一种风电场流场耦合特性评估与智能分群方法及系统技术方案

本发明专利技术公开了一种风电场流场耦合特性评估与智能分群方法及系统。所述方法首先获取风电场的历史运行数据并进行数据清洗；根据清洗后目标数据中的风向测量数据确定主要入流风向，根据主要入流风向及机组结构运行参数确定风轮面实时有效风速，根据实时有效风速进行尾流影响评估；根据风向测量数据进行流场耦合特性评估，生成流场耦合特性评估结果；根据尾流影响评估结果及流场耦合特性评估结果对风电场中的机组进行聚类分群。本发明专利技术方法充分利用风电场的历史运行数据，深度挖掘场内机组间的耦合关系，实现对风电场的初步尾流评估；随着风电场的规模的增大，本发明专利技术通过智能分群算法实现了场级的聚类分群，提高了机组分群的效率和准确性。

A method and system of wind farm flow field coupling evaluation and intelligent clustering

【技术实现步骤摘要】
一种风电场流场耦合特性评估与智能分群方法及系统
本专利技术涉及风电场
，特别是涉及一种风电场流场耦合特性评估与智能分群方法及系统。
技术介绍
21世纪以来，风电发展迅速，风能作为一次能源不可储存，其产生的电能具有随机性、间歇性和反调峰特性，其规模化并入电网将会导致电力系统的运行调度控制变得困难，并网和消纳正逐步成为制约风电开发的主要问题。随着新能源电力所占比重的逐渐增加，其随机波动性对系统的影响将发生质变，电力系统需要在随机波动的负荷需求与随机波动的电源之间实现能量的供需平衡。风力发电技术的发展带来的一个特点就是不断增大的并网风电场规模。在对风场进行建模过程中，一般情况下由于风场规模较大，如果对每一台机组进行详细建模，不仅会增大模型的规模，还会增加计算及分析与仿真的复杂度，十分繁琐。对风电场流场进行有效评估，是流场建模的重要前提。实际风电场已存有海量的历史运行数据，目前业界基于数据分析和智能算法多聚焦于风电机组的运行效率评估、故障检测及预警等方面，旨在提高风电机组可靠性和经济性。风电场受到主导风向、地形、机位分布等因素影响，可能同时有多台上游机组对同一机组存在尾流影响，这些相关性均隐藏在各台机组的历史运行数据内，有待进一步发掘。
技术实现思路
本专利技术的目的是提供一种风电场流场耦合特性评估与智能分群方法及系统，能够充分利用风电场的历史数据库，深度挖掘场内机组间的耦合关系，实现对风电场的初步尾流评估；并随着风电场的规模的增大，通过智能分群方法实现场级的聚类分群。为实现上述目的，本专利技术提供了如下方案：一种风电场流场耦合特性评估与智能分群方法，所述方法包括：获取风电场的历史运行数据；所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据；所述环境测量数据包括风速测量数据、风向测量数据；所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩；所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数；对所述历史运行数据进行数据清洗，生成清洗后目标数据；根据所述风向测量数据确定主要入流风向；根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速；根据所述风轮面实时有效风速进行尾流影响评估，生成尾流影响评估结果；根据所述风向测量数据进行流场耦合特性评估，生成流场耦合特性评估结果；根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群，生成聚类分群结果。可选的，所述对所述历史运行数据进行数据清洗，生成清洗后目标数据，具体包括：将所述环境测量数据以及所述机组结构运行参数中的无效数据和错误数据进行剔除；将所述风速测量数据中风速在切入风速以下和切出风速以上的数据点进行剔除；根据所述状态标志位数据将异常工作工况所对应的数据点进行剔除，生成清洗后目标数据。