CN116484759A - 一种虚拟雷达风况预测方法和装置 - Google Patents
一种虚拟雷达风况预测方法和装置 Download PDFInfo
- Publication number
- CN116484759A CN116484759A CN202310395745.1A CN202310395745A CN116484759A CN 116484759 A CN116484759 A CN 116484759A CN 202310395745 A CN202310395745 A CN 202310395745A CN 116484759 A CN116484759 A CN 116484759A
- Authority
- CN
- China
- Prior art keywords
- radar
- wind
- predicted value
- wind turbine
- flow field
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000010248 power generation Methods 0.000 claims abstract description 9
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 description 25
- 238000013507 mapping Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000005314 correlation function Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及风力发电技术领域，尤其涉及一种虚拟雷达风况预测方法和装置，方法包括：获取实际风况信息，根据风电场内的风况分布仿真，得到风电场内各个风电机组的CFD流场模型预测值；根据第二风电机组的CFD流场模型预测值、雷达‑CFD流场预测模型得到第二风电机组的第一雷达风况预测值；获取第二风电机组的SCADA数据，根据SCADA数据、雷达‑SCADA风况预测模型得到第二风电机组的第二雷达风况预测值；根据第二风电机组的第一雷达风况预测值和第二雷达风况预测值，得到第二风电机组的虚拟雷达预测值。本申请提出的虚拟雷达风况预测方案，通过减少风电场雷达产品配置数量降低成本投入，计算得出未安装雷达机组的风况数据，为后续机组前馈控制以及偏航风向校正等功能使用。
Description
技术领域
本发明涉及风力发电技术领域，尤其涉及一种虚拟雷达风况预测方法和装置。
背景技术
传统风电机组配备的风速风向仪作为测风设备，所测的风速风向无法全面、准确表征风况信息，而且如果机组控制滞后于风的变化，使得机组运行无法匹配风况变化，从而影响机组载荷与发电量。
机舱式雷达测风仪，可以有效弥补现有测风设备，安装在机舱顶部可以提前感知风况信息，并准确获取来流风域的风速、风向、湍流、风剪切等变化信息，实现精准测风。
但是雷达产品成本高，不宜大范围安装。
发明内容
鉴于现有技术的以上问题，本申请提供一种虚拟雷达风况预测方法和装置，其能够一方面通过减少风电场雷达产品配置数量，降低成本投入，另一方面通过计算，得出其它未安装雷达的机组前方风况数据，为后续机组前馈控制以及偏航风向校正等功能使用。
为达到上述目的，本申请第一方面提供一种虚拟雷达风况预测方法，包括：
根据真实雷达的风况信息，结合风电场内的风机地理信息，进行流场模型仿真，得到风电场内各个风电机组基于流场模型的风况预测值；机组包括配置有雷达的第一风电机组、未配置有雷达的第二风电机组；
根据第一风电机组的雷达的测量值，结合CFD流场模型，构建第二风电机组雷达-CFD流场模型的风况预测值；雷达-CFD流场预测模型根据第一风电机组的雷达的测量值和CFD流场模型构建；
获取第二风电机组的SCADA数据，根据SCADA数据、雷达-SCADA风况预测模型得到第二风电机组的第二雷达风况预测值；雷达-SCADA风况预测模型根据第一风电机组的雷达的测量值和第一风电机组的SCADA数据构建；
根据第二风电机组的第一雷达风况预测值和第二雷达风况预测值，得到第二风电机组的虚拟雷达预测值。
本实施方式通过计算，得出其它未安装雷达的机组前方风况数据，为后续机组前馈控制以及偏航风向校正等功能使用，能够实现降低并网发电模式下发电机转速波动幅度、降低塔筒前后方疲劳载荷、减少变桨执行动作次数、提升机组发电量等效果。
作为第一方面的一种可能的实现方式，根据第一雷达风况预测值和第二雷达风况预测值，得到第二风电机组的虚拟雷达预测值，包括：
将第一雷达风况预测值和第二雷达风况预测值使用不同的权重进行融合，得到第二风电机组的虚拟雷达预测值。
作为第一方面的一种可能的实现方式，第一雷达风况预测值和第二雷达风况预测值的权重与雷达-CFD流场预测模型和雷达-SCADA风况预测模型的可信度正相关。
