基于激光雷达智能感知的风机组控制方法及系统与流程

1.本发明涉及风电场控制技术领域，具体涉及一种基于激光雷达智能感知的风机组控制方法及系统。


背景技术：

2.由于人类对于能源的需求逐步上升，对能源的质量与效率要求越来越严格，如何高效的利用风能是当今能源领域研究的热点。在风电机组中，反馈控制系统通过由风轮转速估计的风速来对偏航系统进行控制，达到一个较佳对风的桨距角，提升风能利用效率。但由于风速的不稳定性与随机性，以及前方风机所造成的湍流，该控制方式测风多变且不稳定，易加速偏航机构齿轮箱的磨损和老化。


技术实现要素：

3.针对上述现有技术存在的问题，本发明提供了一种基于激光雷达智能感知的风机组控制方法及系统，通过激光雷达准确有效地测得风力发电机组前方不同距离测风平面上多个不同测风点的风速、风向等数据，进一步得到发电机组前方不同距离测风平面上的有效风速，根据风机组前方风场数据，实现对风机组的提前控制，避免或大大减少风力发电机组的超速故障，降低了机组载荷。该技术方案如下：
4.第一方面，提供了一种基于激光雷达智能感知的风机组控制方法，该方法包括如下步骤：
5.基于激光雷达获取多个采集点的实时风速数据，所述激光雷达的风速采集点包括位于距离风机机头不同距离的多个测风平面上的多个不同测风点；
6.基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据；
7.基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速。
8.在一些实施方式中，所述基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据，包括：
9.基于采集点风速数据，利用预设的风速分析模型拟合风机组前方风场风速变化数据，获取风机组前方目标距离迎风面即目标迎风面多个位置的风速数据，所述目标迎风面包括首排风机所在平面；
10.基于目标迎风面多个位置的风速数据获取目标迎风面有效风速。
11.在一些实施方式中，所述目标迎风面多个位置的风速数据的获取方法，包括：
12.（1）基于采集的风速时序数据，获取风速时序数据的极值，并获取多个极值形成的极大值包络线和极小值包络线；
13.（2）基于极大值包络线和极小值包络线获取平均值包络线，并获取风速时序数据与所述平均值包络线的差值数据作为待分析分量；
14.（3）在所述待分析分量为imf分量的情况下，基于所述待分析分量作为新目标分量，在所述待分析分量不为imf分量的情况下，基于所述待分析分量作为新的风速时序数据，重复上述步骤（1）-（2）直至获取新目标分量；
15.（4）并基于风速时序数据与已有目标分量的差值数据重复步骤（1）-（3），分别获取多个目标分量数据，直至所述风速时序数据与已有目标分量的差值数据为单调函数；
16.（5）获取所有的目标分量和风速时序数据与所有目标分量的差值分量数据；
17.（6）对于步骤（5）中的不同时序数据分别采用不同的训练完成的预测模型进行预测，获取不同时序数据的未来时间的预测数据，并基于多个不同预测数据进行融合获得风机组前方目标迎风面对应位置的风速数据。
18.在一些实施方式中，所述基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速，包括：
19.基于风机组前方目标距离迎风面的风速数据，判断风机平面有效风速是否大于风速预设值，在小于风速预设值时，以最大风能捕获效率为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值；在大于风速预设值时，以预设功率输出为优化目标获取风机组的浆距角调节目标值、风机组转速调节目标值；
20.基于风机组的浆距角调节目标值、风机组转速调节目标值通过调节控制器调节风机组的浆距角、风机组转速。
21.在一些实施方式中，所述以最大风能捕获效率为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值，包括：
22.基于预设风电场尾流模型获取上游风机入流风速和下游风机入流风速之间的关系，并基于风机组首排风机所在平面的有效风速拟合预测值，获取每台风机的入流风速；
23.基于每台风机的入流风速、浆距角、风轮转速获取风机组整体的风能捕获量；
24.基于风机组整体的风能捕获量最大为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值。
25.在一些实施方式中，所述上游风机入流风速和下游风机入流风速之间的关系为：
26.，，其中，为风机组直径，为风机组下游距离处的尾流直径，a为轴向诱导因子，是风机组下游距离处的尾流风速，风机组上游来风风速，、、为预设常数；
27.所述风机组整体的风能捕获量为：，
