CN105275742B - 一种风电机组自适应环境的控制方法 - Google Patents

Abstract

本发明涉及一种风电机组自适应环境的控制方法，包括以下步骤：提取风电机组的相关特征信息，包括自然环境参数和机组运行参数；根据所述相关特征信息采用遗传算法建立自学习功率曲线优化模型；根据建立的优化模型对风电机组进行自适应环境的调节。该方法能够增强机组对环境的适应性，机组可以根据环境信息，对运行环境进行自动识别，对风电机组运行参数进行自动校正，增强对环境的适应性。另外本发明具有通用性，不仅适用于陆上风电机组机，也适用于海上风电机组，所以具有很好的推广性，不受风电机组控制系统硬件环境的限制。

Description

一种风电机组自适应环境的控制方法

技术领域

本发明涉及一种风电机组自适应环境的控制方法，属于风电机组发电技术领域。

背景技术

风电机组运行在不同环境中，受风资源条件、运行环境、机组差异等诸多因素的影响，风电机组的风能利用效率、功率曲线都不会一致。

风资源差异主要表现在风速频谱分布差异、风速分布概率差异、湍流强度差异等。环境差异主要针对自然环境方面，包括温度、湿度、风速、雷暴、海拔等因素。机组差异表现为：同一个风场的风电机组，叶片、塔架、发电机、齿轮箱等主要部件都有两到三家供应商提供，在现场吊装中会组合成不同配置的机组，运行时不同配置的机组会有不同的特性。

由于存在上述风资源、运行环境、机组个体等差异因素，机组在运行过程中会受到这些因素影响，导致其运行和控制性能发生改变，甚至可能会出现问题。而且，其运行效率与环境因素和机组因素有着密切的联系。因此，开发具有自学习能力、可自动适应运行环境差异、风资源差异和机组个体差异的风电机组，对于提高风电机组运行效率与发电时间具有重要意义。

发明内容

本发明的目的是提供一种风电机组自适应环境的控制方法，能够实现风电机组的环境自适应。

为实现上述目的，本发明的方案包括一种风电机组自适应环境的控制方法，包括以下步骤：

(1)、提取风电机组的相关特征信息，包括自然环境参数和机组运行参数；

(2)、根据所述相关特征信息采用遗传算法建立自学习功率曲线优化模型；

(3)、根据建立的优化模型对风电机组进行自适应环境的调节。

所述步骤(2)中，所述自学习功率曲线优化模型的建立的方法为：

1)、将提取到的风电机组的相关特征信息根据风速的大小分为若干个风速区间，每个风速区间内均包括对应的其余的特征信息；

2)、在每个风速区间内选取若干个湍流强度范围；

3)、在每个湍流强度范围内选取若干个功率曲线系数，作为参考种子；

4)、在每个湍流强度范围内的若干个功率曲线系数中选取一个功率曲线系数，然后进行变异处理，重新生成若干个新种子，继续在若干个种子中选取一个种子；

5)、选取若干次后，得到每个湍流强度范围内的最优功率曲线系数，所有的最优功率曲线系数构成所述自学习功率曲线优化模型。

所述步骤4)中，所述在每个湍流强度范围内的若干个功率曲线系数中选取一个功率曲线系数的步骤为：

对于某一个湍流强度范围，风电机组分别在选取的若干个功率曲线系数下运行，并分别记录风电机组在每个功率曲线系数运行下的平均功率、塔架振动值和环境温度；

比较这些功率曲线系数对应记录的参数，选取最大的平均功率、且对应的塔架振动值不超过设定的塔架振动告警值3次的功率曲线系数。

所述选取最大的平均功率的步骤为：使用环境温度对所有的平均功率进行修正处理，将平均功率统一到相同温度下；

使用机舱位置对所有的平均功率进行修正处理，对应得到机舱位置为0度时的平均功率；

比较这些功率曲线系数分别对应的平均功率，选取最大的平均功率。

在所述步骤(1)和所述步骤(2)之间还包括以下步骤：根据提取的相关特征信息计算风电机组的机械参数信息，然后对机械参数信息进行校正；校正的具体步骤为：

a、提取典型特征参数中和风机运行相关的参数，提取数据的频率大于或者等于10Hz，其中，所述和风机运行相关的参数至少包括发电机转速、发电机加速度、发电机转矩、塔架振动；

b、对提取的典型特征参数，进行快速傅立叶变换；

c、对傅立叶变换的频谱进行分段处理，分段点按风机的运行频率范围进行划分；

d、对分段处理后的频谱中的各个频率段，得到各个频率段内的峰值，进而得到峰值对应的频率点，该频率点为风机的固有频率点；

e、将各个频率段内得到的频率点与预设的频率点一一进行对比，如果两者之间的差值大于第一设定值,则将对应频率段内的频率点替换为所述预设的频率点；如果两者之间的差值大于第二设定值，则告警；其中，第一设定值小于第二设定值。

