[发明专利]基于BP神经网络的风电机组功率特性评估方法

摘要

本发明提供一种基于BP神经网络的风电机组功率特性评估方法，本申请只需对参考机组按照IEC61400‑12‑1标准进行测试，然后根据测试数据及SCADA数据对全场所有机组进行功率评估，可以节省大量的金钱与时间。其基于BP神经网络，可以实现自由风速到机舱风速的非线性关系，评估结果准确可靠。

主权项

一种基于BP神经网络的风电机组功率特性评估方法，其特征在于：该方法包括如下步骤：步骤1：根据IEC61400‑12‑1标准对风电场内各台机组进行场地评估，对于一般地形的风电场，随机选择一台机组作为参考机组；对于复杂地形的风电场，计算各台机组崎岖指数(RIX)，选择接近所有RIX平均值的机组作为参考机组；步骤2：将参考机组按照IEC61400‑12‑1标准进行功率特性测试，与此同时，在剩余机组箱变低压侧安装电压互感器和电流互感器，以获得各机组的净功率输出值；步骤3：同步记录测风塔数据、功率特性测试测风杆数据、各台机组SCADA数据及各台机组功率输出数据，并建立评估数据库；评估数据库中的机舱风速采集于机组的SCADA系统，自由风速采集于风电场内测风塔及功率特性测试测风杆，且该数据库存储不低于180h连续测量时间的数据，且数据采集频率在7s～10min之内，能够覆盖一定范围的风速范围和风况条件；步骤4：评估数据库中机舱风速、自由风速、功率数据时间同步，对数据库中的数据进行筛选与检验并统一频率为10min，自由风速即测风塔及测风杆所测风速；步骤5：数据回归，根据测风塔数据确定测试风电场的空气密度，测试场地有效数据采集期间测量的平均空气密度在1.225±0.05kg/m3范围时，无需将空气密度标准化为实际平均空气密度；若否，则按照IEC61400‑12‑1进行转化；步骤6：利用BP神经网络的非线性拟合能力去修正风电机组机舱尾部测风设备所测得的机舱风速，从而得到自由风速，以此进行风电机组功率特性的评估；本方法采用三层BP神经网络，其中输入层为测风塔风速、机舱风速，输出层为自由风速，选取参考机组数据作为训练数据，建立自由风速与机舱风速的映射关系；步骤7：将风电场中的各机组的机舱风速、测风塔数据作为训练后BP神经网络的输入值，得到各台机组的自由风速；步骤8：经过上述风速的修正，根据IEC 61400‑12‑1风电机组功率特性测试标准要求进行风电机组的功率特性测试，绘制出功率曲线及功率系数，外推出年发电量，最后出具评估报告；该方法步骤具体为：第一步：对风电场内各台机组进行场地评估，在评估试验场地中，平面坡度，即经过风电机组塔架基础的平面与以风电机组所在位置为顶点所成的扇面之间的夹角和地平面上的地形变化须满足IEC61400‑12‑1标准对试验场地地形的要求，下面给出了试验场地周围地形变化的具体要求，其中，L是风力发电机组和气象测风杆之间的距离，D是风力发电机组的风轮直径；测试场所要求：地形变化；距离<2L时,对应的扇形区域:360°,对应的最大坡度％:<3*；对应的地平面上最大的地形变化：<0.08D；距离≧2L,<4L时，对应的扇形区域：测试扇区；对应的最大坡度％：<5*；对应的地平面上最大的地形变化：<0.15D；距离≧2L,<4L时，对应的扇形区域：测试扇区外部；对应的最大坡度：％<10**；对应的地平面上最大的地形变化：不适用；距离≧4L,<8L时，对应的扇形区域：测试扇区；对应的最大坡度％：<10*；对应的地平面上最大的地形变化：<0.25D；其中：*提供最合适的扇形地带和通过塔架基础的平面最大斜度；**在扇区内连接塔架基础到地形中个别点的最陡峭斜坡的线；(1)对于一般地形的风电场，随机选择一台机组作为参考机组；(2)对于复杂地形的风电场，计算各台机组崎岖指数(RIX)，选择接近所有RIX平均值的机组作为参考机组；第二步：将参考机组按照IEC61400‑12‑1标准进行功率特性测试，与此同时，在剩余机组箱变低压侧安装电压互感器和电流互感器，以获得各机组的净功率输出值；第三步：同步记录测风塔数据、功率特性测试测风杆数据、各台机组SCADA数据及各台机组功率输出数据，并建立评估数据库，评估数据库中的机舱风速采集于机组的SCADA系统，自由风速采集于风电场内测风塔及功率特性测试测风杆，且该数据库存储不低于180h连续测量时间的数据，且数据采集频率在7s～10min之内，能够覆盖一定范围的风速范围和风况条件；第四步：数据的检验与筛选，根据GB/T 