[发明专利]基于尾流偏转效应和2DJensen模型的风力机功率预测方法

权利要求书

1.基于尾流偏转效应和2DJensen模型的风力机功率预测方法，其特征在于，具体步骤如下：

步骤1、采集并预处理风场内风力机的SCADA数据；

步骤2、基于风场内风力机的地理位置数据构建每台风力机的相对位置坐标；

步骤3、根据预处理后的SCADA数据集得到风场内风力机的节点集合和全局属性；

步骤4、根据风力机相对位置坐标、当前时刻的输入风向、尾流偏转效应和2DJensen模型得到风场内风力机之间的边集合和邻接矩阵；

步骤5、基于风场内风力机的节点集合、边集合、全局属性和邻接矩阵构建输入矢量图集；

步骤6、基于尾流偏转效应和2DJensen模型构建改进的图神经网络模型，确定图神经网络的设置参数；

步骤7、使用优化算法，根据损失函数，依据预处理后的SCADA数据集和输入矢量图对改进的图神经网络进行参数优化，参数优化完成后确定的图神经网络模型作为风场内风力机功率预测模型；

步骤8、利用风力机功率预测模型处理输入的风速和风向，得到风场中所有风力机节点的预测功率；

步骤4，根据风力机相对位置坐标、当前时刻的输入风向、尾流偏转效应和2DJensen模型得到风场内风力机之间的边集合和邻接矩阵，具体方法为：

基于该时刻全局属性中的入流风向和两两风力机之间的偏航误差角，根据尾流偏转效应和2DJensen模型来判断两两风力机之间是否存在尾流影响，若存在，则在这两台风力机之间建立有向边，前台风力机为发送节点，后台风力机为接受节点，设置该边的属性为后台风力机在前台风力机偏转的尾流中的横向距离和纵向距离；若不存在，则这两台风力机之间没有边，遍历风场中所有的风力机之间的关系后，则得到整个风场中的边集合和邻接矩阵；其中，根据尾流偏转效应和2DJensen模型来判断两两风力机之间是否存在尾流影响的具体方法为：

根据两台风力机的坐标得出两台风力机的相对位置和方位角，同时根据该时刻全局属性中的入流风向得出风先后经过风力机的顺序，并将其分别定义为上游风力机和下游风力机，定义上下游风电机组连线与上游风电机组尾流中心轴线的夹角θ_L为：

式中，θ_x为入流风向角，θ_FWT为上游机组相对于下游机组所在的方位角，β₁为上游风电机组的偏航误差角，a为风力机轴向诱导因子；

定义下游风电机组所在截面与上游机组的尾流纵向距离为L_l，计算公式为：

式中，Ld为上下游风电机组的机舱连线距离；

同时定义下游风电机组所在截面与上游机组的尾流横向距离为L_r，计算公式为：

式中，Ld为上下游风电机组的机舱连线距离；

则，下游风电机组所处截面位置的尾流半径计算公式为：

式中，k为尾流衰减系数，r₀为上游风电机组的风轮半径；

根据计算所得的尾流半径R_l，判断下游风电机组是否受上游风电机组的尾流影响，具体方法为：

1)若，则下游风力机不受上游风力机的尾流影响；

2)若，则下游风力机受上游风力机的尾流影响；

其中，r₀^’为风力机j风轮半径的投影长度，计算公式为：

式中，β₂为下游风电机组的偏航误差角；

步骤6，基于尾流偏转效应和2DJensen模型构建改进的图神经网络模型，确定图神经网络的设置参数，所述图神经网络模型的层数选择2-4层，其中第一层为基于尾流偏转效应和2DJensen模型的改进图网络层，包含三个更新函数，分别是边更新函数，节点更新函数，全局更新函数；同时包含了三个聚合函数，分别是邻边聚合函数，所有边聚合函数，所有节点聚合函数；包含了基于2DJensen模型尾流亏损因子的边权重分配函数；

在基于尾流偏转效应和2DJensen模型的改进图网络层中，输入图为，其中包含了所有的输入边，所有的输入节点，以及输入全局属性，更新顺序如下所示：

首先进行边的更新，每个有向边的更新需要使用所邻近的发送节点的属性和接收节点的属性，以及该边自带的属性，将所有属性同时输入到边更新函数中，边更新函数选择为神经网络，更新后的边属性如下：

然后再根据边权重分配函数，得到每个有向边应有的权重，该权重使得每个有向边在后续节点的更新中依据物理尾流模型的规律来发挥不同程度的作用，权重的值如下所示：

最后得到每条有向边更新过后的最终边属性如下：

在对图神经网络层中所有存在的边进行更新以后，就开始对节点属性进行更新，每个节点的更新需要所有邻近的边、本节点的属性和整个风场的全局属性，首先利用邻边聚合函数将与该节点有连接关系的邻近S条边的信息聚合起来，该邻边聚合函数在基于尾流偏转效应和2DJensen模型的改进图网络层中由于考虑尾流叠加效应，采用的是求和的方式，将所有的邻近边的属性求和得到聚合后的边属性，其值如下所示：

