具体实施方式

下面结合附图对本发明做进一步详细描述：

如图1所示，为本发明所述的风电机组切入/切出风速调优方法，包括以下过程：

步骤1：对风电机组运行大数据进行治理分析，鉴别并剔除异常数据点，采用多次曲线函数实现对风电机组功率曲线充分光滑拟合，从而建立高精度风电机组发电能力功率曲线函数。

对风电机组运行大数据进行治理分析，首先将运行数据中的时间戳作为时序特征、根据功率和风轮转速作为物理特征、根据切入风速、切出风速等作为风速判断特征。其次，采用无监督模型基于聚类算法(或孤立森林算法、向量机算法、高斯分布等算法)将限电、停机、限功率、变量阈值范围外等异常数据点进行过滤筛除。

步骤2：根据风电场现场的测风数据，如风速以及对应的持续时间，将统计出风电场风速频率，进一步拟合得风速分布函数模型。其次，再根据风电机组的切入和切出风速，计算得出机组年度发电能力。如测风数据不足一定时间的水平，将采用风资源计算方法补充修正风速分布函数模型。

根据测风设备(激光雷达、测风塔或机舱上风速风向仪备等测风设备)测得的风数据，应用上述描述的筛除方法，将对应同时序运行数据异常数据点剔除后得到离散的功率数据点之后，采用合适的曲线拟合方法建立风速与机组发电能力功率之间的高精度关系曲线。

针对测风数据不足一定时间的水平，将基于风资源计算方法，如基于测量-关联-预测算法(MCP)，采用数值天气预报模式(WRF)以及计算流体动力学(CFD)中微尺度耦合算法，综合考虑已有测风数据、平均风速和能量密度，经补充修正得出更为可靠的风速分布函数模型。

步骤3：根据风电机组运行大数据，累计统计评估该机组风速在某切入风速以及某切出风速下实际运行状态大数据(如机组启停次数、振动、载荷等数据)，研究分析该机组机位处的环境条件；计算仿真该工况下的机组运行状态，模拟补充实际工况不足情况下机组运行状态表现。

步骤4：通过运行实际状态大数据(如启停次数、机组振动、载荷等数据)，根据时间序列、发生次数及工况，通过疲劳载荷计算方法计算得出机组及主要部件所受的疲劳损伤值。

风电机组疲劳载荷计算方法在基于风速、风向、来流角度、湍流强度、温度等环境条件下，在建立的风电机组动力学模型基础上，采用风电机组仿真分析软件或者程序计算在当前切入风速和切出风速情况条件下，依据风频函数，计算风电机组整机及关键位置处在关键方向上等效疲劳载荷值，并且与该机组等效疲劳设计值比较，如若前者小于后者，则该切入风速为可行解；如若前者大约后者，则需要在有限元分析方法基础上再进行进一步校核得出其损伤值，如若损伤值小于1则风电机组整机及关键位置处安全，相反则不安全。

步骤5：基于寻优方法，以切入风速和切出风速为自变量，以较大的机组发电能力以及较小疲劳冲击载荷两者为目标，求取较优的切入风速值以及切出风速。切出风速可以是数值也可以是函数形式。

寻优方法将采用全局的寻优方法来求解，可采用遗传算法、模拟退火算法、粒子群或神经网络等智能算法来求解。以切入风速和切出风速为自变量，建立以发电量较大和疲劳损伤较小的两个目标函数进行寻优求解；或者，以对发电量较大为目标、疲劳损伤值小于设计值的约束偏好，则将两目标转化为求发电量较大的单目标函数来寻优求解。

切出风速一般是以切出风速满足一定标准时机组切出时其功率直接降为零，另一种方式为机组是以降功率函数形式切出，函数形式可为斜率为负线性函数，曲线函数、阶梯递减函数等函数形式。

在以切入风速和切出风速为自变量，以发电量较大和疲劳损伤较小为目标函数中，设定基于特定风场条件如极限风速值、湍流强度、来流角度、剪切指数等为常量，在切入与切出风速范围内，机组设计条件如机组本身模型不发生改变(即额定发电功率、轮毂高度、传动链、叶片等不变)诸多约束条件下，来求取较优的切入风速和切出风速。

