CN115898787A - 一种风电机组静态偏航误差动态识别方法及装置 - Google Patents

一种风电机组静态偏航误差动态识别方法及装置 Download PDF

Info

Publication number
CN115898787A
CN115898787A CN202211487590.6A CN202211487590A CN115898787A CN 115898787 A CN115898787 A CN 115898787A CN 202211487590 A CN202211487590 A CN 202211487590A CN 115898787 A CN115898787 A CN 115898787A
Authority
CN
China
Prior art keywords
power output
wind turbine
wind speed
turbine generator
yaw error
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
CN202211487590.6A
Other languages
English (en)
Inventor
付德义
王瑞明
薛扬
孔令行
王安庆
龚利策
赵娜
贾海坤
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202211487590.6A priority Critical patent/CN115898787A/zh
Publication of CN115898787A publication Critical patent/CN115898787A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Wind Motors (AREA)

Abstract

本发明涉及新能源发电技术领域，具体提供了一种风电机组静态偏航误差动态识别方法及装置，包括：步骤1.对风电机组模型进行仿真分析；步骤2.依次对函数表达模型中风电机组功率输出特性参数进行规格化处理；步骤3.对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析；步骤4.基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件。本发明提供的技术方案，通过实时识别风电机组存在的偏航误差，能够有效的动态实施补偿，持续提升风电机组发电能力和发电量。具有实施成本低、识别准确度高、可持续识别等特点。

