风电场功率与载荷协同预测方法、系统、设备及介质与流程

摘要: 本技术涉及风电场管理,具体涉及一种风电场功率与载荷协同预测方法、系统、设备及介质。背景技术:1、风电场作为可再生能源发电的重要形式,其运行效率和安全性直接影响能...
风电场功率与载荷协同预测方法、系统、设备及介质与流程

本技术涉及风电场管理,具体涉及一种风电场功率与载荷协同预测方法、系统、设备及介质。

背景技术:

1、风电场作为可再生能源发电的重要形式,其运行效率和安全性直接影响能源利用效益与设备全生命周期成本。随着风电装机规模不断扩大,风电场逐渐从单一机组独立控制向场级协同优化方向发展,对风电场整体发电功率的精准预测以及对风电机组关键部件机械载荷的可靠估计,成为支撑发电计划申报、设备健康管理与协同优化控制的核心技术需求。然而,风电场运行涉及复杂的气动耦合、结构动力学响应以及电气控制的多物理场耦合过程,尤其是尾流效应导致上游机组对下游机组产生显著的非线性气动影响,使得风电场整体行为呈现强时空耦合特性,这为功率与载荷的精准预测带来了技术挑战。

2、针对风电场的功率预测,现有技术中已发展出多种方法。一类是基于数值天气预报与计算流体力学仿真的物理方法,通过建立风电场区域的风场分布模型,结合风电机组推力系数和功率曲线,推算全场输出功率。另一类是基于数据驱动的时序预测方法,利用长短期记忆网络、门控循环单元等循环神经网络模型,对风电场历史功率序列进行时间序列建模,并结合气象预报数据实现未来功率的预测。部分研究还引入空间信息,通过图神经网络或空间插值技术,将风机地理位置作为空间邻接关系的依据,构建图结构以捕捉风机间的空间相关性。针对风电机组载荷预测,现有技术主要依赖高保真的气动-弹性-机电耦合仿真模型,通过输入风况参数和机组运行状态,仿真计算叶片根部、塔筒底部等关键位置的动态载荷时序,并基于雨流计数等统计方法转化为等效疲劳载荷,用于疲劳寿命评估。近年来也有研究尝试采用机器学习方法,利用机组自身的历史运行数据训练代理模型,以替代耗时的物理仿真,实现载荷的快速估计。

3、然而,现有风电场的功率或载荷预测方法仍存在一些局限。在功率预测方面,传统方法对风机间相互作用的建模较为粗糙,其中基于时序模型的方法将每台机组视为独立单元,无法反映上游机组尾流对下游机组的动态影响;基于空间邻接的图方法虽引入了风机位置关系,但通常采用固定邻接结构(如基于距离的邻近连接),无法随风向变化动态调整上游与下游的关联关系,而实际尾流影响具有显著的方向依赖性,风向变化会导致尾流影响拓扑发生根本改变,固定拓扑结构难以准确刻画风向变化下尾流影响关系的动态演变,导致功率预测在风向变化频繁或风向分布复杂的工况下误差增大在载荷预测方面,高精度仿真模型虽能揭示结构响应的物理机理,但计算耗时长、难以在线应用;而现有数据驱动的载荷预测方法通常针对单台机组独立建模,仅利用该机组的历史运行数据,忽略了上游机组尾流冲击是导致下游机组叶片周期性疲劳载荷的关键外部激励源这一重要物理机制,无法从风电场全局角度捕捉尾流效应在载荷传递中的作用。此外,现有方法大多将功率预测与载荷预测作为两个独立任务分别处理,未能充分利用二者在物理机理上的内在关联——功率输出反映了气动能量捕获过程,载荷响应则体现了结构所承受的动态应力,二者在尾流作用机制下本质上是协同耦合的,分别建模难以形成对风电场运行状态的统一表征,也限制了预测结果的物理一致性和工程适用性。

技术实现思路

1、针对现有风电场功率预测方法法动态捕捉风向变化下尾流影响的拓扑演变,风电场载荷预测方法忽略上游机组尾流冲击作为下游机组疲劳载荷的关键外部激励源,且两者通常被割裂处理的技术问题,本技术提供一种风电场功率与载荷协同预测方法、系统、设备及介质,通过构建随风向动态变化的尾流影响拓扑图并结合时空图神经网络,在统一框架下实现功率与载荷的协同预测,从而提升预测精度、物理一致性与在线应用能力。

2、第一方面,本技术提供一种风电场功率与载荷协同预测方法,包括:

3、s1. 根据风电场内各风电机组的空间位置和实时风向,动态构建有向加权图作为尾流影响拓扑图,其中,所述有向加权图中的节点为各风电机组,有向边由上游机组指向下游机组,边权重基于尾流物理模型计算得到,用于量化上游机组对下游机组的尾流影响强度;

