CN115906616A - 一种风电场理论功率和应发电量的计算方法 - Google Patents

Abstract

本发明涉及一种风电场理论功率和应发电量的计算方法，包括：获取风电场原始特征数据；对原始特征数据进行处理；建立新的特征数据；构建机舱风速相关性模型；修正机舱风速；计算风轮界面内的等效风速；构建功率预测模型；计算受阻风机的理论功率和应发电量；计算风电场理论功率和应发电量。本发明的有益效果是：本发明提供一种基于风机SCADA历史风速数据建立的风机间风速关系模型获得发电受阻风机的机舱实时修正风速，进一步计算受限风机的风轮面等效风速，将风轮面等效风速、机舱风速、湍流强度、风向、温度等变量数据输入风机理论功率计算模型，获得受限风机的理论功率及应发电量，可大幅提高风电场理论功率和发电量计算的准确性。

Description

一种风电场理论功率和应发电量的计算方法

技术领域

本发明涉及风力发电技术领域，更确切地说，它涉及一种风电场理论功率和应发电量的计算方法。

背景技术

准确计算风电场理论功率和应发电量，是开展风场损失电量的定量评估、进行风电机组运行性能评价、提升风电场生产运维管理水平的必要前提。然而，受电网功率调节、风电机组故障、日常检查维护等的影响，风电场经常出现停机、限功率发电等发电受阻的情况，导致风电场不能按理论功率水平出力。在此情况下，如不能准确计算风电场理论功率和应发电量，则无法进行损失电量评估。当前，一般按以下两种方法进行风电场理论功率和应发电量的计算：

1.样板机法：将风电场中特定位置的某些风机作为样板机，当其周边一定距离范围内的风机出现故障停机、限功率等情况时，按样板机的实际发电功率及发电量作为周边风机同期的理论发电功率及应发电量，进而推算风电场整体的理论功率、应发电量及损失电量等。

2.功率曲线法：功率曲线法一般通过获取各风机历史的风速和功率数据，按照预设的风速间隔对功率数据进行划分、构建风机平均功率曲线，之后根据实际风速和功率曲线计算风场理论功率及应发电量。例如，徐海翔等人在《风电场理论功率曲线方法及装置》(专利授权公告号：CN 105930933 B)。

样板机法受风场地形、风机布置、风场内风资源差异以及样板机自身运行稳定性等因素影响，存在样板机与其周边风机的理论发电功率差异性大、样板机的代表性差等问题。功率曲线法虽能体现出风机间的个体差异，但其仍无法解决风机功率随机波动性、风场风剪切效应、风速测量值误差、风速仪故障等影响因素导致的计算偏差问题，因此上诉现有方法均不能较准确的计算风电场理论功率和应发电量。

发明内容

本发明的目的是克服现有技术中的不足，提供了一种风电场理论功率和应发电量的计算方法。

第一方面，提供了一种风电场理论功率和应发电量的计算方法，包括：

步骤1、获取风电场原始特征数据；

步骤2、对原始特征数据进行处理；

步骤3、建立新的特征数据；

步骤4、构建机舱风速相关性模型；

步骤5、修正机舱风速；

步骤6、计算风轮界面内的等效风速；

步骤7、构建功率预测模型；

步骤8、计算受阻风机的理论功率和应发电量；

步骤9、计算风电场理论功率和应发电量。

作为优选，步骤1中，根据理论功率和应发电量拟分析的对象时段[T₁,T₂]，获取风电场某一历史时刻T₀至T₁时刻的原始特征数据，T₁-T₀≥6个月；所述原始特征数据包括每台风电机组的运行状态、机舱风速、机舱风向、风机功率、环境温度，以及测风塔所有高度层的风速数据和风向数据。

作为优选，步骤2包括：

步骤2.1、将步骤1所获数据分成A、B、C两个数据集，并获取C数据集，其中A、B为历史数据集，A包含T₀至T₁时刻前三个月的数据，B包含T₀至T₁时刻剩余时段的数据，C为对象数据集，包含T₁至T₂时刻的数据；