所述自然环境参数至少包括平均风速、瞬时风速、湍流强度和环境温度，机组运行参数至少包括平均功率、发电机转速、发电机加速度、发电机转矩、塔架振动值。

在建立自学习功率曲线优化模型之前对提取的相关特征信息依次进行去噪、归一化及特征提取的处理。

在所述风电机组进行自适应环境的调节时，在所述优化模型中查询与当前风电机组的运行环境相同的特征信息对应的功率曲线系数，然后控制风电机组在该功率曲线系数下运行。

功率曲线系数的计算公式为：

其中，

其中，ρ为空气密度，r为风轮直径，C_P为风能利用系数，G为齿轮箱速比，λ为叶减速比，ω_r为风电机组风轮角速度；R为叶片半径；v为主导风速；v_T为叶尖线速度。

本发明通过提取风电机组运行环境信息和风电机组运行信息，采用遗传算法建立自学习功率曲线优化模型；然后根据建立的优化模型对风电机组进行自适应环境的调节，提高机组的发电量。而且，该方法能够增强机组对环境的适应性，机组可以根据环境信息，对运行环境进行自动识别，对风电机组运行参数进行自动校正，增强对环境的适应性。另外本发明具有通用性，不仅适用于陆上风电机组机，也适用于海上风电机组，所以具有很好的推广性，不受风电机组控制系统硬件环境的限制。

附图说明

图1是风电机组自适应环境的控制方法整体流程图；

图2是风电机组C_P-λ曲线关系图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

本发明提供的风电机组自适应环境的控制方法总体上可以分为四个步骤，如图1所示，为：

(一)、提取风电机组的相关特征信息，包括自然环境参数和机组运行参数；

(二)根据提取的信息对风电机组机械参数进行实时监测和自动校正；

(三)、根据所述相关特征信息采用遗传算法建立自学习功率曲线优化模型；

(四)、根据建立的优化模型对风电机组进行自适应环境的调节。

以下对于每个步骤进行分别详细的描述：

步骤(一)：

基于多因素差异对机组的影响机理，选择自然环境和机组运行信息的典型特征参数进行提取，对于一些难以直接测量的参数，采用基于状态观测器和数字信号处理技术相结合的参数提取方法。

多因素差异包括自然环境差异(包括风速、风向、湍流强度、温度等)和机组个体机械参数及电气参数差异。

典型特征参数包括自然环境特征参数和机组运行参数。其中，自然环境特征参数包括：平均风速、瞬时风速、湍流强度、环境温度等；机组运行参数包括：平均功率、发电机转速、发电机加速度、发电机转矩、桨距角、塔架振动值、齿轮箱油温等。而且，典型特征参数提取的个数可以任意添加或减少，并不只限于上述参数。另外，特征参数的采集频率也可以调节，其最高频率为50Hz。

步骤(二)：

根据提取的特征信息，实时计算风电机组的机械参数，对风电机组的状态进行实时监测并对需要校正的机械参数进行自动校正。实时计算的机械参数包括塔架的固有频率、传动链的固有频率、风轮的固有频率等。

对风电机组机械参数进行实时监测和自动校正的方法如下：

a、提取典型特征参数中和风机运行相关的参数，至少包括发电机转速、发电机加速度、发电机转矩、塔架振动等参数，提取数据的频率大于或者等于10Hz。

b、对提取的相关典型特征参数进行快速傅立叶变换。

c、对傅立叶变换的频谱进行分段处理，分段点可按风机的运行频率范围进行划分，划分区间可由参数调整，也即划分的区间可以根据具体情况进行设定。

d、针对分段处理后的频谱分成的所有频率段，找出各个频率段内的峰值，然后可以得到各个峰值对应的频率点，作为风机的固有频率点。

e、将各个频率段内得到的频率点与主控系统中预设的频率点进行对比，如两者之间的差值大于0.05Hz,则将原主控系统中的预设的频率点替换频率段内得到的频率点；如果两者之间的差值大于1Hz,则发出告警信息，提示现场工作人员排查问题。

在风电机组的运行过程中，可以每隔一个月对机组的机械参数进行一次校正。

上述校正的方法的步骤中出现的具体数值，比如说：10Hz、0.05Hz、1Hz等仅作为该实施例中的具体的参考值，本发明并不局限于上述具体值，其可以根据具体情况具体设定。

