CN105069192A - 一种基于遗传算法求解风机功率曲线参数模型的改进方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法求解风机功率曲线参数模型的改进方法，该方法通过风电机组运行过程中的风机运行数据来确定风机功率曲线参数模型中的各个参数。但使用遗传算法求解模型参数的过程中，每次迭代过程都会计算种群中所有个体的适应度，当风机运行数据的数据量增加时，种群的适应度函数和评价函数的计算量就会随之增加，程序的空间复杂度和时间复杂度也都会增加。因此，本方法首先对风机运行数据按网格聚类并分配权重，之后应用遗传算法确定参数模型中的各个参数。通过对风机运行数据聚类可以避免因风机运行数据的数据增加而导致适应度函数和评价函数计算量增加，通过对聚类点分配权重可以使模型适应大多数原始数据点，增加模型可信度。

Description

一种基于遗传算法求解风机功率曲线参数模型的改进方法

技术领域

本发明属于风力发电技术领域，尤其是涉及一种基于遗传算法求解风机功率曲线参数模型的改进方法。

背景技术

目前，随着国家新能源发展战略的提出和实施，我国风电产业进入跨越式发展的阶段。风力发电技术在我国的快速发展，致使风电在我国发电总量中比重逐年增加，风力发电占供电比重迅速增长，风电装机容量也逐年攀升。

其中，风电机组功率特性曲线是考核机组性能、评估机组发电能力和预测年发电量的一项重要指标。风电机组功率特性曲线描述了风电组输出有功功率与风速之间的关系，本质上反映了风电机组的性能；不仅如此，风力发电机组的功率曲线在风场经济性分析活动中也具有重要作用，它不仅能验证风机运行状况是否在厂家标称值以内，还能对比各风机横向数据，早期发现问题，加以排查，减少电量损失。此外，基于实测数据的功率曲线建模还可以提高风电功率预测系统的精度。

风电机组功率曲线模型主要包括参数模型和非参数模型，所谓非参数模型是指系统的数学模型中非显式地包含可估参数，该非参数模型通常以响应曲线或离散值形式表示；而参数模型指用代数方程、微分方程、微分方程组以及传递函数等描述的模型，建立参数模型就在于确定已知模型结构中的各个参数。相比而言，非参数模型在实时控制和适应性控制方面没有形式简单的参数模型使用方便。

遗传算法是采用类似自然界生物遗传的方法，通过模拟自然界对生物的选择，产生适者生存、优胜劣汰的效果，进而实现优化。

自然界对生物的选择作用与生物的适应性紧密相关，生物对自然界的适应能力的强弱决定着其在自然界中的生存机率，适应度低的个体逐渐遭到淘汰，适应度高的个体多数得以生存，经过代代繁衍，生物种群会朝向适应度高的方向发展，总体特征表现为生物体整体的适应性提高，呈现进化趋势。生物的适应性是生物对外习性的体现，对内就体现为生物基因对生物性状的控制。遗传算法模拟自然界生物进化的方法，将待优化问题转化成类似自然界的优胜劣汰的问题，模拟自然选择，选出最优解。

遗传算法将待优化问题中的参变量通过一定规则转换成一组二进制基因序列，一个基因序列代表一个个体，后随机生成多组序列，形成初始种群。通过制定适应度函数、评价函数、设立约束条件等方式来模拟自然界环境对生物的约束，对自然界适应性强弱与基因转化成的参数带入适应度函数所得适应度函数值呈正相关。适应度函数值决定着个体在筛选过程中被保留的机率，适应度越高，被保留机率越大。经过代代遗传，层层筛选，适应度高的个体最终得以保留，适应度低的个体遭到淘汰，最终使得种群基因逐渐趋近最优解，从而实现对任务要求类型的最优化。

