买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院工程热物理研究所

摘要：本发明公开了一种基于人工神经网络的风电场中风力机尾流建模方法，将风电场实际运行的SCADA数据用于修正解析尾流模型，通过结合智能优化算法，以最小化风电场功率计算误差为目标，对模型关键经验参数进行优化，建立各个来流条件下模型经验参数的数据集。本发明结合人工神经网络方法建立来流信息与尾流经验参数之间的关系，可以使尾流建模方法可以充分反映风电场的实际情况。采用本发明的方法进行尾流建模后，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。

主权项：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：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；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：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：Uw＝U0-U0fk1式1中，Uw是尾流区速度；U0是来流速度；fk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；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： 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；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：Uw＝U03式3中，Uw是尾流区速度；U0是来流速度；SS3：建立来流信息和风电场输出功率之间的关系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： 式中，Pcalculated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；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Pmeasured，所述来流信息至少包括风速、风向；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： 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；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，输出最能反映风电场内尾流特征的最佳尾流经验参数k，最终得到适用于风电场的各个来流条件下的风力机尾流模型经验参数数据集；SS7：基于人工神经网络方法，建立风电场的来流信息与风力机尾流经验参数k之间的关系利用SS6得到的数据集，以风电场的来流速度和风向为输入，以风力机尾流经验参数k为输出，训练人工神经网络模型，得到风电场的来流信息与风力机尾流参数k之间的对应关系；SS8：对风电场的尾流效应进行计算和评估结合步骤SS2的流场建模方法和步骤SS7建立的风电场来流信息与风力机尾流经验参数k之间的对应关系，对风电场的尾流效应进行计算和评估。

全文数据：

权利要求：

百度查询： 中国科学院工程热物理研究所 一种基于人工神经网络的风电场中风力机尾流建模方法