CN115977874B - 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 - Google Patents

Abstract

本发明公开了一种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，从收集的风机运行历史数据中提取风向振幅波动特征、风速振幅波动特征、偏航误差角特征，训练卷积神经网络模型，用于判断风机当前是否应该启动对风装置，能够自适应风机所处的环境及其性能，以实现利用风能的最大化，进一步提高风电机组的经济效益。相较于安装在机舱尾部容易收到转动叶片干扰的风速风向仪，本发明采用激光测风雷达能够捕获更准确的风速、风向信息，为对风装置提供准确的数据支撑，并且本发明周期性根据风速情况动态调整探测距离，能够进一步提高风信息的捕获准确度。

Description

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

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。

背景技术

风能是一种具有蕴藏量大、可再生、分布广、绿色无污染等诸多优点的能源，在世界范围内得到了广泛重视。风向变化规律与风速大小作为风场风能资源测量与分析的两个重要方面，同时也应是偏航系统对风行为控制过程中的关键变量，因而偏航控制策略是否有效依赖于风电机组对风信息的高效、精准追踪，偏航系统是实现风电机组快速精准有效对风，避免风能损失的执行机构，是水平轴风力发电机不可或缺的关键部件。现有技术根据偏航延时时间、偏航允许误差、偏航误差角度等因素进行偏航校准，然而，忽略了机组间的风况、性能差异，不同的风机甚至不同风电场的风电机组均采用同样的偏航控制策略，自适应程度较低，不能发挥出风电机组最大的潜能。

因此，采用智能化方法从风机运行的历史数据中挖掘出偏航校准启动的规律，进而优化偏航控制策略，对于提高风能利用率，降低偏航系统总动作次数，增加总发电量，具有显著的经济效益。

发明内容

为解决上述问题，本发明的目的在于提供一种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。

为实现以上目的，提供以下技术方案：

本发明的一个方面在于提供了一种基于激光测风雷达的风电机组偏航自适应校准方法，所述方法包括：

步骤1：周期性采集激光测风雷达测量的风向数据和风速数据，记录为

D＝{(WDk₁,WV₁)，(WD₂,WV₂)，...(WD_k,WV_k)，...}，

其中(WD_K,WV_K)为第k次采集获取得到的风向数据WD_K和风速数据WV_K；

步骤2：计算得到风向振幅波动特征向量FW＝(ω₁,ω₂,...ω_k,...ω_n)，风速振幅波动特征向量FV＝(ɑ₁,ɑ₂,...ɑ_k,...,ɑ_n)，偏航误差角特征向量FA＝(θ₁,θ₂,...,θ_k,...θ_n)，风向振幅波动ω_k＝WD_k-WD_k-1，风速振幅波动ɑ_k＝WV_k-WV_k-1，偏航误差角θ_k为风向数据WD_k与风轮轴线的夹角,n为特征向量的维数；

步骤3：构建输入矩阵M，

步骤4：将输入矩阵M输入训练好的卷积神经网络，如果输出为1，执行步骤4；如果输出为0，方法结束；

步骤5：沿缩小偏航误差角的方向启动对风操作，持续采集发电机输出的电流和电压并计算输出功率，如果输出功率不再持续增加并且偏航误差角小于偏航允许误差阈值，方法结束。

卷积神经网络的结构包括一层输入层inputLayer，一层卷积层convLayer，一层池化层poolLayer，一层全连接层和一层输出层outputLayer。

卷积神经网络的输入矩阵大小为3×n，卷积层convLayer包含6个特征图，卷积核大小为3×3，池化层poolLayer包含6个特征图，池化窗口大小为(n-2)×1,全连接层包含6个神经元，输出层包含一个神经元。

卷积神经网络的训练过程包括：

步骤S1,收集样本，从风电机组的历史运行数据中抽取若干样本，通过人工标记的方式或通过仿真实验的方式为样本打标签，标签1表示启动对风操作，标签0表示不用启动对风操作，标签1和标签0的样本数量均衡，按照9:1的比例将样本分为训练集和测试集；

