基于SCADA數(shù)據(jù)的風電機組關鍵載荷預測

周士棟，薛　揚，馬曉晶，王文卓

?

基于SCADA數(shù)據(jù)的風電機組關鍵載荷預測

周士棟，薛揚，馬曉晶，王文卓

（中國電力科學研究院有限公司新能源與儲能運行控制國家重點實驗室，北京 100192）

風電機組關鍵位置載荷預測對風電機組安全、經(jīng)濟運行具有重要意義。通過建立SCADA數(shù)據(jù)與載荷間的近似關系對風電機組關鍵位置載荷進行預測。采用BP神經(jīng)網(wǎng)絡建立SCADA數(shù)據(jù)和載荷的關系模型，利用SCADA數(shù)據(jù)與載荷間的相關性來篩選模型輸入?yún)⒘?，采用試錯法確定BP神經(jīng)網(wǎng)絡的層數(shù)與神經(jīng)元數(shù)量。針對某2.5 MW風電機組的7處關鍵位置進行了載荷實測。研究表明，在不采用風速作為輸入?yún)⒘康那闆r下，模型的預測結(jié)果與實測結(jié)果具有良好的一致性，相對誤差的均值在1.28%到15.6%之間，決定系數(shù)2在0.951到0.882之間；與試錯法選擇輸入?yún)⒘肯啾?，基于相關性計算的輸入?yún)⒘窟x擇方法能夠更高效地篩選出更多恰當?shù)腟CADA參量，從而進一步提高預測準確度。因此，基于BP神經(jīng)網(wǎng)絡建立SCADA數(shù)據(jù)與載荷的近似關系可作為風電機組關鍵位置載荷預測評估的有效手段。

風電機組；模型；神經(jīng)網(wǎng)絡；SCADA數(shù)據(jù)；參數(shù)篩選；疲勞等效載荷；載荷預測

0 引 言

近年來，隨著風電場裝機容量的不斷增大，風電場安全性與經(jīng)濟性間的矛盾也越發(fā)突出。一方面是大容量風電機組的復雜受載給結(jié)構(gòu)安全帶來的巨大挑戰(zhàn)[1]，另一方面是高昂的風電場運維費用[2]。為了加強風電機組安全保障、合理規(guī)劃風電場運維計劃，有必要對風電機組關鍵位置的受載情況進行監(jiān)測評估。

風力發(fā)電機組的載荷受流固耦合及控制系統(tǒng)導致的氣動伺服因素的影響。風力發(fā)電機組載荷的來源主要包括：空氣動力載荷、重力載荷、慣性載荷、運行載荷、其他載荷。最常用的載荷監(jiān)測手段是通過粘貼應變片實現(xiàn)，由于該方法人力物力耗費較大、應變片自身壽命有限等原因并不適用于風電機組載荷的長期監(jiān)測。以GH bladed為代表的風機性能及載荷計算仿真軟件[3-6]，由于無法實時得到全面的風況信息，因此也不適用于現(xiàn)場載荷的評估。因此，有必要發(fā)展一種經(jīng)濟、可行的風電機組載荷預測評估方法。

風電機組復雜的受載狀態(tài)以及載荷間的耦合關系增加了風電機組載荷預測的困難，如回歸分析、插值等傳統(tǒng)分析方法很難得到高準確度的經(jīng)驗或半經(jīng)驗預測公式。風電機組普遍裝有SCADA（數(shù)據(jù)采集與監(jiān)視控制）系統(tǒng)，該系統(tǒng)記錄了機組大量的運行數(shù)據(jù)。通過對運行數(shù)據(jù)的挖掘處理，建立關鍵運行參數(shù)與載荷間的近似關系，成為風電機組載荷預測研究方向。國內(nèi)外相關研究人員[7-10]通過人工神經(jīng)網(wǎng)絡建立SCADA數(shù)據(jù)與載荷間的關系模型實現(xiàn)了機組的載荷預測。然而，這些研究僅預測了機組部分位置的載荷，未對風電場運維中各關鍵位置載荷進行全面研究。由于風電機組屬于多能量耦合系統(tǒng)，運行狀態(tài)波動大，結(jié)構(gòu)復雜，不同位置載荷特性不一，能否利用有限的SCADA數(shù)據(jù)對各關鍵位置載荷進行全面準確地預測尚需研究驗證。其次，在建立關系模型時，輸入?yún)⒘康倪x擇往往依靠試錯法，通過對若干組SCADA數(shù)據(jù)參數(shù)組合的預測結(jié)果對比，選擇一組最優(yōu)的參數(shù)組合。這種方法效率低，用來試錯比較的參數(shù)種類及其組合往往不足，因此無法確定在已有的SCADA數(shù)據(jù)里是否有更優(yōu)的參數(shù)組合。

