CN109340046A - 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 - Google Patents
一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 Download PDFInfo
- Publication number
- CN109340046A CN109340046A CN201811257055.5A CN201811257055A CN109340046A CN 109340046 A CN109340046 A CN 109340046A CN 201811257055 A CN201811257055 A CN 201811257055A CN 109340046 A CN109340046 A CN 109340046A
- Authority
- CN
- China
- Prior art keywords
- yaw
- population
- fitness
- interval
- wind speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000009395 breeding Methods 0.000 claims description 3
- 230000001488 breeding effect Effects 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000011217 control strategy Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011295 pitch Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 201000009482 yaws Diseases 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,针对偏航控制策略的优化研究,通过机组的SCADA运行数据对机组偏航系统的控制性能进行评估分析,根据偏航误差对机组风轮转速、功率等影响,将风速划分为几个区间段,针对不同区间段设置合理的偏航误差阈值和延迟时间,然后利用改进遗传算法对偏航误差阈值和延迟时间进行优化处理,最终得到最优偏航控制参数。本发明能显著改善偏航系统的动作频度,有效降低偏航动作次数,可以更大程度地保护偏航系统,提升其可靠性和使用寿命。
Description
技术领域
本发明涉及风力发电机组控制优化的技术领域,尤其涉及到一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法。
背景技术
全球能源危机和环境污染问题日益严重,因此世界各国都在加速发展新能源利用技术。而风能以其清洁高效、蕴藏量大,分布广泛、可再生、绿色无污染等优点,成为发展最迅速的新型能源。风能的高效利用依赖于风电机组对风向的高效追踪。偏航系统是实现风电机组快速精准对风,减少风能损失的执行机构,是水平轴风力发电机不可或缺的关键部件;对于大型风力发电机,当偏航系统追风功能丧失后,风电机组必须停机。因此对于大型风电机组的偏航优化对于提高风电机组的发电效率具有十分重要的意义。
大型风机一般采用主动偏航,主动偏航系统功能框图与工作过程原理如图1所示。偏航系统工作过程如下:风速风向传感器将风速、风向的变化用电信号传输到偏航电机控制回路控制器中,控制器依据当前控制策略经过比较判断发出偏航命令到偏航电机,偏航电机通过偏航齿轮箱、减速器与调向小齿轮带动偏航大齿轮运动,机舱随之运动,当对风动作完成后,风向风速传感器失去电信号,偏航电机停止工作,偏航制动器锁紧,偏航过程结束。
目前大型风力发电机组普遍采用设置偏航容许误差范围的控制模式进行偏航控制:为了避免偏航系统的频繁动作,当机组偏航误差在设定容许范围内时不偏航,只有当机组偏航误差超过设定容许范围时才进行偏航。大部分机组将风速分为大小风速区间两段,然后根据大小风速时风向变化特性分别设定不同的偏航误差阈值和延迟时间。该偏航控制策略可能存在以下缺点:第一,机组在全风速范围内动作频繁,但对风效果并未得到显著改善;第二,风速段的划分有些盲目,缺乏理论依据,可能导致机组的正常运行被机械切割,影响机组发电效率。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法。
为实现上述目的,本发明所提供的技术方案包括以下步骤:
S1:根据风机机组SCADA中风速数据划分风速区间,确定待优化的偏航控制参数,即偏航误差阈值和延迟时间的寻优范围;
S2:对原始SCADA数据进行预处理;
S3:生成初始种群;
S4:计算适应度函数;
S5:在适应度函数值基础上计算每一个体被选择的概率Pi;采用顺序选择方法进行选择,得到父代用于繁殖下一代种群;
S6: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;
