考慮風(fēng)能隨機性趨勢的風(fēng)電機組偏航啟動優(yōu)化研究

蘇國梁,李國慶,李鳳俊,邢月,張霄翔,顧煜炯

（1.國電電力內(nèi)蒙古新能源開發(fā)有限公司，內(nèi)蒙古呼和浩特 010020；2.華北電力大學(xué)能源動力與機械工程學(xué)院，北京 102206）

0 引言

風(fēng)電機組的運行優(yōu)化是提高風(fēng)電機組運行效率和降低運行維護成本的有效手段，已成為眾多風(fēng)電研究專家的關(guān)注點[1]。風(fēng)電機組運行優(yōu)化是利用系統(tǒng)的方法，從能量傳遞過程和輔助運行過程中探索提高機組能量轉(zhuǎn)化，降低不必要的能量損失和降低設(shè)備冗余動作的優(yōu)化決策過程。因為具有全流程分析設(shè)備運行狀態(tài)，注重弱化不同機型和不同的外部環(huán)境對優(yōu)化策略的限制，風(fēng)電機組運行優(yōu)化逐步成為風(fēng)電機組狀態(tài)監(jiān)測和運行維護的主要環(huán)節(jié)[2]，[3]。

隨著狀態(tài)監(jiān)測技術(shù)的不斷完善，風(fēng)電機組運行優(yōu)化的研究也取得了一定的進展。偏航系統(tǒng)的功能是保證風(fēng)輪正對風(fēng)來流方向，保障風(fēng)輪獲得較高的效率。偏航系統(tǒng)對風(fēng)電機組的影響比尾跡、湍流和塔影更為嚴(yán)重[4]。文獻[5]發(fā)現(xiàn)，偏航控制策略需要更多的建模理論和模型。不同學(xué)科領(lǐng)域?qū)ζ较到y(tǒng)的優(yōu)化有不同的側(cè)重和出發(fā)點。例如，從偏航系統(tǒng)的控制策略角度研究對風(fēng)策略；從迎風(fēng)信息測量角度，采用激光測風(fēng)系統(tǒng)[6]得到準(zhǔn)確的風(fēng)場參數(shù)；從偏航系統(tǒng)的重新啟動和停止動作的角度，注重分析低風(fēng)速運行策略。寧旭[7]采用粒子群優(yōu)化算法調(diào)節(jié)偏航角度，實現(xiàn)了發(fā)電量的提升。宋鵬[8]定量分析了風(fēng)向波動幅值和波動持續(xù)時間，通過修改偏航誤差閾值降低了偏航次數(shù)。Jing B[9]采用改進的基于最大功率捕獲的偏航失準(zhǔn)檢測方法對不同偏航狀態(tài)下的功率輸出進行了仿真，通過檢測和標(biāo)定橫擺角偏差提高了機組的效率。激光雷達可用于風(fēng)艙風(fēng)向標(biāo)測量，然而，激光雷達的成本仍然太高，測量受到風(fēng)切變和傾斜流入的限制。因此，本文提出了通過風(fēng)電機組的數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（SCADA）來優(yōu)化偏航系統(tǒng)。

偏航系統(tǒng)的精細化分析是分析不同的風(fēng)速風(fēng)向條件是否適合偏航，而不是按照既定規(guī)則進行偏航。為了提高偏航系統(tǒng)運行的效率和可靠性、降低電量損失以及可能的配件更換損失[10]，本文提出了偏航系統(tǒng)運行優(yōu)化模型來優(yōu)化偏航的決策系統(tǒng)。分類預(yù)測在數(shù)據(jù)挖掘中應(yīng)用廣泛，其中決策樹能夠在處理高維特征空間時通過樹形的方式展現(xiàn)決策過程，具有良好的直觀性，在醫(yī)學(xué)和經(jīng)濟領(lǐng)域得到了廣泛的應(yīng)用。CHAID決策樹能夠?qū)?shù)值型輸入變量進行分箱處理，減少輸入變量的取值個數(shù)，并且依據(jù)統(tǒng)計檢驗結(jié)果確定最佳變量分組和分割點。因此，本文在分析影響偏航動作的相關(guān)參數(shù)時采用CHAID決策樹。偏航策略的調(diào)整是基于當(dāng)前的偏航策略和環(huán)境風(fēng)速風(fēng)向的波動，因此在構(gòu)建優(yōu)化模型時，首先分析了歷史的風(fēng)速風(fēng)向數(shù)據(jù)和偏航系統(tǒng)在不同的環(huán)境狀態(tài)下啟動和停止的模式。在風(fēng)速和風(fēng)向的基礎(chǔ)上，提出了相關(guān)的波動性指標(biāo)。采用CHAID決策樹確定偏航啟動相關(guān)參數(shù)，將得到的結(jié)構(gòu)作為神經(jīng)網(wǎng)絡(luò)模型的輸出，得到偏航系統(tǒng)優(yōu)化模型，最后用實例驗證了模型的有效性。