Description

一种风电机组静态偏航误差动态识别方法及装置
技术领域
本发明涉及新能源发电技术领域，具体涉及一种风电机组静态偏航误差动态识别方法及装置。
背景技术
目前，风电产业迎来快速发展期，风电装机增量和总量已名列世界首位。随着风电机组在役运行时间的不断增加，风电机组结构部件老化、电气部件性能退化等现象时有发生，进而导致风电机组运行特性发生较大变化，直接外在表现为风电机组发电能力和发电量不断降低。风电机组发电量是风电场运营商和投资商最为关注的内容，针对长时间运行的风电机组，如何优化风电机组运行功率曲线，提高发电量是风电场业主不断追求的目标。
风电机组发电量是衡量风电机组性能优劣的重要指标。对于风电场业主而言，发电量即代表整场收益。随着我国风电行业快速发展，风电机组运行服役时间越来越长，机组出力水平和发电量出现退化的现象日益严重。特别的，对于统一控制策略和逻辑的风电机组，在特定场址与环境条件下，其发电量输出受到较多因素综合影响，这些影响因素主要包括空气密度、偏航误差、湍流强度、入流角度等。针对长期服役风电机组发电量输出水平的提升，需要从各个影响因素特征出发，开展相应的研究与开发。考虑到空气密度、湍流强度及入流角度等参数属于环境条件参数，无法人为干预，因此，基于偏航误差识别的风电机组发电量提升属于研究的热点。
考虑到偏航误差对风电机组发电量的影响，有必要对风电机组偏航误差进行识别，并在风电机组控制系统中进行补偿，以降低偏航误差对风电机组发电量的影响。
针对风电机组偏航误差识别的问题，现有的解决方案之一是在风电机组机舱顶部安装激光雷达测风仪，测量风电机组来流风向，并与风电机组自身的风向信号对比分析，线性拟合分析存在的偏差，即定义为风电机组系统存在的偏航误差。
现有的基于机舱雷达测风仪的风电机组偏航误差识别技术方案主要存在以下缺点和不足：
1.机舱雷达测风仪主要采用光学多普勒原理，通过光波在气溶胶介质上传播，测量得到来流的风速和风向。测量得到的风速、风向等信号受到空气中气溶胶的水平影响，测风精度无法完全保障，即测量得到的风速、风向等气流关键数据准确性无法得到全面保证；
2.激光雷达测风仪的造价成本较高，在当前“平价上网”的大趋势和背景下，风电机组的度电成本不断压缩，增配激光雷达测风仪对于风电机组制造商及运营商而言，支出成本较高。
3.基于激光雷达测风仪的风电机组偏航误差识别方法，需要实际开展一定时间的现场试验，同时采集风电机组自身的风速、风向等控制系统数据，开展统计对比分析。考虑到需要采集不同风速区间内的数据，数据采集周期一般为3-6个月，测试周期长，时间成本较高；
4.风电机组偏航误差存时变特性，即风电机组在役运行时间的不断增加，风电机组偏航误差会随着时间的变化发生变化。这也表明，风电机组偏航误差识别与补偿需要持续不间断的开展。基于激光雷达测风仪的风电机组偏航误差识别方法往往是一次性测量，无法做到持续的偏航误差识别与补偿。
针对风电机组偏航误差识别的问题，现有的解决方案之二是基于风电机组运行SCADA数据，通过统计分析不同风速区间机组的功率输出特性，比较分析，以识别和确定风电机组偏航误差。
基于风电机组运行SCADA数据，通过分析不同风速期间的功率输出特性，从而比较分析估计得到机组偏航误差，实现过程较为简单，成本较低，但仍存在以下缺点和不足：
1.偏航误差识别过程依赖于风电机组实际运行SCADA数据，数据的准确性和精度对分析结果存在较大影响；
2.该方法通过分析不同风速区间，机组功率输出特性，通过比较分析，估算可能存在的偏航误差，但是忽略了空气密度、入流角度、湍流强度等对于风电机组功率输出特性的影响。通过单一风速区间，统计分析得到的功率输出特性，实际上是耦合了空气密度、湍流强度、入流角度等其他因素的影响。直接导致识别出来的偏航误差结果不可靠，存在过度补偿和欠补偿的可能。
发明内容
为了克服上述缺陷，本发明提出了一种风电机组静态偏航误差动态识别方法及装置。
第一方面，提供一种风电机组静态偏航误差动态识别方法，所述风电机组静态偏航误差动态识别方法包括：
步骤1.对风电机组模型进行仿真分析，得到风速、风电机组功率输出特性参数及功率输出之间的函数表达模型；
步骤2.依次对函数表达模型中风电机组功率输出特性参数进行规格化处理，得到风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型；
步骤3.对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，得到风电机组的初始偏航误差；
步骤4.基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件，若是，则返回步骤2，否则，输出所述风电机组的初始偏航误差。
优选的，所述功率输出特性参数包括下述中的至少一种：空气密度、湍流强度、入流角度。
进一步的，所述风速、风电机组功率输出特性参数及功率输出之间的函数表达模型包括：
风速、空气密度及功率输出之间的函数表达模型，其的数学模型如下：
P=f(v,ρ,TI,α)
风速、湍流强度及功率输出之间的函数表达模型，其的数学模型如下：
P=g(v,ρ,TI,α)
风速、入流角度及功率输出之间的函数表达模型，其的数学模型如下：
P=h(v,ρ,TI,α)
上式中，P为风电机组功率输出，v为风速，ρ为空气密度，TI为湍流强度，α为入流角度，f为风速、空气密度及功率输出之间的函数表达式，g为风速、湍流强度及功率输出之间的函数表达式，h为风速、入流角度及功率输出之间的函数表达式。
进一步的，所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型包括：
空气密度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=f(v1,1.225,TI,α)×p
空气密度、湍流强度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=g(v2,1.225,10%,α)×q
空气密度、湍流强度、入流角度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=h(v3,1.225,10%,0)×r