步骤2.2、根据风机运行状态，剔除历史数据集A、B中每台风机处于受阻状态的数据，保留风机处于正常发电状态的数据，形成新的历史数据集A'、B'；

步骤2.3、根据对象数据集C中各风机的运行状态，将C数据集分为两个子集C1、C2，其中C1为受阻风机的数据子集，C2为正常运行风机的数据子集；

步骤2.4、对所有数据集中处于不合理范围内的异常数据点进行剔除或修改，形成每台风机、测风塔的合理范围数据集；其中，对于机舱风速、测风塔风速，合理范围选取为[0m/s，70m/s]；对于机舱风向、测风塔风向，合理范围设置为[0°，360°]；对于风机功率，合理范围设置为[-0.05*Pir，1.1*Pir]，Pir为风场某i号风机的额定功率Pr；对于环境温度，合理范围设置为[-30℃，60℃]。

作为优选，步骤3包括：

步骤3.1、建立机舱风速、测风塔风速、风机功率、环境温度的10分钟平均值数据：将步骤2.4处理后的机舱风速、测风塔风速、风机功率、环境温度时序数据，以每一个10分钟为时段单位，求取每个10分钟时段单位内的平均值；

步骤3.2、建立机舱风速的10分钟湍流强度数据：将步骤2.4处理后的机舱风速序列，以每一个10分钟为单位求其标准差：

其中n表示该十分钟内机舱风速数据的个数，v_i表示第i个风速点的值，

表示这些风速点的平均值；湍流强度表示为：

步骤3.3、建立测风塔的10分钟主导风向数据：将360°方向按30°间隔划分为12个风向扇区D₁-D₁₂；根据步骤2.4处理后的测风塔风向数据，判断每一个10分钟内测风塔风向发生次数最多的风向扇区，将此风向扇区编号D_i作为测风塔在该10分钟内的主导风向数据；

步骤3.4、立风机机舱风向的10分钟主导风向数据：根据步骤2.4处理后的机舱风向数据，按步骤3.3方法建立机舱风向的10分钟主导风向数据；

步骤3.5、建立风场10分钟风切变指数数据：将步骤2.4处理后的测风塔所有高度处风速，根据风廓线使用最小二乘线性回归方法，拟合得到风速-高度的幂律曲线V(h)＝β*h^α，得到每一个10分钟内的风切变指数α，其中，

β为拟合得到的风廓线系数，n为测风塔不同高度的测风层数。

作为优选，步骤4包括：

步骤4.1、选定构建模型的风机机舱风速数据并将其按测风塔主导风向分组：将数据集A'中风向数据按步骤3.1处理、3.3处理，并对测风塔10分钟主导风向进行分组，得到12个方向组的10分钟机舱风速数据序列；

步骤4.2、对步骤4.1处理所得的数据，按组构建全场风机的风速相关矩阵：选取一个方向组数据，计算任意两台风机机舱风速的协方差：

其中x,y分别表示该组内任意两台机组的10分钟机舱风速数据序列；进一步求取两台风机机舱风速的相关性：

形成该组的机舱风速相关性矩阵，共构建12组机舱风速相关性矩阵：

其中，Di为测风塔主导风向扇区编号，1，2，……n为风电场风机号；

步骤4.3、建立机舱风速相关性模型：在每个风向下，对于每台机组，寻找与其风速相关性最高且高于95％的两台机组作为其参考机组，利用多项式拟合方法分别建立待修正机组与每一台参考机组之间的相关性回归模型。

作为优选，步骤5包括：

步骤5.1、求解参考风速区间：将数据集B'的十分钟机舱风速数据作为输入，设待修正风速的机组为机组a，某十分钟平均风速为v_a，其中一台参考机组为b，该十分钟平均风速为v_b，根据步骤4.3建立的模型求得参考风速v_ab，构建v_a-v_b散点图，在横轴上以v_b±0.1m/s为上下限选取风速段，在纵轴上以v_ab为中心点，对称地取上下限v_ab1、v_ab2，使得v_b±0.1m/s区间内95％以上的风速散点落在区间(v_ab1,v_ab2)内；并求出另一台参考机组为机组c的参考风速区间(v_ac1,v_ac2)；

步骤5.2、计算修正风速：当步骤4.3筛选参考机组不足两台时，机组a的风速不进行修正；当存在两台参考机组时，修正风速根据参考风速区间及参考风机数量进行选择，包括：