对机械参数进行自动校正，其作用在于各个风电机组的机械参数各不相同并且随时间变化机械性能会产生一定的偏差，采用同一参数，引起控制性能的下降，降低了风电机组的适应性，不能达到控制的最佳效果，会引起风电机组的塔架、传递链振动故障而停机。通过对机械参数的自动识别和校正，可以节省人工采集和修改参数而消耗的大量时间，同时通过比较机械参数可以提前发现机组可能存在的隐患，提高机组的可靠性。

步骤(三)：

将提取的典型特征参数进行去噪、归一化及特征提取等处理后存入数据库，建立包括典型特征参数的历史数据库。

包括典型特征参数的历史数据库的建立过程如下：

a、将需要采集的典型特征参数配置到参数列表中；

b、运行专门的采集工具批量采集数据，采集工具可以在工作站和状态监测系统中运行；

c、将采集到的数据上传，以表格的形式存储到数据库中。

通过对数据库中数据的处理可以得到参数的时频域特征、历史数据趋势特征、概率分布特征等。时频域特征、历史数据趋势特征、概率分布特征等信息主要用于分析风场的自然环境信息、风资源信息，和机组在各种环境下的运行状态，通过数据库的不断积累，就可以得到环境差异对功率曲线的影响规律和影响因素及风电机组个体机械参数、电气参数差异对功率曲线的影响规律。

考虑多因素差异对功率曲线的影响，建立基于历史数据库的自学习功率曲线优化模型，采用遗传算法，对功率曲线系数进行持续自学习，寻找典型特征参数下最优的功率曲线系数，通过自学习，建立最优功率系数库；在自学习和运行过程中，采用模式识别方法，提取最优功率系数库中与当前运行环境相同或者相似的功率曲线系数，通过不断的自学习，实现机组对环境的适应性。

由于功率曲线受包括：空气密度、大气压力、空气温度、阵风、湍流强度、偏航误差等因素的影响，不同的自然环境特征下，都存在最优的功率曲线系数与之相对应，通过对历史数据库的自学习，可以得到当前自然环境下，对应的最优功率曲线系数，存入数据库得到最优功率系数库。

功率曲线系数决定了额定风速以下的最佳叶尖速比工作区功率曲线，自学习过程主要对功率曲线系数进行优化。

在最佳叶尖速比工作区转矩按下式给定：

其中：k为风机的功率曲线系数；ω_g为发电机转速；T_m为发电机的转矩给定。

风机的功率曲线系数由下式计算：

式中：ρ为空气密度，r为风轮直径，C_P风能利用系数，G为齿轮箱速比λ为叶减速比。

尖速比λ可以表示为：

式中，ω_r——风电机组风轮角速度(rad/s)；R——叶片半径(m)；v——主导风速(m/s)；v_T——叶尖线速度。

风能利用系数C_P是风电机组叶尖速比λ的函数，如果保持桨距角不变的话，C_P—λ曲线如图2所示。

以下对现有技术中的功率曲线系数的确定进行分析：现有技术中的功率曲线系数的确定是根据叶片的特性，由仿真软件确定桨叶的最佳尖速比和风能利用系数，空气密度一般取标准空气密度1.225kg/m³，带入功率曲线系数的计算公式得到，在任何环境下，都是用恒定的功率曲线系数进行控制。其缺点在于：仿真软件只能计算稳态风下尖速比和风能利用系数的关系，忽略了湍流强度和阵风的影响，同时空气密度取标准值，和实际的空气密度也不一致，这些都影响了功率曲线系数准确性的，很难保证选择的功率曲线是最优的。

由于功率曲线的影响因素有很多，包括：大气压力、空气温度、阵风、湍流强度等。影响规律为：

a大气压力减小，空气密度减小，输出功率减小，反之增加。

b温度升高，空气密度会降低，输出功率减小，反之增加。

c阵风的风速变化速度较快，造成风机偏离最佳叶尖速比，造成风机的效率降低，功率曲线变差。

d湍流强度越大，机组的功率曲线与稳态风相比，达到相同额定风速的平均风速增加。同时湍流强度，还会影响机组的寿命。

所以，功率曲线系数的选择也受到大气压力、空气温度、阵风、湍流强度等因素的影响，即通过优化功率曲线系数可以减小大气压力、空气温度、阵风、湍流强度对机组功率的影响，达到最优控制。

功率曲线系数由多个因素共同影响，同时由于流体动力学的复杂性和风速的不确定性，很难得到功率曲线系数和各个影响因素之间确定数学表达式。

采用基于历史数据库的优化方法，可以通过遗传优化的方法得到不同影响因素在不同组合下的最优功率曲线系数，使用最优功率曲线系数对机组进行控制，可以保证在当前环境下，风电机组的运行功率和效率是最优的。

