一种偏航误差自动识别及校正的方法、系统及装置

技术领域

本发明涉及风力发电技术领域及大数据处理技术领域，尤其是涉及一种偏航误差自动识别及校正的方法、系统及装置。

背景技术

目前，风电作为一种较为成熟的清洁能源正在迅速普及。但是，与化石燃料相比，其利润成本比相对较低。所以，如何提高风电发电量、如何提高其利润率一直是风电领域研究的重点。

经研究发现，使风机准确对准风向，可以更好的捕捉并利用风能，是提高风机发电量的重要因素，而偏航系统正是调整风机快速准确对准风向的关键。

由于各种外界因素及风机自身因素影响，例如叶轮转动产生尾流影响风向测量、风向仪基准偏差、调试人员对准操作误差、地形环境因素、维护保养等，会使偏航角度产生误差，而偏航误差角度则导致可利用风速及风能利用率降低，特别是发电功率会随着偏航角度误差的增加而急剧下降，有数据记载:当偏航误差角度为5°时，发电功率损失1.5%；当偏航误差角度为10°时，发电功率损失5.9%；当偏航误差角度为15°时，发电功率损失高达12.9%。

虽然针对上述问题，出现很多不同的偏航校正方案，但是这些方案往往是针对某一影响因素的，例如风速、风向分类、温度、湿度、空气密度、湍流强度，风切变等，或者是给出一个静态的偏航误差角度偏移量，并没有综合利用所有参数对每次偏航情况动态进行优化校正。

发明内容

本发明的目的在于提供一种偏航误差自动识别及校正的方法、系统及装置，以解决现有技术中存在的至少一种上述技术问题。

第一方面，为解决上述技术问题，本发明提供的偏航误差自动识别及校正的方法，包括：

步骤A、采集偏航特征值feature及偏航对风角实测值angle；

步骤B、对偏航特征值进行归一化处理，可记为feature_norm；

步骤C、基于归一化处理后的偏航特征值，通过预测模型预测偏移量区间offset，可记为offset=knn.predict(feature_norm)；

步骤D、基于所述偏航对风角实测值及所述偏移量区间的中位值offset_median，计算得到偏航对风角校正值angel_correct，可记为angel_correct=angel-offset_median。

在一种可行的实施例中，所述预测模型为knn模型，包括分类器，所述分类器用于预测风机的偏移量区间。所述knn是指k近邻算法，是一种监督学习方法，属于现有技术，主要用于根据队形特征预测对象的分类。简要来讲，k近邻算法假定一个训练数据集，其中的实例类别已定，在预测分类时，对于一个新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测，具体可通过例如python语言中的sklearn模块，来实现knn算法模型训练。

在一种可行的实施例中，所述偏航特征值包括：风速、风向分类、温度、湿度、空气密度、湍流强度，风切变等。

在一种可行的实施例中，所述步骤C包括：将所述偏航对风角实测值减去所述偏移量区间的中位值，将所得值作为偏航对风角校正值。

通过上述步骤，可以基于大数据，计算出不同偏航对风角实测值的偏移量作为修正补偿，快速准确地对偏航对风角进行校正。

在一种可行的实施例中，所述预测模型的构建方法如下：

步骤1、采集并筛选风机历史数据；

步骤2、对所述历史数据进行预处理；

步骤3、构建与训练预测模型。

在一种可行的实施例中，所述步骤1中筛选的条件包括：

条件1、筛除风机处于故障、维护等停机状态时的风机历史数据；

条件2、筛除风速超出风速限制范围时的风机历史数据；

条件3、筛除风机被限制功率时的风机历史数据。

优选的，所述条件2中，风速上限为12m/s，风速下限为4 m/s。

通过上述条件筛选后，剔除了非正常条件下的风机历史数据，保证了数据的合理性及客观性。

在一种可行的实施例中，所述步骤2的具体方法如下：

步骤2.1、基于所述风机历史数据，绘制不同风速下的功率曲线图，将图中大误差点筛除；

步骤2.2、基于风机功率计算公式，计算风机功率，具体公式可以为：

P=0.5ρsv³Cp；

其中，P表示风机功率，ρ表示空气密度，s表示对风面积，v表示风速，Cp表示风能利用率；

特别地，以ρ、s、v作为直接因素，可计算风机的出力值R，具体公式可以为：

R=P/(ρsv³);