1 基于風(fēng)資源隨機性趨勢分析的偏航系統(tǒng)運行控制策略數(shù)據(jù)集的構(gòu)建

1.1 短時風(fēng)資源隨機性的趨勢分析

風(fēng)資源是研究偏航系統(tǒng)優(yōu)化的焦點，風(fēng)資源定量分析是從海量的風(fēng)資源數(shù)據(jù)中提取潛藏的對偏航系統(tǒng)有用信息的分析過程。風(fēng)電機組通過SCADA系統(tǒng)獲得并積累了大量可靠的風(fēng)資源和機組運行數(shù)據(jù)，極大促進了數(shù)據(jù)分析的深入程度。在分析風(fēng)資源數(shù)據(jù)時，為滿足數(shù)據(jù)的準(zhǔn)確描述，強調(diào)風(fēng)速和風(fēng)向的波動和趨勢性變化，風(fēng)資源定量分析時采用的數(shù)據(jù)采集間隔為5 min。

從兩個角度描述風(fēng)速和風(fēng)向，一是描述相鄰時刻風(fēng)速風(fēng)向的變化情況，側(cè)重表現(xiàn)隨機性的變化范圍，二是在一段短時內(nèi)風(fēng)速和風(fēng)向的波動狀態(tài)的描述，側(cè)重表現(xiàn)風(fēng)速和風(fēng)向的趨勢性變化。采用風(fēng)速變化ΔV、風(fēng)向變化ΔD、風(fēng)速波動σV和風(fēng)向變化波動σD定量描述風(fēng)資源。

式中：Vt為在t時刻的風(fēng)速；Dt為在t時刻的風(fēng)向；Vi為在i時刻的風(fēng)速；V′為風(fēng)速在一段時間內(nèi)的平均值；n為這段時間內(nèi)監(jiān)測點的個數(shù)；ΔDi為在i時刻的風(fēng)向波動；ΔD′為風(fēng)向波動在一段時間內(nèi)的平均值。

選擇貴州某風(fēng)電場風(fēng)電機組的SCADA系統(tǒng)中記錄的風(fēng)速和風(fēng)向數(shù)據(jù)分析其分布規(guī)律。根據(jù)歷史風(fēng)速和風(fēng)向的數(shù)據(jù)記錄進行分析，其中n取值為6，對應(yīng)的時間為1 h。圖1為某一天風(fēng)速、風(fēng)速變化和風(fēng)速波動的變化曲線。該日風(fēng)速為4.6～9.0 m/s，風(fēng)速變化為0～1.8 m/s，風(fēng)速波動為0～1。該日風(fēng)速的范圍大，風(fēng)速的變化頻繁，風(fēng)速波動的范圍小。

圖1 某日風(fēng)速、風(fēng)速變化和風(fēng)速波動Fig.1 Wind speed，variation and fluctuation of wind speed in a day

圖2為同一天風(fēng)向、風(fēng)向變化和風(fēng)向變化波動的變化曲線。該日風(fēng)向為127～182°，風(fēng)向變化為-18～17°，風(fēng)速變化波動為0～14。該日風(fēng)向的范圍大，風(fēng)向變化波動的范圍小。

圖2 某日風(fēng)向、風(fēng)向變化和風(fēng)向變化波動Fig.2 Wind direction，change of wind direction and fluctuation of wind direction on a certain day