作为第一方面的一种可能的实现方式，雷达-CFD流场预测模型的可信度，根据第一风电机组的第一雷达风况预测值与第一风电机组的雷达的测量值计算；第一风电机组的第一雷达风况预测值根据第一风电机组的CFD流场模型预测值、雷达-CFD流场预测模型得到；
雷达-SCADA风况预测模型的可信度，根据第一风电机组的第二雷达风况预测值与第一风电机组的雷达的测量值计算；第一风电机组的第二雷达风况预测值根据第一风电机组的SCADA数据、雷达-SCADA风况预测模型得到。
作为第一方面的一种可能的实现方式，还包括：
确定虚拟雷达预测值的准确度；
根据准确度优化至少以下之一：雷达-CFD流场预测模型、雷达-CFD流场预测模型、权重。
本实施方式通过根据可信度将雷达-CFD流场预测模型和雷达-SCADA风况预测模型进行融合，得到虚拟雷达预测模型，有效提高了虚拟雷达预测模型的结果的准确性。
作为第一方面的一种可能的实现方式，虚拟雷达预测值的准确度，根据第一风电机组的虚拟雷达预测值与第一风电机组的雷达的测量值计算；第一风电机组的虚拟雷达预测值根据第一风电机组的第一雷达风况预测值和第二雷达风况预测值得到。作为第一方面的一种可能的实现方式，风电场内的风况分布仿真根据风电场的特征信息构建。
作为第一方面的一种可能的实现方式，雷达-CFD流场预测模型，其构建包括：确定第一风电机组的雷达的测量值和第一风电机组的CFD流场预测值的相关性；根据相关性，构建雷达-CFD流场预测模型；和/或
雷达-SCADA风况预测模型，其构建包括：确定第一风电机组的雷达的测量值和第一风电机组的SCADA数据的相关性；根据相关性，构建雷达-SCADA风况预测模型。
作为第一方面的一种可能的实现方式，相关性根据皮尔森相关系数确定。
本申请第二方面提供一种虚拟雷达风况预测装置，包括：
CFD流场预测模块，根据第一风电机组的雷达实际风况信息，根据风电场地形特征建模，包括地表高程及地面粗糙度等信息，得到风电场内各个风电机组的CFD流场模型预测值；机组包括配置有雷达的第一风电机组、未配置有雷达的第二风电机组；
第一雷达风况预测模块，用于根据第二风电机组的CFD流场模型预测值、雷达-CFD流场预测模型得到第二风电机组的第一雷达风况预测值；雷达-CFD流场预测模型根据第一风电机组的雷达的测量值和CFD流场模型构建；
第二雷达风况预测模块，用于获取第二风电机组的SCADA数据，根据SCADA数据、雷达-SCADA风况预测模型得到第二风电机组的第二雷达风况预测值；雷达-SCADA风况预测模型根据第一风电机组的雷达的测量值和第一风电机组的SCADA数据构建；
虚拟雷达预测模块，用于根据第二风电机组的第一雷达风况预测值和第二雷达风况预测值，得到第二风电机组的虚拟雷达预测值。
本发明的这些和其它方面在以下(多个)实施例的描述中会更加简明易懂。
附图说明
以下参照附图来进一步说明本发明的各个特征和各个特征之间的联系。附图均为示例性的，一些特征并不以实际比例示出，并且一些附图中可能省略了本申请所涉及领域的惯常的且对于本申请非必要的特征，或是额外示出了对于本申请非必要的特征，附图所示的各个特征的组合并不用以限制本申请。另外，在本说明书全文中，相同的附图标记所指代的内容也是相同的。具体的附图说明如下：
图1是本申请第一实施方式提供的虚拟雷达风况预测方法的流程示意图；
图2A是本申请第二实施方式提供的虚拟雷达风况预测方法的流程示意图；
图2B是本申请第二实施方式提供的虚拟雷达风况预测方法的示意图；
图3是本申请第三实施方式提供的虚拟雷达风况预测装置300的结构示意图。
具体实施方式
下面结合附图并举实施例，对本申请提供的技术方案作进一步说明。应理解，本申请实施例中提供的系统结构和业务场景主要是为了说明本申请的技术方案的可能的实施方式，不应被解读为对本申请的技术方案的唯一限定。本领域普通技术人员可知，随着系统结构的演进和新业务场景的出现，本申请提供的技术方案对类似技术问题同样适用。
应理解，本申请实施例提供的虚拟雷达风况预测方案，包括虚拟雷达风况预测方法、装置、计算设备及计算机可读存储介质等。由于这些技术方案解决问题的原理相同或相似，在如下具体实施例的介绍中，某些重复之处可能不再赘述，但应视为这些具体实施例之间已有相互引用，可以相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。如有不一致，以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外，本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。为了准确地对本申请中的技术内容进行叙述，以及为了准确地理解本发明，在对具体实施方式进行说明之前先对本说明书中所使用的术语给出如下的解释说明或定义：
