基于风机相互预警的虚拟激光雷达系统及方法

技术领域

本发明涉及风力发电机技术领域，特别涉及一种基于风机相互预警的虚拟激光雷达系统及方法。

背景技术

随着能源供需的日益紧张和人类对环境气候变化问题的日益关注，众多欧美国家已将可再生清洁能源发展提高到国家战略高度。而风能作为清洁环保、可再生能源的代表，因其蕴含量大、分布范围广、开发前景好等优点，欧美发达国家均投入巨大资源在风电技术的研究与应用上。

在风电技术开发中，风速预测一直是近几年的热点问题。风速受温度、气压、地形等多种因素的影响，具有很强的随机性。风速预测按照预测时间尺度可分为长期(months～years)、中期(days～weeks)、短期(hours)、超短期(minutes)预测，这些风速预测主要为风电场的风功率预测服务，从而制定正确的调配计划，减轻风电对电网的不利影响。

目前国内外风速预测的方法虽然多种多样，但多集中在分钟级以上时间尺度的预测，比如卡尔曼滤波方法、时间序列分析方法、神经网络方法和模糊逻辑方法等。这些风速预测方法基本上是通过对风电场的原始风速时间序列建立模型，然后对未来风速进行预测，或者通过差分等手段，把非平稳的风速序列先转换为平稳序列，再对平稳序列进行建模和预测。但是对于秒级风速预测，相对可靠的预测方法并不多见。在IEEE发布的“TheImpact of Control Technology—2nd Edition”中，基于未来秒级风速时序的提前规划与控制被当做未来风机控制研究的重大挑战提了出来。

近些年，出现了使用激光雷达进行秒级风速预测的方法，激光雷达通过向前方打出激光，测出风机前几百米处立体位面的风速情况，从而可以提前预测未来几秒的风速情况，但是由于价格昂贵、受天气影响大、不稳定、标定难设置等原因，实际使用效果不佳。

综上所述，物理激光雷达在风场实际使用中效果很差，难以应用，且(1)物理激光雷达价格昂贵；(2)物理激光雷达受天气影响大；(3)物理激光雷达预报风速时间短，大约在10秒左右；(4)物理激光雷达标定难设置。

发明内容

本发明的目的在于提供一种基于风机相互预警的虚拟激光雷达系统及方法，以解决现有的物理激光雷达在风场实际使用中效果很差的问题。

为解决上述技术问题，本发明提供一种基于风机相互预警的虚拟激光雷达系统，包括：

风场部署数据模块，获取风场内在主风向上间隔排布的风机的前后关系；由于硬件激光雷达的使用效果不佳，本发明使用软件方法来代替激光雷达以预测阵风。因为风速具有传递性，风场部署时会在主风向上有前后关系地间隔排布，如果前排风机遇到了阵风(gust)，后排风机过一段时间也会遇到相同阵风，基于该物理原理以及对风场运行数据的观察可知，风机间的风速是相关的且具有一定滞后特性，本发明采用神经网络来捕获这种关系。

风速传递特性模块，获取风场所在的地区风速在主风向上的传递特性；风场运行数据模块，获取风场实际运行数据；以及

神经网络模块，根据风场内在主风向上间隔排布的风机的前后关系、风速在主风向上的传递特性、以及风场运行数据，捕获风机间的风速关系，以代替物理激光雷达预测阵风。

可选的，在所述的基于风机相互预警的虚拟激光雷达系统中，所述神经网络模块包括循环神经网络模型和图神经网络模型；

循环神经网络模型和图神经网络模型为根据风场内在主风向上间隔排布的风机的前后关系、以及风速在主风向上的传递特性形成；

所述神经网络模块利用风场实际运行数据训练循环神经网络模型和图神经网络模型，进行风速时空预测，并使用其它时间段的风场实际运行数据进行验证。基于循环神经网络和图神经网络，利用风场实际运行数据训练模型进行时空预测，并使用其它时间段数据进行验证，结果表明本发明实用性超过物理激光雷达，可以在实际风场中有效进行秒级风速预测，对减少风机疲劳及提升发电量有巨大经济价值。

