CN112994101A - 基于神经网络的风电场发电功率后评估及监测方法 - Google Patents

Abstract

基于神经网络的风电场发电功率后评估及监测方法，获取风电场运行数据作为神经网络模型的输入样本集；将目标风机处的风速数据、发电量数据作为神经网络模型的输出样本集，划分为训练数据集X与测试数据集X’；将训练数据集X输入神经网络模型进行训练；采用测试数据集X’对已训练网络进行测试，神经网络模型误差达到预先设定条件后，神经网络模型训练完成；将训练好的神经网络模型作为风电场后评估及状态监测模型，并通过神经网络模型进行结果输出；将神经网络模型一段时间内的输出风速数据、输出功率结果与SCADA采集的机舱风速数据进行对比，对风力机发电量损耗进行定量评估。本发明方法能够有效克服现有模型计算量过大或者精确度有限的缺陷。

Description

基于神经网络的风电场发电功率后评估及监测方法

技术领域

本发明涉及风电监测技术领域，具体涉及一种基于神经网络的风电场发电功率后评估及监测方法。

背景技术

在风电机组运行过程中，由于受到自然风的间歇及波动特性影响，在风力机吸收风能并进行转换的过程中，风力机具有非持续稳定的运行状态，具体体现在机组吸能效率的随机变化及发电性能的无规律波动。如何确保机组处于可靠、稳定及高效运行是风电机组需要持续关注及解决的主要问题。而其中机组输出功率反映了机组的出力性能，和机组运行效益密切相关，是现场重点关注的一个主要参数。随着机组的服役时间的变长，由于设备劳损等原因，机组发电功率可能出现降低的情况，对机组的输出功率进行精准评估，准确把握机组状态，才能优化运维决策，提高风能转化效率。

此外，由于机组长时间处在可变风条件下，机组产生变化的负载，容易导致风电机组的可靠性降低甚至出现故障；且风电机组的各参数值受周围环境气候、机组各部件之间、电网负荷等因素的影响，容易使得监测的状态参数产生偏离理论数据的情况。对风电机组中的关键变量进行监测是提高机组可靠性的一种常用方法，通过适当的监控可以在风电机组故障的初始阶段进行准确有效的预警，避免设备故障或进行计划性维修，减少机组停机时间，降低维护费用。

现有方法通常只能对一些明显偏离正常值的数据进行判别，且关联模型的判定效果依赖模型参数选取，过程较为复杂，此外，不能实现对数据误差的分析。具体表现在：现有研究工作中，在无法获得数据真实值的前提下，很难对风电机组数据采集与监视控制系统SCADA采集数据的状态进行分析，通常只能对一些明显偏离正常值的数据进行判别。除此之外，一般采用构建各变量的关联模型进行数据分析来实现对风电机组的发电性能评估、故障预警。

中国专利“CN104819107B”提供了一种风电机组功率曲线异常漂移的诊断方法，该方法将采集的数据按风速大小排序，通过计算单位精确度下的功率漂移面积，建立诊断模型并确定诊断参数，并根据诊断参数确定正负警示线从而实现对异常数据的判别。此类方法能够在一定程度上实现对异常值的判定，但是过程较为复杂，且关联模型的判定效果依赖模型参数选取，此外，不能实现对数据误差的分析。

发明内容

为了弥补现有技术中的不足，本发明提供一种基于神经网络的风电场发电功率后评估及监测方法，采用神经网络模型实现了对风电场风机风速及发电量的估算，并将此模型运用于风电场发电功率后评估及监测过程中。该模型集强大自学习能力与非线性拟合能力于一体，算法效率高、收敛速度快、模型拟合逼近能力强，能够有效克服现有模型计算量过大或者精确度有限的缺陷。

本发明采取的技术方案为：

基于神经网络的风电场发电功率后评估及监测方法，包括以下步骤：

步骤1：获取自由来流风速V、上游各风机与目标风机沿风来流方向投影距离d/D＝[d₁/D,d₂/D,…,d_s/D]，上游各风机及目标风机连线与风来流方向夹角θ_i＝[θ₁,θ₂,…,θ_s]作为神经网络模型的输入样本集；其中，d_i/D代表实际投影距离与风轮直径的比值，s为上游风机数最大值；