上式中，v1为空气密度为1.225kg/m3时对应的风速，p为空气密度为1.225kg/m3时与所述风速、空气密度及功率输出之间的函数表达模型之间的转换矩阵，v2为空气密度为1.225kg/m3、湍流强度为10%时对应的风速，q为空气密度为1.225kg/m3、湍流强度为10%时与所述风速、湍流强度及功率输出之间的函数表达模型之间的转换矩阵，v3为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时对应的风速，r为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时与所述风速、入流角度及功率输出之间的函数表达模型之间的转换矩阵。
进一步的，所述步骤3包括：
通过风速区间-功率特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第一初始偏航误差；
通过风速区间-功率系数特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第二初始偏航误差；
通过风速区间-发电量特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第三初始偏航误差。
进一步的，所述风电机组的偏航误差指标的计算式如下：
上式中，W为风电机组的偏航误差指标，wi为第i初始偏航误差。
进一步的，所述收敛条件为W≤0.1。
第二方面，提供一种风电机组静态偏航误差动态识别装置，所述风电机组静态偏航误差动态识别装置包括：
仿真模块，用于对风电机组模型进行仿真分析，得到风速、风电机组功率输出特性参数及功率输出之间的函数表达模型；
第一分析模块，用于依次对函数表达模型中风电机组功率输出特性参数进行规格化处理，得到风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型；
第二分析模块，用于对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，得到风电机组的初始偏航误差；
第三分析模块，用于基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件，若是，则返回步骤2，否则，输出所述风电机组的初始偏航误差。
优选的，所述功率输出特性参数包括下述中的至少一种：空气密度、湍流强度、入流角度。
进一步的，所述风速、风电机组功率输出特性参数及功率输出之间的函数表达模型包括：
风速、空气密度及功率输出之间的函数表达模型，其的数学模型如下：
P=f(v,ρ,TI,α)
风速、湍流强度及功率输出之间的函数表达模型，其的数学模型如下：
P=g(v,ρ,TI,α)
风速、入流角度及功率输出之间的函数表达模型，其的数学模型如下：
P=h(v,ρ,TI,α)
上式中，P为风电机组功率输出，v为风速，ρ为空气密度，TI为湍流强度，α为入流角度，f为风速、空气密度及功率输出之间的函数表达式，g为风速、湍流强度及功率输出之间的函数表达式，h为风速、入流角度及功率输出之间的函数表达式。
进一步的，所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型包括：
空气密度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=f(v1,1.225,TI,α)×p
空气密度、湍流强度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=g(v2,1.225,10%,α)×q
空气密度、湍流强度、入流角度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=h(v3,1.225,10%,0)×r
上式中，v1为空气密度为1.225kg/m3时对应的风速，p为空气密度为1.225kg/m3时与所述风速、空气密度及功率输出之间的函数表达模型之间的转换矩阵，v2为空气密度为1.225kg/m3、湍流强度为10%时对应的风速，q为空气密度为1.225kg/m3、湍流强度为10%时与所述风速、湍流强度及功率输出之间的函数表达模型之间的转换矩阵，v3为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时对应的风速，r为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时与所述风速、入流角度及功率输出之间的函数表达模型之间的转换矩阵。
进一步的，所述第二分析模块具体用于：
通过风速区间-功率特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第一初始偏航误差；
通过风速区间-功率系数特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第二初始偏航误差；
通过风速区间-发电量特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第三初始偏航误差。
进一步的，所述风电机组的偏航误差指标的计算式如下：
上式中，W为风电机组的偏航误差指标，wi为第i初始偏航误差。
进一步的，所述收敛条件为W≤0.1。
第三方面，提供一种计算机设备，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的风电机组静态偏航误差动态识别方法。
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的风电机组静态偏航误差动态识别方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本发明提供了一种风电机组静态偏航误差动态识别方法，所述方法包括：步骤1.对风电机组模型进行仿真分析，得到风速、风电机组功率输出特性参数及功率输出之间的函数表达模型；步骤2.依次对函数表达模型中风电机组功率输出特性参数进行规格化处理，得到风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型；步骤3.对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，得到风电机组的初始偏航误差；步骤4.基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件，若是，则返回步骤2，否则，输出所述风电机组的初始偏航误差。本发明提供的技术方案能够解决长期在役运行的风电机组偏航误差精准识别及动态补偿的问题，通过实时识别风电机组存在的偏航误差，可以完成实施动态补偿，解决了现有的偏航误差识别方法成本高、周期长、可靠性与精度差且不可持续等问题，从而不断持续提升风电机组发电能力和发电量，具有较大的社会经济效益。
