CN106286130B - 基于scada数据的风电机组偏航控制参数优化方法 - Google Patents

Abstract

本发明属于风力发电机组控制技术领域，尤其涉及一种基于SCADA数据的风电机组偏航控制参数优化方法。具体为首先确定参数寻优区间；确定优化的偏航控制参数，即偏航偏差阈值和延迟时间的寻优范围；对SCADA数据进行预处理；生成初始种群；计算适应度函数；在适应度函数值基础上计算每一个体被选择的概率P_si；采用赌轮盘法进行选择，得到父代用于繁殖下一代种群；利用交叉算子和变异算子由初始种群生成新种群；若迭代次数超过最大遗传代数，则终止运算，输出最优偏航偏差阈值和延迟时间。本发明方法使优化结果具有更高的自适应水平和针对性；不仅显著地提升了机组的出力性能，而且不会明显提高偏航时间。

Description

基于SCADA数据的风电机组偏航控制参数优化方法

技术领域

本发明属于风力发电机组控制技术领域，尤其涉及一种基于SCADA数据的风电机组偏航控制参数优化方法。

背景技术

目前，大型风力发电机组均采用了主动偏航控制技术。偏航控制也叫调向控制，以确保风轮能够追踪风向，充分利用风能，提高风力发电机组的发电效率。典型的偏航控制原理如图1。系统通过风向标测得风向信号，将测得的风向信号送到偏航控制器中进行风向数据处理，然后依据控制策略判定是否进行偏航以及确定偏航方向，最终使风轮正对风向。考虑到风向标的测量误差与风向的湍流特性，必须计算延迟时间内风电机组机舱轴线方向与实际风向的偏差均值，当该值在设定的范围内，即其绝对值小于偏航偏差阈值时，系统不进行偏航；而当该值超过了设定的误差范围，偏航系统启动对风，减小偏航误差角。

风向瞬时变化频繁，但一般幅度不大，若偏航系统对风起动动作频次过高，会造成系统的疲劳和载荷。因此，综合考虑风电机组安全性和经济性，设置合理的偏航偏差阈值和延迟时间，将有效减小机组偏航系统工作强度，提高风电场经济效益。但由文献资料检索和现场调研结果表明，当前偏航系统对风控制策略较为简单，一部分机组在全风速段采用单一控制参数，即采用相同的偏航偏差阈值和延迟时间；而大部分机组将风速范围分为两段，然后根据高低风速时风向变化特性分别设定不同的偏航偏差阈值和延迟时间。

遗传算法(Genetic Algorithm,GA)是一种基于自然选择和遗传变异等生物进化机制的全局优化搜索算法，在许多工程研究领域得到广泛而又成功的应用。遗传算法不仅有较强的搜索能力，收敛速度快、精度高，而且其用法也比较灵活，可以避免一般优化算法的局部最优、收敛较慢等问题。风电场SCADA系统中记录了风场与每一台机组的实时运行数据，SCADA数据真实反映了风场的风资源与每一台机组的实际运行情况，利用SCADA数据对偏航控制器参数进行优化可以收到最佳效果。本发明基于风电机组SCADA数据，利用遗传算法对偏航偏差阈值和延迟时间进行综合优化，最终得到最优偏航控制参数。