4、s2. 获取各所述风电机组的实时运行数据和风电场的气象数据;

5、s3. 对所述实时运行数据和所述气象数据进行预处理和特征提取,生成各所述风电机组在连续时间点上的运行状态序列;

6、s4. 将各时间点的所述运行状态序列分别映射至对应时间点的所述尾流影响拓扑图的节点上,形成随时间变化的时序图序列;

7、s5. 将所述时序图序列输入至目标功率-载荷协同预测模型,输出风电场总功率预测值和各风电机组的机械载荷预测值。

8、本发明实施例的风电场功率与载荷协同预测方法还可以具有以下附加技术特征:

9、可选地,从上游机组指向目标机组的边权重的计算公式为:

10、

11、其中,为上游机组与目标机组的连线与实时风向之间的夹角;

12、为上游机组与目标机组之间的空间距离;

13、为上游机组的风轮直径;

14、为预设的尾流膨胀系数;

15、为上游机组在当前时刻的推力系数,通过基于上游机组在当前时刻的风速和桨距角,查找其预标定的推力系数曲线得到。

16、可选地,所述各所述风电机组的实时运行数据包括机组风速、风向、发电机有功功率、发电机转速、桨距角、偏航角、机舱在xyz方向的振动加速度中的部分或全部;所述风电场的气象数据包括场区入口平均风速、场区入口平均风向、场区平均空气密度中的部分或全部。

17、可选地,所述对所述实时运行数据和所述气象数据进行预处理和特征提取,生成各所述风电机组在连续时间点上的运行状态序列,包括:

18、对所述实时运行数据和所述气象数据进行预处理,得到预处理后的实时运行数据和气象数据;

19、对所述预处理后的实时运行数据和气象数据进行特征提取,得到各所述风电机组的理论功率、实际功率系数和湍流强度;

20、以预设时间窗口对所述各所述风电机组的预处理后的实时运行数据和气象数据进行切片,将每个时间窗口内预处理后的数据作为一个样本点;

21、在每个样本点,生成包含场级特征向量和风机特征矩阵的运行状态数据对象,其中,所述场级特征向量由对应时间窗口内的预处理后的气象数据构成,所述风机特征矩阵的每一行对应一台风电机组在该时间窗口内的运行状态特征向量,所述运行状态特征向量中的元素包括所述预处理后的实时运行数据、所述理论功率、所述实际功率系数和所述湍流强度;

22、将各样本点按时间顺序排列,形成各风电机组在连续时间点上的运行状态序列。

23、可选地,所述将各时间点的所述运行状态序列分别映射至对应时间点的所述尾流影响拓扑图的节点上,形成随时间变化的时序图序列,包括:

24、对每个所述时间点,获取所述时间点对应的尾流影响拓扑图;

25、将所述时间点的运行状态序列中风机特征矩阵的每一行,作为所述时间点尾流影响拓扑图中对应节点的特征,形成该时间点的时序图;

26、将各所述时间点的时序图按时间顺序排列,形成随时间变化的时序图序列。

27、可选地,所述目标功率-载荷协同预测模型包括依次连接的编码层、l层时空图卷积层和多任务解码器;所述将所述时序图序列输入至目标功率-载荷协同预测模型,输出风电场总功率预测值和各风电机组的机械载荷预测值,包括:

28、编码层的输入为所述时序图序列中每个时序图的节点特征矩阵,通过多层感知机将每个节点的原始特征映射至高维空间,输出第一高维节点特征矩阵;

29、第层时空图卷积层的输入为第层输出的第二高维节点特征矩阵,其中,第1层时空图卷积层的输入为所述编码层输出的所述第一高维节点特征矩阵,每一层时空图卷积层包括图注意力空间卷积模块和门控时序卷积模块,所述图注意力空间卷积模块用于根据动态加权邻接矩阵和边权重对同一时序图内的邻居节点特征进行聚合,输出空间聚合特征,所述门控时序卷积模块用于对每个节点在连续时间点上的空间聚合特征序列进行一维因果卷积和门控线性单元处理,提取时间动态特征,输出更新后的第二高维节点特征矩阵;

30、多任务解码器的输入为第l层时空图卷积层输出的第二高维节点特征矩阵,多任务解码器包括功率回归分支和载荷回归分支,所述功率回归分支通过图读出操作对所有节点的表征进行加权求和后经多层感知机处理,输出风电场总功率预测值,所述载荷回归分支将每个节点的表征通过共享的多层感知机,输出各风电机组的机械载荷预测值。