步骤2.3、将出力值按照由大到小的顺序进行排序，筛选出头部出力值，例如可以将前a%顺序的出力值作为头部出力值；

步骤2.4、将风机历史数据按照对风角进行划分，例如对风角范围为[θmin，θmax]，角度间隔为Δθ，划分为N个对风角区间，筛选出所述头部出力值对应的对风角区间。

优选的，所述a%可以是10%。

优选的，所述N可以是30。

在一种可行的实施例中，所述步骤3具体包括：

步骤3.1、基于步骤2.2中所得数据整理成特征值列表，基于所述数据所对应的对风角区间构建标签值列表，例如：

特征值列表：

ft=[[ft[0][0],ft[0][1],…,ft[1][m-1],],

[ft[2][1],ft[2][2],…,ft[2][m],

……

[ft[n-1][0],ft[n-1][1],…,ft[n-1][m-1]]]；

标签值列表：

tg=[tg[0],tg[1],…,tg[n-1]]；

其中，m表示每个数据有m个特征，n表示数据集有n组数据,且每个特征与标签一一对应，即数据特征ft[i]对应的标签为tg[i]；

步骤3.2、对特征值列表进行归一化处理，具体方法例如“最小-最大标准化”，将特征值映射到[0,1]区间上，公式可以为：

其中，

处理后特征值列表记为ft_norm，通过归一化处理，可以解决数据的可比性问题，避免了特征值受到量纲影响。

步骤3.3、通过交叉验证选取最优k值；所述交叉验证是指将数据进行切分，然后组合为训练集和测试集，以此多次训练所述预测模型，例如函数可以选择：

sklearn.model_selection.cross_val_score()函数；

用于实现交叉验证选取k值，该函数返回的值是对预测模型的评分，所述评分越高，则所述预测模型越好。

将归一化处理后的特征值列表及所述标签值列表作为数据集，设置K的最大值为k_max，得到k值列表：k=[1,2,3…,k_max]，按照由小到大的顺序将k值循环带入至所述函数中得到评分，绘制评分图像k-score chart，根据评分图像选取最优k值k_optimal；

步骤3.4、将所述最优k值k_optimal作为参数带入分类器函数中，得到风机的分类器，用于预测风机偏移量具体在哪个对风角区间范围内，从而得到偏移量区间，具体函数例如：

knn = KNeighborsClassifier(n_neighbors = k_optimal)；

knn.fit(ft_norm, tg)。

第二方面，基于相同的发明思路，本申请还提供了一种偏航误差自动识别及校正的系统，包括：数据采集模块、数据处理模块及结果生成模块：

所述数据采集模块，用于采集偏航特征值及偏航对风实测值；

所述数据处理模块，包括归一化处理单元、预测模型单元及数据计算单元：

所述归一化处理单元，用于对所述偏航特征值进行归一化处理；

所述预测模型单元，基于归一化处理后的偏航特征值，通过分类器预测偏移量区间；

所述数据计算单元，基于所述偏航对风实测值及所述偏移量区间的中位值，计算求得偏航对风校正值；

所述结果生成模块，用于对外发送所述偏航对风校正值。

第三方面，基于同样的发明思路，本申请还提供了一种偏航误差自动识别及校正的装置，包括处理器、存储器及总线，所述存储器存储可由处理器读取的指令，所述处理器用于调用所述存储器中的指令，以执行如上任一一种偏航误差自动识别及校正的方法，所述总线连接各功能部件之间传送信息。

采用上述技术方案，本发明具有如下有益效果：

本发明提供的一种偏航误差自动识别及校正的方法、系统及装置，基于影响风机功率的各种特征量，构建大数据预测模型，实时采集偏航特征值输入至所述预测模型求得偏移量，实时采集偏航对风角并依据所述偏移量进行修正补偿，使风机快速准确地对准风向，方便有效地提升发电效率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的偏航误差自动识别及校正的方法流程图；

