用于运行具有多个风力发电设备的风力发电场的方法与流程

本发明涉及风力发电，特别是用于运行具有多个风力发电设备的风力发电场的方法。

背景技术：

1、风力发电作为一种可再生能源发电方式，具有环保、可持续的特点，受到了全球范围内的广泛关注与推广。随着清洁能源需求的不断增长，风力发电场的规模和数量也在不断扩大。风电作为一种清洁能源，对保护环境、减少人类对化石能源的依赖起到了重要的作用。与此同时，我国建设及发展的西部大规模可再生能源基地，均距离负荷中心较远。大规模风电远距离输送及其出力的随机性和波动性产生的网损激增也给电网带来了新的问题。有资料显示，某电网在从风电接入功率为零增长到最大可接纳风电的过程中，网损率从1.91％增长到2.45％。

2、针对具有多个风力发电设备的风力发电场，如何合理配置和有效管理各个发电设备，以提高发电效率、降低维护成本和优化发电场的整体运行状态，仍然是一个具有挑战性的问题。

3、目前，针对多风机的风力发电场，已有一些相关研究和技术实践，主要包括风机布阵优化、风机控制策略、发电功率调度等方面。然而，这些方法往往在一定程度上存在局限性，无法全面考虑多种因素的综合影响，导致发电场的整体发电效率和运行状态无法得到最优化。

技术实现思路

1、鉴于上述现有技术在一定程度上存在局限性的问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提供一种优化发电场的整体运行状态和提高发电效率的方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了用于运行具有多个风力发电设备的风力发电场的方法，其包括，确定风力发电场的地理位置和布局，选择合适的风力发电设备并进行布置，并配设相关输电网线和发电配电设施；将发电设备中的处理单元利用通讯网络接入监控后台，对风力发电设备进行监控和管理；在风力发电设备上安装气象数据采集设备和运行监测设备，进行实时采集，并建立基于历史运维数据的机器学习模型，实现风电机组的智能化健康评估和故障预测；将采集的气象数据和风力发电设备的运行状态数据进行分析计算，得到发电设备的发电能力；根据计算得到的发电能力和采集的风力发电设备的运行状态数据，调整风力发电设备的转向角度和风轮旋转速度；根据回传的风力发电设备的运行状态数据进行判断，若得到异常值，由显示器页面进行预警和报警；使用深度学习模型分析风电机组的多源监测数据，实现对故障的准确提前警告。

5、作为本发明所述用于运行具有多个风力发电设备的风力发电场的方法的一种优选方案，其中：所述气象数据采集设备包括风力仪、温度传感器、湿度传感器和气压计；所述运行监测设备包括振动传感器、温度传感器、电流传感器以及风速传感器。

6、作为本发明所述用于运行具有多个风力发电设备的风力发电场的方法的一种优选方案，其中：所述建立基于历史运维数据的机器学习模型，实现风电机组的智能化健康评估和故障预测包括：模型结构为卷积神经网络提取多源数据的空间/时序特征；双向gru网络学习时间依赖特征；注意力机制学习不同信号的贡献权重，并输出评分和故障概率；损失函数设计包括：健康评分loss为均方误差，故障预测loss为交叉熵，权重向量w融合两损失，公式如下：

7、loss＝w1mse+w2crossentropy

8、其中，w1和w2分别为均方误差和交叉熵的权重。

9、作为本发明所述用于运行具有多个风力发电设备的风力发电场的方法的一种优选方案，其中：所述得到发电设备的发电能力的过程如下：基于深度学习建立端到端的发电量预测模型：输入层为风速v、风向θ、环境温度t以及影响发电性能的特征x，通过一个或多个隐藏层来提取高级特征：

10、f＝encodern(...(encoder2(encoder1(v,θ,t,x)))...)

11、输出层为一个或多个解码层来预测发电量p，公式如下：

12、p＝decoderm(...(decoder2(decoder1(f)))...)

13、结合实际发电量pactual和预测发电量ppredicted的误差，同时加入正则化项以防止过拟合，并考虑时间序列特性：

14、

15、出的时间连贯性。

16、作为本发明所述用于运行具有多个风力发电设备的风力发电场的方法的一种优选方案，其中：所述使用深度学习模型分析风电机组的多源监测数据包括以下步骤：采集风速、温度和震动的新监测数据，检查数据质量，处理异常值，提取定长时间序列作为模型输入；使用卷积层提取时频特征，如果数据分布发生明显变化，提示用户需要增量学习；输入特征，模型输出下个时间步故障概率，若概率超过阈值y，则询问用户是否确定该机组状态正常，若用户确认有故障，则降低阈值，至得到确认的阈值x；若模型概率超过确认的阈值x，则提示用户，并建议相关的处置措施，记录此次预警事件。

17、作为本发明所述用于运行具有多个风力发电设备的风力发电场的方法的一种优选方案，其中：所述阈值x的设置过程如下：初始化预警阈值y为模型的默认值，获取新样本数据，模型预测得到故障概率p；如果p>y，则判定为预警状态，记录下此数据样本，采集足够样本后，遍历不同阈值y'，计算出对应fpr和fnr；选择使fpr和fnr综合最小的y'，作为新的优化阈值x。

18、作为本发明所述用于运行具有多个风力发电设备的风力发电场的方法的一种优选方案，其中：当出现新的预警样本时，计算样本的p值与模型输出概率分布的qu值，即分位值；如果qu值大于某一动态qu阈值，则修改y'＝p。

19、第二方面，本发明为进一步解决现有技术在一定程度上存在局限性的问题，实施例提供了用于运行具有多个风力发电设备的风力发电场的系统，其包括：布置模块，用于选择合适的风力发电设备并进行布置，包括配设相关输电网线和发电配电设施；监控管理模块，用通讯网络将发电设备中的处理单元接入监控后台，对风力发电设备进行监控和管理；数据采集与监测模块，用于在风力发电设备上安装气象数据采集设备和运行监测设备，进行实时采集，并建立基于历史运维数据的机器学习模型，实现风电机组的智能化健康评估和故障预测；数据分析与计算模块，用于对采集的气象数据和风力发电设备的运行状态数据进行分析计算，得到发电设备的发电能力；调整控制模块，根据计算得到的发电能力和采集的风力发电设备的运行状态数据，调整风力发电设备的转向角度和风轮旋转速度；预警报警模块，根据回传的风力发电设备的运行状态数据进行判断，若得到异常值，由显示器页面进行预警和报警；故障预警模块，使用深度学习模型分析风电机组的多源监测数据，实现对故障的准确提前警告。

20、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的用于运行具有多个风力发电设备的风力发电场的方法的任一步骤。

21、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的用于运行具有多个风力发电设备的风力发电场的方法的任一步骤。

22、本发明有益效果为，本发明综合考虑了地理环境、气象数据、风力发电设备的参数等多种因素，全面分析和评估风力发电场的运行状态，从而实现更优化的发电效率和整体运行状态。通过实时监测风力发电设备的运行数据和气象数据，及时调整设备的转向角度、风轮旋转速度或增减设备的数量，以实现最佳的发电效率和运行状态。通过建立监控和管理系统，实现对风力发电设备的集中管理和远程调度，提高了运行的效率和可靠性。通过监控和管理系统在运行异常时进行预警和报警，可以及时发现设备的故障和异常情况，采取相应的措施进行修复和调整，减少了损失和维修成本。