本文選取某2.5 MW雙饋型風電機組，針對IEC標準強制要求測量的7個關鍵位置進行了載荷實測。利用實測數(shù)據(jù)，驗證了基于風機自身SCADA數(shù)據(jù)的載荷預測方法能否對機組不同位置處特性不一的載荷進行全面、準確地預測?；谙嚓P性計算，本文針對不同位置的載荷篩選了相應的輸入?yún)?shù)，驗證了基于相關性的參數(shù)選擇方法的適用性。除此之外，盡管風是風電機組動態(tài)載荷的主要來源，但考慮到風電場很少立有測風塔且正常發(fā)電時機艙風速計受旋轉(zhuǎn)葉片干擾明顯，因此本文在進行載荷預測舍棄了風速，驗證了在“無風”可用的情況下基于SCADA數(shù)據(jù)的載荷預測模型的準確性。

風電機組載荷來源廣、受載復雜且受控制策略影響明顯，風電機組運行參量與載荷相關但關系模糊。人工神經(jīng)網(wǎng)絡作為非線性、自適應信息處理系統(tǒng)能夠有效處理機理較模糊或復雜非線性問題，且基于誤差逆向傳播算法的神經(jīng)網(wǎng)絡（BP神經(jīng)網(wǎng)絡）應用廣泛且成熟[11-15]。因此，本文嘗試采用BP神經(jīng)網(wǎng)絡建立SCADA數(shù)據(jù)與載荷間的關系模型。

1 基于SCADA數(shù)據(jù)的載荷預測模型

基于SCADA數(shù)據(jù)，利用神經(jīng)網(wǎng)絡構(gòu)建的風電機組載荷預測模型的框架結(jié)構(gòu)如圖1所示。

圖1 載荷預測模型框架

1.1 輸入數(shù)據(jù)

輸入數(shù)據(jù)包括SCADA數(shù)據(jù)和載荷測量值2類。SCADA數(shù)據(jù)直接通過風電機組控制系統(tǒng)收集得到，載荷數(shù)據(jù)通過粘貼在各關鍵位置處的應變片測量得到。

1.2 數(shù)據(jù)清洗

正常發(fā)電狀態(tài)時風電機組載荷受周圍障礙物（其他風電機組）影響明顯。根據(jù)來流是否受障礙物影響可分為自由流和非自由流（受尾流影響）。本文僅就正常發(fā)電時自由流條件下的風電機組載荷進行預測。

根據(jù)數(shù)據(jù)的有效性[16]，就正常發(fā)電時自由流條件下采集的數(shù)據(jù)進行清洗。所要清洗的數(shù)據(jù)包括：1）非正常發(fā)電狀態(tài)下的數(shù)據(jù)，2）受尾流影響的數(shù)據(jù)，3）信息不完整的數(shù)據(jù)，4）數(shù)值大小超出物理極限的，5）反常數(shù)據(jù)。

1.3 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡由大量的節(jié)點（神經(jīng)元）相互聯(lián)接構(gòu)成，各節(jié)點將輸入信號的加權和作為輸入傳遞給激勵函數(shù)，激勵函數(shù)的計算結(jié)果作為本節(jié)點的輸出。一個完整的神經(jīng)網(wǎng)絡包括輸入層、隱藏層和輸出層。BP神經(jīng)網(wǎng)絡是基于誤差逆向傳播算法的前饋神經(jīng)網(wǎng)絡，它建立在梯度下降法基礎上。其中，輸入信號按單方向由輸入層經(jīng)隱含層傳至輸出層，信號不形成回路。信號在傳遞過程中權值保持不變，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。輸出值與期望值間的誤差由輸出層開始逐層向后傳播。在誤差反向傳播過程中，網(wǎng)絡的權值根據(jù)誤差反饋進行調(diào)節(jié)。通過權值的不斷修正使網(wǎng)絡的實際輸出值不斷接近期望值，直至滿足預先設定的誤差要求。

1.4 模型的訓練及預測

在完成數(shù)據(jù)的清洗后，對SCADA數(shù)據(jù)與風電機組載荷進行相關性分析，篩選出與載荷變化相關的SCADA數(shù)據(jù)參量。基于實測數(shù)據(jù)，利用神經(jīng)網(wǎng)絡建立載荷與SCADA數(shù)據(jù)關系模型。利用建立的關系模型和機組SCADA數(shù)據(jù)可以進行載荷的預測。