可选的，所述根据所述风向测量数据确定主要入流风向，具体包括：根据长时间范围内统计的所述风向测量数据生成风向玫瑰图；根据所述风向玫瑰图筛选出所述主要入流风向；根据所述风电场内机组的空间分布状态对全年的入流风向进行风向区间划分，将360°的入流风向划为多个风向区间。可选的，所述根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速，具体包括：提取所述机组结构运行参数的叶根弯矩数据中风向处于所述主要入流风向范围内的数据点作为实时尾流软测量的目标数据对象；根据所述目标数据对象，采用公式确定锥系数(λRE，β，qRE)；所述锥系数(λRE，β，qRE)由机组所处的运行工况的叶尖速比λRE、叶片桨距角β和风轮面压力有效值qRE共同确定；其中B为风电机组叶片的数量，mi是叶片i的叶根弯矩，ψi为叶片i的转子盘的方位角；ρ为空气密度，A为风轮面区域的面积，R为叶片长度，VRE表示风轮面有效入流风速值；根据所述锥系数(λRE，β，qRE)，采用公式确定t时刻风轮面有效入流风速值VRE(t)作为风轮面实时有效风速；其中表示t时刻叶片载荷传感器的实时测量值；为t时刻的锥系数，t时刻的锥系数由t时刻机组所处的运行工况的叶尖速比λRE(t)、叶片桨距角β(t)和风轮面压力有效值的均值共同确定。可选的，所述根据所述风轮面实时有效风速进行尾流影响评估，生成尾流影响评估结果具体包括：采用公式确定VRE(ψi(t))；其中VRE(ψi(t))表示在t时刻处于ψi(t)角度时，第i个叶片的风轮面局部实时有效风速；表示第i个叶片上所搭载的叶片载荷传感器t时刻测量的叶根弯矩；ψi(t)是t时刻时第i个叶片所处的方位角；(λRE(ψi(t))，βi，qBE)表示在t时刻处于ψi(t)角度时，第i个叶片的锥系数；所述锥系数(λRE(ψi(t))，βi，qBE)由t时刻处于ψi(t)角度时，机组所处的运行工况的叶尖速比λRE(ψi(t))、第i个叶片的叶片桨距角βi和风轮面压力有效值qRE共同确定；以VRE(ψi(t))中的叶片方位角ψi(t)作为积分变量，以叶片扫过的扇面区域方位角度为积分范围，构建积分表达式计算t时刻扇面局部有效风速VSE(t)；其中As为叶片扫过的扇面面积；VBE(ψ(t))＝VRE(ψi(t))；将局部风速的估计区域划分为上、下、左、右四个扇形区域；根据上、下、左、右四个扇形区域的不同方位角ψi(t)，采用公式和公式分别确定上、下、左、右四个扇形区域的扇面局部有效风速；根据所述左、右两个扇形区域的扇面局部有效风速的偏差确定前排机组对后排机组的尾流影响面积；根据所述上、下两个扇形区域的扇面局部有效风速的偏差对垂直风切变轮廓进行定性分析，生成尾流影响评估结果。可选的，所述根据所述风向测量数据进行流场耦合特性评估，生成流场耦合特性评估结果，具体包括：根据所述风电场各台机组的所述风向测量数据，确定所述风电场的整场入流风向；根据所述整场入流风向建立风场坐标系；将所述风电场内所有机组的地理坐标变换为所述风场坐标系下的位置坐标；根据所述风场坐标系下的位置坐标确定首排机组作为领头机组；根据所述领头机组及所述整场入流风向确定所述领头机组的下游机组；根据所述下游机组的风轮面实时有效风速以及其左、右两个扇形区域的扇面局部有效风速的偏差生成所述风电场的有向拓扑图；根据固定风向下前排机组的风轮面实时有效风速及后排机组的风轮面实时有效风速计算固定风向下的前、后排机组间的流场耦合系数；根据所述流场耦合系数及所述有向拓扑图确定尾流影响的边界阈值作为流场耦合系数阈值。一种风电场流场耦合特性评估与智能分群系统，所述系统包括：历史运行数据获取模块，用于获取风电场的历史运行数据；所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据；所述环境测量数据包括风速测量数据、风向测量数据；所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯本文档来自技高网...

