[发明专利]一种风力发电机的尾迹识别方法

说明书

本发明提供一种风力发电机的尾迹识别方法，先采集试验风力发电机的所有流场数据，然后对流场数据通过差分方法进行求导计算，得到速度梯度张量，然后再计算出流场每个点上的流动不变量数据；对已知的数据进行分析，并按预定标准将收集的数据分为强湍流和弱湍流；以流动不变量数据作为输入量，以强湍流和弱湍流数据作为学习对象，通过机器学习算法软件生成一个识别器；将需要识别流场的不变量数据输入识别器，然后根据预定标准将符合强湍流的数据区域绘出，即得到产生当前需要识别流场的风力发电机的尾迹区域。本发明使用了现代计算机科学中的大数据分析方法，只需要提供充分的数据，而不需要加入其他人为干涉，可以保证计算结果的客观性。

技术领域

本发明涉及风力发电领域，特别涉及一种通过已知数据建立学习模型进而识别出任意风力发电机的尾迹的识别方法。

背景技术

传统的风力发电机尾迹识别通常采用“一个物理量+一个阈值”的模式，比如，对于时均尾迹场，可以通过速度亏损的极大值点确定中心位置，通过速度亏损大于某一阈值确定尾迹范围，对于瞬时速度场，可以通过流场的涡量和某一阈值来识别风力发电机尾迹，而这种方法存在以下两个缺点：

1.单变量的识别器鲁棒性差，对于不同流动参数的尾迹识别需要人为地调整阈值，然而阈值的选取严重依赖于人的主观认知，因此并不能客观的反应真实的情况。

2.湍流是一个多尺度物理现象，而一个变量往往只能反应某个特征尺度下的流动特性，因此不能全面的识别流动状态，也就不能准确的识别风力发电机的尾迹。

发明内容

本文发明的目的是提供一种通过已知数据建立学习模型进而识别出任意风力发电机的尾迹的识别方法。

具体地，本发明提供一种风力发电机的尾迹识别方法，包括如下步骤：

步骤100，采集试验风力发电机下游受尾迹影响区域中的所有流场数据，然后对采集的所有流场数据通过差分方法进行求导计算，得到速度梯度张量，然后再计算出流场每个点上的流动不变量数据；

步骤200，根据受风力发电机偏航影响的强度，对收集的所有流场数据中流动状态已知的数据进行分析，并按预定标准将收集的数据分为强湍流和弱湍流；

步骤300，以流动不变量数据作为输入量，以强湍流和弱湍流数据作为学习对象，通过机器学习算法软件生成一个识别器；

步骤400，将需要识别流场的不变量数据输入识别器，即可自动输出该流场中每一点的流动状态，然后根据预定标准将符合强湍流的数据区域绘出，即得到产生当前需要识别流场的风力发电机的尾迹区域。

在本发明的一个实施方式中，所述的所有流场数据中的每个流场点数据信息包括空间坐标信息和时间信息。

在本发明的一个实施方式中，所述的所有流场数据是通过场地测量或实验室测量或数值模拟得到的。

在本发明的一个实施方式中，所述的流动不变量至少包括湍流脉动能量，拟涡能和涡拉伸强度。

在本发明的一个实施方式中，所述的对收集的所有流场数据中流动状态已知的数据进行分析采用的分析方法是大数据分析方法。

在本发明的一个实施方式中，所述的根据受风力发电机偏航影响的强度是指：风力发电机在空间上受风向影响而随风向随时改变朝向的过程中，其尾迹区域在移动过程中与周边非尾迹区域之间的变化对比。

在本发明的一个实施方式中，所述步骤400中需要识别流场的不变量数据包含所述需要识别流场中获取的所有已知数据的不变量数据。

在本发明的一个实施方式中，所述的需要识别流场的不变量数据中的不变量数据是通过步骤100中的差分方法计算后得到的。