2 風電機組關鍵位置載荷實測

本文選取了某2.5 MW雙饋型風電機組開展載荷實測工作。所選風電機組的主要參數(shù)為：水平軸雙饋型機組、輪轂高度90 m、風輪直徑121 m、額定風速10.2 m/s、額定功率2 500 kW。所選風電機組位于河北省張家口市張北風電試驗基地，測試嚴格按照IEC 61400－1[17]和IEC 61400－13[18]標準開展。測試系統(tǒng)采用基于CAN BUS通信協(xié)議的風電機組載荷測試系統(tǒng)[19-20]。該系統(tǒng)包括主系統(tǒng)、氣象數(shù)據(jù)采集系統(tǒng)、輪轂數(shù)據(jù)采集系統(tǒng)、塔頂數(shù)據(jù)采集系統(tǒng)、電池系統(tǒng)以及UPS（不間斷電源）系統(tǒng)6個部分組成，如圖2所示。

圖2 風電機組載荷測試系統(tǒng)

測試系統(tǒng)收集的SCADA信號包括：1）機艙前后加速度，2）機艙左右加速度，3）有功功率，4）齒輪箱油溫，5）剎車液壓，6）葉片槳距角，7）葉輪轉(zhuǎn)速，8）發(fā)電機扭矩，9）偏航方位角，10）偏航誤差。

氣象量包括：1）風速，2）風向，3）溫度，4）氣壓。

測量的關鍵位置載荷包括：1）葉片的擺振彎矩，2）葉片的揮舞彎矩，3）塔頂俯仰彎矩，4）塔頂傾覆彎矩，5）塔頂扭矩，6）塔底俯仰彎矩，7）塔底傾覆彎矩。

測試從2016年11月18日開始，到2017年3月20日終止。

3 載荷預測模型的建立與應用

本節(jié)我們基于實測數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡建立SCADA數(shù)據(jù)與載荷間的關系模型。通過比較預測結(jié)果與實測結(jié)果驗證了基于SCADA數(shù)據(jù)的風電機組載荷預測方法的適用性及有效性。

3.1 數(shù)據(jù)庫

本研究收集了自2016年11月18日至2017年3月20日間的測試數(shù)據(jù)。訓練數(shù)據(jù)選擇2016年11月18日到2017年2月20日期間的數(shù)據(jù)，預測數(shù)據(jù)為2017年2月20日到2017年3月20日期間的數(shù)據(jù)。載荷預測模型使用的數(shù)據(jù)為10 min時間序列數(shù)據(jù)的統(tǒng)計值（最大值、最小值、平均值、標準差）。按照1.2節(jié)所述，在原始數(shù)據(jù)中剔除如下數(shù)據(jù)：1）啟、停機等瞬態(tài)工況及未并網(wǎng)發(fā)電下的數(shù)據(jù)；2）不在可用扇區(qū)內(nèi)的數(shù)據(jù)；3）應變片等測量硬件故障狀態(tài)下采集的數(shù)據(jù)；4）10 min周期內(nèi)采集不完整的數(shù)據(jù)；5）風電機組內(nèi)部電磁干擾導致的反常數(shù)據(jù)。剔除后的有效數(shù)據(jù)量如表1所示。以葉片的擺振彎矩的均值為例，清洗前后的數(shù)據(jù)對比如圖3所示。

表1 有效數(shù)據(jù)量

圖3 葉片擺振彎矩均值

3.2 疲勞等效載荷

由于風電機組所承受的載荷主要是隨時間變化的動態(tài)隨機載荷，結(jié)構(gòu)因此而產(chǎn)生動應力，引起疲勞損傷。因此，本文選取疲勞等效載荷作為風電機組載荷的評估指標。

疲勞等效載荷是一個概括性的載荷，是指以給定的時間范圍（10 min）和頻率（1 Hz）確定的總的循環(huán)次數(shù)施加這個載荷時，它所造成的累積疲勞損傷與給定的時間范圍（10 min）內(nèi)實際動態(tài)載荷對結(jié)構(gòu)部件造成的累積疲勞損傷相同。疲勞等效載荷的定義為

式中eq為等效載荷，R為第級的載荷幅值，n為第級的載荷循環(huán)次數(shù)，eq為等效載荷循環(huán)次數(shù)，為材料S-N曲線的斜率。R和n通過雨流計數(shù)的得到，eq的大小為600，的大小按照IEC標準[18]建議取8。

按照疲勞等效載荷的定義，將關鍵位置處實測得到的10 min時間序列彎（扭）矩轉(zhuǎn)化為疲勞等效彎矩。圖4以葉片擺振為例展示了轉(zhuǎn)化后的等效疲勞載荷。在下文中，彎（扭）矩或等效彎（扭）矩均表示疲勞等效彎（扭）矩。

圖4 等效疲勞載荷

3.3 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡結(jié)構(gòu)的選擇至今尚無統(tǒng)一而完整的理論指導，一般只能由經(jīng)驗選定[21-25]。本研究中，BP神經(jīng)網(wǎng)絡的層數(shù)及隱含層神經(jīng)元數(shù)量通過試錯法確定。其中，隱含層內(nèi)神經(jīng)元數(shù)量按經(jīng)驗公式（2）初選[26]

