[0001] 本申请涉及风力发电技术领域，特别是涉及一种基于风向湍动能的大型风力机偏航偏差识别方法。

[0002] 由于风力发电非常环保，且风能蕴量巨大，因此日益受到世界各国的重视。目前，风电场常用的风力机偏航偏差识别方法主要依赖于风速传感器和风向传感器，但风速的测量受环境影响比较大，如外界的温度、湿度、光照等，以及传感器精度和安装位置也会影响测量结果。风速测量误差会导致风电机组偏航角度不准确，影响偏航系统的稳定性，风速测量偏差会导致机组在非最佳状态下运行，从而降低发电效率。同时，频繁地偏航调整会增加机组的磨损和维护需求。

[0003] 综上所述，现有技术存在由于依赖额外的风速传感器和风向传感器进行风力机偏航偏差识别，导致测量结果偏差程度较大，进一步影响机组寿命和发电效率的技术问题。

[0033] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0034] 如图1所示，本申请提供了一种基于风向湍动能的大型风力机偏航偏差识别方法，该方法包括：

[0035] 步骤a：获取目标风电场的历史运行监测数据，从所述历史运行监测数据中提取预设时间范围周期的有效数据，所述预设时间范围周期为第一季度时间周期，所述有效数据为满足数据格式和数值范围要求的数据；

[0036] 具体而言，通过目标风电场监测平台查询获取目标风电场历史运行监测数据，所述历史运行监测数据主要包括风电场的历史风速和对应的历史风向，从已有的历史运行监测数据中筛选出第一季度时间周期内的数据，并对筛选出来的数据进行数据格式和数值范围判断，所述数据格式可以是数据类型的格式，如风速数据通常为数值型，所述数值范围要求则是指数据中的具体数值须落在一定的合理范围内，比如风速数据不能是负数，基于格式和范围要求，将不符合要求的数据进行排除，剩余的数据则为有效数据。通过对历史运行监测数据中预设范围内的有效数据提取，能够为后续的数据分析和偏差研究提供可靠的基础。

[0037] 步骤b：对所述有效数据进行风向湍功能统计运算，获得统计特征值，其中，所述有效数据包括风速、风向；

[0038] 具体而言，风向指的是风的运动方向，而湍功能则是指风的湍流特性的一个量化指标，通过风向湍功能统计运算能够得出风的湍流特性的统计特征值，因此，对获得的有效数据，风速和风向进行统计分析，获得目标风电场中风的统计特征值，所述统计特征值包括风向平均值和风速平均值，进而通过获得统计特征值能够准确反映目标风场风的变化特征，达到更准确地反映风力机运行过程中的偏航情况，便于后续更准确地识别风力机的偏航偏。

[0039] 步骤c：基于所述统计特征值确定风向湍功能，进行风向湍功能聚类处理，基于聚类结果获得预设时间范围周期的偏航偏差度。

[0040] 具体而言，首先，通过获得的统计特征值确定风向湍功能，所述风向湍功能是指通过提取统计特征值确定描述风向变化特征的表示方法，用来反映风向的变化，以便调整风机的偏航角度。然后，对风向湍功能进行聚类，将具有相似特征或行为的风向湍功能进行分组，便于进一步分析风向偏差。最后，基于聚类结果分析每个聚类中风向湍流功能对风力机偏航偏差的影响，获得预设时间范围内，即第一季度时间周期内风力机偏航偏差度。通过确定风向湍功能，并进行聚类处理能够准确、及时地识别风力机的偏航偏差，进而保证风力机的运行效率和稳定性。

[0041] 进一步，还包括：

[0042] 依次从所述历史运行监测数据中提取第二季度有效数据、第三季度有效数据、第四季度有效数据，其中所述第一季度、第二季度、第三季度、第四季度各自时间周期不重叠，且，所述第一季度、第二季度、第三季度、第四季度时间之和等于一年；

[0043] 分别对所述第二季度有效数据、第三季度有效数据、第四季度有效数据，重复执行步骤a‑步骤c，依次获得第二季度的偏航偏差度、第三季度的偏航偏差度及第四季度的偏航偏差度；

[0044] 将所述第一季度、第二季度、第三季度、第四季度的偏航偏差度进行整合，获得整年的偏航偏差度。

[0045] 具体而言，在从历史运行监测数据提取获得第一季度有效数据，并进行处理计算获得第一季度的偏航偏差度后，从历史运行监测数据中依次提取第二季度有效数据、第三季度有效数据、第四季度有效数据，其中，第一季度、第二季度、第三季度、第四季度各自时间周期不重叠，且，所述第一季度、第二季度、第三季度、第四季度时间之和等于一年，所述第一季度可以为任意季度，示例性的，若第一季度为1月‑3月、那么第二季度为4月‑6月、第三季度为7月‑9月、第四季度为10月‑12月，若第一季度为4月‑6月，那么第二季度为7月‑9月，依次类推，每季度历时3个月，季度时间不重叠，且之和等于一年。