步骤5.2.1、v_a未落在(v_ab1,v_ab2)和(v_ac1,v_ac2)区间内，且两个参考风速区间无交集，则修正风速

步骤5.2.2、v_a未落在(v_ab1,v_ab2)和(v_ac1,v_ac2)区间内，且两个参考风速区间有交集，设交集为(v₁,v₂)，则修正风速

步骤5.2.3、v_a落在(v_ab1,v_ab2)或(v_ac1,v_ac2)区间内，则不对v_a进行修正。

作为优选，步骤6中，等效风速以积分的形式如下式所示：

其中，h₁、h₂分别为风轮最低处和最高处高度，v′_a为步骤5.2中修正后的机舱风速，z为积分变量，α为步骤3.5中求得的风切变系数，h为轮毂高度，r为风轮半径，A为风轮扫掠面积。

作为优选，步骤7包括：

步骤7.1、选择构建功率预测模型的数据：选择数据集B'中或由数据集B'计算获得的十分钟平均环境温度、十分钟平均机舱风速、十分钟湍流强度、十分钟主导风向、修正风速、等效风速六个变量作为输入样本，对应时段的十分钟平均功率作为输出样本；

步骤7.2、构建功率预测模型：选取合适的监督式机器学习模型，将步骤7.1所述输入样本输入至模型中直至模型收敛；所述监督式机器学习模型为线性回归算法模型、逻辑回归算法模型、支持向量机模型或随机森林算法模型；

步骤7.3、构建功率预测输出边界：在数据集B'中，选择机舱风速、风机功率的秒级数据，将风速每0.5m/s划分为一个区间，在每个区间中，求功率数据的均方差：

其中，n表示区间内功率数据的个数，p_i表示第i个功率点的值，

表示这些功率点的平均值，选择一个合适的均方差倍数作为功率预测的边界值。

作为优选，步骤8中，根据SCADA提供的风机状态，将十分钟内该机组占比最高的状态设为机组的十分钟主状态，选取数据集C2中的十分钟平均环境温度、十分钟平均机舱风速、十分钟湍流强度、十分钟主导风向、修正风速、等效风速六组数据，根据步骤7所建立模型求得其理论功率，并根据获得的理论功率时序，按时间进行积分，得到风机应发电量。

作为优选，步骤9中，风电场理论功率为受阻风机的理论功率与正常运行机组的理论功率之和，所述正常运行机组的理论功率取其实际功率；根据获得的风电场理论功率时序，按时间进行积分，得到风电场应发电量。

第二方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的风电场理论功率和应发电量的计算方法。

第三方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面任一所述的风电场理论功率和应发电量的计算方法。

本发明的有益效果是：本发明提供一种基于风机SCADA历史风速数据建立的风机间风速关系模型获得发电受阻风机的机舱实时修正风速，进一步计算受限风机的风轮面等效风速，将风轮面等效风速、机舱风速、湍流强度、风向、温度等变量数据输入风机理论功率计算模型，获得受限风机的理论功率及应发电量。本发明可大幅提高风电场理论功率和发电量计算的准确性。

附图说明

图1为一种风电场理论功率和应发电量的计算方法的流程图；

图2为风速相关性模型示意图；

图3为A机组-B机组风速散点图；

图4为参考风速区间示意图；

图5为修正风速计算示意图；

图6为等效风速计算示意图；

图7为机器学习模型示意图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

一种风电场理论功率和应发电量的计算方法，如图1所示，包括：

步骤1、获取风电场原始特征数据；

步骤2、对原始特征数据进行处理；

步骤3、建立新的特征数据；

步骤4、构建机舱风速相关性模型；

步骤5、修正机舱风速；

步骤6、计算风轮界面内的等效风速；

步骤7、构建功率预测模型；

步骤8、计算受阻风机的理论功率和应发电量；

步骤9、计算风电场理论功率和应发电量。

步骤1中，根据理论功率和应发电量拟分析的对象时段[T₁,T₂]，获取风电场某一历史时刻T₀至T₁时刻的原始特征数据，T₁-T₀≥6个月；原始特征数据包括每台风电机组的运行状态、机舱风速、机舱风向、风机功率、环境温度，以及测风塔所有高度层(比如h₁、h₂...h_n)的风速数据(V₁、V₂...V_n)和风向数据。

步骤2包括：

步骤2.1、将步骤1所获数据分成A、B两个数据集，并获取C数据集，其中A、B为历史数据集，A包含T₀至T₁时刻前三个月的数据，B包含T₀至T₁时刻剩余时段的数据，C为对象数据集，包含T₁至T₂时刻的数据；