1)SCADA系统：Supervisory Control And Data Acquisition，数据采集与监视控制系统。在电力系统中，可以对现场设备的数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能。
2)Meteodyn WT：基于流体力学技术的风资源评估及微观选址工具。
基于现有技术所存在的缺陷，本申请提供的虚拟雷达风况预测方案应用在风电场风况测量的场景中，根据风场安装的少量激光雷达，通过探测来流风况信息，实现风场中任意风机前方虚拟风况信息。可以理解的是，在本申请实施方式中，风电场中有多台风电机组，其中部分(风电)机组安装有雷达设备，其余机组没有安装雷达设备，因此可以将安装有雷达设备的机组称为第一风电机组，未配置有雷达的第二风电机组。
图1是本申请实施方式提供的虚拟雷达风况预测方法的流程示意图，包括以下步骤：
S101：获取实际雷达风况信息，根据风电场内的风况分布仿真，得到风电场内各个风电机组的CFD流场模型预测值。
本实施方式中，可以根据获取的实际雷达风况信息，基于流体力学技术的风资源评估及微观选址工具(例如，Meteodyn WT，本文中简称为WT)开展稳态流场的遍历式计算流体动力学(Computational Fluid Dynamics，CFD)仿真，得到风电场内各个风电机组的CFD流场模型预测值。
通过Meteodyn WT工具分布仿真时，还根据风电场的特征信息，包括风电场地表高程、风电场内主风向、风速分布情况、机组排布与机型信息、机组出力特性和地面粗糙度等，然后将获取的风电场的实际风况信息基于Meteodyn WT工具，进行仿真得到各个风电机组的CFD流场模型预测值。
S102：根据第二风电机组的CFD流场模型预测值、雷达-CFD流场预测模型得到第二风电机组的第一雷达风况预测值。
雷达-CFD流场预测模型根据第一风电机组的雷达的测量值和第一风电机组的CFD流场模型预测值构建。其中，通过确定第一风电机组的雷达的测量值和第一风电机组的CFD流场模型预测值的相关性构建雷达-CFD流场预测模型。
通过雷达-CFD流场预测模型，对于任意一台机组的CFD流场模型预测值，通过雷达-CFD流场预测模型即可得到雷达预测值，即第一雷达风况预测值。本申请提供的虚拟雷达风况预测方案理论上可以对风电场中任意机组的风况进行预测，但雷达机组安装有雷达设备，可以通过雷达设备进行风况的精准测量，所以雷达机组不需要进行风况预测；因此，本申请中进行风况预测的机组，默认为未安装雷达机组。
S103：获取第二风电机组的SCADA数据，根据SCADA数据、雷达-SCADA风况预测模型得到第二风电机组的第二雷达风况预测值。
SCADA数据中存储记录有各机组实际运行的历史数据，本申请实施方式中，获取的SCADA数据可以是记录各机组实际运行的风速、风向等风况历史数据。
雷达-SCADA风况预测模型根据第一风电机组的雷达的测量值和第一风电机组的SCADA数据之间的相关性构建。
S104：根据第二风电机组的第一雷达风况预测值和第二雷达风况预测值，得到第二风电机组的虚拟雷达预测值。
根据第一雷达风况预测值和第二雷达风况预测值，得到虚拟雷达预测值，以该虚拟雷达预测值作为最终决策，为后续机组前馈控制以及偏航风向校正等功能使用。
在一些实施方式中，可以分别将第一雷达风况预测值和第二雷达风况预测值与(各机组)对应的SCADA数据进行对比，得到二者的准确度，并进行可信度评估。第一雷达风况预测值和第二雷达风况预测值的权重与雷达-CFD流场预测模型和雷达-SCADA风况预测模型的可信度正相关。
根据可信度评估的结果确定数据融合权重，将第一雷达风况预测值和第二雷达风况预测值进行融合，得到虚拟雷达预测值，实现对风电场中指定位置机组的风况进行预测。
本实施方式一方面通过减少风电场雷达产品配置数量，降低成本投入，另一方面通过计算，得出其它未安装雷达的机组前方风况数据，达到降低并网发电模式下发电机转速波动幅度、降低塔筒前后方疲劳载荷、减少变桨执行动作次数、提升机组发电量等效果。
下面结合一具体实施方式，对本申请提供的虚拟雷达风况预测方法的实施例进一步进行介绍。如图2A和图2B所示，该实施例包括以下步骤：
S201：构建雷达-CFD流场预测模型。
根据获取的实际风况信息、风电场地表高程、风电场内主风向、风速分布情况、机组排布与机型信息、机组出力特性和地面粗糙度等特征信息，以及雷达测得的精确风况数据，基于流体力学技术的风资源评估及微观选址工具Meteodyn WT开展稳态流场的遍历式计算流体动力学仿真，进而得到各机组前方指定位置的CFD流场模型预测值，以f1表示CFD流场模型预测值，以f(t)表示基于Meteodyn WT的仿真，则f1＝f(t)，其中t表示获取的实际风况信息，或者是根据实际需要对Meteodyn WT等工具的设定。
通过雷达的精确测量值与相同机组的CFD流场模型预测值，确定雷达的精确测量值与CFD流场模型预测值的映射关系。可通过各机组前方指定位置的CFD流场模型预测值，得到基于该映射关系的雷达预测值，即第一雷达风况预测值。