发明内容

为了解决上述问题，本发明提出了一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，所述方法步骤为：

步骤1：确定参数寻优区间；

(1)根据机组SCADA中风速数据划分风速区间；

(2)确定优化的偏航控制参数，即偏航偏差阈值和延迟时间的寻优范围；

步骤2：对SCADA数据进行预处理；

(1)剔除转速低于并网转速的数据值和异常值；

所述异常值为机械失灵、外界冲击、电磁干扰这些测量条件意外改变或测量者工作失误产生的错误读数或记录；

(2)计算原始SCADA数据中机组总发电量W与偏航比Y_Ratio；

步骤3：生成初始种群；

步骤4：计算适应度函数；

(1)选取风电机组总发电量为优化目标函数，偏航比为约束项；

(2)利用预处理后的机组SCADA数据计算得到种群个体的优化目标函数值和约束值；

(3)采用惩罚函数法计算种群每一个体的适应度函数值；

步骤5：在适应度函数值基础上计算每一个体被选择的概率P_si；采用赌轮盘法进行选择，得到父代用于繁殖下一代种群；

步骤6：利用交叉算子和变异算子，由初始种群P(t)生成新种群P(t+1)，并令迭代次数t＝t+1；

步骤7：若迭代次数未超过最大遗传代数，则返回步骤4；否则终止运算，输出最优偏航偏差阈值和延迟时间；

步骤8：优化效果的对比与检验；

通过数据更新重新计算优化后发电量和偏航比并与优化前进行对比，如果采用新的偏航控制参数以后能够在满足偏航比的条件下，风电机组的总发电量有所提高，则对目标机组进行偏航控制参数的修改并投入实际运行；考取参数优化后机组实际SCADA运行数据进行优化前后的对比与检验。

所述步骤1的具体过程为

(1)基于SCADA数据画出风速概率分布曲线，识别曲线峰值对应的风速V_m；

(2)以风速V_m和额定风速V_e为节点，将机组的正常运行范围划分成3个区间；

(3)分别画出第一、三区间的偏航误差概率密度曲线，按95％置信度求出相应置信区间，然后根据控制目的的不同确定三个风速区间偏航偏差阈值取值范围；

(4)依据风资源自身特性，确定延迟时间优化范围；偏航偏差阈值和延迟时间具体优化范围为：

第一区间新的偏航偏差阈值范围为[θ_L,θ1_max]，θ_L为机组原低风速段偏航偏差阈值；θ1_max为第一区间偏航误差概率密度95％置信区间上限值，在第二区间应取相对原始偏航偏差阈值较小的偏航偏差阈值，因而令第二区间偏航偏差阈值范围为[θ₀,θ_H]，其中θ₀为偏航停止误差，θ_H为原高风速段偏航偏差阈值；按求取第一区间偏航偏差阈值范围的方法求得第三区间偏航偏差阈值范围[θ_H,θ3_max]；θ3_max为第三区间偏航误差概率密度95％置信区间上限值，令第一区间延迟时间取值范围为[T_L,T_max]，其中T_L为机组原低风速段延迟时间，T_max为延迟时间阈值范围上限值，在此范围内寻优降低偏航次数，也不会明显降低发电量；而第二区间的延迟时间应小于原参数，令其取值范围为[T_min,T_H]，其中T_H为原高风速段延迟时间，T_min为延迟时间阈值范围下限值，应用在此范围内求取的较小延迟时间值来提高第二区间对风精度，从而提高发电量；而当风速达到额定风速以后，增大原高风速段的延迟时间来降低偏航控制的精度从而减轻变桨负担，降低偏航时间，考虑到高风速时机组所受侧向载荷的限制，令[T_H,T_max]为第三区间新的延迟时间取值范围。

所述步骤3的具体过程为

(1)初始化个体串长度Nsize，交叉概率P_c和变异概率P_m；

(2)将问题的解表示成长度为Nsize的编码串，每一编码代表问题的一个可行解；

(3)随机产生一组串长为Npup的偏航控制参数初始种群P(t)，t为迭代次数，该群体就是问题的一个可行解的集合。

所述步骤2中偏航比

T_yaw表示风电机组偏航时间，T表示风电机组运行总时间；偏航比Y_Ratio不高于10％。

步骤4中选取该组控制参数下机组发电量f(x)为优化目标函数；对原始SCADA数据中某些时间戳的功率和偏航偏差进行更新，功率更新计算公式为：

θ_n＝θ±Δt·V_y

式中，P_n表示更新后功率，P表示原始功率，θ_n表示更新后偏航误差，θ表示原始数据偏航偏差，Δt表示SCADA数据时间间隔，V_y机舱偏航速度；发电量等于功率乘以时间，求出功率P_n之后求发电量f(x)。