图2为本发明实施例提供的预测模型构建流程图；

图3为图2中对历史数据进行预处理的具体流程图；

图4为图2中构建与训练预测模型的具体流程图；

图5为本发明实施例提供的偏航误差自动识别及校正的系统图；

图6为本发明实施例提供的风机出力值与对风角关系说明图；

图7为本发明实施例提供的模型得分与k值关系说明图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面结合具体的实施方式对本发明做进一步的解释说明。

如图1所示，本发明实施例提供的偏航误差自动识别及校正的方法，包括：

步骤A、采集偏航特征值feature及偏航对风角实测值angle；

步骤B、对偏航特征值进行归一化处理，可记为feature_norm,具体方法可以是例如最小-最大标准化法，公式表示为：

scaler = MinMaxScaler();

scaler.fit(feature+[colMax]+[colMin]);feature_norm=scaler.transform(feature+[colMax]+[colMin])[0:len(feature)];

步骤C、基于归一化处理后的偏航特征值，通过预测模型预测偏移量区间offset，可记为offset=knn.predict(feature_norm)；

步骤D、基于所述偏航对风角实测值及所述偏移量区间的中位值offset_median，计算得到偏航对风角校正值angel_correct，可记为angel_correct=angel-offset_median。

进一步地，所述预测模型为knn模型，包括分类器，所述分类器用于预测风机的偏移量区间。所述knn是指k近邻算法，是一种监督学习方法，属于现有技术，主要用于根据队形特征预测对象的分类。简要来讲，k近邻算法假定一个训练数据集，其中的实例类别已定，在预测分类时，对于一个新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测，具体可通过python语言中sklearn模块来实现knn算法模型训练。

进一步地，所述偏航特征值包括：风速、风向分类、温度、湿度、空气密度、湍流强度，风切变等。

进一步地，所述步骤C包括：将所述偏航对风角实测值减去所述偏移量区间的中位值，将所得值作为偏航对风角校正值。

通过上述步骤，可以基于大数据，计算出不同偏航对风角实测值的偏移量作为修正补偿，快速准确地对偏航对风角进行校正。

如图2所示，所述预测模型的构建方法如下：

步骤1、采集并筛选风机历史数据；

步骤2、对所述历史数据进行预处理；

步骤3、构建与训练预测模型。

进一步地，所述步骤1中筛选的条件包括：

条件1、筛除风机处于故障、维护等停机状态时的风机历史数据；

条件2、筛除风速超出风速限制范围时的风机历史数据；

条件3、筛除风机被限制功率时的风机历史数据。

优选的，所述条件2中，风速上限为12m/s，风速下限为4 m/s。

通过上述条件筛选后，剔除了非正常条件下的风机历史数据，保证了数据的合理性及客观性。

如图3所示，所述步骤2的具体方法如下：

步骤2.1、基于所述风机历史数据，绘制不同风速下的功率曲线图，将图中大误差点筛除；

步骤2.2、基于风机功率计算公式，计算风机功率，具体公式可以为：

P=0.5ρsv³Cp；

其中，P表示风机功率，ρ表示空气密度，s表示对风面积，v表示风速，Cp表示风能利用率；

特别地，以ρ、s、v作为直接因素，可计算风机的出力值R，具体公式可以为：

R=P/(ρsv³);

步骤2.3、将出力值按照由大到小的顺序进行排序，筛选出头部出力值，例如可以将前a%顺序的出力值作为头部出力值；

步骤2.4、将风机历史数据按照对风角进行划分，例如对风角范围为[θmin，θmax]，角度间隔为Δθ，划分为N个对风角区间，筛选出所述头部出力值对应的对风角区间。

