[发明专利]一种基于可量测参数的风电机组动态尾流建模方法

说明书

本发明涉及一种基于可量测参数的风电机组动态尾流建模方法，包括：获取第一风电机组尾流数据集、第一尾流空间内多点采样数据集、第一确定性状态参数数据集、第二尾流空间内多点采样数据集和第二确定性状态参数数据集；利用特征值分解得到第一风电机组尾流数据集和第一尾流空间内多点采样数据集的左特征向量；进而对第一风电机组尾流数据集、第一尾流空间内多点采样数据集和第二尾流空间内多点采样数据集进行降维映射；再根据上述结果确定状态更新矩阵和降维重构矩阵，从而得到风电机组尾流降维模型，并对其进行升维映射得到全维风电机组尾流的估计。本发明构建动态模型的状态量为具有物理意义且可测量的尾流相关参数。

技术领域

本发明涉及风电机组尾流建模领域，特别是涉及一种基于可量测参数的风电机组动态尾流建模方法。

背景技术

本发明主要涉及的领域为：风电机组尾流建模。以此为关键词的相关研究很多，如发明专利202110237938.5、202011109217.8、201710021657.X，相关论文有Frandsen:Analytical modelling of wind speed deficit in large offshore wind farms,Bastankhah M:Experimental and theoretical study of wind turbine wakes inyawed conditions等为代表。

本专利为一种风电机组动态尾流的建模方法，在这一领域内主要方法为动态模态分解方法(DMD)，介绍如：Dynamic mode decomposition:data-driven modeling ofcomplex systems，已有的基于DMD的风电机组动态尾流建模应用如：Data-driven reducedorder model for prediction of wind turbine wakes。

第一段所述的风电机组尾流建模，以Frandsen和高斯为代表的风电机组尾流模型是对风电机组尾流空间分布与速度分布等静态特征提取和近似，在此基础上，以第二段所述的DMD方法用于构建线性降维的动态尾流模型，其本质是对非线性流体的线性有限维近似。本专利提出一种基于Koopman算子理论的风电机组动态尾流建模方法，构建得到的尾流动态模型形式与DMD得到的模型相似，均是一种线性状态空间模型。区别在于，本专利构建动态模型的状态量为具有物理意义且可测量的尾流相关参数，而DMD尾流模型的状态参数从全局尾流数据降阶而来，没有物理意义且不可量测。

发明内容

本发明的目的是提供一种基于可量测参数的风电机组动态尾流建模方法，构建动态模型的状态量为具有物理意义且可测量的尾流相关参数。

为实现上述目的，本发明提供了如下方案：

一种基于可量测参数的风电机组动态尾流建模方法，包括：

从某一时刻开始获取一定时间内的第一风电机组尾流数据、第一尾流空间内多点采样数据和第一确定性状态参数数据；

根据所述第一风电机组尾流数据、第一尾流空间内多点采样数据和第一确定性状态参数数据分别构建第一风电机组尾流数据集、第一尾流空间内多点采样数据集和第一确定性状态参数数据集；

从所述某一时刻的下一时刻开始获取一定时间内的第二尾流空间内多点采样数据和第二确定性状态参数数据并分别构建第二尾流空间内多点采样数据集和第二确定性状态参数数据集；

分别对所述第一风电机组尾流数据集和第一尾流空间内多点采样数据集进行特征值分解，得到所述第一风电机组尾流数据集的左特征向量和第一尾流空间内多点采样数据集的左特征向量；

根据所述第一风电机组尾流数据集的左特征向量和第一尾流空间内多点采样数据集的左特征向量对所述第一风电机组尾流数据集、第一尾流空间内多点采样数据集和第二尾流空间内多点采样数据集进行降维映射；