所述步骤4中适应度函数是指根据进化目标编写的计算个体适应度值的函数，通过适应度函数计算每个个体的适应度值，提供给选择算子进行选择，适应度值的大小确定该个体被遗传到下一代群体中的概率。

适应度函数表示为

式中，F(X)表示适应度函数，f(X)表示优化目标函数(风电机组发电量)，C_i表示惩罚系数，Y_Ratio(X)<Q_e表示约束项，要求偏航比小于某一限定值Q_e；当约束条件满足时，优化目标函数即为适应度函数；当约束条件不满足时，将对优化目标函数按照上述公式进行惩罚运算。

所述步骤5的具体过程为

1)首先计算个体i的适应度值在整个群体适应度总和中的比例率P_si，即每一个个体被选择的概率；

式中，f_i为第i个个体适应度值；

2)在数轴上以P_si为节点把[0,1]分为Npup个小区间；

3)产生一个[0,1]的随机数a，a在哪个区间内，就取相应概率的个体，

即若则选中第m个个体；

4)重复进行2)、3)步操作次，得到个个体作为下一代种群。

所述交叉算子是遗传算法区别与其他进化算法的重要特征，是将2个个体的基因链按概率P_c进行交叉，生成2个新的个体，交叉位置是随机的；其中P_c是一个系统参数，即交叉概率；产生一个[0,1]的随机数b，若b小于交叉概率P_c，则进行交叉运算，否则不交叉；

变异算子是在群体中随机选择一个个体，对选中的个体以一定概率P_m改变数据串中某个位的值，变异位置也是随机的；P_m也是一个系统参数，即变异概率；与交叉算法相似，产生一个[0,1]的随机数c，若c小于变异概率P_m，则进行变异运算，否则不变异。

有益效果

1)本发明着眼于实际需求，针对风电机组偏航控制系统在实际应用中自适应水平差、控制精度低的问题，提出了一种基于SCADA数据的风力发电机组偏航控制参数优化方法，可为偏航控制器设计与优化提供指导，具有很强的实用与参考价值；

2)本发明从风电机组的实际运行情况出发，以风机真实历史SCADA数据为基础对风电机组偏航系统的控制性能进行评估分析完成寻优计算，使优化结果具有更高的自适应水平和针对性；

3)本发明根据不同风速下风电机组风能捕获特性和控制目的不同采用分区间的控制策略，同时考虑到不同风速下的风向变化特性差异，不仅显著地提升了机组的出力性能，而且不会明显提高偏航时间。

附图说明

图1为典型偏航控制系统原理图；

图2为本发明的控制器参数优化方法流程图；

图3为风速概率分布曲线；

图4为优化后偏航控制策略控制流程；

图5为第一区间偏航偏差概率密度分布曲线；

具体实施方式

下面结合附图，对本发明作详细说明。

本发明提出了一种基于SCADA数据的风电机组偏航控制参数优化方法，该方法步骤由图2所示，具体实施步骤说明如下：

步骤1：确定参数寻优区间

当前风场同型机组一般都指定相同的偏航偏差阈值和延迟时间，风速分区界限也一般为某经验风速值或额定风速值，没有统一标准。本发明基于单台机组SCADA数据获得风速概率分布曲线，通过识别概率曲线“峰值”对应的风速V_m，以V_m为节点可将额定风速V_e以下风速区间分成2个区间，如附图3。在第一区间内，由于风速较低，偏航偏差对机组总发电量的影响较小，因而可取相对较大的偏航偏差阈值和较长的延迟时间；而在第二区间风速相对较高，风向的采样精度也较高，同时风机本体受到的侧向力的作用引起的振动也较大，应取相对较小的偏航偏差阈值和较短的延迟时间，来提高对风精度，从而提高发电量；在额定风速以上时，机组通过变桨距控制能够实现恒功率输出，可以适当降低偏航控制的精度来减轻变桨负担，同时也可减少偏航次数。本发明根据上述不同风速下控制目的差异将机组的正常运行风速范围划分成3个区间，并分别对各个风速区间的偏航偏差阈值和延迟时间进行综合寻优，得到3种不同偏航对风控制模式，优化后偏航控制策略流程如附图4所示。

