发明内容
本发明所要解决的技术问题是优化风电机组的功率,提供一种风电机组功率优化的方法和***。
本发明解决上述技术问题的技术方案如下:一种风电机组功率优化的方法,包括如下步骤,
步骤1,采集风电机组运行数据;
步骤2,将采集到的所述数据进行处理,即选取秒级时间分辨率的数据,剔除故障数据;
步骤3,根据处理后的数据构建发电功率模型P(t)和振动幅值模型A(t);
步骤4,选择误差均方值最小的发电功率模型和振动幅值模型为最优发电功率模型和最优振动幅值模型;
步骤5,根据最优发电功率模型和最优振动幅值模型搭建功率优化函数和振动优化函数。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,步骤1中采集的数据包括风电机组的如下运行参数数据集, 风速v(t),偏航y(t),风向d(t),变桨角p(t),温度T(t)。
进一步地,步骤2中的故障数据包括因风电机组故障采集到的数据以及明显异常的数据。
进一步地,步骤3中P(t)=f(v(t),y(t),d(t),p(t),T(t))+error,A(t)=g(v(t),y(t),d(t),p(t),T(t))+error,其中f(),g()为数据挖掘的回归类算法,t为风电机组的运行时间,error为所述发电功率模型和振动幅值模型的误差值。
进一步地,步骤4中还包括确定所述最优发电功率模型和所述最优振动幅值模型对应的风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)的参数值。
进一步地,步骤4中将经过处理的数据随机分为两部分,其中70%用于发电功率模型和振动幅值模型训练的训练数据,另外30%用于MSE误差均方的预测数据集。
进一步地,在进行步骤5之前,可对训练数据部分的非平衡数据采用重采样,使所述发电功率模型P(t)和振动幅值模型A(t)中的参数风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)在五维状态空间中每个区间的数量不少于预设值n1,n1表示区间数据数量预设值。
进一步地,步骤5中在搭建优化函数之前,需要将参数风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)受控优化。
进一步地,步骤5中功率优化函数为Tp=max{P(t)},Tp指功率优化后的功率值,振动优化函数为TA=max{A(t)},其中TA是指优化后的振动,C=max(Tp|TA<=C),C代表振动限值,即在振动可以接受条件下的功率最佳。
本发明解决上述技术问题的另一种技术方案如下:一种风电机组功率优化的***,包括数据采集模块、数据处理模块、模型构建模块、最优模型构建模块以及优化函数搭建模块;
所述数据采集模块用于采集风电机组运行数据;
所述数据处理模块用于将采集到的所述数据进行处理,即选取秒级时间分辨率的数据,剔除故障数据;
所述模型构建模块用于根据处理后的数据构建发电功率模型P(t)和振动幅值模型A(t);
所述最优模型构建模块用于选择误差均方值最小的发电功率模型和振动幅值模型为最优发电功率模型和最优振动幅值模型;
所述优化函数搭建模块用于根据最优发电功率模型和最优振动幅值模型搭建功率优化函数和振动优化函数。
本发明的有益效果是:从控制模型的角度出发研究风电机组的功率优化,同时考虑传动链和塔筒振动的优化。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明从控制模型的角度出发研究风电机组的功率优化,优化目标中同 时考虑传动链和塔筒振动的优化。本发明探讨了数据挖掘方法来优化风机产能和振动的基本思路框架,并以一个工程案例来实现了由变桨控制功率优化。
如图1所示,一种风电机组功率优化的方法,包括如下步骤:
步骤1,采集风电机组运行数据,以风电机组运行时间为变量,采集风电机组的如下运行参数数据集,风速v(t),偏航y(t),风向d(t),变桨角p(t),温度T(t);
步骤2,数据处理,选择合适时间分辨率的数据,根据工程经验,一般选取秒级别的数据,剔除故障数据,包括因风电机组故障采集到的数据以及明显异常的数据。该数据处理的过程有利于提高数据的准确度,保证后续计算的精确度。
步骤3,根据处理后的数据构建发电功率模型P(t)和振动幅值模型A(t),其中P(t)=f(v(t),y(t),d(t),p(t),T(t))+error,A(t)=g(v(t),y(t),d(t),p(t),T(t))+error,其中f(.),g(.)为数据挖掘的回归类算法,数据挖掘算法中可以实现上述效果的有neural network,support vector machine,k nearest neighbor和随机森林法等,error为模型的误差值。
步骤4,选择误差均方值最小的发电功率模型和振动幅值模型为最优发电功率模型和最优振动幅值模型,并确定该最优发电功率模型和最优振动幅值模型对应的风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)的参数值。在这个过程中,将经过处理的数据随机分为两部分,其中70%用于模型训练的训练数据,另外30%用于MSE(即误差均方)的预测数据集,其中MSE采用预测数据集是为了防止过度拟合。
为了减小计算负荷,加速计算,对训练数据部分的非平衡数据采用重采样,使上述发电功率模型P(t)和振动幅值模型A(t)中的参数风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)在n(对应参数个数, 即n为5)维状态空间中每个区间的数量不少于预设值n1(n1取决于总的训练样本量,在区间个数确定条件下,训练样本越大,n1越大,重采样后的数据量不能超过原训练数据),即使参数在某个n维状态空间中的数量不少于n1。这样既保留了原始训练数据能够覆盖所有可能的点,又减少了数据的体积。
