基於SCADA數據的風電機組偏航控制參數優化方法與流程
2023-11-07 04:26:07
本發明屬於風力發電機組控制
技術領域：
，尤其涉及一種基於SCADA數據的風電機組偏航控制參數優化方法。
背景技術：
：目前，大型風力發電機組均採用了主動偏航控制技術。偏航控制也叫調向控制，以確保風輪能夠追蹤風向，充分利用風能，提高風力發電機組的發電效率。典型的偏航控制原理如圖1。系統通過風向標測得風向信號，將測得的風向信號送到偏航控制器中進行風向數據處理，然後依據控制策略判定是否進行偏航以及確定偏航方向，最終使風輪正對風向。考慮到風向標的測量誤差與風向的湍流特性，必須計算延遲時間內風電機組機艙軸線方向與實際風向的偏差均值，當該值在設定的範圍內，即其絕對值小於偏航偏差閾值時，系統不進行偏航；而當該值超過了設定的誤差範圍，偏航系統啟動對風，減小偏航誤差角。風向瞬時變化頻繁，但一般幅度不大，若偏航系統對風起動動作頻次過高，會造成系統的疲勞和載荷。因此，綜合考慮風電機組安全性和經濟性，設置合理的偏航偏差閾值和延遲時間，將有效減小機組偏航系統工作強度，提高風電場經濟效益。但由文獻資料檢索和現場調研結果表明，當前偏航系統對風控制策略較為簡單，一部分機組在全風速段採用單一控制參數，即採用相同的偏航偏差閾值和延遲時間；而大部分機組將風速範圍分為兩段，然後根據高低風速時風向變化特性分別設定不同的偏航偏差閾值和延遲時間。遺傳算法(GeneticAlgorithm,GA)是一種基於自然選擇和遺傳變異等生物進化機制的全局優化搜索算法，在許多工程研究領域得到廣泛而又成功的應用。遺傳算法不僅有較強的搜索能力，收斂速度快、精度高，而且其用法也比較靈活，可以避免一般優化算法的局部最優、收斂較慢等問題。風電場SCADA系統中記錄了風場與每一臺機組的實時運行數據，SCADA數據真實反映了風場的風資源與每一臺機組的實際運行情況，利用SCADA數據對偏航控制器參數進行優化可以收到最佳效果。本發明基於風電機組SCADA數據，利用遺傳算法對偏航偏差閾值和延遲時間進行綜合優化，最終得到最優偏航控制參數。技術實現要素：為了解決上述問題，本發明提出了一種基於SCADA數據的風電機組偏航控制參數優化方法，其特徵在於，所述方法步驟為：步驟1：確定參數尋優區間；(1)根據機組SCADA中風速數據劃分風速區間；(2)確定優化的偏航控制參數，即偏航偏差閾值和延遲時間的尋優範圍；步驟2：對SCADA數據進行預處理；(1)剔除轉速低於併網轉速的數據值和異常值；所述異常值為機械失靈、外界衝擊、電磁幹擾這些測量條件意外改變或測量者工作失誤產生的錯誤讀數或記錄；(2)計算原始SCADA數據中機組總發電量W與偏航比Yratio；步驟3：生成初始種群；步驟4：計算適應度函數；(1)選取風電機組總發電量為優化目標函數，偏航時間比為約束項；(2)利用預處理後的機組SCADA數據計算得到種群個體的優化目標函數值和約束值；(3)採用懲罰函數法計算種群每一個體的適應度函數值；步驟5：在適應度函數值基礎上計算每一個體被選擇的概率Psi；採用賭輪盤法進行選擇，得到父代用於繁殖下一代種群；步驟6：利用交叉算子和變異算子，由初始種群P(t)生成新種群P(t+1)，並令迭代次數t＝t+1；步驟7：若迭代次數未超過最大遺傳代數，則返回步驟4；否則終止運算，輸出最優偏航偏差閾值和延遲時間；步驟8：優化效果的對比與檢驗；通過數據更新重新計算優化後發電量和偏航比並與優化前進行對比，如果採用新的偏航控制參數以後能夠在滿足偏航時間比的條件下，風電機組的總發電量有所提高，則對目標機組進行偏航控制參數的修改並投入實際運行；考取參數優化後機組實際SCADA運行數據進行優化前後的對比與檢驗。