【技术实现步骤摘要】
本专利技术涉及一种应对风向波动性的风电机组偏航控制方法，属于风力发电。
技术介绍
1、随着化石能源的逐渐枯竭，可再生的清洁能源需求量大大增加，风电作为可再生能源近年来已经受到广泛关注，且各国对风能的开发与利用不断加强，风电技术得带了可观的发展。然而，随着陆路风电机组装机量的饱和，提升风能的利用率，优化风电机组的控制方法成为了主流研究方向。
2、偏航系统是风电机组的重要组成部分，当风速矢量发生一定程度的变化时，偏航系统会驱动风电机组进行对风，但是风具有不确定性，风向也更是会频频产生波动，那么偏航系统能否及时并且以合适的偏航速度对风，成为了提高发电量，减少机组载荷的关键因素。目前，模型预测控制器(mpc)是电机常用的控制器，但是这种控制器在风电领域需要大量的计算量和计算资源，对计算资源和硬件设备的要求高，增加了实施成本，而大量风电场的偏航系统使用简单的死区控制策略，偏航速度无法针对性的应对风机局部环境变化，偏航控制阈值参数也是恒定的，无法应对风向的波动。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种通过实时风速和风向稳定性预测出短期的最佳偏航速度的应对风向波动性的风电机组偏航控制方法。
2、本专利技术采用如下技术方案：
3、本专利技术一种应对风向波动性的风电机组偏航控制方法，采用如下步骤：
4、步骤s1、获取所述风电场的scada历史数据，将历史数据中的风向数据进行滤波处理得到风向序列；
5、步骤s2、根据风向历史
6、步骤s3、根据所述滤波处理后得到的风向序列确定风向稳定性pst，基于设定时间内的平均风速、风向稳定性pst和偏航速度训练模型，得到当前理想的偏航速度v；
7、步骤s4、根据实时平均风速和实时风向稳定性pst调整控制参数阈值，并且作为步骤s3所训练模型的输入得到偏航速度v，然后对风电机组进行偏航控制。
8、本专利技术步骤s2短期风向预测模型采用基于小波分解wd的arma与bayes-lstm组合预测短期风向，将原始风向数据进行预处理和小波分解，得到近似趋势分量和高频细节分量，对趋势分量使用arma算法建立预测模型，对细节分量使用bayes-lstm神经网络建立预测模型，将各模型进行组合重构得到风向预测最终值。
9、本专利技术步骤s3中提取风向序列的波动幅度a和波动持续时间t，确定风向稳定性pst。
10、本专利技术步骤s3中风向序列确定风向稳定性pst，具体步骤如下：
11、首先计算波动幅度a和波动持续时间t的边际概率密度分布，采用带偏移的威布尔分布，具有偏移量的威布尔分布公式如下：
12、
13、公式中，α为尺度参数，β为形状参数，m为位移的长度；
14、采用联合copulas表达波动幅度a和波动持续时间t的联合概率密度，其公式如下：
15、c(u，v)＝ω1c_{gum bel}(u，v)+ω2c_{clayton}(u，v)+ω3c_{frank}(u，v)
16、公式中，c_{gumbel}(u，v)，c_{clayton}(u，v)，c_{frank}(u，v)是三个阿基米德copula函数，ω1，ω2，ω3是对应每个copula的权重，u，v是波动幅度a和波动持续时间t的边际概率密度；
17、风向稳定性pst的计算方式：
18、公式中ea为预定义的波动幅度阈值，et为预定义的波动时间阈值，f(x，y)是(a，t)的联合分布概率密度。
19、本专利技术步骤s1中，历史风向数据滤波具体采用：
20、针对波动幅度a小于2°或者是波动持续时间t小于2s的数据滤波，设定一个滑动窗口，大小为2s，遍历数据，将滑动窗口内的数据视为一个独立的信号片段；对每个信号片段进行分析，检查其最大值与最小值之差，如果小于2°，则认为该信号片段符合波动幅度过滤条件；同时，检查信号片段内波动持续时间是否小于2s，如果波动持续时间小于2s，则该信号片段符合波动持续时间过滤条件；如果信号片段满足波动幅度过滤条件或波动持续时间过滤条件中的任何一个，保留原始数据；不满足任一条件的信号片段可选择衰减处理将处理后的信号片段拼接起来，得到滤波后的风向序列。
21、本专利技术步骤s3中，基于bp神经网络构建模型，使用贝叶斯优化算法对其进行参数优化。
22、本专利技术步骤s2中采用基于小波分解(wd)的arma与bayes-lstm组合预测短期风向；
23、采用db4小波对风向数据进行三层分解，小波分解提取原始信号中不同频率的信息，其中近似分量代表原始信息的趋势成分，而细节分量代表原始信息的高频波动成分，预处理过的原始风向数据作为输入信号，风向时间序列f(x)可以分解为：
24、f(x)＝an+dn-1+...+d1
25、公式中，an为近似趋势分量；n为小波分解层数；dn为高频细节分量。
