CN117685175A - 风电机组的多个调控参数的实时优化方法及系统 - Google Patents

Abstract

本申请提出了一种风电机组的多个调控参数的实时优化方法及系统，该方法包括：在风机上安装多种类型的传感器，并配置数据采集系统采集风机的全量实时数据；对全量实时数据进行预处理，建立风机的性能模型；根据性能模型、风机的实时运行数据和实时优化任务，为性能模型选取当前适用的优化算法，并通过优化算法求解性能模型，以获取多个调控参数的优化结果；根据优化结果制定包含多种控制的实时控制策略，并执行实时控制策略；持续监测风电机组的运行数据，更新优化算法，并根据更新后的优化算法调整实时控制策略。该方法能够同时对多个调控参数进行实时的优化，提高风机调控参数优化的时效性、准确性和多样性。

Description

风电机组的多个调控参数的实时优化方法及系统

技术领域

本申请涉及风力发电技术领域，尤其涉及一种风电机组的多个调控参数的实时优化方法及系统。

背景技术

目前，在大力发展新能源技术的趋势下，风力发电机组的普及率逐渐提高。通过风力发电机组可以将风能转换为电能并输出至电网，在风能发电的过程中需要通过各个调控参数对风力发电机组中的相应部件进行控制，以实现能量转换并且提高能源的获取效率，因此，合理的设置各个调控参数，比如，转矩系数等，对风电机组的运行具有重要意义。

相关技术中，对于风电机组的转矩控制系数等，一般是在风电机组的设计阶段进行确定，在实际应用中根据一段时间内的历史运行数据和运行目标，周期性的进行参数的优化调整。然而，上述相关技术中的参数优化方式，优化结果与实际需求可能存在偏差，优化结果的准确性较低，且优化存在滞后性，无法及时对风电机组进行优化，一次优化过程仅能优化单一的参数，导致风电机组无法以最佳的运行状态运行。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种风电机组的多个调控参数的实时优化方法，该方法能够同时对多个调控参数进行实时的优化，提高风机调控参数优化的时效性、准确性和多样性，解决了优化结果可能存在偏差，且优化存在滞后性，优化效率较低的问题。

本申请的第二个目的在于提出一种风电机组的多个调控参数的实时优化系统。

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请的第一方面在于提出一种风电机组的多个调控参数的实时优化方法，该方法包括以下步骤：

在风电机组的不同位置处安装多种类型的传感器，并配置数据采集系统，通过所述数据采集系统采集所述风电机组的全量实时数据；

对所述全量实时数据进行预处理，基于预处理后的全量实时数据和风机理论数据建立所述风电机组的性能模型，其中，所述性能模型包括机器学习模型和确定性模型；

根据所述性能模型、采集的所述风电机组的实时运行数据和实时优化任务的优化目标，为所述性能模型选取当前适用的优化算法，并通过所述优化算法求解所述性能模型，以获取优化结果，所述优化结果包括多个调控参数的优化值；

根据所述优化结果制定包含多种控制的实时控制策略，并控制所述风电机组执行所述实时控制策略；

持续监测所述风电机组的运行数据，根据实时监测结果更新所述优化算法，并根据更新后的优化算法得到的优化结果，调整实时控制策略。

可选地，在本申请的一个实施例中，所述全量实时数据包括：所述风电机组所处环境中的风速、风向、温度和湿度，以及所述风电机组的发电机转速和电力输出，所述对所述全量实时数据进行预处理，包括：对所述全量实时数据进行清洗，剔除所述全量实时数据中的异常数据；向清洗后的全量实时数据中填充缺失值，并对填充后的全量实时数据进行标准化、离散化和归一化处理。

可选地，在本申请的一个实施例中，所述根据所述性能模型、采集的所述风电机组的实时运行数据和实时优化任务的优化目标，为所述性能模型选取当前适用的优化算法，包括：根据所述实时运行数据确定所述风电机组当前的运行状态，并结合所述风电机组当前的运行状态和所述实时优化任务的需求，确定所述优化目标；选取适用于所述性能模型、所述实时运行数据和所述优化目标的优化算法，其中，待选取的优化算法包括模型预测控制MPC算法、遗传算法、粒子群优化算法和强化学习算法；结合所述实时运行数据和所述优化目标设定所述优化算法的优化参数。

可选地，在本申请的一个实施例中，所述根据所述优化结果制定包含多种控制的实时控制策略，包括：基于所述风电机组所处的风电场站的实时状况、所述风电机组的设备特性指标和所述多个调控参数的优化值，分别制定针对每个所述调控参数的控制策略；其中，所述实时控制策略包括转矩控制策略、偏航控制策略和叶片角度控制策略。

可选地，在本申请的一个实施例中，所述根据实时监测结果更新所述优化算法，包括：根据所述风电机组的实时运行数据确定所述风电机组当前的机组性能；根据所述风电机组当前的所述运行状态和所述机组性能，调整所述优化算法的所述优化参数或者更换优化算法。

可选地，在本申请的一个实施例中，所述配置数据采集系统，包括：连接所述多种类型的传感器与数据采集设备；设置所述数据采集设备的数据采集频率，并确定数据格式和数据存储位置；通过边缘计算设备对所述数据采集设备采集的数据进行压缩处理，并通过远程传输设备将压缩处理后的数据传输至后台数据中心。

