基于iNNE+SGPR的风电机组偏航静态误差软测量研究

郭东杰; 贾成真; 张治; 刘玉山; 王灵梅; 周志鹏; 石娟娟

doi:10.20204/j.sp.2025.11010

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于iNNE+SGPR的风电机组偏航静态误差软测量研究

新能源并网与高精度预测 | 更新时间：2025-12-10

- 基于iNNE+SGPR的风电机组偏航静态误差软测量研究
- Research on Soft Sensing of Wind Turbine Static Yaw Error Based on iNNE-SGPR
- 智慧电力 2025年53卷第11期页码：81-90
- 作者机构：
  
  1. 国家电投集团山西新能源有限公司,山西,太原,030006
  2. 山西省智慧风电技术创新中心,山西,太原,030006
  3. 山西大学自动化与软件学院,山西,太原,030006
  4. 国家电力投资集团有限公司,北京,100029
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2025.11010
  中图分类号：
- 纸质出版：2025
- 稿件说明：
移动端阅览
郭东杰,贾成真,张治,刘玉山,王灵梅,周志鹏,石娟娟.基于iNNE+SGPR的风电机组偏航静态误差软测量研究[J].智慧电力,2025,53(11):81-90.

GUO Dongjie, JIA Chengzhen, ZHANG Zhi, et al. Research on Soft Sensing of Wind Turbine Static Yaw Error Based on iNNE-SGPR[J]. 2025, 53(11): 81-90.
郭东杰,贾成真,张治,刘玉山,王灵梅,周志鹏,石娟娟.基于iNNE+SGPR的风电机组偏航静态误差软测量研究[J].智慧电力,2025,53(11):81-90. DOI： 10.20204/j.sp.2025.11010.

GUO Dongjie, JIA Chengzhen, ZHANG Zhi, et al. Research on Soft Sensing of Wind Turbine Static Yaw Error Based on iNNE-SGPR[J]. 2025, 53(11): 81-90. DOI： 10.20204/j.sp.2025.11010.

摘要

针对现有软测量方法在异常点检测上计算效率低、传统数理统计方法精度不足问题，提出一种基于最近邻距离的孤立异常检测（iNNE）和稀疏高斯回归分析（SGPR）的风电机组静态偏航误差软测量方法。首先，采用条件判断与iNNE算法对不同地形风电场的历史运行数据进行预处理；其次，基于完全独立训练条件（FITC）假设构建SGPR模型，结合箱线图分析方法建立偏航误差角的软测量模型，并提出准确性、稳定性与可靠性3类评价指标，将其与现有机器学习方法及激光雷达实测结果进行对比和分析；最后，对5 MW风电机组年发电量（AEP）进行估算。测试结果表明，所提机器学习软测量方法能够更准确地估计偏航误差，经误差补偿后可有效提升机组年发电量。

Abstract

To address the issues of low computational efficiency in outlier detection of existing soft-sensing methods and the insufficient accuracy of traditional mathematical statistics， this paper proposes a soft-sensing method for static yaw error in wind turbines based on the isolation nearest neighbor ensemble （iNNE） and sparse gaussian process regression （SGPR）. Firstly， conditional judgment and the iNNE algorithm are employed to preprocess historical operational data from wind farms in different terrains. Subsequently， an SGPR model is constructed based on the fully independent training conditional （FITC） approximation， and a soft-sensing model for the yaw error angle is established combined with box-plot analysis. Three evaluation metrics—accuracy， stability， and reliability—are proposed to compare and analyze them against existing machine learning methods and Lidar measurement results. Finally， the annual energy production（AEP） of a 5 MW wind turbine is estimated. Test results demonstrate that the proposed machine learning-based soft-sensing method can estimate the yaw error more accurately， and effective error compensation can enhance the annual energy production of the turbine.

关键词

Keywords

references

孙国良，伊力哈木·亚尔买买提，张宽，等. 基于小波变换与IAGA-BP神经网络的短期风电功率预测[J]. 电测与仪表，2024，61（5）： 126-134.

成小乐，李玉，孙戬，等.含典型缺陷的风电塔筒环焊缝强度分析[J].西安工程大学学报，2023，37（1）：84-92.

蔡昌春，范靖浩，李源佳，等.基于TPA- MBLSTM模型的超短期风电功率预测[J].电力科学与技术学报，2024，39（1）：47-56.

王艺博.基于改进随机森林算法的强对流气象下电网保护预警算法设计[J].电子设计工程，2024，32（19）：182-186.

杨柳，丁晟泽，张杰，等.基于堆叠策略与深度学习的异常电量数据智能校核方法[J].高压电器，2025，61（5）：159-169.

刘宿城，栾李，李龙，等.基于人工智能的直流微电网大信号稳定性评估方法研究[J].发电技术，2025，46（3）：496-507.

葛亚明，戴上，梁文腾，等.基于气象融合与深度学习的分布式光伏出力区间预测[J].电网与清洁能源，2024，40（8）：112-120.