單日的數(shù)據(jù)分析展現(xiàn)了風(fēng)速、風(fēng)速變化、風(fēng)速波動、風(fēng)向、風(fēng)向變化和風(fēng)向變化波動的數(shù)據(jù)關(guān)聯(lián)與區(qū)別。由于每日的數(shù)據(jù)具有一定的局限性，因此，在構(gòu)建偏航優(yōu)化模型中，采用SCADA系統(tǒng)中1 a的歷史數(shù)據(jù)來構(gòu)建偏航優(yōu)化模型，為此分析了1臺機組2017年的歷史數(shù)據(jù)（表1）。表中：P90，P95，P99分別代表的是90分位數(shù)，95分位數(shù)，99分位數(shù)，分位數(shù)展示出了歷史數(shù)據(jù)的分布范圍。

表1 一年歷史數(shù)據(jù)中各個參數(shù)的統(tǒng)計數(shù)據(jù)Table 1 Statistical data of each parameter in one year's historical data

由表1可知，風(fēng)速的最大值為16.8 m/s，90分位數(shù)為8.6 m/s，99分位數(shù)為10.8 m/s，可以看出風(fēng)速主要集中在均值5.5 m/s，隨著風(fēng)速的增大，風(fēng)速值的頻率是快速減小的。因此，在構(gòu)建模型的過程中，選擇10分位數(shù)到90分位數(shù)之間的歷史數(shù)據(jù)作為模型的輸入。

1.2 偏航系統(tǒng)運行控制策略數(shù)據(jù)集的構(gòu)建

在風(fēng)資源定量分析時，可以發(fā)現(xiàn)，風(fēng)速和風(fēng)向的歷史數(shù)據(jù)雖然具有隨機性，但是在范圍上是有邊界的，即不是隨機的變化。從圖1，2中可以觀察到，風(fēng)速和風(fēng)向在前后觀測點的變化上是緩慢的，對應(yīng)于表1中，風(fēng)速變化的99分位數(shù)的值是1.6 m/s，同樣體現(xiàn)出風(fēng)速和風(fēng)向變化是緩慢的特征?；谝陨戏治?，在構(gòu)建數(shù)據(jù)時采用SCADA監(jiān)測值和分析值作為數(shù)據(jù)集，部分?jǐn)?shù)據(jù)如表2所示。

表2 偏航系統(tǒng)運行控制策略歷史數(shù)據(jù)集Table 2 Historical data set of yaw system operation control strategy

在風(fēng)資源定量分析的基礎(chǔ)上，加入了偏航誤差、機艙位置、機艙位置變化、變槳位置和變槳變化等其他風(fēng)電機組狀態(tài)監(jiān)測參數(shù)為偏航系統(tǒng)運行控制策略數(shù)據(jù)集。

2 基于CHAID決策樹和神經(jīng)網(wǎng)絡(luò)的偏航系統(tǒng)優(yōu)化模型構(gòu)建

通過決策樹和神經(jīng)網(wǎng)絡(luò)構(gòu)建風(fēng)電機組偏航優(yōu)化的決策模型。提出在風(fēng)速變化、風(fēng)速波動、風(fēng)向變化、風(fēng)向變化波動的基礎(chǔ)上，加入SCADA參數(shù)，通過決策樹得到偏航啟動和停止的相關(guān)參數(shù)，然后將得到的相關(guān)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，通過調(diào)整神經(jīng)網(wǎng)絡(luò)模型，得到了偏航優(yōu)化模型。

2.1 基于CHAID的偏航優(yōu)化模型輸入?yún)?shù)的確定

在分析偏航系統(tǒng)歷史數(shù)據(jù)構(gòu)建偏航優(yōu)化模型時，輸入?yún)?shù)的維度越高，神經(jīng)網(wǎng)絡(luò)模型的精度越高，得到的偏航優(yōu)化建議也更為精準(zhǔn)，但是另一方面，輸入過的參數(shù)的維度會降低偏航優(yōu)化模型的計算效率，增加了在線優(yōu)化難度。因此，須要從眾多的偏航影響因素中選擇最佳的分組變量，本文采用卡方自動交互診斷器（CHAID）決策樹確定最佳分組變量。