例如，假设J1表示第一雷达风况预测值，f1表示CFD流场模型预测值，f2为雷达精确测量值与CFD流场模型预测值的映射函数，则映射关系满足J1＝f2(f1)。根据此映射关系和CFD流场模型预测值即可推算得到第一雷达风况预测值。
在一些实施方式中，可以通过皮尔森相关系数(Pearson product-momentcorrelation coefficient，PPMCC)衡量并确定雷达的风况测量值与CFD流场模型预测值之间的相关性ρLT，根据ρLT和CFD流场模型预测值即可推算得到第一雷达风况预测值。以L表示雷达的风况测量值，T表示CFD流场模型预测值，则雷达的风况测量值与CFD流场模型预测值之间的皮尔森相关系数：
其中，μL是雷达的风况测量值L的平均值，μT是CFD流场模型预测值T的平均值，E为期望，σL和σT分别是风况测量值L和CFD流场模型预测值T的标准差。
此外，由于雷达安装位置距离各机组位置的距离不同，预测到各机组的风况准确度也略有差异，一般情况下距离雷达越近，预测的结果越准确。因此，根据被预测的机组的位置，通过风电场中任意机组与雷达的位置关系量化雷达的预测权重，进一步结合每台雷达的静态映射结果即可得到目标机组的轮前风速。还可以通过多次雷达的精确测量以及多个雷达的精确测量，提升光雷达精确测量值与CFD流场模型预测值的映射模型的准确度，也即提升了雷达-CFD流场预测模型的准确度。
例如，假设在距离雷达200m内，认为雷达的精确测量值与CFD流场模型预测值的映射关系的结果是准确的，并以此来预测风况；在距离雷达200m-300m处，假设雷达的精确测量值与CFD流场模型预测值的映射关系预测的结果权重占比可以是90％，CFD流场模型预测值权重占比为10％；在距离雷达300m-400m处，雷达的精确测量值与CFD流场模型预测值的映射关系预测的结果权重占比可以是80％，CFD流场模型预测值权重占比为20％；将二者融合后可以构建雷达-CFD流场预测模型预测的结果。实际的预测权重，可以根据第一雷达风况预测值和CFD流场模型预测值与数据采集与监视控制(Supervisory Control And DataAcquisition，SCADA)数据进行对比，确定在不同距离上第一雷达风况预测值和CFD流场模型预测值的准确度、可信度，并根据二者的可信度确定权重。
基于上述步骤确定的权重，以及雷达的精确测量值与CFD流场模型预测值的映射模型，可以构建雷达-CFD流场预测模型：
FLT＝w1f(t)+w2f2(f1)，即FLT＝w1f(t)+w2f2(f(t))
其中，w1和w2分别表示CFD流场模型预测值的权重和第一雷达风况预测值的权重，f2表示雷达的精确测量值与CFD流场模型预测值的映射模型或相关性。
在一些实施方式中，可以对风电场可能出现的风况范围进行合理离散化，然后通过WT进行仿真，得到离散的全风况稳态流场数据，以增强仿真结果的稳定性和准确度。
S202：构建雷达风况测量值-SCADA数据相关性函数。
通过雷达对第一风电机组轮前来流风的风况进行精准测量，得到雷达的精确测量值，同时提取相同时间段内该(安装雷达)机组的SCADA数据，还可以通过运行状态和关键控制器参数信息为决策变量对提取的SCADA数据进行故障点排除以及数据清洗。
通过皮尔森相关系数衡量并确定雷达风况测量值与SCADA数据之间的相关性，即为雷达风况测量值与SCADA数据之间的协方差和标准差的商。
以L表示雷达风况测量值，S表示SCADA数据，则雷达风况测量值与SCADA数据之间的皮尔森相关系数：
其中，μL是雷达的风况测量值L的平均值，μS是SCADA数据S的平均值，E为期望，σL和σS分别是风况测量值L和SCADA数据S的标准差。
通过SCADA数据基于该相关系数ρLS即可推算得到第二雷达预测值。
还可以采用多种机器学习方法横向对比，选出最优算法，并构建雷达风况测量值与SCADA数据之间的相关性函数。还可以根据遗传算法对该相关性函数进行参数优化。
例如，假设f3为雷达精确测量值与SCADA数据之间的相关性函数，S表示SCADA数据，J2表示第二雷达风况预测值，则该雷达风况测量值-SCADA数据相关性函数满足：
J2＝f3(S)。
S203：构建雷达-SCADA风况预测模型。
通过步骤S202中雷达风况测量值与SCADA数据之间的相关性函数，即可构建雷达-SCADA风况预测模型：FLS＝f3(S)，
其中，f3为雷达精确测量值与SCADA数据之间的相关性函数，S表示SCADA数据。
基于SCADA数据预测得到其他(邻近未安装雷达)机组的第二雷达风况预测值。
S204：对雷达-SCADA风况预测模型的参数进行修正。
基于雷达-SCADA风况预测模型FLS预测得到的其他(未安装雷达)机组第二雷达风况预测值，与相同时间段内对应机组的SCADA数据进行分析，得到分析结果，基于该分析结果对雷达-SCADA风况预测模型的参数进行修正。