S7:若迭代次数超过最大遗传代数,则终止运算,输出最优偏航误差阈值和延迟时间;否则返回步骤S4;
S8:优化效果的对比与检验。
进一步地,所述步骤S1的具体步骤如下:
S1-1:基于SCADA数据画出风速概率分布数据;
S1-2:根据风机额定转速和额定功率两个点对应风速点将机组的正常运行范围划分成三个区间;
S1-3: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误差阈值取值范围;
S1-4:依据风资源自身特性,确定延迟时间优化范围。
进一步地,所述步骤S1-3中确定三个风速区间偏航误差阈值取值范围的具体过程如下:
第一区间,即低于额定转速的偏航误差阈值范围为[θL,θ1max],θL为机组原低风速段偏航误差阈值;θ1max为第一区间偏航误差概率密度95%置信区间上限值;根据偏航误差对机组转速、功率的影响,在第二区间应取相对较小的偏航误差阈值,则第二区间,低于额定功率的偏航误差阈值范围为[θ0,θH],其中θ0为偏航停止误差,θH为原高风速段偏航误差阈值;第三区间,恒额定功率运行阶段的偏航误差范围为[θH,θ3max],其中θ3max为第三区间偏航误差概率密度95%置信区间上限值。
进一步地,所述步骤S1-4依据风资源自身特性,确定延迟时间优化范围的具体过程如下:
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,第一区间延迟时间大于机组原低风速段参数值,考虑到延迟时间取值范围为[Tmin,Tmax],取[5,120]秒,可令第一区间延迟时间取值范围为[TL,Tmax],其中TL为原高风速段延迟时间,Tmax为延迟时间阈值范围上限值;而第二区间的延迟时间小于原参数,令其取值范围为[Tmin,TH],其中TH为原高风速段延迟时间,Tmin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[TH,Tmax]为第三区间的延迟时间。
进一步地,所述步骤S2对原始SCADA数据进行预处理的具体步骤如下:
S2-1:剔除处于测试阶段以及故障停机和人工停机工况下的数据;
S2-2:计算原始SCADA数据中机组总发电量W与偏航比YRaito;
其中,偏航比YRaito的计算公式为:
式中,Tyaw表示风电机组偏航时间,T表示风险电机组运行总时间;偏航比YRatio不高于10%。
进一步地,所述步骤S3生成初始种群的具体步骤如下:
S3-1:初始化个体串长度Nsize,交叉概率Pc和变异概率Pm;
S3-2: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;
S3-3: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,该群体即为问题的一个可行解的集合。
进一步地,所述步骤S4计算适应度函数的具体步骤如下:
S4-1:将风电机组总发电量作为目标函数,偏航时间比作为约束项;
S4-2: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;
S4-3:采用惩罚函数法计算种群每一个体的适应度函数值。
进一步地,所述步骤S4计算适应度函数中,对原始SCADA数据中某些时间戳的功率和偏航误差进行更新,功率更新计算公式为:
θn=θ±Δt·Vy
式中,Pn表示更新后功率,P表示原始功率,θn表示更新后偏航误差,θ表示原始数据偏航误差,△t表示SCADA数据时间间隔,Vy机舱偏航速度;发电量等于功率乘以时间,求出功率Pn之后发电量f(x)。
适应度函数为
式中,F(X)表示适应度函数,f(X)表示优化目标函数,即风电机组发电量,Ci表示惩罚系数,YRatio(X)<Qe表示约束项,要求偏航比小于某一限定值Qe;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。
进一步地,所述步骤S5的具体步骤如下:
S5-1:计算个体的适应度值,并按适应度值大小对个体进行排序;
S5-2:定义最优个体的选择概率为q,则排序后的第i个个体的选择概率为:
S5-3:在数轴上以Pi为节点把[0,1]分为Npup个小区间;
S5-4:产生一个[0,1]的随机数a,a在哪个区间内,取相应概率的个体,即若则选中第m个个体;
S5-5:重复步骤S5-3、S5-4操作次,得到个个体作为下一代种群。
进一步地,所述步骤S6中,交叉算子Pc和变异算子Pm随适应度自动改变;
当种群适应度比较集中时,使Pc和Pm增加,当种群适应度比较分散时,使Pc和Pm减少;同时,对于适应度高于种群平均适应度的个体,对应于较低的Pc和Pm,使该解得以进入下一代;而低于平均适应度的个体,相对应于较高Pc和Pm,使该解被淘汰;
根据适应度相似度,自适应的变化整个种群的Pc和Pm,并采用种群的最大适应度,最小适应度和平均适应度这三个变量来衡量种群的相似程度;
Pc和Pm具体定义为:
式中:Pc1为种群初始交叉概率;Pc2为提高后的种群交叉概率;Pm1为种群初始变异概率;Pm2为提高后的种群变异概率;
fmax和fmin的比值反映整个种群的近似程度;
