本发明公开了一种风电机组机前风速智能软测量方法。首先采用激光雷达数据作为数据样本，使用AIC或BIC准则判断输入输出之间的延迟阶次，并根据延迟阶次定义动态差分回归向量，根据聚类结果使用机器学习算法划分超平面，在全局作用域和分作用域内分别采用人工智能动态回归算法进行动态差分输入输出非线性映射建模。针对激光雷达实测机前风速和软测量机前风速进行经验模式分解和功率谱密度分析，从而进一步验证风电机组机前风速智能软测量的预测性能。本发明的优点：减少了激光雷达系统的配备，大大降低了风电场的建设成本，能够优化机组的控制性能，保障机组安全高效地运行，提高了风电机组的发电效益。
1.一种风电机组机前风速智能软测量方法，其特征在于，基于风电机组机前激光雷达测风、风电机组机前风速动态差分短期或超短期软测量、时频域性能评价，包括：选定风电机组，设定采样周期，采用机载或地面激光雷达系统获取风电机组实测运行数据；
根据风电机组气动特性机理分析，选定机舱风速等变量作为模型输入变量，机前风速作为模型输出变量；
基于非线性特征选择算法，分析各输入变量与输出变量之间的相关性，最终确定输入特征变量；
采用动态机理模型、赤池信息准则即Akaike information Criterion,简称AIC，或者贝叶斯信息准则Bayesian Information Criterion,简称BIC，确定输入变量与输出变量之间存在的延迟阶次，根据输入、输出变桨及其延迟阶次定义动态差分回归向量；
基于动态差分回归向量进行高维参量机器学习聚类，并且根据聚类结果基于机器学习算法划分超平面，根据划分好的超平面得到若干作用域；
在各作用域内均衡选择建模样本，采用人工智能动态回归算法建立全局作用域动态差分输入输出非线性映射模型和分作用域动态差分输入输出非线性映射模型，再使用滚动预测对机前风速进行软测量；
对雷达实测风速和软测量风速分别进行经验模式分解和功率谱密度分析，对比全局作用域模型和分作用域模型，进一步验证风电机组机前风速智能软测量方法的预测性能，依据模型性能选择全局作用域模型或分作用域模型作为最终软测量模型。
2.根据权利要求1所述的一种风电机组机前风速智能软测量方法，其特征在于：使用机载或地面激光雷达系统对风电机组运行数据进行超短期采样。
3.根据权利要求1所述的一种风电机组机前风速智能软测量方法，其特征在于：为了从数据层面验证所述输入输出变量之间的相关性，可以采用最大信息系数法即Maximal Information Coefficient,简称MIC进行相关性分析；
4.根据权利要求1所述的一种风电机组机前风速智能软测量方法，其特征在于：采用所述赤池信息准则判断输入与输出之间存在的延迟阶次，其一般可以表示为：其中，na表示输出变量的延迟阶次，nb表示输入变量的延迟阶次，m表示观测个数，L表示模型得出的似然函数最优值。
5.根据权利要求1所述的一种风电机组机前风速智能软测量方法，其特征在于：所述采用的机器学习算法划分超平面，其优化目标为：其中，ω和b分别为超平面的法向量和偏移量，C为惩罚因子，通过C来控制对错误分类样本的惩罚力度，取值范围为(0,1)；ζi为松弛变量；yi为数据分类标签，取值为1或‑1；m为用于分类的总数据量；
求解上述优化目标即可得到相邻数据集最佳划分超平面系数，各超平面将整个作用域划分为若干个子作用域；超平面的划分是为了明确各工况的边界，便于识别工况以及各工况的样本量，并且有利于建模和模型调用。
6.根据权利要求1所述的一种风电机组机前风速智能软测量方法，其特征在于：所述对雷达实测风速与模型输出风速进行经验模式分解后再针对主要经验模态函数即intrinsic mode function，简称IMF进行功率谱密度分析，进一步验证有效风速预测性能；其中，经验模式分解特别适用于非线性非平稳信号的分析处理，是一种信号分解手段，风速信号具有非线性非平稳等特征；分解过程为找出原数据序列X(t)所有的极大值点并用三次样条插值函数拟合形成原数据的上包络线；同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线，上包络线和下包络线的均值记作ml，将原数据序列X(t)减去平均包络ml，得到一个新的数据序列h，新数据序列h的表达式为h＝X(t)‑ml (4)由原数据减去包络平均后的新数据，若还存在负的局部极大值和正的局部极小值，说明这还不是一个经验模态函数，需要继续进行“筛选”；