例如，假设上述过分析程中为将根据雷达-SCADA风况预测模型得到的第二雷达风况预测值与对应的SCADA数据进行对比，可得到第二雷达风况预测值的准确度及误差等，根据该准确度及误差对雷达-SCADA风况预测模型的参数进行修正。修正时，将计算出的预测误差再返回模型输入层作为下一次预测的输入，作为误差修正因子对模型的参数进行修正。会使得模型时刻监控预测的误差，来使得下一次预测的结果更加精确。
还可以通过多台安装雷达的机组，通过雷达对风况进行测量，验证雷达-SCADA风况预测模型预测结果的准确性。
S205：对雷达-CFD流场预测模型和雷达-SCADA风况预测模型的结果进行可信度评估。
分别将雷达-CFD流场预测模型和雷达风速预测模型的结果与对应的SCADA数据进行对比，得到二者的准确度，并进行可信度评估。
S206：构建虚拟雷达预测模型。
根据可信度评估的结果确定数据融合权重，将雷达-CFD流场预测模型和雷达-SCADA风况预测模型进行融合，得到虚拟雷达预测模型，通过虚拟雷达预测模型对风电场中指定位置机组的风况进行预测。
例如，根据可信度评估的结果得到雷达-CFD流场预测模型FLT和雷达-SCADA风况预测模型FLS的融合权重分别是w3和w4，则虚拟雷达预测模型FXN：
FXN＝w3FLT+w4FLS
在一些实施方式中，虚拟雷达预测模型可以采用提升方法算法(Boosting)将多个模型相融合，产生一个新的模型，即将雷达-CFD流场预测模型和雷达-SCADA风况预测模型进行融合。
例如，对雷达-CFD流场预测模型FLT＝w1f(t)+w2f2(f(t))和雷达-SCADA风况预测模型FLS＝f3(S)，进行融合得到虚拟雷达预测模型FXN：
FXN＝w3FLT+w4FLS＝w3(w1f(t)+w2f2(f(t))+w4f3(S)
假设FXN的结果为J3，FLT的结果为J1，FLS的结果为J2，可以将J1-J3或J2-J3作为FXN的残差，将该作为新的学习目标，进行学习之后，可以得到新的虚拟雷达预测模型，即实现了对虚拟雷达预测模型的更新加强。
在另一些实施方式中，可以根据风况选择单独预测模型的结果作为最终决策，在实际运行中，不同的风速、风况情况下雷达-CFD流场预测和雷达-SCADA风况预测值的准确度略有不同。还可以基于与上述步骤中相同的方式，将雷达-CFD流场预测模型和雷达-SCADA风况预测模型的结果划分权重进行融合。例如，假设在大风情况下雷达-CFD流场预测值的结果较为准确，而在中小风情况下雷达-SCADA风况预测值结果较为准确。在已选取合适雷达对某机组的轮前来风进行预测时，当雷达检测或预测的风速为中小风的风速区间，则将雷达-SCADA风况预测值作为虚拟雷达预测值。当雷达检测或预测的风速为大风的风速区间，则将雷达-CFD流场预测值作为虚拟雷达预测值。
如中小风的风速区间雷达-SCADA风况预测模型的预测结果权重占比为90％，而雷达-CFD流场预测模型的预测结果权重占比为10％，将融合后的结果作为虚拟雷达预测模型预测值，即最终指定机组的风况预测结果。综上，将经过上各权重融合后的虚拟雷达预测模型的结果进行融合计算，得到一更为平滑的虚拟雷达预测模型预测值。
例如：以w5和w6分别作为雷达-CFD流场预测模型FLT和雷达-SCADA风况预测模型FLS在不同风速下的融合权重，则虚拟雷达预测模型：
FXN＝w3w5FLT+w4w6FLS＝w3w5(w1f(t)+w2f2(f(t))+w4w6f3(S)
其中，w1和w2分别表示CFD流场预测值的权重和第一雷达风况预测值的权重，w3和w4分别是雷达-CFD流场预测模型FLT和雷达-SCADA风况预测模型FLS的融合权重，w5和w6分别是雷达-CFD流场预测模型FLT和雷达-SCADA风况预测模型FLS在不同风速下的融合权重。
S207：验证虚拟雷达预测模型及参数修正。
可以选择多台真实安装雷达的机组，通过雷达对各机组指定位置的轮前来流风况进行精确测量；然后通过虚拟雷达预测模型对各机组的轮前来流风况进行预测，对比虚拟雷达预测模型的预测结果和雷达精确测量值，通过对比结果对虚拟雷达预测模型的预测结果进行验证。并且可以基于该对比结果对虚拟雷达预测模型的参数进行优化，进一步保障预测结果的准确性。
修正时，可以与S204中相似的步骤，将对比结果的误差再返回虚拟雷达预测模型输入层作为下一次预测的输入，并作为误差修正因子对虚拟雷达预测模型的参数进行修正。会使得模型时刻监控预测的误差，来使得下一次预测的结果更加精确。最后可以将虚拟雷达预测模型应用于各风机。
本申请提供的虚拟雷达风况预测方法，将雷达精确测量的结果、基于Meteodyn WT的CFD流场模拟计算以及机组的历史运行数据，得到每台机组预测风数据，并进行有效性评估，辅助风电机组前馈控制，实现提前、主动、最优地匹配风地变化，从而完成机组闭环在线提效，并且支撑场级出力预测、尾流控制优化等策略，可以综合提高风电场发电效益。并且，一方面通过减少风电场雷达产品配置数量，降低成本投入，另一方面通过计算，得出其它未安装雷达的机组前方风况数据，为后续机组前馈控制以及偏航风向校正等功能使用。
