CN101930486B - 一种风电场风机负荷指数预测装置及方法 - Google Patents

Abstract

一种风电场风机负荷指数预测装置及方法，属于风力发电技术领域。本发明风电场风机负荷指数预测方法包括有控制装置和数学模型两部分；其中控制装置包括有传感器、数据采集芯片、中央处理器、工控机和无线通讯模块；预测步骤如下：1)建立输入量；2)形成训练样本集；3)将输入样本数据集输入最小二乘法支持向量机模型；4)求解最小二乘法支持向量机模型；5)输入样本数据集得到风电场负荷指数。本发明的优点：通实现预测过程中风机自身状态的监测，通过最小二乘法支持向量机模型的建立，使得对于风机负荷指数预测，精确高，准确度好，预测效率高。

Description

一种风电场风机负荷指数预测装置及方法

技术领域

本发明属于风力发电技术领域，特别涉及一种风电场风机负荷指数预测装置及方法。 

背景技术

目前，大型风力发电机组一般为水平轴风力发电机，它由风轮、增速齿轮箱、发电机、偏航装置、控制系统、塔架等部件所组成，风以一定的速度和攻角作用在桨叶上，使桨叶产生旋转力矩而转动，将风的能量转变成机械能，风越大，风轮接受风的能量也越大，风轮转得就越快，风轮的作用是将风能转换为机械能，它由气动性能优异的叶片组成，机组一般为2-3个叶片装在轮毂上，低速转动的风轮通过传动系统由增速齿轮箱增速，将动力传递给发电机，上述这些部件都安装在机舱平面上，整个机舱由高大的搭架举起，由于风向经常变化，当风机在出现风轮不平衡故障时，即使风力足够大，风机也是不转的，而当风机控制器出现故障时，风机则不能自动停机，由于气象条件如温度、压强等对风机的影响，往往使风机不能很好的运行，影响发电效果； 

风电场的功率预测是由当地的各种天气、气候条件的影响，要求风机的最大输出功率，这种预测方法是有很大的误差的。因为没有考虑在此种情况下风机的状态，也就没有办法准确的预测风力发电的输出功率。 

发明内容

为了克服已有技术的不足，本发明的目的提供一种风电场风机负荷指数预测装置及方法，为了有效地利用风能，必须要有迎风装置，它根据风向传感器测得的风向信号，由控制器控制偏航电机，驱动与塔架上大齿轮咬合的小齿轮转动，由于风机负荷指数预测，从而更有效地将机械能转化为电能。 

本发明风电场风机负荷指数预测装置：包括有传感器、数据采集芯片、中央处理器、工控机和无线通讯模块，各部件连接：传感器的输出端连接数据采集芯片的输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的输出端连接工控机和无线通信模块的输入端。 

采用风电场风机负荷指数预测装置进行预测的方法，利用最小二乘法支持向量机模型进行预测，包括如下步骤： 

步骤1、采用风电场负荷指数预测装置采集风电场的电机组桨叶安装角度、发动机轴承震动频率、塔杆垂直度和发动机转矩作为输入量； 

步骤2、建立预测样本，形成训练样本集； 

将电机组桨叶安装角度、发动机轴承震动频率、塔杆垂直度和发动机转矩作为输入量；设输入、输出样本数据集为{x_k，y_k}(k＝1，2，…，N)，N为自然数；其中，x_k为n维输入向量，x_k∈Rⁿ，Rⁿ代表多维的实数量；y_k为风电场风机负荷指数，y_k∈Rⁿ；在特征空间中的线性方程可以表示为以下形式： 

y_k＝ω^Tφ(x)+b    (1) 

式(1)中， 

将输入空间映射为高维特征空间的映射函数；ω为超平面的权值向量，ω∈Rⁿ；b为偏置量； 

步骤3、将输入样本数据集输入最小二乘法支持向量机模型； 

最小二乘法支持向量机模型选择误差e_k的平方和为损失函数，其优化为 

其中，s.t.为约束条件，N为自然数，γ＞0为惩罚系数因子，e为误差，e_k为第K个误差，用于控制调节误差所取的作用，能够在训练误差和模型复杂度之间取一个折衷，以便使所求的函数具有好的泛化能力，并且γ值越大，模型的回归误差越少； 

