一种基于机器学习的等效风速计算方法

本发明涉及风力发电，具体为一种基于机器学习的等效风速计算方法。

背景技术：

1、在风电领域，风速是一个至关重要的物理量。对于正常运行的风力机而言，其控制系统与风速息息相关，风速的大小也决定了风力机输出功率的大小。

2、风速测量仪通常安装在机舱尾部，用于测量轮毂高度处的风速。早期，通常将轮毂高度处的风速视为风力机的入流风速，同时作为控制系统的参考依据。然而，存在以下问题：一方面，受风剪切效应，尾流效应等因素的影响，风力机的入流风况较为复杂，风轮不同位置处的风速存在较大的差异。另一方面，风力机目前逐渐向大型化发展，大容量的机组叶片长度达到80米及以上，风轮直径可达到160米左右，将轮毂高度处测得的风速作为风力机的入流风速不够有代表性。尤其在进行风电场尾流评估与发电量计算方法时，由于风力机尾流中心速度偏低，采用轮毂高度处风速，将严重低估机组的发电量，如图2所示。综上，需要对复杂的入流风速进行等效处理，将等效入流风速作为控制系统以及机组发电量计算的参考。

3、目前常用的等效风速计算方法为：将风轮在垂向上划分为多个部分，测量每个部分处的风速，并将对应部分的面积除以总的风轮面积作为权值，乘以当地速度的三次方，求和再开根号，得到等效风速。该方法考虑了风轮垂向上的速度差异，但是未考虑在水平方向上的速度分布差异。

技术实现思路

1、针对背景技术部分所述的现存的问题及不足，本发明公开了一种基于机器学习的等效风速计算方法，其适用于复杂入流条件下的大容量风电机组等效风速的准确计算，为风电场机组出力性能评估和优化控制策略等在线分析任务提供可靠的数据支撑。

2、为实现上述目的，本发明提供如下技术方案：一种基于机器学习的等效风速计算方法，包括以下步骤：

3、s1、在风力机的机舱位置安装多光束激光雷达，根据多光束激光雷达的测量位置，在风力机风轮上选择离散点；

4、s2、经过测量，收集完备的测风数据，并对数据进行处理，将其分为测试集和训练集；

5、s3、构建等效风速计算模型，构建的等效风速模型通用表达式如下：

6、uequ＝f(u1,u2,…,un)

7、式中，uequ是等效入流风速，ui(i＝1,2,3…)是各个离散点测得的风速值，f是回归模型函数，包括线性的或非线性的；

8、s4、基于训练集的数据，通过回归算法进行机器学习，以确定等效风速模型中的待定参数；

9、s5、利用测试集的数据对已获得的等效风速计算模型进行测试，若满足测试要求，则进行应用；否则，增加数据量、修改算法参数，重新进行训练，或构建新的等效风速计算模型。

10、优选的，s1中，安装测风雷达的所述风力机，在部分情况下处于风剪切的自然来流中，在部分情况下完全或部分处于上游机组的尾流区域内，以确保测风雷达获得较为全面的风速数据，且除了安装设备测量数据，另能通过其他高精度的模拟仿真的方法进行获取数据。

11、优选的，s1中为确保测量点的分布均匀，要求激光雷达包括至少四光束，且光束之间的间隔角度是相同的；且为避免风轮旋转对入流风速造成影响，所述激光雷达安装在风轮前方。

12、优选的，s2中的数据处理包括缺失值、异常值的处理以及对数据进行标准化，且划分训练集和测试集的数据比例采用7:3，此外，可用四折交叉验证的方法，以更稳健地估计模型的性能，减小由于随机性引起的性能变异，避免模型在特定数据集上过度拟合或欠拟合。

13、优选的，s2中，所收集的测风数据是全面的，分别包括需囊括各种入流情况以及风速的范围要求至少包括从切入风速到额定风速。

14、优选的，s3中的所述等效风速模型可使用线性模型，表达式如下：

15、uequ＝w1u1+w2u2+w3u3+....+wnun+ε

16、式中，wi(i＝1,2,3…)是权值系数，通过实测数据的回归确定，其中ε是误差项，表示模型无法捕捉的影响因素，也即未解释的随机误差。

17、优选的，在实际运行的风力机系统中，uequ可与多种风力机参数关联，以适用于不同的场景，包括输出功率和推力系统，以输出功率为例，可通过下列方程，将uequ与输出功率pout和风能利用系数cp相关联，