28.其中，下标表征第台风机组的对应参数；，，其中，是功率系数，是浆距角，为叶尖速比，，其中，是风机组叶尖线速度，为风机组风轮角速度，为风机组半径，为入流风速。
29.在一些实施方式中，所述基于风机组整体的风能捕获量最大为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值，包括：
30.（1）以风机组的浆距角调节目标值、风机组转速调节目标值为个体，随机生成第一预设值个个体；基于各风机组的入流风速，获取第一预设值个个体对应的风能总和；
31.（2）基于第一预设值个风能总和，择优选择满足预设条件的第二预设个风能总和对应的个体进行优化更新，形成新的第一预设值个个体；
32.（3）基于新的第一预设值个个体对每个个体进行位置更新；
33.（4）重复步骤（2）-（3）预设次数，获取迭代截止后的第一预设值个风能总和中的最大值对应的个体，即获取最终的风机组的浆距角调节目标值、风机组转速调节目标值。
34.第二方面，提供了一种基于激光雷达智能感知的风机组控制系统，包括：
35.激光雷达数据采集单元，用于基于激光雷达获取多个采集点的实时风速数据，所述激光雷达的风速采集点包括位于距离风机机头不同距离的多个测风平面上的多个不同测风点；
36.风速分析单元，用于基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据；
37.控制单元，用于基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速。
38.第三方面，提供了一种基于激光雷达智能感知的风机组控制设备，所述设备包括：
39.处理器；
40.用于存储处理器可执行指令的存储器；
41.其中，所述处理器通过运行所述可执行指令以实现第一方面所述的风机组控制方法。
42.第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现第一方面所述风机组控制方法的步骤。
43.本发明的一种基于激光雷达智能感知的风机组控制方法及系统，具备如下有益效果：通过激光雷达准确有效地测得风力发电机组前方不同距离测风平面上多个不同测风点的风速、风向等数据，进一步得到发电机组前方不同距离测风平面上的有效风速，根据风机组前方风场数据，实现对风机组的提前控制，避免或大大减少风力发电机组的超速故障，降低了机组载荷，提高了风力发电机组在极端风况下的安全性，进而有助于提高发电量，改善风力发电机组的运行效率。
附图说明
44.图1是本技术实施例中基于激光雷达智能感知的风机组控制方法的流程示意图；
45.图2是本技术实施例中激光雷达采集数据的分析方法流程示意图；
46.图3是本技术实施例中风机组控制方法的流程示意图。
具体实施方式
47.下面结合附图对本发明具体实施方式进一步说明。
48.本技术实施例提供的一种基于激光雷达智能感知的风机组控制方法，包括如下步骤：
49.步骤1，基于激光雷达获取多个采集点的实时风速数据，所述激光雷达的风速采集
点包括位于距离风机机头不同距离的多个测风平面上的多个不同测风点；
50.步骤2，基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据；
51.步骤3，基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速。
52.本技术实施例中，通过激光雷达准确有效地测得风力发电机组前方不同距离测风平面上多个不同测风点的风速、风向等数据，进一步得到发电机组前方不同距离测风平面上的有效风速，根据风机组前方风场数据，实现对风机组的提前控制，避免或大大减少风力发电机组的超速故障，降低了机组载荷，提高了风力发电机组在极端风况下的安全性，进而有助于提高发电量，改善风力发电机组的运行效率。
53.进一步，上述步骤2中，基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据，包括：
54.步骤21，基于采集点风速数据，利用预设的风速分析模型拟合风机组前方风场风速变化数据，获取风机组前方目标距离迎风面即目标迎风面多个位置的风速数据，所述目标迎风面包括首排风机所在平面；
55.步骤22，基于目标迎风面多个位置的风速数据获取目标迎风面有效风速。
56.本技术实施例中，利用激光雷达对风机组前方风场风速数据的信息采集，进一步考虑到采集点到风机组风机之间风速风向的非线性变化，通过风速分析模型预测风机组首排风机所在平面或者首排风机所在平面前方10m、50m的有效风速数据。进一步基于风机组首排风机所在平面或者首排风机所在平面前方10m、50m的有效风速数据作为控制风机组浆距角、偏航、停机等控制行为的参考数据。
57.进一步，上述步骤21中，目标迎风面多个位置的风速数据的获取方法，包括：
58.（1）基于采集的风速时序数据，获取风速时序数据的极值，并获取多个极值形成的极大值包络线和极小值包络线；