为达上述目的，本申请的第二方面还提出了一种风电机组的多个调控参数的实时优化系统，包括以下模块：

采集模块，用于在风电机组的不同位置处安装多种类型的传感器，并配置数据采集系统，通过所述数据采集系统采集所述风电机组的全量实时数据；

建立模块，用于对所述全量实时数据进行预处理，基于预处理后的全量实时数据和风机理论数据建立所述风电机组的性能模型，其中，所述性能模型包括机器学习模型和确定性模型；

优化模块，用于根据所述性能模型、采集的所述风电机组的实时运行数据和实时优化任务的优化目标，为所述性能模型选取当前适用的优化算法，并通过所述优化算法求解所述性能模型，以获取优化结果，所述优化结果包括多个调控参数的优化值；

控制模块，用于根据所述优化结果制定包含多种控制的实时控制策略，并控制所述风电机组执行所述实时控制策略；

更新模块，用于持续监测所述风电机组的运行数据，根据实时监测结果更新所述优化算法，并根据更新后的优化算法得到的优化结果，调整实时控制策略。

为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面实施例中的风电机组的多个调控参数的实时优化方法。

本申请的实施例提供的技术方案至少带来以下有益效果：本申请先采集风电机组的全量实时数据并进行预处理，根据处理后的全量实时数据建立多种模型相结合的风电机组性能模型。再根据性能模型、风机实时数据和当前的优化目标选取合理的优化算法，通过优化算法求解性能模型获得多个调控参数的优化结果，进而制定多种控制策略。并且还通过对风机的持续监测更新优化算法和控制策略。从而，本申请能够同时得到多个调控参数的优化值，提高了优化效率，通过构建合理的性能模型和优化算法，提高了获取的优化结果的准确性，并且，可以根据实时采集的运行数据获取实时的优化结果并持续更新，以使优化结果符合当前的优化需求。由此，本申请提高了风机调控参数优化的时效性、准确性和多样性。有利于提高能源获取的效率，基于优化结果可以提高风电机组的运行稳定性，保护风电机组设备的安全性，延长风电机组的使用寿命，并可以降低风电机组的运维成本，提高风电机组的运行效益。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例提出的一种风电机组的多个调控参数的实时优化方法的流程图；

图2为本申请实施例提出的一种数据采集系统的配置方法的流程图；

图3为本申请实施例提出的一种优化算法的设定方法流程图；

图4为本申请实施例提出的一种风电机组的多个调控参数的持续优化方法的流程图；

图5为本申请实施例提出的一种风电机组的多个调控参数的实时优化系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

需要说明的是，本申请进行优化的调控参数，是指对风力发电机组(在本申请中可简称为风电机组)的运行进行调整，以实现提高风能利用率或者保证风电机组稳定、安全的运行的参数，比如，调控参数包括但不限于：转矩系数、偏航角度和转矩角度等。

举例而言，以转矩系数作为示例，风电机组的转矩控制是风力发电机组控制的重要组成部分。转矩控制系数是调整风电机组转矩的关键参数，它影响着风电机组的性能和效率。风电机组进行风能转换为电能的过程中，风轮的转速和发电机的转速是两个关键参数，风轮的转速取决于风速和风轮的设计，而发电机的转速则需要通过转矩控制来调整。

其中，转矩控制系数通常用于调整风电机组的工作状态，使其在不同风速下都能以最优的状态运行。具体来说，转矩控制系数可以调整风电机组的转矩，从而改变发电机的转速，使得在各种风速条件下，风轮都能以接近最佳的工况转速运行，提高能源获取的效率。并且，根据风能的动力学公式，风的动能与风速的立方成正比，风轮的有效功率与风速的立方成正比。因此，风速的微小变化都会导致风能的显著变化。通过实时调整转矩控制系数，可以确保风电机组在各种风速条件下都能以最佳的状态运行。

综上，风电机组的转矩控制系数是一种关键的调控参数，通过实时优化转矩控制系数，可以使风电机组在各种风速条件下都能以最优的状态运行，提高风能获取的效率。还可以通过适当的转矩控制有效地保护设备，防止因过度负荷或突然变化的风速而造成的设备损坏。通过有效地控制风电机组的转矩，可以更好地适应电网的需求和电网的波动，提高电网的稳定性，以及实现降低运维成本等。

因此，本申请对包括转矩系数在内的多个调控参数进行实时优化，可以优化风电机组的运行。

下面参考附图详细描述本发明实施例所提出的一种风电机组的多个调控参数的实时优化方法及系统。

图1为本申请实施例提出的一种风电机组的多个调控参数的实时优化方法的流程图，如图1所示，该方法包括以下步骤：

步骤S101，在风电机组的不同位置处安装多种类型的传感器，并配置数据采集系统，通过数据采集系统采集风电机组的全量实时数据。

具体的，在本申请的实时优化方案中先安装和配置数据采集设备，通过在待优化的风电机组上安装必要的传感器和设备，并配置数据采集系统，以实时收集风电机组的运行数据。其中，本申请收集的风电机组的运行数据种类多样，包括风电机组所处环境中的环境数据以及风电机组的运行状态参数等数据，即本申请采集的全量实时数据可以包括任何一种与风电机组的调控相关的数据。