式中為隱含層內(nèi)神經(jīng)元數(shù)量，為輸入層單元數(shù)，為輸出層單元數(shù)，為0到10之間的常數(shù)。以葉片擺振為例，輸入層單元數(shù)為11，輸出層單元數(shù)1，圖5給出了不同隱含層和神經(jīng)元數(shù)量組合下預測值與實測值間的相對誤差的均值。由圖5可見，1層隱含層較2、3層隱含層有更好的預測效果。當隱含層為1層、隱含層內(nèi)神經(jīng)元數(shù)量為6時準確度最高。在預測風電機組其余位置載荷時，隱含層數(shù)量統(tǒng)一設為1層，隱含層內(nèi)的神經(jīng)元數(shù)量通過試錯法確定最優(yōu)值。

學習率的選擇受計算速度與網(wǎng)絡收斂的雙重限制。當增大學習率時可以提高計算速度，但也可能導致結(jié)果發(fā)散。Kung等[27]提出的學習率為

式中h為神經(jīng)元數(shù)量。以葉片擺振為例，當隱含層神經(jīng)元數(shù)量為6時學習率為0.286。為保證計算收斂，保守起見本文采用的學習率統(tǒng)一設置為0.2。考慮到工程應用的要求，本文認為當誤差為0.01已足夠理想，因此目標誤差設為0.01；同時兼顧計算速度，最大訓練次數(shù)設為1 000。BP神經(jīng)網(wǎng)絡算法通過商用軟件RapidMiner實現(xiàn)。

3.4 參量選擇

訓練參數(shù)的選擇對神經(jīng)網(wǎng)絡模型的準確性有著重要影響，為準確建立風電機組不同位置處的疲勞等效載荷與SCADA數(shù)據(jù)間的關系模型，我們采用皮爾遜相關系數(shù)分析了不同SCADA信號與疲勞等效載荷間的相關性。皮爾遜相關系數(shù)的定義為

式中Cov(,)為變量和間的協(xié)方差；為變量的標準差；為變量的標準差。

按照相關系數(shù)法理論[28]，當2個物理量之間的相關系數(shù)值在0～0.09之間時，認為二者之間沒有相關性；當相關系數(shù)絕對值在0.09～0.3之間時，表示二者之間弱相關；當二者之間的相關系數(shù)絕對值在0.3～0.5之間時，表明二者是中等相關；當相關系數(shù)絕對值在0.5～1之間時，表明二者之間是強相關的。選取相關系數(shù)絕對值在0.3以上的參量作為輸入?yún)⒘俊?/p>

以塔底等效俯仰彎矩為例，所選SCADA參量及相應的相關性大小如表2所示。為驗證基于相關性計算的參數(shù)選擇方法的有效性，比較了2組輸入?yún)?shù)下的預測結(jié)果。Obdam等[10]在預測風電機組塔底俯仰彎矩時，利用試錯法確定的模型輸入?yún)⒘繛檩嗇炥D(zhuǎn)速的均值和標準差、葉片槳角的均值和標準差、功率的均值和標準差。2組參數(shù)對應的預測結(jié)果如圖6所示。對比可見，按照Obdam輸入?yún)⒘康玫筋A測結(jié)果較本文結(jié)果更為離散、誤差更大。由此可見，基于試錯法選擇的輸入?yún)⒘坎⒎亲顑?yōu)選擇。因此為了達到更好的預測準確度，有必要采用更多的SCADA數(shù)據(jù)作為輸入?yún)⒘?，此時基于相關性計算的參數(shù)選擇方法較試錯法效率更高，更適用于參數(shù)組合較多的情況。

表2 塔底俯仰彎矩與輸入?yún)⒘块g的相關性

圖6 預測結(jié)果對比

針對其余位置載荷，基于相關性計算所選的SCADA參量如表3所示。

表3 所選SCADA信號參量

注：Blade edge為葉片擺振彎矩，Blade flap為葉片揮舞彎矩，Ttbtilt為塔頂俯仰彎矩，Ttbroll為塔頂傾覆彎矩，Ttt塔頂扭矩，Tbbroll為塔底傾覆彎矩，Avg為平均值，Max為最大值，Std為標準差。

Note: Blade edge represent blade edgewise bending moment. Blade flap represent blade flapwise bending moment. Ttbtilt represent tower top tilt bending moment. Ttbroll represent tower top roll bending moment. Tbbtilt represent tower base tilt bending moment. Tbbroll represent tower base roll bending moment. Ttt represent tower top torsion moment. Max is an abbreviation for maximum. Min is an abbreviation for minimum. Std is an abbreviation for standard deviation. Avg is an abbreviation for average.