当且时,则种群近似,其中n∈(0,1),m∈(0.5,1);此时,使Pc和Pm根据种群的集中程度自适应的变化;不满足该条件时,则种群不近似,保持初值。
与现有技术相比,本方案原理和优点如下:
本方案针对偏航控制策略的优化研究,通过机组的SCADA运行数据对机组偏航系统的控制性能进行评估分析,根据偏航误差对机组风轮转速、功率等影响,将风速划分为几个区间段,针对不同区间段设置合理的偏航误差阈值和延迟时间,然后利用改进遗传算法对偏航误差阈值和延迟时间进行优化处理,最终得到最优偏航控制参数。
本方案能显著改善偏航系统的动作频度,有效降低偏航动作次数,可以更大程度地保护偏航系统,提升其可靠性和使用寿命。
附图说明
图1为偏航原理图;
图2为风速区间划分图;
图3为遗传算法流程图;
图4为偏航控制流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
参见附图3和4所示,本实施例所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,包括以下步骤:
S1:根据风机机组SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制)中风速数据划分风速区间,确定待优化的偏航控制参数,即偏航误差阈值和延迟时间的寻优范围;具体过程如下:
S1-1:基于SCADA数据画出风速概率分布数据;
S1-2:根据风机额定转速和额定功率两个点对应风速点将机组的正常运行范围划分成三个区间,如图2所示;
S1-3: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误差阈值取值范围;
S1-4:依据风资源自身特性,确定延迟时间优化范围。
其中,步骤S1-3中确定三个风速区间偏航误差阈值取值范围的具体过程如下:
第一区间,即低于额定转速的偏航误差阈值范围为[θL,θ1max],θL为机组原低风速段偏航误差阈值;θ1max为第一区间偏航误差概率密度95%置信区间上限值;根据偏航误差对机组转速、功率的影响,在第二区间应取相对较小的偏航误差阈值,则第二区间,低于额定功率的偏航误差阈值范围为[θ0,θH],其中θ0为偏航停止误差,θH为原高风速段偏航误差阈值;第三区间,恒额定功率运行阶段的偏航误差范围为[θH,θ3max],其中θ3max为第三区间偏航误差概率密度95%置信区间上限值。
步骤S1-4依据风资源自身特性,确定延迟时间优化范围的具体过程如下:
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;将机组的正常运行风速范围划分为三个区间(1.低于额定转速;2.低于额定功率;3.恒额定功率运行)。第一区间([Vin,Va],Vin为切入风速,Va为风机达到额定转速时对应风速)延迟时间大于机组原低风速段参数值,考虑到延迟时间取值范围为[Tmin,Tmax],取[5,120]秒,可令第一区间延迟时间取值范围为[TL,Tmax],其中TL为原高风速段延迟时间,Tmax为延迟时间阈值范围上限值;而第二区间([Va,Ve],Va为风机达到额定转速时对应风速,Ve为风机达到额定功率时对应风速)的延迟时间小于原参数,令其取值范围为[Tmin,TH],其中TH为原高风速段延迟时间,Tmin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[TH,Tmax]为第三区间([Ve,Vout],Ve为风机达到额定功率时对应风速,Vout为切出风速)的延迟时间。
形象地,偏航误差阈值和延迟时间具体优化范围如下表1所示:
风速区间 | 风速范围 | 偏航误差阈值 | 延迟时间范围 |
第一区间 | [Vin,Va] | [θL,θ1max] | [T<sub>L</sub>,Tmax] |
第二区间 | [Va,Ve] | [θ0,θH] | [Tmin,T<sub>H</sub>] |
第三区间 | [Ve,Vout] | [θH,θ3max] | [T<sub>H</sub>,Tmax] |
表1
确定完待优化的偏航控制参数后,进入步骤S2。
S2:对原始SCADA数据进行预处理,具体如下:
S2-1:剔除处于测试阶段以及故障停机和人工停机工况下的数据;
S2-2:计算原始SCADA数据中机组总发电量W与偏航比YRaito;
其中,偏航比YRaito的计算公式为:
式中,Tyaw表示风电机组偏航时间,T表示风险电机组运行总时间;偏航比YRatio不高于10%。
S3:生成初始种群,具体如下:
S3-1:初始化个体串长度Nsize,交叉概率Pc和变异概率Pm;
S3-2: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;
S3-3: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,该群体即为问题的一个可行解的集合。
S4:计算适应度函数,具体如下:
S4-1:将风电机组总发电量作为目标函数,偏航时间比作为约束项;