步骤2.2、根据风机运行状态(S_N:正常发电状态，S_A：故障、限功率、维护等受阻状态)，剔除历史数据集A、B中每台风机处于受阻状态(S_A)的数据，保留风机处于正常发电状态(S_N)的数据，形成新的历史数据集A'、B'；

步骤2.3、根据对象数据集C中各风机的运行状态(S_N和S_A)，将C数据集分为两个子集C1、C2，其中C1为受阻风机的数据子集，C2为正常运行风机的数据子集；

步骤2.4、对所有数据集中处于不合理范围内的异常数据点进行剔除或修改，形成每台风机、测风塔的合理范围数据集；其中，对于机舱风速、测风塔风速，合理范围选取为[0m/s，70m/s]；对于机舱风向、测风塔风向，合理范围设置为[0°，360°]；对于风机功率，合理范围设置为[-0.05*Pir，1.1*Pir]，Pir为风场某i号风机的额定功率Pr；对于环境温度，合理范围设置为[-30℃，60℃]。

步骤3包括：

步骤3.1、建立机舱风速、测风塔风速、风机功率、环境温度的10分钟平均值数据：将步骤2.4处理后的机舱风速、测风塔风速、风机功率、环境温度时序数据，以每一个10分钟为时段单位，求取每个10分钟时段单位内的平均值；

步骤3.2、建立机舱风速的10分钟湍流强度数据：将步骤2.4处理后的机舱风速序列，以每一个10分钟为单位求其标准差：

其中n表示该十分钟内机舱风速数据的个数，v_i表示第i个风速点的值，

表示这些风速点的平均值；湍流强度表示为：

步骤3.3、建立测风塔的10分钟主导风向数据：将360°方向按30°间隔划分为12个风向扇区D₁[0°,30°)、D₂[30°,60°)……D₁₂[330°,0°)；根据步骤2.4处理后的测风塔风向数据，判断每一个10分钟内测风塔风向发生次数最多的风向扇区，将此风向扇区编号D_i作为测风塔在该10分钟内的主导风向数据；

步骤3.4、立风机机舱风向的10分钟主导风向数据：根据步骤2.4处理后的机舱风向数据，按步骤3.3方法建立机舱风向的10分钟主导风向数据；

步骤3.5、建立风场10分钟风切变指数数据：将步骤2.4处理后的测风塔所有高度(比如h₁、h₂...h_n)处风速(V₁、V₂...V_n)，根据风廓线使用最小二乘线性回归方法，拟合得到风速-高度的幂律曲线V(h)＝β*h^α，得到每一个10分钟内的风切变指数α，其中，

β为拟合得到的风廓线系数，n为测风塔不同高度的测风层数。

步骤4包括：

步骤4.1、选定构建模型的风机机舱风速数据并将其按测风塔主导风向分组：将数据集A'中风向数据按步骤3.1处理、3.3处理，并对测风塔10分钟主导风向进行分组，得到12个方向组的10分钟机舱风速数据序列(注：每一组数据均代表着测风塔风向位于同一扇区，每一组数据包含全场所有风机)；

步骤4.2、对步骤4.1处理所得的数据，按组构建全场风机的风速相关矩阵：选取一个方向组数据，计算任意两台风机机舱风速的协方差：

其中x,y分别表示该组内任意两台机组的10分钟机舱风速数据序列；进一步求取两台风机机舱风速的相关性：

形成该组的机舱风速相关性矩阵，共构建12组机舱风速相关性矩阵：

其中，Di为测风塔主导风向扇区编号，1，2，……n为风电场风机号；

步骤4.3、建立机舱风速相关性模型：根据步骤4.2计算的12个相关性矩阵，筛选出每一行中数值最大，且大于0.95的两个值，即，在每个风向下，对于每台机组，寻找与其风速相关性最高且高于95％的两台机组作为其参考机组，利用多项式拟合方法分别建立待修正机组与每一台参考机组之间的相关性回归模型，如图2所示。

步骤5包括：

步骤5.1、求解参考风速区间：将数据集B'的十分钟机舱风速数据作为输入，设待修正风速的机组为机组a，某十分钟平均风速为v_a，其中一台参考机组为b，该十分钟平均风速为v_b，根据步骤4.3建立的模型求得参考风速v_ab，构建v_a-v_b散点图，如图3所示，在横轴上以v_b±0.1m/s为上下限选取风速段，在纵轴上以v_ab为中心点，对称地取上下限v_ab1、v_ab2，使得v_b±0.1m/s区间内95％以上的风速散点落在区间(v_ab1,v_ab2)内；并求出另一台参考机组为机组c的参考风速区间(v_ac1,v_ac2)，如图4所示；

