基于聚類分析的風(fēng)電機(jī)組偏航對風(fēng)優(yōu)化

中廣核風(fēng)電有限公司 董 禮 張雪松 蘇寶定

能源是當(dāng)今社會面臨的主要和最重要的挑戰(zhàn)之一。長期以來，各種可再生能源一直被視為解決世界能源和環(huán)境問題的最終解決方案，在不同類型的可再生能源技術(shù)中，風(fēng)能目前擁有最有利的投資成本與生產(chǎn)率之比。在風(fēng)電場運行過程中，通過優(yōu)化機(jī)組的控制策略來提升機(jī)組年發(fā)電量具有重要意義。偏航系統(tǒng)使得機(jī)組在運行過程中風(fēng)輪平面始終正對來流，在風(fēng)向多變的來流中保證機(jī)組發(fā)揮最大效能。大型水平軸風(fēng)力機(jī)多采用主動偏航系統(tǒng)，其測風(fēng)裝置由風(fēng)向標(biāo)及風(fēng)速儀構(gòu)成，為偏航系統(tǒng)提供風(fēng)向及風(fēng)速數(shù)據(jù)。

如何對偏航控制策略進(jìn)行優(yōu)化，提高對風(fēng)精度一直是被關(guān)注的問題。張舜德等人[1]采用了高精度的角位移傳感器測量來流風(fēng)向，將風(fēng)向變化劃分為恒向變風(fēng)以及變風(fēng)恒向并采用爬山算法進(jìn)行優(yōu)化控制；張慧寧[2]設(shè)計了一種基于優(yōu)化卡爾曼濾波偏航控制算法的控制器對風(fēng)向量進(jìn)行預(yù)測，并利用小時間尺度范圍內(nèi)風(fēng)向在一定范圍內(nèi)作擊期性變化的特性，對結(jié)果進(jìn)行優(yōu)化；王欣等[3]根據(jù)對風(fēng)誤差歲風(fēng)速的變化特點，提出了分風(fēng)速段的偏航優(yōu)化方案；張樂等[4]劃分了22個功率段以及12個偏航方位角，結(jié)合機(jī)艙式雷達(dá)測得的偏航誤差角制成偏航誤差表。

隨著人工智能的不斷發(fā)展，深度學(xué)習(xí)等先進(jìn)的分析方法開始運用到偏航優(yōu)化問題當(dāng)中。D.Choi等[5]建立了動態(tài)偏航誤差與風(fēng)向、風(fēng)速、風(fēng)輪轉(zhuǎn)速的關(guān)系模型，使用了線性回歸算法、隨機(jī)森林算法和梯度增強(qiáng)算法三種機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，誤差減小了44.4%。

本文提出基于SCADA的歷史數(shù)據(jù)，采用基于聚類分析的工況識別方法，通過工況識別自動提取有效數(shù)據(jù)，對風(fēng)向標(biāo)測量的靜態(tài)偏差進(jìn)行估算，并以此為依據(jù)進(jìn)行偏航優(yōu)化，及時發(fā)現(xiàn)風(fēng)向標(biāo)的測量偏差并修正，以達(dá)到明顯提升風(fēng)電場發(fā)電量的目的。

1 數(shù)據(jù)準(zhǔn)備

選取江蘇省的某風(fēng)電場，對編號34#～66#風(fēng)電機(jī)組采集90天的歷史數(shù)據(jù)，進(jìn)行分析。以下是數(shù)據(jù)選擇測點名稱及測點說明：風(fēng)速。若有兩個風(fēng)速儀則取兩個；風(fēng)向。若有兩個風(fēng)向標(biāo)則取兩個；功率。發(fā)電機(jī)并網(wǎng)功率；變槳角度。變槳位置，三個葉片各一個；發(fā)電機(jī)轉(zhuǎn)速；葉輪轉(zhuǎn)速；機(jī)組狀態(tài)。停機(jī)、并網(wǎng)和故障等；偏航位置。偏航編碼器；環(huán)境溫度。選取以上測點，采用間隔為10秒，導(dǎo)出最近3個月的歷史數(shù)據(jù)。導(dǎo)出的數(shù)據(jù)格式可以是Excel或者CSV等。