S4-2: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;
S4-3:采用惩罚函数法计算种群每一个体的适应度函数值。
计算适应度函数中,对原始SCADA数据中某些时间戳的功率和偏航误差进行更新,功率更新计算公式为:
θn=θ±Δt·Vy
式中,Pn表示更新后功率,P表示原始功率,θn表示更新后偏航误差,θ表示原始数据偏航误差,△t表示SCADA数据时间间隔,Vy机舱偏航速度;发电量等于功率乘以时间,求出功率Pn之后发电量f(x)。
适应度函数为
式中,F(X)表示适应度函数,f(X)表示优化目标函数,即风电机组发电量,Ci表示惩罚系数,YRatio(X)<Qe表示约束项,要求偏航比小于某一限定值Qe;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。
S5:在适应度函数值基础上计算每一个体被选择的概率Pi;采用顺序选择方法进行选择,得到父代用于繁殖下一代种群;具体过程如下:
S5-1:计算个体的适应度值,并按适应度值大小对个体进行排序;
S5-2:定义最优个体的选择概率为q,则排序后的第i个个体的选择概率为:
S5-3:在数轴上以Pi为节点把[0,1]分为Npup个小区间;
S5-4:产生一个[0,1]的随机数a,a在哪个区间内,取相应概率的个体,即若则选中第m个个体;
S5-5:重复步骤S5-3、S5-4操作次,得到个个体作为下一代种群。
S6: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;
本步骤中,交叉算子Pc和变异算子Pm随适应度自动改变;
当种群适应度比较集中时,使Pc和Pm增加,当种群适应度比较分散时,使Pc和Pm减少;同时,对于适应度高于种群平均适应度的个体,对应于较低的Pc和Pm,使该解得以进入下一代;而低于平均适应度的个体,相对应于较高Pc和Pm,使该解被淘汰;
根据适应度相似度,自适应的变化整个种群的Pc和Pm,并采用种群的最大适应度,最小适应度和平均适应度这三个变量来衡量种群的相似程度;
Pc和Pm具体定义为:
式中:Pc1为种群初始交叉概率;Pc2为提高后的种群交叉概率;Pm1为种群初始变异概率;Pm2为提高后的种群变异概率;
fmax和fmin的比值反映整个种群的近似程度;
当且时,则种群近似,其中n∈(0,1),m∈(0.5,1);此时,使Pc和Pm根据种群的集中程度自适应的变化;不满足该条件时,则种群不近似,保持初值。
S7:若迭代次数超过最大遗传代数,则终止运算,输出最优偏航误差阈值和延迟时间;否则返回步骤S4;
S8:优化效果的对比与检验。
更新数据后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时间比的条件下,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;选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。
本实施例进行参数优化前,根据偏航误差对风轮转速、机组功率以及叶片载荷的综合分析,针对当前偏航控制策略的不足提出分风速段优化控制参数的方法。将机组的正常运行风速范围划分为三个区间(1.低于额定转速;2.低于额定功率;3.恒额定功率运行),对不同风速区间的偏航控制参数进行单独优化。从而能有效降低偏航动作频度,有效降低偏航动作次数,可以更大程度地保护偏航系统,提升其可靠性和使用寿命。
另外,本实施例根据风机SCADA数据特征,在对参数进行优化过程中采用一种改进遗传算法:1)选择算子放弃赌轮盘选择策略,而采用顺序选择策略将选择概率固定化;2)交叉算子和变异算子采用一种改进自适应的策略。改进后的算法能改善基本遗传算法易陷入局部最优的缺点,并且加快收敛速度及增强稳定性。从而加强偏航系统的鲁棒性和工作效率。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,其特征在于,包括以下步骤:
S1:根据风机机组SCADA中风速数据划分风速区间,确定待优化的偏航控制参数,即偏航误差阈值和延迟时间的寻优范围;
S2:对原始SCADA数据进行预处理;
S3:生成初始种群;
S4:计算适应度函数;
S5:在适应度函数值基础上计算每一个体被选择的概率Pi;采用顺序选择方法进行选择,得到父代用于繁殖下一代种群;
S6: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;
S7:若迭代次数超过最大遗传代数,则终止运算,输出最优偏航误差阈值和延迟时间;否则返回步骤S4;
S8:优化效果的对比与检验。
2.根据权利要求1所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,其特征在于,所述步骤S1的具体步骤如下:
S1-1:基于SCADA数据画出风速概率分布数据;
S1-2:根据风机额定转速和额定功率两个点对应风速点将机组的正常运行范围划分成三个区间;