本发明所述风电机组切入/切出风速调优方法的具体过程为：

步骤1：对风电机组运行大数据进行治理分析，同时采集风电机组轮毂高度风速、风向、温度、气压等气象量以及机组本身有功功率，运行状态(并网、故障)数据，鉴别并剔除异常数据点，采用多次曲线函数拟合风电机组功率曲线。该风电机组发电功率与风速之间的关系式为

P_i＝f₁(v_i)

其中，v_i代表风速，单位m/s；P_i代表对应风速v_i下的风电机组发电功率，kW。

步骤2：根据风电场现场的测风数据以及风资源计算补充修正方法，得出风电场风速分布函数模型关系式

A_i＝f₂(v_i)

其中，v_i代表风速，单位m/s；A_i代表对应风速v_i下的频率；f(…)代表函数，可为Weibull分布模型、Rayleigh分布模型及对应正态分布模型等函数。

一般情况下，在某切入风速v_cut-in以及某切出风速v_cut-out、风速频率A_i以及对应的风电机组发电功率P_i、折减系数γ，得出该风电机组年度发电能力W关系函数为：

步骤3：根据风电机组运行大数据，累计统计该风电机组风速在某切入风速以及某切出风速附近时其实际运行状态(如机组启停次数、振动、载荷等运行数据)，且评估该风电机组机位处的环境条件以及计算仿真该工况下的机组运行状态。

步骤4：在某切入风速v_cut-in和切出风速v_cut-out情况下，通过步骤3获取的运行状态大数据(如启停次数、机组振动、载荷等运行数据)，根据时间序列、发生次数及工况，通过疲劳载荷计算方法计算得出该切入风速v_cut-in、切出风速v_cut-out情况下机组及相关部件所受的疲劳载荷D关系函数：

D＝f₄(v_cut-in，v_cut-out)

步骤5：根据机组设计及运行特性，切入风速可设定为3m/s(对于单机容量较小、风轮直径较大的机型其值下限可设置更低些)到5m/s范围内，切出风速一般设定为20m/s(对于较高风速地区的风电机组其值下限可设置更低些)到25m/s范围内(对于海上风电机组和低风速地区的机组其值可以适当的上调更高些)。切出风速也可以不是定值，切出风速可以表示为函数形式。基于寻优方法，以切入风速v_cut-in和切出风速v_cut-out为自变量，自变量取值范围大致在前面所述约束条件下，以机组发电能力较大和疲劳载荷较小两者为目标，求取较优的切入风速值和切出风速值。

MaxW＝f₃(v_cut-in,v_cut-out)

MinD＝f₄(v_cut-in,v_cut-out)

本发明所述的风电机组切入/切出风速调优系统，包括：

风电机组发电能力功率曲线函数建立模块，用于对风电机组运行大数据进行治理分析，鉴别并剔除异常数据点，采用多次曲线函数实现对风电机组功率曲线充分光滑拟合，从而建立风电机组发电能力功率曲线函数。

机组年度发电能力计算模块，用于统计出风电场风速频率，进一步拟合得风速分布函数模型；再根据风速分布函数模型得到风电机组的切入风速和切出风速，通过风电机组发电能力功率曲线函数，计算得出机组年度发电能力。

疲劳载荷关系函数计算模块，用于统计机组风速在某切入风速以及某切出风速下实际运行状态大数据，通过运行实际状态大数据，根据时间序列、发生次数及工况，通过疲劳载荷计算方法计算得出切入/切出风速与机组及主要部件所受的疲劳载荷关系函数。

切入和切出风速计算模块，用于根据机组年度发电能力得到需求的机组发电能力，以切入风速和切出风速为自变量，以需求的机组发电能力以及疲劳冲击载荷两者为目标，求取符合需求的切入风速值以及切出风速；或者以需求的发电量为目标，疲劳损伤值小于设计值的约束偏好，将两目标转化为求需求发电量的单目标函数来寻优求解。

本发明所述的计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述风电机组切入/切出风速调优方法的步骤。

本发明所述的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述风电机组切入/切出风速调优方法的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。