对种群基因进行的遗传操作主要有三种：复制、交叉、变异。复制操作是指单个基因的完整保留并进入下一代，个体是否被执行复制操作的判断依据是其适应度值，适应度函数值越高，个体对自然界环境的适应能力越强，能复制进入下一代的机率越大。交叉操作类似于自然界中的生物体交配产生新个体，交叉主体是一对个体的基因，过程是两个个体基因的部分交换，交换根据一定原则进行。变异操作类似于自然界中的基因突变，在遗传算法中主要体现为用于表示基因的数字串上某单点或多点数值的改变，通过这种改变来达到对基因体的改变。在遗传算法中会制定相应的交叉算子、变异算子等。交叉算子用来指定进行交叉操作的个体，并决定个体基因序列中互换的位置；变异算子的作用是决定变异的个体，并决定变异发生在基因串上的位置。

复制、遗传、变异等操作产生了新一代种群，之后计算新种群的适应度函数值和评价函数值，再进行复制、遗传、变异等操作，如此循环，直至满足优化目标。遗传算法的迭代终止条件可以是使种群整体的适应度值满足某个具体要求，也可以是满足具体迭代代数，最终输出的最优解即为优化结果。

由于遗传算法的特点，种群数目多数情况比较庞大，适应度函数和评价函数的复杂程度与计算执行时间有直接关系，种群个体数量达到一定值时，一代种群的适应度函数值和评价函数值的计算可能会可提升至秒级甚至分钟级。这样重复地进行几百代甚至几千代的函数值计算，所耗时长将会相当巨大。因此精简计算、缩短计算时间、提高算法执行效率是十分必要的。

遗传算法具体实现流程为：

A.根据待优化问题生成约束函数、目标函数和输出解；

B.随机生成一个种群；

C.计算种群的适应度值；

D.判断是否满足收敛条件或最大代数：是，输出最优解；否，生成新种群返回执行C；

通过对每一代的基因选择，在重复有限次的迭代后，生成的新个体会具有足够高的适应度，从而达到优化目的。

因此，将上述提及的风电机组功率曲线参数模型与遗传算法有效结合，是本发明的研究重点。

发明内容

本发明要解决的问题是提供一种适应大多数原始数据点，增加模型可信度的基于遗传算法求解风机功率曲线参数模型的改进方法。

为解决上述技术问题，本发明采用的技术方案是：一种基于遗传算法求解风机功率曲线参数模型的改进方法，包括以下步骤：

步骤（1），确定风机运行数据中风速数据和有功功率的数据范围，确定风机运行数据的总数据量；

步骤（2），根据风机运行数据的范围及计算精度的要求确定聚类网格的大小，划分网格并为网格编号；

步骤（3），计算每个网格中风机运行数据的平均风速和平均功率作为该网格中所有数据的聚类点，计算落入该网格中风机运行数据的数据量与风机运行数据总数据量的比值作为该聚类点的权重；

步骤（4），通过遗传算法和带有权重的聚类点求解风电机组功率曲线模型的参数。

步骤（1）中所述的风机运行数据指同一时刻输入风机的风速和风机输出的有功功率，或同一时间段内输入风机的风速平均值和风机输出的有功功率平均值；一组对应时间段的输入风机的风速平均值和风机输出的有功功率平均值表示一组风机运行数据。

步骤（2）中所述的聚类网格指通过限值风速范围和有功功率范围而确定风机运行数据范围，即建立一直角坐标系，其中坐标系中每个点表示一组风机运行数据，横坐标表示风速，纵坐标表示有功功率，而平行于坐标轴设置的虚线所划分成的矩形区域则表示聚类网格；划分网格的依据为，网格越小则网格数越多，聚类点越多，聚类点越接近于原始数据，计算越确，但适应度函数和评价函数越复杂，计算量越大。

步骤（3）中所述每个网格中风机运行数据是按下述方法划分的，若风机运行数据点落在网格内，则该点属于该网格中的一个点；若风机运行数据点落在网格线上或者落在若干个网格的顶点上时，则该点可以按某一规则属于某个网格，或等分到多个临近网格。