31、可选地,所述目标功率-载荷协同预测模型通过最小化总损失函数进行训练,其中,所述总损失函数由预测误差损失和物理约束损失相加构成,所述预测误差损失包括全场总功率预测值与全场总功率真实值之间的均方误差、以及各所述风电机组载荷预测值与载荷真实值之间的平均绝对误差,所述物理约束损失包括功率曲线一致性损失和载荷谱平滑性损失。

32、第二方面,本技术提供一种风电场功率与载荷协同预测系统,用于实现上述风电场功率与载荷协同预测方法,包括:

33、尾流影响拓扑图构建模块,用于根据风电场内各风电机组的空间位置和实时风向,动态构建有向加权图作为尾流影响拓扑图,其中,所述有向加权图中的节点为各风电机组,有向边由上游机组指向下游机组,边权重基于尾流物理模型计算得到,用于量化上游机组对下游机组的尾流影响强度;

34、数据采集模块,用于获取各所述风电机组的实时运行数据和风电场的气象数据;

35、运行状态序列生成模块,用于对所述实时运行数据和所述气象数据进行预处理和特征提取,生成各所述风电机组在连续时间点上的运行状态序列;

36、时序图序列生成模块,用于将各时间点的所述运行状态序列分别映射至对应时间点的所述尾流影响拓扑图的节点上,形成随时间变化的时序图序列;

37、联合预测模块,用于将所述时序图序列输入至目标功率-载荷协同预测模型,输出风电场总功率预测值和各风电机组的机械载荷预测值。

38、第三方面,本技术提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器用于执行计算机程序时实现上述风电场功率与载荷协同预测方法的步骤。

39、第四方面,本技术提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述风电场功率与载荷协同预测方法的步骤。

40、从以上技术方案可以看出,本技术具有以下优点:

41、1. 本技术通过动态构建随风向变化的尾流影响拓扑图,并将各风电机组的运行状态序列映射至该拓扑图的节点上形成时序图序列,进而利用时空图神经网络对时序图序列进行空间维度的图注意力特征聚合与时间维度的门控时序卷积特征提取,最后通过功率回归分支和载荷回归分支分别输出风电场总功率预测值和各风电机组的机械载荷预测值,构建了从数据到预测的端到端处理流程,将尾流影响的动态拓扑与时空图神经网络深度融合,使得模型能够同时捕捉尾流效应在空间维度的方向性传播和时序维度的动态演变,实现了功率与载荷的协同预测,相比于现有技术中分别建模或采用固定拓扑的方式,显著提升了预测的准确性和物理一致性。

42、2. 本技术在构建尾流影响拓扑图时,根据风电场内各风电机组的空间位置和实时风向,以有向边由上游机组指向下游机组的方式确定机组间的上下游关系,并基于尾流物理模型计算边权重以量化上游机组对下游机组的尾流影响强度。该动态图构建方式使得拓扑结构能够随实时风向的变化而自适应调整,当风向发生改变时,上游与下游的对应关系以及尾流影响权重随之更新,从而准确刻画实际尾流效应在方向上的主导性和时变性,克服了现有技术中采用固定邻接结构无法反映风向变化对尾流传播路径影响的缺陷,为后续时空图神经网络提供了符合物理实际的输入结构。

43、3. 本技术在功率-载荷协同预测模型中采用时空图神经网络架构,通过图注意力特征聚合机制在空间维度上依据尾流影响拓扑图的边权重聚合邻居节点特征,使得下游机组在特征更新时能够显式融合来自上游机组的尾流影响信息,同时通过门控时序卷积模块在时间维度上提取每个节点在连续时间点上的动态演变特征。这种时空联合建模方式既考虑了尾流效应在空间上的传播路径,又捕捉了风况变化在时间上的连续性,使得模型能够从历史数据中学习到尾流影响的空间传播规律和时序演化模式,有效解决了现有技术中难以同时刻画尾流空间耦合与时间动态的问题,提升了模型在复杂风况下的泛化能力。

44、4. 本技术通过功率回归分支和载荷回归分支分别输出风电场总功率预测值和各风电机组的机械载荷预测值,实现了功率与载荷在同一个协同预测框架下的多任务输出。该设计利用了两个预测任务在物理机理上的内在关联——功率输出反映了气动能量捕获过程,载荷响应体现了结构所承受的动态应力,二者在尾流作用机制下本质上是协同耦合的,通过在共享的时空特征基础上分别回归不同目标,使得模型在训练过程中能够同时学习到与功率和载荷相关的共性特征,相比于现有技术中将功率预测与载荷预测分别建模的方式,提高了数据利用效率和预测结果的物理一致性。