Page 48 - 电力与能源2023年第三期
P. 48
242 苏智超：基于深度学习的风电机组风向预测方法研究
效时刻的风机数据，只留下有效时刻的风机数据。
数据清洗流程如图 4 所示。
图 5 数据整定流程
图 4 数据清洗流程
2.3 数据整定
风机测得的风向绝对值范围为 0° 到 360°，当
某时刻风机测得的风向绝对值为 355° 而后一时
刻测得的风向绝对值为 5° 时，根据偏航系统设定
得到的结论是风向逆时针旋转 350°，而非顺时针
旋转 10°，这显然是不符合常理的。因此，清洗后 图 6 风机 8 和风机 24 清洗整定后的风向数据曲线
的风向数据依然无法准确反映风向的变化情况， 游风机和上游风机的风数据存在一定的关联。选
需要再进行风向数据整定。数据整定的主要思想 取与待预测风机相关性较好的上游风机作为关联
是将原属于矢量的初始风向绝对值整定为标量， 种子，通过关联种子当前时刻的实测风向，预测
使得整定后的风向能够直接反映风向的变化情 10 min 后待预测风机的风向，从而实现优化偏航
况。数据整定流程如图 5 所示。 系统控制的目标。
2.4 数据处理案例分析 3.2 关联种子选取基本法则
经过数据处理后，风机 8 和风机 24 清洗整定 关联种子选取是风电场风向预测中非常重要
t t
后 的 风 向 数 据 d ( zd) 和 d ( zd) 曲 线 如 图 6 所 的一部分，只有选取与待预测风机相关性较好的
8 24
示。从图 6 可以明显看出，两台风机的风向具有 关联种子风机才能做到准确预测。关联种子的数
较好的相关性，说明本文提出的数据清洗整定方 量对预测结果也有很大的影响：选取过多的关联
法具有科学性。 种子会导致处理速度过慢，占用过多内存；而选取
过少的关联种子则会使得预测精度达不到要求。
3 风机相关性判定和关联种子选择
因此需要根据关联种子选取法则和对应的试验最
3.1 风向预测理论依据 终决定关联种子。
同一风电场区域的风向不会发生突变，吹过 根据风向预测的理论依据，关联种子的选取
上游风机的风在经过一段时间后将会吹到下游风 应遵循如下基本法则。
机，成为影响下游风机风向变化的重要因素，即下 （1）相同时间内关联种子风机和待预测风机
