一种基于多源运行数据的风电机组叶片来流预测方法及系统与流程

本发明属于风力发电，具体涉及一种基于多源运行数据的风电机组叶片来流预测方法及系统。

背景技术：

1、随着风电装机容量不断增加，风电机组运行控制由单机控制逐步向风电场级协同优化控制发展。风电机组叶片前方来流风速是偏航控制和载荷优化的重要输入条件，根据未来一段时间内风电机组叶片前方来流风速变化趋势，可以为风电机组偏航优化、尾流降载和协同控制提供更可靠的数据支撑。

2、目前，实际风电场中通常难以直接获得每台风电机组叶片前方的真实来流风速，通常以机舱风速仪或者测风塔代表性测量值近似作为来流风速，但是这两种数据均存在不同程度的局限：

3、（1）机舱风速仪通常位于机舱顶部或风轮后方附近，测量结果容易受到叶轮旋转扰动和前位风机尾流的影响。

4、（2）测风塔数据质量较高，但测点数量有限，只能代表局部区域风况，难以准确反映大型风电场中不同位置风机的空间差异和风机准确的来流风速。

技术实现思路

1、本发明提供了一种基于多源运行数据的风电机组叶片来流预测方法及系统，以风电场scada数据为基础，以少量机舱激光雷达实测叶片前方来流风速作为高置信度标定数据，通过自测传递函数建立机舱测量风速与叶片真实来流风速之间的映射关系，最终采用cnn-bigru-attention深度学习模型，实现未来一段时间内风电机组叶片来流风速预测。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于多源运行数据的风电机组叶片来流预测方法，包括：

4、（1）获取多源运行数据

5、采集目标风电场内的多源运行数据，包括各风电机组的scada数据、机舱激光雷达数据和机组功率曲线数据；

6、（2）数据预处理与基础时序特征构建

7、对获取的多源运行数据进行预处理，包括时间对齐、缺失值处理、异常值剔除和归一化处理，并根据机舱位置与机舱风向计算真实风向，将所述真实风向转换为正弦分量和余弦分量；基于数据预处理后的数据，构建所有风机的基础时序特征，得到时间同步的有效样本数据集；

8、（3）构建输入特征

9、从得到的有效样本数据集中筛选机舱激光雷达数据有效且处于并网状态的数据样本，根据样本的数据质量和运行状态设置置信度权重，以机舱风速、真实风向、场内风速离散度及单台机舱风速与全场平均机舱风速的偏差作为输入特征，以机舱激光雷达实测来流风速作为目标标签，采用加权岭回归求解传递函数参数，得到自测机舱传递函数，并利用所述自测机舱传递函数得到机舱风速对应的修正来流特征；

10、基于得到的真实风向和风电场风机的坐标，计算候选机组与目标机组之间的顺风向偏移距离、横向偏移距离及关联评分，根据结果选取关联机组；

11、最终构建好的输入特征为：目标风电机组及关联机组的历史风速、历史风速序列的一阶风速变化量、真实风向的正弦分量和余弦分量，归一化后的目标机组和候选机组的顺风向偏移距离和横向偏移距离；构建对应的输出标签：根据标定好的机舱传递函数计算得到的来流风速，得到模型训练数据集；

12、（4）构建并训练cnn-bigru-attention预测模型

13、按照时间顺序将得到的模型训练数据集划分为训练集和测试集，构建包括一维卷积层、双向门控循环单元层、时间注意力层和多任务输出层的cnn-bigru-attention预测模型，采用多任务损失函数对所述预测模型进行训练，得到最优模型参数和数据标准化器；

14、（5）输出预测结果

15、将风电场所有机组的实时机舱风速、真实风向作为实时输入特征，利用得到的数据标准化器对实时输入特征进行标准化后输入训练完成的cnn-bigru-attention预测模型，输出未来15分钟内目标风电机组叶片前方来流风速预测结果。