可选的，在所述的基于风机相互预警的虚拟激光雷达系统中，所述风场实际运行数据为秒级风速检测数据；

所述神经网络模块捕获风机间的风速关系包括：根据秒级风速检测数据，获取各个风机的秒级风速检测数据的相关性，并根据各个风机的秒级风速检测数据的相关性，获取整个风场的流场信息。

可选的，在所述的基于风机相互预警的虚拟激光雷达系统中，所述风速在主风向上的传递特性为风机间的相互预警特性；

所述神经网络模块结合风场内在主风向上间隔排布的风机的前后关系，利用时间序列深度学习算法对秒级风速检测数据进行训练，建立特定风场流场模型，并基于特定风场流场模型实时预测每台风机在未来数十秒的风速趋势信息，并利用风机间的相互预警特性实现虚拟激光雷达。

每个风场都有海量的秒级风速数据，不同机位的风速数据并不是孤立互不相关的，在这些海量数据中，其相互关系已经描述了整个风电场的流场信息。因此结合风电场的机位排布数据，可以利用时间序列深度学习算法对这些风速数据进行训练，从而建立特定风场的流场模型，并基于流场模型实时预测每台风机在未来几十秒的风速趋势信息，进而利用风机间的相互预警来实现虚拟激光雷达。

可选的，在所述的基于风机相互预警的虚拟激光雷达系统中，进行风速时空预测包括：在具体的技术领域，在传统时序预测问题上，常常使用自身的历史数据进行学习以寻找出规律，即利用循环神经网络捕捉时间序列前后的关系。例如循环神经网络中常用的一种结构门回归单元。

使用本风机风速历史数据和其他风机风速历史数据进行深度学习，利用循环神经网络门回归单元捕捉时间序列前后关系，包括：

z

r

Z

r

h

通过门回归单元的训练捕捉时间序列上的前后关系，通过本风机风速历史数据和其他风机风速历史数据预测未来风速数据。

可选的，在所述的基于风机相互预警的虚拟激光雷达系统中，进行风速时空预测还包括：在空间结构问题上，近两年出现了图神经网络GNN的方法，即对于图G＝(V，E)，V是图中的边集，E为图中的节点集，E中每一个节点的属性都受到相连节点属性的影响；

X是原节点属性，A是邻接矩阵，Z是变换后节点属性，I是对角矩阵，对于一个两层的图神经网络，激活函数分别采用ReLU和Softmax；则

通过图神经网络捕捉空间节点之间的相互关系，获取空间节点之间的相互关系中数据流动的规律；目前，图神经网络已经用于交通流预测、社交网络、蛋白质结构预测等方向，还未有人在风速预测领域使用，更未在风电场范围内使用。

可选的，在所述的基于风机相互预警的虚拟激光雷达系统中，不仅利用了循环神经网络来捕捉单个风机时间序列上的关系，还利用了图神经网络来捕捉风场内多台风机之间空间结构上的关系。不仅使用风机自身历史数据，还使用风场内其它风机的历史数据，通过观察临近风机的风速时序，获取明显的滞后情况，即上风向风机当前t时刻的风速，在下风向风机t+Δt时刻也会出现，尤其是阵风情况下，其中Δt取决于两台风机之间的距离d与当前风速ws，

通过其余风机的t时刻风速及风机相互位置关系预测某台风机t+Δt时刻的风速，在某一风向上，除去风速衰减，第一风机在t时刻的风速等于第二风机在t+Δt时刻的风速，Δt≈d/ws，其中，d为两台风机之间的距离，ws为第一风机在t时刻的风速。上述方法为下风向的风机提供了提前预测阵风的坚实基础。同时整个风场的所有风机构成了一个网络，通过其余风机的历史风速时序及相互位置关系可以有效预测某台风机未来风速。