优选的，所述a%可以是10%。

优选的，所述N可以是30。

如图4所示，所述步骤3具体包括：

步骤3.1、基于步骤2.2中所得数据整理成特征值列表，基于所述数据所对应的对风角区间构建标签值列表，例如：

特征值列表：

ft=[[ft[0][0],ft[0][1],…,ft[1][m-1],],

[ft[2][1],ft[2][2],…,ft[2][m],

……

[ft[n-1][0],ft[n-1][1],…,ft[n-1][m-1]]]；

标签值列表：

tg=[tg[0],tg[1],…,tg[n-1]]；

其中，m表示每个数据有m个特征，n表示数据集有n组数据,且每个特征与标签一一对应，即数据特征ft[i]对应的标签为tg[i]；

步骤3.2、对特征值列表进行归一化处理，具体方法例如“最小-最大标准化”，将特征值映射到[0,1]区间上，公式可以为：

其中，

处理后特征值列表记为ft_norm，具体可以表示为：

scaler = MinMaxScaler()；

scaler.fit(ft)；

ft_norm=scaler.transform(ft)；

通过归一化处理，可以解决数据的可比性问题，避免了特征值受到量纲影响。

步骤3.3、通过交叉验证选取最优k值；所述交叉验证是指将数据进行切分，然后组合为训练集和测试集，以此多次训练所述预测模型，例如函数可以选择：

sklearn.model_selection.cross_val_score()函数；

用于实现交叉验证选取k值，该函数返回的值是对预测模型的评分，所述评分越高，则所述预测模型越好。

将归一化处理后的特征值列表及所述标签值列表作为数据集，设置K的最大值为k_max，得到k值列表：k=[1,2,3…,k_max]，按照由小到大的顺序将k值循环带入至所述函数中得到评分，绘制评分图像k-score chart，根据评分图像选取最优k值k_optimal；

步骤3.4、将所述最优k值k_optimal作为参数带入分类器函数中，得到风机的分类器，用于预测风机偏移量具体在哪个对风角区间范围内，从而得到偏移量区间，具体函数例如：

knn = KNeighborsClassifier(n_neighbors = k_optimal)；

knn.fit(ft_norm, tg)。

另一方面，如图5所示，本发明实施例还提供了一种偏航误差自动识别及校正的系统，包括：数据采集模块、数据处理模块及结果生成模块：

所述数据采集模块，用于采集偏航特征值及偏航对风实测值；

所述数据处理模块，包括归一化处理单元、预测模型单元及数据计算单元：

所述归一化处理单元，用于对所述偏航特征值进行归一化处理；

所述预测模型单元，基于归一化处理后的偏航特征值，通过分类器预测偏移量区间；

所述数据计算单元，基于所述偏航对风实测值及所述偏移量区间的中位值，计算求得偏航对风校正值；

所述结果生成模块，用于对外发送所述偏航对风校正值。

又一方面，本发明实施例还提供了一种偏航误差自动识别及校正的装置，包括处理器、存储器及总线，所述存储器存储可由处理器读取的指令，所述处理器用于调用所述存储器中的指令，以执行如上任一一种偏航误差自动识别及校正的方法，所述总线连接各功能部件之间传送信息。

本方案在又一种实施方式下，可以通过设备的方式来实现，该设备可以包括执行上述各个实施方式中各个或几个步骤的相应模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。

处理器执行上文所描述的各个方法和处理。例如，本方案中的方法实施方式可以被实现为软件程序，其被有形地包含于机器可读介质，例如存储器。在一些实施方式中，软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时，可以执行上文描述的方法中的一个或多个步骤。备选地，在其它实施方式中，处理器可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法之一。

该设备可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器，这取决于硬件的特定应用和总体设计约束。总线将包括一个或多个处理器、存储器和/或硬件模块的各种电路连接到一起。总线还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路连接。

总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，ExtendedIndustry Standard Component)总线等，总线可以分为地址总线、数据总线、控制总线等。

实施例

首先构建预测模型，具体步骤如下：

步骤1、采集并筛选风机历史数据，其中，筛选的条件包括：筛除风机处于故障、维护等停机状态时的风机历史数据；筛除风速超出风速限制范围（4 m/s~12 m/s）时的风机历史数据；筛除风机被限制功率时的风机历史数据；