然后将聚合后的边信息、本节点的属性和整个风场的全局属性同时输入到节点更新函数中，节点更新函数选择为神经网络，更新后的节点如下：

在对图神经网络层中所有存在的节点更新完以后，最后需要对全局属性进行更新，全局属性更新需要所有的边信息、所有节点的属性和整个风场的全局属性，首先利用所有边聚合函数将所有的边的信息聚合起来，该所有边聚合函数采用的是求和的方式，将所有边的属性求和得到聚合后的边属性，其值如下所示：

然后利用所有节点聚合函数将所有的节点的信息聚合起来，该所有节点聚合函数采用的是求和的方式，将所有节点的属性求和得到聚合后的节点属性，其值如下所示：

最后将聚合后的边信息、聚合后的节点的属性和整个风场的全局属性同时输入到全局更新函数中，节点更新函数通选择为神经网络，更新后的全局属性如下：

在一层图神经网络层中，只需要更新一次全局属性，更新完以后得到该图网络层的输出、和，图神经网络层的更新和聚合操作不改变所有节点的连接性，即邻接矩阵没有改变，接着将其输出、、和邻接矩阵当作输入属性，输入到下一层的图网络层中；

基于2DJensen模型尾流亏损因子的边权重分配函数，具体如下：

首先建立2DJensen模型如下所示：

式中，为下游尾流中尾流纵向距离为，尾流横向距离为处的尾流风速，为尾流衰减系数，为上游风电机组的风轮半径，为轴向诱导因子；

定义其中的尾流亏损因子为：

其值反映了在下游尾流中尾流纵向距离为，尾流横向距离为处的风速亏损程度，相隔距离较远的风力机之间的尾流亏损因子小，相隔距离较近的风力机之间的尾流亏损因子大，该定义充分说明不同尾流影响程度，故定义其为边权重分配函数，将把不同风力机间的尾流亏损因子当作边权重分配函数；而两两风力机之间的有向边的属性定义为：

式中，L_l为接收节点即下游风力机在发送节点即上游风力机偏转后的尾流中的尾流纵向距离，L_r为接收节点即下游风力机在发送节点即上游风力机偏转后的尾流中的尾流横向距离；

故边权重分配函数定义如下：

建立第一层图神经网络层连接的后续的第j层图神经网络层时，图网络层中包含三个更新函数，分别是边更新函数、节点更新函数、全局更新函数；同时包含了三个聚合函数，分别是邻边聚合函数、所有边聚合函数、所有节点聚合函数；

该层的输入图为，其中包含了所有的j-1层输出边，所有的j-1层输入节点，以及j-1层输出全局属性，在第j层的图神经网络层中，更新顺序如下所示：

首先进行边的更新，每个有向边的更新需要使用所邻近的发送节点的属性和接收节点的属性，以及该边自带的属性，将所有属性同时输入到边更新函数中，边更新函数选择为神经网络，更新后的边属性如下：

在对图神经网络层中所有存在的边进行更新以后，就开始对节点属性进行更新，每个节点的更新需要所有邻近的边、本节点的属性和整个风场的全局属性，首先利用邻边聚合函数将与该节点有连接关系的邻近S条边的信息聚合起来，该邻边聚合函数采用的是求平均的方式，将所有的邻近边的属性求平均得到聚合后的边属性，其值如下所示：

然后将聚合后的边信息、本节点的属性和整个风场的全局属性同时输入到节点更新函数中，节点更新函数选择为神经网络，更新后的节点如下：

在对图神经网络层中所有存在的节点更新完以后，最后需要对全局属性进行更新，全局属性更新需要所有的边信息、所有节点的属性和整个风场的全局属性，首先利用所有边聚合函数将所有的边的信息聚合起来，该所有边聚合函数采用的是平均的方式，将所有边的属性求平均得到聚合后的边属性，其值如下所示：

然后利用所有节点聚合函数将所有的节点的信息聚合起来，该所有节点聚合函数采用的是求平均的方式，将所有节点的属性求和得到聚合后的节点属性，其值如下所示：

最后将聚合后的边信息、聚合后的节点的属性和整个风场的全局属性同时输入到全局更新函数中，节点更新函数选择为神经网络，更新后的全局属性如下：

在一层图神经网络层中，只需要更新一次全局属性，更新完以后得到该图网络层的输出、和，图神经网络层的更新和聚合操作不改变所有节点的连接性，即邻接矩阵没有改变，接着将其输出、、和邻接矩阵当作输入属性，输入到下一层的图网络层中；

在输入矢量图中的、、，经过整个图神经网络架构后，得到输出矢量图，在每台风力机的功率预测中，只需要风力机节点的属性信息，所以建立全连接层，将最后图神经网络输出矢量图中的节点属性输入到全连接层，即得到最后每台风力机的预测功率，其值为：

。