步骤4、求解最小二乘法支持向量机模型； 

确定最小二乘法支持向量机模型的回归参数a_k＝[a₁，a₂，…，a_N]^T和b，引入拉格朗日(Lagrange)函数进行求解： 

式(3)中，a_k(k＝1，2，…，N)为Lagrange乘子； 

最优的a_k和b通过卡鲁斯-库恩-塔克(KKT)条件获得，即 

通过消去式(4)中的变量ω和e_k，优化问题转化为求解如下线性方程组： 

$\left[\begin{array}{cc}0& \stackrel{\‾}{1^T}\\ \stackrel{\‾}{1}& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}\·I\end{array}\right]\left[\begin{array}{c}b\\ a_k\end{array}\right]=\left[\begin{array}{c}0\\ y_k\end{array}\right]---\left(5\right)$

式(5)中，y_k＝[y₁，y₂，…，y_N]^T； 

a_k＝[a₁，a₂，…，a_N]^T；I为单位矩阵；Ω为方阵； 

根据默塞尔(Mercer)条件可知，存在映射 

和核函数 

使得： 

Ω_k＝φ(x_k)^Tφ(x_k+1)＝k(x_k，x_k+1)i＝1，2，…，N；(6) 

把求出的a_k和b的数值带入，按自适应选择方法求解核宽度σ和惩罚系数因子γ，即得到最小二乘法支持向量机模型； 

由式(5)求出a_k，b后，可得到最小二乘法支持向量机模型为： 

$y_k\left(x\right)={\mathrm{\Σ}}_{K=1}^N{a}_{K}K(x_K,x_{k+1})+b---\left(7\right)$

本发明选用的核函数为径向基(RBF)函数，即 

$K(x_k,x_{k+1})=\exp (-\frac{{\left|\right|x_k-x_{k+1}\left|\right|}^2}{2{\mathrm{\σ}}^2})---\left(8\right)$

步骤5、输入样本数据集得到风电场负荷指数； 

由公式(7)最小二乘法支持向量机模型输出样本数据集y_k，y_k即为预测的风电场负荷指数。 

本发明的优点：本发明风电场风机负荷指数预测装置及方法，提出了利用风机自身的状态，通过传感器监测和计算芯片实时计算风电机组桨叶角度、发动机转矩、发动机轴承振动和温度、塔杆垂直度、制动机构磨擦片噪声、风轮转动部分的紧固件振动频率、控制器电压电流稳定性等影响风电机组负荷能力的因素为输入，实现预测过程中风机自身健康状态指标的监测和计算，将风机健康指标作为输入量，通过最小二乘法支持向量机预测模型的建立，使得对于风机负荷指数预测，精确高，准确度好，预测效率高。 

附图说明：

图1本发明风电机组负荷指数预测装置结构总图； 

图2本发明风电机组负荷指数预测硬件实现框图； 

图3本发明风电机组负荷指数预测终端的数据采集与传输电路图； 

图4(a)本发明风电机组负荷指数预测方法流程图； 

图4(b)本发明建立最小二乘法支持向量机模型方法流程图； 

图5本发明预测负荷指数与实际负荷指数曲线图； 

具体实施方式：

本发明一种风电场风机负荷指数预测装置及方法结合实施例和附图加以说明； 

该风电场风机负荷指数方法使用的装置包括有传感器、数据采集芯片、中央处理器、工控机和无线通讯模块；其中传感器上的电压互感器和电流互感器分别选用JDG-0.5 800/100型号和LZJC-10Q 1500/5型号，无线网络通信模块采用H7000系列无线通信系统，工控机采用UNO-2100系列PC/104+嵌入式工控机，中央处理器采用DSP芯片，DSP芯片为TMS320VC5402系列定点型数字信号处理器，时钟频率是100MHz，机器周期为10ns，接口电源为3.8V，内核电源为1.8V，数据采集芯片采用MAX125数据采集芯片进行采样和模数转换，由±5V供电，其时钟引脚CLK接16MHz有源晶振；这里的数据线D0-D13是转换后的14位转换结构送入DSP的B0-B13，SHT11为智能化温度/湿度传感器，GND：接地端；DATA：双向串行数据线；SCK：串行时钟输入；VDD电源端；其它空管脚，温度值输出的分辨率为12位，湿度值输出为14位，如图1、图2和图3所示； 