为了更加清楚的说明本申请获取的全量实时数据以及获取数据的过程，下面先对风电机组的运行过程进行示例性说明。

具体而言，风力发电机组的主要部分包括风轮(又称为叶片或旋翼)、变速箱(某些机型采用直驱无变速箱)、发电机、控制系统以及塔筒等。在实际工作流过程中：在风能获取阶段：风吹过风轮，通过风轮的特殊设计(如空气动力学设计)，风的动能转化为风轮的机械能，使风轮转动，从而实现风能转化为机械能。在机械能转电能的阶段，风轮通过主轴和变速箱将其旋转动力传递给发电机。发电机在机械能的驱动下产生电动势，将机械能转化为电能。在电能输出阶段：发电机产生的电能经过一系列电力设备(比如，变压器等)进行处理后，按照规定的电压和频率输送到电网中。

在风电机组中还包括风向调整与刹车系统和控制系统等各种子系统。其中，风向调整与刹车系统是风力发电机组的风向调整系统(即，偏航系统)，通过自动跟踪风向，确保风轮始终面向风。此外，为了保护设备，在风速过高或进行维护时，风力发电机组会启动刹车系统，使风轮停止旋转。控制系统，是对整个风力发电机组的运行进行监控和调整。比如控制风轮的旋转速度，调整风轮的叶片角度(也称为桨距角度)以获取最大的风能利用率，控制偏航系统使风轮始终面向风等。

可以理解的是，风力发电机组的设计要考虑到各种环境和工况的影响，比如风速的变化、风向的变化、气温的变化，甚至是地理位置和当地的气候等等，都会对风力发电机组的设计和运行产生影响。因此，本申请在进行调控参数的实时优化时，先采集风电机组的全量数据，以便在后续利用全量数据进行分析和模型构建，提高优化的准确性和全面性。

在本申请一个实施例中，获取的全量实时数据包括但不限于：风电机组所处环境中的风速、风向、温度和湿度，以及风电机组的发电机转速和电力输出。

具体而言，在本实施例中，为了获取上述全量实时数据，需要安装多个类型的传感器和信息采集设备，包括风速传感器、风向传感器、温度传感器、湿度传感器、压力传感器、发电机的转速传感器和电力传感器等。这些设备可以提供大量有关风电场运行情况的实时数据，包括风速、风向、温度、湿度、压力、发电机转速、电力输出等参数。每种传感器按照工作原理可以设置在上述示例中的风电机组中各个部分处。

具体实施时，为了更加清楚的说明本申请通过配置数据采集系统采集风电机组的全量实时数据的具体实现过程，下面以在本申请一个实施例中提出的一种具体的数据采集方法进行示例性说明。

图2为本申请实施例提出的一种数据采集系统的配置方法的流程图，如图2所示，该方法包括以下步骤：

步骤S201，连接多种类型的传感器与数据采集设备。

具体的，数据采集系统包括各类型的传感器、数据采集设备和远程传输设备等。在配置数据采集系统时，先选择合适的传感器，根据已确定的需要收集的数据类型，比如，风速、风向、温度、湿度、发电机转速和电力输出值等，选择对应的传感器。再将各个传感器安装在风电机组的合适位置，具体可以结合风电机组的实际运行状况、待监测的数据和制造商的指导说明进行传感器的安装。然后，再连接各个传感器和数据采集设备，其中，数据采集设备用于在风电场站的现场接收和汇总各个传感器采集到的数据。具体可以使用适当的线缆和接口将传感器和数据采集设备连接起来。

步骤S202，设置数据采集设备的数据采集频率，并确定数据格式和数据存储位置。

具体的，在实现数据采集系统的硬件连接后，再配置数据采集系统的各个运行参数，包括设置数据采集设备的数据采集频率、数据格式和数据存储位置。

其中，为了节省计算资源，数据采集设备可以以一定的频率提取各个传感器采集的数据。本步骤确定数据采集设备采集数据的频率，数据在传输和存储阶段的格式，以及采集的数据在数据库中的存储位置。

进一步的，在配置完成参数后，还可以进行数据采集系统的整体测试，以确保数据的准确和完整。

步骤S203，通过边缘计算设备对数据采集设备采集的数据进行压缩处理，并通过远程传输设备将压缩处理后的数据传输至后台数据中心。

具体的，为了减少数据传输的负担，降低数据传输量和数据传输耗费的资源，在本实施例中，在实际进行全量实时数据采集过程中，对于数据采集设备采集的数据，先通过边缘计算设备进行初步的数据处理和压缩，减少数据传输量。再将边缘计算设备处理后的采集数据，通过远程传输设备实时传输到后台数据中心，存储在后台数据中心中的数据库中。从而后续可以在后台的云端设备进行数据的处理和分析，以减轻风场站现场的工作负荷。

