[发明专利]基于风能利用系数与多元多项式回归的风力机功率预测方法

说明书

本发明涉及一种基于风能利用系数与多元多项式回归的风力机功率预测方法，使用风能利用系数来选择影响风机输出功率的变量，通过多元多项式的方法来建模变量与风机输出功率的关系，以达到功率预测的目的。本方法采用风能利用系数来选择影响风机输出功率的变量，减少了专家分析影响因素的困难。本方法利用风机特性曲线对风机运行状态分段，使模型更具有物理意义。本方法采用多元多项式回归模型对风机输出功率进行预测，具有较高的准确率和较低的模型复杂度。

技术领域

本发明属于新能源领域，更具体地，涉及一种基于风能利用系数与多元多项式回归的风力机功率预测方法。

背景技术

化石燃料储量的减少与能源需求的稳步上升给世界带来了新的难题。风能是可再生能源，也是清洁能源，风力发电是风能的主要使用方式。功率曲线是风电机组对输入风能的利用效率和机组整体发电性能优劣的直接反映，体现了在轮毂高度测量的不同风速下风力机的输出功率水平。对风电机组功率曲线进行建模和监测能够及时发现风电机组的运行异常和早期故障，提高机组的可利用率，降低机组维护费用。通常，风电功率预测方法是使用制造商提供的风机功率曲线模型。但是，这条曲线没有考虑到风力机的具体安装位置以及运行后的磨损情况，理论风电数据与实际数据之间的差异会导致附加误差。功率曲线建模使用了许多不同的技术：IEC61400-12标准中给出的“bin”方法、参数函数、逻辑回归模型等。但是传统的风速-功率曲线只显示功率与风速的关系，没有考虑其他影响因素，例如风向，转子速度和桨距角等，具有一定的局限性。

目前，预测风机输出功率的多变量回归模型主要有人工神经网络模型、高斯过程模型等。上述多变量模型的输入特征主要是通过专家对风机运行特性的分析得出的，但是影响风机功率的因素在不同的风电场环境中是不同的。此外，人工神经网络模型的训练过程通常要花费很多时间，在模型的透明度和解释性上有一定的局限性。

发明内容

本发明的目的是基于风机SCADA数据，采用风能利用系数与多元多项式回归来预测风机输出功率。

实现本发明目的的技术解决方案为：

一种基于风能利用系数与多元多项式回归的风力机功率预测方法，包括以下步骤：

步骤1，对SCADA采样数据集D0以风速、叶片转速、桨距角以及功率作为特征提取出来，组成数据集D1。

步骤2，根据风机特性曲线将风力发电机的运行过程分为恒功率、恒转速、最大功率点跟踪三个阶段。以风速作为分割线，将采样数据集D1分割成三部分，为D11，即风速大于等于额定风速，D12，即风速大于等于额定转速风速且小于额定风速，和D13，即风速小于额定转速风速，表示风机所处的三种状态。对数据集D11按一定比例分为两组数据，记为D11-1和D11-2；对数据集D12按一定比例分为两组数据，记为D12-1和D12-2；对数据集D13按一定比例分为两组数据，记为D13-1和D13-2。D11-1，D12-1和D13-1作为训练集，即建模样本；D11-2，D12-2和D13-2作为验证集，即预测样本。

步骤3，根据风机理论基础，将风能利用系数C_p作为功率建模的中间变量。风机的桨叶具有空气动力学形状，使风轮绕其轴转动，可将风能转化为机械能。气动方程计算如下：

式中，P_w是可利用的空气动能；ρ是空气密度；R是叶片半径；v是风速。理想情况下，风力发电机从风能中获取的功率可表示为：

式中，C_p(λ,θ)是风能利用系数；λ是叶尖速比，是叶尖线速度与风速的比值；θ是桨距角；ω是叶片角速度。C_p(λ,θ)是关于叶尖速比λ和桨距角θ的非线性函数，表示为：