基于EKF与深度学习融合的风电场有效风速容错估计研究

《ADVANCED ENGINEERING INFORMATICS》：Fault-tolerant effective wind speed estimation in wind farms via EKF and deep learning fusion

本文提出了一种结合扩展卡尔曼滤波（EKF）与参数化Jensen尾流模型的风电场有效风速（EWS）估计新框架，并创新性地引入CNN-LSTM深度学习网络进行信息融合。研究表明，该混合方法在无故障条件下精度与EKF相当，但在传感器故障等异常情况下，其估计鲁棒性显著优于单一方法，误差降低约40%，为风电场可靠运行提供了关键技术支撑。

　　

本研究的创新亮点

本研究的创新贡献突出体现在以下几个方面：

• •
  (1)我们提出了首个混合式、具备容错能力的框架，该框架将基于扩展卡尔曼滤波（EKF）的涡轮机级估计与参数化Jensen尾流模型相结合，用于实现风电场级的风速预测。
• •
  (2)我们引入了一种CNN–LSTM融合模型，该模型能够学习如何最优地结合EKF估计值和尾流模型估计值，从而在传感器故障情况下提升估计的鲁棒性。
• •
  (3)我们使用高保真风电场流场模拟器（WFSim）对所提出的混合估计器进行了全面验证，结果表明其在正弦、湍流和斜坡风剖面等多种风速场景下均能保持较高的估计精度。
• •
  (4)我们证明，与仅使用EKF或仅使用尾流模型的估计器相比，所提出的方法能够显著降低估计误差，尤其是在存在桨距角传感器偏差的情况下。

结论

本文介绍了针对单台风力涡轮机及整个风电场的有效风速（EWS）的模拟与计算方法。该过程主要包括以下步骤：(1) 尾流模型参数调优；(2) 使用扩展卡尔曼滤波（EKF）估计单台涡轮机的EWS；(3) 风电场模拟；(4) 在风电场内部应用融合方法。

在我们的研究中，我们利用数值模拟（WFSim）进行验证，并将其作为真实风电场数据的来源。