附图说明
图1是本发明实施例的风电机组静态偏航误差动态识别方法的主要步骤流程示意图；
图2是本发明实施例的偏航误差示意图；
图3是本发明实施例的功率输出特性-空气密度函数切片曲面图；
图4是本发明实施例的功率输出特性-湍流强度函数切片曲面图；
图5是本发明实施例的功率输出特性-入流角度函数切片曲面图；
图6是本发明实施例的风电机组静态偏航误差动态识别装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
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、完整地描述，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它实施例，都属于本发明保护的范围。
如背景技术中所公开的，目前，风电产业迎来快速发展期，风电装机增量和总量已名列世界首位。随着风电机组在役运行时间的不断增加，风电机组结构部件老化、电气部件性能退化等现象时有发生，进而导致风电机组运行特性发生较大变化，直接外在表现为风电机组发电能力和发电量不断降低。风电机组发电量是风电场运营商和投资商最为关注的内容，针对长时间运行的风电机组，如何优化风电机组运行功率曲线，提高发电量是风电场业主不断追求的目标。
风电机组发电量是衡量风电机组性能优劣的重要指标。对于风电场业主而言，发电量即代表整场收益。随着我国风电行业快速发展，风电机组运行服役时间越来越长，机组出力水平和发电量出现退化的现象日益严重。特别的，对于统一控制策略和逻辑的风电机组，在特定场址与环境条件下，其发电量输出受到较多因素综合影响，这些影响因素主要包括空气密度、偏航误差、湍流强度、入流角度等。针对长期服役风电机组发电量输出水平的提升，需要从各个影响因素特征出发，开展相应的研究与开发。考虑到空气密度、湍流强度及入流角度等参数属于环境条件参数，无法人为干预，因此，基于偏航误差识别的风电机组发电量提升属于研究的热点。
考虑到偏航误差对风电机组发电量的影响，有必要对风电机组偏航误差进行识别，并在风电机组控制系统中进行补偿，以降低偏航误差对风电机组发电量的影响。
针对风电机组偏航误差识别的问题，现有的解决方案之一是在风电机组机舱顶部安装激光雷达测风仪，测量风电机组来流风向，并与风电机组自身的风向信号对比分析，线性拟合分析存在的偏差，即定义为风电机组系统存在的偏航误差。
现有的基于机舱雷达测风仪的风电机组偏航误差识别技术方案主要存在以下缺点和不足：
1.机舱雷达测风仪主要采用光学多普勒原理，通过光波在气溶胶介质上传播，测量得到来流的风速和风向。测量得到的风速、风向等信号受到空气中气溶胶的水平影响，测风精度无法完全保障，即测量得到的风速、风向等气流关键数据准确性无法得到全面保证；
2.激光雷达测风仪的造价成本较高，在当前“平价上网”的大趋势和背景下，风电机组的度电成本不断压缩，增配激光雷达测风仪对于风电机组制造商及运营商而言，支出成本较高。
3.基于激光雷达测风仪的风电机组偏航误差识别方法，需要实际开展一定时间的现场试验，同时采集风电机组自身的风速、风向等控制系统数据，开展统计对比分析。考虑到需要采集不同风速区间内的数据，数据采集周期一般为3-6个月，测试周期长，时间成本较高；
4.风电机组偏航误差存时变特性，即风电机组在役运行时间的不断增加，风电机组偏航误差会随着时间的变化发生变化。这也表明，风电机组偏航误差识别与补偿需要持续不间断的开展。基于激光雷达测风仪的风电机组偏航误差识别方法往往是一次性测量，无法做到持续的偏航误差识别与补偿。
针对风电机组偏航误差识别的问题，现有的解决方案之二是基于风电机组运行SCADA数据，通过统计分析不同风速区间机组的功率输出特性，比较分析，以识别和确定风电机组偏航误差。
基于风电机组运行SCADA数据，通过分析不同风速期间的功率输出特性，从而比较分析估计得到机组偏航误差，实现过程较为简单，成本较低，但仍存在以下缺点和不足：
1.偏航误差识别过程依赖于风电机组实际运行SCADA数据，数据的准确性和精度对分析结果存在较大影响；
2.该方法通过分析不同风速区间，机组功率输出特性，通过比较分析，估算可能存在的偏航误差，但是忽略了空气密度、入流角度、湍流强度等对于风电机组功率输出特性的影响。通过单一风速区间，统计分析得到的功率输出特性，实际上是耦合了空气密度、湍流强度、入流角度等其他因素的影响。直接导致识别出来的偏航误差结果不可靠，存在过度补偿和欠补偿的可能。
为了改善上述问题，本发明提供了一种风电机组静态偏航误差动态识别方法，所述方法包括：步骤1.对风电机组模型进行仿真分析，得到风速、风电机组功率输出特性参数及功率输出之间的函数表达模型；步骤2.依次对函数表达模型中风电机组功率输出特性参数进行规格化处理，得到风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型；步骤3.对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，得到风电机组的初始偏航误差；步骤4.基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件，若是，则返回步骤2，否则，输出所述风电机组的初始偏航误差。本发明提供的技术方案能够解决长期在役运行的风电机组偏航误差精准识别及动态补偿的问题，通过实时识别风电机组存在的偏航误差，可以完成实施动态补偿，解决了现有的偏航误差识别方法成本高、周期长、可靠性与精度差且不可持续等问题，从而不断持续提升风电机组发电能力和发电量，具有较大的社会经济效益。下面对上述方案进行详细阐述。
实施例1
参阅附图1，图1是本发明的一个实施例的风电机组静态偏航误差动态识别方法的主要步骤流程示意图。如图1所示，本发明实施例中的风电机组静态偏航误差动态识别方法主要包括以下步骤：
步骤1.对风电机组模型进行仿真分析，得到风速、风电机组功率输出特性参数及功率输出之间的函数表达模型；
步骤2.依次对函数表达模型中风电机组功率输出特性参数进行规格化处理，得到风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型；
步骤3.对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，得到风电机组的初始偏航误差；
