风电机组来流风速测量方法及装置的制造方法
【技术领域】
[0001] 本发明涉及风电机组风速测量技术领域，尤其涉及一种风电机组来流风速测量方 法及装置。
【背景技术】
[0002] 风速作为直接决定风力发电机组出力的参量，不仅对风电机组功率特性评价及发 电效益评估意义重大，同时也是相应控制系统安全高效运行的关键。来流风速也可称为有 效风速，是风力发电机组叶轮中心前方的真实风速（受风力机影响之前）。来流风速不易直 接测量。
[0003]目前，存在以下几种测量风电机组来流风速的方法：
[0004] (1)基于风力机机舱上方的风速计。风电机组普遍将机舱风速默认为来流风速，对 两者不加以区分。然而机舱风速是来流风速受到机组叶轮、机舱、塔筒以及各种环境因素影 响之后由风速计测量得到的，与来流风速存在一定的偏差。由于风速计位于叶轮之后（主 要针对上风向风机），受湍流、塔架、风切变、地表粗糙度等因素的影响，风速计测量值并不 能如实反映来流风速（风力机接受的真实风速）。在风电机组设计之初，所有与风速有关的 参数设置都是以来流风速为基准的，如果简单地把风速计测量风速作为来流风速，给机组 的信息必然存在偏差，使得机组的控制能力下降，影响机组的系统性能。
[0005] (2)基于BP (Back Propagation)神经网络建立风速软测量模型，或者，基于支持 向量机（Support Vector Machine，简称为SVM)建立风速软测量模型。这些模型通常以风 力机旋转角速度ω、输出功率P及桨距角β为二次变量，以有效风速v为主导变量建立风 速软测量模型。然而由于模型在二次变量的选择上考虑的因素过少，使得模型很难准确地 反映来流风速的波动特性，从而影响了来流风速的测量精度。另外，模型本身存在的固有缺 陷也使得其有效性和实用性受到了质疑。
[0006] (3)基于数理机理建模的风速测量，例如风轮单元流管建模。模型的建立完全依据 风速在叶轮前后变化的物理机理，逻辑推理严密，表达式明确，可以直接对叶轮后风速进行 修正得到来流风速。然而此种方法并没有考虑实际的运行工况，现场风机运行环境复杂多 变，各种因素对风速交错影响，理论上的计算结果与实际情况并不一致。
[0007] 针对上述来流风速测量精度不高的问题，目前尚未提出有效的解决方案。
【发明内容】
[0008] 本发明提供了一种风电机组来流风速测量方法及装置，以至少解决现有技术中来 流风速测量精度不高的问题。
[0009] 根据本发明的一个方面，提供了一种风电机组来流风速测量方法，包括：采集风电 机组在预设时间内的来流风速和风机状态运行参量；利用第一训练样本对ΒΡ神经网络模 型进行训练，得到所述ΒΡ神经网络模型的第一误差，以及利用第二训练样本对最小二乘支 持向量机LSSVM模型进行训练，得到所述LSSVM模型的第二误差；其中，所述第一训练样本 和所述第二训练样本的输入变量是从所述风机状态运行参量中选取的对应的预设变量，模 型输出结果是来流风速；基于均方误差最小原则，根据所述第一误差、所述第二误差确定风 速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，得到基于BP神经网络和 LSSVM的风速组合测量模型；利用所述风速组合测量模型，根据输入的测试样本测量风电 机组的来流风速。
[0010] 在一个实施例中，在利用第一训练样本对BP神经网络模型进行训练，以及利用第 二训练样本对LSSVM模型进行训练之前，所述方法还包括：按照预设条件对采集的来流风 速和风机状态运行参量进行数据筛选，其中，所述预设条件包括：风机并网无故障运行、风 机非限功率运行以及数据均匀覆盖风机所有运行工况；针对筛选后的数据，对风机状态运 行参量中的部分数据进行数据处理，其中，所述数据处理包括：计算标准偏差；从处理后的 风机状态运行参量中选取所述预设变量。
[0011] 在一个实施例中，所述第一训练样本对应的预设变量包括：桨距角、叶轮转速、功 率、桨距角标准偏差和功率标准偏差，所述第二训练样本对应的预设变量包括：桨距角、叶 轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。