该装置各部件的连接：温度传感器和湿度传感器的输出端连接DSP的输入端BDX和BDR，电压传感器、电流传感器和震动传感器输出端连接数据采集芯片MAX125的CH1A到CHnA端，数据采集芯片MAX125的输出端CONVST、INT、RD、WR和CS连接DSP的输入端B14、INT、READ、WRITE和BFSX，DSP的输出端连接工控机和无线通信模块的输入端；风电场风机的电气信息和机械信息经由相应的互感器或传感器由采样芯片进行同步采样、保持、A/D转换成数字信号，送入DSP进行分类的计算和数据处理，通过通信接口与工控机相连并送到无线通信模块，为与远方调度通讯做好准备； 

利用上述风电场风机负荷指数预测装置进行预测的方法，包括如下步骤，如图4(a)所示： 

步骤1、采集风电场的电机组桨叶安装角度、发动机轴承震动频率、塔杆垂直度和发动机转矩作为输入量；即维数为4，采集样本值见表1； 

表1 

采集样本	样本的采样范围	传感器输出电压范围
			电机组桨叶安装角度	0-90(度)	0-5(伏)
发动机轴承震动频率	400-2500(赫兹)	0-5(伏)
			塔杆垂直度	75-90(度)	0-5(伏)
发动机转矩	120-150(牛·米)	0-5(伏)

步骤2、将采集的模拟信号转化为数字信号； 

步骤3、转化后的数字信号输入最小二乘法支持向量机模型，得到预测的风电场负荷指数。 

所述的最小二乘法支持向量机模型，按如下步骤建立，如图4(b)所示： 

预测某风场的日24小时负荷指数为例，用预测日的前100天数据构建样本； 

1)、数据处理、建立训练样本集和预测样本集，见表1； 

2)、最小二乘法支持向量机模型表示为： 

最小二乘法支持向量机模型选择误差e_k的平方和为损失函数，其优化为 

其中，s.t.为约束条件，N为自然数，γ＞0为惩罚系数因子，e为误差，e_k为第K个误差，用于控制调节误差所取的作用，能够在训练误差和模型复杂度之间取一个折衷，以便使所求的函数具有好的泛化能力，并且γ值越大，模型的回归误差越少； 

3)、根据最小二乘法支持向量机模型求解回归参数： 

a_k＝[2.8712，-243.9321，22.3767，383.1647]和b＝1.9514，按自适应选择方法求解核宽度 

σ＝2.2347惩罚系数因子γ＝980.6062，并将此类样本作为最小二乘法支持向量机预测的学习样本； 

4)、根据选取的学习样本建立目标函数，带入学习样本数据，得到最优解，确立支持向量，并参与建立最小二乘法支持向量机模型，确定最小二乘法支持向量机模型； 

由图5可知预测负荷指数与实际负荷指数曲线，预测误差小，误差在12％左右。 

其中负荷指数的值所代表的风机健康状况如表2所述。 

表2 

负荷指数	风机健康状况
		0.0-0.4	风机不正常运行
0.4-0.5	风机临界运行(属正常)
		0.5-1.0	风机正常运行

Claims (1)

1.一种风电场风机负荷指数预测方法，所采用的装置包括有传感器、数据采集芯片、中央处理器、工控机和无线通讯模块，各部件连接：传感器的输出端连接数据采集芯片的输入端，数据采集芯片的输出端连接中央处理器的输入端，中央处理器的输出端连接工控机和无线通信模块的输入端；

其特征在于：利用最小二乘法支持向量机模型进行预测，包括如下步骤：

步骤1、采用风电场负荷指数预测装置采集风电场的电机组桨叶安装角度、发动机轴承震动频率、塔杆垂直度和发动机转矩作为输入量；

步骤2、建立预测样本，形成训练样本集；

将风电机组桨叶安装角度、发动机轴承震动频率、塔杆垂直度和发动机转矩作为输入量；设输入、输出样本数据集为{x_k，y_k}(k＝1，2，…，N)，N为自然数；其中，x_k为n维输入向量，x_k∈Rⁿ，Rⁿ代表多维的实数量；y_k为风电场风机负荷指数，y_k∈Rⁿ；在特征空间中的线性方程可以表示为以下形式：

y_k＝ω^Tφ(x_k)+b    (1)