将目标风机处的风速数据、发电量数据y作为神经网络模型的输出样本集；并按照一定比例划分为训练数据集X与测试数据集X’；

步骤2：将训练数据集X输入神经网络模型进行训练；

步骤3：通过测试数据集X’对已训练网络进行测试，神经网络模型误差达到预先设定条件后，神经网络模型训练完成；

步骤4：将训练好的神经网络模型作为风电场后评估及状态监测模型，在风电场后期运行阶段，通过输入实时获取的自由来流风速数据、上游各风机与目标风机相对位置参数，实时获得风力机处预期风速或发电量情况，并通过神经网络模型进行结果输出；

步骤5：将神经网络模型一段时间内的输出风速数据与SCADA采集的机舱风速数据进行对比，判定风力机处风速传感器正常运行或者出现故障；

步骤6：将神经网络模型一段时间内的输出功率结果与SCADA采集的风力机功率数据进行对比，并结合步骤5风速对比结果，对风力机发电量损耗进行定量评估。

所述步骤2中，神经网络模型由若干个自编码器AE和一个回归层组合而成；神经网络总共包含l+2层，其中，输入层表示为第0层，隐含层表示为第1层至第l层，输出层即回归层为第l+1层。设网络的第k个隐含层为h^k，与h^k-1和h^k(k＝1,2,…,l)关的AE表示为AE^k。

所述步骤2中，给定AE^k的输入h^k-1，编码器和解码器的计算过程分别如公式(1)、公式(3)中所示:

f(x)＝g(x)＝1/(1+e^-x) (3)

式中：W₁ ^k为编码器的权值矩阵；

为编码器的偏置矩阵；

为解码器的权值矩阵；

为解码器的偏置矩阵。

通过最小化公式(4)中定义的重构误差，能够对参数集进行优化：

L_AE-MSE(h^k-1,z^k)＝1/2||h^k-1-z^k||² (4)

所述步骤2中，神经网络模型训练，包含预训练步骤、微调步骤：

预训练过程中，首先利用梯度下降法训练最底层的AE，训练目标为最小化公式(4)中的重构误差，该AE的输入采用来自实际现场的原始训练数据，该AE训练完成后，将生成的隐含层表达作为高一阶AE的输入，并采用同样的算法对其进行训练，通过这样的方式，所有AE都能够得到训练；

经过逐层的预训练后，将得到的所有隐含层进行叠加，并将回归层添加至神经网络顶部生成最终输出，利用梯度下降法对整个网络的参数进行微调。

本发明一种基于神经网络的风电场发电功率后评估及监测方法，技术效果如下：

1)本发明通过来流风速数据及各风机间相对位置参数采用神经网络建模实现对目标风机处的预期风速及发电量精准推算。

2)本发明将神经网络模型结果与风电场SCADA实测数据进行对比，可以对SCADA数据的准确性进行判断，并在此基础之上实现对该风场实际运行情况的综合评价。

3)本发明可应用于海上风电场或平坦地形风电场中各风机处风速推算、发电量计算、机组状态监测、发电功率后评估、综合效益评价等工作中。

附图说明

图1为本发明方法流程图。

图2为本发明系统结构框图。

图3为风场内风力机布置示意图。

图4为神经网络结构图。

图5为自编码器结构示意图。

图6(a)为神经网络模型预训练示意图；

图6(b)为神经网络模型微调示意图。

具体实施方式

基于神经网络的风电场发电功率后评估及监测方法，包括以下步骤：

S1：针对海上风电场或平坦地形风电场中的目标风机进行风速或发电量估算，以此实现风电场后评估及状态监测。如图2所示系统框图中，通过数据采集模块收集尽可能多的类似风电场运行案例及运行初期相关数据信息，包括：自由来流风速风向数据(如测风塔观测数据)、风场环境参数、风机运行参数、风机排布位置、风机机舱风速、发电量等。采用数据存储模块对收集而得的各种类型数据进行存储，并经数据传输模块送至数据预处理模块进行预处理。

