m|d₂)是当前风向为斜向风向的概率，l(m)是似然比，P(d₂)/P(d₁)是似然比阈值。

4.根据权利要求1所述的基于数据驱动的大型风电场尾流快速计算方法，其特征在于，步骤(4)中是基于Park模型原理对单台风机的尾流效应建模，针对单台风电机组产生的尾流效应，假设风电机组i在风电机组j形成的尾流效应有效区域内，生成单机垂直剖面的尾流速度分布，表示为：

其中，V_∞是环境风速，V_i是风电机组i的入流风速，C_T是风电机组的推力系数，D_r是风电机组的叶轮直径，x是风电机组i距离风电机组j的距离，并假设预测的最远距离是9倍叶轮直径D_r，k是尾流膨胀衰减系数，表示为：

其中，U_i(x,D_w,a_i)是风电机组i可利用的风能大小，a_i是风电机组i的轴向感应因子，a_j是风电机组j的轴向感应因子，D_w是风电机组i处于风电机组j尾流区内的尾流半径，δ是风能损失因子，得到下游风电机组i可利用风能大小表示为：

U_i(x,D_w,a_i)＝V_∞(1-δU_j(x,D_w,a_j))

其中，U_j(x,D_w,a_j)是风电机组j可利用的风能大小。

5.根据权利要求1所述的基于数据驱动的大型风电场尾流快速计算方法，其特征在于，步骤(4)中尾流叠加区域的面积计算的具体方法如下，尾流叠加的阴影部分＝(扇形O₁AB-三角形O₁AB)+(扇形O₂AB-三角形O₂AB)，其中O₁是风电机组i的转动中心点，O₂是风电机组j尾流区域的中心点，A、B分别是风电机组i的风轮扫掠区域与风电机组j尾流区域的两个不同交点；

其中，三角形O₁AO₂和三角形O₁BO₂这两个三角形组成了一个四边形，可通过两倍的三角形O₁AO₂面积得到，具体的推导如下：

∠AO1B＝2∠AO1O2

其中，S_O1AB是扇形O₁AB的面积大小，r₁是风电机组i的叶轮半径，r₂是风电机组j尾流区域的尾流半径，d是O₁和O₂的距离；同理，得到扇形O₂AB的面积：

S_O2AB＝∠AO2O1*r₂ ²

其中四边形面积表示为：

因此可以得到尾流叠加区域的面积为：

其中，

表示风电机组i处于风电机组j尾流区内的尾流叠加区域的面积。

6.根据权利要求4所述的基于数据驱动的大型风电场尾流快速计算方法，其特征在于，步骤(4)中尾流损失的线性叠加原理用公式表示为：

其中，V_j风电机组j的流入风速大小，V_ij是风电机组i受风电机组j尾流区影响的流入风速大小，N_i是风电机组i所在机群内的风电机组数目。

7.根据权利要求6所述的基于数据驱动的大型风电场尾流快速计算方法，其特征在于，步骤(4)中全场尾流模型用公式表示为：

其中，θ^w是风电机组i的风轮旋转面与风机轮毂高度平面处的夹角，

为风电机组i受该机群内风电机组尾流影响的风能大小。

8.根据权利要求1所述的基于数据驱动的大型风电场尾流快速计算方法，其特征在于，步骤(5)中得到模型风速的均方损失误差和用公式表示为：

其中，N是风电场中风电机组的数目，

是从SCADA数据中提取的风电机组i历史风速大小，V_i是通过全场尾流模型计算得到的风电机组i的风速大小。

9.根据权利要求8所述的基于数据驱动的大型风电场尾流快速计算方法，其特征在于，步骤(6)中采用狼群算法对各个尾流衰减系数进行最优值求解，得到：

通过MSELoss达到最优求解目标或超过最大迭代次数的判定条件，最终得到修正后的尾流模型。

10.一种实现如权利要求1-9中任一项所述方法的基于数据驱动的大型风电场尾流快速计算系统，其特征在于，包括：

风电场风电机组位置参数信息获取模块，获取风电场内风电机组排布信息包括风电场风电机组数，各台风电机组的经纬度参数和海拔高度参数，并将其经纬度参数和海拔高度参数信息转化为三维坐标系的矩阵位置信息；

边界迎风机组获取模块，根据获取的位置信息，对风电场划分不同风向下的机群分布情况；

尾流传播路径预测模块，根据历史SCADA数据中的环境风向信息，基于最小错误率的贝叶斯准则，对风电场尾流传播路径进行预测；

尾流模型离线训练模块，进行单台风机的尾流效应建模，以及对各个机群的尾流效应进行建模，得到全场场级尾流模型；并基于历史风速信息对各个尾流衰减系数的初值进行最优值求解，最终得到修正的尾流模型；

尾流模型在线应用模块，根据输入的预测风速和预测风向信息，划分同一尾流传播路径的机群，实现各个机群内各个风电机的尾流速度的快速计算；

位于上游的大数据及风电场能量管理平台，提供风电机组基本参数信息，风电场内风电机组排布信息以及SCADA系统记录的输出数据；并存储尾流模型在线应用模块对计算结果进行可视化处理后得到的相关图表数据；

位于上游的风速预测模块，对环境风速信息进行实时的短期预测；

位于下游的风电场优化调度平台，进行后续的在线分析任务，包括风电机组载荷在线计算、出力性能评估和优化控制策略在线求解；

所述系统的尾流模型离线训练模块、尾流传播路径预测模块的输入端同时与上游的大数据及风电场能量管理平台连接；尾流模型离线训练模块、风速预测模块的输出端同时与尾流模型在线应用模块的输入端连接；风电场风电机组位置参数信息获取模块的输出端与边界迎风机组获取模块的输入端连接；边界迎风机组获取模块的输出端与尾流传播预测模块的输入端连接；尾流传播路径预测模块的输出端与尾流模型离线训练模块的输入端连接；尾流模型在线应用模块与下游的风电场优化调度平台连接。

Images