式(1)中，

R→R^nh将输入空间映射为高维特征空间的映射函数；ω为超平面的权值向量，ω∈Rⁿ；b为偏置量；

步骤3、将输入样本数据集输入最小二乘法支持向量机模型；

最小二乘法支持向量机模型选择误差e_k的平方和为损失函数，其优化为

$\left\{\begin{array}{c}\min j(\mathrm{\ω},e)=\frac{1}{2}\mathrm{\γ}{\mathrm{\Σ}}_{k=1}^N{e}_k^2\\ s.t.y_k={\mathrm{\ω}}^T\mathrm{\φ}\left(x_k\right)+b+e_k,k=\mathrm{1,2},...,N\end{array}\right.---\left(2\right)$

其中，j(ω，e)为目标函数，s.t.为约束条件，N为自然数，γ＞0为惩罚系数因子，e为误差，e_k为第K个误差，用于控制误差调节所起的作用，能够在训练误差和模型复杂度之间取一个折衷，以便使所求的函数具有好的泛化能力，并且γ值越大，模型的回归误差越少；

步骤4、求解最小二乘法支持向量机模型；

确定最小二乘法支持向量机模型的回归参数a_k＝[a₁，a₂，…，a_N]^T和b，引入拉格朗日(Lagrange)函数进行求解：

$L(\mathrm{\ω},b,e,a)=j(\mathrm{\ω},e)-{\mathrm{\Σ}}_{k=1}^N{a}_k({\mathrm{\ω}}^T\mathrm{\φ}\left(x_k\right)+b+e_k-y_k)---\left(3\right)$

式(3)中，a_k(k＝1，2，…，N)为Lagrange乘子；

最优的a_k和b通过卡鲁斯-库恩-塔克(KKT)条件获得，即

$\left\{\begin{array}{c}\frac{\∂L}{\∂\mathrm{\ω}}=0\\ \frac{\∂L}{\∂b}=0\\ \frac{\∂L}{{\∂e}_k}=0\\ \frac{\∂L}{\∂a_k}=0\end{array}\right.\→\left\{\begin{array}{c}\mathrm{\ω}={\mathrm{\Σ}}_{k=1}^N{a}_k\mathrm{\φ}\left(x_k\right)\\ {\mathrm{\Σ}}_{k=1}^N{a}_k=0\\ a_k=\mathrm{\γ}\×e_k\\ {\mathrm{\ω}}^T\mathrm{\φ}\left(x_k\right)+b-e_k-y_k=0\end{array}\right.---\left(4\right)$

通过消去式(4)中的变量ω和e_k，优化问题转化为求解如下线性方程组：

$\left[\begin{array}{cc}0& \stackrel{\‾}{1^T}\\ \stackrel{\‾}{1}& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}\×I\end{array}\right]\left[\begin{array}{c}b\\ a_k\end{array}\right]=\left[\begin{array}{c}0\\ y_k\end{array}\right]$

式(5)中，y_k＝[y₁，y₂，…，y_N]^T；

a_k＝[a₁，a₂，…，a_N]^T；I为单位矩阵；Ω为方阵；

根据默塞尔(Mercer)条件可知，存在映射

和核函数

使得：

Ω_k＝φ(x_k)^Tφ(x_k+1)＝K(x_k，x_k+1)k＝1，2，…，N；(6)

把求出的a_k和b的数值带入，按自适应选择方法求解核宽度σ和惩罚系数因子γ，即得到最小二乘法支持向量机模型；

由式(5)求出a_k，b后，可得到最小二乘法支持向量机模型为：

$y_k\left(x\right)={\mathrm{\Σ}}_{K=1}^N{a}_{K}K(x_K,x_{k+1})+b---\left(7\right)$

选用的核函数为径向基(RBF)函数，即

$K(x_k,x_{k+1})=\exp (-\frac{{\left|\right|x_k-x_{k+1}\left|\right|}^2}{2{\mathrm{\σ}}^2})---\left(8\right);$

步骤5、输入样本数据集得到风电场负荷指数；

由公式(7)最小二乘法支持向量机模型输出样本数据集y_k，y_k即为预测的风电场负荷指数。

Images