一种风电机组机舱前端自由流风速还原方法、设备和介质与流程

本发明涉及风速预测，具体涉及一种风电机组机舱前端自由流风速还原方法、设备和介质。

背景技术：

1、在风力发电领域，风力发电设备是将风能转化为电能的关键设施，主要由风力发电机组、塔架、发电机、控制系统等部分组成。风力发电机组作为核心部件，通过其叶片捕捉风能，并将其转化为机械能，进而驱动发电机产生电能。其中，机舱前端自由流风速是指风力发电机组在机舱前端(即风进入机舱之前)未受到风力发电机组本身(如叶片、塔架等)影响时的风速。在风力发电领域，这一参数对于准确评估风力发电机组的性能、建立风功率特性测试以及构建准确的数学物理模型至关重要，因此，在风力发电机组的运行过程中，机舱前端自由流风速是一个至关重要的参数。

2、在现有技术中，通常会在机舱上方安装风速计(如scada系统)来监测风速，以便对风力发电机组的运行进行监控和调整。然而，由于风力发电机组的叶片在旋转过程中会吸收一部分风能，导致风速计测得的风速往往小于实际传入的风速，即机舱前端自由流风速。这种差异在后续的风功率特性测试、模型建立以及性能评估中可能引入较大的误差。

3、发明人鉴于此，发明了一种风电机组机舱前端自由流风速还原方法、设备和介质。

技术实现思路

1、针对现有技术存在的不足，本发明提出一种风电机组机舱前端自由流风速还原方法，以解决现有技术中存在的由于风力发电机组的叶片在旋转过程中会吸收一部分风能，导致风速计测得的风速往往小于实际传入的风速，造成的风速差异，使得后续的风功率特性测试、模型建立以及性能评估中会存在很大误差的技术问题。

2、第一方面，本发明提供一种风电机组机舱前端自由流风速还原模型方法，包括：

3、s1、获取风机scada数据并进行数据预处理，得到scada数据集；

4、s2、基于scada数据集，采用卷积神经网络训练机舱前端自由流风速还原模型；

5、s3、获取风场内风机的时实数据，输入机舱前端自由流风速还原模型，得到还原后风机前端的风速值。

6、进一步的，所述获取风机scada数据并进行数据预处理，得到scada数据集中，对风机scada数据进行准确性检验、异常值检验，并对缺失值进行填补。

7、进一步的，所述异常值检验包括：

8、筛除风速、风机转速、功率其中任意一个小于等于0；

9、筛除风速小于切入风速时，功率大于0，及风速大于切出风速，功率大于0；

10、筛除功率大于额定功率1.2倍数据。

11、进一步的，所述缺失值进行填补包括：

12、判断数据完整率是否小于95％；

13、若数据完整率小于95％，采用邻近插值填充处理法填充缺失数据；

14、完成插补的数据后，进行异常值检测，若检测结果无异常值完成缺失值填补。

15、进一步的，所述基于scada数据集，采用卷积神经网络训练机舱前端自由流风速还原模型包括：

16、s21、基于scada数据集，提取特征因子；

17、s22、将特征因子作为输入，采用卷积神经网络构建机舱前端自由流风速还原模型；

18、s23、将scada数据集划分为训练集和测试集，训练得到机舱前端自由流风速还原模型。

19、进一步的，所述特征因子包括：nft风速结果、机组scada风速、风向、浆距角、发电机功率、叶轮直径、轮毂高度、地形复杂性陡峭指数、气温、气压和空气密度。

20、进一步的，所述采用卷积神经网络训练机舱前端自由流风速还原模型，采用梯度下降算法进行学习，并进行标准化归一处理。

21、进一步的，所述标准化归一处理的具体公式如下：

22、

23、其中，μb为特征因子平均值，σ2为特征因子方差，为归一化后值。

24、进一步的，所述机舱前端自由流风速还原模型采用16个卷积层、1※3的卷积核，池化层采用平均池化average pooling，激活函数采用reul函数，损失函数采用均方根误差，训练迭代次数为50轮。

25、第二方面，本发明提供一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行第一方面提出的机舱前端自由流风速还原模型方法。

26、第三方面，本发明提出一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的机舱前端自由流风速还原模型方法。

27、由上述技术方案可知，本发明的有益技术效果如下：

28、本发明提出一种风电机组机舱前端自由流风速还原模型方法、设备和介质，其中方法通过获取并预处理风机scada数据，结合卷积神经网络模型构建并训练机舱前端自由流风速还原模型，以此准确的还原出机舱前端实际的风速值，进而显著提高了后续风功率特性测试的准确性和可靠性，以解决现有技术中存在的由于风力发电机组的叶片在旋转过程中会吸收一部分风能，导致风速计测得的风速往往小于实际传入的风速，造成的风速差异，使得后续的风功率特性测试、模型建立以及性能评估中会存在很大误差的技术问题。

技术特征：

1.一种风电机组机舱前端自由流风速还原模型方法，其特征在于，包括：

2.根据权利要求1所述的风电机组机舱前端自由流风速还原模型方法，其特征在于，所述获取风机scada数据并进行数据预处理，得到scada数据集中，对风机scada数据进行准确性检验、异常值检验，并对缺失值进行填补。

3.根据权利要求2所述的风电机组机舱前端自由流风速还原模型方法，其特征在于，所述异常值检验包括：

4.根据权利要求1所述的风电机组机舱前端自由流风速还原模型方法，其特征在于，所述基于scada数据集，采用卷积神经网络训练机舱前端自由流风速还原模型包括：

5.根据权利要求4所述的风电机组机舱前端自由流风速还原模型方法，其特征在于，所述特征因子包括：nft风速结果、机组scada风速、风向、浆距角、发电机功率、叶轮直径、轮毂高度、地形复杂性陡峭指数、气温、气压和空气密度。

6.根据权利要求1所述的风电机组机舱前端自由流风速还原模型方法，其特征在于，所述采用卷积神经网络训练机舱前端自由流风速还原模型，采用梯度下降算法进行学习，并进行标准化归一处理。

7.根据权利要求6所述的风电机组机舱前端自由流风速还原模型方法，其特征在于，所述标准化归一处理的具体公式如下：

8.根据权利要求1所述的风电机组机舱前端自由流风速还原模型方法，其特征在于，所述机舱前端自由流风速还原模型采用16个卷积层、1※3的卷积核，池化层采用平均池化average pooling，激活函数采用reul函数，损失函数采用均方根误差，训练迭代次数为50轮。

9.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于，所述处理器用于执行上述权利要求1-8任一所述的机舱前端自由流风速还原模型方法。

10.一种计算机可读取存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的机舱前端自由流风速还原模型方法。

技术总结
本发明提供一种风电机组机舱前端自由流风速还原模型方法，包括：S1、获取风机Scada数据并进行数据预处理，得到Scada数据集；S2、基于Scada数据集，采用卷积神经网络训练机舱前端自由流风速还原模型；S3、获取风场内风机的时实数据，输入机舱前端自由流风速还原模型，得到还原后风机前端的风速值。本发明可以解决现有技术中存在的由于风力发电机组的叶片在旋转过程中会吸收一部分风能，导致风速计测得的风速往往小于实际传入的风速，造成的风速差异，使得后续的风功率特性测试、模型建立以及性能评估中会存在很大误差的技术问题。

技术研发人员：龙海川,李建科,杨凤志,陈鹏,王晓理,袁令,袁桢宜,张朴
受保护的技术使用者：中船海装风电有限公司
技术研发日：
技术公布日：2024/11/18