18710‑2002并结合风电场的实际情况，进行范围检验、趋势检验，见下面主要参数的合理范围参考值及主要参数的合理变化趋势参考值，然后进行数据剔除及修正，保证数据可以真实客观地反映风电机组的运行情况，数据剔除是剔除风电机组不工作或是测试系统发生故障的数据；主要参数的合理范围参考值：平均风速的合理范围：0≤小时平均风速＜40m/s；风向的合理范围：0≤小时平均值＜360；海平面平均气压的合理范围：94kPa≤小时平均值≤106kPa；主要参数的合理变化趋势参考值：1h平均风速变化的合理变化趋势：＜6m/s；1h平均温度变化的合理变化趋势：＜5℃；3h平均气压变化的合理变化趋势：＜1kPa；将评估数据库中机舱风速、自由风速、功率数据时间同步，统一频率为10min；自由风速为测风塔及测风杆所测风速；第五步：数据回归，根据测风塔数据确定测试风电场的空气密度，测试场地有效数据采集期间测量的平均空气密度在1.225±0.05kg/m3范围时，无需将空气密度标准化为实际平均空气密度；若否，则按照IEC61400‑12‑1进行转化；空气密度可根据公式(1)有气温和气压测量值得出：ρ10min=B10minRT10min---(1)]]>其中：ρ10min为10min的平均空气密度；T10min为测得的10min的平均绝对空气气温；B10min为测得的10min的平均气压；R为气体常数287.05J/(kg·K)；对于功率自动控制的风电机组通过式(2)就可把风速折算到标准大气压下：Vn=V10min(ρ10minρ0)1/3---(2)]]>其中，Vn为折算后的风速值；V10min为测得的10min的平均风速值；ρ10min为得到的10min的平均空气密度；ρ0为标准空气密度1.225kg/m3；对于采用失速控制的，具有恒定浆距和转速的风电机组，所测得的功率输出数据可以利用公式(3)进行折算：Pn=P10min·ρ0ρ10min---(3)]]>其中：Pn为折算后的风速值；P10min为测得的10min的平均风速值；ρ10min为得到的10min的平均空气密度；ρ0为标准空气密度1.225kg/m3；第六步：利用BP神经网络的非线性拟合能力去修正风电机组机舱尾部测风设备所测得的机舱风速，从而得到自由风速，以此进行风电机组功率特性的评估；本方法采用三层BP神经网络，其中输入层为测风塔风速、机舱风速，输出层为自由风速；选取参考机组数据作为训练数据，建立自由风速与机舱风速的映射关系；第七步：将风电场中的各机组的机舱风速、测风塔数据作为训练后BP神经网络的输入值，得到各台机组的自由风速；第八步：功率曲线的绘制，在完成数据修正后，选定的测试数据要根据bin方法进行排序，所选取的数据组应该覆盖从低于切入风速1m/s到风电机组85％额定功率输出时风速的1.5倍的风速范围内；风速范围应连续分成0.5m/s bin，中心值是0.5m/s的整数倍；利用规格化后的每个风速bin所对应的功率值进行功率曲线的绘制：Vi=1NiΣj=1NiVn,i,j---(4)]]>Pi=1NiΣj=1NiPn,i,j---(5)]]>其中：Vi为折算后的第i个bin的平均风速值；Vn,i,j为测得的第i个bin的j数据组的风速值；Ni为第i个bin的10min数据组的数据数量；Pi为折算后的第i个bin的平均功率值；Pn,i,j为测得的第i个bin的j数据组的功率值；第九步：功率系数曲线的绘制，功率系数可以根据所测得的功率曲线由式(6)计算而获得：Cp,i=Pi12ρ0AVi3---(6)]]>其中：Cp,i为在bin i中的功率系数；Vi为折算所得到在bin i中的平均风速；Pi为折算所得到的在bin中的功率输出；A为风力机组风轮的扫掠面积；ρ0为标准空气密度；第十步：年发电的计算，年发电量是利用测量所得到的功率曲线对于不同参考风速频率分布所计算出的估算值，而参考风速频率分布可以采用瑞利分布进行，该分布与形状系数为2时的威布尔分布等同；对于年平均风速为4,5,6,7,8,9,10,l lm/s时的年发电量(AEP)可以根据式(7)计算获得：AEP=NhΣi=1N[F(Vi)-F(Vi-1)](Pi-1+Pi2)---(7)]]>其中：AEP为年发电量；Nh为一年内的小时数≈8760；N为bin数；Vi为折算后的在第i个bin的平均风速值；Pi为折算后的在第i个bin的平均功率值；瑞利分布的函数为：F(V)=1-exp[-π4(VVave)2]---(8)]]>其中：F(V)为风速的瑞利分布函数；Vave为在风力机轮毂中心高度处的年平均风速值；V为风速值，设定Vi‑1＝Vi‑0.5m/s和Pi‑1＝0.0kW时开始叠加；第十一步：报告生成；第十步骤中，年发电量必须计算两个方面，一方面为“年发电量的测量“，另一方面为年发电量的外推，如果测量没有包括到切出风速值，则需用外推法获得从所测得的最大风速值外推到切出风速的年发电量，年发电量外推部分获得是假设所有低于测试的功率曲线最低风速的所有风速的功率值为0，而假设所有高于所测得功率曲线上最高风速到切出风速之间风速范围内的功率为恒定值，用于外推法的恒定功率值应该是所测得的功率曲线中最高风速bin的功率值。