所述步驟1的具體過程為(1)基於SCADA數據畫出風速概率分布曲線，識別曲線峰值對應的風速Vm；(2)以風速Vm和額定風速Ve為節點，將機組的正常運行範圍劃分成3個區間；(3)分別畫出第一、三區間的偏航誤差概率密度曲線，按95％置信度求出相應置信區間，然後根據控制目的的不同確定三個風速區間偏航偏差閾值取值範圍；(4)依據風資源自身特性，確定延遲時間優化範圍；偏航偏差閾值和延遲時間具體優化範圍為：第一區間新的偏航偏差閾值範圍為[θL,θ1max]，θL為機組原低風速段偏航偏差閾值；θ1max為第一區間偏航誤差概率密度95％置信區間上限值，在第二區間應取相對原始偏航偏差閾值較小的偏航偏差閾值，因而令第二區間偏航偏差閾值範圍為[θ0,θH]，其中θ0為偏航停止誤差，θH為原高風速段偏航偏差閾值；按求取第一區間偏航偏差閾值範圍的方法求得第三區間偏航偏差閾值範圍[θH,θ3max]；θ3max為第三區間偏航誤差概率密度95％置信區間上限值，令第一區間延遲時間取值範圍為[TL,Tmax]，其中TL為機組原低風速段延遲時間，Tmax為延遲時間閾值範圍上限值，在此範圍內尋優降低偏航次數，也不會明顯降低發電量；而第二區間的延遲時間應小於原參數，令其取值範圍為[Tmin,TH]，其中TH為原高風速段延遲時間，Tmin為延遲時間閾值範圍下限值，應用在此範圍內求取的較小延遲時間值來提高第二區間對風精度，從而提高發電量；而當風速達到額定風速以後，增大原高風速段的延遲時間來降低偏航控制的精度從而減輕變槳負擔，降低偏航時間，考慮到高風速時機組所受側向載荷的限制，令[TH,Tmax]為第三區間新的延遲時間取值範圍。所述步驟3的具體過程為(1)初始化個體串長度Nsize，交叉概率Pc和變異概率Pm；(2)將問題的解表示成長度為Nsize的編碼串，每一編碼代表問題的一個可行解；(3)隨機產生一組串長為Npup的偏航控制參數初始種群P(t)，t為迭代次數，該群體就是問題的一個可行解的集合。所述步驟2中偏航比Tyaw表示風電機組偏航時間，T表示風電機組運行總時間；偏航比YRatio不高於10％。步驟4中選取該組控制參數下機組發電量f(x)為優化目標函數；對原始SCADA數據中某些時間戳的功率和偏航偏差進行更新，功率更新計算公式為：Pn=Pcos3(θn×π÷180)cos3(θ×π÷180)]]>θn＝θ±Δt·Vy式中，Pn表示更新後功率，P表示原始功率，θn表示更新後偏航誤差，θ表示原始數據偏航偏差，Δt表示SCADA數據時間間隔，Vy機艙偏航速度；發電量等於功率乘以時間，求出功率Pn之後求發電量f(x)。所述步驟4中適應度函數是指根據進化目標編寫的計算個體適應度值的函數，通過適應度函數計算每個個體的適應度值，提供給選擇算子進行選擇，適應度值的大小確定該個體被遺傳到下一代群體中的概率。