步骤S102，对全量实时数据进行预处理，基于预处理后的全量实时数据和风机理论数据建立风电机组的性能模型，其中，性能模型包括机器学习模型和确定性模型。

具体的，本步骤实现建立风电机组性能模型，在上一步骤中已收集一段时间的全量实时数据后，利用数据分析和机器学习技术，建立风电机组的性能模型。

具体实施时，先对收集的全量实时数据进行预处理，预处理包括对数据清洗操作以及进行标准化的一系列操作。在本申请一个实施例中，对全量实时数据进行预处理，包括：对全量实时数据进行清洗，剔除全量实时数据中的异常数据；向清洗后的全量实时数据中填充缺失值，并对填充后的全量实时数据进行标准化、离散化和归一化处理。

在本实施例中，对全量实时数据进行清洗过程中剔除的异常数据，主要是包括删除或修正数据中的错误、空值、重复和不完整的部分，以提高数据质量。然后，对于清洗后造成的数据中的缺失值，通过插值等方式填充缺失值，比如，计算某个缺失值相邻的前后两个数值的平均值，将该平均值插入至当前的空缺位置。进而，对于填充后完整的数据，进行标准化、归一化和离散化等操作，将数据转换为便于分析的标准化格式，以便进行后续的数据分析。从而，通过预处理的步骤能够提高数据的质量和便于后续建模和分析优化结果。

进一步的，结合处理后符合要求的一段时间内的历史数据，以及风电机组的物理理论等理论数据，可以建立风电机组的性能模型。本申请建立的风电机组的性能模型可以包括多种类型，比如，可能包括基于数据驱动的机器学习模型，或者基于物理方程的确定性模型，或者两者的结合。即，本申请构建的性能模型可以是多种类型的模型的集合体。

其中，性能模型能够描述风电机组的运行特性和性能指标，比如功率曲线、效率曲线等，从而可用于风电场的运行优化。

在本申请一个实施例中，建立风电机组性能模型包括以下步骤：第一步，进行数据收集：收集一段时间的风电机组运行数据。第二步，进行数据预处理：进行数据清洗、异常值处理、归一化等预处理操作。上述两步通过上述实施例已经执行完成。第三步，进行特征选择：通过数据分析选择合适的特征参数。第四步，进行模型训练：利用机器学习技术，如回归分析、神经网络等，进行模型训练。第五步，进行模型验证：使用测试数据集对模型进行验证，确保模型的预测准确度。

其中，在上述第三步对收集的全量数据进行分析时，主要是运用各种统计分析方法和机器学习算法，从数据中提取有用的信息和知识。例如，可以通过历史数据和实时数据的比较，分析风电场的运行状态是否正常；也可以通过预测模型，预测未来一段时间的风速和电力产量。

需要说明的是，将本申请收集的全量实时数据应在风电场中进行分析时，可以实现多种功能。举例而言，将收集的一端时间内全量数据作为历史数据，当前时刻收集的全量数据作为实时数据，可实现以下功能：第一，风电场监控：通过实时数据，可以实时监控风电场的运行状态，如风速、风向、温度、湿度、压力、发电机转速、电力输出等参数，及时发现并处理运行中的问题。第二，预测与调度：通过对历史数据和实时数据的分析，可以预测未来一段时间的风速和电力产量，为风电场的调度决策提供支持。第三，智能维护：通过对设备的运行数据进行分析，可以预测设备的故障，实现预防性维护，降低维护成本。第四，性能优化：通过实时数据，可以评估和优化风电场的运行性能，如风电机组的转矩控制、风电机组的功率控制等。

由此，本申请实施例通过对收集的数据进行分析，可以选择出合适的特征参数，即与风电机组的多个调控优化相关的数据，将选出的数据作为训练性能模型中所用的训练数据。

还需说明的是，根据调控参数优化的需要，本申请可以构建一个复杂的结合式性能模型，同时对多个调控参数进行优化，以提高优化效率。也可以分别为每个待优化的调控参数建立一个单独对应的模型，本申请对此不做限制。

步骤S103，根据性能模型、采集的风电机组的实时运行数据和实时优化任务的优化目标，为性能模型选取当前适用的优化算法，并通过优化算法求解性能模型，以获取优化结果，优化结果包括多个调控参数的优化值。

具体的，本步骤实现选择并实施优化算法，根据已建立的性能模型和采集的实时数据，选择适合的优化算法，并通过一些高性能的计算设备和软件进行实时优化。本申请进行实时优化的核心目标是在实时或近实时环境中，通过适当的算法和策略为给定问题找到最优或近似最优的解决方案。优化算法的选择主要取决于特定的应用场景和需求。

为了便于理解本申请通过优化算法求解性能模型，以获取优化结果的具体实现过程和实现原理，下面先对本申请采用的实时优化技术进行详细说明。

具体而言，实时优化技术是一种先进的控制技术，它的目标是在实时的约束条件下，找到系统性能的最优解。对于风力发电机组来说，实时优化技术主要用于调整和优化控制参数，以实现最高的能源转换效率和最优的设备性能。

