[发明专利]一种基于聚类分析和神经网络的风电噪声评价方法

权利要求书

1.一种基于聚类分析和神经网络的风电噪声评价方法，其特征在于，所述方法包括下述步骤：

步骤1：风电机组噪声测试；

步骤2：风电机组主控制系统数据收集和验证；

步骤3：数据聚类分析；

步骤4：BP神经网络模型训练；

步骤5：得出噪声评价结果；

所述步骤2包括：在风电机组噪声测试过程中，同步采集风电机组主控制系统运行数据，包括机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，风电机组主控制系统运行数据与噪声测试数据同步采集，采集数据需要进行数据清洗和筛选，选择有效数据进行下一步分析；

风电机组中控制系统数据从风电机组主控制系统中直接引出；对采集到的风电机组主控制系统运行数据进行清洗和筛选，删去由于采集系统故障出现的偏离正常范围的数据以及风电机组故障期间的数据；

所述步骤3包括：

使用K-means聚类方法对步骤2所采集的数据自动进行分类；在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离V将每个对象重新赋给最近的簇；当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来；如果在一次迭代前后，V的值没有发生变化，说明算法已经收敛；

式中：x为所有数据点的特征向量，由步骤1所得到的风电机组噪声数据和步骤2所得到的机舱风速(Ws)、功率(P)、桨距角(Pitch)、风轮转速(n)四项数据得到；μ为聚类中心特征向量；通过多次迭代，将所有数据进行分为3类；

所述步骤4包括：利用上述风电机组噪声测试结果、风力发电机组主控制系统采集的运行数据，以及聚类分析所得的数据分类结果，采用BP神经网络模型对所有数据进行训练；

BP神经网络输入层包括：风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度、气压，以及测量所得到的风电机组视在声功率级，均使用1min平均值；

训练得到的BP神经网络模型用于对风电机组噪声做出持续评估；

所述步骤5包括：持续采集风电机组主控制系统的运行数据，包括风电机组机舱风速、风向、输出功率、桨距角、风轮转速、温度和气压，以风电机组主控制系统的运行数据的10min平均值作为BP神经网络模型的输入层，得出对风电机组视在声功率级的预测值L_WA,n；

采用BP神经网络模型对所有数据进行训练；数据使用步骤三聚类分析所得的数据分类结果；

BP神经网络模型拓扑结构包括输入层、隐藏层和输出层，利用激活函数来描述层与层输出之间的关系，模拟各层神经元之间的交互反应；BP网络能学习和存贮大量的输入-输出模式映射关系，学习的方式是在外界输入样本的刺激下不断改变网络的连接权值，希望能学习到一个模型，能够针对输入得到一个期望的输出；

对于风电场噪声评价，针对风电场中每种型号的风电机组重复上述步骤，得出每种型号风电机组的噪声预测神经网络模型；对于同种型号风电机组，采用同一神经网络模型；

对于风电机组噪声预测神经网络模型，输入每一风电机组的SCADA数据，得出每个时刻单台风机的视在声功率级预测值L_WA,n,1,L_WA,n,2,L_WA,n,2…；将风电机组简化为点声源模型，对于风电场内或风电场5km以内的一点P，使用式(3)得到每台风电机组在P点处的等效声压级L_p，n：

将所有风电机组的等效声压级结果进行叠加，得到所有风电场在某一点P处的噪声声压级L_e：

其中：R_n——第n台风电机组风轮中心到接收点P的倾斜距离，单位为m；

S₀——基准面积，S₀＝1m²；

L_WA，n——风电机组视在声功率级的预测值；

L_p，i——第i台风电机组在P点处的等效声压级。