本申请涉及风力发电,特别是涉及一种基于风向湍动能的大型风力机偏航偏差识别方法。
背景技术:
1、由于风力发电非常环保,且风能蕴量巨大,因此日益受到世界各国的重视。目前,风电场常用的风力机偏航偏差识别方法主要依赖于风速传感器和风向传感器,但风速的测量受环境影响比较大,如外界的温度、湿度、光照等,以及传感器精度和安装位置也会影响测量结果。风速测量误差会导致风电机组偏航角度不准确,影响偏航系统的稳定性,风速测量偏差会导致机组在非最佳状态下运行,从而降低发电效率。同时,频繁地偏航调整会增加机组的磨损和维护需求。
2、综上所述,现有技术存在由于依赖额外的风速传感器和风向传感器进行风力机偏航偏差识别,导致测量结果偏差程度较大,进一步影响机组寿命和发电效率的技术问题。
技术实现思路
1、本申请的目的是提供一种基于风向湍动能的大型风力机偏航偏差识别方法,用以解决现有技术存在由于依赖额外的风速传感器和风向传感器进行风力机偏航偏差识别,导致测量结果偏差程度较大,进一步影响机组寿命和发电效率的技术问题。
2、鉴于上述问题,本申请提供了一种基于风向湍动能的大型风力机偏航偏差识别方法。
3、一种基于风向湍动能的大型风力机偏航偏差识别方法,所述方法包括:获取目标风电场的历史运行监测数据,从所述历史运行监测数据中提取预设时间范围周期的有效数据,所述预设时间范围周期为第一季度时间周期,所述有效数据为满足数据格式和数值范围要求的数据;对所述有效数据进行风向湍功能统计运算,获得统计特征值,其中,所述有效数据包括风速、风向;基于所述统计特征值确定风向湍功能,进行风向湍功能聚类处理,基于聚类结果获得预设时间范围周期的偏航偏差度。
4、在可能的实现方式中,执行以下处理:
5、依次从所述历史运行监测数据中提取第二季度有效数据、第三季度有效数据、第四季度有效数据,其中所述第一季度、第二季度、第三季度、第四季度各自时间周期不重叠,且,所述第一季度、第二季度、第三季度、第四季度时间之和等于一年;分别对所述第二季度有效数据、第三季度有效数据、第四季度有效数据,重复执行步骤a-步骤c,依次获得第二季度的偏航偏差度、第三季度的偏航偏差度及第四季度的偏航偏差度;将所述第一季度、第二季度、第三季度、第四季度的偏航偏差度进行整合,获得整年的偏航偏差度。
6、在可能的实现方式中,对所述有效数据进行风向湍功能统计运算,获得统计特征值,执行以下处理:
7、采集单位矢量法对有效数据中的风向、风速信息进行统计,获得所述统计特征值,所述单位矢量法的计算表达式为:
8、
9、其中,au为单位矢量的平均风向,为单位风速矢量在东西方向上的平均分量,为单位风速矢量在南北方向上的平均分量。
10、在可能的实现方式中,执行以下处理:
11、基于风向的角度过渡关系,利用标量平均法进行风向修正处理,所述标量平均法的计算表达式为:
12、
13、其中,ai为第i个风向样本的风向方位角,di为第i个风向样本的风向方位角。
14、在可能的实现方式中,基于所述统计特征值确定风向湍功能,执行以下处理:
15、根据所述统计特征值,计算瞬时风向,所述瞬时风向为某一时刻空间某点上的真实风向由平均风向和脉动风向组成,计算公式为:其中,为平均风向,为脉动风向;基于瞬时风向,计算风向均方差,计算公式为:其中,di为每一时刻上的瞬时风向、μ为{xi;i=1,…,n}的平均值、σd为风向均方差;根据所述风向均方差,计算获得所述风向湍功能,所述风向湍功能的计算公式为:
16、在可能的实现方式中,所述进行风向湍功能聚类处理,基于聚类结果获得预设时间范围周期的偏航偏差度,执行以下处理:
17、基于所述风向湍功能进行聚类,计算各样本与同簇样本的平均距离以及样本与其他簇样本的平均距离;根据各样本与同簇样本的平均距离、样本与其他簇样本的平均距离,使用silhouette函数计算风向湍动能聚类结果的轮廓系数;根据所述轮廓系数进行等级分割,确定所述偏航偏差度。
18、在可能的实现方式中,根据各样本与同簇样本的平均距离、样本与其他簇样本的平均距离,使用silhouette函数计算风向湍动能聚类结果的轮廓系数,执行以下处理:
19、根据公式:计算风向湍动能聚类结果的轮廓系数,其中,a(i)表示计算样本i到同簇其他样本的平均距离,b(i)表示样本i到其他簇的所有样本的平均距离。
20、在可能的实现方式中,根据所述轮廓系数进行等级分割,确定所述偏航偏差度,执行以下处理:
21、设定聚类分界点,所述聚类分界点为0.5-1之间的数值;根据所述聚类分界点,设定等级分割阈值,利用所述轮廓系数与所述等级分割阈值进行比较,确定所述偏航偏差度。
22、在可能的实现方式中,执行以下处理:
23、所述历史运行监测数据为通过风电场scada系统采集的监测运行数据。
24、本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
25、通过获取目标风电场的历史运行监测数据,从所述历史运行监测数据中提取预设时间范围周期的有效数据,所述预设时间范围周期为第一季度时间周期,所述有效数据为满足数据格式和数值范围要求的数据;对所述有效数据进行风向湍功能统计运算,获得统计特征值,其中,所述有效数据包括风速、风向;基于所述统计特征值确定风向湍功能,进行风向湍功能聚类处理,基于聚类结果获得预设时间范围周期的偏航偏差度,解决了现有技术存在由于依赖额外的风速传感器和风向传感器进行风力机偏航偏差识别,导致测量结果偏差程度较大,进一步影响机组寿命和发电效率的技术问题,提供了一种更为精确、可靠的机组偏航偏差识别方式,能够以最大限度的降低偏差程度,进而保证风力机的运行效率和稳定性的技术效果。
26、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。
1.一种基于风向湍动能的大型风力机偏航偏差识别方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
3.如权利要求1所述的方法,其特征在于,对所述有效数据进行风向湍功能统计运算,获得统计特征值,包括:
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
5.如权利要求1所述的方法,其特征在于,基于所述统计特征值确定风向湍功能,包括:
6.如权利要求1所述的方法,其特征在于,所述进行风向湍功能聚类处理,基于聚类结果获得预设时间范围周期的偏航偏差度,包括:
7.如权利要求6所述的方法,其特征在于,根据各样本与同簇样本的平均距离、样本与其他簇样本的平均距离,使用silhouette函数计算风向湍动能聚类结果的轮廓系数,包括:
8.如权利要求6所述的方法,其特征在于,根据所述轮廓系数进行等级分割,确定所述偏航偏差度,包括:
9.如权利要求1所述的方法,其特征在于,所述历史运行监测数据为通过风电场scada系统采集的监测运行数据。