由于原始数据中包括测试设备异常产生的坏点数据、测试机组未处于正常发电状态的数据、数据传输过程中受外界干扰生成的异常数据等，这部分数据不能如实反映风电场正常的运行状态，会对后续数据分析过程产生一定程度的负面影响，因此需要对原始数据进行预处理以剔除其中的无效数据。

S2：如图3中所示，将通过数据采集模块获取而得的自由来流风速V、上游各风机与目标风机沿风来流方向投影距离d/D＝[d₁/D,d₂/D,…,d_s/D]，上游各风机及目标风机连线与风来流方向夹角θ_i＝[θ₁,θ₂,…,θ_s]，作为神经网络模型的输入样本集，这三个变量是影响目标风机处风速及风功率大小最为关键的变量；

其中，d_i(i＝1,2,……,s)代表第i台风机与目标风机沿风来流方向投影距离，s为上游风机数最大值，D为风力机风轮直径，d_i/D代表实际投影距离与风轮直径的比值；θ_i(i＝1,2,…,s)代表第i台风机与目标风机连线与风来流方向夹角。

将目标风机处的风速数据、发电量数据y作为神经网络模型的输出样本集。在获取的输入输出样本集中随机选取80％的输入输出数据作为为训练数据集X，其余20％输入输出数据用作测试数据集X’；

S3：将训练数据集X输入图4中所示的神经网络模型，该神经网络模型由若干个自编码器(auto-encoder,AE)和一个回归层组合而成。网络总共包含l+2层，其中输入层表示为第0层，隐含层表示为第1层至第l层，输出层即回归层为第l+1层。假设网络的第k个隐含层为h^k，与h^k-1和h^k(k＝1,2,…,l)关的AE表示为AE^k。

AE^k的结构示意图如图5中所示。AE是一个单隐含层前馈神经网络，该网络输入和目标输出相同。输入层和隐含层构成编码器，将输入数据从高维表示转换为抽象低维表示；同时隐含层和输出层构成解码器，根据相应的隐含层表示重构出输入数据。给定AE^k的输入h^k-1，编码器和解码器的计算过程分别如公式(1)、公式(3)中所示:

f(x)＝g(x)＝1/(1+e^-x) (3)

式中：W₁ ^k为编码器的权值矩阵；

为编码器的偏置矩阵；

为解码器的权值矩阵；

为解码器的偏置矩阵。

通过最小化公式(4)中定义的重构误差，可以对参数集

进行优化：

式中h^k-1，z^k分别代表AE^k的输入和输出，||…||₂代表l₂范数，L_AE-MSE(.)代表重构误差。

该神经网络的训练过程包含两个步骤：无监督的分层预训练步骤和有监督微调步骤，在图6(a)中所示的预训练过程中，首先利用梯度下降法训练最底层的AE，训练目标为最小化式(4)中的重构误差，该AE的输入采用来自实际现场的原始训练数据。该AE训练完成后，将生成的隐含层表达作为高一阶AE的输入，并采用同样的算法对其进行训练。通过这样的方式，所有AE都能够得到训练。经过逐层的预训练后，将得到的所有隐含层进行叠加，并将回归层添加至神经网络顶部生成最终输出，如图6(b)中所示，利用梯度下降法采用有监督的方式对整个网络的参数进行微调。

梯度下降法梯度下降法是神经网络中最为常见的优化算法，其中心思想是沿着目标函数梯度的方向更新参数值以希望达到目标函数最小。

S4：通过测试数据集X’对已训练网络进行测试，网络误差达到预先设定条件，网络训练完成。

S5：将训练好的神经网络模型作为风电场后评估及状态监测模型，在风电场后期运行阶段，通过输入实时获取的自由来流风速数据、上游各风机与目标风机相对位置参数，实时获得风力机处预期风速或发电量情况，并通过神经网络模型的结果输出模块进行结果输出；