適應度函數表示為式中，F(X)表示適應度函數，f(X)表示優化目標函數(風電機組發電量)，Ci表示懲罰係數，YRatio(X)式中，fi為第i個個體適應度值；2)在數軸上以Psi為節點把[0,1]分為Npup個小區間；3)產生一個[0,1]的隨機數a，a在哪個區間內，就取相應概率的個體，即若則選中第m個個體；4)重複進行2)、3)步操作次，得到個個體作為下一代種群。所述交叉算子是遺傳算法區別與其他進化算法的重要特徵，是將2個個體的基因鏈按概率Pc進行交叉，生成2個新的個體，交叉位置是隨機的；其中Pc是一個系統參數，即交叉概率；產生一個[0,1]的隨機數b，若b小於交叉概率Pc，則進行交叉運算，否則不交叉；變異算子是在群體中隨機選擇一個個體，對選中的個體以一定概率Pm改變數據串中某個位的值，變異位置也是隨機的；Pm也是一個系統參數，即變異概率；與交叉算法相似，產生一個[0,1]的隨機數c，若c小於變異概率Pm，則進行變異運算，否則不變異。有益效果1)本發明著眼於實際需求，針對風電機組偏航控制系統在實際應用中自適應水平差、控制精度低的問題，提出了一種基於SCADA數據的風力發電機組偏航控制參數優化方法，可為偏航控制器設計與優化提供指導，具有很強的實用與參考價值；2)本發明從風電機組的實際運行情況出發，以風機真實歷史SCADA數據為基礎對風電機組偏航系統的控制性能進行評估分析完成尋優計算，使優化結果具有更高的自適應水平和針對性；3)本發明根據不同風速下風電機組風能捕獲特性和控制目的不同採用分區間的控制策略，同時考慮到不同風速下的風向變化特性差異，不僅顯著地提升了機組的出力性能，而且不會明顯提高偏航時間。附圖說明圖1為典型偏航控制系統原理圖；圖2為本發明的控制器參數優化方法流程圖；圖3為風速概率分布曲線；圖4為優化後偏航控制策略控制流程；圖5為第一區間偏航偏差概率密度分布曲線；具體實施方式下面結合附圖，對本發明作詳細說明。本發明提出了一種基於SCADA數據的風電機組偏航控制參數優化方法，該方法步驟由圖2所示，具體實施步驟說明如下：步驟1：確定參數尋優區間當前風場同型機組一般都指定相同的偏航偏差閾值和延遲時間，風速分區界限也一般為某經驗風速值或額定風速值，沒有統一標準。本發明基於單臺機組SCADA數據獲得風速概率分布曲線，通過識別概率曲線「峰值」對應的風速Vm，以Vm為節點可將額定風速Ve以下風速區間分成2個區間，如附圖3。在第一區間內，由於風速較低，偏航偏差對機組總發電量的影響較小，因而可取相對較大的偏航偏差閾值和較長的延遲時間；而在第二區間風速相對較高，風向的採樣精度也較高，同時風機本體受到的側向力的作用引起的振動也較大，應取相對較小的偏航偏差閾值和較短的延遲時間，來提高對風精度，從而提高發電量；在額定風速以上時，機組通過變槳距控制能夠實現恆功率輸出，可以適當降低偏航控制的精度來減輕變槳負擔，同時也可減少偏航次數。本發明根據上述不同風速下控制目的差異將機組的正常運行風速範圍劃分成3個區間，並分別對各個風速區間的偏航偏差閾值和延遲時間進行綜合尋優，得到3種不同偏航對風控制模式，優化後偏航控制策略流程如附圖4所示。採用遺傳算法對風電機組偏航控制參數進行優化，在優化前需要確定參數的尋優範圍，即解的可行域，以用於初始種群的生成。