步骤S2，使用训练卷积神经网络，通过误差反向传播不断调整卷积神经网络的权值和偏置，如果达到迭代次数或在测试集的准确率满足设定阈值，训练过程结束；

步骤S3，输出训练好的卷积神经网络。

作为本发明的进一步改进方案，周期性自适应调整激光测风雷达的探测距离L，当前风速为V米/秒，时间为t，t取10秒，

本发明的另一方面在于提供了一种基于激光测风雷达的风电机组偏航自适应校准系统，所述系统包括：

数据采集模块，周期性采集激光测风雷达测量的风向数据和风速数据，记录为

D＝{(WD₁,WV₁)，(WD₂,WV₂)，...(WD_k,WV_k)，...}，

其中(WD_K,WV_K)为第k次采集获取得到的风向数据WD_K和风速数据WV_K；

特征向量计算模块：计算得到风向振幅波动特征向量FW＝(ω₁,ω₂,...ω_k,...ω_n)，风速振幅波动特征向量FV＝(ɑ₁,ɑ₂,...ɑ_k,...,ɑ_n)，偏航误差角特征向量FA＝(θ₁,θ₂,...,θ_k,...θ_n)，风向振幅波动ω_k＝WD_k-WD_k-1，风速振幅波动ɑ_k＝WV_k-WV_k-1，偏航误差角θ_k为风向数据WD_k与风轮轴线的夹角,n为特征向量的维数；

输入构建模块，构建输入矩阵M，

对风启动判断模块，将输入矩阵M输入训练好的卷积神经网络，如果输出为1，启动对风模块；如果输出为0，不启动对风模块；

对风模块，沿缩小偏航误差角的方向启动对风操作，持续采集发电机输出的电流和电压并计算输出功率，如果输出功率不再持续增加并且偏航误差角小于偏航允许误差阈值，方法结束。

作为本发明的进一步改进方案，还包括用于训练卷积神经网络的样本收集模块、卷积神经网络训练模块和输出模块：

样本收集模块，从风电机组的历史运行数据中抽取若干样本，通过人工标记的方式或通过仿真实验的方式为样本打标签，标签1表示启动对风操作，标签0表示不用启动对风操作，标签1和标签0的样本数量均衡，按照9:1的比例将样本分为训练集和测试集；

卷积神经网络训练模块，使用训练卷积神经网络，通过误差反向传播不断调整卷积神经网络的权值和偏置，如果达到迭代次数或在测试集的准确率满足设定阈值，训练过程结束；

输出模块，输出训练好的卷积神经网络。

作为本发明的进一步改进方案，基于激光测风雷达的风电机组偏航自适应校准系统还包括激光测风雷达探测距离设置模块，周期性自适应调整激光测风雷达的探测距离L，当前风速为V米/秒，时间为t，t取10秒，

本发明的有益效果为：

1、本发明的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，采用激光测风雷达相较于安装在机舱尾部容易收到转动叶片干扰的风速风向仪，能够捕获更准确的风速、风向信息，为对风装置提供准确的数据支撑，也是风电机组安全运行的保障。并且，本发明周期性根据风速情况动态调整探测距离，能够进一步提高风信息的捕获准确度。

2、本发明针对各自风机的历史运行数据，包括风向振幅波动特征数据、风速振幅波动特征数据、偏航误差角特征数据，训练卷积神经网络模型，能够自适应风机所处的环境及其性能，智能化预测是否启动对风装置，以实现利用风能的最大化，进一步提高风电机组的经济效益。

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。

图1是本发明的基于激光测风雷达的风电机组偏航自适应校准方法流程图；

图2是本发明卷积神经网络模型训练方法流程图；

图3是本发明的基于激光测风雷达的风电机组偏航自适应校准系统结构图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

图1是本发明的本发明的基于激光测风雷达的风电机组偏航自适应校准方法流程图。参照图1，该方法的执行步骤如下：

步骤1：周期性采集激光测风雷达测量的风向数据和风速数据，记录为

D＝{(WD₁,WV₁)，(WD₂,WV₂)，...(WD_k,WV_k)，...}，

其中(WD_K,WV_K)为第k次采集获取得到的风向数据WD_K和风速数据WV_K。

风速风向信息是风机偏航校正过程的重要输入信息，风轮迎风面的测风精度能够影响到风轮的纠偏效果，进而影响到风能的利用率和风机的使用寿命。激光测风雷达通过远程遥感技术，不受测风塔和风轮干扰，探测风轮前方一定距离内的迎风信息，其测风精度、可靠性和实时性能够提高风机偏航控制的有效性和准确性。

可以设定激光测风雷达风速、风向信息的采集周期T，比如30秒或1分钟采集一次，按照采集时序进行存储。

作为本发明的一种优先实施方式，可以周期性自适应调整激光测风雷达的探测距离L，假如当前风速为V米/秒，时间为t，t一般取10秒，则探测距离L的距离如下：

在实际应用中所采用的探测距离普遍位于50m-200m范围之内，这样为风力发风机偏航控制预留了调整时间，提高了系统实时性。而本发明周期性根据风速情况动态调整探测距离，能够进一步提高风信息的捕获准确度。