而功率谱密度即power spectral density,简称PSD是当信号波的功率频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率；功率谱密度函数是频率特性的一个重要统计参数，由于风速信号属于随机信号，其积分并不收敛，所以风速信号的傅里叶变换本身是不存在的，因此，只能通过统计学的方法来表示；自相关函数能够完全地体现出信号独特的统计平均值，而功率谱密度就是自相关函数的傅里叶变换，它所展示的正是信号在各频率处功率的分布情况，通过功率谱密度分析就能判断信号在某个频率下功率输出最大。
一种风电机组机前风速智能软测量方法
技术领域
[0001] 本发明涉及风力发电技术领域，具体是指一种风电机组机前风速智能软测量方法。
背景技术
[0002] 随着人类社会的不断推进，电力作为国民生产生活中不可或缺的二次能源，其需求变得越来越大。但随着能源问题与环境问题日渐严峻，传统能源形式逐渐向新能源转变已经成为当今世界发展的必然趋势。在众多可再生能源中，风能因其资源丰富且高效清洁，受到广泛关注。
[0003] 当风电机组正常运行时，由于风机变桨控制和输出功率预测的需要，往往需要对机前风速进行准确获取。而风速的采集目前通常有两种手段：一是使用安装于风机机舱上方的测风仪进行测量风速，但是由于测风仪位于风电机组机舱尾部，与风轮之间存在一定距离，所以测得的风速存在一定的延迟，并且由于尾流效应，风轮后方位置测得的风速具有大小和方向频繁变化的现象，导致机舱尾部测风仪测得风速与机前风速之间存在偏差。二是使用激光雷达测风装置进行机前有效风速的准确获取，但是由于激光雷达造价高昂，无法对风电场每台风机进行配备。
[0004] 为了解决这个问题，提出一种风电机组机前风速智能软测量方法。该方法能够成功软测量出风电机组的机前风速，其基于动态差分作用域划分思想，分区域建立输入输出非线性映射模型。根据激光雷达实测数据，以及建立的多个非线性映射模型，对风电机组机前风速进行软测量。机前风速的准确获取，能够优化机组的控制性能，保障机组安全高效地运行，提高了风电机组的发电效益。
发明内容
[0005] 本发明为了解决上述的各种问题，提供了减少激光雷达系统的配备，降低风电场的建设成本的一种风电机组机前风速智能软测量方法。
[0006] 为解决上述技术问题，本发明提供的技术方案为：一种风电机组机前风速智能软测量方法，包括：
[0007] 选定风电机组，设定采样周期，采用机载或地面激光雷达系统获取风电机组实测运行数据；
[0008] 根据风电机组气动特性机理分析，选定机舱风速等变量作为模型输入变量，机前风速作为模型输出变量；
[0009] 基于非线性特征选择算法，分析各输入变量与输出变量之间的相关性，最终确定输入特征变量；
[0010] 采用动态机理模型、赤池信息准则即Akaike information Criterion,简称AIC，或者贝叶斯信息准则Bayesian Information Criterion,简称BIC，确定输入变量与输出变量之间存在的延迟阶次，根据延迟阶次定义动态差分回归向量；
[0011] 基于动态差分回归向量进行高维参量机器学习聚类，并且根据聚类结果基于机器学习算法划分超平面，根据划分好的超平面得到若干作用域；
[0012] 在各作用域内均衡选择建模样本，采用人工智能动态回归算法建立全局作用域动态差分输入输出非线性映射模型和分作用域动态差分输入输出非线性映射模型，再使用滚动预测对机前风速进行软测量；
[0013] 对雷达实测风速和软测量风速分别进行经验模式分解和功率谱密度分析，对比全局作用域模型和分作用域模型，进一步验证风电机组机前风速智能软测量方法的预测性能，依据模型性能选择全局作用域模型或分作用域模型作为最终软测量模型。
[0014] 优选的，使用机载或地面激光雷达系统对风电机组运行数据进行超短期采样。
