一种基于短期风向预测的风电机组智能偏航控制方法技术

本发明专利技术公开了一种基于短期风向预测的风电机组智能偏航控制方法，包括步骤：1)获取数据源；2)数据预处理及转换；3)建立模型特征数据库；4)模型参数选择；5)模型训练、保存；6)SVR模型加载、数据预测；7)生成风向角度值；8)偏航控制。本发明专利技术方法利用一定时间的历史风向数据，通过支持向量机(SVR)统计，建立风向的预测模型，根据预测的短期风向进行偏航控制改进，可有效提高机组对风精度以及降低偏航无效启停次数。

【技术实现步骤摘要】
一种基于短期风向预测的风电机组智能偏航控制方法
本专利技术涉及风力发电的
，尤其是指一种基于短期风向预测的风电机组智能偏航控制方法。
技术介绍
业内习知，当前风电机组偏航控制策略主要根据测量偏航误差与设定阈值进行比较从而决定是否启动偏航动作，因为测量风向受叶轮的旋转影响较大，并且风向的实时变化较快，所以实际中首先对测量的偏航偏差进行滤波处理然后作为偏航误差参考值，这就会导致参考偏航误差较当前实际偏航误差具有一定的延时性，加之偏航执行器本身的延时，总的延时就更加突出。采用该控制策略一方面会带来风功率的一定损失，另一方面会增加无效偏航次数(偏航时间较短)，增加偏航启、停次数，增加机械系统的损耗。基于这样的问题，目前优化方案主要有两类，一类是通过安装激光雷达测风设备，通过对叶轮前方的风向进行测量，提前得到风向变化，该方案精确度高，作为首选方案，但由于激光雷达测风设备成本较高，每台机组都配置的可能性较低；另一类对于未安装激光雷达测风设备的机组进行基于短期风向预测的先进控制方式，通过对风向进行短期预测，在现有的控制策略基础上，参考预测风向变化来决定偏航动作与否。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于短期风向预测的风电机组智能偏航控制方法，利用一定时间的历史风向数据，通过支持向量机(SVR)统计，建立风向的预测模型，根据预测的短期风向进行偏航控制改进，可有效提高机组对风精度以及降低偏航无效启停次数。为实现上述目的，本专利技术所提供的技术方案为：一种基于短期风向预测的风电机组智能偏航控制方法，包括以下步骤：1)获取数据源从风电场集控中心数据存储服务器获取机组运行数据，其中，采样的标签点数据包括风速、风向、气温、气压；2)数据预处理及转换对周期性风向数据进行处理，通过三角函数sin、cos转换得到对应的标量数据，并对全部标签点数据进行滑动平均以及重采样，形成新的采样数据序列集；3)建立模型特征数据库针对风向sin值、风向cos值分别设计两个预测模型，分别为SVR模型1和SVR模型2，然后对步骤2)生成的数据序列集进行数据重组，分别形成SVR模型1、2的特征数据库，具体如下：对于SVR模型1，每一个单独的输入样本都包含20个风向的sin值及最近一次的风速、温度、气压值，输出样本为当前时刻的风向sin值作为预测值，经过数据集整理形成SVR模型1的特征数据库；对于SVR模型2，每一个单独的输入样本都包含20个风向的cos值及最近一次的风速、温度、气压值，输出样本为当前时刻的风向cos值作为预测值，经过数据集整理形成SVR模型2的特征数据库；最后，对两个SVR模型的特征数据库进行拆分，分别形成SVR模型1、2的训练集和测试集；4)模型参数选择确定两个预测模型的参数，以及核函数；5)模型训练、保存以两个模型的训练集分别对SVR模型1、2进行训练，并且保存模型；6)SVR模型加载、数据预测以两个模型的测试集分别对SVR模型1、2进行测试，并且生成每一个测试集输入样本对应的预测值；7)生成风向角度值根据预测风向的sin标量、cos标量进行逆运算，生成预测的风向角度值，并且规定其范围在0～360°；8)偏航控制将预测的风向角度值作为参考信号进行偏航控制。在步骤1)中，采样的数据来源于风电场集控中心数据存储服务器的历史数据库，数据采样间隔为1s。在步骤2)中，风向数据是一个周期为360°的角变量，需要将风向信号转化成一个非周期信号，具体是采用三角函数sin、cos对风向进行变换，这样0～360°的周期信号就被转换为-1～+1之间的标量信号；综合sin分量与cos分量，能够唯一确定风向的值，通过sin、cos分量的正负，即可确定风向处于第几象限；令风向为θ，x1、x2分别代表风向的sin分量、cos分量，则：x1＝sin(θ)x2＝cos(θ)完成上述风向信号处理之后，形成新的数据标签，包括x1、x2、风速、气温、气压；对所有的标签点数据进行滑动平均值滤波，滤波时间常数为5s，然后以5s为周期进行重采样，生成新的采样数据序列集，即input1，其包含的数据有对x1滤波重采样的值、对x2滤波重采样的值，对风速滤波重采样的值、对气温滤波重采样的值、对气压滤波重采样的值，分别命名为y1、y2、y3、y4、y5；在步骤3)中，对上一步生成的input1进行重组，建立模型特征数据库，具体做法如下：以最近时刻的y3、y4、y5以及y1序列当前时刻之前的20个历史值(y1-1,y1-2……y1-20)共23个数据为一个输入样本；以当前时刻y1为一个输出样本，对input1数据进行重组，形成SVR模型1的输入输出样本集；y1的预测模型能够定义如下式(1)所示，其中y1(t)为预测值即当前值，y1(t-1),y1(t-2),...,y1(t-20)为20个历史值，预测模型为f；y1(t)＝f(y1(t-1),y1(t-2),...,y1(t-20),y3(t-1),y4(t-1),y5(t-1))(1)以最近时刻的y3、y4、y5以及y2序列当前时刻之前的20个历史值(y2-1,y2-2……y2-20)共23个数据为一个输入样本；以当前时刻y2为输出样本，对input1数据进行重组，形成SVR模型2的输入输出样本集；y2的预测模型定义如下式(2)所示，其中y2(t)为预测值即当前值，y2(t-1),y2(t-2),...,y2(t-20)为20个历史值，预测模型为g；y2(t)＝g(y2(t-1),y2(t-2),...,y2(t-20),y3(t-1),y4(t-1),y5(t-1))(2)完成上述过程后，分别对SVR模型1、2的样本集进行拆分，分别形成SVR模型1的训练集y1_train_input、y1_train_output，测试集y1_test_input、y1_test_output；SVR模型2的训练集y2_train_input、y2_train_output，测试集y2_test_input、y2_test_output；并且测试集占模型样本集总数的25％。在步骤4)中，选择RBF作为SVR模型的核函数，gamma设置为0.01，惩罚因子C设置为1000。在步骤5)中，SVR模型1进行训练，输入样本集为y1_train_input，输出样本集为y1_train_output，并保存模型；SVR模型2进行训练，输入样本集为y2_train_input，输出样本集为y2_train_output，并保存模型。在步骤6)中，对SVR模型1进行测试，输入样本集为y1_test_input，输出样本集为y1_test_output，每一个输入样本都产生一个y1的预测值y1′，其中y1代表风向的sin分量滤波重采样的值；对SVR模型2进行测试，输入样本集为y2本文档来自技高网...