59.（2）基于极大值包络线和极小值包络线获取平均值包络线，并获取风速时序数据与所述平均值包络线的差值数据作为待分析分量；
60.（3）在所述待分析分量为imf分量的情况下，基于所述待分析分量作为新目标分量，在所述待分析分量不为imf分量的情况下，基于所述待分析分量作为新的风速时序数据，重复上述步骤（1）-（2）直至获取新目标分量；
61.（4）并基于风速时序数据与已有目标分量的差值数据重复步骤（1）-（3），分别获取多个目标分量数据，直至所述风速时序数据与已有目标分量的差值数据为单调函数；
62.（5）获取所有的目标分量和风速时序数据与所有目标分量的差值分量数据；
63.（6）对于步骤（5）中的不同时序数据分别采用不同的训练完成的预测模型进行预测，获取不同时序数据的未来时间的预测数据，并基于多个不同预测数据进行融合获得风机组前方目标迎风面对应位置的风速数据。
64.本技术实施例中，步骤（3）中，待分析分量为imf分量（即内涵模态分量）的条件包括；在整个数据集中，待分析分量的极值数和过零数必须相等或不大于1。在任意点上，由局部极大值和局部极小值定义的包络线的均值为零。步骤（5）中，风速时序数据获取的目标分量数据记为、、...、、...、，最终获得的风速时序数据与所有目标分量的差值
数据=-；在步骤（6）中分别对（i=1,2,...,n）、时序数据利用神经网络模型进行预测模型训练，利用训练完成的多个预测模型可以获得采集的风速时序数据的（i=1,2,...,n）、的未来时间的预测数据，即获得目标迎风面对应位置的风速数据的（i=1,2,...,n）、，进一步基于目标迎风面对应位置的风速数据的（i=1,2,...,n）、，进行融合获得目标迎风面对应位置的风速数据。
65.进一步的，上述步骤（6）中的训练完成的预测模型对于同一类时序数据进行预测，该预测模型采用空间特征和时序特征结合分析的方式，充分挖掘风速数据在时序上的变化特征和空间上的分布特征，实现对输入时序数据的准确预测。该神经网络模型包括：
66.输入层：用于输入采集的多个风速时序数据通过步骤（1）-（5）获取的同一类时序数据；
67.第一卷积层：用于初步提取输入层输入数据的空间分布特征；
68.第一池化层：用于对第一卷积层提取的特征进一步简化；
69.第二卷积层：用于针对第一池化层输出的特征数据进一步提取空间分布特征；
70.第二池化层：用于对第二卷积层提取的特征进一步简化；
71.门控循环网络层：用于对第二池化层输出的特征数据进一步提取时序变化特征；
72.全连接层：用于对所有提取的特征数据进行整合；
73.输出层：用于输出步骤（5）中同一类时序数据的预测值。
74.具体来说，第一卷积层和第二卷积层的卷积核采用5*5，激活函数采用relu函数，第一池化层和第二池化层的池化核采用2*2，门控循环网络层采用2层。
75.可以理解，上述步骤（6）中的预测模型在训练时，以历史时间段采集的风速时序数据经过上述步骤（1）-（5）获得多个分量数据和风速时序数据与所有目标分量的差值数据作为模型训练的样本数据，并且带有对应的标注数据。
76.进一步的，上述基于目标迎风面多个位置的风速数据进行加权融合获取目标迎风面有效风速，可以是基于目标迎风面多个位置的风速数据进行空间合成得到风轮轮毂处的拟合风速。
77.本技术实施例中通过上述步骤（1）-（5）将采集的风速数据分解为多个分量，每个分量具有对应的特征，进一步通过步骤（6）中的预测模型同时挖掘风速数据的空间分布特征和时序分布特征，实现对风速分量数据的准确预测。
78.进一步，上述步骤3中，基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速，包括：
79.步骤31，基于风机组前方目标距离迎风面的风速数据，判断风机平面有效风速是否大于风速预设值，在小于风速预设值时，以最大风能捕获效率为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值；在大于风速预设值时，以预设功率输出为优化目标获取风机组的浆距角调节目标值、风机组转速调节目标值；
80.步骤32，基于风机组的浆距角调节目标值、风机组转速调节目标值通过调节控制器调节风机组的浆距角、风机组转速。
81.本技术实施例中，当风速变化时，机组自动调整叶片桨距角以适配当前风速。当风速较小时，机组控制增大叶片桨距角以提供更多的空气动力转矩，同时，控制机组转速保持
最佳叶速比，实现最大风能捕获效率。当风速较大时，机组控制减小叶片桨距角以削弱过剩的空气动力转矩，结合机组转速控制参数，实现机组以预设功率即恒定功率工作。整个控制过程中，低于额定风速时，风电机组响应风速变化在运行中追踪最佳叶尖速比，保证机组以最大功率系数运行，高于额定风速时，风电机组功率输出不再增加，使功率输出更加平稳，防止风电机组过载，实现机组安全运行。