在選取參量時，當參量的10 min統(tǒng)計最大值、最小值和均值的相關系數(shù)絕對值相當時選取平均值；當統(tǒng)計最大值、最小值相關系數(shù)值絕對值大小相當時，選取最大值。除此之外，考慮到相同風速下溫度與氣壓的變化會改變空氣密度，進而影響風電機組載荷大小，因此選取氣壓平均值和溫度標準差作為輸入?yún)⒘俊?/p>

3.5 模型預測結(jié)果

本節(jié)基于所選SCADA參量及處理后的數(shù)據(jù)，針對不同位置處的載荷，對神經(jīng)網(wǎng)絡模型分別進行訓練。數(shù)據(jù)庫中，選取80%的數(shù)據(jù)量作為訓練數(shù)據(jù)來建立SCADA數(shù)據(jù)與載荷間的關系模型，另外20%作為檢驗數(shù)據(jù)來驗證模型的準確性。

參照相關研究[7-10]中準確性度量指標，本研究使用決定系數(shù)2和相對誤差均值δ來衡量模型的準確性，這2個指標的定義如式（5）、式（6）所示。

各關鍵位置處等效載荷的預測結(jié)果與實測結(jié)果的對比如圖7所示。

圖7 模型預測結(jié)果與實測結(jié)果比較

由圖7可見，由預測值和實測值確定的坐標點大致均勻分布在坐標系第一象限的對角線（45°）兩側(cè)，兩者的線性擬合如直線所示。圖7各子圖給出了對應的擬合方程、決定系數(shù)2和相對誤差的均值δ。其中，葉根擺振和揮舞彎矩的δ分別為1.28%和10.8%，2分別為0.951和0.940，塔筒彎矩的δ在11.5%到15.6%之間，2在0.939到0.882之間，能夠滿足工程實際需求。行業(yè)內(nèi)機組載荷仿真計算普遍采用商用軟件GH bladed進行，文獻[29]利用GH bladed軟件模擬了9組風況條件下塔底俯仰方向的等效疲勞載荷，9組仿真值與實測值的相對誤差均值為9.3%。文獻[30]利用GH bladed軟件就風電機組極限載荷進行了仿真，仿真值與實測值的對比為：葉根載荷相對誤差為12%～19%，塔筒彎矩載荷相對誤差為5%～16%。以GH bladed仿真準確度為參照，可見本文模型的預測準確度與主流仿真結(jié)果準確度相當。GH bladed軟件進行載荷預測需要全面詳細的風況信息且計算耗時長，不適用于對風電機組進行實時載荷預測。因此，基于SCADA數(shù)據(jù)和BP神經(jīng)網(wǎng)絡建立的載荷預測模型能夠及時、準確地預測風電機組各關鍵位置處的等效載荷。

圖8是基于SCADA數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡對風速進行的預測。所選SCADA數(shù)據(jù)為輪轂轉(zhuǎn)速的均值和標準差、葉片槳角的均值和標準差、功率的均值和標準差。風速預測結(jié)果與實測結(jié)果吻合的很好（2=0.984，δ=3.89%）。由此可以認為SCADA數(shù)據(jù)能夠間接表示風速，因此在不使用風速作為模型輸入?yún)⒘繒r，載荷的預測結(jié)果也能達到滿意的準確度。

圖8 風速預測

4 結(jié) 論

以某2.5 MW雙饋型風力發(fā)電機組為例，本文研究了基于SCADA數(shù)據(jù)和BP神經(jīng)網(wǎng)絡的風電機組載荷預測方法的有效性。利用BP神經(jīng)網(wǎng)絡建立的預測模型對風電機組7個關鍵位置處的載荷進行了預測，研究表明：

1）通過處理挖掘SCADA數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡建立SCADA數(shù)據(jù)與載荷間的近似關系，能夠?qū)︼L電機組不同位置、特性不一的載荷進行全面、準確地預測。葉根擺振及揮舞方向彎矩的相對誤差分別為1.28%和10.8%，決定系數(shù)2分別為0.951和0.940；塔筒各位置的相對誤差在11.5%到15.6%之間，決定系數(shù)2在0.939到0.882之間。

2）增加與載荷相關的SCADA參量作為模型輸入，能夠提高預測結(jié)果的準確性，以塔底俯仰彎矩為例，增加適當?shù)腟CADA參量預測結(jié)果的相對誤差由12.2%降為11.9%，決定系數(shù)2由0.904提高到0.939。因此基于相關性計算的參數(shù)選擇方法較試錯法更適用于參量較多的情況。