步骤4.基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件，若是，则返回步骤2，否则，输出所述风电机组的初始偏航误差。
其中，偏航误差：风电机组是一种将风能转换为电能的发电装置。由于自然界来流风的风向是实时变化的，风电机组叶轮需要不断偏航，调整自身与来流风向的角度，以期最大程度捕获风能。理想状态下，风电机组机头方向与来流方向正对，此时偏航对风误差为0°。在风电机组实际运行过程中，由于各种原因，风电机组机头方向无法与来流方向正对，存在一定的对风偏差，即定义为偏航误差。图2给出了偏航误差的定义。
本实施例中，所述功率输出特性参数包括下述中的至少一种：空气密度、湍流强度、入流角度。
在一个实施方式中，风电机组功率输出模型仿真及关键参数建模，主要目的在于通过矩阵式量化仿真，分析空气密度、湍流强度、入流角度等因素对机组功率输出特性的影响权重，从而建立风电机组功率输出与各影响因子之间的关联关系函数。
基于风电机组BLADED设计模型，对不同空气密度条件、不同湍流强度、不同入流角度条件下的功率输出特性进行仿真，得到该类型风电机组在不同输入条件下的出力特性数据库。具体仿真设置如下表1所示。
表1
序号 特征参数 仿真范围 仿真间隔
1 空气密度 <![CDATA[0.8 kg/m<sup>3</sup>-1.3kg/m<sup>3</sup>]]> <![CDATA[0.01kg/m<sup>3</sup>]]>
2 湍流强度 0%-40% 2%
3 入流角度 -20°-20° 2°
4 风速 3m/s-25m/s 0.5m/s
通过对仿真结果进行统计分析，分别得到空气密度、湍流强度、入流角度与功率输出之间的函数表达模型：
风速、空气密度及功率输出之间的函数表达模型，其的数学模型如下：
P=f(v,ρ,TI,α)
风速、湍流强度及功率输出之间的函数表达模型，其的数学模型如下：
P=g(v,ρ,TI,α)
风速、入流角度及功率输出之间的函数表达模型，其的数学模型如下：
P=h(v,ρ,TI,α)
上式中，P为风电机组功率输出，v为风速，ρ为空气密度，TI为湍流强度，α为入流角度，f为风速、空气密度及功率输出之间的函数表达式，g为风速、湍流强度及功率输出之间的函数表达式，h为风速、入流角度及功率输出之间的函数表达式。
图3、4和5分别给出了典型的功率输出特性-空气密度函数切片曲面、功率输出特性-湍流强度函数切片曲面和功率输出特性-入流角度函数切片曲面。
进一步的，本发明提供的实施方案中，还可以对风电机组SCADA运行数据整理及滤除，主要是收集风电机组历史运行数据，时间长度要求至少1年，数据主要包含风速、功率、桨距角、叶轮转速、风向、偏航误差、机组运行状态标识等参数的统计值（含最大、最小、平均及标准差）。在本环节需要根据各信号通道数据的实际情况，对停机数据、信号通道异常数据、限电运行数据等进行滤除，实现对基本数据库的清洗，以保障数据的可靠性。
在一个实施方式中，本发明分别将空气密度、湍流强度和入流角度对功率输出的影响因素进行规格化，将不同空气密度、湍流强度和入流角度下的风速规格化到一个统一的空气密度水平下，所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型包括：
空气密度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=f(v1,1.225,TI,α)×p
空气密度、湍流强度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=g(v2,1.225,10%,α)×q
空气密度、湍流强度、入流角度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=h(v3,1.225,10%,0)×r
上式中，v1为空气密度为1.225kg/m3时对应的风速，p为空气密度为1.225kg/m3时与所述风速、空气密度及功率输出之间的函数表达模型之间的转换矩阵，v2为空气密度为1.225kg/m3、湍流强度为10%时对应的风速，q为空气密度为1.225kg/m3、湍流强度为10%时与所述风速、湍流强度及功率输出之间的函数表达模型之间的转换矩阵，v3为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时对应的风速，r为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时与所述风速、入流角度及功率输出之间的函数表达模型之间的转换矩阵。
依次完成空气密度规格化、湍流强度规格化和入流角度规格化后，风电机组原始运行风速数据进行了变换，形成新的风电机组运行数据，该运行数据实现了影响机组发电量输出的主要因素空气密度、湍流强度、入流角度定常归一化。
接下来针对定常归一化后的风电机组SCADA运行数据开展分析，分别采用三种独立的分析方法，识别出三个偏航误差结果。三种独立的分析方法描述如下：
通过风速区间-功率特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第一初始偏航误差；
在一个实施方式中，基于风速区间-功率特征的分析方法，主要是将定常归一化后的风电机组SCADA运行数据，按照风速3m/s-25m/s分区间，区间定义间隔为0.5m/s，定义区间范围为2.75m/s-3.25m/s、3.25m/s-3.75m/s等依次类推。同时，将偏航误差按照-40°至40°范围分区间，区间定义间隔为2°，将数据分别归仓处理，形成不同偏航误差区间、不同风速区间功率输出特性曲线。定义曲线峰值所对应的偏航误差区间为静态偏航误差。最后识别得到基于风速区间-功率特征的机组第一初始偏航误差。
通过风速区间-功率系数特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第二初始偏航误差；
在一个实施方式中，基于风速区间-功率系数特征的分析方法，主要是将完全定常归一化的风电机组SCADA运行数据，按照风速3m/s-25m/s分区间，区间定义间隔为0.5m/s，定义区间范围为2.75m/s-3.25m/s、3.25m/s-3.75m/s等依次类推。同时，将偏航误差按照-40°至40°范围分区间，区间定义间隔为2°，将数据分别归仓处理，形成不同偏航误差区间、不同风速区间功率系数输出特性曲线。定义功率系数特性曲线峰值所对应的偏航误差区间为静态偏航误差。最后识别得到基于风速区间-功率系数特征的机组第二初始偏航误差。