步骤2：计算得到风向振幅波动特征向量FW＝(ω₁,ω₂,...ω_k,...ω_n)，风速振幅波动特征向量FV＝(ɑ₁,ɑ₂,...ɑ_k,...,ɑ_n)，偏航误差角特征向量FA＝(θ₁,θ₂,...,θ_k,...,θ_n)，风向振幅波动ω_k＝WD_k-WD_k-1，风速振幅波动ɑ_k＝WV_k-WV_k-1，偏航误差角θ_k为风向数据WD_k与风轮轴线的夹角,n为特征向量的维数。

在实际应用中风电机组的偏航控制普遍采用设置“偏航误差角”的控制方法。为了避免机舱的频繁动作，当风向标检测的对风误差超过了允许范围时，才发出对风指令。但是对风误差允许范围一旦确定不易更改，并且很少针对不同的风机设置不同的对风误差允许范围，而且在不同风速，即低风速、中风速、高风速等不同情况下采用相同的对风误差允许范围，往往不能最大化利用风能。

通过采集一个时间段内的测风数据，计算得到计算得到风向振幅波动特征向量FW、风速振幅波动特征向量FV、偏航误差角特征向量FA，这些数据是对风机当前所处环境的描述数据，也是决定是否启动对风系统的关键因素。

步骤3：构建输入矩阵M，

风向振幅波动特征向量FW、风速振幅波动特征向量FV、偏航误差角特征向量FA组成一个3×n的矩阵，n为矩阵每一行数据元素的个数。在实际应用中，n的大小与激光测风雷达风速、风向信息的采集周期T有一定关系，例如采集周期T设置为30秒，10分钟内采集的数据为20条，那么n的值就为20。

步骤4：将输入矩阵M输入训练好的卷积神经网络，如果输出为1，执行步骤4；如果输出为0，方法结束。

卷积神经网络模型是一种全局可训练的多层神经网络，在解决二维模式问题上，通常比多层感知器效果更好。本发明通过训练好的卷积神经网络模型根据当前环境信息智能化判断是否启动对风装置，避免了人工设置相关对风参数，能够自适应当前风速风向数据以及风机自身性能状况，自主决策，提高了智能化水平。

本发明采用的卷积神经网络模型的结构包括一层输入层inputLayer，一层卷积层convLayer，一层池化层poolLayer，一层全连接层和一层输出层outputLayer。

卷积神经网络的输入矩阵大小为3×n，n为矩阵每一行数据元素的个数，卷积层convLayer包含6个特征图，卷积核大小优选为3×3，池化层poolLayer包含6个特征图，池化窗口大小为(n-2)×1,全连接层包含6个神经元，输出层包含一个神经元。

卷积神经网络在有监督的训练中多使用误差反向传播的BP算法，采用基于梯度下降的方法，通过误差反向传播不断调整网络的权值和偏置。本发明所采用的卷积神经网络模型的训练过程如图2所示，包括：

步骤S1,收集样本，从风电机组的历史运行数据中抽取若干样本，通过人工标记的方式或通过仿真实验的方式为样本打标签，标签1表示启动对风操作，标签0表示不用启动对风操作，标签1和标签0的样本数量均衡，按照9:1的比例将样本分为训练集和测试集。

步骤S2，使用训练卷积神经网络，通过误差反向传播不断调整卷积神经网络的权值和偏置，如果达到迭代次数或在测试集的准确率满足设定阈值，训练过程结束。

在训练阶段的开始，需要为各层神经元随机初始化权值和偏置(bias)。权值的初始化对网络的收敛速度有很大影响，所以如何初始化权值是非常重要的。权值的初始化与网络选取的激活函数有关，为了加快收敛速度，权值尽量取到激活函数变化最快的部分。常见的激活函数有sigmoid,tanh,relu等。

权值更新有批量更新(batch-update)和在线更新(online-update)两种模式，在线更新又称为随机梯度下降方式，批量更新即标准梯度下降方式。本发明采用批量更新模式。