步骤（4）中所述的通过遗传算法和带有权重的聚类点求解风电机组功率曲线模型的参数的具体流程如下：

步骤（4.1），初始化种群，执行步骤（4.2）；

步骤（4.2），计算种群的适应度值，执行步骤（4.3）；

步骤（4.3），判断是否满足收敛条件或最大代数：是，输出最优解；否，执行步骤（4.4）；

步骤（4.4）进行选择、变异、交叉等遗传操作，生成新一代种群，执行步骤（4.2）。

步骤（4.1）所述的初始化种群是指对风电功率曲线模型中的参数进行基因编码，并生成随机种群。

步骤（4.2）所述的适应度值是通过适应度函数计算得到的，适应度函数应该满足加权平均绝对误差（MAE）或加权均方根误差（RMSE）越大返回的个体适应度值越小这一准则，所述MAE、RMSE的定义如下：

其中（，）为第i个聚类点，为风速，为对应有功功率，为第i个聚类点的权重，表示参数为时风速下参数模型返回的有功功率值；

适应度函数值的计算量只和聚类点的个数有关，聚类点越多计算量越大，反之亦然，与风机运行数据量的大小无关。

步骤（4.4）所述的遗传操作是指对种群基因进行复制、交叉和变异以产生新个体，从而组成新的种群；选择、交叉、变异等操作都是通过结合相应的算子执行各自运算来完成。

由于采用上述技术方案，本发明提供了一种基于遗传算法求解风机功率曲线参数模型的改进方法，本发明是基于风电机组运行过程中的风速数据和有功功率数据（简称风机运行数据）确定风机功率曲线参数模型中的各个参数，在使用遗传算法计算求解模型参数的工程中，每次迭代过程都会计算种群中所有个体的适应度，当风机运行数据的数据量增加时种群的适应度函数和评价函数的计算量就会随之增加，程序的空间复杂度和时间复杂度都会增加。因此，本方法首先对风机运行数据采取按网格聚类并分配权重，之后应用遗传算法确定参数模型中的各个参数。通过对风机运行数据聚类可以避免因风机运行数据的数据增加而导致适应度函数和评价函数计算量增加，通过对聚类点分配权重可以使模型适应大多数原始数据点，增加模型可信度。

附图说明

下面通过参考附图并结合实例具体地描述本发明，本发明的优点和实现方式将会更加明显，其中附图所示内容仅用于对本发明的解释说明，而不构成对本发明的任何意义上的限制，在附图中：

图1是风速-功率散点图。

具体实施方式

下面结合实施例及其附图进一步叙述本发明：

实施例：

某风机的功率曲线参数模型为：

其中u为风速，P为功率，为参数模型中的待定参数。

风机运行数据如表1，绘制到二维坐标如图1

表1风机运行数据

步骤（1）：

风速的范围即上表中第2行数据的范围，即（0，25）

功率的范围即上表中第3行数据的范围，即（0，2500）

风机运行数据总量为10000

步骤（2）：

将网格大小定为（1，100），即每个1个单位画一条平行于功率轴的直线，每个100个单位画一条平行与风速轴的直线，网格如图1所示，共划分了625个格，将网格按从左到右从上到下的顺序编号为1~625号。

步骤（3）：

将数据点按网格划分为625个类，本例中将网格线上的点按如下方法划分：

a)当点在网格内或点仅在属于一个网格的网格边界线上时，该点属于该网格；

b)当点在两个网格的边界线上时，若两个网格为左右相邻则该该点属于左侧网格，若两个网格为上相相邻则该点属于下侧网格；

c)当点在四个网格的边界上时，该点属于左下侧网格。

属于j号网格点可以表示为为(，)(j=1、2、3…、625，i=1、2、3、…、N_j，N_j为属于j号网格的点数)。聚类点（，）可以如下表示：

点（，）的权重。

步骤（4）：

步骤（4.1），设定种群数量为50，大概确定每个参数的范围，采用二进制编码，初始化种群，执行步骤（4.2）；

步骤（4.2），对种群中的个体解码，计算种群中每个个体的适应度值，执行步骤（4.3）；

第j（j=1、2、3、…、50）个个体为，该个体的适应度Sj计算如下：

Sj=1/RMSE其中

满足RMSE越大个体适应度越小这一要求。

步骤（4.3），判断是否满足收敛条件或最大代数：是，输出最优解；否，执行步骤（4.4）；

步骤（4.4），进行选择、变异、交叉等遗传操作，生成新一代种群，执行步骤（4.2）。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。