肖玥，封焯文，余子鹏，等.基于风向预测的新型偏航控制方法[J].太阳能学报，2021，42（2）：144-149.

郭鹏，陈思.基于运行数据的风电机组本地风向波动特性及偏航控制研究[J].太阳能学报，2020，41（6）：77-85.

王晓东，李彬彬，刘颖明，等.考虑倾斜与偏航的漂浮式风电场模型预测尾流优化控制[J].太阳能学报，2024，45（12）：235-242.

SONG D，CHANG Q，ZHENG S，et al.Adaptive model predictive control for yaw system of variable-speed wind turbines[J].Journal of Modern Power Systems and Clean Energy，2021，9（1）：219-224.

SONG D，FAN X，YANG J，et al.Power extraction efficiency optimization of horizontal-axis wind turbines through optimizing control parameters of yaw control systems using an intelligent method[J].Applied Energy，2018，224（8）：267-279.

JING B，QIAN Z，PEI Y，et al.Improving wind turbine efficiency through detection and calibration of yaw misalignment[J].Renewable Energy，2020，160（12）：1217-1227.

岳红轩，许明，卢晓光.风电机组静态偏航误差的分析与研究[J].机械制造，2016，55（2）：73-76.

DAEYOUNG C，WON S，KYUNGNAM K，et al.Static and dynamic yaw misalignments of wind turbines and machine learning based correction methods using lidar data[J].IEEE Transactions on Sustainable Energy，2019，10（2）：971-982.

CHEN P，LIN Z，XIE Z，et al.Real-time yaw-misalignment calibration and field-test verification of wind turbine via machine learning methods[J].Mechanical Systems and Signal Processing，2024，208：110972.

吕松灏，刘向民，方超，等.基于实际功率曲线阈值筛选的风电机组偏航误差算法研究[J].动力工程学报，2024，44（8）：1196-1204，1225.

贾成真.基于激光雷达数据与自抗扰的大型风电机组智能优化控制[D].太原：山西大学，2022.

ZHANG F，GAO S，GAO G，et al.Evaluation of aging characteristics in wind turbine performance based on yaw power loss[J].Sustainable Energy Technologies and Assessments，2024，72：104094.

DAVIDE A，RAVI P，ANDREA L，et al.Diagnosis of wind turbine systematic yaw error through nacelle anemometer measurement analysis[J].Sustainable Energy，Grids and Networks，2023，34：101071.

胡乾坤，郭鹏，董科韬，等.基于分布假设检验的风电机组静态偏航误差诊断方法研究[J].电力科学与工程，2024，40（3）：52-60.

徐金晖，郭鹏，宋鹏，等.风电机组偏航系统静态偏差分析与研究[J].华电技术，2019，41（7）：1-5，9.

王欣，吴根勇，潘东浩，等.基于历史运行数据的风电机组风向标测量误差校准方法[J].太阳能学报，2020，41（3）：52-58.

PEI Y，ZHENG Q，JING B，et al.Data-driven method for wind turbine yaw angle sensor zero-point shifting fault detection[J].Energies，2018，11（3）：1-14.

杨建，王力，宋冬然，等.基于孤立森林与稀疏高斯过程回归的风电机组偏航角零点漂移诊断方法[J].中国电机工程学报，2021，41（18）：6198-6212.

李闯，田春华，刘家扬，等.风力发电机组对风偏差检测算法研究与应用[J].可再生能源，2020，38（5）：620-624.

GB/Z 44048—2024.风能发电系统风力发电机组功率性能测试的数值场标定方法[S].北京：中国标准出版社，2024.

PEI Y，ZHENG Q，JING B，et al.Data-driven method for wind turbine yaw angle sensor zero-point shifting fault detection[J].Energies，2018，11（3）：553.

International Electrotechnical Commission.Wind energy generation systems-Part 12-1：power performance measurements of electricity producing wind turbines（Edition 2.0）[S].Switzerland：Geneva，2017.

BANDARAGODA T，TING K，ALBRECHT D，et al. Isolation-based anomaly detection using nearest-neighbor ensembles[J]. Computational Intelligence，2018，34（4）： 968-998.

QUINONERO-CANDELA J，RASMUSSEN C.A unifying view of sparse approximate gaussian process regression[J].Journal of Machine Learning Research，2005，65（6）：1939−1959.

夏嘉欣，陈曦，林金星，等.基于带有噪声输入的稀疏高斯过程的人体姿态估计[J].自动化学报，2019，45（4）：693-705.

NAISH-GUZMAN A，HOLDEN S.The generalized FITC approximation[C].// The 20th International Conference on Neural Information Processing Systems.New York，USA，2007：1057-1064.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

采用FJPD互信息的电力系统暂态稳定性预测特征选择分析

人工智能安全的概念、分类及研究现状综述（一）

电力系统暂态稳定性评估综述

基于极端天气情况的风-储系统平抑控制策略

数据驱动的区域电网新能源消纳受阻因素智能辨识方法