[0012] 在一个实施例中，基于均方误差最小原则，根据所述第一误差、所述第二误差确定 风速组合测量模型中BP神经网络模型的权重和LSSVM模型的权重，包括：通过求解所述风 速组合测量模型的最优权系数的规划模型得到所述BP神经网络模型的权重和所述LSSVM 模型的权重；所述规划模型为
，其中，Μ表示训练样本的个数；Q表示误 差的平方和，是目标规划函数；Wl表示ΒΡ神经网络模型的权重系数；w2表示LSSVM模型的权 重系数；e (t)表示t时刻风速组合测量模型的误差，
表 示t时刻BP神经网络模型的误差；qSSVM(t)表示t时刻LSSVM模型的误差。
[0013] 在一个实施例中，利用第一训练样本对BP神经网络模型进行训练，得到所述BP 神经网络模型的第一误差，包括：将所述第一训练样本的输入变量输入到所述BP神经网络 模型，输出第一计算结果；将所述第一训练样本的输入变量对应的来流风速与所述第一计 算结果进行比较，得到所述第一误差；利用第二训练样本对LSSVM模型进行训练，得到所述 LSSVM模型的第二误差，包括：将所述第二训练样本的输入变量输入到所述LSSVM模型，输 出第二计算结果；将所述第二训练样本的输入变量对应的来流风速与所述第二计算结果进 行比较，得到所述第二误差。
[0014] 根据本发明的另一个方面，提供了一种风电机组来流风速测量装置，包括：采集单 元，用于采集风电机组在预设时间内的来流风速和风机状态运行参量；训练单元，用于利用 第一训练样本对BP神经网络模型进行训练，得到所述BP神经网络模型的第一误差，以及利 用第二训练样本对LSSVM模型进行训练，得到所述LSSVM模型的第二误差；其中，所述第一 训练样本和所述第二训练样本的输入变量是从所述风机状态运行参量中选取的对应的预 设变量，模型输出结果是来流风速；权重计算单元，用于基于均方误差最小原则，根据所述 第一误差、所述第二误差确定风速组合测量模型中BP神经网络模型的权重和LSSVM模型的 权重，得到基于BP神经网络和LSSVM的风速组合测量模型；测量单元，用于利用所述风速组 合测量模型，根据输入的测试样本测量风电机组的来流风速。
[0015] 在一个实施例中，所述装置还包括：筛选单元，用于按照预设条件对采集的来流风 速和风机状态运行参量进行数据筛选，其中，所述预设条件包括：风机并网无故障运行、风 机非限功率运行以及数据均匀覆盖风机所有运行工况；数据处理单元，用于针对筛选后的 数据，对风机状态运行参量中的部分数据进行数据处理，其中，所述数据处理包括：计算标 准偏差；选取单元，用于从处理后的风机状态运行参量中选取所述预设变量。
[0016] 在一个实施例中，所述第一训练样本对应的预设变量包括：桨距角、叶轮转速、功 率、桨距角标准偏差和功率标准偏差，所述第二训练样本对应的预设变量包括：桨距角、叶 轮转速、功率、风向、机舱对风角度、桨距角标准偏差和功率标准偏差。
[0017] 在一个实施例中，所述权重计算单元具体用于：通过求解所述风速组合测量模型 的最优权系数的规划模型得到所述BP神经网络模型的权重和所述LSSVM模型的权重；所述 规划模型为：
|其中，Μ表示训练样本的个数；Q表示误差的平方和，是目 标规划函数；Wl表示ΒΡ神经网络模型的权重系数；w 2表示LSSVM模型的权重系数；e (t)表 示t时刻风速组合测量模型的误差，e (t) = WAp (t) +w2euSVM (t)，eBP (t)表示t时刻BP神经 网络模型的误差；qSSVM(t)表示t时刻LSSVM模型的误差。
[0018] 在一个实施例中，所述训练单元包括：第一训练模块，用于将所述第一训练样本 的输入变量输入到所述BP神经网络模型，输出第一计算结果；第一比较模块，用于将所述 第一训练样本的输入变量对应的来流风速与所述第一计算结果进行比较，得到所述第一误 差；第二训练模块，用于将所述第二训练样本的输入变量输入到所述LSSVM模型，输出第二 计算结果；第二比较模块，用于将所述第二训练样本的输入变量对应的来流风速与所述第 二计算结果进行比较，得到所述第二误差。
[0019] 通过本发明的风电机组来流风速测量方法及装置，从采集的数据中选取BP神经 网络模型的输入变量以及LSSVM模型的输入变量，最大限度地反映来流风速的波动特性， 并且基于均方误差最小原则，对BP神经网络模型和LSSVM模型进行权重分配以及线性组 合，建立了基于BP神经网络和LSS