在实施实时优化技术时，主要包括以下几个步骤：第一步，进行数据采集：通过传感器和设备收集大量的实时数据。第二步，进行数据处理：对收集到的实时数据进行处理和分析，例如通过滤波器滤除噪声，通过预处理技术将数据标准化等。比如，对包括风速、风向、温度、湿度、发电机转速和电力输出等数据进行实时的处理和分析。第三步，建立优化模型：根据系统的性能指标和约束条件，建立一个优化模型，即本申请中建立的风电机组的性能模型。例如，可以将能源转换效率作为性能指标，将风速、风向、发电机转速等作为约束条件。上述三个步骤已通过上述实施例执行完成。第四步，选择优化算法：使用优化算法求解优化模型，找到性能指标的最优解。这通常需要使用到一些先进的优化算法，例如梯度下降算法、遗传算法、模拟退火算法、粒子群算法等。第五步，控制执行优化策略：将优化算法求解得到的最优解应用到控制系统中，调整和优化控制参数。

其中，在上述第四步选择优化算法时，优化算法是实现风电场优化目标的关键工具。可以选择的算法有很多，比如，模型预测控制(MPC)、遗传算法和粒子群优化等。这些算法各有优劣，在本申请可以根据风电机组的性能模型、实时数据以及本轮实时优化任务的优化目标来选择和实施。其中，优化目标可能包括提高电力输出、减少设备磨损和减少运行成本等。

下面对本申请能够采取的几种优化算法进行示例性说明。

作为第一种示例，模型预测控制：模型预测控制(MPC)是一种实时优化技术。它首先通过系统模型预测未来一段时间内的系统行为，然后使用优化算法寻找最优的控制输入，最后将这个控制输入应用到系统中。

在本示例中，模型预测控制(MPC)的核心思想是对于一个控制系统，通过预测未来的系统行为来确定当前的控制输入。这种方法需要对系统的动态行为有一个明确的模型。执行该算法时包括以下几个步骤。预测：MPC首先使用当前的状态和已知的未来扰动来预测未来一段时间内的系统输出。这种预测通常基于系统的数学模型，可能是线性的或非线性的。优化：预测完成后，MPC使用一个优化算法来确定未来一段时间内的最优控制输入序列，从而最小化某个性能指标，例如跟踪误差、控制功率或其他相关的经济指标。实施：MPC只将优化得到的第一个控制输入应用到实际系统中，并在下一个控制周期重新进行预测和优化。

作为第二种示例，遗传算法：遗传算法是一种启发式的优化算法，它可以在没有系统模型的情况下寻找最优解。遗传算法通过模拟自然选择、交叉和突变等遗传过程，不断改进和优化解集，直到找到最优解。

在本示例中，执行遗传算法(GA)时包括以下几个步骤。编码：首先，将问题的解编码成染色体，这通常是一种二进制或实数编码。选择：GA通过适应度函数来评估每个染色体的性能。基于这些适应度值，选择算子会选择一些染色体进入下一代。交叉与突变：通过模拟自然中的交叉和突变过程，GA生成新的染色体。这两个步骤增加了种群的多样性，帮助算法探索解空间。收敛：随着代数的增加，算法通常会收敛到一个最优解或近似最优解。

作为第三种示例，强化学习：强化学习是一种通过试错学习和延迟奖励来优化决策的方法。在风力发电机组的实时优化中，可以使用强化学习算法来学习最优的控制策略。

在本示例中，执行强化学习算法时，与传统的监督学习不同，RL不需要显示的正确答案，而是通过与环境互动来学习。主要包括以下几个步骤。探索与利用：强化学习的一个关键挑战是在探索新策略和利用已知策略之间找到平衡。延迟奖励：在RL中，智能体可能会在执行一个动作后的很长时间才收到奖励或惩罚。这使得学习任务变得非常具有挑战性。确定策略：智能体的目标是学习一个策略，该策略描述了在给定状态下选择哪个动作可以最大化累计的奖励。

进一步的，本申请选取当前优化任务适用的优化算法，并将实时采集的全量实时数据作为输入值代入性能模型中，通过优化算法求解性能模型，找到性能指标的最优解，即优化目标的最优解。从而能够获取到优化结果，优化结果包括多个调控参数的优化值，即为实现优化目标，多个调控参数进行优化后的参数值。

举例而言，当实时优化任务的优化目标是提高电力输出至某一要求值时，优化结果包括：相对于当前的控制参数，需要调整后的转矩控制系数值和桨距角度值等，从而在后续可以通过执行上述多个调控参数的优化值，提高风能利用率，增大电力输出。

步骤S104，根据优化结果制定包含多种控制的实时控制策略，并控制风电机组执行实时控制策略。

具体的，本步骤实现制定实时控制策略，基于优化算法得到的结果，制定实时控制策略，实时控制策略可能包括比如转矩控制、偏航控制和叶片角度控制等多种控制策略的集合。然后将这些策略通过控制系统实施到风电机组上。

在本申请一个实施例中，根据优化结果制定包含多种控制的实时控制策略，包括：基于风电机组所处的风电场站的实时状况、风电机组的设备特性指标和多个调控参数的优化值，分别制定针对每个调控参数的控制策略；其中，实时控制策略包括转矩控制策略、偏航控制策略和叶片角度控制策略。

具体而言，在本实施例中，在制定实时控制策略时，首先分析优化结果，根据优化算法的结果，分析风电机组的运行状况和优化需求，具体确定的控制策略和控制参数需要考虑风电场的实时状况、设备特性和优化目标。