通过风速区间-发电量特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第三初始偏航误差。
在一个实施方式中，基于风速区间-发电量特征的分析方法，主要是将完全定常归一化的风电机组SCADA运行数据，按照风速3m/s-25m/s分区间，区间定义间隔为0.5m/s，定义区间范围为2.75m/s-3.25m/s、3.25m/s-3.75m/s等依次类推。同时，将偏航误差按照-40°至40°范围分区间，区间定义间隔为2°，将数据分别归仓处理，形成不同偏航误差区间、不同风速区间发电量统计输出特性曲线。定义发电量曲线峰值所对应的偏航误差区间为静态偏航误差。最后识别得到基于风速区间-发电量特征的机组第三初始偏航误差。
针对上述三种独立方法识别出来的偏航误差，按下式确定所述风电机组的偏航误差指标：
上式中，W为风电机组的偏航误差指标，wi为第i初始偏航误差。
其中，所述收敛条件为W≤0.1。
本实施例中，还可以基于上述方法得到的静态偏航误差结果，以TCP/IP、MODBUS等协议将其以参数的形式传递给风电机组主控系统，修改机组偏航对风零点位置，实现对静态偏航误差的动态补偿。
本发明运用算法和模型解决长期在役运行的风电机组偏航误差精准识别及动态补偿的问题，通过实时识别风电机组存在的偏航误差，实施动态补偿，解决了现有的偏航误差识别方法成本高、周期长、可靠性与精度差且不可持续等问题，从而不断持续提升风电机组发电能力和发电量，具有较大的社会经济效益。
以单台8MW海上风电机组为例，假定风电机组年满发小时数为4000小时，上网电价0.85元/千瓦时，机组自身存在10度偏航误差，实施本专利后，初步估算，单台风电机组每年可提高发电量9.65×105kWh，增加发电收益约82万元。进一步，假定整场配置有25台8MW机组，则整场风电机组发电量每年可提高2.41×107kWh，发电收益增加约2050万元。
实施例2
基于同一种发明构思，本发明还提供了一种风电机组静态偏航误差动态识别装置，如图6所示，所述风电机组静态偏航误差动态识别装置包括：
仿真模块，用于对风电机组模型进行仿真分析，得到风速、风电机组功率输出特性参数及功率输出之间的函数表达模型；
第一分析模块，用于依次对函数表达模型中风电机组功率输出特性参数进行规格化处理，得到风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型；
第二分析模块，用于对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，得到风电机组的初始偏航误差；
第三分析模块，用于基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件，若是，则返回步骤2，否则，输出所述风电机组的初始偏航误差。
优选的，所述功率输出特性参数包括下述中的至少一种：空气密度、湍流强度、入流角度。
进一步的，所述风速、风电机组功率输出特性参数及功率输出之间的函数表达模型包括：
风速、空气密度及功率输出之间的函数表达模型，其的数学模型如下：
P=f(v,ρ,TI,α)
风速、湍流强度及功率输出之间的函数表达模型，其的数学模型如下：
P=g(v,ρ,TI,α)
风速、入流角度及功率输出之间的函数表达模型，其的数学模型如下：
P=h(v,ρ,TI,α)
上式中，P为风电机组功率输出，v为风速，ρ为空气密度，TI为湍流强度，α为入流角度，f为风速、空气密度及功率输出之间的函数表达式，g为风速、湍流强度及功率输出之间的函数表达式，h为风速、入流角度及功率输出之间的函数表达式。
进一步的，所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型包括：
空气密度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=f(v1,1.225,TI,α)×p
空气密度、湍流强度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=g(v2,1.225,10%,α)×q
空气密度、湍流强度、入流角度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=h(v3,1.225,10%,0)×r
上式中，v1为空气密度为1.225kg/m3时对应的风速，p为空气密度为1.225kg/m3时与所述风速、空气密度及功率输出之间的函数表达模型之间的转换矩阵，v2为空气密度为1.225kg/m3、湍流强度为10%时对应的风速，q为空气密度为1.225kg/m3、湍流强度为10%时与所述风速、湍流强度及功率输出之间的函数表达模型之间的转换矩阵，v3为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时对应的风速，r为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时与所述风速、入流角度及功率输出之间的函数表达模型之间的转换矩阵。
进一步的，所述第二分析模块具体用于：
通过风速区间-功率特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第一初始偏航误差；
通过风速区间-功率系数特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第二初始偏航误差；
通过风速区间-发电量特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第三初始偏航误差。
进一步的，所述风电机组的偏航误差指标的计算式如下：
上式中，W为风电机组的偏航误差指标，wi为第i初始偏航误差。
进一步的，所述收敛条件为W≤0.1。
实施例3
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种风电机组静态偏航误差动态识别方法的步骤。
实施例4
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM 存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种风电机组静态偏航误差动态识别方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (16)

