杨明明

（华润电力技术研究院有限公司，广东深圳，518002）

0 引言

截至2019年年底，全球风电累计装机容量达到650 GW，其中中国装机容量210 GW，占全球总装机容量的32.3%。针对风电机组性能评估、降载控制、精准偏航等方向的研究显得尤为重要［1-2］。

风电机组的机舱风速计位于机舱尾部，其受到风机尾流和叶片扰动的影响，造成机舱风速与真实来流风速存在偏差。这种偏差的存在影响了机组控制策略的效能和发电性能。为消除偏差，一般在风机前侧设立测风塔或者激光雷达进行实时来流风速测量。但如果采用该办法覆盖全场机组，建设难度和成本都较大。因此，通过数理模型建立机舱风速和真实来流风速的传递关系成为研究重点［3-5］

目前，国内外对机舱风速传递关系的研究也取得了一定的进展，GB/T 33225—2016《风力发电机组基于机舱风速计法的功率特性测试》标准给出了多段折线函数法，通过对风速进行分区，每个区间的线性差值函数构成完整多段折线函数［6］。刘永前等［7］利用风轮单元流管的物理模型仿真机舱前的自由流风速，但风电场运行环境复杂，理论模型结果与实际情况存在较大偏差。张新房等［8］构建了基于支持向量机的自由流风速计算模型，把机器学习引入了机舱传递函数的计算。

由于机舱风速计受到叶片扰动的影响，国际电工委员会（IEC）提出的机舱传递函数（以下简称IEC机舱传递函数）无法准确描述机舱实测风速与来流风速的复杂关系。本研究提出了基于卷积神经网络的机舱风速修正方法，与IEC机舱传递函数相比，多层一维卷积神经网络可有效过滤风电机组尾流和叶片扰动对机舱风速的周期性影响，提高拟合精度，建立一种更为准确的机舱风速修正方法。……