举例而言，假设实时优化任务的优化目标是提高电力输出至A值，结合风电场站当前所处环境中的风速和风向，以及风电机组当前的运行工况和设备健康状态等风电场站的实时状况，以及风电机组的发电机的额定功率等设备特性指标，根据要求的时间点，确定从当前时刻至要求的时间点的不同时刻下，转矩控制系统、偏航角度和叶片角度的调整值，以及后续为维持电力输出为A值的多个控制参数，进而根据不同时刻下上述各个调控参数所需达到的参数值，分别生成转矩控制策略、偏航控制策略和叶片角度控制策略等。进而，实施上述制定的各个控制策略，通过风电机组的控制系统下发相应的指令，实施控制策略。

步骤S105，持续监测风电机组的运行数据，根据实时监测结果更新优化算法，并根据更新后的优化算法得到的优化结果，调整实时控制策略。

具体的，本步骤实现风电机组运行状态的持续监测和多个调控参数的持续实时优化，通过持续收集风电机组的全量实时数据，持续监测风电机组的运行状态，根据实际情况调整优化算法和控制策略，即，通过当前更新后的优化算法获取适用于当前状况的优化结果并生成新的控制策略，以实现控制策略和控制参数的动态调整和实时更新。

综上所述，本申请实施例的风电机组的多个调控参数的实时优化方法，先采集风电机组的全量实时数据并进行预处理，根据处理后的全量实时数据建立多种模型相结合的风电机组性能模型。再根据性能模型、风机实时数据和当前的优化目标选取合理的优化算法，通过优化算法求解性能模型获得多个调控参数的优化结果，进而制定多种控制策略。并且还通过对风机的持续监测更新优化算法和控制策略。从而，该方法能够同时得到多个调控参数的优化值，提高了优化效率，通过构建合理的性能模型和优化算法，提高了获取的优化结果的准确性，并且，可以根据实时采集的运行数据获取实时的优化结果并持续更新，以使优化结果符合当前的优化需求。由此，该方法提高了风机调控参数优化的时效性、准确性和多样性。有利于提高能源获取的效率，基于优化结果可以提高风电机组的运行稳定性，保护风电机组设备的安全性，延长风电机组的使用寿命，并可以降低风电机组的运维成本，提高风电机组的运行效益。

基于上述实施例，为了更加清楚的说明本申请选定合适的优化算法的具体实现过程，下面以在本申请一个实施例中提出的一种设定方法进行示例性说明。图3为本申请实施例提出的一种优化算法的设定方法流程图，如图3所示，该方法包括以下步骤：

步骤S301，根据实时运行数据确定风电机组当前的运行状态，并结合风电机组当前的运行状态和实时优化任务的需求，确定优化目标。

具体的，本步骤确定当前的优化任务的优化目标，可以根据风电机组的运行目标和实际情况，确定优化目标。

具体而言，根据采集的风电机组的全量实时数据，确定风电机组当前的运行状态，比如，根据采集的全量实时数据中的发电机转速和电力输出值等数据，确定风电机组当前的运行工况、各个设备的运行参数等机组的实际状态信息。

进一步的，根据风电机组当前的运行状态和实时优化任务的需求，确定优化目标。举例而言，比如，根据实时优化任务的需要是，在10分钟内实现电力输出至提升A值的目标，而根据风电机组当前的实际运行状态，确定目前的电力输出至为B，进而确定当前的优化任务的优化目标是，在10分钟内将电力输出提升A-B。

步骤S302，选取适用于性能模型、实时运行数据和优化目标的优化算法。

其中，待选取的优化算法包括模型预测控制MPC算法、遗传算法、粒子群优化算法和强化学习算法。

具体的，根据性能模型和实时数据，选择适合的优化算法，如模型预测控制、遗传算法、粒子群优化等。

具体而言，选择能够用于性能模型的性能指标的求解，且能够对当前采集的实时运行数据进行运算，且得出的优化结果可以实现优化目标的算法。可以理解的是，根据当前构建的性能模型的类型、实时运行数据的数量和类型，以及优化目标的复杂程度的不同，选择的优化算法也不同。比如，当前的优化任务需要处理复杂、非线性和难以模拟的问题，可以选取遗传算法。

步骤S303，结合实时运行数据和优化目标设定优化算法的优化参数。

具体的，根据实际需求设定优化算法的参数，并在高性能的计算设备和软件上，运行优化算法进行实时优化。

举例而言，根据风电机组当前的电力输出值为A和风电场站目前的风力状况等实时运行数据，以及需要在10分钟内将电力输出提升A-B的优化目标，设定上述模型预测控制(MPC)算法中的最优控制输入序列，使得从现在至10分钟后，每分钟均对转矩控制系数、偏航角度和叶片角度进行相应的调整，完成10分钟后将电力输出提升A-B的优化目标。

由此，该方法实现了根据性能模型、风机实时数据和当前的优化目标选取合理的优化算法，并合理设置优化算法的优化参数，通过合理的设置优化算法，提高了获取的优化结果的准确性。

基于上述实施例，为了更加清楚的说明本申请根据实时监测结果更新所述优化算法的具体实现过程，下面以在本申请一个实施例中提出的一种持续优化方法进行示例性说明。图4为本申请实施例提出的一种风电机组的多个调控参数的持续优化方法的流程图，如图4所示，该方法包括以下步骤：