采用遗传算法对风电机组偏航控制参数进行优化，在优化前需要确定参数的寻优范围，即解的可行域，以用于初始种群的生成。本发明首先根据SCADA数据在第一、三个区间绘制形如附图5(第一区间)的偏航误差概率密度曲线，并按置信度95％求出相应置信区间[θ1_min,θ1_max]、[θ3_min,θ3_max]；然后令第一区间新的偏航偏差阈值范围为[θ_L,θ1_max]，θ_L为机组原低风速段偏航偏差阈值；由分析可知，在第二区间应取相对小的偏航偏差阈值，因而令第二区间偏航偏差阈值范围为[θ₀,θ_H]，其中θ₀为偏航停止误差，θ_H为原高风速段偏航偏差阈值；由于第三区间不需要较高偏航控制精度，可按求取第一区间偏航偏差阈值范围的方法求得第三区间偏航偏差阈值范围[θ_H,θ3_max]。

由风资源自身特性可知：风速越小，风向变化越频繁；相反，风速越大，湍流作用越弱，风向也越稳定。因而，第一区间延迟时间应大于机组原低风速段参数值，考虑到延迟时间取值范围为[T_min,T_max]，一般取[5,120]秒，可令第一区间延迟时间取值范围为[T_L,T_max]，其中T_L为机组原低风速段延迟时间，在此范围内寻优可以降低偏航次数，也不会明显降低发电量；而第二区间的延迟时间应小于原参数，可令其取值范围为[T_min,T_H]，其中T_H为原高风速段延迟时间，应用在此范围内求取的较小延迟时间值来提高第二区间对风精度，从而提高发电量；而当风速达到额定风速以后，可适当增大原高风速段的延迟时间来降低偏航控制的精度从而减轻变桨负担，同时也可降低偏航时间，考虑到高风速时机组所受侧向载荷的限制，可令[T_H,T_max]为第三区间新的延迟时间取值范围。

1)基于SCADA数据画出风速概率分布曲线，识别曲线“峰值”对应的风速V_m；

2)以“峰值”风速V_m和额定风速V_e为节点，将机组的正常运行范围划分成3个区间；

3)分别画出第一、三区间的偏航误差概率密度曲线，按95％置信度求出相应置信区间，然后根据控制目的的不同确定三个风速区间偏航偏差阈值取值范围；

4)依据风资源自身特性，确定延迟时间优化范围。偏航偏差阈值和延迟时间具体优化范围如下表所示：

风速区间	风速范围	偏航偏差阈值范围	延迟时间范围
				第一区间	[V<sub>in</sub>,V<sub>m</sub>]	[θ<sub>L</sub>,θ1<sub>max</sub>]	[T<sub>L</sub>,T<sub>max</sub>]
第二区间	[V<sub>m</sub>,V<sub>e</sub>]	[θ<sub>0</sub>,θ<sub>H</sub>]	[T<sub>min</sub>,T<sub>H</sub>]
				第三区间	[V<sub>e</sub>,V<sub>out</sub>]	[θ<sub>H</sub>,θ3<sub>max</sub>]	[T<sub>H</sub>,T<sub>max</sub>]