步骤2、对所述历史数据进行预处理，具体包括：

步骤2.1、基于所述风机历史数据，绘制不同风速下的功率曲线图，将图中的大误差点筛除，以便于减小误差、精确统计；

步骤2.2、基于风机功率计算公式，计算风机功率，具体公式可以为：

P=0.5ρsv³Cp；

其中，P表示风机功率，ρ表示空气密度，s表示对风面积，v表示风速，Cp表示风能利用率；

特别地，以ρ、s、v作为直接因素，可计算风机的出力值R，具体公式可以为：

R=P/(ρsv³);

步骤2.3、将出力值按照由大到小的顺序进行排序，筛选出前10%顺序的出力值作为头部出力值；

步骤2.4、将风机历史数据按照对风角进行划分，例如对风角范围为[-15°，15°]，角度间隔为1°，划分为30个对风角区间，筛选出所述头部出力值对应的对风角区间，作为后续操作数据，数据组数量为n，为便于观察可绘制风机出力值与对风角关系图，如图6所示；

步骤3、构建与训练knn模型，运行环境为python语言中的sklearn模块，具体包括：

步骤3.1、基于步骤2.2中所得数据整理成特征值列表，基于所述数据所对应的对风角区间构建标签值列表，根据标签值将特征值进行分类，例如：

特征值列表：

ft=[[ft[0][0],ft[0][1],…,ft[1][m-1],],

[ft[2][1],ft[2][2],…,ft[2][m],

……

[ft[n-1][0],ft[n-1][1],…,ft[n-1][m-1]]]；

标签值列表：

tg=[tg[0],tg[1],…,tg[n-1]]；

其中，m表示每个数据有m个特征，n表示数据集有n组数据,且每个特征与标签一一对应，即数据特征ft[i]对应的标签为tg[i]。

步骤3.2、对特征值列表进行归一化处理，具体方法例如“最小-最大标准化”，将特征值映射到[0,1]区间上，公式可以为：

其中，

处理后特征值列表记为ft_norm，具体可以表示为：

scaler = MinMaxScaler()；

scaler.fit(ft)；

ft_norm=scaler.transform(ft)；

通过归一化处理，可以解决数据的可比性问题，避免了特征值受到量纲影响。

步骤3.3、通过交叉验证选取最优k值；所述交叉验证是指将数据进行切分，然后组合为训练集和测试集，以此多次训练所述预测模型，函数选择：

sklearn.model_selection.cross_val_score()函数；

用于实现交叉验证选取k值，该函数返回的值是对预测模型的评分，所述评分越高，则所述预测模型越好。

将所述特征值列表及所述标签值列表作为数据集，设置K的最大值为k_max，得到k值列表：k=[1,2,3…,k_max]，按照由小到大的顺序将k值循环带入至所述函数中得到评分，绘制评分图像k-score chart，根据评分图像选取最优k值k_optimal，如图7所示。

步骤3.4、将所述最优k值k_optimal作为参数带入分类器函数中，得到风机的分类器，用于预测风机偏移量具体在哪个对风角区间范围内，从而得到偏移量区间，具体函数为：

knn = KNeighborsClassifier(n_neighbors = k_optimal)；

knn.fit(ft_norm, tg)。

构建好预测模型后，进行实测偏航值校正，具体步骤如下：

步骤A、在风机进行偏航动作前，采集偏航特征值feature及偏航对风角实测值angle；

步骤B、对偏航特征值进行归一化处理，记为feature_norm, 具体方法也是”最小-最大标准化法”，具体命令可以表示为：

scaler = MinMaxScaler();

scaler.fit(feature+[colMax]+[colMin]);feature_norm=scaler.transform(feature+[colMax]+[colMin])[0:len(feature)];

步骤C、基于归一化处理后的偏航特征值，通过预测模型中的分类器预测偏移量区间offset：

offset=knn.predict(feature_norm)；

步骤D、将所述偏航对风角实测值angle减去所述偏移量区间的中位值offset_median，得到偏航对风角校正值angel_correct，并进行偏航动作，公式如下：

angel_correct=angel-offset_median。

当偏航特征值feature及偏航对风角实测值angle发生变化时，再重复进行上述步骤A~D，从而完成对偏航误差的实时校正。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。