S6：将神经网络模型一段时间内的输出风速数据与SCADA采集的机舱风速数据进行对比，判定风力机处风速传感器正常运行、或者出现故障；

S7：将神经网络模型一段时间内的输出功率结果与SCADA采集的风力机功率数据进行对比，并结合S6风速对比结果，对风力机发电量损耗进行定量评估。

S8：结合S6、S7结果，实现对该风场实际运行情况的综合评价，依此发现问题，采取改进措施，提高风电场的整体效益。

Claims (4)

1.基于神经网络的风电场发电功率后评估及监测方法，其特征在于包括以下步骤：

步骤1：获取自由来流风速V、上游各风机与目标风机沿风来流方向投影距离d/D＝[d₁/D,d₂/D,…,d_s/D]，上游各风机及目标风机连线与风来流方向夹角θ_i＝[θ₁,θ₂,…,θ_s]作为神经网络模型的输入样本集；其中，d_i/D代表实际投影距离与风轮直径的比值，s为上游风机数最大值；将目标风机处的风速数据、发电量数据y作为神经网络模型的输出样本集；并将输入输出样本集按照一定比例划分为训练数据集X与测试数据集X’；

步骤2：将训练数据集X输入神经网络模型进行训练；

步骤3：通过测试数据集X’对已训练网络进行测试，神经网络模型误差达到预先设定条件后，神经网络模型训练完成；

步骤4：将训练好的神经网络模型作为风电场后评估及状态监测模型，在风电场后期运行阶段，通过输入实时获取的自由来流风速数据、上游各风机与目标风机相对位置参数，实时获得风力机处预期风速或发电量情况，并通过神经网络模型进行结果输出；

步骤5：将神经网络模型一段时间内的输出风速数据与SCADA采集的机舱风速数据进行对比，判定风力机处风速传感器正常运行或者出现故障；

步骤6：将神经网络模型一段时间内的输出功率结果与SCADA采集的风力机功率数据进行对比，并结合步骤5风速对比结果，对风力机发电量损耗进行定量评估。

2.根据权利要求1所述基于神经网络的风电场发电功率后评估及监测方法，其特征在于：所述步骤2中，神经网络模型由若干个自编码器AE和一个回归层组合而成；神经网络总共包含l+2层，其中，输入层表示为第0层，隐含层表示为第1层至第l层，输出层即回归层为第l+1层；设网络的第k个隐含层为h^k，与h^k-1和h^k(k＝1,2,…,l)关的AE表示为AE^k。

3.根据权利要求2所述基于神经网络的风电场发电功率后评估及监测方法，其特征在于：给定AE^k的输入h^k-1，编码器和解码器的计算过程分别如公式(1)、公式(3)中所示:

f(x)＝g(x)＝1/(1+e^-x) (3)

式中：W₁ ^k为编码器的权值矩阵；

为编码器的偏置矩阵；

为解码器的权值矩阵；

为解码器的偏置矩阵；

通过最小化公式(4)中定义的重构误差，能够对参数集

进行优化：

L_AE-MSE(h^k-1,z^k)＝1/2||h^k-1-z^k||² (4)。

4.根据权利要求3所述基于神经网络的风电场发电功率后评估及监测方法，其特征在于：所述步骤2中，神经网络模型训练，包含预训练步骤、微调步骤：

预训练过程中，首先利用梯度下降法训练最底层的AE，训练目标为最小化公式(4)中的重构误差，该AE的输入采用来自实际现场的原始训练数据，该AE训练完成后，将生成的隐含层表达作为高一阶AE的输入，并采用同样的算法对其进行训练，通过这样的方式，所有AE都能够得到训练；

经过逐层的预训练后，将得到的所有隐含层进行叠加，并将回归层添加至神经网络顶部生成最终输出，利用梯度下降法对整个网络的参数进行微调。

Images