[0046] 进一步的，不同地区的风速与气候变化密切相关，风的大小在不同季节也可能有所变化，提取目标风电场一整年的历史运行数据，将其划分为四个季度分别处理，在获得每个季度有效数据后，分别对每个季度的有效数据进行风向湍功能统计运算，并确定风向湍功能，风向湍功能聚类处理，依次获得第二季度、第三季度和第四季度每个季度的偏航偏差度，计算不同时间段内不同的偏航偏差值，能够对每个季度的进行的风向进行反映，准确获得每个季度风力机的偏航偏差，进而进行灵活调控，具体操作方式为重复执行步骤a‑步骤c，在此不再重复描述。

[0047] 进一步，步骤b还包括：

[0048] 采集单位矢量法对有效数据中的风向、风速信息进行统计，获得所述统计特征值，所述单位矢量法的计算表达式为：

[0049]

[0050] 其中，Au为单位矢量的平均风向， 为单位风速矢量在东西方向上的平均分量，为单位风速矢量在南北方向上的平均分量。

[0051] 具体而言，对于从历史运行监测数据中提取的有效数据后，将所以有效数据中的风速信息和风向信息转化为一个二维空间中的矢量，所述单位矢量法的计算表达式为：

[0052]

[0053] 其中，Au为单位矢量的平均风向， 为单位风速矢量在东西方向上的平均分量，为单位风速矢量在南北方向上的平均分量。

[0054] 通过上述统计分析，获得统计特征值，所述统计特征值是指风向和风速的平均值。通过对目标风场有效数据进行单位矢量法分析，获得相应的统计特征值，有助于进一步准确了解分析风场风向和风速的特征规律，确保后续以最大限度的降低偏差程度，进而保证风力机的运行效率和稳定性。

[0055] 进一步，还包括：

[0056] 基于风向的角度过渡关系，利用标量平均法进行风向修正处理，所述标量平均法的计算表达式为：

[0057]

[0058] 其中，Ai为第i个风向样本的风向方位角，Di为第i个风向样本的风向方位角。

[0059] 具体而言，在反映风力机运行过程中的偏航情况中，风向的准确性极其重要，而实际过程中风向通常用角度来表示，由于角度是循环的，所以0°和360°实际上表示的是同一个方向，即正北方向，基于上述风向的角度过渡关系，利用标量平均法进行风向修正处理，所述标量平均法的计算表达式为：

[0060]

[0061] 其中，Ai为第i个风向样本的风向方位角，Di为第i个风向样本的风向方位角。

[0062] 通过标量平均法进行风向修正处理，进一步确保了风向数据的准确性和一致性，从而能够更准确地识别风力机的偏航偏差。

[0063] 进一步，步骤c基于所述统计特征值确定风向湍功能，还包括：

[0064] 根据所述统计特征值，计算瞬时风向，所述瞬时风向为某一时刻空间某点上的真实风向由平均风向和脉动风向组成，计算公式为： 其中， 为平均风向， 为脉动风向；

[0065] 基于瞬时风向，计算风向均方差，计算公式为： 其中，di为每一时刻上的瞬时风向、μ为{xi；i＝1,…,N}的平均值、σd为风向均方差；

[0066] 根据所述风向均方差，计算获得所述风向湍功能，所述风向湍功能的计算公式为：

[0067] 具体而言，瞬时风向为某一时刻空间某点上的真实风向，由平均风向和脉动风向共同组成，所述平均风向是指一段时间内风向的平均值，所述脉动风向则是风向在该时间段内的变化情况。首先，根据统计特征值获得平均风向，再从该时间段内的原始风速减去平均风向，得到脉动风向，最后将平均风向和脉动风向结合起来，得到瞬时风向，计算公式为：其中， 为平均风向，为脉动风向。

[0068] 然后基于获得的瞬时风向，获得风向均方差，所述风向均方差表示了瞬时风向与平均风向之差的平方的平均值，计算公式为： 其中，di为每一时刻上的瞬时风向、μ为{xi；i＝1,…,N}的平均值、σd为风向均方差，用于衡量风向数据波动大小，均方差越大，说明风向数据的变化越剧烈。

[0069] 进一步根据风向均方差，通过风向湍功能的计算公式 其中，Kd为风向湍功能，计算获得风向湍功能，能够将风向的波动程度转化为一个能够直接反映风向湍流强度的量，达到更好地理解风向的湍流特性和变化规律，为后续以最大限度的降低偏差程度，进而保证风力机的运行效率和稳定性奠定基础。