步骤S401，根据风电机组的实时运行数据确定风电机组当前的机组性能。

具体的，本申请通过上述实施例中的数据采集方式，持续收集风电机组的实时运行数据，通过实时数据，监测风电机组的运行状态和机组性能。

具体而言，根据实时运行数据，监测风电机组的运行状态的实现过程，可以参照上述实施例中步骤S301确定风电机组当前的运行状态的实现过程，对此不再赘述。此外，还可以根据风电机组的实时运行数据确定风电机组当前的机组性能。

举例而言，根据全量实时数据中的风电机组的发电机的转速和输出功率等运行数据，确定发电机当前的利用率和使用状况，根据发电机的温度和各组件的损坏程度等数据，确定发电机的健康水平。

步骤S402，根据风电机组当前的运行状态和机组性能，调整优化算法的优化参数或者更换优化算法。

具体的，根据风电机组的实际运行状态和机组性能，还可以结合优化目标的执行情况，调整优化算法的参数或更换优化算法。进而根据优化算法的新结果，调整实时控制策略。

举例而言，当优化任务从提升风电机组的电力输出，改变为保护设备避免受到环境损害时，则重新选择优化算法，进而通过新的算法生成防止过度负荷的调控参数的优化值。又比如，当风电机组的电力输出值已超过优化任务的要求值，且发电机已长时间处于高负荷运行状态，则调整优化算法的优化参数，适当降低风电机组的电力输出等。

由此，该方法实现了优化算法和控制策略的动态调整和实时更新，可以根据实际情况调整优化方法，使风机调控参数优化能够满足随时改变的优化任务和实际运行状况，提高了风机调控参数优化的时效性和适用性。

为了实现上述实施例，本申请还提出了一种风电机组的多个调控参数的实时优化系统，图5为本申请实施例提出的一种风电机组的多个调控参数的实时优化系统的结构示意图，如图5所示，该系统包括采集模块100、建立模块200、优化模块300、控制模块400和更新模块500。

其中，采集模块100，用于在风电机组的不同位置处安装多种类型的传感器，并配置数据采集系统，通过数据采集系统采集风电机组的全量实时数据。

建立模块200，用于对全量实时数据进行预处理，基于预处理后的全量实时数据和风机理论数据建立风电机组的性能模型，其中，性能模型包括机器学习模型和确定性模型。

优化模块300，用于根据性能模型、采集的风电机组的实时运行数据和实时优化任务的优化目标，为性能模型选取当前适用的优化算法，并通过优化算法求解性能模型，以获取优化结果，优化结果包括多个调控参数的优化值。

控制模块400，用于根据优化结果制定包含多种控制的实时控制策略，并控制风电机组执行实时控制策略。

更新模块500，用于持续监测风电机组的运行数据，根据实时监测结果更新优化算法，并根据更新后的优化算法得到的优化结果，调整实时控制策略。

可选地，在本申请的一个实施例中，建立模块200，具体用于：对全量实时数据进行清洗，剔除全量实时数据中的异常数据；向清洗后的全量实时数据中填充缺失值，并对填充后的全量实时数据进行标准化、离散化和归一化处理。

可选地，在本申请的一个实施例中，优化模块300，具体用于：根据实时运行数据确定风电机组当前的运行状态，并结合风电机组当前的运行状态和实时优化任务的需求，确定优化目标；选取适用于性能模型、实时运行数据和优化目标的优化算法，其中，待选取的优化算法包括模型预测控制MPC算法、遗传算法、粒子群优化算法和强化学习算法；结合实时运行数据和优化目标设定优化算法的优化参数。

可选地，在本申请的一个实施例中，控制模块400，具体用于：基于风电机组所处的风电场站的实时状况、风电机组的设备特性指标和多个调控参数的优化值，分别制定针对每个调控参数的控制策略；其中，实时控制策略包括转矩控制策略、偏航控制策略和叶片角度控制策略。

可选地，在本申请的一个实施例中，更新模块500，具体用于：根据风电机组的实时运行数据确定风电机组当前的机组性能；根据风电机组当前的运行状态和机组性能，调整优化算法的优化参数或者更换优化算法。

可选地，在本申请的一个实施例中，采集模块100，具体用于：连接多种类型的传感器与数据采集设备；设置数据采集设备的数据采集频率，并确定数据格式和数据存储位置；通过边缘计算设备对数据采集设备采集的数据进行压缩处理，并通过远程传输设备将压缩处理后的数据传输至后台数据中心。

需要说明的是，前述对风电机组的多个调控参数的实时优化方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述。

综上所述，本申请实施例的风电机组的多个调控参数的实时优化系统，能够同时得到多个调控参数的优化值，提高了优化效率，通过构建合理的性能模型和优化算法，提高了获取的优化结果的准确性，并且，可以根据实时采集的运行数据获取实时的优化结果并持续更新，以使优化结果符合当前的优化需求。由此，该系统提高了风机调控参数优化的时效性、准确性和多样性。有利于提高能源获取的效率，基于优化结果可以提高风电机组的运行稳定性，保护风电机组设备的安全性，延长风电机组的使用寿命，并可以降低风电机组的运维成本，提高风电机组的运行效益。