S1-3: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误差阈值取值范围;
S1-4:依据风资源自身特性,确定延迟时间优化范围。
3.根据权利要求2所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,其特征在于,所述步骤S1-3中确定三个风速区间偏航误差阈值取值范围的具体过程如下:
第一区间,即低于额定转速的偏航误差阈值范围为[θL,θ1max],θL为机组原低风速段偏航误差阈值;θ1max为第一区间偏航误差概率密度95%置信区间上限值;根据偏航误差对机组转速、功率的影响,在第二区间应取相对较小的偏航误差阈值,则第二区间,低于额定功率的偏航误差阈值范围为[θ0,θH],其中θ0为偏航停止误差,θH为原高风速段偏航误差阈值;第三区间,恒额定功率运行阶段的偏航误差范围为[θH,θ3max],其中θ3max为第三区间偏航误差概率密度95%置信区间上限值。
4.根据权利要求2所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,其特征在于,所述步骤S1-4依据风资源自身特性,确定延迟时间优化范围的具体过程如下:
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,第一区间延迟时间大于机组原低风速段参数值,考虑到延迟时间取值范围为[Tmin,Tmax],取[5,120]秒,可令第一区间延迟时间取值范围为[TL,Tmax],其中TL为原高风速段延迟时间,Tmax为延迟时间阈值范围上限值;而第二区间的延迟时间小于原参数,令其取值范围为[Tmin,TH],其中TH为原高风速段延迟时间,Tmin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[TH,Tmax]为第三区间的延迟时间。
5.根据权利要求1所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,其特征在于,所述步骤S2对原始SCADA数据进行预处理的具体步骤如下:
S2-1:剔除处于测试阶段以及故障停机和人工停机工况下的数据;
S2-2:计算原始SCADA数据中机组总发电量W与偏航比YRaito;
其中,偏航比YRaito的计算公式为:
式中,Tyaw表示风电机组偏航时间,T表示风险电机组运行总时间;偏航比YRatio不高于10%。
6.根据权利要求1所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,所述步骤S3生成初始种群的具体步骤如下:
S3-1:初始化个体串长度Nsize,交叉概率Pc和变异概率Pm;
S3-2: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;
S3-3: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,该群体即为问题的一个可行解的集合。
7.根据权利要求1所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,所述步骤S4计算适应度函数的具体步骤如下:
S4-1:将风电机组总发电量作为目标函数,偏航时间比作为约束项;
S4-2: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;
S4-3:采用惩罚函数法计算种群每一个体的适应度函数值。
8.根据权利要求7所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,所述步骤S4计算适应度函数中,对原始SCADA数据中某些时间戳的功率和偏航误差进行更新,功率更新计算公式为:
θn=θ±Δt·Vy
式中,Pn表示更新后功率,P表示原始功率,θn表示更新后偏航误差,θ表示原始数据偏航误差,△t表示SCADA数据时间间隔,Vy机舱偏航速度;发电量等于功率乘以时间,求出功率Pn之后发电量f(x)。
适应度函数为
式中,F(X)表示适应度函数,f(X)表示优化目标函数,即风电机组发电量,Ci表示惩罚系数,YRatio(X)<Qe表示约束项,要求偏航比小于某一限定值Qe;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。
9.根据权利要求1所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,所述步骤S5的具体步骤如下:
S5-1:计算个体的适应度值,并按适应度值大小对个体进行排序;
S5-2:定义最优个体的选择概率为q,则排序后的第i个个体的选择概率为:
S5-3:在数轴上以Pi为节点把[0,1]分为Npup个小区间;
S5-4:产生一个[0,1]的随机数a,a在哪个区间内,取相应概率的个体,即若则选中第m个个体;
S5-5:重复步骤S5-3、S5-4操作次,得到个个体作为下一代种群。