可选的，在所述的基于风机相互预警的虚拟激光雷达系统中，收集风场时序数据，进行数据清理、标准化、划分训练数据集和测试数据集、构建风场网络结构、训练深度学习神经网络模型，模型验证、模型部署、风机控制。具体包括：收集风场各台风机运行风速数据；

将风速实际运行数据按时间对齐，根据风机运行状态清洗异常数据，以使数据标准化，采用减去均值除以标准差，以保证标准化的数据均值为0，方差为1：

按照时间先后划分训练集与测试集，其中训练集的数据占风速实际运行数据的80％，测试集的数据占风速实际运行数据的20％，训练集用来训练网络权重，测试集不参与任何训练，只用于计算评价指标检测模型性能；

构建风场网络结构，所述风场网络结构分为静态网络和动态网络，静态网络为训练过程固定风机之间的关系矩阵，动态网络为训练过程中不固定风机间的关系矩阵，该关系矩阵随着不同风机当前风速时序的相似性而变化；

训练深度学习神经网络模型，图卷积神经网络输入标准化后的各风机历史风速数据及邻接矩阵以提取空间特征矩阵，将输出结果输入到循环神经网络模型以提取时间特征矩阵，并输出各风机未来时刻的风速值；确定优化器为Adam，损失函数为均方根平均误差MSE；

模型训练集收敛后，在测试集进行验证，计算平均绝对误差Mae指标并画时序，将模型部署在风场站端；

利用虚拟激光雷达进行风机控制。

通过“虚拟激光雷达”方法，可以有效预测风场内各风机未来一段时间的风速。原理上，来风向上最前排风机主要依靠自身历史数据进行预测，后排风机除了自身历史规律外，还可以依靠前排风机提供的信息进行预测，精度更高，尤其是所有风机都正常运行的时候，以有效代替激光雷达。

可选的，在所述的基于风机相互预警的虚拟激光雷达系统中，基于风机相互预警模型的风速趋势预测时间长度远比硬件激光雷达可预测的范围更长，通常的机舱式激光雷达风速测量范围在风轮前80～200m左右，而基于深度学习的风速预测范围可达300m以上。对于风机来说，风速时序预测范围越长，越适合其作为单个智能体做出未来的控制行为决策。基于风机相互预警的虚拟激光雷达基于深度学习的风速预测时序，并配以模型预测控制算法和马尔科夫决策模型，计算风电机组的发电量和部件载荷综合最优。

本发明还提供一种基于风机相互预警的虚拟激光雷达方法，包括：

风场部署数据模块获取风场内在主风向上间隔排布的风机的前后关系；

风速传递特性模块获取风场所在的地区风速在主风向上的传递特性；

风场运行数据模块获取风场实际运行数据；以及

神经网络模块根据风场内在主风向上间隔排布的风机的前后关系、风速在主风向上的传递特性、以及风场运行数据，捕获风机间的风速关系，以代替物理激光雷达预测阵风。

在本发明提供的基于风机相互预警的虚拟激光雷达系统及方法中，通过神经网络模块根据风场内在主风向上间隔排布的风机的前后关系、风速在主风向上的传递特性、以及风场运行数据，捕获风机间的风速关系，以代替物理激光雷达预测阵风，实现了一种基于风机相互预警的虚拟激光雷达方法，该方法实用性超过激光雷达，可以在实际风场中有效进行秒级风速预测，对减少风机疲劳及提升发电量有巨大经济价值。

本发明提出了一种基于风机相互预警的虚拟激光雷达系统及方法，通过对历史风速数据的深度学习，对未来一段时间的风场各机位点风速进行预测。同时，将预测的秒级风速应用于风机实时控制，克服硬件激光雷达带来的种种限制。

本发明的有益效果在于：节约成本，可省去每台激光雷达约50万元成本；不受天气影响，可靠性高，准确，稳定应用；得到风况更全面，更详细，跨度更长；该软件架构部署方便，对计算资源要求不高，无部署门槛；基于秒级风速时序预测，可以保护风机不受极限载荷破坏，并且有效降低塔筒疲劳载荷，对未来风电机组设计的成本降低同样有重要意义。