为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面实施例中任一所述的风电机组的多个调控参数的实时优化方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种风电机组的多个调控参数的实时优化方法，其特征在于，包括以下步骤：

在风电机组的不同位置处安装多种类型的传感器，并配置数据采集系统，通过所述数据采集系统采集所述风电机组的全量实时数据；

对所述全量实时数据进行预处理，基于预处理后的全量实时数据和风机理论数据建立所述风电机组的性能模型，其中，所述性能模型包括机器学习模型和确定性模型；

根据所述性能模型、采集的所述风电机组的实时运行数据和实时优化任务的优化目标，为所述性能模型选取当前适用的优化算法，并通过所述优化算法求解所述性能模型，以获取优化结果，所述优化结果包括多个调控参数的优化值；

根据所述优化结果制定包含多种控制的实时控制策略，并控制所述风电机组执行所述实时控制策略；

持续监测所述风电机组的运行数据，根据实时监测结果更新所述优化算法，并根据更新后的优化算法得到的优化结果，调整实时控制策略。

2.根据权利要求1所述的实时优化方法，其特征在于，所述全量实时数据包括：所述风电机组所处环境中的风速、风向、温度和湿度，以及所述风电机组的发电机转速和电力输出，所述对所述全量实时数据进行预处理，包括：

对所述全量实时数据进行清洗，剔除所述全量实时数据中的异常数据；

向清洗后的全量实时数据中填充缺失值，并对填充后的全量实时数据进行标准化、离散化和归一化处理。

3.根据权利要求1所述的实时优化方法，其特征在于，所述根据所述性能模型、采集的所述风电机组的实时运行数据和实时优化任务的优化目标，为所述性能模型选取当前适用的优化算法，包括：

根据所述实时运行数据确定所述风电机组当前的运行状态，并结合所述风电机组当前的运行状态和所述实时优化任务的需求，确定所述优化目标；

选取适用于所述性能模型、所述实时运行数据和所述优化目标的优化算法，其中，待选取的优化算法包括模型预测控制MPC算法、遗传算法、粒子群优化算法和强化学习算法；

结合所述实时运行数据和所述优化目标设定所述优化算法的优化参数。

4.根据权利要求1所述的实时优化方法，其特征在于，所述根据所述优化结果制定包含多种控制的实时控制策略，包括：

基于所述风电机组所处的风电场站的实时状况、所述风电机组的设备特性指标和所述多个调控参数的优化值，分别制定针对每个所述调控参数的控制策略；

其中，所述实时控制策略包括转矩控制策略、偏航控制策略和叶片角度控制策略。

5.根据权利要求3所述的实时优化方法，其特征在于，所述根据实时监测结果更新所述优化算法，包括：

根据所述风电机组的实时运行数据确定所述风电机组当前的机组性能；

根据所述风电机组当前的所述运行状态和所述机组性能，调整所述优化算法的所述优化参数或者更换优化算法。

6.根据权利要求1所述的实时优化方法，其特征在于，所述配置数据采集系统，通过所述数据采集系统采集所述风电机组的全量实时数据，包括：

连接所述多种类型的传感器与数据采集设备；

设置所述数据采集设备的数据采集频率，并确定数据格式和数据存储位置；

通过边缘计算设备对所述数据采集设备采集的数据进行压缩处理，并通过远程传输设备将压缩处理后的数据传输至后台数据中心。

7.一种风电机组的多个调控参数的实时优化系统，其特征在于，包括以下模块：

采集模块，用于在风电机组的不同位置处安装多种类型的传感器，并配置数据采集系统，通过所述数据采集系统采集所述风电机组的全量实时数据；

建立模块，用于对所述全量实时数据进行预处理，基于预处理后的全量实时数据和风机理论数据建立所述风电机组的性能模型，其中，所述性能模型包括机器学习模型和确定性模型；

优化模块，用于根据所述性能模型、采集的所述风电机组的实时运行数据和实时优化任务的优化目标，为所述性能模型选取当前适用的优化算法，并通过所述优化算法求解所述性能模型，以获取优化结果，所述优化结果包括多个调控参数的优化值；

控制模块，用于根据所述优化结果制定包含多种控制的实时控制策略，并控制所述风电机组执行所述实时控制策略；

更新模块，用于持续监测所述风电机组的运行数据，根据实时监测结果更新所述优化算法，并根据更新后的优化算法得到的优化结果，调整实时控制策略。

8.根据权利要求7所述的实时优化系统，其特征在于，所述建立模块，具体用于：

对所述全量实时数据进行清洗，剔除所述全量实时数据中的异常数据；

向清洗后的全量实时数据中填充缺失值，并对填充后的全量实时数据进行标准化、离散化和归一化处理。

9.根据权利要求7所述的实时优化系统，其特征在于，所述优化模块，具体用于：

根据所述实时运行数据确定所述风电机组当前的运行状态，并结合所述风电机组当前的运行状态和所述实时优化任务的需求，确定所述优化目标；

选取适用于所述性能模型、所述实时运行数据和所述优化目标的优化算法，其中，待选取的优化算法包括模型预测控制MPC算法、遗传算法、粒子群优化算法和强化学习算法；

结合所述实时运行数据和所述优化目标设定所述优化算法的优化参数。

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的风电机组的多个调控参数的实时优化方法。