基于VMD-SA-CNN-LSTM风速风向预测模型的海上风电机组偏航控制策略

陈旭; 王大龙; 王文浩; 刘林; 秦攀; 綦晓

doi:doi:10.19912/j.0254-0096.tynxb.2024-2258

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于VMD-SA-CNN-LSTM风速风向预测模型的海上风电机组偏航控制策略

更新时间：2026-07-22

- 基于VMD-SA-CNN-LSTM风速风向预测模型的海上风电机组偏航控制策略
- 基于VMD-SA-CNN-LSTM风速风向预测模型的海上风电机组偏航控制策略
- 太阳能学报 2026年47卷第4期页码：414-424
- 作者机构：
- 作者简介：
- 基金信息：
  
  新能源电力系统全国重点实验室开放课题（LAPS24009）;广东省基础与应用基础研究基金（2021A1515110016）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-2258
  中图分类号： TK89
- 网络首发：2026-05-08，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
陈旭, 王大龙, 王文浩, 等. 基于VMD-SA-CNN-LSTM风速风向预测模型的海上风电机组偏航控制策略[J]. 太阳能学报, 2026,47(4):414-424.

陈旭, 王大龙, 王文浩, et al. 基于VMD-SA-CNN-LSTM风速风向预测模型的海上风电机组偏航控制策略[J]. 2026, 47(4): 414-424.
陈旭, 王大龙, 王文浩, 等. 基于VMD-SA-CNN-LSTM风速风向预测模型的海上风电机组偏航控制策略[J]. 太阳能学报, 2026,47(4):414-424. DOI： doi:10.19912/j.0254-0096.tynxb.2024-2258.

陈旭, 王大龙, 王文浩, et al. 基于VMD-SA-CNN-LSTM风速风向预测模型的海上风电机组偏航控制策略[J]. 2026, 47(4): 414-424. DOI： doi:10.19912/j.0254-0096.tynxb.2024-2258.

摘要

面对快速变化的风速风向

传统偏航控制存在响应滞后和无效偏航等问题

为进一步提高海上风电机组发电能效

提出一种基于机器学习风速风向预测模型的海上风电机组偏航控制策略。首先

对风速风向测量数据进行预处理

采用平均化方法和变分模态分解方法（VMD）

得到不同时间尺度平均风速风向的高频项、中频项、低频项和残差项。基于此

采用基于自注意力机制的长短期记忆卷积神经网络（SA-CNN-LSTM）对风速风向的各频率项和残差项进行超短期预测

构建风速风向预测模型。进一步地

根据风电机组运行状态划分风速区间

构建优化目标函数

结合改进灰狼优化算法（IGWO）与粒子群优化算法（PSO）优化偏航控制参数

设计完成结合预测模型与参数优化的海上风电机组偏航控制策略。算例结果表明

所提偏航控制策略能够通过优化偏航误差、偏航动作和时间提高偏航效率

可有效提升海上风电机组发电能效。

Abstract

To address the issues of response lag and ineffective yaw adjustments in traditional yaw control systems under rapidly changing wind speed and direction

this study proposes a machine learning-based yaw control strategy for offshore wind turbines to further improve power generation efficiency. Firstly

the wind speed and direction measurement data are pre-processed using the averaging and variational mode decomposition （VMD） methods. The wind data is decomposed into high-frequency

mid-frequency

low-frequency

and residual components at different time scales. Based on the processed wind data

a self-attention-based convolutional neural network-long short-term memory （SA-CNN-LSTM） model is developed for ultra-short-term prediction of each frequency component and residual term

which constructs the wind prediction model. Furthermore

wind speed intervals based on turbine operating states are established and an optimal objective function is formulated. Then

the yaw control strategy integrating prediction models with parameters is optimized through the improved grey wolf optimizer （IGWO） and particle swarm optimization （PSO） algorithms. Results demonstrate that the proposed yaw control strategy enhances yaw efficiency by optimizing yaw errors

adjustment actions and timing

which improves the power generation efficiency of offshore wind turbines.

关键词

Keywords

references

YANG J, FANG L Q, SONG D R, et al.Review of control strategy of large horizontal-axis wind turbines yaw system[J]. Wind energy, 2021, 24(2): 97-115.

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): 6198-6211.

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.

SOLOMIN E V, TEREKHIN A A, MARTYANOV A S, et al.Horizontal axis wind turbine yaw differential error reduction approach[J]. Energy conversion and management, 2022, 254: 115255.

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.

韩兵, 周腊吾, 陈浩, 等. 大型风电机组激光雷达辅助模型预测控制方法[J]. 中国电机工程学报, 2016, 36(18): 5062-5069.

TANG Z H, ZHAO G N, OUYANG T H.Two-phase deep learning model for short-term wind direction forecasting[J]. Renewable energy, 2021, 173: 1005-1016.

HARBOLA S, COORS V.One dimensional convolutional neural network architectures for wind prediction[J]. Energy conversion and management, 2019, 195: 70-75.

CHEN W T, LIU H, LIN Y G, et al.LSTM-NN yaw control of wind turbines based on upstream wind information[J]. Energies, 2020, 13(6): 1482.

QU C Z, LIN Z W, CHEN P, et al.An improved data-driven methodology and field-test verification of yaw misalignment calibration on wind turbines[J]. Energy conversion and management, 2022, 266: 115786.

张东东, 崔新维. BP神经网络在风力发电机风向预测中的应用[J]. 太阳能, 2015(3): 47-49.

唐振浩, 赵赓楠, 曹生现, 等. 基于SWLSTM算法的超短期风向预测[J]. 中国电机工程学报, 2019, 39(15): 4459-4467.

刘诗意, 张超宇, 王桐. 基于风向预测的风电机组偏航优化控制方法[J]. 风机技术, 2023, 65(4): 55-59.

XU L, OU Y X, CAI J J, et al.Offshore wind speed assessment with statistical and attention-based neural network methods based on STL decomposition[J]. Renewable energy, 2023, 216: 119097.

SONG D R, YANG J, FAN X Y, et al.Maximum power extraction for wind turbines through a novel yaw control solution using predicted wind directions[J]. Energy conversion and management, 2018, 157: 587-599.

SONG D R, FAN X Y, 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: 267-279.

魏德, 杨志凌, 张劲草, 等. 一种基于风况预测的优化偏航策略[J]. 风机技术, 2023, 65(2): 85-91.

陈思, 郭鹏. 基于综合经济效益目标的风电机组偏航控制策略研究[J]. 动力工程学报, 2019, 39(4): 286-292.

NADIMI-SHAHRAKI M H, TAGHIAN S, MIRJALILI S. An improved grey wolf optimizer for solving engineering problems[J]. Expert systems with applications, 2021, 166: 113917.

宋文静, 谢源, 黄文君, 等. 改进灰狼优化算法在变桨距自抗扰控制中的应用[J]. 可再生能源, 2020, 38(7): 905-910.

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

基于多因子的太阳辐照度预测方法研究进展

一种基于PatchTST模型的燃料电池老化趋势预测方法

滑动轴承风电齿轮箱时变可靠性研究

基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型

基于MC-BiLSTM-BDA预测的混合需求响应电动汽车充电策略