VM的风速组合测量模型。基于该组合测量模型，通过直 接可测的二次变量（来流风速的关联变量）获取不可测的主导变量（来流风速），同时测量 精度比现有的单个风速测量模型有较大提高，来流风速的准确获取，有利于更准确地把握 风机的运行状况，优化机组的控制性能，保障了机组安全高效地运行，提高了机组的发电效 益。
【附图说明】
[0020] 此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。在附图中：
[0021] 图1是本发明实施例的风电机组来流风速测量方法的流程图；
[0022] 图2是本发明实施例的BP神经网络的结构示意图；
[0023] 图3是本发明实施例的LSSVM网络的结构示意图；
[0024] 图4是本发明实施例的组合测量的流程示意图；
[0025] 图5是本发明实施例的风电机组来流风速测量装置的结构框图；
[0026] 图6是本发明实施例的误差概率密度的示意图。
【具体实施方式】
[0027] 下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本 发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例，都属于本发明的保护范围。
[0028] 本发明实施例提供了一种风电机组来流风速测量方法。图1是本发明实施例的风 电机组来流风速测量方法的流程图，如图1所示，该方法包括以下步骤：
[0029] 步骤S101，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。例如，可 以采集20天的数据。
[0030] 步骤S102,利用第一训练样本对BP神经网络模型进行训练，得到BP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（Least Squares Support Vector Machine，简称为LSSVM)模型进行训练，得到LSSVM模型的第二误差；其中，第一训 练样本和第二训练样本的输入变量是从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。
[0031] 步骤S103,基于均方误差最小原则，根据第一误差、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。
[0032] 步骤S104,利用风速组合测量模型，根据输入的测试样本测量风电机组的来流风 速。
[0033] 通过上述方法，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LSSVM的 风速组合测量模型。基于该组合测量模型，通过直接可测的二次变量（来流风速的关联变 量）获取不可测的主导变量（来流风速），同时测量精度比现有的单个风速测量模型有较大 提高，来流风速的准确获取，有利于更准确地把握风机的运行状况，优化机组的控制性能， 保障了机组安全高效地运行，提高了机组的发电效益。
[0034] BP神经网络测量模型和LSSVM测量模型在具有各自优点的同时本身也存在一些 不可避免的缺陷，如下：BP神经网络局部极小值点、收敛速度慢、网络结构难以确定；LSSVM 对大规模训练样本难以实施，参数不容易调整。这些缺陷是迭代引起的本质特性，很难彻底 地消除，并且两者建模理论的差异势必导致对信息的处理方式不同，对有效信息的利用程 度不同。
[0035] 本发明实施例为了提高测量精度，更准确地获取来流风速，对BP神经网络测量模 型和最小二乘支持向量机测量模型按一定方式进行组合，以达到两者优势的最大化。并且， 增加了模型的输入变量。
[0036] 图1所示的步骤可以简单概括为：数据采集（步骤S101)、变量选取（步骤S102中 确定输入变量）、优化组合（步骤S102中计算误差以及步骤S103)、测量（步骤S104)。其 中，关联变量是与来流风速密切相关的环境参数以及风电机组运行参数。
[0037] (1)数据采集
[0038] 例如，对某一机型风机（如2. 0MW双馈型风电机组）的风速及相关变量进行一段 时间的数据采集。其中，来流风速可以采用移动式激光测风仪测量得到，也可以用其他方 法，要尽可能准确地获取机组的来流风速，激光侧风仪能够测量来流风速，但是需要在每台 风机前进行配置安装，风机的寿命长达20年，这无疑增加了风速测量的硬件成本，因此对 大量风机的来流风速的测量，并不适合使用激光侧风仪。风机状态运行参量可以通过风机 本身的传感器（如SCADA系统）获得，SCADA系统里面的运行参数数据一般都是lOmin内 所有瞬时数据的平均值。关联变量是从风机状态运行参量中挑选出来的。
[0039] (2)变量选取
[0040] 在进行风速推算的时候需要考虑到自然因素，然而自然因素很难进行量化评估， 通过分析地形和气候来准确跟踪风速的变化难度太大。可以考虑数据统计建模这种建模 机理，通过大量的数据统计规律，可以把自然因素的影响涵盖其中，而无需单独考虑自然因 素。来流风速可以通过风机的一些可测参量体现出来，例如，风力机旋转角速度ω、输出功 率Ρ (或功率系数Cp)、桨距角β、机舱风速计测量风速、上一时刻来流风速、偏航灵敏度、偏 航速度、风向（各个方向的地形、风机尾流不同）、风机对风角度（机舱偏离位置）等。能够 体现来流风速的参数即可作为来流风速的关联变量。
[0041] 选取变量之前，可以先对采集的数据进行筛选和数据处理，保证数据质量，从而可 以减少训练的误差和训练时间。
[0042] 在一个实施例中，在步骤S102之前，可以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，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，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 中选取预设变量。
[0043] 风速的间歇性、不稳定性使得机组的执行机构无法实时跟随风速而动作，同时传 感器测量值与真实值也存在延时，很难对所有变量进行准确对时。为此，一般采用lOmin数 据平均值来削弱对时问题对测量结果的影响，但是lOmin数据平均值严格来说属于二次计 算值，并不是原始数据，同样的lOmin数据平均值可能来源于不同的原始数据，如果仅用平 均值作为输入变量，很难得到来流风速的准确值。因此，本发明实施例中，在数据处理方面， 引入lOmin数据标准偏差作为来流风速的关联变量。
[0044] 可以应用主成分分析法，选取与来流风速联系紧密的变量作为关联变量。在一个 实施例中，第一训练样本对应的预设变量可以包括：桨距角、叶轮转速、功率、桨距角标准偏 差和功率标准偏差，第二训练样本对应的预设变量可以包括：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。上述预设变量即为关联变量。
[0045] 下面结合【附图说明】。图2是本发明实施例的BP神经网络的结构示意图，如图2所 示，BP神经网络的输入变量包括：桨距角、叶轮转速、功率、桨距角标准偏差和功率标准偏 差。其中，W、,为输入层第i个神经元和隐层第j个神经元之间的连接权值，V ,为隐层第j 个神经元的阈值。BP神经网络中增加了桨距角标准偏差和功率标准偏差两个输入变量。图 3是本发明实施例的LSSVM网络的结构示意图，如图3所示，LSSVM网络的输入变量包括：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。LSSVM网络中 增加了风向、机舱对风角度、桨距角标准偏差和功率标准偏差四个输入变量。其中，％是拉 格朗日乘子，yl是输出向量。两个模型的输出变量均为来流风速。由于功率与风速的三次 方呈正比关系，风速的微小变动都会对输出功率有较大影响，因此，增加了功率标准偏差。
[0046] (3)优化组合
[0047] 本发明实施例中，通过对BP神经网络和LSSVM进行优化组合，得到风速组合测量 模型，较为重要的问题是如何确定两个模型的权重。
[0048] 本实施例中以训练样本最小均方误差为权重分配原则，对BP神经网络和LSSVM进 行合理的线性组合。
[0049] 步骤S102中，利用第一训练样本对BP神经网络模型进行训练，得到BP神经网络 模型的第一误差，可以包括：将第一