基于一个发明构思，本申请还提供了一种虚拟雷达风况预测装置300，如图3所示，图3是本申请第三实施方式提供的虚拟雷达风况预测装置的结构示意图，该虚拟雷达风况预测装置300包括：CFD流场预测模块301，第一雷达风况预测模块302，第二雷达风况预测模块303，虚拟雷达预测模块304。
CFD流场模型预测模块301，用于获取实际风况信息，根据风电场内的风况分布仿真，得到风电场内各个风电机组的CFD流场模型预测值；机组包括配置有雷达的第一风电机组、未配置有雷达的第二风电机组；
第一雷达风况预测模块302，用于根据第二风电机组的CFD流场模型预测值、雷达-CFD流场预测模型得到第二风电机组的第一雷达风况预测值；雷达-CFD流场预测模型根据第一风电机组的雷达的测量值和第一风电机组的CFD流场模型预测值构建；
第二雷达风况预测模块303，用于获取第二风电机组的SCADA数据，根据SCADA数据、雷达-SCADA风况预测模型得到第二风电机组的第二雷达风况预测值；雷达-SCADA风况预测模型根据第一风电机组的雷达的测量值和第一风电机组的SCADA数据构建；
虚拟雷达预测模块304，用于根据第二风电机组的第一雷达风况预测值和第二雷达风况预测值，得到第二风电机组的虚拟雷达预测值。
上述虚拟雷达风况预测装置300具体用于执行上述步骤S101-步骤S104及其中任一可选的示例。具体可参见方法实施例中的详细描述，此处不再赘述。
本申请提供的虚拟雷达风况预测方案，一方面通过减少风电场雷达产品配置数量，降低成本投入，另一方面通过计算，得出其它未安装雷达的机组前方风况数据，达到降低并网发电模式下发电机转速波动幅度、降低塔筒前后方疲劳载荷、减少变桨执行动作次数、提升机组发电量等效果。在上述的描述中，所涉及的表示步骤的标号，如S101、S102……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。
说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容；它不排除其它的元件或步骤。因此，其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在，但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此，表述“包括装置A和B的设备”不应局限为仅由部件A和B组成的设备。
本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例，但可以指同一实施例。此外，在一个或多个实施例中，能够以任何适当的方式组合各特定特征、结构或特性，如从本公开对本领域的普通技术人员显而易见的那样。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，均属于本申请保护范畴。
Claims (10)
1.一种虚拟雷达风况预测方法，其特征在于，包括：
获取实际风况信息，根据风电场内的风况分布仿真，得到风电场内各个风电机组的CFD流场模型预测值；所述风电机组包括配置有雷达的第一风电机组、未配置有雷达的第二风电机组；
根据所述第二风电机组的CFD流场模型预测值、雷达-CFD流场预测模型得到所述第二风电机组的第一雷达风况预测值；所述雷达-CFD流场预测模型根据所述第一风电机组的雷达的测量值和所述第一风电机组的CFD流场模型预测值构建；
获取第二风电机组的SCADA数据，根据所述SCADA数据、雷达-SCADA风况预测模型得到所述第二风电机组的第二雷达风况预测值；所述雷达-SCADA风况预测模型根据所述第一风电机组的雷达的测量值和所述第一风电机组的SCADA数据构建；
根据所述第二风电机组的第一雷达风况预测值和第二雷达风况预测值，得到所述第二风电机组的虚拟雷达预测值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一雷达风况预测值和所述第二雷达风况预测值，得到所述第二风电机组的虚拟雷达预测值，包括：
将所述第一雷达风况预测值和所述第二雷达风况预测值使用不同的权重进行融合，得到所述第二风电机组的虚拟雷达预测值。
3.根据权利要求2所述的方法，其特征在于，所述第一雷达风况预测值和所述第二雷达风况预测值的权重与所述雷达-CFD流场预测模型和所述雷达-SCADA风况预测模型的可信度正相关。
4.根据权利要求3所述的方法，其特征在于，
所述雷达-CFD流场预测模型的可信度，根据第一风电机组的第一雷达风况预测值与第一风电机组的雷达的测量值计算；所述第一风电机组的第一雷达风况预测值根据所述第一风电机组的CFD流场模型预测值、雷达-CFD流场预测模型得到；和/或