本發明首先根據SCADA數據在第一、三個區間繪製形如附圖5(第一區間)的偏航誤差概率密度曲線，並按置信度95％求出相應置信區間[θ1min,θ1max]、[θ3min,θ3max]；然後令第一區間新的偏航偏差閾值範圍為[θL,θ1max]，θL為機組原低風速段偏航偏差閾值；由分析可知，在第二區間應取相對小的偏航偏差閾值，因而令第二區間偏航偏差閾值範圍為[θ0,θH]，其中θ0為偏航停止誤差，θH為原高風速段偏航偏差閾值；由於第三區間不需要較高偏航控制精度，可按求取第一區間偏航偏差閾值範圍的方法求得第三區間偏航偏差閾值範圍[θH,θ3max]。由風資源自身特性可知：風速越小，風向變化越頻繁；相反，風速越大，湍流作用越弱，風向也越穩定。因而，第一區間延遲時間應大於機組原低風速段參數值，考慮到延遲時間取值範圍為[Tmin,Tmax]，一般取[5,120]秒，可令第一區間延遲時間取值範圍為[TL,Tmax]，其中TL為機組原低風速段延遲時間，在此範圍內尋優可以降低偏航次數，也不會明顯降低發電量；而第二區間的延遲時間應小於原參數，可令其取值範圍為[Tmin,TH]，其中TH為原高風速段延遲時間，應用在此範圍內求取的較小延遲時間值來提高第二區間對風精度，從而提高發電量；而當風速達到額定風速以後，可適當增大原高風速段的延遲時間來降低偏航控制的精度從而減輕變槳負擔，同時也可降低偏航時間，考慮到高風速時機組所受側向載荷的限制，可令[TH,Tmax]為第三區間新的延遲時間取值範圍。1)基於SCADA數據畫出風速概率分布曲線，識別曲線「峰值」對應的風速Vm；2)以「峰值」風速Vm和額定風速Ve為節點，將機組的正常運行範圍劃分成3個區間；3)分別畫出第一、三區間的偏航誤差概率密度曲線，按95％置信度求出相應置信區間，然後根據控制目的的不同確定三個風速區間偏航偏差閾值取值範圍；4)依據風資源自身特性，確定延遲時間優化範圍。偏航偏差閾值和延遲時間具體優化範圍如下表所示：風速區間風速範圍偏航偏差閾值範圍延遲時間範圍第一區間[Vin,Vm][θL,θ1max][TL,Tmax]第二區間[Vm,Ve][θ0,θH][Tmin,TH]第三區間[Ve,Vout][θH,θ3max][TH,Tmax]步驟2：SCADA數據預處理1)剔除轉速低於併網轉速的數據值和異常值；2)計算原始SCADA數據中機組總發電量W與偏航比Yratio；步驟3：生成初始種群1)初始化個體串長度Nsize，交叉概率Pc和變異概率Pm；2)將問題的解表示成長度為Nsize的編碼串(生物學術語稱為染色體)，每一編碼代表問題的一個可行解；3)隨機產生一組串長為Npup的偏航控制參數初始種群P(t)，t為迭代次數，該群體就是問題的一個可行解的集合；步驟4：計算適應度函數1)選取風電機組總發電量為優化目標函數，偏航時間比為約束項；2)利用機組SCADA數據計算得到種群個體的優化目標函數值和約束值；3)利用懲罰函數法計算種群每一個體的適應度函數值；步驟5：選擇1)在適應度函數值基礎上計算每一個體被選擇的概率Psi；2)採用賭輪盤法進行選擇，得到父代用於繁殖下一代種群；步驟6：交叉和變異利用交叉和變異算子，由P(t)生成新種群P(t+1)，並令迭代次數t＝t+1；步驟7：終止條件判斷若迭代次數未超過最大遺傳代數，則返回步驟4，否則終止運算得到最優偏航偏差閾值和延遲時間；步驟8：優化效果的對比與檢驗通過數據更新重新計算優化後發電量和偏航比並與優化前進行對比，如果初步對比的優化效果明顯，可對目標機組進行控制參數修改並投入實際運行；考取參數優化後機組實際SCADA運行數據進行優化前後的對比與檢驗。當前第1頁1 2 3