附图说明

图1是本发明一实施例基于风机相互预警的虚拟激光雷达方法示意图；

图2是本发明一实施例基于风机相互预警的虚拟激光雷达系统门回归单元示意图；

图3是本发明一实施例基于风机相互预警的虚拟激光雷达系统图神经网络示意图；

图4是本发明一实施例基于风机相互预警的虚拟激光雷达方法示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的基于风机相互预警的虚拟激光雷达系统及方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

另外，除非另行说明，本发明的不同实施例中的特征可以相互组合。例如，可以用第二实施例中的某特征替换第一实施例中相对应或功能相同或相似的特征，所得到的实施例同样落入本申请的公开范围或记载范围。

本发明的核心思想在于提供一种基于风机相互预警的虚拟激光雷达系统及方法，以解决现有的物理激光雷达在风场实际使用中效果很差的问题。

为实现上述思想，本发明提供了一种基于风机相互预警的虚拟激光雷达系统及方法，包括：风场部署数据模块，获取风场内在主风向上间隔排布的风机的前后关系；风速传递特性模块，获取风场所在的地区风速在主风向上的传递特性；风场运行数据模块，获取风场实际运行数据；以及神经网络模块，根据风场内在主风向上间隔排布的风机的前后关系、风速在主风向上的传递特性、以及风场运行数据，捕获风机间的风速关系，以代替物理激光雷达预测阵风。

由于硬件激光雷达的使用效果不佳，本发明使用软件方法来代替激光雷达以预测阵风。因为风速具有传递性，风场部署时会在主风向上有前后关系地间隔排布，如果前排风机遇到了阵风(gust)，后排风机过一段时间也会遇到相同阵风，基于该物理原理以及对风场运行数据的观察可知，风机间的风速是相关的且具有一定滞后特性，本发明采用神经网络来捕获这种关系。

本实施例提供一种基于风机相互预警的虚拟激光雷达系统，如图1所示，包括：风场部署数据模块，获取风场内在主风向上间隔排布的风机的前后关系；风速传递特性模块，获取风场所在的地区风速在主风向上的传递特性；风场运行数据模块，获取风场实际运行数据；以及神经网络模块，根据风场内在主风向上间隔排布的风机的前后关系、风速在主风向上的传递特性、以及风场运行数据，捕获风机间的风速关系，以代替物理激光雷达预测阵风。

具体的，在所述的基于风机相互预警的虚拟激光雷达系统中，所述神经网络模块包括循环神经网络模型和图神经网络模型；循环神经网络模型和图神经网络模型为根据风场内在主风向上间隔排布的风机的前后关系、以及风速在主风向上的传递特性形成；所述神经网络模块利用风场实际运行数据训练循环神经网络模型和图神经网络模型，进行风速时空预测，并使用其它时间段的风场实际运行数据进行验证。基于循环神经网络和图神经网络，利用风场实际运行数据训练模型进行时空预测，并使用其它时间段数据进行验证，结果表明本发明实用性超过物理激光雷达，可以在实际风场中有效进行秒级风速预测，对减少风机疲劳及提升发电量有巨大经济价值。

进一步的，在所述的基于风机相互预警的虚拟激光雷达系统中，所述风场实际运行数据为秒级风速检测数据；所述神经网络模块捕获风机间的风速关系包括：根据秒级风速检测数据，获取各个风机的秒级风速检测数据的相关性，并根据各个风机的秒级风速检测数据的相关性，获取整个风场的流场信息。