建立基于历史数据库的自学习功率曲线优化模型的具体步骤为：

(1)由于风电机组功率主要由自然环境特征参数中的风速和湍流强度影响，机组运行参数为在该环境中的风速和湍流强度下机组的表现形式，所以将数据库中的数据按照风速大小分为若干个风速区间，每个风速区间都包含平均风速、平均功率、瞬时功率、湍流强度、发电机转速、发电机加速度、环境温度、瞬时风速、桨距角、机舱位置等特征属性参数。

(2)在每个风速区间内选取若干个湍流强度范围。

(3)在每个湍流强度范围区间内都取若干个功率曲线系数。

(4)针对其中一个风速区间段内的其中一个湍流强度范围，在该湍流强度范围内随机选择3个参考种子，参考种子就是功率曲线系数，这3个参考种子作为初始的功率曲线系数，每个功率曲线系数均包含了上述的特征属性参数；

风电机组分别在这3个参考种子(功率曲线系数)下运行，并对运行结果进行适应度评价，主要评价指标有：平均功率、塔架振动值、环境温度等；具体过程为：

A、风电机组在这3个参考种子下运行，对应三种运行情况，每种运行情况对应一组指标：平均功率、塔架振动值、环境温度。其中，环境温度是相同的，对于三个平均功率，使用环境温度分别对三个平均功率进行修正处理，统一到相同温度下的平均功率；

B、使用机舱位置对平均功率进行修正处理，得到机舱位置为0度时的平均功率；

C、比较三个修正后的平均功率，保留平均功率最大的参考种子；同时，比较三个参考种子对应的塔架振动值，如超过塔架振动告警值超过3次，则舍去该种子，如三个种子的振动值都超过告警值3次，则淘汰所有种子，重新选择。也就是说，适应度最大的参考种子为：具有最大的平均功率、且对应的塔架振动值不超过设定的塔架振动告警值3次。

保留适应度最大的一个参考种子，其余两个参考种子淘汰；然后将保留下来的参考种子进行变异处理，重新生成2个新的参考种子，继续重新进行选择：即风电机组分别在这2个参考种子下运行，并对运行结果进行适应度评价，主要评价指标也是平均功率、塔架振动值、环境温度等；保留适应度最大的一个参考种子，另外一个参考种子淘汰；然后对保留下来的参考种子再次变异处理，依次类推，运行多代之后，就可以得到该湍流强度下的最优的功率曲线系数，进而能够得到在各个风速段内不同湍流强度下的最优功率曲线系数。也就是说，在每个风速段内的每个湍流强度下，均能通过持续自学习寻找出最优的功率曲线系数，最优的功率曲线系数的优化方向为风电机组功率最大；而且，当风速和湍流强度改变时，风电机组就可以找到与之对应的最优功率曲线系数。除了风速和湍流强度这两个特征参数，其他的特征参数并不直接选择参考种子，只用于结果的评价判定和环境对风机的影响规律的趋势总结。

本领域技术人员根据上述建立基于历史数据库的自学习功率曲线优化模型的具体步骤的描述是能够根据其具体步骤实现其技术方案的。

通过上述步骤，得到了在各个风速段内各个湍流强度下的最优功率曲线系数，将所有的最优功率曲线系数保存到数据库中，该数据库构成了功率曲线优化模型。

步骤(四)：

在需要对风电机组进行优化时，实时检测相关的特征信息，然后将检测到的实际的相关信息代入到功率曲线优化模型中，在优化模型中查询与当前风电机组的运行环境相同或者相似的特征信息对应的功率曲线系数，然后通过风电机组的控制系统控制风电机组在该功率曲线系数下运行，实现风电机组自适应环境的调节。

另外，为了避免风电机组进行不必要的优化，在对风电机组进行优化前，还可以对其是否需要优化进行判断，以下给出三个判断条件：

第一个判断条件：在风电机组初次上电运行时，需进行优化。

第二个判断条件：风电机组实际的功率曲线与优化后的功率曲线偏差大于一个设定值时，需进行优化；该设定值根据对风电机组运行的精度而确定。

第三个判断条件：风电机组运行不稳定，在运行时出现振动过大等故障的次数超过一个设定值；该设定值也是根据具体情况具体设置的。

上述实施例中，在提取风电机组的相关特征信息与根据相关特征信息建立自学习功率曲线优化模型之间还包括根据提取的信息对风电机组机械参数进行实时监测和自动校正的步骤，这是一种具体的实施方式，能够防止风电机组随着运行时间的增加其机械性能产生的一定的偏差，当然，这只是一种优化的实施方式，作为其他的实施方式，在对风电机组的机械性能没有较高的要求的情况下，该对机械参数进行自动校正的步骤可以省略。