[0015] 优选的，为了从数据层面验证所述输入输出变量之间的相关性，可以采用最大信息系数法即Maximal Information Coefficient,简称MIC进行相关性分析；
[0016] 其中，MIC计算公式为
[0017]
[0018] 优选的，所述所采用的赤池信息准则判断输入与输出之间存在的延迟阶次，其一般可以表示为
[0019]
[0020] 其中，na表示输出变量的延迟阶次，nb表示输入变量的延迟阶次，m表示观测个数，L表示模型得出的似然函数最优值。
[0021] 优选的，所述采用的机器学习算法划分超平面，其优化目标为：
[0022]
[0023] 其中，ω和b分别为超平面的法向量和偏移量，C为惩罚因子，通过C来控制对错误分类样本的惩罚力度，取值范围为(0,1)。ζi为松弛变量；yi为数据分类标签，取值为1或‑1；m为用于分类的总数据量。
[0024] 求解上述优化目标即可得到相邻数据集最佳划分超平面系数，各超平面将整个作用域划分为若干个子作用域。超平面的划分是为了明确各工况的边界，便于识别工况以及各工况的样本量，并且有利于建模和模型调用。
[0025] 优选的，所述对雷达实测风速与模型输出风速进行经验模式分解后再针对主要经验模态函数即intrinsic mode function，简称IMF进行功率谱密度分析，进一步验证有效风速预测性能。其中，经验模式分解特别适用于非线性非平稳信号的分析处理，是一种信号分解手段，风速信号具有非线性非平稳等特征。分解过程为找出原数据序列X(t)所有的极大值点并用三次样条插值函数拟合形成原数据的上包络线。同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线，上包络线和下包络线的均值记作ml，将原数据序列X(t)减去该平均包络ml，得到一个新的数据序列h，新数据序列h的表达式为
[0026] h＝X(t)‑ml (4)
[0027] 由原数据减去包络平均后的新数据，若还存在负的局部极大值和正的局部极小值，说明这还不是一个经验模态函数，需要继续进行“筛选”。
[0028] 而功率谱密度即power spectral density,简称PSD是当信号波的功率频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率。功率谱密度函数是频率特性的一个重要统计参数，由于风速信号属于随机信号，其积分并不收敛，所以风速信号的傅里叶变换本身是不存在的，因此，只能通过统计学的方法来表示。自相关函数能够完全地体现出信号独特的统计平均值，而功率谱密度就是自相关函数的傅里叶变换，它所展示的正是信号在各频率处功率的分布情况，通过功率谱密度分析就能判断信号在某个频率下功率输出最大。
[0029] 本发明与现有技术相比的优点在于：风电机组运行过程中的测风主要依赖于机舱上方的机舱测风仪、测风塔和激光雷达系统。其中，激光雷达系统获取的数据精度最高，但是由于激光雷达系统费用高昂，现实中风电场不可能对每台风机都配备激光雷达系统，只会在少数风机上配备激光雷达。因此，通过已有的激光雷达数据，再基于风电机组机前风速智能软测量方法实现对风电机组机前风速的软测量，能够通过少数的几台风机上的激光雷达数据推广得到其他风机的机前风速。从而减少了激光雷达系统的配备，大大降低了风电场的建设成本。
[0030] 机前风速的软测量可以提高风力发电机组的控制性能。由于风力机处于三维时变的风场环境中，风速在整个风力机旋转平面上分布不同，风速计测量得到的风速和整个风力机旋转平面所受到的有效风速有很大差别，因此，机前风速是不能直接测量的。但是，通过基于风电机组机前风速智能软测量方法就能解决这个问题,因为能够从其他能测量的数据中间接得到风机的机前风速，并且精度较高。
[0031] 风电机组的功率特性是评估其性能的重要指标，它直接影响到风电机组的发电量多少。风电机组服役后，需要及时进行功率特性评估，而评估的关键在于准确获取机前风速。所以本发明对于风电机组的功率特性具有重要的指导意义。
附图说明
[0032] 图1是本发明的风电机组机前风速智能软测量方法流程图；
[0033] 图2是本发明的K均值‑层次聚类效果图；
