基于风向相关性的风电场风向数值计算方法及系统与流程

1.本发明涉及风电场测量技术领域，具体涉及一种基于风向相关性的风电场风向数值计算方法及系统。


背景技术：

2.目前，国内风电新增装机容量和累计装机容量均保持全球首位，风电行业已由规模化发展向精益化发展转进，平价上网成为目前风电行业的主要趋势。基于此，在不增加成本的前提下，通过算法优化提高设备风能转化率成为业界专家研发首要任务。
3.受地形、气候及周围环境等众多因素影响，风力发电具有强烈的间歇性、波动性和不确定性，给电力系统的发电规划和经济调度带来了危害，提高了风电机组的运行维护成本。因此，风电低成本运营需要精准高效的数据分析算法找出运行异常来源并及时消除，能够实现风电机组风速风向传感器和测量结果的在线校验和数值模拟的测风系统智慧联动具有重要的应用价值。
4.现阶段风电行业通过安装测风塔或激光雷达等方式，实现机组原有测风传感器和额外加装测风传感器之间的对比测量，获得风电机组的实际风速风向和测量风速风向的偏差结果，进而实现对单台机组的测风系统传感器校正。
5.传统研究中，由于无法有效克服风向的“圆周特性”，即风向表示方法中，0
°
和359
°
在数值上不连续这一问题，因此研究者只针对单台机组的风向时序变化趋势进行分析探讨。如风向从359
°
变化为1
°
，这类奇异点只得通过与模数360
°
相加的方式满足风向变化趋势，即359
°
变化为361
°
，无法实现风电机组之间的风向数据关联性分析，如风向从359
°
向顺时针方向变化2
°
，由“圆周特性”可知结果为1
°
，但是对于机器学习计算过程极为不便，这类奇异点只得通过与模数360
°
相加的方式满足风向变化趋势。存在无法实现测风系统的数值模拟，未能利用风电机组的运行数据及机组之间的数据相关性的风险。