另外，在所述的基于风机相互预警的虚拟激光雷达系统中，所述风速在主风向上的传递特性为风机间的相互预警特性；所述神经网络模块结合风场内在主风向上间隔排布的风机的前后关系，利用时间序列深度学习算法对秒级风速检测数据进行训练，建立特定风场流场模型，并基于特定风场流场模型实时预测每台风机在未来数十秒的风速趋势信息，并利用风机间的相互预警特性实现虚拟激光雷达。每个风场都有海量的秒级风速数据，不同机位的风速数据并不是孤立互不相关的，在这些海量数据中，其相互关系已经描述了整个风电场的流场信息。因此结合风电场的机位排布数据，可以利用时间序列深度学习算法对这些风速数据进行训练，从而建立特定风场的流场模型，并基于流场模型实时预测每台风机在未来几十秒的风速趋势信息，进而利用风机间的相互预警来实现虚拟激光雷达。

在本发明的一个实施例中，在所述的基于风机相互预警的虚拟激光雷达系统中，进行风速时空预测包括：在具体的技术领域，在传统时序预测问题上，常常使用自身的历史数据进行学习以寻找出规律，即利用循环神经网络捕捉时间序列前后的关系。例如循环神经网络中常用的一种结构门回归单元，如图2所示。使用本风机风速历史数据和其他风机风速历史数据进行深度学习，利用循环神经网络门回归单元捕捉时间序列前后关系，包括：

z

r

Z

r

h

通过门回归单元的训练捕捉时间序列上的前后关系，通过本风机风速历史数据和其他风机风速历史数据预测未来风速数据。

在本发明的另一个实施例中，在所述的基于风机相互预警的虚拟激光雷达系统中，进行风速时空预测还包括：在空间结构问题上，近两年出现了图神经网络GNN的方法，如图3所示，即对于图G＝(V，E)，V是图中的边集，E为图中的节点集，E中每一个节点的属性都受到相连节点属性的影响；X是原节点属性，A是邻接矩阵，Z是变换后节点属性，I是对角矩阵，对于一个两层的图神经网络，激活函数分别采用ReLU和Softmax；则

通过图神经网络捕捉空间节点之间的相互关系，获取空间节点之间的相互关系中数据流动的规律；目前，图神经网络已经用于交通流预测、社交网络、蛋白质结构预测等方向，还未有人在风速预测领域使用，更未在风电场范围内使用。

具体的，在所述的基于风机相互预警的虚拟激光雷达系统中，不仅利用了循环神经网络来捕捉单个风机时间序列上的关系，还利用了图神经网络来捕捉风场内多台风机之间空间结构上的关系。不仅使用风机自身历史数据，还使用风场内其它风机的历史数据，通过观察临近风机的风速时序，获取明显的滞后情况，即上风向风机当前t时刻的风速，在下风向风机t+Δt时刻也会出现，尤其是阵风情况下，其中Δt取决于两台风机之间的距离d与当前风速ws，通过其余风机的t时刻风速及风机相互位置关系预测某台风机t+Δt时刻的风速，在某一风向上，除去风速衰减，第一风机在t时刻的风速等于第二风机在t+Δt时刻的风速，Δt≈d/ws，其中，d为两台风机之间的距离，ws为第一风机在t时刻的风速。上述方法为下风向的风机提供了提前预测阵风的坚实基础。同时整个风场的所有风机构成了一个网络，通过其余风机的历史风速时序及相互位置关系可以有效预测某台风机未来风速。

进一步的，在所述的基于风机相互预警的虚拟激光雷达系统中，收集风场时序数据，进行数据清理、标准化、划分训练数据集和测试数据集、构建风场网络结构、训练深度学习神经网络模型，模型验证、模型部署、风机控制。如图4所示，具体包括：收集风场各台风机运行风速数据；将风速实际运行数据按时间对齐，根据风机运行状态清洗异常数据，以使数据标准化，采用减去均值除以标准差，以保证标准化的数据均值为0，方差为1：

