[发明专利]一种风电场尾流预测方法、模型及其系统

说明书

本发明公开了一种风电场尾流预测方法、模型及其系统，属于新能源风电技术领域。本发明包括如下步骤：根据尾流截面距离风力机的距离，将风力机尾流区划分为近尾流区和远尾流区；分别对风力机近尾流区和远尾流区的尾流模型进行构造；引入尾流叠加方法构建全场尾流模型；获得最佳尾流参数数据集；以风电场来流数据为输入，尾流参数数据为输出，训练机器学习模型，建立来流信息与尾流特征之间的关系，构建出自适应风电场工程尾流模型；依据输入的来流信息，通过训练好的机器学习模型预测得到尾流膨胀率，将其与解析尾流模型结合，执行风电场内尾流相关的计算，进一步考虑了近尾流发展特征对远尾流的影响，有效提高了尾流区域的速度亏损计算精度。

技术领域

本发明属于新能源风电技术领域，特别是涉及一种风电场尾流预测方法、模型及其系统。

背景技术

为了得到更高的发电量，除风电机组大型化、不断提升风力发电机的单机容量外，还需要扩大风电场的规模以布置更多的风电机组。然而在通常情况下风电机组数目增加与发电量的提升并不成正比，当风电机组达到一定数量后，继续增加布机台数反而会导致风电场发电量的减少，这是由于风电场中存在尾流效应，使得处于下游的风电机组捕捉的风速较低，湍流强度增大，发电量下降。除此之外，风电机组尾流效应同时增大下游风电机组疲劳载荷、增大失效概率，从而增大风电场的运维成本。

为了减少尾流效应对风电机组的影响，提高风电场经济效应和安全运行，对风电机组的尾流特性和尾流流场细节的研究是有必要的。早期提出已被广泛认可的高效工程尾流模型仅对远尾流区进行分析，未考虑近尾流区速度分布对远尾流的影响机制，同时现有的工程尾流模型仅针在特定实验情况下表现良好，在实际风电场中仍然存在较大误差。此外，考虑到复杂的入流大气边界层流场对风速、风向、稳定度等气象因素影响，需要从整体上考虑风电场区的尾流速度分布，并引入机器学习等智能算法，以期对工程尾流模型的计算精度进一步提高。

发明内容

本发明的目的在于提供一种风电场尾流预测方法、模型及其系统，通过进一步考虑了近尾流发展特征对远尾流的影响，有效提高了尾流区域的速度亏损计算精度更好的服务于优化布局工作，解决了现有技术应用于实际风电场的功率计算等方面存在较大误差问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种风电场尾流预测方法，所述方法包括如下步骤：

S1：根据尾流截面距离风力机的距离，将风力机尾流区划分为近尾流区和远尾流区；

S2：分别对风力机近尾流区和远尾流区的尾流模型进行构造；

S3：引入尾流叠加方法构建全场尾流模型；

S4:将远近尾流区的尾流膨胀率k和k^*作为待定参数，选用风电场的SCADA数据，对各个时间点的数据进行尾流特征提取，获得最佳尾流膨胀率数据集；

S5:以风电场来流数据为输入，尾流参数数据为输出，训练机器学习模型，建立来流信息与尾流特征之间的关系，构建出自适应风电场工程尾流模型；

S6:依据输入的来流信息，通过训练好的机器学习模型预测得到尾流参数，将其与解析尾流模型结合，执行风电场内尾流相关的计算。

进一步地，所述近尾流区尾流分布呈现双高斯规律，远尾流区尾流分布呈现单高斯规律，远近尾流区分界点可由下式确定：

其中，a＝0.58,b＝0.077,c为比例系数，根据实际应用风场的情况确定；TI_x,hub为轮毂高度处流向湍流强度，D为转轮直径、C_T为推力系数；

用x表示尾流截面距风力机的距离，当x＜x_d时，近尾流区尾流呈双高斯分布。