[0034] 图3是本发明的超平面展示效果图；
[0035] 图4是本发明的BiLSTM结构图；
[0036] 图5是本发明的输入输出非线性映射模型精度图；
[0037] 图6是本发明的滚动预测效果图；
[0038] 图7是本发明的(左)模型输出机前风速EMD分解(右)实测机前风速EMD分解；
[0039] 图8是本发明的模型输出机前风速子序列的功率谱密度图；
[0040] 图9是本发明的实测机前风速子序列的功率谱密度图。
具体实施方式
[0041] 为使本发明实施例的目的、技术方案和优点更加清楚，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。
[0042] 以下结合附图及本发明的优选实施例，进一步阐述本发明为达成预定发明目的所采取的技术手段。本发明选取云南某风电场一台风力发电机组，使用激光雷达系统获取实测历史运行数据来进行仿真，采样周期为1秒/点。
[0043] 步骤一，选定风电机组，设定采样周期，采用机载或地面激光雷达系统获取风电机组实测运行数据；
[0044] 步骤二，根据风电机组气动特性机理分析，选定风电机组机舱风速、发电机转速、有功功率和浆距角作为模型输入变量，机前风速作为模型输出变量；
[0045] 所述风电机组气动特性机理分析，根据空气动力学原理，风通过风轮后风轮实际捕获的功率为：
[0046]
[0047] 其中，ρ为空气密度，R为风轮半径，vq为机前风速，Cp为风能利用系数，其可以表示为叶尖速比λ和浆距角β之间的非线性函数形式：
[0048] Cp＝f(λ,β) (2)
[0049] 其中，叶尖速比λ的定义为 ωr为风轮转子转速，风轮转子转速与发电机转速ωg之间的关系为ωg＝αωr，其中α为齿轮箱传动比。
[0050] 代入叶尖速比公式 得，
[0051]
[0052] 再由能量守恒定律，忽略机械侧损耗，得，
[0053]
[0054] 其中，m为流过气体质量，vc为机舱风速。
[0055] 所以风电机组机前风速vq与发电机转速ωg、机舱风速vc、功率P和浆距角β有关，故选定机舱风速、发电机转速、有功功率和浆距角作为模型输入变量，机前风速作为模型输出变量。
[0056] 步骤三，使用非线性相关性分析算法，分析各输入变量与输出变量之间的相关性，最终确定输入特征变量。
[0057] 在本实施例中，采用最大信息系数法(Maximal Information Coefficient,MIC)进行相关性分析，MIC计算分为三个步骤：
[0058] 1、给定i、j，对XY构成的散点图进行i列j行网格化，并求出最大的互信息值；
[0059] 2、对最大的互信息值进行归一化；
[0060] 3、选择不同尺度下互信息的最大值作为MIC值。
[0061] 各输入变量与输出变量之间的相关系数如表1所示。
[0062] 表1各输入变量与输出变量之间的相关系数表
[0063]
[0064] 步骤四，基于动态机理模型，使用赤池信息准则(Akaike information Criterion,AIC)或者贝叶斯信息准则(Bayesian Information Criterion,BIC),判断输入变量与输出变量之间存在的延迟阶次，再根据延迟阶次定义动态差分回归向量；
[0065] 在本实施例中，采用AIC准则确定输入与输出之间的延迟阶次为na＝3,nb＝2，且根据延迟阶次定义动态差分回归向量为：
[0066] μ(t)＝[g(t‑1),g(t‑2),P(t‑1),P(t‑2),v(t‑1),v(t‑2),p(t‑1),p(t‑2),[0067] y(t‑1),y(t‑2),y(t‑3)] (5)
[0068] 其中，g(·)为发电机转速，P(·)为有功功率，v(·)为机舱风速，p(·)为浆距角，y(·)为机前风速。
[0069] 步骤五，基于动态差分回归向量采用高维参量机器学习聚类算法对于数据进行分类，并且根据聚类结果基于机器学习算法划分超平面，根据划分好的超平面得到若干作用域；
[0070] 在本实施例中，聚类算法采用K均值‑层次聚类算法，机器学习算法采用软间隔支持向量机算法，聚类效果如图2所示，划分超平面展示效果如图3所示。