步骤5.2、计算修正风速：当步骤4.3筛选参考机组不足两台时，机组a的风速不进行修正；当存在两台参考机组时，修正风速根据参考风速区间及参考风机数量进行选择，包括：

步骤5.2.1、v_a未落在(v_ab1,v_ab2)和(v_ac1,v_ac2)区间内，且两个参考风速区间无交集，则修正风速

如图5-a所示；

步骤5.2.2、v_a未落在(v_ab1,v_ab2)和(v_ac1,v_ac2)区间内，且两个参考风速区间有交集，设交集为(v₁,v₂)，则修正风速

如图5-b所示；

步骤5.2.3、v_a落在(v_ab1,v_ab2)或(v_ac1,v_ac2)区间内，则不对v_a进行修正，如图5-c所示。

本发明通过高相关性机组之间风速、风向参考修正，解决了以下问题，提高了风速、风向数据的准确性。1、风轮转动与停止时对机舱风速风向仪的影响不同，实际风速相同的情况下，正常运行工况与停机工况测得的风速不同。2、机舱风速风向仪存在偶然误差。3、不同风向下机组间的风向关系有所不同。

步骤6中，利用各单位面积内风功率之和倒推总扫掠平面内的等效风速。

将风轮扫掠纵向分成无限个部分，每一部分接近于一条水平的线，若只考虑风切变，则每一部分区域中的风速为固定值，设其面积为ΔS₁，则通过该平面的风功率

其中v₁为该高度下的风速，ρ为空气密度；同理，设另一高度处一区域面积为ΔS₂，该高度下风速为v₂，则其对应风功率为

上述两区域功率之和为

设等效风速为v₁₊₂，要使

则

按以上原理将各部分面积中的风速按面积权重折算至整个风轮平面，结合步骤3.5中求得的风切变，等效风速以积分的形式如下式所示：

其中，h₁、h₂分别为风轮最低处和最高处高度，v′_a为步骤5.2中修正后的机舱风速，z为积分变量，α为步骤3.5中求得的风切变系数，h为轮毂高度，r为风轮半径，A为风轮扫掠面积，如图6所示。

风剪切导致风轮不同高度处存在风速差，对实际发电量影响较为明显。本发明中将风剪切考虑在内，切采用积分的形式计算等效风速，较现有技术而言更为精确。

步骤7包括：

步骤7.1、选择构建功率预测模型的数据：选择数据集B'中或由数据集B'计算获得的十分钟平均环境温度、十分钟平均机舱风速、十分钟湍流强度、十分钟主导风向、修正风速、等效风速六个变量作为输入样本，对应时段的十分钟平均功率作为输出样本；如图7所示；

步骤7.2、构建功率预测模型：选取合适的监督式机器学习模型，将步骤7.1输入样本输入至模型中直至模型收敛；监督式机器学习模型为线性回归算法模型、逻辑回归算法模型、支持向量机模型或随机森林算法模型；

步骤7.3、构建功率预测输出边界：在数据集B'中，选择机舱风速、风机功率的秒级数据，将风速每0.5m/s划分为一个区间，在每个区间中，求功率数据的均方差：

其中，n表示区间内功率数据的个数，p_i表示第i个功率点的值，

表示这些功率点的平均值，选择一个合适的均方差倍数(如3倍)作为功率预测的边界值。

本发明通过与风机功率紧密相关的多个特征参数构建风机功率预测模型(相对于单一的风速-功率而言)，减小了风机理论功率计算的偏差。

步骤8中，根据SCADA提供的风机状态，将十分钟内该机组占比最高的状态设为机组的十分钟主状态，选取数据集C2(十分钟主状态为受限状态机组，如故障、维护、限功率等)中的十分钟平均环境温度、十分钟平均机舱风速、十分钟湍流强度、十分钟主导风向、修正风速、等效风速六组数据，根据步骤7所建立模型求得其理论功率，并根据获得的理论功率时序，按时间进行积分，得到风机应发电量。