16、本发明进一步的改进在于，步骤（1）中，scada数据包括时间戳、机舱风速、机舱风向、机舱位置、有功功率和运行状态；一台机舱激光雷达数据包括风轮前方测距点处的来流风速、数据质量标志和时间戳。

17、本发明进一步的改进在于，步骤（2）中，有效样本数据集包括时间戳、机舱风速、真实风向、真实风向的正弦分量、真实风向的余弦分量、激光雷达测得的来流风速、来流风速的数据质量标志、风机的有功功率、风速的一阶风速变化量、风速的滑动平均值及滑动标准差。

18、本发明进一步的改进在于，步骤（3）中，构建的自测机舱传递函数如下所示：

19、

20、

21、

22、式中，表示风机叶片来流风速；表示机舱原始测量风速；d表示真实风向；s表示场内风速离散度，和分别表示风场风速样本的第90%分位数和第10%分位数；表示单台机舱风速与全场平均机舱风速之间的偏差；

23、具体表现形式如下所示：

24、

25、式中，表示待求解的传递函数的参数；

26、采用加权岭回归求解传递函数参数，最小化下述目标函数如下所示：

27、

28、式中，表示第

i个样本的置信度权重；表示第

i个样本对应的激光雷达实测来流风速；表示第

i个样本的输入特征；表示正则化系数。

29、本发明进一步的改进在于，步骤（3）中，所述的顺风向偏移距离、横向偏移距离为：

30、

31、

32、式中，表示顺风向偏移距离，反映上游机组至目标机组沿来流主方向的传播距离；表示横向偏移距离，反映候选机组相对于主来流方向的横向偏移程度；表示候选风机与目标风机的距离，；表示候选风机与当前来流的夹角，，，表示候选风机和目标风机的相对方位角，表示风机的平面坐标；

33、所述的关联评分表示为：

34、

35、根据和选择上游风机，当和时，认为候选风机是上游风机，设置综合评分函数；

36、所述的历史风速序列和一阶风速变化量表示为：

37、

38、其中，历史风速序列表示为：

39、

40、式中，l=120；

41、一阶风速变化量表示为：

42、

43、同理，构建历史风向序列，将其中的风速变量改为风向的正弦分量与余弦分量即可。

44、本发明进一步的改进在于，步骤（4）中，构建的cnn-bigru-attention预测模型，如下：

45、先通过一维卷积层提取短时间尺度下的局部变化特征，再利用双层gru网络学习风速风向序列中的长期时序依赖关系；随后引入时间注意力机制，对不同历史时刻的重要性进行自适应加权，形成能够表征风场动态变化的共享特征向量；在输出端，cnn-bigru-attention预测模型采用多任务分支结构，同时预测30秒和1分钟尺度下的风速与风向结果。

46、一种基于多源运行数据的风电机组叶片来流预测系统，包括：

47、获取多源运行数据单元：采集目标风电场内的多源运行数据，包括各风电机组的scada数据、机舱激光雷达数据和机组功率曲线数据；

48、数据预处理与基础时序特征构建单元：对获取的多源运行数据进行预处理，包括时间对齐、缺失值处理、异常值剔除和归一化处理，并根据机舱位置与机舱风向计算真实风向，将所述真实风向转换为正弦分量和余弦分量；基于数据预处理后的数据，构建所有风机的基础时序特征，得到时间同步的有效样本数据集；

49、构建输入特征单元：从得到的有效样本数据集中筛选机舱激光雷达数据有效且处于并网状态的数据样本，根据样本的数据质量和运行状态设置置信度权重，以机舱风速、真实风向、场内风速离散度及单台机舱风速与全场平均机舱风速的偏差作为输入特征，以机舱激光雷达实测来流风速作为目标标签，采用加权岭回归求解传递函数参数，得到自测机舱传递函数，并利用所述自测机舱传递函数得到机舱风速对应的修正来流特征；