所述雷达-SCADA风况预测模型的可信度，根据第一风电机组的第二雷达风况预测值与第一风电机组的雷达的测量值计算；所述第一风电机组的第二雷达风况预测值根据所述第一风电机组的SCADA数据、雷达-SCADA风况预测模型得到。
5.根据权利要求4所述的方法，其特征在于，还包括：
确定所述虚拟雷达预测值的准确度；
根据所述准确度优化至少以下之一：所述雷达-CFD流场预测模型、所述雷达-CFD流场预测模型、所述权重。
6.根据权利要求5所述的方法，其特征在于，所述虚拟雷达预测值的准确度，根据第一风电机组的虚拟雷达预测值与第一风电机组的雷达的测量值计算；所述第一风电机组的虚拟雷达预测值根据所述第一风电机组的第一雷达风况预测值和第二雷达风况预测值得到。
7.根据权利要求1任一所述的方法，其特征在于，
所述风电场内的风况分布仿真根据所述风电场的特征信息构建。
8.根据权利要求1-7任一所述的方法，其特征在于，
所述雷达-CFD流场预测模型，其构建包括：确定所述第一风电机组的雷达的测量值和所述第一风电机组的CFD流场模型预测值的相关性；根据所述相关性，构建所述雷达-CFD流场预测模型；和/或
所述雷达-SCADA风况预测模型，其构建包括：确定所述第一风电机组的雷达的测量值和所述第一风电机组的SCADA数据的相关性；根据所述相关性，构建所述雷达-SCADA风况预测模型。
9.根据权利要求6所述的方法，其特征在于，所述相关性根据皮尔森相关系数确定。
10.一种虚拟雷达风况预测装置，其特征在于，包括：
CFD流场模型预测模块，用于获取实际风况信息，根据所述风电场内的风况分布仿真，得到风电场内各个风电机组的CFD流场模型预测值；所述机组包括配置有雷达的第一风电机组、未配置有雷达的第二风电机组；
第一雷达风况预测模块，用于根据所述第二风电机组的CFD流场模型预测值、雷达-CFD流场预测模型得到所述第二风电机组的第一雷达风况预测值；所述雷达-CFD流场预测模型根据所述第一风电机组的雷达的测量值和所述第一风电机组的CFD流场模型预测值构建；
第二雷达风况预测模块，用于获取第二风电机组的SCADA数据，根据所述SCADA数据、雷达-SCADA风况预测模型得到所述第二风电机组的第二雷达风况预测值；所述雷达-SCADA风况预测模型根据所述第一风电机组的雷达的测量值和所述第一风电机组的SCADA数据构建；
虚拟雷达预测模块，用于根据所述第二风电机组的第一雷达风况预测值和第二雷达风况预测值，得到所述第二风电机组的虚拟雷达预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310395745.1A CN116484759A (zh) | 2023-04-13 | 2023-04-13 | 一种虚拟雷达风况预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310395745.1A CN116484759A (zh) | 2023-04-13 | 2023-04-13 | 一种虚拟雷达风况预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116484759A true CN116484759A (zh) | 2023-07-25 |
Family
ID=87220651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310395745.1A Pending CN116484759A (zh) | 2023-04-13 | 2023-04-13 | 一种虚拟雷达风况预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116484759A (zh) |
-
2023
- 2023-04-13 CN CN202310395745.1A patent/CN116484759A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gebraad et al. | Wind plant power optimization through yaw control using a parametric model for wake effects—a CFD simulation study | |
| Sohoni et al. | A critical review on wind turbine power curve modelling techniques and their applications in wind based energy systems | |
| Oest et al. | Structural optimization with fatigue and ultimate limit constraints of jacket structures for large offshore wind turbines | |