82.进一步，上述步骤31中，所述以最大风能捕获效率为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值，包括：
83.步骤311，基于预设风电场尾流模型获取上游风机入流风速和下游风机入流风速之间的关系，并基于风机组首排风机所在平面的有效风速拟合预测值，获取每台风机的入流风速；
84.步骤312，基于每台风机的入流风速、浆距角、风轮转速获取风机组整体的风能捕获量；
85.步骤313，基于风机组整体的风能捕获量最大为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值。
86.本技术实施例中，在风速小于风速预设值时对于风机组的控制，考虑风机组所有风机捕获风能总和最大为优化目标函数，而非单一风机捕获风能最大为优化目标函数，一般来说，在风速小于风速预设值时，考虑直接将所有风机的浆距角控制为0度，即所有风机均提供最大空气转矩。而本技术中，考虑风机组所有风机捕获风能总和最大为优化目标函数，在整个风机组中，上游风机捕获风能之后，会对下游风机的入流风速产生影响，上游风机捕获风能越多，则下游风机的入流风速越小，即下游风机捕获风能越少。本技术中，在风速小于风速预设值时对于风机组的控制，考虑上游风机适当增大浆距角，减小上游风机风能捕获量，为下游风机让风，实现风机组所有风机捕获风能总和最大为优化目标函数。
87.具体来说，上述步骤311中，上游风机入流风速和下游风机入流风速之间的关系为：
88.，，其中，为风机组直径，为风机组下游距离处的尾流直径，a为轴向诱导因子，是风机组下游距离处的尾流风速，风机组上游来风风速，、、为预设常数；
89.上述步骤312中，风机组整体的风能捕获量为：
90.，其中，下标表征第台风机组的对应参数；，，其中，是功率系数，是浆距角，为叶尖速比，，其中，是风机组叶尖线速度，为风机组风轮角速度，为风机组半径，为入流风速。
91.本技术实施例中，a为轴向诱导因子，，其中，风机组上游来风风速，是
上游来风经过风机组后轮毂处的风速；在中，下标表征第台风机组的对应参数，即是第台风机组的功率系数，是第台风机组的浆距角，是第台风机组的入流风速。
92.进一步，上述步骤313中，基于风机组整体的风能捕获量最大为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值，包括：
93.（71）以风机组的浆距角调节目标值、风机组转速调节目标值为个体，随机生成第一预设值个个体；基于各风机组的入流风速，获取第一预设值个个体对应的风能总和；
94.（72）基于第一预设值个风能总和，择优选择满足预设条件的第二预设个风能总和对应的个体进行优化更新，形成新的第一预设值个个体；
95.（73）基于新的第一预设值个个体对每个个体进行位置更新；
96.（74）重复步骤（72）-（73）预设次数，获取迭代截止后的第一预设值个风能总和中的最大值对应的个体，即获取最终的风机组的浆距角调节目标值、风机组转速调节目标值。
97.本技术实施例中，上述步骤（71）中随机生成的第一预设值个个体形成初始的种群，上述步骤（72）中，择优选择满足预设条件的第二预设个风能总和对应的个体进行优化更新，包括：
98.择优选择第二预设个个体：个体对应的风能总和从高到低排序的前第二预设个个体；
99.对被选择的第二预设个个体生成候选的第二预设个个体：，其中，表示第i个个体，表示个体第j维的数据，表示第i个个体第j维的数据，本实施例中j=1，2；和分别为个体第j维的数据的最小值和最大值，k为（0，1）的随机数；
100.对被选择的个体和生成的候选个体进行择优保留：基于个体对应的风能总和，在原始个体和生成的候选个体中保留一个，经过对比择优，在被选择的第二预设个个体和生成的候选第二预设个个体中择优保留，形成新的第二预设个个体；
101.进一步，将该新的第二预设个个体连同原始第一预设值个个体中其余个体形成新的第一预设值个个体；
102.上述步骤（73）中，对每个个体进行位置更新，包括：
103.基于个体的风能总和大小将第一预设值个个体划分为第一群体和第二群体，对第一群体的位置更新采用公式：
[0104][0105]
其中，表示群体迭代更新过程中第t+1代第i个个体第j维的数据，表示群体迭代更新过程中第t代第i个个体第j维的数据，为（0，1]的随机数，为最大迭代次数（即上述（74）中的“预设数次”），为第个个体，为服从正态的随机数，元素都为1的1*
d矩阵，其中d与个体维数大小一致，本实施例中j=1，2，d=2，、为种群预警值、安全值，取值范围[0,1], 取值范围[0.5,1]。
[0106]
对于第二群体的位置更新采用公式：
[0107][0108]