CHAID決策樹是從統(tǒng)計顯著性檢驗的角度來確定當(dāng)前最佳分組變量和分割點。CHAID算法通過因變量劃分多個自變量，考慮到多個自變量之間相互影響，通過統(tǒng)計檢驗結(jié)果呈現(xiàn)每一個劃分特征的描述，從而得到最主要的影響變量。CHAID決策樹的特點是基于輸入變量和輸出變量的相關(guān)程度來確定變量分組的依據(jù)，它的最佳分組變量為與輸出變量最相關(guān)的輸入變量，其中輸出變量采用卡方檢驗。在這個過程中，首先是輸入變量即偏航影響因素的預(yù)處理；其次對數(shù)值型歷史數(shù)據(jù)進行分箱處理，合并分類型偏航數(shù)據(jù)的取值，形成偏航?jīng)Q策相關(guān)因素的超類。這樣可以合并對偏航數(shù)據(jù)沒有影響的因素；再次是最佳分布變量的選擇，偏航優(yōu)化模型的輸出變量為是否偏航，即分類型輸出變量；最后是CHAID的修剪，CHAID采用的是預(yù)修建策略，通過參數(shù)控制決策樹的中分生長，這些參數(shù)包含偏航影響分類的深度、偏航因素決策樹中父節(jié)點和子節(jié)點的比例，以及當(dāng)偏航影響因素和是否偏航的相關(guān)性的指定值。

2.2 基于神經(jīng)網(wǎng)絡(luò)對偏航系統(tǒng)優(yōu)化模型建模

通過CHAID決策樹將偏航?jīng)Q策相關(guān)因素的維度降低后，采用前饋多層的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建偏航系統(tǒng)的優(yōu)化模型。偏航優(yōu)化模型的訓(xùn)練過程是一個不斷向監(jiān)測歷史數(shù)據(jù)和分析值學(xué)習(xí)的過程，學(xué)習(xí)的目的是通過從輸入的偏航相關(guān)數(shù)據(jù)中得到的反饋結(jié)果，不斷地調(diào)整權(quán)值得到精度不斷提高的分類結(jié)果。由于每一個時間點的歷史數(shù)據(jù)都會提供關(guān)于偏航運行方向的輸入、輸出變量數(shù)量關(guān)系的信息，因此，在這個過程中，模型須要依次向歷史樣本數(shù)據(jù)學(xué)習(xí)。當(dāng)向所有的樣本歷史數(shù)據(jù)學(xué)習(xí)結(jié)束后，會根據(jù)得到的分類結(jié)果判斷是否符合預(yù)期精度。如果在第一次偏航歷史數(shù)據(jù)學(xué)習(xí)后不能夠符合要求，會再次使用相同的偏航歷史數(shù)據(jù)進行再次學(xué)習(xí)，直到可以滿足終止條件。在模型訓(xùn)練的過程中，歷史數(shù)據(jù)的時間長度會影響模型精度和模型訓(xùn)練次數(shù)。

3 實例驗證

3.1 風(fēng)電機組偏航系統(tǒng)優(yōu)化模型構(gòu)建

選取貴州某風(fēng)電場的監(jiān)測數(shù)據(jù)來驗證決策樹因素篩選和偏航系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的有效性，風(fēng)電機組的額定功率為2 000 kW，功率因數(shù)為-0.95～+0.95，切入風(fēng)速為3 m/s，切出風(fēng)速為20 m/s，額定風(fēng)速為9.2 m/s，偏航電機是4個額定功率為3 kW的帶制動的三相異步電動機，偏航的速度為0.3°/s。