步骤5,根据最优发电功率模型和最优振动幅值模型搭建功率优化函数和振动优化函数;在搭建优化函数之前,参数应采用受控优化,以确保优化的结果具有一定的真实物理意义;以参数为变桨角的功率优化为例,优化目标可以分解为,Tp=max{P(t)},Tp指功率优化后的功率值,其中变桨角变化应在一定范围内受控优化,p_min<=p(t)<=p_max,其范围为当前值+-someValue(默认10°)。
同样,可以搭建振动优化的优化函数,TA=max{A(t)},其中变桨角变化应在一定范围的受控优化,p_min<=p(t)<=p_max,其范围为当前值+-someValue(默认10°)。
同时优化功率和振动的优化函数,可变参数为变桨角度,C=max(Tp|TA<=C),C代表振动限值,即在振动可以接受条件下的功率最佳。
如图2所示,一种风电机组功率优化的***,包括数据采集模块、数据处理模块、模型构建模块、最优模型构建模块、训练数据重采样模块以及优化函数搭建模块;
数据采集模块用于以时间为变量,采集风电机组的如下运行参数数据集,风速v(t),偏航y(t),风向d(t),变桨角p(t),温度T(t);
数据处理模块用于选择合适时间分辨率的数据,根据工程经验,一般选取秒级别的数据,剔除故障数据,包括因风电机组故障采集到的数据以及明显异常的数据。该数据处理的过程有利于提高数据的准确度,保证后续计算的精确度。
模型构建模块用于根据处理后的数据构建发电功率模型P(t)和振动幅 值模型A(t),其中P(t)=f(v(t),y(t),d(t),p(t),T(t))+error,A(t)=g(v(t),y(t),d(t),p(t),T(t))+error,其中f(),g()为数据挖掘的回归类算法,数据挖掘算法中可以实现上述效果的有neural network,support vector machine,k nearest neighbor和随机森林法等,error为模型的误差值。
最优模型构建模块用于选择误差均方值最小的发电功率模型和振动幅值模型为最优发电功率模型和最优振动幅值模型,并确定该最优发电功率模型和最优振动幅值模型对应的风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)的参数值。在这个过程中,将经过处理的数据随机分为两部分,其中70%用于模型训练的训练数据,另外30%用于MSE(即误差均方)的预测数据集,其中MSE采用预测数据集是为了防止过度拟合。
训练数据重采样模块用于对训练数据部分的非平衡数据采用重采样,为了减小计算负荷,加速计算,对训练数据部分的非平衡数据采用重采样,使上述发电功率模型P(t)和振动幅值模型A(t)中的参数风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)在n(对应参数个数,即n为5)维状态空间中每个区间的数量不少于预设值n1(n1取决于总的训练样本量,在区间个数确定条件下,训练样本越大,n1越大,重采样后的数据量不能超过原训练数据),即使参数在某个n维状态空间中的数量不少于n1。这样既保留了原始训练数据能够覆盖所有可能的点,又减少了数据的体积。
优化函数搭建模块用于搭建优化函数,在搭建优化函数之前,参数应采用受控优化,以确保优化的结果具有一定的真实物理意义;以参数为变桨角的功率优化为例,优化目标可以分解为,
Tp=max{P(t)},Tp指功率优化后的功率值,其中变桨角变化应在一定范围内受控优化,p_min<=p(t)<=p_max,其范围为当前值+-someValue(默认10°)。
同样,可以搭建振动优化的优化函数,TA=max{A(t)},其中变桨角变化应在一定范围的受控优化,p_min<=p(t)<=p_max,其范围为当前值+-someValue(默认10°)。
同时优化功率和振动的优化函数,可变参数为变桨角度,max(Tp|TA<=C),C代表振动限值,即在振动可以接受条件下的功率最佳。
现有一台GW1500的机型数据,我们将建立单纯的功率优化函数,可变参数为变桨角。
总共有45组数据,在实际分析中,我们只研究其中14组变量:WROT.PtAngVal.Bl1、WROT.PtAngVal.Bl2、WROT.PtAngVal.Bl3、WMAN.State、DateTime、WTUR.PwrAt.InstMag.f、WNAC.ExlTmp.instMag.f、WNAC.TopBoxTmp、WNAC.IntTmp.instMag.f、WROT.PtCptTmp.Bl1、WROT.PtCptTmp.Bl2、WROT.PtCptTmp.Bl3、WROT.PtCnvTmp.Bl1、WROT.PtCnvTmp.Bl2、WROT.PtCnvTmp.Bl3。
首先进行数据清理。清理后的功率曲线、变桨曲线和转速曲线分别如图3、图4和图5所示。
把风速'NacWS',偏航'YawPos',风向'Wdir',变桨'PtAngBl3',温度'ExlTmp'中的数据进行归一化处理,把'PwrAct'数据也进行归一化,使用神经网络(注意参数的设置),建立模型,训练集数据为随机70%的原始数据,如图6为误差时间序列图。如图可见,误差时间序列最多不会超过15%,整体MSE为0.0001,模型可以很好描述各个变量和功率的关系。
将变桨角'PtAngBl3'作为可变参数,对功率进行优化处理,得到优化结果,变桨角度优化采用受控优化,即可按当前值的固定百分比变化或者当前值+-固定值变化的规则来调整。下面为一个按照边变桨曲线的95%置信曲线,来控制优化的例子。如图7为标准化的变桨曲线置信区间图,图7中标注的曲线1和曲线3为置信区间的上下限,曲线2代表P50,图8为优化前后的 变桨角度图,图8中曲线1代表优化前的变桨角度,曲线2代表优化后的变桨角度,图9为优化后功率减去未优化的功率图。
计算得到优化后的结果,把优化前后结果进行分析,结果表明,优化后的产能比原来提高了0.6%,变桨角度的优化前后的结果较符合实际的物理变化规律。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。