18、

19、式中，pout是风电机组的输出功率，ρ是空气密度，a是风轮面积，cp是风能利用系数，其中，uequ和pout是已知的观测值。

20、优选的，在进行训练之前，确定损失函数，即量化模型预测值与实际观测值之间的差异，一般采用均方误差表示，即：

21、

22、式中，m是样本数量，是预测值。

23、优选的，s4中，在训练时采用梯度下降方法进行mse的优化，即通过调整模型参数，使得上述mse最小化，以找到使损失函数最小的参数值。

24、与现有技术相比，本发明的有益效果：

25、1、本发明中，涉及的实测数据是针对某特定机型测量得到的，因此基于实测数据训练获得的等效风速计算模型更具有针对性，结果更准确。

26、2、本发明中，离散点均匀地分布在风轮平面，不再局限于垂向分布，即充分地考虑到了风轮各位置处的风速，使得到的等效风速更具有代表性。

27、3、本发明中，根据关联参数的类型，通过机器学习训练得到的等效风速模型，可适用于多种应用场景，如风电场发电量的评估。

技术特征：

1.一种基于机器学习的等效风速计算方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于机器学习的等效风速计算方法，其特征在于：s1中，安装测风雷达的所述风力机，在部分情况下处于风剪切的自然来流中，在部分情况下完全或部分处于上游机组的尾流区域内，以确保测风雷达获得较为全面的风速数据，且除了安装设备测量数据，另能通过其他高精度的模拟仿真的方法进行获取数据。

3.根据权利要求1所述的一种基于机器学习的等效风速计算方法，其特征在于：s1中为确保测量点的分布均匀，要求激光雷达包括至少四光束，且光束之间的间隔角度是相同的；且为避免风轮旋转对入流风速造成影响，所述激光雷达安装在风轮前方。

4.根据权利要求1所述的一种基于机器学习的等效风速计算方法，其特征在于：s2中的数据处理包括缺失值、异常值的处理以及对数据进行标准化，且划分训练集和测试集的数据比例采用7:3。

5.根据权利要求4所述的一种基于机器学习的等效风速计算方法，其特征在于：s2中，所收集的测风数据是全面的，分别包括需囊括各种入流情况以及风速的范围要求至少包括从切入风速到额定风速。

6.根据权利要求1所述的一种基于机器学习的等效风速计算方法，其特征在于：s3中的所述等效风速模型使用线性模型，表达式如下：

7.根据权利要求6所述的一种基于机器学习的等效风速计算方法，其特征在于：通过下列方程，将uequ与输出功率pout和风能利用系数cp相关联，

8.根据权利要求7所述的一种基于机器学习的等效风速计算方法，其特征在于：在进行训练之前，确定损失函数，即量化模型预测值与实际观测值之间的差异，采用均方误差表示，即：

9.根据权利要求1所述的一种基于机器学习的等效风速计算方法，其特征在于：s4中，在训练时采用梯度下降方法进行mse的优化，即通过调整模型参数，使得上述mse最小化，以找到使损失函数最小的参数值。

技术总结本发明公开了一种基于机器学习的等效风速计算方法，包括在风力机风轮平面选择若干风速测量点，根据多光束激光雷达的测量位置，在风力机风轮上选择离散点；根据风电机组的实测输出功率及功率模型反向获得等效风速；建立包含待定参数的等效风速模型，关联离散点风速数据与等效风速，并把实测数据划分为训练集和测试集；通过机器学习算法进行回归，以确定等效风速模型中的待定参数，利用测试集的数据对已获得的等效风速模型进行测试，通过测试的模型可在多场景下进行使用，尤其适用于复杂入流条件下的风力机等效风速计算，更准确地评估机组输出功率，为机组控制提供有效参考，增强机组的控制能力。技术研发人员：赵振宙,刘一格,刘岩,苏纯浩,魏宏,罗乔,李世君,宋继烨受保护的技术使用者：河海大学技术研发日：技术公布日：2024/7/9