按照时间先后划分训练集与测试集，其中训练集的数据占风速实际运行数据的80％，测试集的数据占风速实际运行数据的20％，训练集用来训练网络权重，测试集不参与任何训练，只用于计算评价指标检测模型性能；构建风场网络结构，所述风场网络结构分为静态网络和动态网络，静态网络为训练过程固定风机之间的关系矩阵，动态网络为训练过程中不固定风机间的关系矩阵，该关系矩阵随着不同风机当前风速时序的相似性而变化；训练深度学习神经网络模型，图卷积神经网络输入标准化后的各风机历史风速数据及邻接矩阵以提取空间特征矩阵，将输出结果输入到循环神经网络模型以提取时间特征矩阵，并输出各风机未来时刻的风速值；确定优化器为Adam，损失函数为均方根平均误差MSE；模型训练集收敛后，在测试集进行验证，计算平均绝对误差Mae指标并画时序，将模型部署在风场站端；利用虚拟激光雷达进行风机控制。

本发明通过“虚拟激光雷达”方法，可以有效预测风场内各风机未来一段时间的风速。原理上，来风向上最前排风机主要依靠自身历史数据进行预测，后排风机除了自身历史规律外，还可以依靠前排风机提供的信息进行预测，精度更高，尤其是所有风机都正常运行的时候，以有效代替激光雷达。

另外，在所述的基于风机相互预警的虚拟激光雷达系统中，基于风机相互预警模型的风速趋势预测时间长度远比硬件激光雷达可预测的范围更长，通常的机舱式激光雷达风速测量范围在风轮前80～200m左右，而基于深度学习的风速预测范围可达300m以上。对于风机来说，风速时序预测范围越长，越适合其作为单个智能体做出未来的控制行为决策。基于风机相互预警的虚拟激光雷达基于深度学习的风速预测时序，并配以模型预测控制算法和马尔科夫决策模型，计算风电机组的发电量和部件载荷综合最优。

在本发明提供的基于风机相互预警的虚拟激光雷达系统及方法中，通过神经网络模块根据风场内在主风向上间隔排布的风机的前后关系、风速在主风向上的传递特性、以及风场运行数据，捕获风机间的风速关系，以代替物理激光雷达预测阵风，实现了一种基于风机相互预警的虚拟激光雷达方法，该方法实用性超过激光雷达，可以在实际风场中有效进行秒级风速预测，对减少风机疲劳及提升发电量有巨大经济价值。

本发明提出了一种基于风机相互预警的虚拟激光雷达系统及方法，通过对历史风速数据的深度学习，对未来一段时间的风场各机位点风速进行预测。同时，将预测的秒级风速应用于风机实时控制，克服硬件激光雷达带来的种种限制。

本发明可以实现不采用任何物理激光雷达来实现风速预测，现有的虚拟激光雷达多基于前排风机安装的物理激光雷达来预测前方风速后，才能实现虚拟激光雷达的功能，而本发明中的虚拟激光雷达无需安装任何物理激光雷达，通过风速历史数据预测前排风机即将面对的风速，并采用风机上原有的风速检测设备，检测风机实时风速，将两者结合训练模型，然后采用该模型来预测前排风机的未来风速，避免了任何物理激光雷达的安装，就可以避免物理激光雷达的全部缺点，而现有技术只要采用一台物理激光雷达，就难免会遇到价格昂贵、受天气影响大、预报风速时间短、标定难设置的难题，本发明的重大意义在于避免任何物理激光雷达的安装。

本发明的有益效果在于：节约成本，可省去每台激光雷达约50万元成本；不受天气影响，可靠性高，准确，稳定应用；得到风况更全面，更详细，跨度更长；该软件架构部署方便，对计算资源要求不高，无部署门槛；基于秒级风速时序预测，可以保护风机不受极限载荷破坏，并且有效降低塔筒疲劳载荷，对未来风电机组设计的成本降低同样有重要意义。

综上，上述实施例对基于风机相互预警的虚拟激光雷达系统及方法的不同构型进行了详细说明，当然，本发明包括但不局限于上述实施中所列举的构型，任何在上述实施例提供的构型基础上进行变换的内容，均属于本发明所保护的范围。本领域技术人员可以根据上述实施例的内容举一反三。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。