風電機組來流風速測量方法及裝置的制造方法
【技術領域】
[0001] 本發(fā)明涉及風電機組風速測量技術領域，尤其涉及一種風電機組來流風速測量方 法及裝置。
【背景技術】
[0002] 風速作為直接決定風力發(fā)電機組出力的參量，不僅對風電機組功率特性評價及發(fā) 電效益評估意義重大，同時也是相應控制系統(tǒng)安全高效運行的關鍵。來流風速也可稱為有 效風速，是風力發(fā)電機組葉輪中心前方的真實風速（受風力機影響之前）。來流風速不易直 接測量。
[0003]目前，存在以下幾種測量風電機組來流風速的方法：
[0004] (1)基于風力機機艙上方的風速計。風電機組普遍將機艙風速默認為來流風速，對 兩者不加以區(qū)分。然而機艙風速是來流風速受到機組葉輪、機艙、塔筒以及各種環(huán)境因素影 響之后由風速計測量得到的，與來流風速存在一定的偏差。由于風速計位于葉輪之后（主 要針對上風向風機），受湍流、塔架、風切變、地表粗糙度等因素的影響，風速計測量值并不 能如實反映來流風速（風力機接受的真實風速）。在風電機組設計之初，所有與風速有關的 參數設置都是以來流風速為基準的，如果簡單地把風速計測量風速作為來流風速，給機組 的信息必然存在偏差，使得機組的控制能力下降，影響機組的系統(tǒng)性能。
[0005] (2)基于BP (Back Propagation)神經網絡建立風速軟測量模型，或者，基于支持 向量機（Support Vector Machine，簡稱為SVM)建立風速軟測量模型。這些模型通常以風 力機旋轉角速度ω、輸出功率P及槳距角β為二次變量，以有效風速v為主導變量建立風 速軟測量模型。然而由于模型在二次變量的選擇上考慮的因素過少，使得模型很難準確地 反映來流風速的波動特性，從而影響了來流風速的測量精度。另外，模型本身存在的固有缺 陷也使得其有效性和實用性受到了質疑。
[0006] (3)基于數理機理建模的風速測量，例如風輪單元流管建模。模型的建立完全依據 風速在葉輪前后變化的物理機理，邏輯推理嚴密，表達式明確，可以直接對葉輪后風速進行 修正得到來流風速。然而此種方法并沒有考慮實際的運行工況，現(xiàn)場風機運行環(huán)境復雜多 變，各種因素對風速交錯影響，理論上的計算結果與實際情況并不一致。
[0007] 針對上述來流風速測量精度不高的問題，目前尚未提出有效的解決方案。

【發(fā)明內容】

[0008] 本發(fā)明提供了一種風電機組來流風速測量方法及裝置，以至少解決現(xiàn)有技術中來 流風速測量精度不高的問題。
[0009] 根據本發(fā)明的一個方面，提供了一種風電機組來流風速測量方法，包括：采集風電 機組在預設時間內的來流風速和風機狀態(tài)運行參量；利用第一訓練樣本對ΒΡ神經網絡模 型進行訓練，得到所述ΒΡ神經網絡模型的第一誤差，以及利用第二訓練樣本對最小二乘支 持向量機LSSVM模型進行訓練，得到所述LSSVM模型的第二誤差；其中，所述第一訓練樣本 和所述第二訓練樣本的輸入變量是從所述風機狀態(tài)運行參量中選取的對應的預設變量，模 型輸出結果是來流風速；基于均方誤差最小原則，根據所述第一誤差、所述第二誤差確定風 速組合測量模型中BP神經網絡模型的權重和LSSVM模型的權重，得到基于BP神經網絡和 LSSVM的風速組合測量模型；利用所述風速組合測量模型，根據輸入的測試樣本測量風電 機組的來流風速。
[0010] 在一個實施例中，在利用第一訓練樣本對BP神經網絡模型進行訓練，以及利用第 二訓練樣本對LSSVM模型進行訓練之前，所述方法還包括：按照預設條件對采集的來流風 速和風機狀態(tài)運行參量進行數據篩選，其中，所述預設條件包括：風機并網無故障運行、風 機非限功率運行以及數據均勻覆蓋風機所有運行工況；針對篩選后的數據，對風機狀態(tài)運 行參量中的部分數據進行數據處理，其中，所述數據處理包括：計算標準偏差；從處理后的 風機狀態(tài)運行參量中選取所述預設變量。
[0011] 在一個實施例中，所述第一訓練樣本對應的預設變量包括：槳距角、葉輪轉速、功 率、槳距角標準偏差和功率標準偏差，所述第二訓練樣本對應的預設變量包括：槳距角、葉 輪轉速、功率、風向、機艙對風角度、槳距角標準偏差和功率標準偏差。