其中，为当前种群中最差个体的位置（即个体对应的风能总和最小的个体对应的位置），为种群中个体的个体即上述的第一预设值，为当前第一群体占据的最优位置（即第一群体中个体对应的风能总和最大的个体的位置），a为各元素随机为1或-1的1*d矩阵，且满足。
[0109]
对于意识到危险的个体进行位置更新为：
[0110][0111]
其中，意识到危险的个体一般占种群的10%-20%，位置在种群中随机产生，本实施例中，第一群体占种群的20%，意识到危险的个体占10%，余下为第二群体。种群中最优秀个体的位置，为步长控制参数，且是服从均值为0、方差为1正态分布的随机数，为[0,1]的随机数，、、分别为当前种群中第i个个体、最差个体、最优个体对应的风能总和p值，为最小常数，避免分母为0。
[0112]
本技术实施例还提供一种基于激光雷达智能感知的风机组控制系统，该系统包括：
[0113]
激光雷达数据采集单元，用于基于激光雷达获取多个采集点的实时风速数据，所述激光雷达的风速采集点包括位于距离风机机头不同距离的多个测风平面上的多个不同测风点；
[0114]
风速分析单元，用于基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据；
[0115]
控制单元，用于基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速。
[0116]
关于基于激光雷达智能感知的风机组控制系统的具体限定可以参见上文中对于基于激光雷达智能感知的风机组控制方法的限定，在此不再赘述。上述基于激光雷达智能感知的风机组控制系统中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
[0117]
本技术实施例还提供一种基于激光雷达智能感知的风机组控制设备，该设备包括：
[0118]
处理器；
[0119]
用于存储处理器可执行指令的存储器；
[0120]
其中，所述处理器通过运行所述可执行指令以实现上述的基于激光雷达智能感知的风机组控制方法。
[0121]
具体来说，该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、电子程序和数据库，数据库用于存储激光雷达采集的数据等。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。
[0122]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现上述基于激光雷达智能感知的风机组控制方法的步骤。其中，计算机可读存储介质可以是只读存储器 (read-only memory，rom)、随机存取存储器 (random access memory，ram)、只读光盘(compact disc read-only memory，cd-rom)、磁带、软盘和光数据存储节点等。
[0123]
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。

技术特征：
1.一种基于激光雷达智能感知的风机组控制方法，其特征在于，包括：基于激光雷达获取多个采集点的实时风速数据，所述激光雷达的风速采集点包括位于距离风机机头不同距离的多个测风平面上的多个不同测风点；基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据；基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速。2.根据权利要求1所述的一种基于激光雷达智能感知的风机组控制方法，其特征在于，所述基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据，包括：基于采集点风速数据，利用预设的风速分析模型拟合风机组前方风场风速变化数据，获取风机组前方目标距离迎风面即目标迎风面多个位置的风速数据，所述目标迎风面包括首排风机所在平面；基于目标迎风面多个位置的风速数据获取目标迎风面有效风速。3.根据权利要求2所述的一种基于激光雷达智能感知的风机组控制方法，其特征在于，所述目标迎风面多个位置的风速数据的获取方法，包括：（1）基于采集的风速时序数据，获取风速时序数据的极值，并获取多个极值形成的极大值包络线和极小值包络线；（2）基于极大值包络线和极小值包络线获取平均值包络线，并获取风速时序数据与所述平均值包络线的差值数据作为待分析分量；（3）在所述待分析分量为imf分量的情况下，基于所述待分析分量作为新目标分量，在所述待分析分量不为imf分量的情况下，基于所述待分析分量作为新的风速时序数据，重复上述步骤（1）-（2）直至获取新目标分量；（4）并基于风速时序数据与已有目标分量的差值数据重复步骤（1）-（3），分别获取多个目标分量数据，直至所述风速时序数据与已有目标分量的差值数据为单调函数；（5）获取所有的目标分量和风速时序数据与所有目标分量的差值分量数据；（6）对于步骤（5）中的不同时序数据分别采用不同的训练完成的预测模型进行预测，获取不同时序数据的未来时间的预测数据，并基于多个不同预测数据进行融合获得风机组前方目标迎风面对应位置的风速数据。