步骤2：SCADA数据预处理

1)剔除转速低于并网转速的数据值和异常值；

2)计算原始SCADA数据中机组总发电量W与偏航比Y_Ratio；

步骤3：生成初始种群

1)初始化个体串长度Nsize，交叉概率P_c和变异概率P_m；

2)将问题的解表示成长度为Nsize的编码串(生物学术语称为染色体)，每一编码代表问题的一个可行解；

3)随机产生一组串长为Npup的偏航控制参数初始种群P(t)，t为迭代次数，该群体就是问题的一个可行解的集合；

步骤4：计算适应度函数

1)选取风电机组总发电量为优化目标函数，偏航比为约束项；

2)利用机组SCADA数据计算得到种群个体的优化目标函数值和约束值；

3)利用惩罚函数法计算种群每一个体的适应度函数值；

步骤5：选择

1)在适应度函数值基础上计算每一个体被选择的概率P_si；

2)采用赌轮盘法进行选择，得到父代用于繁殖下一代种群；

步骤6：交叉和变异

利用交叉和变异算子，由P(t)生成新种群P(t+1)，并令迭代次数t＝t+1；

步骤7：终止条件判断

若迭代次数未超过最大遗传代数，则返回步骤4，否则终止运算得到最优偏航偏差阈值和延迟时间；

步骤8：优化效果的对比与检验

通过数据更新重新计算优化后发电量和偏航比并与优化前进行对比，如果初步对比的优化效果明显，可对目标机组进行控制参数修改并投入实际运行；考取参数优化后机组实际SCADA运行数据进行优化前后的对比与检验。

Claims (8)

1.一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，所述方法步骤为：

步骤1：确定参数寻优区间；

(1)根据机组SCADA中风速数据划分风速区间；

(2)确定优化的偏航控制参数，即偏航偏差阈值和延迟时间的寻优范围；

步骤2：对SCADA数据进行预处理；

(1)剔除转速低于并网转速的数据值和异常值；

所述异常值为机械失灵、外界冲击、电磁干扰这些测量条件意外改变或测量者工作失误产生的错误读数或记录；

(2)计算原始SCADA数据中机组总发电量W与偏航比Y_Ratio；

步骤3：生成初始种群；

步骤4：计算适应度函数；

(1)选取风电机组总发电量为优化目标函数，偏航比为约束项；

(2)利用预处理后的机组SCADA数据计算得到种群个体的优化目标函数值和约束值；

(3)采用惩罚函数法计算种群每一个体的适应度函数值；

步骤5：在适应度函数值基础上计算每一个体被选择的概率P_si；采用赌轮盘法进行选择，得到父代用于繁殖下一代种群；

步骤6：利用交叉算子和变异算子，由初始种群P(t)生成新种群P(t+1)，并令迭代次数t＝t+1；

步骤7：若迭代次数未超过最大遗传代数，则返回步骤4；否则终止运算，输出最优偏航偏差阈值和延迟时间；

步骤8：优化效果的对比与检验；

通过数据更新重新计算优化后发电量和偏航比并与优化前进行对比，如果采用新的偏航控制参数以后能够在满足偏航比的条件下，风电机组的总发电量有所提高，则对目标机组进行偏航控制参数的修改并投入实际运行；考取参数优化后机组实际SCADA运行数据进行优化前后的对比与检验。

2.根据权利要求1所述的一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，所述步骤1的具体过程为

(1)基于SCADA数据画出风速概率分布曲线，识别曲线峰值对应的风速V_m；

(2)以风速V_m和额定风速V_e为节点，将机组的正常运行范围划分成3个区间，分别为第一区间、第二区间和第三区间，其中第一区间的风速范围是[0,V_m]，第二区间的风速范围是[V_m,V_e]，第三区间的风速范围是[V_e,25]；