以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动，而且，在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内，比如说，本实施例中给出了具体的参数值，但是本发明并不局限于上述参数值。

Claims (8)

1.一种风电机组自适应环境的控制方法，其特征在于，包括以下步骤：

(1)、提取风电机组的相关特征信息，包括自然环境参数和机组运行参数；

(2)、根据所述相关特征信息采用遗传算法建立自学习功率曲线优化模型；

所述自学习功率曲线优化模型的建立的方法为：

1)、将提取到的风电机组的相关特征信息根据风速的大小分为若干个风速区间，每个风速区间内均包括对应的其余的特征信息；

2)、在每个风速区间内选取若干个湍流强度范围；

3)、在每个湍流强度范围内选取若干个功率曲线系数，作为参考种子；

4)在每个湍流强度范围内的若干个功率曲线系数中选取一个功率曲线系数，然后进行变异处理，重新生成若干个新种子，继续在若干个种子中选取一个种子；

5)、选取若干次后，得到每个湍流强度范围内的最优功率曲线系数，所有的最优功率曲线系数构成所述自学习功率曲线优化模型；

(3)、根据建立的优化模型对风电机组进行自适应环境的调节。

2.根据权利要求1所述的风电机组自适应环境的控制方法，其特征在于，所述步骤4)中，所述在每个湍流强度范围内的若干个功率曲线系数中选取一个功率曲线系数的步骤为：

对于某一个湍流强度范围，风电机组分别在选取的若干个功率曲线系数下运行，并分别记录风电机组在每个功率曲线系数运行下的平均功率、塔架振动值和环境温度；

比较这些功率曲线系数对应记录的参数，选取最大的平均功率、且对应的塔架振动值不超过设定的塔架振动告警值3次的功率曲线系数。

3.根据权利要求2所述的风电机组自适应环境的控制方法，其特征在于，所述选取最大的平均功率的步骤为：使用环境温度对所有的平均功率进行修正处理，将平均功率统一到相同温度下；

使用机舱位置对所有的平均功率进行修正处理，对应得到机舱位置为0度时的平均功率；

比较这些功率曲线系数分别对应的平均功率，选取最大的平均功率。

4.根据权利要求1所述的风电机组自适应环境的控制方法，其特征在于，在所述步骤(1)和所述步骤(2)之间还包括以下步骤：根据提取的相关特征信息计算风电机组的机械参数信息，然后对机械参数信息进行校正；校正的具体步骤为：

a、提取典型特征参数中和风机运行相关的参数，提取数据的频率大于或者等于10Hz，其中，所述和风机运行相关的参数至少包括发电机转速、发电机加速度、发电机转矩、塔架振动；

b、对提取的典型特征参数，进行快速傅立叶变换；

c、对傅立叶变换的频谱进行分段处理，分段点按风机的运行频率范围进行划分；

d、对分段处理后的频谱中的各个频率段，得到各个频率段内的峰值，进而得到峰值对应的频率点，该频率点为风机的固有频率点；

e、将各个频率段内得到的频率点与预设的频率点一一进行对比，如果两者之间的差值大于第一设定值,则将对应频率段内的频率点替换为所述预设的频率点；如果两者之间的差值大于第二设定值，则告警；其中，第一设定值小于第二设定值。

5.根据权利要求1所述的风电机组自适应环境的控制方法，其特征在于，所述自然环境参数至少包括平均风速、瞬时风速、湍流强度和环境温度，机组运行参数至少包括平均功率、发电机转速、发电机加速度、发电机转矩、塔架振动值。

6.根据权利要求1所述的风电机组自适应环境的控制方法，其特征在于，在建立自学习功率曲线优化模型之前对提取的相关特征信息依次进行去噪、归一化及特征提取的处理。

7.根据权利要求1所述的风电机组自适应环境的控制方法，其特征在于，在所述风电机组进行自适应环境的调节时，在所述优化模型中查询与当前风电机组的运行环境相同的特征信息对应的功率曲线系数，然后控制风电机组在该功率曲线系数下运行。

8.根据权利要求1所述的风电机组自适应环境的控制方法，其特征在于，功率曲线系数的计算公式为：

其中，

其中，ρ为空气密度，r为风轮直径，C_P为风能利用系数，G为齿轮箱速比，λ为叶减速比，ω_r为风电机组风轮角速度；R为叶片半径；v为主导风速；v_T为叶尖线速度。