4.根据权利要求3所述的一种基于激光雷达智能感知的风机组控制方法，其特征在于，所述基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速，包括：基于风机组前方目标距离迎风面的风速数据，判断风机平面有效风速是否大于风速预设值，在小于风速预设值时，以最大风能捕获效率为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值；在大于风速预设值时，以预设功率输出为优化目标获取风机组的浆距角调节目标值、风机组转速调节目标值；基于风机组的浆距角调节目标值、风机组转速调节目标值通过调节控制器调节风机组的浆距角、风机组转速。5.根据权利要求4所述的一种基于激光雷达智能感知的风机组控制方法，其特征在于，
所述以最大风能捕获效率为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值，包括：基于预设风电场尾流模型获取上游风机入流风速和下游风机入流风速之间的关系，并基于风机组首排风机所在平面的有效风速拟合预测值，获取每台风机的入流风速；基于每台风机的入流风速、浆距角、风轮转速获取风机组整体的风能捕获量；基于风机组整体的风能捕获量最大为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值。6.根据权利要求5所述的一种基于激光雷达智能感知的风机组控制方法，其特征在于，所述上游风机入流风速和下游风机入流风速之间的关系为：，，其中，为风机组直径，为风机组下游距离处的尾流直径，a为轴向诱导因子，是风机组下游距离处的尾流风速，风机组上游来风风速，、、为预设常数；所述风机组整体的风能捕获量为：，其中，下标表征第台风机组的对应参数；，，其中，是功率系数，是浆距角，为叶尖速比，，其中，是风机组叶尖线速度，为风机组风轮角速度，为风机组半径，为入流风速。7.根据权利要求5所述的一种基于激光雷达智能感知的风机组控制方法，其特征在于，所述基于风机组整体的风能捕获量最大为第一优化目标函数，获取风机组的浆距角调节目标值、风机组转速调节目标值，包括：（71）以风机组的浆距角调节目标值、风机组转速调节目标值为个体，随机生成第一预设值个个体；基于各风机组的入流风速，获取第一预设值个个体对应的风能总和；（72）基于第一预设值个风能总和，择优选择满足预设条件的第二预设个风能总和对应的个体进行优化更新，形成新的第一预设值个个体；（73）基于新的第一预设值个个体对每个个体进行位置更新；（74）重复步骤（72）-（73）预设次数，获取迭代截止后的第一预设值个风能总和中的最大值对应的个体，即获取最终的风机组的浆距角调节目标值、风机组转速调节目标值。8.一种基于激光雷达智能感知的风机组控制系统，其特征在于，包括：激光雷达数据采集单元，用于基于激光雷达获取多个采集点的实时风速数据，所述激光雷达的风速采集点包括位于距离风机机头不同距离的多个测风平面上的多个不同测风点；风速分析单元，用于基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据；控制单元，用于基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速。
9.一种基于激光雷达智能感知的风机组控制设备，其特征在于，所述设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现如权利要求1-7中任一项所述的风机组控制方法。10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述风机组控制方法的步骤。

技术总结
本发明公开了一种基于激光雷达智能感知的风机组控制方法及系统，该方法包括：基于激光雷达获取多个采集点的实时风速数据，所述激光雷达的风速采集点包括位于距离风机机头不同距离的多个测风平面上的多个不同测风点；基于多个采集点的实时风速数据，利用预设的风速模型，获取风机组前方目标距离迎风面的风速数据；基于风机组前方目标距离迎风面的风速数据作为风机组控制输入数据，控制风机组的实时浆距角和转速。本发明实现对风机组的提前控制，避免或大大减少风力发电机组的超速故障，降低了机组载荷，提高了风力发电机组在极端风况下的安全性。的安全性。的安全性。


技术研发人员：王斌 张昱峰 杨帆 丁高飞 尹明翔
受保护的技术使用者：安徽省国家电投和新电力技术研究有限公司
技术研发日：2023.05.17
技术公布日：2023/6/28