Claims (8)

1.一种基于遗传算法求解风机功率曲线参数模型的改进方法，其特征在于，包括以下步骤：

步骤（1），确定风机运行数据中风速数据和有功功率的数据范围，确定风机运行数据的总数据量；

步骤（2），根据风机运行数据的范围及计算精度的要求确定聚类网格的大小，划分网格并为网格编号；

步骤（3），计算每个网格中风机运行数据的平均风速和平均功率作为该网格中所有数据的聚类点，计算落入该网格中风机运行数据的数据量与风机运行数据总数据量的比值作为该聚类点的权重；

步骤（4），通过遗传算法和带有权重的聚类点求解风电机组功率曲线模型的参数。

2.根据权利要求1所述的基于遗传算法求解风机功率曲线参数模型的改进方法，其特征在于：步骤（1）中所述的风机运行数据指同一时刻输入风机的风速和风机输出的有功功率，或同一时间段内输入风机的风速平均值和风机输出的有功功率平均值；一组对应时间段的输入风机的风速平均值和风机输出的有功功率平均值表示一组风机运行数据。

3.根据权利要求1所述的基于遗传算法求解风机功率曲线参数模型的改进方法，其特征在于：步骤（2）中所述的聚类网格指通过限值风速范围和有功功率范围而确定风机运行数据范围，即建立一直角坐标系，其中坐标系中每个点表示一组风机运行数据，横坐标表示风速，纵坐标表示有功功率，而平行于坐标轴设置的虚线所划分成的矩形区域则表示聚类网格；划分网格的依据为，网格越小则网格数越多，聚类点越多，聚类点越接近于原始数据，计算越确，但适应度函数和评价函数越复杂，计算量越大。

4.根据权利要求1所述的基于遗传算法求解风机功率曲线参数模型的改进方法，其特征在于：步骤（3）中所述每个网格中风机运行数据是按下述方法划分的，若风机运行数据点落在网格内，则该点属于该网格中的一个点；若风机运行数据点落在网格线上或者落在若干个网格的顶点上时，则该点可以按某一规则属于某个网格，或等分到多个临近网格。

5.根据权利要求1所述的基于遗传算法求解风机功率曲线参数模型的改进方法，其特征在于：步骤（4）中所述的通过遗传算法和带有权重的聚类点求解风电机组功率曲线模型的参数的具体流程如下：

步骤（4.1），初始化种群，执行步骤（4.2）；

步骤（4.2），计算种群的适应度值，执行步骤（4.3）；

步骤（4.3），判断是否满足收敛条件或最大代数：是，输出最优解；否，执行步骤（4.4）；

步骤（4.4），进行选择、变异、交叉等遗传操作，生成新一代种群，执行步骤（4.2）。

6.根据权利要求5所述的基于遗传算法求解风机功率曲线参数模型的改进方法，其特征在于：步骤（4.1）所述的初始化种群是指对风电功率曲线模型中的参数进行基因编码，并生成随机种群。

7.根据权利要求5所述的基于遗传算法求解风机功率曲线参数模型的改进方法，其特征在于：步骤（4.2）所述的适应度值是通过适应度函数计算得到的，适应度函数应该满足加权平均绝对误差（MAE）或加权均方根误差（RMSE）越大返回的个体适应度值越小这一准则，所述MAE、RMSE的定义如下：

其中（，）为第i个聚类点，为风速，为对应有功功率，为第i个聚类点的权重，表示参数为时风速下参数模型返回的有功功率值；

适应度函数值的计算量只和聚类点的个数有关，聚类点越多计算量越大，反之亦然，与风机运行数据量的大小无关。

8.根据权利要求5所述的基于遗传算法求解风机功率曲线参数模型的改进方法，其特征在于：步骤（4.4）所述的遗传操作是指对种群基因进行复制、交叉和变异以产生新个体，从而组成新的种群；选择、交叉、变异等操作都是通过结合相应的算子执行各自运算来完成。