如何用數(shù)據(jù)挖掘方法提高風電機組功率輸出

2017-09-26 20:00:22 電力科學觀察與寫作　點擊量：評論 (0)

存在的問題及解決方法風電機組的原動力不可控，受風速、風向等因素影響，其功率輸出具有較高不確定性，這為風電機組的功率輸出提升及優(yōu)化帶來了較大挑戰(zhàn)。另一方面，在線監(jiān)測技術(shù)和數(shù)據(jù)庫技術(shù)不斷成熟的今天，風

存在的問題及解決方法

風電機組的原動力不可控，受風速、風向等因素影響，其功率輸出具有較高不確定性，這為風電機組的功率輸出提升及優(yōu)化帶來了較大挑戰(zhàn)。

另一方面，在線監(jiān)測技術(shù)和數(shù)據(jù)庫技術(shù)不斷成熟的今天，風電機組的長時段實際運行數(shù)據(jù)已可較容易的獲取并研究。

那問題來了？何不從風電機組的實際運行數(shù)據(jù)中挖掘其功率輸出特性及規(guī)律，據(jù)此優(yōu)化提升風電機組功率輸出。小編博士研究期間，對該問題進行了深入研究，下面將為各位讀者詳細介紹之。

基于數(shù)據(jù)驅(qū)動方法的風電機組功率優(yōu)化

已知數(shù)據(jù)及條件0

本研究中已收集到H56-850型風電機組的每10分鐘運行數(shù)據(jù)，并掌握其運行控制流程，其示意圖如下。圖中，風電機組控制系統(tǒng)根據(jù)當前風向和風速，查找最優(yōu)轉(zhuǎn)矩函數(shù)，調(diào)整輪軸旋轉(zhuǎn)加速度和機艙位置，從而實現(xiàn)功率優(yōu)化。

圖1中不同風速下的最優(yōu)轉(zhuǎn)矩函數(shù)是由試驗或模擬得到，而風電機組的實際運行工況可能與風電機組試驗或模擬環(huán)境存在較大差異，因而，該最優(yōu)轉(zhuǎn)矩函數(shù)在實際工況中不一定最優(yōu)?；跀?shù)據(jù)驅(qū)動思想的風電機組功率優(yōu)化方法從實際運行數(shù)據(jù)中挖掘風電機組功率輸出與各控制參數(shù)間的復雜關(guān)系，因而，可避免以上不足。

基于神經(jīng)網(wǎng)絡(luò)技術(shù)的數(shù)據(jù)挖掘1

神經(jīng)網(wǎng)絡(luò)技術(shù)可用于刻畫輸入和輸出間的復雜非線性關(guān)系，即函數(shù)學習。特別地，神經(jīng)網(wǎng)絡(luò)技術(shù)將風電機組視為“黑箱”，從該“黑箱”的實際輸入數(shù)據(jù)（控制參數(shù)）和輸出數(shù)據(jù)（功率輸出）中挖掘兩者的非線性關(guān)系。因而，該技術(shù)無需對風電機組做出任何簡化假設(shè)，且風電機組實際運行數(shù)據(jù)可客觀反映風電機組功率輸出與多種不確定因素的復雜關(guān)系。

由此，以均方誤差最小為目標，建立基于神經(jīng)網(wǎng)絡(luò)技術(shù)的風電機組功率函數(shù)，其示意圖如下。圖中，藍色（輸入層）、綠色（隱藏層）和黃色（輸出層）神經(jīng)元構(gòu)成該前饋神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入層中的風電機組控制參數(shù)和當前風速，經(jīng)過各類判斷與學習，給出當前風電機組功率輸出。（注：圖中神經(jīng)網(wǎng)絡(luò)參數(shù)的確定可以誤差最小為目標，通過各類學習算法確定神經(jīng)網(wǎng)絡(luò)的各類參數(shù)。）

基于遺傳算法的風電機組功率優(yōu)化2

遺傳算法分別將生物個體和生物適應度抽象為優(yōu)化問題的解和目標函數(shù)，借鑒生物進化中的自然現(xiàn)象（選擇、變異和雜交），使一定數(shù)量的生物個體（優(yōu)化問題的解）適應度（目標函數(shù)）不斷增強，從而進化得到最優(yōu)個體（最優(yōu)解）。該算法具有良好的魯棒性、并行性和高效性，已廣泛應用于電力系統(tǒng)的多個領(lǐng)域。

本研究中風電機組功率優(yōu)化的目的在于選取最優(yōu)風電機組控制參數(shù)，最大化風電機組功率。經(jīng)典遺傳算法已具有強大的全局尋優(yōu)能力，所以本文應用該算法進行風電機組功率優(yōu)化。

基于遺傳算法的風電機組功率優(yōu)化的數(shù)學表達式如下圖所示。