步骤S3，输出训练好的卷积神经网络。

将训练好的卷积神经网络模型的参数进行保存，以便于后续加载使用。

步骤5：沿缩小偏航误差角的方向启动对风操作，持续采集发电机输出的电流和电压并计算输出功率，如果输出功率不再持续增加并且偏航误差角小于偏航允许误差阈值，方法结束。

以获得风机最大输出功率为目标执行对风操作，连续测量设定时间间隔内的发电机输出的电压值U和电流值I，功率P＝UI，求出风机的输出功率值，并将获取的功率值与上一次测量的功率值进行比较，如果输出功率不再持续增加，并且偏航误差角小于偏航允许误差阈值，则锁紧对风制动器，对风操作结束。

本发明通过训练卷积神经网络模型，从风机的历史运行数据中挖掘出启动对风装置的规律，能够自适应风机当前所处的风环境信息以及自身性能状态，避免人工设置参数不能够随风速风向的变化而做出适应性调整，能够更加有效的利用风能。

实施例二

如图3所示，本发明实施例二提供的基于激光测风雷达的风电机组偏航自适应校准系统，该系统包括数据采集模块、特征向量计算模块、输入构建模块、对风启动判断模块和对风模块。

数据采集模块，周期性采集激光测风雷达测量的风向数据和风速数据，记录为

D＝{(WD₁,WV₁)，(WD₂,WV₂)，...(WD_k,WV_k)，...}，

其中(WD_K,WV_K)为第k次采集获取得到的风向数据WD_k和风速数据WV_k；

特征向量计算模块，计算得到风向振幅波动特征向量FW＝(ω₁,ω₂,...ω_k,...ω_n)，风速振幅波动特征向量FV＝(ɑ₁,ɑ₂,...ɑ_k,...,ɑ_n)，偏航误差角特征向量FA＝(θ₁,θ₂,...,θ_k,...)，风向振幅波动ω_k＝WD_k-WD_k-1，风速振幅波动ɑ_k＝WV_k-WV_k-1，偏航误差角θ_k为风向数据WD_k与风轮轴线的夹角,n为特征向量的维数；

输入构建模块，构建输入矩阵M，

对风启动判断模块，将输入矩阵M输入训练好的卷积神经网络，如果输出为1，启动对风模块；如果输出为0，不启动对风模块；

对风模块，沿缩小偏航误差角的方向启动对风操作，持续采集发电机输出的电流和电压并计算输出功率，如果输出功率不再持续增加并且偏航误差角小于偏航允许误差阈值，方法结束。

作为本发明的一种优选实施方式，基于激光测风雷达的风电机组偏航自适应校准系统的卷积神经网络还包括：

样本收集模块，从风电机组的历史运行数据中抽取若干样本，通过人工标记的方式或通过仿真实验的方式为样本打标签，标签1表示启动对风操作，标签0表示不用启动对风操作，标签1和标签0的样本数量均衡，按照9:1的比例将样本分为训练集和测试集；

卷积神经网络训练模块，使用训练卷积神经网络，通过误差反向传播不断调整卷积神经网络的权值和偏置，如果达到迭代次数或在测试集的准确率满足设定阈值，训练过程结束；

输出模块，输出训练好的卷积神经网络。

作为本发明的一种优选实施方式，基于激光测风雷达的风电机组偏航自适应校准系统还包括激光测风雷达探测距离设置模块，周期性自适应调整激光测风雷达的探测距离L，当前风速为V米/秒，时间为t，t取10秒，

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.基于激光测风雷达的风电机组偏航自适应校准方法，所述方法包括：

步骤1：周期性采集激光测风雷达测量的风向数据和风速数据，记录为D＝{(WD₁，WV₁)，(WD₂，WV₂)，...(WD_k，WV_k)，...}

其中(WD_K，WV_K)为第k次采集获取得到的风向数据WD_K和风速数据WV_K；

步骤2：计算得到风向振幅波动特征向量FW＝(ω₁，ω₂，...ω_k，...，ω_n)，风速振幅波动特征向量FV＝(a₁，a₂，...a_k，...，a_n)，偏航误差角特征向量FA＝(θ₁，θ₂，...，θ_k，...θ_n)，风向振幅波动ω_k＝WD_k-WD_k-1，风速振幅波动a_k＝WV_k-WV_k-1，偏航误差角θ_k为风向数据WD_k与风轮轴线的夹角，n为特征向量的维数；