3）基于輪轂轉(zhuǎn)速、葉片槳角和有功功率，利用BP神經(jīng)網(wǎng)絡預測的風速與實測風速具有良好的一致性，相對誤差為3.89%，決定系數(shù)2為0.984，因此在“無風”可用的情況下，利用這3個參量能夠彌補風速信息的缺失。

為了實現(xiàn)對整個風電場風電機組載荷的預測評估，進一步的工作應從以下方面開展：1）進一步研究BP神經(jīng)網(wǎng)絡結(jié)構(gòu)與參數(shù)對預測模型準確度的影響；2）建立在尾流影響下的風電機組載荷預測模型；3）研究基于單個風電機組建立的關系模型能否推廣到其他同類型風電機組的載荷預測中。

[1] 付德義，秦世耀，薛揚，等. 風電機組低電壓穿越過程機械載荷特性研究[J]. 太陽能學報，2016，37(5)：1100－1106.

Fu Deyi, Qin Shiyao, Xue Yang, et al. Wind turbine mechanical load characteristics research[J]. Acta Energiae Solaris Sinica, 2016, 37(5): 1100－1106. (in Chinese with English abstract)

[2] 鄭小霞，葉聰杰，符楊. 海上風電場運行維護的研究與發(fā)展[J]. 電網(wǎng)與清潔能源，2012，28(11)：90－94.

Zheng Xiaoxia, Ye Congjie, Fu Yang. Research and development of operation and maintenance for offshore wind farms[J]. Power System and Clean Energy, 2012, 28(11): 90－94. (in Chinese with English abstract)

[3] 付德義，秦世耀. 基于風力發(fā)電機組載荷測試的設計載荷驗證[J]. 可再生能源，2013，31(8)：38－44.

Fu Deyi, Qin Shiyao. Wind turbine design load validation based on load measurement[J]. Renewable Energy Resources, 2013, 31(8): 38－44. (in Chinese with English abstract)

[4] 周鵬展，曾竟成，肖加余，等. 基于BLADED 軟件的大型風力機葉片氣動分析[J]. 中南大學學報：自然科學版，2010，41(5)：2022－2027.

Zhou Zhanpeng, Zeng Jingcheng, Xiao Jiayu, et al. Aerodynamic analysis of a large-scale wind turbine blade based on BLADED software [J]. Journal of Central South University: Science and Technology, 2010, 41(5): 2022－2027. (in Chinese with English abstract)

[5] 龐曉平，梁河，陳進，等. 風力葉片極限載荷評價與分析[J]. 重慶大學學報，2015，38(1)：74－86.

Pang Xiaoping, Liang He, Chen Jin, et al. Evaluation and analysis on the extreme load of wind turbine blade[J]. Journal of Chongqing University, 2015, 38(1): 74－86. (in Chinese with English abstract)

[6] 馬林靜，劉輝，王樹軍. 風電機組載荷計算標準的對比研究[J]. 太陽能學報，2015，36(1)：70－78.

Ma Linjing, Liu Hui, Wang Shujun. Comparison research of load calculation standard for wind turbines[J]. Acta Energiae Solaris Sinica, 2015, 36(1): 70－78. (in Chinese with English abstract)

[7] 董禮，廖明夫，Martin K，等. 風力機等效載荷的評估[J]. 太陽能學報，2008，29(12)：1456－1459.

Dong Li, Liao Mingfu, Martin K, et al. Estimation of equivalent load for a horizontal axis wind turbine[J]. Acta Energiae Solaris Sinica, 2008, 29(12): 1456－1459. (in Chinese with English abstract)

[8] Obdam T S, Rademakers L W M M, Braam H. Flight leader concept for wind farm load counting and performance assessment[R]. ECN-M-09-054, 2009.

[9] Obdam T S, Rademakers L W M M, Braam H. Flight leader concept for wind farm load counting: First offshore implementation[R]. ECN-M-09-114, 2009.

[10] Obdam T S, Rademakers L W M M, Braam H. Flight leader concept for wind farm load counting: Offshore evaluation[R]. ECN-M-09-122, 2009.

[11] 戚德虎，康繼昌. BP神經(jīng)網(wǎng)絡設計[J]. 計算機工程與設計，1998，19(2)：48－50.

Qi Dehu, Kang Jichang. On design of the BP neural network[J]. Computer Engineering and Design, 1998, 19(2): 48－50. (in Chinese with English abstract)

[12] 高雪鵬，叢爽. BP網(wǎng)絡改進算法的性能對比研究[J]. 控制與決策，2001，16(2)：167－171.

Gao Xuepeng, Cong Shuang. Comparative study on fast learning algorithms of BP networks[J]. Control and Decision, 2001, 16(2): 167－171. (in Chinese with English abstract)

[13] 楊剛，陳鳴. 基于BP神經(jīng)網(wǎng)絡的風速預測和風能發(fā)電潛力分析[J]. 華東電力，2010，38(2)：304－309.