50、基于得到的真实风向和风电场风机的坐标，计算候选机组与目标机组之间的顺风向偏移距离、横向偏移距离及关联评分，根据结果选取关联机组；

51、最终构建好的输入特征为：目标风电机组及关联机组的历史风速、历史风速序列的一阶风速变化量、真实风向的正弦分量和余弦分量，归一化后的目标机组和候选机组的顺风向偏移距离和横向偏移距离；构建对应的输出标签：根据标定好的机舱传递函数计算得到的来流风速，得到模型训练数据集；

52、构建并训练cnn-bigru-attention预测模型单元：按照时间顺序将得到的模型训练数据集划分为训练集和测试集，构建包括一维卷积层、双向门控循环单元层、时间注意力层和多任务输出层的cnn-bigru-attention预测模型，采用多任务损失函数对所述预测模型进行训练，得到最优模型参数和数据标准化器；

53、输出预测结果单元：将风电场所有机组的实时机舱风速、真实风向作为实时输入特征，利用得到的数据标准化器对实时输入特征进行标准化后输入训练完成的cnn-bigru-attention预测模型，输出未来15分钟内目标风电机组叶片前方来流风速预测结果。

54、本发明进一步的改进在于，获取多源运行数据单元中，scada数据包括时间戳、机舱风速、机舱风向、机舱位置、有功功率和运行状态；一台机舱激光雷达数据包括风轮前方测距点处的来流风速、数据质量标志和时间戳。

55、本发明进一步的改进在于，数据预处理与基础时序特征构建单元中，有效样本数据集包括时间戳、机舱风速、真实风向、真实风向的正弦分量、真实风向的余弦分量、激光雷达测得的来流风速、来流风速的数据质量标志、风机的有功功率、风速的一阶风速变化量、风速的滑动平均值及滑动标准差。

56、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时实现所述的一种基于多源运行数据的风电机组叶片来流预测方法的步骤。

57、与现有技术相比，本发明至少具有以下有益的技术效果：

58、本发明提供的一种基于多源运行数据的风电机组叶片来流预测方法及系统，首先可以解决传统机舱测风仪间接测风、数据误差大的弊端，使用机舱激光雷达实测数据作为高置信度基准数据，精准获取叶片前方真实来流风速。其次，充分考虑风向变化对叶片来流风速的影响，根据实时风向动态识别目标风机的上游关联机组，构建机组间顺风向传播距离、横向偏移距离多维空间关联特征，将风电场多机组空间耦合关系与尾流分布特性融入预测模型，模型可以精准学习风场内部复杂的气流演化规律，有效解决多机尾流干扰导致的风速预测精度低的问题，大幅提升风电场全域风速预测的可靠性。最后，基于激光雷达实测风速数据自主构建的机舱传递函数，精准建立机舱观测风速与叶片前方真实来流风速的映射关系。通过自主标定求解传递函数，摆脱对厂家保密参数的依赖，适配性、实用性和可移植性更强，可针对不同机组完成个性化风速修正。

59、本发明将物理机理与数据驱动深度学习算法有机结合，计算出自主标定的传递函数实现机舱观测风速与叶片前方真实来流风速的映射关系，输入cnn-bigru-attention混合预测模型实现对叶片来流风速的预测，其中cnn用于提取历史风速、风向序列中的局部波动特征，bigru用于学习前后时刻之间的长期时序依赖关系，attention机制用于自适应突出对未来预测更重要的历史时间片。通过三者协同作用，可增强模型对短时风速突变、风向变化及复杂风况演化过程的刻画能力，提高未来15分钟叶片来流风速和风向预测结果的准确性与稳定性，既保留了风电机组真实运行机理与物理规律，又充分发挥深度学习模型提取复杂非线性时序、空间特征的优势，兼顾模型的物理可解释性与预测精度，实现了机理驱动与数据驱动的双向赋能。