步骤9中，风电场理论功率为受阻风机的理论功率与正常运行机组的理论功率之和，正常运行机组的理论功率取其实际功率，即十分钟平均功率；根据获得的风电场理论功率时序，按时间进行积分，得到风电场应发电量。

本发明仅对受限机组进行理论发电量计算，对正常运行机组直接采用实际发电量作为理论发电量，避免了现实情况中理论发电量小于实际发电量的情况，提高了对风场理论功率和发电量计算的准确性。

Claims (10)

1.一种风电场理论功率和应发电量的计算方法，其特征在于，包括：

步骤1、获取风电场原始特征数据；

步骤2、对原始特征数据进行处理；

步骤3、建立新的特征数据；

步骤4、构建机舱风速相关性模型；

步骤5、修正机舱风速；

步骤6、计算风轮界面内的等效风速；

步骤7、构建功率预测模型；

步骤8、计算受阻风机的理论功率和应发电量；

步骤9、计算风电场理论功率和应发电量。

2.根据权利要求1所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤1中，根据理论功率和应发电量拟分析的对象时段[T₁,T₂]，获取风电场某一历史时刻T₀至T₁时刻的原始特征数据，T₁-T₀≥6个月；所述原始特征数据包括每台风电机组的运行状态、机舱风速、机舱风向、风机功率、环境温度，以及测风塔所有高度层的风速数据和风向数据。

3.根据权利要求2所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤2包括：

步骤2.1、将步骤1所获数据分成A、B两个数据集，并获取C数据集，其中A、B为历史数据集，A包含T₀至T₁时刻前三个月的数据，B包含T₀至T₁时刻剩余时段的数据，C为对象数据集，包含T₁至T₂时刻的数据；

步骤2.2、根据风机运行状态，剔除历史数据集A、B中每台风机处于受阻状态的数据，保留风机处于正常发电状态的数据，形成新的历史数据集A'、B'；

步骤2.3、根据对象数据集C中各风机的运行状态，将C数据集分为两个子集C1、C2，其中C1为受阻风机的数据子集，C2为正常运行风机的数据子集；

步骤2.4、对所有数据集中处于不合理范围内的异常数据点进行剔除或修改，形成每台风机、测风塔的合理范围数据集；其中，对于机舱风速、测风塔风速，合理范围选取为[0m/s，70m/s]；对于机舱风向、测风塔风向，合理范围设置为[0°，360°]；对于风机功率，合理范围设置为[-0.05*Pir，1.1*Pir]，Pir为风场某i号风机的额定功率Pr；对于环境温度，合理范围设置为[-30℃，60℃]。

4.根据权利要求3所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤3包括：

步骤3.1、建立机舱风速、测风塔风速、风机功率、环境温度的10分钟平均值数据：将步骤2.4处理后的机舱风速、测风塔风速、风机功率、环境温度时序数据，以每一个10分钟为时段单位，求取每个10分钟时段单位内的平均值；

步骤3.2、建立机舱风速的10分钟湍流强度数据：将步骤2.4处理后的机舱风速序列，以每一个10分钟为单位求其标准差：

其中n表示该十分钟内机舱风速数据的个数，v_i表示第i个风速点的值，

表示这些风速点的平均值；湍流强度表示为：

步骤3.3、建立测风塔的10分钟主导风向数据：将360°方向按30°间隔划分为12个风向扇区D₁-D₁₂；根据步骤2.4处理后的测风塔风向数据，判断每一个10分钟内测风塔风向发生次数最多的风向扇区，将此风向扇区编号D_i作为测风塔在该10分钟内的主导风向数据；

步骤3.4、立风机机舱风向的10分钟主导风向数据：根据步骤2.4处理后的机舱风向数据，按步骤3.3方法建立机舱风向的10分钟主导风向数据；

步骤3.5、建立风场10分钟风切变指数数据：将步骤2.4处理后的测风塔所有高度处风速，根据风廓线使用最小二乘线性回归方法，拟合得到风速-高度的幂律曲线V(h)＝β*h^α，得到每一个10分钟内的风切变指数α，其中，

β为拟合得到的风廓线系数，n为测风塔不同高度的测风层数。

5.根据权利要求4所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤4包括：

步骤4.1、选定构建模型的风机机舱风速数据并将其按测风塔主导风向分组：将数据集A'中风向数据按步骤3.1处理、3.3处理，并对测风塔10分钟主导风向进行分组，得到12个方向组的10分钟机舱风速数据序列；