10.根据权利要求1所述的一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法,所述步骤S6中,交叉算子Pc和变异算子Pm随适应度自动改变;
当种群适应度比较集中时,使Pc和Pm增加,当种群适应度比较分散时,使Pc和Pm减少;同时,对于适应度高于种群平均适应度的个体,对应于较低的Pc和Pm,使该解得以进入下一代;而低于平均适应度的个体,相对应于较高Pc和Pm,使该解被淘汰;
根据适应度相似度,自适应的变化整个种群的Pc和Pm,并采用种群的最大适应度,最小适应度和平均适应度这三个变量来衡量种群的相似程度;
Pc和Pm具体定义为:
式中:Pc1为种群初始交叉概率;Pc2为提高后的种群交叉概率;Pm1为种群初始变异概率;Pm2为提高后的种群变异概率;
fmax和fmin的比值反映整个种群的近似程度;
当且时,则种群近似,其中n∈(0,1),m∈(0.5,1);此时,使Pc和Pm根据种群的集中程度自适应的变化;不满足该条件时,则种群不近似,保持初值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811257055.5A CN109340046A (zh) | 2018-10-26 | 2018-10-26 | 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811257055.5A CN109340046A (zh) | 2018-10-26 | 2018-10-26 | 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109340046A true CN109340046A (zh) | 2019-02-15 |
Family
ID=65311883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811257055.5A Pending CN109340046A (zh) | 2018-10-26 | 2018-10-26 | 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109340046A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109779836A (zh) * | 2018-12-20 | 2019-05-21 | 明阳智慧能源集团股份公司 | 一种基于遗传算法寻优的风力发电机组发电量提升方法 |
CN110630440A (zh) * | 2019-10-18 | 2019-12-31 | 东方电气风电有限公司 | 一种风力发电机光影控制方法及其系统 |
CN111881120A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种锅炉智能运行优化方法 |
CN112459965A (zh) * | 2020-11-18 | 2021-03-09 | 上海电气风电集团股份有限公司 | 考虑风电场尾流的偏航优化控制方法、装置、设备及介质 |
CN112730877A (zh) * | 2020-12-18 | 2021-04-30 | 云南滇能智慧能源有限公司 | 一种风电机组偏航频繁检测预警算法 |
CN112836426A (zh) * | 2021-01-14 | 2021-05-25 | 西北工业大学 | 基于改进遗传算法的航空发动机最大推力控制优化方法 |
CN113298317A (zh) * | 2021-06-16 | 2021-08-24 | 电子科技大学中山学院 | 一种风力发电机组偏航控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106286130A (zh) * | 2016-09-05 | 2017-01-04 | 华北电力大学 | 基于scada数据的风电机组偏航控制参数优化方法 |
-
2018
- 2018-10-26 CN CN201811257055.5A patent/CN109340046A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106286130A (zh) * | 2016-09-05 | 2017-01-04 | 华北电力大学 | 基于scada数据的风电机组偏航控制参数优化方法 |
Non-Patent Citations (2)
Title |
---|
任子武,伞治: "实数遗传算法的改进及性能研究", 《电子学报》 * |
刘姝婷,金太东,王连生: "一种改进的自适应遗传算法", 《江西理工大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109779836A (zh) * | 2018-12-20 | 2019-05-21 | 明阳智慧能源集团股份公司 | 一种基于遗传算法寻优的风力发电机组发电量提升方法 |
CN110630440A (zh) * | 2019-10-18 | 2019-12-31 | 东方电气风电有限公司 | 一种风力发电机光影控制方法及其系统 |