技术实现要素：

6.因此，本发明提供的一种基于风向相关性的风电场风向数值计算方法及系统，克服了现有技术中无法实现测风系统的数值模拟，未能利用风电机组的运行数据及机组之间的数据相关性的缺陷。
7.为达到上述目的，本发明提供如下技术方案：
8.第一方面，本发明实施例提供一种基于风向相关性的风电场风向数值计算方法，包括：
9.获取风电场机组的风向数据，将各个机组的风向数据映射至二维单位圆上，生成风向及夹角的矢量计算数据；
10.基于风向及夹角的矢量计算数据，根据风电机组之间的相关性，当风电场内预设部分机组存在异常时，计算异常部分机组的风向数值。
11.可选地，所述基于风向及夹角的矢量计算数据，根据风电机组之间的相关性，当风
电场内预设部分机组存在异常时，计算异常部分机组的风向数值，包括：
12.根据风电场机组之间风向数据的相关性，利用风电场已有的风电机组测风系统运行数据，判断机组之间的风向测量结果是否满足相关性及是否出现异常；
13.建立机组风向横向的循环神经网络模型，根据风电机组之间准确的测风系统数据模型及数值模拟，当风电场内预设部分机组测风系统存在异常时，通过其余机组风向数据对异常机组的风向数据进行模拟计算，计算异常机组的风向数值。
14.可选地，通过以下公式将各个机组的风向数据映射至二维单位圆上：
[0015][0016]
其中，以m台机组的机群为对象，风向矢量分别记为以第m台为目标机组，θ为每台机组每个时刻的风向角度，α1为第一偏差角度，α2为第二偏差角度，经映射后转化为长度为1的单位向量为(sinθ,cosθ)。
[0017]
可选地，通过以下公式计算风向矢量：
[0018][0019]
其中，为风向矢量。
[0020]
可选地，建立机组风向横向的循环神经网络模型为单隐含层的循环神经网络模型。
[0021]
第二方面，本发明实施例提供一种基于风向相关性的风电场风向数值计算系统，包括：
[0022]
数据获取模块，用于获取风电场机组的风向数据，将各个机组的风向数据映射至二维单位圆上，生成风向及夹角的矢量计算数据；
[0023]
风向数值计算模块，用于基于风向及夹角的矢量计算数据，根据风电机组之间的相关性，当风电场内预设部分机组存在异常时，计算异常部分机组的风向数值。
[0024]
第三方面，本发明实施例提供一种终端，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的基于风向相关性的风电场风向数值计算方法。
[0025]
第四方面，本发明实施例提供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指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的基于风向相关性的风电场风向数值计算方法。
[0026]
本发明技术方案，具有如下优点：
[0027]
1.本发明基于风向相关性和循环神经网络算法的风电场风向数值建模系统，根据风电机组之间风向数据的极强相关性，利用风电机组风向运行数据训练风向数值模型并判断机组之间的风向测量结果是否满足相关性或存在测量异常，建立风向数值模型的多种神经网络模型。充分利用机组之间风向数据的极强相关性建立风向数值模型，不需要额外架
设测风传感器，能够低成本地实现风电机组风速风向传感器的测量校验。
[0028]
2.本发明完全克服了风向数据的“圆周特性”，即传统风向表示方法跨越0
°
和360
°
界线时数值不连续这一问题。将机组风向数据映射到二维单位圆上之后，再对其夹角矢量进行计算，实现了风向矢量和夹角矢量的叠加转换计算，从而保证风向数据的连续性。根据风电机组之间准确的测风系统数据模型和数值模拟，实现了风电场内部分机组测风系统损坏情况下，通过其余机组风向数据对异常机组的风向数据模拟计算其测风数据并满足偏航精度需求。
附图说明
[0029]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]
图1为本发明实施例提供的一种基于风向相关性的风电场风向数值计算方法的一个具体示例的流程图；
[0031]
图2为本发明实施例提供的一种基于风向相关性的风电场风向数值计算方法的一个具体示例的不同角度的单位矢量及其夹角示意图；
[0032]
图3为本发明实施例提供的一种基于风向相关性的风电场风向数值计算方法的一个具体示例的rnn神经网络风向相关性模型图；
[0033]
图4为本发明实施例提供的一种基于风向相关性的风电场风向数值计算方法的一个具体示例的rnn神经网络矢量风向相关性模型训练流程图；
[0034]
图5为本发明实施例提供的一种基于风向相关性的风电场风向数值计算系统的模块组成图；
[0035]
图6为本发明实施例提供的一种终端一个具体示例的组成图。
具体实施方式
[0036]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0038]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0039]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0040]
实施例1
[0041]
本发明实施例提供的一种基于风向相关性的风电场风向数值计算方法，如图1所示，包括如下步骤：
[0042]
步骤s1：获取风电场机组的风向数据，将各个机组的风向数据映射至二维单位圆上，生成风向及夹角的矢量计算数据。
[0043]
在一具体实施例中，如图2所示，风向数据从0
°
到359
°
的一维表述方式映射为(sinθ,cosθ)的二维单位向量，实现了风向数据表达的连续性，并提出两向量夹角和夹角矢量，通过以下公式计算两个向量的夹角和夹角的矢量：
[0044][0045]
其中，以m台机组的机群为对象，风向矢量分别记为以第m台为目标机组，θ为每台机组每个时刻的风向角度，α1为第一偏差角度，α2为第二偏差角度，经映射后转化为长度为1的单位向量为(sinθ,cosθ)。
[0046]
风向矢量按角度旋转后变为风向矢量。根据三角函数和角公式，公式如下：
[0047][0048]
通过上述公式方法，极大方便的了机器学习计算方向矢量和方向差值，并在应用于循环神经网络模型的计算过程中，始终以角度的形式完成运算。
[0049]
步骤s2：基于风向及夹角的矢量计算数据，根据风电机组之间的相关性，当风电场内预设部分机组存在异常时，计算异常部分机组的风向数值。
[0050]
在本发明实施例中，基于风向及夹角的矢量计算数据，根据风电机组之间的相关性，当风电场内预设部分机组存在异常时，计算异常部分机组的风向数值，包括：根据风电场机组之间风向数据的相关性，利用风电场已有的风电机组测风系统运行数据，判断机组之间的风向测量结果是否满足相关性及是否出现异常。建立机组风向横向的循环神经网络模型，根据风电机组之间准确的测风系统数据模型及数值模拟，当风电场内预设部分机组测风系统存在异常时，通过其余机组风向数据对异常机组的风向数据进行模拟计算，计算异常机组的风向数值。
[0051]
实际中，循环神经网络(recurrent neural network，rnn)是一种经典的反馈型神经网络，增加了不同时刻隐藏层节点之间的联系，解决了传统神经网络无法对时间进行建模的缺陷。最基本的rnn模型由输入层x、隐藏层h和输出层y组成，隐含层节上一时刻的输出也传递给下一时刻隐含层。