[0071] 步骤六，在各作用域内均衡选择建模样本，分别采用人工智能动态回归算法建立输入输出非线性映射模型；并且基于各作用域的非线性映射模型，使用滚动预测实现对机前风速的软测量；
[0072] 在本实施例中，使用深度学习BiLSTM神经网络算法建立输入输出非线性映射模型，双向长短时记忆算法(Bidirectional Long ShortTerm Memory，Bi‑LSTM)由前向LSTM和后向LSTM组合而成，因为其结合了输入序列在前向和后向两个方向上的信息。对于t时刻的输出，前向LSTM层具有输入序列中t时刻以及之前时刻的信息，而后向LSTM层中具有输入序列中t时刻以及之后时刻的信息。两个LSTM层输出的向量可以使用相加、平均值或连接等方式进行处理。Bi‑LSTM结构如图4所示。基于其中一个作用域建立的输入输出非线性映射模型的建模精度如图5所示。使用滚动预测对机前风速的软测量效果如图6所示。
[0073] 步骤七，对雷达实测风速和软测量风速分别进行经验模式分解和功率谱密度分析，进一步验证风电机组机前风速智能软测量方法的预测性能。
[0074] 其中，经验模式分解的步骤为：
[0075] 步骤7.1，对于模型输出雷达风速序列lp(t)和实测雷达风速l(t)，这里使用实测雷达风速l(t)进行说明。找出该风速序列上的所有极大值点，通过三次样条插值函数形成极大值点的包络曲线lmax(t)，采用同样的方法找出该风速序列上所有的极小值点形成极小值点包络曲线lmin(t)；极小值点包络曲线和极大值点包络曲线的均值记为a，用风速序列l(t)减去a，得到b(t)，表示为：
[0076]
[0077] b(t)＝l(t)‑a (7)
[0078] 步骤7.2，将b(t)看成是一个新的信号序列，计算其系数Dk；计算系数Dk的公式如下：
[0079]
[0080] 其中，m为信号序列中的数据个数，bk‑1(t)、bk(t)为第k‑1次、第k次计算Dk系数时的b(t)。
[0081] 判断系数Dk的值是否在0.1～0.2之间，如果不在则将b(t)作为l(t)并重复步骤7.1，之后将k的值加1然后执行步骤7.2。
[0082] 步骤7.3，如经过k次迭代后满足Dk在0.1～0.2之间，则此时得到一个经验模态函数：
[0083] In(t)＝bk(t) (9)
[0084] 其中，In(t)表示第n个经验模态函数。
[0085] 计算第n个经验模态函数的余项：
[0086] ζn(t)＝l(t)‑In(t) (10)
[0087] 步骤7.4，判断In(t)函数是否为单调函数或者为一个常数，若是，则说明不能再分解，分解结束，否则，令l(t)＝ζn(t)，重复步骤7.1至步骤7.3，继续得到新的经验模态函数；则所有经验模态函数以及最后一次分解所得到的经验模态函数的余项即为雷达风速子序列。
[0088] 本发明的技术关键点在于如何构建一种风电机组机前风速智能软测量方法。首先采用激光雷达数据作为数据样本，通过风电机组气动特性机理分析，确定输入变量和输出变量。再基于动态机理模型，使用AIC或BIC准则判断输入输出之间的延迟阶次，并根据延迟阶次定义动态差分回归向量，再基于动态差分回归向量进行高维参量机器学习聚类，根据聚类结果使用机器学习算法划分超平面，根据超平面得到多个作用域，在各个作用域内分别采用人工智能动态回归算法进行输入输出非线性映射建模，再基于各作用域的非线性映射模型针对机前风速进行滚动预测，最后，针对激光雷达实测机前风速和模型输出机前风速进行经验模式分解和功率谱密度分析，从而进一步验证机前风速的预测性能。
[0089] 这里模型输出雷达风速序列lp(t)与实测雷达风速l(t)经验模态分解过程相同，以此类推，就不再赘述。在本实施例中，模型输出雷达风速序列lp(t)与实测雷达风速l(t)均分解得到6个风速子序列，如图7所示。再对分解出的每个风速子序列进行功率谱密度分析，寻找最佳机前风速软测量性能的频率范围。模型输出雷达风速子序列的功率谱密度如图8所示，实测雷达风速子序列的功率谱密度如图9所示。
[0090] 以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