1.一种风电机组静态偏航误差动态识别方法，其特征在于，所述方法包括：
步骤1.对风电机组模型进行仿真分析，得到风速、风电机组功率输出特性参数及功率输出之间的函数表达模型；
步骤2.依次对函数表达模型中风电机组功率输出特性参数进行规格化处理，得到风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型；
步骤3.对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，得到风电机组的初始偏航误差；
步骤4.基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件，若是，则返回步骤2，否则，输出所述风电机组的初始偏航误差。
2.如权利要求1所述的方法，其特征在于，所述功率输出特性参数包括下述中的至少一种：空气密度、湍流强度、入流角度。
3.如权利要求2所述的方法，其特征在于，所述风速、风电机组功率输出特性参数及功率输出之间的函数表达模型包括：
风速、空气密度及功率输出之间的函数表达模型，其的数学模型如下：
P=f(v,ρ,TI,α)
风速、湍流强度及功率输出之间的函数表达模型，其的数学模型如下：
P=g(v,ρ,TI,α)
风速、入流角度及功率输出之间的函数表达模型，其的数学模型如下：
P=h(v,ρ,TI,α)
上式中，P为风电机组功率输出，v为风速，ρ为空气密度，TI为湍流强度，α为入流角度，f为风速、空气密度及功率输出之间的函数表达式，g为风速、湍流强度及功率输出之间的函数表达式，h为风速、入流角度及功率输出之间的函数表达式。
4.如权利要求3所述的方法，其特征在于，所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型包括：
空气密度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=f(v1,1.225,TI,α)×p
空气密度、湍流强度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=g(v2,1.225,10%,α)×q
空气密度、湍流强度、入流角度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=h(v3,1.225,10%,0)×r
上式中，v1为空气密度为1.225kg/m3时对应的风速，p为空气密度为1.225kg/m3时与所述风速、空气密度及功率输出之间的函数表达模型之间的转换矩阵，v2为空气密度为1.225kg/m3、湍流强度为10%时对应的风速，q为空气密度为1.225kg/m3、湍流强度为10%时与所述风速、湍流强度及功率输出之间的函数表达模型之间的转换矩阵，v3为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时对应的风速，r为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时与所述风速、入流角度及功率输出之间的函数表达模型之间的转换矩阵。
5.如权利要求4所述的方法，其特征在于，所述步骤3包括：
通过风速区间-功率特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第一初始偏航误差；
通过风速区间-功率系数特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第二初始偏航误差；
通过风速区间-发电量特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第三初始偏航误差。
6.如权利要求5所述的方法，其特征在于，所述风电机组的偏航误差指标的计算式如下：
上式中，W为风电机组的偏航误差指标，wi为第i初始偏航误差。
7.如权利要求6所述的方法，其特征在于，所述收敛条件为W≤0.1。
8.一种风电机组静态偏航误差动态识别装置，其特征在于，所述装置包括：
仿真模块，用于对风电机组模型进行仿真分析，得到风速、风电机组功率输出特性参数及功率输出之间的函数表达模型；
第一分析模块，用于依次对函数表达模型中风电机组功率输出特性参数进行规格化处理，得到风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型；
第二分析模块，用于对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，得到风电机组的初始偏航误差；
第三分析模块，用于基于所述风电机组的初始偏航误差确定风电机组的偏航误差指标，并判断所述偏航误差指标是否满足收敛条件，若是，则返回步骤2，否则，输出所述风电机组的初始偏航误差。
9.如权利要求8所述的装置，其特征在于，所述功率输出特性参数包括下述中的至少一种：空气密度、湍流强度、入流角度。
10.如权利要求9所述的装置，其特征在于，所述风速、风电机组功率输出特性参数及功率输出之间的函数表达模型包括：
风速、空气密度及功率输出之间的函数表达模型，其的数学模型如下：
P=f(v,ρ,TI,α)
风速、湍流强度及功率输出之间的函数表达模型，其的数学模型如下：
P=g(v,ρ,TI,α)
风速、入流角度及功率输出之间的函数表达模型，其的数学模型如下：
P=h(v,ρ,TI,α)
上式中，P为风电机组功率输出，v为风速，ρ为空气密度，TI为湍流强度，α为入流角度，f为风速、空气密度及功率输出之间的函数表达式，g为风速、湍流强度及功率输出之间的函数表达式，h为风速、入流角度及功率输出之间的函数表达式。
11.如权利要求10所述的装置，其特征在于，所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型包括：
空气密度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=f(v1,1.225,TI,α)×p
空气密度、湍流强度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=g(v2,1.225,10%,α)×q
空气密度、湍流强度、入流角度定常归一化后的风速与功率输出之间的函数表达模型，其的数学模型如下：
P=h(v3,1.225,10%,0)×r
上式中，v1为空气密度为1.225kg/m3时对应的风速，p为空气密度为1.225kg/m3时与所述风速、空气密度及功率输出之间的函数表达模型之间的转换矩阵，v2为空气密度为1.225kg/m3、湍流强度为10%时对应的风速，q为空气密度为1.225kg/m3、湍流强度为10%时与所述风速、湍流强度及功率输出之间的函数表达模型之间的转换矩阵，v3为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时对应的风速，r为空气密度为1.225kg/m3、湍流强度为10%、入流角度为0时与所述风速、入流角度及功率输出之间的函数表达模型之间的转换矩阵。
12.如权利要求11所述的装置，其特征在于，所述第二分析模块具体用于：
通过风速区间-功率特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第一初始偏航误差；
通过风速区间-功率系数特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第二初始偏航误差；
通过风速区间-发电量特征分析方式对所述风电机组功率输出特性参数定常归一化后的风速与功率输出之间的函数表达模型进行区间分析，获取风速-功率的曲线对应的偏航误差，并将该偏航误差作为风电机组的第三初始偏航误差。
13.如权利要求12所述的装置，其特征在于，所述风电机组的偏航误差指标的计算式如下：
上式中，W为风电机组的偏航误差指标，wi为第i初始偏航误差。
14.如权利要求13所述的装置，其特征在于，所述收敛条件为W≤0.1。
15.一种计算机设备，其特征在于，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至7中任意一项所述的风电机组静态偏航误差动态识别方法。
16.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至7中任意一项所述的风电机组静态偏航误差动态识别方法。
CN202211487590.6A 2022-11-25 2022-11-25 一种风电机组静态偏航误差动态识别方法及装置 Pending CN115898787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211487590.6A CN115898787A (zh) 2022-11-25 2022-11-25 一种风电机组静态偏航误差动态识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211487590.6A CN115898787A (zh) 2022-11-25 2022-11-25 一种风电机组静态偏航误差动态识别方法及装置