Yang Gang, Chen Ming. Wind speed forecast and wind power potential analysis based on BP neural networks[J]. East China Electric Power, 2010, 38(2): 304－309. (in Chinese with English abstract)

[14] 裴成玉，張宏明，蒯志要. 基于BP神經(jīng)網(wǎng)絡的載荷試驗研究[J]. 港工技術，2014，51(4)：81－83.

Pei Chengyu, Zhang Hongming, Kuai Zhiyao. Load experimental research base on BP neural network[J]. Port Engineering Technology, 2014, 51(4): 81－83. (in Chinese with English abstract)

[15] 童超，郭鵬. 基于特征選擇和BP神經(jīng)網(wǎng)絡的風電機組故障分類監(jiān)測研究[J]. 動力工程學報，2014，34(4)：313－317. Tong Chao, Guo Peng. Wind turbine fault classification based on bp neural network and feature selection algorithm[J]. Journal of Chinese Society of Power Engineering, 2014, 34(4): 313－317. (in Chinese with English abstract)

[16] Le Zheng, Wei Hu, Yong Min. Raw Wind data preprocessing: a data-mining approach[J]. IEEE Transactions on Sustainable Energy, 2015, 6(1): 11－19.

[17] Wind turbines Part1: Design requirements: IEC 61400-1-2005[S].

[18] Wind turbines generator systems-Part 13: Measurement of mechanical loads : IEC 61400-13-2001[S].

[19] 薛揚，付德義，焦渤，等. 一種符合IEC 61400-13 標準的風電機組載荷測試系統(tǒng): 201010513594 [P]. 2011-02-16.

[20] 付德義，薛揚，秦世耀，等. MW級風力發(fā)電機組載荷測試方法研究[J]. 可再生能源，2013，31(3)：65－68.

Fu Deyi, Xue Yang, Qin Shiyao, et al. MW class wind turbine load measurement method research[J]. Renewable Energy Resources, 2013, 31(3): 65－68. (in Chinese with English abstract)

[21] 唐萬梅. BP神經(jīng)網(wǎng)絡網(wǎng)絡結(jié)構(gòu)優(yōu)化問題的研究[J].系統(tǒng)工程理論與實踐，2005，25(10)：95－100.

Tang Wanmei. The study of the optimal structure of BP neural network[J]. Systems Engineering-Theory & Practice, 2005, 25(10): 95－100. (in Chinese with English abstract)

[22] 田旭光，宋丹，劉宇新. 結(jié)合遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡的結(jié)構(gòu)和參數(shù)[J]. 計算機應用與軟件，2004，21(6)：69－71.

Tian Xuguang, Song Dan, Liu Xinyu. Optimizing the structure and parameters of BP neural network based on genetic algorithm[J]. Computer Applications and Software, 2004, 21(6): 69－71. (in Chinese with English abstract)

[23] 高大文，王鵬，蔡臻超. 人工神經(jīng)網(wǎng)絡中隱含層節(jié)點與訓練次數(shù)的優(yōu)化[J]. 哈爾濱工業(yè)大學學報，2003，35(2)：207－209.

Gao Dawen, Wang Peng, Cai Zhenchao. Optimization of hidden nodes and training times in artificial neural network[J]. Journal of Harbin Institute of Technology, 2003, 35(2): 207－209. (in Chinese with English abstract)

[24] 蔡兵. BP神經(jīng)網(wǎng)絡隱層結(jié)構(gòu)的設計方法[J]. 通化師范學院學報，2007，28(2)：18－19.

Cai Bing. Design method on structure of implicit strata in BP neural network[J]. Journal of Tonghua Teachers College, 2007, 28(2): 18－19.(in Chinese with English abstract)

[25] 王德明，王莉，張廣明. 基于遺傳BP神經(jīng)網(wǎng)絡的短期風速預測模型[J]. 浙江大學學報：工學版，2015，6(1)：837－841.

Wang Deming, Wang Li, Zhang Guangming. Short-term wind speed forecast model for wind farms based on genetic BP neural network[J]. Journal of Zhejiang University: Engineering Science, 2015, 6(1): 837－841. (in Chinese with English abstract)

[26] 沈花玉，王兆霞，高成耀，等. BP神經(jīng)網(wǎng)絡隱含層單元數(shù)的確定[J]. 天津理工大學學報，2008，24(5)：13－15.

Shen Huayu, Wang Zhaoxia, Gao Chengyao, et al. Determining the number of BP neural network hidden layer units[J]. Renewable Energy Resources, 2008，24(5)：13－15. (in Chinese with English abstract)

[27] Kung S Y, Hwang J N. An algebraic projection analysis for optimal hidden units size and learning rates in back-propagation learning[J]. IEEE International Conference on Neural Networks, 1988, 1(1): 363－370.

