[發明專利]一種風電場發電量評估及微觀選址模型建立方法

在審

• 申請號: 202110045045.0
• 申請日: 2021-01-13
• 公開（公告）號: CN112818590A
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 易侃;張皓;張子良;王浩
• 申請（專利權）人: 中國長江三峽集團有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08;G06Q50/06;G06F111/06
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 余山

1.一種風電場發電量評估及微觀選址模型建立方法，其特征在于，它包括以下步驟:

步驟1：收集風電場運行案例及相關數據信息；

步驟2：劃分包含一定范圍的空間網格，使收集到的每個風電場中風機排布的相對位置信息能夠對應到不同的網格點上；

步驟3：使數據集中的單個風力發電機作為樣本，根據劃分的空間網格建立相應的風電場排布矩陣，將樣本風機和風電場內其他風機的相對位置在矩陣中通過不同的數字標簽進行區分；

步驟4：確定自由來流風速風向數據、風機參數、風電場排布矩陣作為模型的輸入樣本集，確定待估計風機處的風速數據或發電量數據y作為模型的輸出樣本集，并按照一定比例劃分為訓練數據集X與測試數據集X’；

步驟5：將預處理后的訓練數據集X輸入機器學習模型，并對該機器學習模型中的參數進行迭代優化；

步驟6：采用測試數據集X’對已訓練網絡進行測試，若模型誤差達到預先設定條件，網絡訓練完成，否則重新對模型進行訓練；

步驟7：將訓練好的機器學習模型作為風電場發電量評估及微觀選址模型，在海上風電場或陸上平坦地形風電場微觀選址階段，通過輸入測風塔觀測的風速風向數據、風機參數和擬采用的風機排布矩陣可計算得待估計風機處相應的發電量。

2.根據權利要求1所述的風電場發電量評估及微觀選址模型建立方法，其特征在于：在步驟1中，收集的相關數據信息包括自由來流測風數據、風機參數、風機排布位置、風機機艙風速、風機運行狀態及發電量其中的一種或多種。

3.根據權利要求2所述的風電場發電量評估及微觀選址模型建立方法，其特征在于：在步驟1中，針對收集到的風電場數據進行數據清洗，剔除單個或多個風機由于故障、停機等因素不能正常運行以及數據監測出現異常時段的風電場整體數據，保證所使用的風電場數據集中所有風機正常運行且數據監測無異常。

4.根據權利要求1所述的風電場發電量評估及微觀選址模型建立方法，其特征在于，在步驟2中，所述空間范圍大于所有單個風電場的規劃范圍。

5.根據權利要求1或4所述的風電場發電量評估及微觀選址模型建立方法，其特征在于，在步驟2中，所述空間網格具有高分辨率。

6.根據權利要求5所述的風電場發電量評估及微觀選址模型建立方法，其特征在于，在步驟2中，空間網格具有米級分辨率。

7.根據權利要求1所述的風電場發電量評估及微觀選址模型建立方法，其特征在于，在步驟5中，機器學習模型為采用神經網絡構建的機器學習模型，該神經網絡構建的機器學習模型由輸入層、隱含層及輸出層組成，采用梯度下降算法對模型參數進行迭代優化，代價函數選取均方誤差函數，當迭代達到一定次數或者誤差達到一定取值后模型停止訓練；并采用測試數據集X’對已訓練網絡進行測試，模型誤差達到預先設定條件，模型訓練完成。

8.根據權利要求7所述的風電場發電量評估及微觀選址模型建立方法，其特征在于：在步驟5中，所述均方誤差函數如式(1)所示：

e_ss＝1/2(y^*-y)² (1)

上式中：y為第i個輸出變量的實際值。

9.根據權利要求1所述的風電場發電量評估及微觀選址模型建立方法，其特征在于，在步驟7中，風電場發電量評估及微觀選址模型可結合啟發式算法，對各風機排布方案進行尋優，以獲得整場發電量的最優值。

10.根據權利要求9所述的風電場發電量評估及微觀選址模型建立方法，其特征在于，所述元啟發式算法為遺傳算法或粒子群優化算法或模擬退火算法。