步骤4.2、对步骤4.1处理所得的数据，按组构建全场风机的风速相关矩阵：选取一个方向组数据，计算任意两台风机机舱风速的协方差：

其中x,y分别表示该组内任意两台机组的10分钟机舱风速数据序列；进一步求取两台风机机舱风速的相关性：

形成该组的机舱风速相关性矩阵，共构建12组机舱风速相关性矩阵：

其中，Di为测风塔主导风向扇区编号，1，2，……n为风电场风机号；

步骤4.3、建立机舱风速相关性模型：在每个风向下，对于每台机组，寻找与其风速相关性最高且高于95％的两台机组作为其参考机组，利用多项式拟合方法分别建立待修正机组与每一台参考机组之间的相关性回归模型。

6.根据权利要求5所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤5包括：

步骤5.1、求解参考风速区间：将数据集B'的十分钟机舱风速数据作为输入，设待修正风速的机组为机组a，某十分钟平均风速为v_a，其中一台参考机组为b，该十分钟平均风速为v_b，根据步骤4.3建立的模型求得参考风速v_ab，构建v_a-v_b散点图，在横轴上以v_b±0.1m/s为上下限选取风速段，在纵轴上以v_ab为中心点，对称地取上下限v_ab1、v_ab2，使得v_b±0.1m/s区间内95％以上的风速散点落在区间(v_ab1,v_ab2)内；并求出另一台参考机组为机组c的参考风速区间(v_ac1,v_ac2)；

步骤5.2、计算修正风速：当步骤4.3筛选参考机组不足两台时，机组a的风速不进行修正；当存在两台参考机组时，修正风速根据参考风速区间及参考风机数量进行选择，包括：

步骤5.2.1、v_a未落在(v_ab1,v_ab2)和(v_ac1,v_ac2)区间内，且两个参考风速区间无交集，则修正风速

步骤5.2.2、v_a未落在(v_ab1,v_ab2)和(v_ac1,v_ac2)区间内，且两个参考风速区间有交集，设交集为(v₁,v₂)，则修正风速

步骤5.2.3、v_a落在(v_ab1,v_ab2)或(v_ac1,v_ac2)区间内，则不对v_a进行修正。

7.根据权利要求6所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤6中，等效风速以积分的形式如下式所示：

其中，h₁、h₂分别为风轮最低处和最高处高度，v′_a为步骤5.2中修正后的机舱风速，z为积分变量，α为步骤3.5中求得的风切变系数，h为轮毂高度，r为风轮半径，A为风轮扫掠面积。

8.根据权利要求7所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤7包括：

步骤7.1、选择构建功率预测模型的数据：选择数据集B'中或由数据集B'计算获得的十分钟平均环境温度、十分钟平均机舱风速、十分钟湍流强度、十分钟主导风向、修正风速、等效风速六个变量作为输入样本，对应时段的十分钟平均功率作为输出样本；

步骤7.2、构建功率预测模型：选取合适的监督式机器学习模型，将步骤7.1所述输入样本输入至模型中直至模型收敛；所述监督式机器学习模型为线性回归算法模型、逻辑回归算法模型、支持向量机模型或随机森林算法模型；

步骤7.3、构建功率预测输出边界：在数据集B'中，选择机舱风速、风机功率的秒级数据，将风速每0.5m/s划分为一个区间，在每个区间中，求功率数据的均方差：

其中，n表示区间内功率数据的个数，p_i表示第i个功率点的值，

表示这些功率点的平均值，选择一个合适的均方差倍数作为功率预测的边界值。

9.根据权利要求8所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤8中，根据SCADA提供的风机状态，将十分钟内该机组占比最高的状态设为机组的十分钟主状态，选取数据集C2中的十分钟平均环境温度、十分钟平均机舱风速、十分钟湍流强度、十分钟主导风向、修正风速、等效风速六组数据，根据步骤7所建立模型求得其理论功率，并根据获得的理论功率时序，按时间进行积分，得到风机应发电量。

10.根据权利要求9所述的风电场理论功率和应发电量的计算方法，其特征在于，步骤9中，风电场理论功率为受阻风机的理论功率与正常运行机组的理论功率之和，所述正常运行机组的理论功率取其实际功率；根据获得的风电场理论功率时序，按时间进行积分，得到风电场应发电量。

Images