選取16號機組在2017年的SCADA歷史監(jiān)測數(shù)據(jù)構(gòu)建決策樹模型，得到偏航優(yōu)化模型的輸入?yún)?shù)。將歷史數(shù)據(jù)傳輸測試之前，根據(jù)專家經(jīng)驗對數(shù)據(jù)進行清洗和冗余數(shù)據(jù)的判定和修改。由于歷史數(shù)據(jù)包含105 120條數(shù)據(jù)，當(dāng)決策樹的大深度設(shè)置為3時，節(jié)點數(shù)為116。圖3為風(fēng)速為3～4 m/s的部分決策樹模型，包含30個節(jié)點。其中偏航的動作停止和運行分別用0和1表示。決策樹有3層，考慮到節(jié)點的設(shè)置，輸入變量分箱處理的設(shè)置為5。從決策樹模型中可以得到風(fēng)速、偏航誤差、風(fēng)向變化、風(fēng)速波動、風(fēng)向變化波動、有功功率、變槳位置變化和風(fēng)速變化為偏航優(yōu)化模型的輸入?yún)?shù)。

圖3 風(fēng)速為3～4 m/s的部分決策樹模型Fig.3 Partial decision tree model of wind speed of 3～4 m/s

將得到的輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)，通過學(xué)習(xí)速率，隱藏層和節(jié)點數(shù)，以正確率作為判定結(jié)果得到了如圖4所示的神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的網(wǎng)絡(luò)結(jié)構(gòu)。圖中包含一個隱藏層，隱藏層包含6個節(jié)點，偏航分類的總體正確率為95.4%。

圖4 偏航系統(tǒng)神經(jīng)網(wǎng)絡(luò)優(yōu)化模型Fig.4 Neural network optimization model of yaw system

3.2 風(fēng)電機組優(yōu)化前后結(jié)果對比

為了驗證偏航優(yōu)化模型的有效性，將得到的偏航優(yōu)化模型用于分析2018年2月6日和7日的數(shù)據(jù)，6日和7日的風(fēng)速、風(fēng)向情況如圖5示。偏航優(yōu)化的對比結(jié)果如圖6，7所示。

圖5 2月6日和7日的風(fēng)速和風(fēng)向Fig.5 Wind speed and direction on February 6 and 7

圖6 2月6日偏航優(yōu)化對比結(jié)果Fig.6 Comparison results of yaw optimization on February 6

由圖6可知：偏航優(yōu)化前機艙位置的變化是頻繁的，但是幅度很?。粌?yōu)化前偏航次數(shù)為152次，優(yōu)化后偏航次數(shù)為116；優(yōu)化前偏航時間為1 830 s，優(yōu)化后偏航時間為1 637 s；優(yōu)化后偏航的次數(shù)減少了23.2%，偏航時間減少了10.5%；在一些時刻偏航的動作幅度較優(yōu)化之前有所增大。

圖7與圖6的風(fēng)速環(huán)境和風(fēng)向環(huán)境有所不同，整體上偏航次數(shù)有所減少，減少的次數(shù)小于圖6。由圖7可知：優(yōu)化前偏航次數(shù)為154次，優(yōu)化后偏航次數(shù)為99；優(yōu)化前偏航時間為4 943 s，優(yōu)化后偏航時間為4 696 s；優(yōu)化后偏航的次數(shù)減少了15.7%，偏航時間減少了4.9%。

2月6日的風(fēng)向變化主要集中在-5～5°，風(fēng)速主要集中在9～14 m/s，在優(yōu)化的過程中，2月6日偏航次數(shù)減少較多。2月7日的風(fēng)向變化主要集中在-20～20°，風(fēng)速基本小于7 m/s，2月7日偏航時間減少的較多。

4 結(jié)論

通過構(gòu)建偏航優(yōu)化模型，得到了與偏航動作相關(guān)的參數(shù)，如風(fēng)速、偏航誤差、風(fēng)向變化、風(fēng)速波動、風(fēng)向變化波動、有功功率、變槳位置變化和風(fēng)速變化。在實例中，基于偏航優(yōu)化模型分析了2018年2月6日和7日的偏航優(yōu)化情況，得出了在不同情況下，偏航優(yōu)化模型均能夠減少偏航時間和偏航次數(shù)。2月6日風(fēng)向變化主要集中在-5～5°，優(yōu)化后偏航次數(shù)減少了23.2%，2月7日風(fēng)向變化幅度較大，因此偏航次數(shù)減少的次數(shù)小于2月6日，但是由于當(dāng)日風(fēng)速較小，偏航優(yōu)化后，減少的偏航時間大于2月6日。