【技术保护点】
1.一种基于短期风向预测的风电机组智能偏航控制方法，其特征在于，包括以下步骤：/n1)获取数据源/n从风电场集控中心数据存储服务器获取机组运行数据，其中，采样的标签点数据包括风速、风向、气温、气压；/n2)数据预处理及转换/n对周期性风向数据进行处理，通过三角函数sin、cos转换得到对应的标量数据，并对全部标签点数据进行滑动平均以及重采样，形成新的采样数据序列集；/n3)建立模型特征数据库/n针对风向sin值、风向cos值分别设计两个预测模型，分别为SVR模型1和SVR模型2，然后对步骤2)生成的数据序列集进行数据重组，分别形成SVR模型1、2的特征数据库，具体如下：/n对于SVR模型1，每一个单独的输入样本都包含20个风向的sin值及最近一次的风速、温度、气压值，输出样本为当前时刻的风向sin值作为预测值，经过数据集整理形成SVR模型1的特征数据库；/n对于SVR模型2，每一个单独的输入样本都包含20个风向的cos值及最近一次的风速、温度、气压值，输出样本为当前时刻的风向cos值作为预测值，经过数据集整理形成SVR模型2的特征数据库；/n最后，对两个SVR模型的特征数据库进行拆分，分别形成SVR模型1、2的训练集和测试集；/n4)模型参数选择/n确定两个预测模型的参数，以及核函数；/n5)模型训练、保存/n以两个模型的训练集分别对SVR模型1、2进行训练，并且保存模型；/n6)SVR模型加载、数据预测/n以两个模型的测试集分别对SVR模型1、2进行测试，并且生成每一个测试集输入样本对应的预测值；/n7)生成风向角度值/n根据预测风向的sin标量、cos标量进行逆运算，生成预测的风向角度值，并且规定其范围在0～360°；/n8)偏航控制/n将预测的风向角度值作为参考信号进行偏航控制。/n...