[0012] 在一個實施例中，基于均方誤差最小原則，根據所述第一誤差、所述第二誤差確定 風速組合測量模型中BP神經網絡模型的權重和LSSVM模型的權重，包括：通過求解所述風 速組合測量模型的最優(yōu)權系數的規(guī)劃模型得到所述BP神經網絡模型的權重和所述LSSVM 模型的權重；所述規(guī)劃模型為
，其中，Μ表示訓練樣本的個數；Q表示誤 差的平方和，是目標規(guī)劃函數；Wl表示ΒΡ神經網絡模型的權重系數；w2表示LSSVM模型的權 重系數；e (t)表示t時刻風速組合測量模型的誤差，
表 示t時刻BP神經網絡模型的誤差；qSSVM(t)表示t時刻LSSVM模型的誤差。
[0013] 在一個實施例中，利用第一訓練樣本對BP神經網絡模型進行訓練，得到所述BP 神經網絡模型的第一誤差，包括：將所述第一訓練樣本的輸入變量輸入到所述BP神經網絡 模型，輸出第一計算結果；將所述第一訓練樣本的輸入變量對應的來流風速與所述第一計 算結果進行比較，得到所述第一誤差；利用第二訓練樣本對LSSVM模型進行訓練，得到所述 LSSVM模型的第二誤差，包括：將所述第二訓練樣本的輸入變量輸入到所述LSSVM模型，輸 出第二計算結果；將所述第二訓練樣本的輸入變量對應的來流風速與所述第二計算結果進 行比較，得到所述第二誤差。
[0014] 根據本發(fā)明的另一個方面，提供了一種風電機組來流風速測量裝置，包括：采集單 元，用于采集風電機組在預設時間內的來流風速和風機狀態(tài)運行參量；訓練單元，用于利用 第一訓練樣本對BP神經網絡模型進行訓練，得到所述BP神經網絡模型的第一誤差，以及利 用第二訓練樣本對LSSVM模型進行訓練，得到所述LSSVM模型的第二誤差；其中，所述第一 訓練樣本和所述第二訓練樣本的輸入變量是從所述風機狀態(tài)運行參量中選取的對應的預 設變量，模型輸出結果是來流風速；權重計算單元，用于基于均方誤差最小原則，根據所述 第一誤差、所述第二誤差確定風速組合測量模型中BP神經網絡模型的權重和LSSVM模型的 權重，得到基于BP神經網絡和LSSVM的風速組合測量模型；測量單元，用于利用所述風速組 合測量模型，根據輸入的測試樣本測量風電機組的來流風速。
[0015] 在一個實施例中，所述裝置還包括：篩選單元，用于按照預設條件對采集的來流風 速和風機狀態(tài)運行參量進行數據篩選，其中，所述預設條件包括：風機并網無故障運行、風 機非限功率運行以及數據均勻覆蓋風機所有運行工況；數據處理單元，用于針對篩選后的 數據，對風機狀態(tài)運行參量中的部分數據進行數據處理，其中，所述數據處理包括：計算標 準偏差；選取單元，用于從處理后的風機狀態(tài)運行參量中選取所述預設變量。
[0016] 在一個實施例中，所述第一訓練樣本對應的預設變量包括：槳距角、葉輪轉速、功 率、槳距角標準偏差和功率標準偏差，所述第二訓練樣本對應的預設變量包括：槳距角、葉 輪轉速、功率、風向、機艙對風角度、槳距角標準偏差和功率標準偏差。
[0017] 在一個實施例中，所述權重計算單元具體用于：通過求解所述風速組合測量模型 的最優(yōu)權系數的規(guī)劃模型得到所述BP神經網絡模型的權重和所述LSSVM模型的權重；所述 規(guī)劃模型為：
|其中，Μ表示訓練樣本的個數；Q表示誤差的平方和，是目 標規(guī)劃函數；Wl表示ΒΡ神經網絡模型的權重系數；w 2表示LSSVM模型的權重系數；e (t)表 示t時刻風速組合測量模型的誤差，e (t) = WAp (t) +w2euSVM (t)，eBP (t)表示t時刻BP神經 網絡模型的誤差；qSSVM(t)表示t時刻LSSVM模型的誤差。
[0018] 在一個實施例中，所述訓練單元包括：第一訓練模塊，用于將所述第一訓練樣本 的輸入變量輸入到所述BP神經網絡模型，輸出第一計算結果；第一比較模塊，用于將所述 第一訓練樣本的輸入變量對應的來流風速與所述第一計算結果進行比較，得到所述第一誤 差；第二訓練模塊，用于將所述第二訓練樣本的輸入變量輸入到所述LSSVM模型，輸出第二 計算結果；第二比較模塊，用于將所述第二訓練樣本的輸入變量對應的來流風速與所述第 二計算結果進行比較，得到所述第二誤差。
[0019] 通過本發(fā)明的風電機組來流風速測量方法及裝置，從采集的數據中選取BP神經 網絡模型的輸入變量以及LSSVM模型的輸入變量，最大限度地反映來流風速的波動特性， 并且基于均方誤差最小原則，對BP神經網絡模型和LSSVM模型進行權重分配以及線性組 合，建立了基于BP神經網絡和LSS