(3)分别画出第一、三区间的偏航误差概率密度曲线，按95％置信度求出相应置信区间，然后根据控制目的的不同确定三个风速区间偏航偏差阈值取值范围；

(4)依据风资源自身特性，确定延迟时间优化范围；偏航偏差阈值和延迟时间具体优化范围为：

第一区间新的偏航偏差阈值范围为[θ_L,θ1_max]，θ_L为机组原低风速段偏航偏差阈值；θ1_max为第一区间偏航误差概率密度95％置信区间上限值，在第二区间应取相对原始偏航偏差阈值较小的偏航偏差阈值，因而令第二区间偏航偏差阈值范围为[θ₀,θ_H]，其中θ₀为偏航停止误差，θ_H为原高风速段偏航偏差阈值；按求取第一区间偏航偏差阈值范围的方法求得第三区间偏航偏差阈值范围[θ_H,θ3_max]；θ3_max为第三区间偏航误差概率密度95％置信区间上限值，令第一区间延迟时间取值范围为[T_L,T_max]，其中T_L为机组原低风速段延迟时间，T_max为延迟时间阈值范围上限值，在此范围内寻优降低偏航次数，也不会明显降低发电量；而第二区间的延迟时间应小于原参数，令其取值范围为[T_min,T_H]，其中T_H为原高风速段延迟时间，T_min为延迟时间阈值范围下限值，应用在此范围内求取的较小延迟时间值来提高第二区间对风精度，从而提高发电量；而当风速达到额定风速以后，增大原高风速段的延迟时间来降低偏航控制的精度从而减轻变桨负担，降低偏航时间，考虑到高风速时机组所受侧向载荷的限制，令[T_H,T_max]为第三区间新的延迟时间取值范围。

3.根据权利要求1所述的一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，所述步骤3的具体过程为

(1)初始化个体串长度Nsize，交叉概率P_c和变异概率P_m；

(2)将问题的解表示成长度为Nsize的编码串，每一编码代表问题的一个可行解；

(3)随机产生一组串长为Npup的偏航控制参数初始种群P(t)，t为迭代次数，所述初始种群P(t)就是问题的一个可行解的集合。

4.根据权利要求1所述的一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，所述步骤2中偏航比

T_yaw表示风电机组偏航时间，T表示风电机组运行总时间；偏航比Y_Ratio不高于10％。

5.根据权利要求1所述的一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，步骤4中选取该组控制参数下机组发电量f(x)为优化目标函数；对原始SCADA数据中某些时间戳的功率和偏航偏差进行更新，功率更新计算公式为：

θ_n＝θ±Δt·V_y

式中，P_n表示更新后功率，P表示原始功率，θ_n表示更新后偏航误差，θ表示原始数据偏航偏差，Δt表示SCADA数据时间间隔，V_y机舱偏航速度；发电量等于功率乘以时间，求出功率P_n之后求发电量f(x)。

6.根据权利要求1所述的一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，所述步骤4中适应度函数是指根据进化目标编写的计算个体适应度值的函数，通过适应度函数计算每个个体的适应度值，提供给选择算子进行选择，适应度值的大小确定该个体被遗传到下一代群体中的概率；

适应度函数表示为

式中，F(X)表示适应度函数，f(X)表示优化目标函数(风电机组发电量)，C_i表示惩罚系数，Y_Ratio(X)<Q_e表示约束项，要求偏航比小于某一限定值Q_e；当约束条件满足时，优化目标函数即为适应度函数；当约束条件不满足时，将对优化目标函数按照上述公式进行惩罚运算。

7.根据权利要求1所述的一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，所述步骤5的具体过程为

1)首先计算个体i的适应度值在整个群体适应度总和中的比例率P_si，即每一个个体被选择的概率；

式中，f_i为第i个个体适应度值；

2)在数轴上以P_si为节点把[0,1]分为Npup个小区间；

3)产生一个[0,1]的随机数a，a在哪个区间内，就取相应概率的个体，

即若则选中第m个个体；

4)重复进行2)、3)步操作次，得到个个体作为下一代种群。

8.根据权利要求1所述的一种基于SCADA数据的风电机组偏航控制参数优化方法，其特征在于，所述交叉算子是遗传算法区别与其他进化算法的重要特征，是将2个个体的基因链按概率P_c进行交叉，生成2个新的个体，交叉位置是随机的；其中P_c是一个系统参数，即交叉概率；产生一个[0,1]的随机数b，若b小于交叉概率P_c，则进行交叉运算，否则不交叉；

变异算子是在群体中随机选择一个个体，对选中的个体以一定概率P_m改变数据串中某个位的值，变异位置也是随机的；P_m也是一个系统参数，即变异概率；与交叉算法相似，产生一个[0,1]的随机数c，若c小于变异概率P_m，则进行变异运算，否则不变异。