步骤3：构建输入矩阵M，

步骤4：将输入矩阵M输入训练好的卷积神经网络，如果输出为1，执行步骤5；如果输出为0，方法结束；

步骤5：沿缩小偏航误差角的方向启动对风操作，持续采集发电机输出的电流和电压并计算输出功率，如果输出功率不再持续增加并且偏航误差角小于偏航允许误差阈值，方法结束；

卷积神经网络的训练过程包括：

步骤S1，收集样本，从风电机组的历史运行数据中抽取若干样本，通过人工标记的方式或通过仿真实验的方式为样本打标签，标签1表示启动对风操作，标签0表示不用启动对风操作，标签1和标签0的样本数量均衡，按照9：1的比例将样本分为训练集和测试集；

步骤S2，使用训练卷积神经网络，通过误差反向传播不断调整卷积神经网络的权值和偏置，如果达到迭代次数或在测试集的准确率满足设定阈值，训练过程结束；

步骤S3，输出训练好的卷积神经网络；

周期性自适应调整激光测风雷达的探测距离L，当前风速为V米/秒，时间为t，t取10秒，

2.根据权利要求1所述的基于激光测风雷达的风电机组偏航自适应校准方法，其特征在于，

卷积神经网络的结构包括一层输入层inputLayer，一层卷积层convLayer，一层池化层poolLayer，一层全连接层和一层输出层outputLayer。

3.根据权利要求2所述的基于激光测风雷达的风电机组偏航自适应校准方法，其特征在于，

卷积神经网络的输入矩阵大小为3×n，卷积层convLayer包含6个特征图，卷积核大小为3×3，池化层poolLayer包含6个特征图，池化窗口大小为(n-2)×1，全连接层包含6个神经元，输出层包含一个神经元。

4.基于激光测风雷达的风电机组偏航自适应校准系统，所述系统包括：

数据采集模块，周期性采集激光测风雷达测量的风向数据和风速数据，记录为

D＝{(WD₁，WV₁)，(WD₂，WV₂)，...(WD_k，WV_k)，...}

其中(WD_K，WV_K)为第k次采集获取得到的风向数据WD_K和风速数据WV_K；

特征向量计算模块：计算得到风向振幅波动特征向量FW＝(ω₁，ω₂，...ω_k，...，ω_n)，风速振幅波动特征向量FV＝(a₁，a₂，...a_k，...，a_n)，偏航误差角特征向量FA＝(θ₁，θ₂，...，θ_k，...，θ_n)，风向振幅波动ω_k＝WD_k-WD_k-1，风速振幅波动a_k＝VVV_k-VVV_k-1，偏航误差角θ_k为风向数据WD_k与风轮轴线的夹角，n为特征向量的维数；

输入构建模块，构建输入矩阵M，

对风启动判断模块，将输入矩阵M输入训练好的卷积神经网络，如果输出为1，启动对风模块；如果输出为0，不启动对风模块；

对风模块，沿缩小偏航误差角的方向启动对风操作，持续采集发电机输出的电流和电压并计算输出功率，如果输出功率不再持续增加并且偏航误差角小于偏航允许误差阈值，方法结束；

所述系统还包括用于训练卷积神经网络的样本收集模块、卷积神经网络训练模块和输出模块：

样本收集模块，从风电机组的历史运行数据中抽取若干样本，通过人工标记的方式或通过仿真实验的方式为样本打标签，标签1表示启动对风操作，标签0表示不用启动对风操作，标签1和标签0的样本数量均衡，按照9:1的比例将样本分为训练集和测试集；

卷积神经网络训练模块，使用训练卷积神经网络，通过误差反向传播不断调整卷积神经网络的权值和偏置，如果达到迭代次数或在测试集的准确率满足设定阈值，训练过程结束；

输出模块，输出训练好的卷积神经网络；

所述系统还包括激光测风雷达探测距离设置模块，周期性自适应调整激光测风雷达的探测距离L，当前风速为V米/秒，时间为t，t取10秒，

5.根据权利要求4所述的基于激光测风雷达的风电机组偏航自适应校准系统，其特征在于，

卷积神经网络模型构建模块：卷积神经网络的结构包括一层输入层inputLayer，一层卷积层convLayer，一层池化层poolLayer，一层全连接层和一层输出层outputLayer。

6.根据权利要求5所述的基于激光测风雷达的风电机组偏航自适应校准系统，其特征在于，

所述卷积神经网络模型构建模块的卷积神经网络的输入矩阵大小为3×n，卷积层convLayer包含6个特征图，卷积核大小为3×3，池化层poolLayer包含6个特征图，池化窗口大小为(n-2)×1,全连接层包含6个神经元，输出层包含一个神经元。