【技术实现步骤摘要】
本专利技术属于风电场及风力机尾流计算领域，涉及一种风力机尾流建模计算方法，特别是一种基于人工神经网络的风电场中风力机尾流建模方法，采用此方法进行风电场中风力机尾流建模后，可以大幅提升模型在实际风电场中的计算精度，从而更加准确地对风电场中的尾流效应进行建模，对提高风电场的功率预测精度以及尾流控制可靠性等方面具有重要意义。
技术介绍
1、随着能源转型的深入以及经济的发展，风电产业逐渐向大规模趋势发展。为了尽可能最大化地利用风能资源并满足经济可行性，大型风电场内一般会布置大量风电机组。风电场的规模化开发可以降低前期用地、基建及后期的运维成本。但是，当风电机组达到一定数量后，继续增加布机台数反而会导致风电场发电量减少，这是因为风力机尾流效应会导致下游风力机来流风速下降，进而使得下游风力机输出功率降低。大型风电场内因尾流效应而导致的风电场出力损失通常能占到年度发电量的10％至20％。因而，准确快速地描述风力机尾流效应对于提高风电场的发电量十分重要。
2、解析式尾流模型以其计算效率高且精度较好的优势是近年来风力机尾流建模工作的研究重点，常用的解析式尾流模型有jensen模型，gaussian模型等o解析式尾流模型在建立过程中存在较多的假设条件，使得模型中存在一些经验参数需要指定，如：jensen模型中的尾流扩散系数kw等。传统模型经验参数的确定方法都是基于简单数值模拟或风洞试验进行拟合，虽然这些方法可以使模型在特定的模拟和试验中表现良好，但由于解析式尾流模型的经验参数本质上受到当地的复杂地理环境和来流条件的影响，使得基于简单数值
技术实现思路
1、(一)专利技术目的
2、为了解决上述现有尾流模型技术中存在的缺陷，本专利技术的目的在于结合风电场运行的scada数据，充分考虑风力机在风电场中的复杂地理环境和来流条件对风力机尾流效应的影响，更加贴近实际地修正风力机尾流模型中的关键参数，利用人工神经网络方法，对风电场内尾流进行建模，改善传统方法尾流建模精度不高的问题，提供一种基于人工神经网络的风电场中风力机尾流的建模方法，以提高尾流模型在实际情况下的计算精度，采用本专利技术的上述方法进行风电场中风力机尾流建模后，可以大幅提升模型在实际风电场中的计算精度，从而更加准确地对风电场中的尾流效应进行建模，对提高风电场的功率预测精度以及尾流控制可靠性等方面具有重要意义。
3、(二)技术方案
4、为实现专利技术目的，解决上述技术问题，本专利技术通过以下技术方案来实现：
5、一种基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，所述风力机尾流建模方法至少依次包括以下步骤：
6、ss1：获取风电场中风力机的地理位置布局信息以及场内风力机的基本参数，其中，所述风电场中风力机的地理位置布局信息至少包括：风力机的数目n、场内各个风力机机组的地理位置平面坐标(x，y)；场内各风力机的基本参数至少包括：风力机叶轮直径d、轮毂高度h、功率曲线以及推力系数曲线；
7、ss2：根据受风力机尾流影响情况，将风电场分为三类区域，对每个区域内的风力机尾流流场进行建模：
8、对于仅受到一台风力机尾流影响的第一类风电场尾流区域，采用解析尾流模型描述该尾流区域的流场分布，尾流区速度表达式如下：
9、uw＝u0-u0f(k) (1)
10、式(1)中，uw是尾流区速度；u0是来流速度；f(k)为描述风力机尾流效应的函数；k为函数中的经验参数，不同风力机尾流模型的函数及经验参数的表现形式不同；
11、对于受到多台风力机尾流影响的第二类风电场尾流区域，通过解析尾流模型以及速度亏损平方和叠加原理描述该尾流区域的流场分布，尾流区速度表达式如下：
12、
13、式(2)中，uw是尾流区速度；u0是来流速度；uw，j为第j台风力机形成的尾流区速度；u0，j为第j台风力机的来流速度；n是该区域受到的尾流影响的风力机数量；
14、对于没有受到风力机尾流影响的第三类风电场尾流区域，尾流区速度表达式如下：
15、uw＝u0 (3)
16、式(3)中，uw是尾流区速度；u0是来流速度；
17、ss3：建立来流信息和风电场输出功率之间的关系
18、根据风电场内各风力机的相互位置，考虑尾流影响，对各个风力机在风电场内所处的尾流区域类别进行迭代判断，最后计算在给定风况下的风电场输出功率：
19、
20、式中，为风电场输出功率，n是风电场内风力机的机组数目，uc、u0分别是风力机的切入风速、切出风速，pwt是风力机功率曲线，ui是考虑尾流影响后第i个风力机处的来流风速；
21、ss4：利用风电场scada运行数据，提取各个时刻下风电场的来流信息与各风力机机组的输出功率数据
22、根据风电场一段时间内的scada运行数据，提取各个时刻下风电场的来流信息、各风力机机组的功率数据，并加和得到各个时刻下风电场的总输出功率所述来流信息至少包括风速、风向；
23、ss5：建立风力机尾流模型中经验参数与风电场功率计算误差间的关系式
24、根据风力机尾流模型计算结果以及scada实际运行数据，在各个风向下，确定风力机尾流模型经验参数与风电场功率计算误差之间的关系式，并以其最小为目标建立数学优化函数：
25、
26、式(5)中，rmse为风电场功率计算误差；n是风电场中的风力机数目，pi，measured是scada记录的i时刻各个风力机的输出功率，pi，calculated是风力机解析尾流模型计算得到的各个风力机功率，与风力机尾流经验参数k有关，a、b为经验参数k的取值范围的上限值、下限值；
27、ss6：采用优化算法对风力机尾流模型经验参数进行优化，得到适用于该风电场的各个来流条件下模型经验参数的数据集
28、以公式(5)中风电场功率计算误差最小为目标，采用优化算法对风力机尾流模型经验参数k进行优化本文档来自技高网...
【技术保护点】
1.一种基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，所述风力机尾流建模方法至少依次包括以下步骤：
2.根据权利要求1所述的基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，上述步骤SS2中，描述风力机尾流效应的函数f(k)的形式与不同解析尾流模型有关，当选择Jensen解析尾流模型时，f(k)的表达式为：
3.根据权利要求1所述的基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，上述步骤SS2中，采用Jensen解析尾流模型描述第一类风电场尾流区域，速度表达式如下：
4.根据权利要求1所述的基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，上述步骤SS2中，通过Jensen解析尾流模型和速度亏损平方和叠加原理描述该区域的流场分布，速度表达式如下：
5.根据权利要求1所述的基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，上述步骤SS6中，优化算法为粒子群算法或遗传算法。
【技术特征摘要】
1.一种基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，所述风力机尾流建模方法至少依次包括以下步骤：
2.根据权利要求1所述的基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，上述步骤ss2中，描述风力机尾流效应的函数f(k)的形式与不同解析尾流模型有关，当选择jensen解析尾流模型时，f(k)的表达式为：
3.根据权利要求1所述的基于人工神经网络的风电场中风力机尾流建模方法，其特征在于，上...
【专利技术属性】
技术研发人员：石可重，郭乃志，宋娟娟，李庆安，钟晓晖，
申请(专利权)人：中国科学院工程热物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。