| CN105844361B (zh) | 风电机组风功率预测方法、解缆方法和装置 | |
| US20220186709A1 (en) | Reinforcement learning-based real time robust variable pitch control of wind turbine systems | |
| Cappugi et al. | Machine learning-enabled prediction of wind turbine energy yield losses due to general blade leading edge erosion | |
| JP2020502424A (ja) | 風力タービン発電基地レベルの負荷管理制御戦略 | |
| KR20130099479A (ko) | 풍력발전 제어계통에 대한 센서리스 온라인 신경망 제어방법 | |
| CN110414102A (zh) | 海上风力发电结构疲劳分析方法 | |
| Wang et al. | Typhoon-induced vibration response and the working mechanism of large wind turbine considering multi-stage effects | |
| Wang et al. | An identification method of floating wind turbine tower responses using deep learning technology in the monitoring system | |
| Dimitrov et al. | From SCADA to lifetime assessment and performance optimization: how to use models and machine learning to extract useful insights from limited data | |
| Fu et al. | MEMS gyroscope sensors for wind turbine blade tip deflection measurement | |
| CN115221785A (zh) | 一种神经网络预测模型的构建方法、预测方法、系统 | |
| CN113657055A (zh) | 一种复杂地形风场数值模拟的入流条件生成方法及系统 | |
| Pandit et al. | Performance assessment of a wind turbine using SCADA based Gaussian Process model | |
| JP7068531B1 (ja) | 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム | |
| Hur | Estimation of useful variables in wind turbines and farms using neural networks and extended Kalman filter | |
| Liu et al. | Transient rotor angle stability prediction based on deep belief network and long short-term memory network | |
| EP3771819A1 (en) | A method for computer-implemented determination of a wind speed profile information of a wind field | |
| CN116484759A (zh) | 一种虚拟雷达风况预测方法和装置 | |
| Annoni et al. | Short-term forecasting across a network for the autonomous wind farm | |
| CN115713029A (zh) | 一种考虑迟延的风电场随机模型预测优化控制方法 | |
| Kipke et al. | Three-Dimensional Dynamic Wake Model For Real-Time Wind Farm Simulation | |
| US20230026286A1 (en) | Method for computer-implemented monitoring of a wind turbine |
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 |