26、本专利技术原始风向数据经过小波分解后，得到近似趋势分量a3，高频细节分量d1，d2，d3，对于近似趋势分量，采用arma模型进行预测，对于高频细节分量d1，d2，d3分别采用bayes-lstm模型进行训练和预测，将预测得到的各个分量进行逆小波重构得到风向预测最终值。
27、本专利技术根据实时的平均风速和风向稳定性pst，调整所述风电机组的偏航角阈值ea和偏航时延阈值et，具体的：
28、风电机组在正常情况下，当风速v为0～3m/s时，风机不动作，3m/s为切入风速，3～11m/s处于切入风速和额定风速区间，11～16m/s处于额定风速区间，16～25m/s风机处于功率控制阶段，25～30m/s后，风机停止运行。
29、本专利技术积极效果如下：本专利技术通过实时风速和风向稳定性预测出短期的最佳偏航速度，克服了风向波动对系统性能造成的不良影响；同时，通过风向稳定性与风速等级实时调整偏航系统的阈值，避免了偏航系统在低风速和过高风速下的频繁启停，也避免了风电机组在风速合适的情况下因风轮不能及时对风而造成的出力不足现象。
本文档来自技高网...【技术保护点】
1.一种应对风向波动性的风电机组偏航控制方法，其特征在于，采用如下步骤：
2.根据权利要求1所述的应对风向波动性的风电机组偏航控制方法，其特征在于，步骤S2短期风向预测模型采用基于小波分解WD的ARMA与Bayes-LSTM组合预测短期风向，将原始风向数据进行预处理和小波分解，得到近似趋势分量和高频细节分量，对趋势分量使用ARMA算法建立预测模型，对细节分量使用Bayes-LSTM神经网络建立预测模型，将各模型进行组合重构得到风向预测最终值。
3.根据权利要求1所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，步骤S3中提取风向序列的波动幅度A和波动持续时间T，确定风向稳定性Pst。
4.根据权利要求3所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，步骤S3中风向序列确定风向稳定性Pst，具体步骤如下：
5.根据权利要求2所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，步骤S1中，历史风向数据滤波具体采用：
6.根据权利要求3所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，步
7.根据权利要求1所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，步骤S2中采用基于小波分解(WD)的ARMA与Bayes-LSTM组合预测短期风向；
8.根据权利要求7所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，原始风向数据经过小波分解后，得到近似趋势分量a3，高频细节分量d1，d2，d3，对于近似趋势分量，采用ARMA模型进行预测，对于高频细节分量d1，d2，d3分别采用Bayes-LSTM模型进行训练和预测，将预测得到的各个分量进行逆小波重构得到风向预测最终值。
9.根据权利要求4所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，根据实时的平均风速和风向稳定性Pst，调整所述风电机组的偏航角阈值EA和偏航时延阈值ET，具体的：
...【技术特征摘要】
1.一种应对风向波动性的风电机组偏航控制方法，其特征在于，采用如下步骤：
2.根据权利要求1所述的应对风向波动性的风电机组偏航控制方法，其特征在于，步骤s2短期风向预测模型采用基于小波分解wd的arma与bayes-lstm组合预测短期风向，将原始风向数据进行预处理和小波分解，得到近似趋势分量和高频细节分量，对趋势分量使用arma算法建立预测模型，对细节分量使用bayes-lstm神经网络建立预测模型，将各模型进行组合重构得到风向预测最终值。
3.根据权利要求1所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，步骤s3中提取风向序列的波动幅度a和波动持续时间t，确定风向稳定性pst。
4.根据权利要求3所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，步骤s3中风向序列确定风向稳定性pst，具体步骤如下：
5.根据权利要求2所述的一种应对风向波动性的风电机组偏航控制方法，其特征在于，步骤s1中，历史风向数据滤波具...
【专利技术属性】
技术研发人员：丁春兴，刘长良，葛建宏，吴涛，申向荣，刘卫亮，王向伟，刘帅，刘毅，段瑞龙，赵海玉，王洪兴，
申请(专利权)人：华能承德风力发电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。