[0070] 在一个实施例中，如图2所示，所述步骤c进行风向湍功能聚类处理，基于聚类结果获得预设时间范围周期的偏航偏差度，包括：

[0071] 基于所述风向湍功能进行聚类，计算各样本与同簇样本的平均距离以及样本与其他簇样本的平均距离；

[0072] 根据各样本与同簇样本的平均距离、样本与其他簇样本的平均距离，使用silhouette函数计算风向湍动能聚类结果的轮廓系数；

[0073] 根据所述轮廓系数进行等级分割，确定所述偏航偏差度。

[0074] 进一步，根据各样本与同簇样本的平均距离、样本与其他簇样本的平均距离，使用silhouette函数计算风向湍动能聚类结果的轮廓系数，包括：

[0075] 根据各样本与同簇样本的平均距离、样本与其他簇样本的平均距离，使用silhouette函数计算风向湍动能聚类结果的轮廓系数，包括：

[0076] 根据公式： 计算风向湍动能聚类结果的轮廓系数，其中，a(i)表示计算样本i到同簇其他样本的平均距离，b(i)表示样本i到其他簇的所有样本的平均距离。

[0077] 具体而言，先通过对风向湍功能进行聚类，将具有相似湍流特性进行分组，识别出不同的风向湍流组别模式，然后计算每个组别模式下样本的轮廓系数，即计算各样本与同簇样本的平均距离a(i)，以及样本与其他簇样本的平均距离b(i)，进一步量化样本之间的关系，根据计算获得的平均距离，使用计算聚类结果的轮廓系数的silhouette函数计算风向湍动能聚类结果的轮廓系数，函数如下：

[0078]

[0079] 其中，a(i)表示计算样本i到同簇其他样本的平均距离，b(i)表示样本i到其他簇的所有样本的平均距离。

[0080] 通过轮廓系数的分布来评估不同模式下的聚类效果，根据轮廓系数和等级分割阈值比较，获得偏航偏差值，能够对聚类结果被进行客观评估，避免主观判断，并且利用轮廓系数的分布来评估聚类效果并确定偏航偏差值能够提高偏航偏差值的准确性。

[0081] 进一步，根据所述轮廓系数进行等级分割，确定所述偏航偏差度，包括：

[0082] 设定聚类分界点，所述聚类分界点为0.5‑1之间的数值；

[0083] 根据所述聚类分界点，设定等级分割阈值，利用所述轮廓系数与所述等级分割阈值进行比较，确定所述偏航偏差度。

[0084] 具体而言，轮廓系数与1越接近，聚类效果越好，组内相似度越高，偏航偏差越小，根据轮廓系数说明这一时刻的偏航角度。基于此，设定聚类分界点为0.5‑1之间的数值，当设定分界点后，根据聚类分界点将轮廓系数的范围划分为不同的等级，轮廓系数大于分界点，表示偏航偏差小，轮廓系数小于等于分界点，则表明偏航偏差较大，优选的聚类分界点为0.6，根据聚类分界点，设定等级分割阈值，当轮廓系数大于0.6，表示聚类值较高，机组偏航偏差小，当轮廓系数小于0.6，表示聚类值较低，机组偏航偏差大，可选的，还可以进行多等级设定，示例性的，轮廓系数在0.5以下，表示机组偏航偏为高度偏差，轮廓系数在0.5‑0.7，表示机组偏航偏差为中度，当轮廓系数大于0.7，则表示机组偏航偏差为轻度偏差，上述阈值等级划分仅作为示例，实际应用中可以根据具体需求进行调整。

[0085] 进而利用轮廓系数与等级分割阈值进行比较，通过计算轮廓系数，并与划分好等级分割阈值进行比较，能够准确识别获得偏航偏差程度，进而保证风力机的运行效率和稳定性。

[0086] 最后，将将计算得到的轮廓系数与设定的等级分割阈值进行比较，根据轮廓系数的等级，推断出偏航偏差度

[0087] 进一步，步骤a还包括：

[0088] 所述历史运行监测数据为通过风电场SCADA系统采集的监测运行数据。

[0089] 具体而言，在风电场中，SCADA系统的主要作用是对风电场的运行数据进行实时监测和控制，SCADA系统还会记录并积累风电机组运行中监测的大量历史数据，如风速、风向等测量信号。因此，通过目标风电场SCADA系统采集获取历史运行监测数据，不需要依赖额外的风速传感器和风向传感器，依据风电场SCADA数据处理即可，降低了成本和维护难度的同时，提高了数据的准确性和可靠性。

[0090] 综上所述，本申请所提供的一种基于风向湍动能的大型风力机偏航偏差识别方法具有如下技术效果：

[0091] 通过计算风向的湍动能，可以更准确地反映风力机运行过程中的偏航情况，从而更准确地识别风力机的偏航偏差，进而保证风力机的运行效率和稳定性。此外，本发明的方法不需要依赖额外的风速传感器和风向传感器，依据风电场SCADA数据处理即可，降低了成本和维护难度。

[0092] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

[0093] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。