【技术保护点】
1.一种风电场流场耦合特性评估与智能分群方法，其特征在于，所述方法包括：/n获取风电场的历史运行数据；所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据；所述环境测量数据包括风速测量数据、风向测量数据；所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩；所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数；/n对所述历史运行数据进行数据清洗，生成清洗后目标数据；/n根据所述风向测量数据确定主要入流风向；/n根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速；/n根据所述风轮面实时有效风速进行尾流影响评估，生成尾流影响评估结果；/n根据所述风向测量数据进行流场耦合特性评估，生成流场耦合特性评估结果；/n根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群，生成聚类分群结果。/n

【技术特征摘要】
1.一种风电场流场耦合特性评估与智能分群方法，其特征在于，所述方法包括：
获取风电场的历史运行数据；所述历史运行数据包括环境测量数据、机组结构运行参数以及状态标志位数据；所述环境测量数据包括风速测量数据、风向测量数据；所述机组结构运行参数包括机组的偏航角、叶尖速比、叶根弯矩；所述状态标志位数据包括叶片动作角度参数、齿轮箱速度参数、偏航动作角度参数以及解缆情况参数；
对所述历史运行数据进行数据清洗，生成清洗后目标数据；
根据所述风向测量数据确定主要入流风向；
根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速；
根据所述风轮面实时有效风速进行尾流影响评估，生成尾流影响评估结果；
根据所述风向测量数据进行流场耦合特性评估，生成流场耦合特性评估结果；
根据所述尾流影响评估结果及所述流场耦合特性评估结果对所述风电场中的机组进行聚类分群，生成聚类分群结果。


2.根据权利要求1所述的风电场流场耦合特性评估与智能分群方法，其特征在于，所述对所述历史运行数据进行数据清洗，生成清洗后目标数据，具体包括：
将所述环境测量数据以及所述机组结构运行参数中的无效数据和错误数据进行剔除；
将所述风速测量数据中风速在切入风速以下和切出风速以上的数据点进行剔除；
根据所述状态标志位数据将异常工作工况所对应的数据点进行剔除，生成清洗后目标数据。


3.根据权利要求2所述的风电场流场耦合特性评估与智能分群方法，其特征在于，所述根据所述风向测量数据确定主要入流风向，具体包括：
根据长时间范围内统计的所述风向测量数据生成风向玫瑰图；
根据所述风向玫瑰图筛选出所述主要入流风向；
根据所述风电场内机组的空间分布状态对全年的入流风向进行风向区间划分，将360°的入流风向划为多个风向区间。


4.根据权利要求3所述的风电场流场耦合特性评估与智能分群方法，其特征在于，所述根据所述主要入流风向及所述机组结构运行参数确定风轮面实时有效风速，具体包括：
提取所述机组结构运行参数的叶根弯矩数据中风向处于所述主要入流风向范围内的数据点作为实时尾流软测量的目标数据对象；
根据所述目标数据对象，采用公式确定锥系数所述锥系数由机组所处的运行工况的叶尖速比λRE、叶片桨距角β和风轮面压力有效值qRE共同确定；其中B为风电机组叶片的数量，mi是叶片i的叶根弯矩，ψi为叶片i的转子盘的方位角；ρ为空气密度，A为风轮面区域的面积，R为叶片长度，VRE表示风轮面有效入流风速值；
根据所述锥系数采用公式确定t时刻风轮面有效入流风速值VRE(t)作为风轮面实时有效风速；其中表示t时刻叶片载荷传感器的实时测量值；为t时刻的锥系数，t时刻的锥系数由t时刻机组所处的运行工况的叶尖速比λRE(t)、叶片桨距角β(t)和风轮面压力有效值的均值共同确定。


5.根据权利要求4所述的风电场流场耦合特性评估与智能分群方法，其特征在于，所述根据所述风轮面实时有效风速进行尾流影响评估，生成尾流影响评估结果具体包括：
采用公式确定VRE(ψi(t))；其中VRE(ψi(t))表示在t时刻处于ψi(t)角度时，第i个叶片的风轮面局部实时有效风速；表示第i个叶片上所搭载的叶片载荷传感器t时刻测量的叶根弯矩；ψi(t)是t时刻时第i个叶片所处的方位角；表示在t时刻处于ψi(t)角度时，第i个叶片的锥系数；所述锥系数由t时刻处于ψi(t)角度时，机组所处的运行工况的叶尖速比λRE(ψi(t))、第i个叶片的叶片桨距角βi和风轮面压力有效值qRE共同确定；
以VRE(ψi(t))中的叶片方位角ψi(t)作为积分变量，以叶片扫过的扇面区域方位角度为积分范围，构建积分表达式计算t时刻扇面局部有效风速VSE(t)；其中As为叶片扫过的扇面面积；VBE(ψ(t))＝VRE(ψi(t))；
将局部风速的估计区域划分为上、下、左、右四个扇形区域；
根据上、下、左、右四个扇形区域的不同方位角ψi(t)，采用公式和公式分别确定上、下、左、右四个扇形区域的扇面局部有效风速；
根据所述左、右两个扇形区域的扇面局部有效风速的偏差确定前排机组对后排机组的尾流影响面积；
根据所述上、下两个扇形区域的扇面局部有效风速的偏差对...

【专利技术属性】
技术研发人员：林忠伟，曲晨志，韩翔宇，陈振宇，谢镇，李宜霖，王瑞田，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11