2 數(shù)據(jù)分析

分析流程：自動工況識別-自動工況篩選-自動計算功率分布-自動尋優(yōu)-求導(dǎo)自檢。

2.1 基于聚類分析的自動工況識別與篩選

本次實驗的目的是為了揭示風(fēng)向標(biāo)測量偏差對風(fēng)電機(jī)組功率的影響，并以此進(jìn)行偏航優(yōu)化，因此必須對測量數(shù)據(jù)進(jìn)行篩選，選出風(fēng)電機(jī)組正常并網(wǎng)運行工況下的數(shù)據(jù)來進(jìn)行研究。聚類分析(Cluster Analysis)是數(shù)理統(tǒng)計中研究”物以類聚”的一種方法[6]，應(yīng)用聚類算法對風(fēng)電機(jī)組運行中的槳距角變化與風(fēng)電機(jī)組運行工況進(jìn)行對比，可識別出風(fēng)電機(jī)組啟動、停機(jī)、故障、限制功率運行和正常并網(wǎng)運行等不同工況，并對各種工況進(jìn)行分類，就可以篩選出所需正常并網(wǎng)運行數(shù)據(jù)。自動工況識別結(jié)果如圖1所示，自動工況篩選如圖2所示。圖1和圖2的橫坐標(biāo)和縱坐標(biāo)分別是風(fēng)速、變槳角度和功率的標(biāo)幺值。

圖1 自動工況識別

圖2 自動工況篩選

2.2 基于連續(xù)求導(dǎo)分析的自動功率尋優(yōu)

對風(fēng)電機(jī)組功率對應(yīng)的輪轂中心高度處入流風(fēng)速以及偏航誤差角進(jìn)行統(tǒng)計，得出各風(fēng)速在不同偏航誤差角下功率的分布，如圖3所示。明顯看出0°偏航誤差角處各風(fēng)速對應(yīng)的功率并不是最優(yōu)，而只有尋找到功率在偏航誤差角和對應(yīng)風(fēng)速上的最優(yōu)區(qū)域，才能使得偏航優(yōu)化后的功率提升最大化。應(yīng)用連續(xù)求導(dǎo)分析方法排除非正常數(shù)據(jù)的干擾，有效避免自動尋優(yōu)落入局部最優(yōu)。對5～8m/s風(fēng)速所對應(yīng)的最優(yōu)區(qū)域進(jìn)行（某分析）尋優(yōu)，得出全局尋優(yōu)結(jié)果，其結(jié)果如圖5所示。圖3、圖4、圖5中橫坐標(biāo)是對風(fēng)偏差角度，縱坐標(biāo)是功率。

圖3 功率分布

圖4 功率最優(yōu)點

圖5 功率尋優(yōu)結(jié)果

3 偏航優(yōu)化結(jié)果

各機(jī)組偏航誤差角(°)及發(fā)電量提升(%)分別為：34#機(jī)組-9.75/3，35#機(jī)組-7.0/1.1，36#機(jī)組-1.75/0.12，37#機(jī)組1.25/0.12，38#機(jī)組-8.75/1.98，39#機(jī)組10/3.11，40#機(jī)組-4.75/0.5，41#機(jī)組-7.25/1.5，42#機(jī)組-3.25/0.4，43#機(jī)組-8.25/2，44#機(jī)組-0.5/0，45#機(jī)組-11.75/4，46#機(jī)組-3.25/0.5，47#機(jī)組-8/2，48#機(jī)組-0.5/0，49#機(jī)組-2.0/0.12，50#機(jī)組13/5，51#機(jī)組8.5/2，52#機(jī)組6.5/1.1，53#機(jī)組-0.5/0，54#機(jī)組10.25/3.11，55#機(jī)組4.3/0.5，56#機(jī)組4.5/0.5，57#機(jī)組-7.75/2，58#機(jī)組7.25/1.5，59#機(jī)組-3.0/0.3，60#機(jī)組-1.5/0.1，61#機(jī)組6.25/1.1，62#機(jī)組-1.5/0.1，63#機(jī)組5.25/0.6，64#機(jī)組5.5/0.6，65#機(jī)組-6.0/1.1，66#機(jī)組-4.75/0.5。

4 結(jié)語

聚類分析可以有效地完成工況自動識別，在此基礎(chǔ)上提取有效數(shù)據(jù)進(jìn)行，應(yīng)用連續(xù)求導(dǎo)搜索功率在不同偏航角度下的分布，有效避免自動尋優(yōu)落入局部最優(yōu)，得到準(zhǔn)確的結(jié)果。分析結(jié)果表明，通過分析全場的數(shù)據(jù)，可以有效地發(fā)現(xiàn)存在偏航偏差的機(jī)組，通過針對性的校正，從而有效地提升發(fā)電量。