CN111881120A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种锅炉智能运行优化方法 |
CN111881120B (zh) * | 2020-06-16 | 2024-04-26 | 国能信控互联技术有限公司 | 一种锅炉智能运行优化方法 |
CN112459965A (zh) * | 2020-11-18 | 2021-03-09 | 上海电气风电集团股份有限公司 | 考虑风电场尾流的偏航优化控制方法、装置、设备及介质 |
CN112459965B (zh) * | 2020-11-18 | 2022-03-01 | 上海电气风电集团股份有限公司 | 考虑风电场尾流的偏航优化控制方法、装置、设备及介质 |
CN112730877A (zh) * | 2020-12-18 | 2021-04-30 | 云南滇能智慧能源有限公司 | 一种风电机组偏航频繁检测预警算法 |
CN112836426A (zh) * | 2021-01-14 | 2021-05-25 | 西北工业大学 | 基于改进遗传算法的航空发动机最大推力控制优化方法 |
CN113298317A (zh) * | 2021-06-16 | 2021-08-24 | 电子科技大学中山学院 | 一种风力发电机组偏航控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109340046A (zh) | 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 | |
EP3121442B1 (en) | Operating wind turbines | |
Houck | Review of wake management techniques for wind turbines | |
CN106286130B (zh) | 基于scada数据的风电机组偏航控制参数优化方法 | |
CN109409013B (zh) | 一种低风速风电机组风轮智能优化设计方法 | |
US20060232073A1 (en) | Method and installation for extracting energy from a flowing fluid | |
CN102305179B (zh) | 风力发电机组偏航扇区管理和优化控制系统及其方法 | |
CN106203695A (zh) | 一种降低尾流效应的风电场内优化调度方法 | |
CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
US10697431B2 (en) | Control of a wind turbine taking noise into account | |
CN105354632B (zh) | 一种考虑尾流效应的风电场功率优化分配策略 | |
CN112031996B (zh) | 一种优化风电机组偏航运动时机舱振动超限的方法及系统 | |
CN105787592A (zh) | 基于改进rbf网络的风电机组超短期风功率预测方法 | |
CN108708822A (zh) | 一种风力发电机组变桨自适应控制方法与系统 | |
CN108549962A (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN112260325A (zh) | 一种考虑风力发电机疲劳载荷的风电场有功功率控制方法 | |
CN101615216A (zh) | 对翼型尾缘进行流线形增厚的方法 | |
CN115544884A (zh) | 一种基于数据驱动的大型风电场尾流快速计算方法及系统 | |
CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
CN110397553B (zh) | 一种不基于模型的风电场尾流管理方法及系统 | |
CN114707437A (zh) | 一种水平轴风力机三维全尾流模型的建立方法 | |
CN102661243B (zh) | 一种双馈感应风电机组的预报校正变桨控制方法 | |
Hao et al. | Aerodynamic and aeroacoustic optimization of wind turbine blade by a genetic algorithm | |
CN109766611A (zh) | 一种考虑地形坡度的风电场功率简化预测方法 | |
US20210190040A1 (en) | Optimization of a wind farm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190215 |
|
WD01 | Invention patent application deemed withdrawn after publication |