[28] 李潔明，祁新娥. 統(tǒng)計學原理[M]. 上海：復旦大學出版社，2010：314－317.

[29] 付德義，薛揚，焦渤，等. 湍流強度對風電機組疲勞等效載荷的影響[J]. 華北電力大學學報，2015，42(1)：45－50.

Fu Deyi, Xue Yang, Jiao Bo, et al. Effects on the turbulence intensity to wind turbine fatigue equivalent load[J]. Journal of North China Electric Power University, 2015, 42(1): 45－50. (in Chinese with English abstract)

[30] 盛振國，王樹軍，付德義，等. 風電機組測量載荷工況對比研究[J]. 太陽能學報，2016，37(2)：303－309.

Sheng Zhenguo, Wang Shujun, Fu Deyi, et al. Comparative study on measurement load cases of wind turbine generator systems[J]. Acta Energiae Solaris Sinica, 2016, 37(2): 303－309. (in Chinese with English abstract)

Prediction of wind turbine key load based on SCADA data

Zhou Shidong, Xue Yang, Ma Xiaojing, Wang Wenzhuo

(100192)

The accurate prediction of wind turbine load at crucial positions is of great importance for wind turbines’ structural safety and scheme of operation and maintenance. Traditional load measurements using strain gauges are not suitable for long-term load monitoring because such measurements are labor-intensive, costly and time-consuming. Load simulation using software represented by GH bladed is not applicable to the evaluation of wind turbines’ load because of the failure to get comprehensive information of wind in real time. Therefore, it is necessary to develop an economical and feasible assessment method for wind turbine load. The prediction of wind turbine load may be achieved by establishing the relationship between SCADA data and load measurements. In view of the complicated load condition and coupling relationship among loads, BP (back propagation) neural network is used to construct the relationship between SCADA data and load indicators. The load indicator used in this study is fatigue equivalent load. The SCADA data used as input parameters are selected by calculating the correlation coefficients between SCADA data and load indicators. The numbers of hidden layers and neurons are determined by trial-and-error approach. Taking blade edgewise blending moment as the example, when the rest of parameters of neural network remain fixed, the predicted outputs by the BP neural network with 1 hidden layer and 6 neurons are the most accurate. For other BP neural network models, 1 hidden layer is used and the number of neurons is determined by trial-and-error approach. In order to prove the validity of the model, load measurements at 7 crucial locations of a 2.5 MW wind turbine are carried out. The accuracy of the relationship model is judged by comparing the predicted outputs by the model with the measured values. The coefficient of determination and the arithmetic mean value of relative errors between model outputs and measured values are used to characterize the accuracy. The arithmetic mean values of relative errors are between 1.28% and 15.6%, and the coefficients of determination are between 0.882 and 0.951, which show that the predictions are in good agreement with measurements. Therefore, establishing the approximate relationship between SCADA data and load indicators by BP neural networks can be used as an effective means to achieve the long-term monitoring and evaluation of wind turbine load at crucial locations. In the consideration of the fact that the wind farm seldom has the wind measurement mast and anemometer mounted in nacelle is often affected by the rotating blades, this study has abandoned the wind speed in the load prediction. Using BP neural network, hub rotating speed, pitch angle and active power are used to predict wind speed. The predicted values agree well with the measured value, which indicates that wind speed is not indispensable for the accurate load prediction. The study also shows that better prediction accuracy can be achieved by increasing reasonable input parameters. When there are many SCADA data that can be used as model input, the correlation coefficient approach is more efficient than the trial-and-error approach in selecting model inputs.

wind turbines; models; neural network; SCADA data; parameter selection; fatigue equivalent load; load prediction

10.11975/j.issn.1002-6819.2018.02.030

TK83; TK81

A

1002-6819(2018)-02-0219-07

2017-07-27

2017-12-04

國家電網(wǎng)公司科技項目（NYB17201600300）；國家科技支撐項目（2015BAA07B01）

周士棟，男，主要從事風力發(fā)電機組機械載荷、功率特性測試方法與仿真技術研究。Email：zhoushidong@epri.sgcc.com.cn

周士棟，薛揚，馬曉晶，王文卓. 基于SCADA數(shù)據(jù)的風電機組關鍵載荷預測[J]. 農(nóng)業(yè)工程學報，2018，34(2)：219－225. doi：10.11975/j.issn.1002-6819.2018.02.030 http://www.tcsae.org

Zhou Shidong, Xue Yang, Ma Xiaojing, Wang Wenzhuo. Prediction of wind turbine key load based on SCADA data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(2): 219－225. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.02.030 http://www.tcsae.org