[0052]
随着模型中训练时间推移，rnn存在对早期数据信息感知能力下降的“梯度消失”问题。长短期记忆神经网络模型(long-short term memory，lstm)弥补了rnn模型“梯度消失”问题并有效利用“远距离”数据信息。不同于时序跨度大且关联性强的自然语言分析问题，风向处于频繁波动、“反转”状态。结合风向数据波动频繁、相关时序跨度小，多层神经网
络节点数多、计算复杂且等因素，因此，本发明选用单隐含层的循环神经网络模型。
[0053]
在本发明实施例中，以m台机组的机群为对象，风向矢量分别记为以第m台为目标机组，输出风向矢量记为初始偏移角度矢量采用单隐含层的rnn神经网络结构。输入层x节点数为m-1，输出层y节点数为1，时序展开结构如下图3所示。
[0054]
rnn模型正向传递：
[0055][0056]
式中，为第t时刻第i个输入层节点的输入，为第t时刻第j个隐含层节点的输入，u
ij
为第i个输入层节点向第j个隐含层节点的传递参数，为第t时刻第j个隐含层节点的输出，wj为第j个隐含层节点的时序传递参数，y
(t)
为第t时刻输出层节点的输出，vj为第j个隐含层节点向输出层节点的传递参数，l
(t)
为第t时刻损失函数。
[0057]
本发明实施例采用网格搜索方法对隐含层节点数n和学习速率η进行寻优，经对比后确定隐含层h节点数为7，学习速率η＝0.105，仅以此举例，不以此为限，在实际应用中根据实际情况选取相应的节点数。
[0058]
在一具体实施例中，如图4所示，rnn神经网络矢量风向相关性模型训练流程图。整个系统工作原理：
[0059]
收集并整理风电机组测风系统的运行数据，选取指定平均风速的数据片段，通常平均风速越大，全场气流流场越稳定，风速和风向波动相对较小。
[0060]
将相应数据片段内的风向和风速数据分别进行预处理，其中，每台机组每个时刻的风向角度θ，经映射后转化为长度为1的单位向量为(sinθ,cosθ)；每台机组每个时刻的风速数值v，直接代入后续计算。
[0061]
首先是风向数据模型。初始化循环神经网络中的权重系数weights、偏差角度α(sinα,cosα)、训练次数、学习速率和误差最小值loss_min等，初始化参数在此不作限制，根据实际情况进行相应的选取。将全场机组风向数据θ的单位向量(sinθ,cosθ)和权重系数weights卷积后转化为长度为1的单位向量，与初始化的偏差角度α(sinα,cosα)进行角度叠加，再与目标机组的实际风向数据计算获得误差角度，根据误差和学习速率重新调整权重系数weights和偏差角度α(sinα,cosα)，反复迭代，直到某次训练得到的误差大于上次训练得到的误差，或训练次数达到限值，从而结束模型训练，并获得循环神经网络的权重系数weights、偏差角度α(sinα,cosα)。
[0062]
本发明实施例中提供的基于风向相关性的风电场风向数值计算方法，.克服了风向数据的“圆周特性”，即风向表示方法中，0
°
和359
°
在数值上不连续这一问题。将各机组风向数据映射到二维单位圆上之后，再对其夹角矢量进行计算，成功实现了风向矢量和夹角矢量的叠加转换计算，从而保证风向数据的连续性。建立风电机组之间准确的测风系统数据模型和数值模拟，实现了风电场内部分机组测风系统损坏情况下，通过其余机组风向数据对异常机组的风向数据模拟计算其测风数据并满足偏航精度需求。
[0063]
实施例2
[0064]
本发明实施例提供一种基于风向相关性的风电场风向数值计算系统，如图5所示，包括：
[0065]
数据获取模块1，用于获取风电场机组的风向数据，将各个机组的风向数据映射至二维单位圆上，生成风向及夹角的矢量计算数据；此模块执行实施例1中的步骤s1所描述的方法，在此不再赘述。
[0066]
风向数值计算模块2，用于基于风向及夹角的矢量计算数据，根据风电机组之间的相关性，当风电场内预设部分机组存在异常时，计算异常部分机组的风向数值；此模块执行实施例1中的步骤s2所描述的方法，在此不再赘述。
[0067]
本发明实施例提供一种基于风向相关性的风电场风向数值计算系统，克服了风向数据的“圆周特性”，即风向表示中，0
°
和359
°
在数值上不连续这一问题。将各机组风向数据映射到二维单位圆上之后，再对其夹角矢量进行计算，成功实现了风向矢量和夹角矢量的叠加转换计算，从而保证风向数据的连续性。建立风电机组之间准确的测风系统数据模型和数值模拟，实现了风电场内部分机组测风系统损坏情况下，通过其余机组风向数据对异常机组的风向数据模拟计算其测风数据并满足偏航精度需求。
[0068]
实施例3
[0069]
本发明实施例提供一种终端，如图6所示，包括：至少一个处理器401，例如cpu(central processing unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(display)、键盘(keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速ram存储器(random access memory，易挥发性随机存取存储器)，也可以是非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的基于风向相关性的风电场风向数值计算方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的基于风向相关性的风电场风向数值计算方法。其中，通信总线402可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固降硬盘(英文：solid-state drive，缩写：ssd)；存储器404还可以包
括上述种类的存储器的组合。其中，处理器401可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
[0070]
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘(英文：solid-state drive，缩写：ssd)；存储器404还可以包括上述种类的存储器的组合。
[0071]
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
[0072]
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
[0073]
可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本技术执行实施例1中的基于风向相关性的风电场风向数值计算方法。
[0074]
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1中的基于风向相关性的风电场风向数值计算方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0075]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。