【技术特征摘要】
1.一种基于短期风向预测的风电机组智能偏航控制方法，其特征在于，包括以下步骤：
1)获取数据源
从风电场集控中心数据存储服务器获取机组运行数据，其中，采样的标签点数据包括风速、风向、气温、气压；
2)数据预处理及转换
对周期性风向数据进行处理，通过三角函数sin、cos转换得到对应的标量数据，并对全部标签点数据进行滑动平均以及重采样，形成新的采样数据序列集；
3)建立模型特征数据库
针对风向sin值、风向cos值分别设计两个预测模型，分别为SVR模型1和SVR模型2，然后对步骤2)生成的数据序列集进行数据重组，分别形成SVR模型1、2的特征数据库，具体如下：
对于SVR模型1，每一个单独的输入样本都包含20个风向的sin值及最近一次的风速、温度、气压值，输出样本为当前时刻的风向sin值作为预测值，经过数据集整理形成SVR模型1的特征数据库；
对于SVR模型2，每一个单独的输入样本都包含20个风向的cos值及最近一次的风速、温度、气压值，输出样本为当前时刻的风向cos值作为预测值，经过数据集整理形成SVR模型2的特征数据库；
最后，对两个SVR模型的特征数据库进行拆分，分别形成SVR模型1、2的训练集和测试集；
4)模型参数选择
确定两个预测模型的参数，以及核函数；
5)模型训练、保存
以两个模型的训练集分别对SVR模型1、2进行训练，并且保存模型；
6)SVR模型加载、数据预测
以两个模型的测试集分别对SVR模型1、2进行测试，并且生成每一个测试集输入样本对应的预测值；
7)生成风向角度值
根据预测风向的sin标量、cos标量进行逆运算，生成预测的风向角度值，并且规定其范围在0～360°；
8)偏航控制
将预测的风向角度值作为参考信号进行偏航控制。


2.根据权利要求1所述的一种基于短期风向预测的风电机组智能偏航控制方法，其特征在于：在步骤1)中，采样的数据来源于风电场集控中心数据存储服务器的历史数据库，数据采样间隔为1s。


3.根据权利要求1所述的一种基于短期风向预测的风电机组智能偏航控制方法，其特征在于：在步骤2)中，风向数据是一个周期为360°的角变量，需要将风向信号转化成一个非周期信号，具体是采用三角函数sin、cos对风向进行变换，这样0～360°的周期信号就被转换为-1～+1之间的标量信号；综合sin分量与cos分量，能够唯一确定风向的值，通过sin、cos分量的正负，即可确定风向处于第几象限；
令风向为θ，x1、x2分别代表风向的sin分量、cos分量，则：
x1＝sin(θ)
x2＝cos(θ)
完成上述风向信号处理之后，形成新的数据标签，包括x1、x2、风速、气温、气压；
对所有的标签点数据进行滑动平均值滤波，滤波时间常数为5s，然后以5s为周期进行重采样，生成新的采样数据序列集，即input1，其包含的数据有对x1滤波重采样的值、对x2滤波重采样的值，对风速滤波重采样的值、对气温滤波重采样的值、对气压滤波重采样的值，分别命名为y1、y2、y3、y4、y5；
在步骤3)中，对上一步生成的input1进行重组，建立模型特征数据库，具体做法如下：
以最近时刻的y3、y4、y5以及y1序列当前时刻之前的20个历史值(y1-1,y1-2……y1-20)共23个数据为一个输入样本；以当前时刻y1为一个输出样本，对input1数据进行重组，形成SVR模型1的输入输出样本集；y1的预测模型能够定义如下式(1...

【专利技术属性】
技术研发人员：任娜，张博，
申请(专利权)人：明阳智慧能源集团股份公司，
类型：发明
国别省市：广东;44