Publications (1)

Publication Number Publication Date
CN115898787A true CN115898787A (zh) 2023-04-04

Family

ID=86482042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211487590.6A Pending CN115898787A (zh) 2022-11-25 2022-11-25 一种风电机组静态偏航误差动态识别方法及装置

Country Status (1)

Country Link
CN (1) CN115898787A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578013A (zh) * 2023-05-23 2023-08-11 国电南京自动化股份有限公司 基于Bladed的风电机组硬件在环实时仿真测试系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578013A (zh) * 2023-05-23 2023-08-11 国电南京自动化股份有限公司 基于Bladed的风电机组硬件在环实时仿真测试系统
CN116578013B (zh) * 2023-05-23 2024-05-28 国电南京自动化股份有限公司 基于Bladed的风电机组硬件在环实时仿真测试系统

Similar Documents

Publication Publication Date Title
WO2023020524A1 (zh) 一种风电机组切入/切出风速调优方法、系统及设备介质
Dai et al. Investigation of energy output in mountain wind farm using multiple-units SCADA data
CN103887815A (zh) 基于运行数据的风电场参数辨识及动态等值方法
CN104808587A (zh) 一种基于机加工设备运行状态的稼动率统计方法
CN106570790B (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
CN103489046A (zh) 风电场短期功率预测方法
CN109167387A (zh) 风场风电功率预测方法
CN109779848B (zh) 全场风速修正函数的获得方法、装置及风电场
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN112267972B (zh) 一种风电机组功率曲线异常智能判定方法
CN110674864B (zh) 一种含同步相量量测装置的风电异常数据辨识方法
CN108869174A (zh) 一种非线性建模的风力发电机叶片固有频率工况补偿方法
CN113626767A (zh) 一种风机限电识别方法、系统、设备和存储介质
CN115898787A (zh) 一种风电机组静态偏航误差动态识别方法及装置
CN108734367A (zh) 一种用于计算风电场弃风电量的方法及系统
CN108197843B (zh) 一种平坦地形风电出力特性评估方法
Li et al. Wind power forecasting based on time series and neural network
CN114595989A (zh) 一种风电机组性能评估方法及装置
CN111794921B (zh) 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法
Qiao et al. Research on SCADA data preprocessing method of Wind Turbine
CN113177187A (zh) 基于长短期记忆神经网络的等效激光雷达风速计算方法
CN112749820A (zh) 一种风电功率预测方法及系统
CN110943485A (zh) 双馈风电场等值模型仿真可信度的指标评价方法
CN113279904B (zh) 一种风电机组最大功率跟踪的桨距角寻优方法及装置
CN113309661B (zh) 一种提升风力发电机组发电量的方法

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