如何應用數據驅動方法提升風電場機組功率「DDWPO模型」

mp.weixin.qq.com

，點擊鏈接可閱讀

中國風能儲量世界第一，可開發風能約有2,580 GW，且大部分分布於北部和西北部等人口稀疏地區，這位我國風能開發創造了有利條件。

其中，甘肅風電場是全球最大風電場，已完成前兩階段建設，裝機容量達到12.71 GW，當完成後續階段建設後，預計總裝機容量將達到20 GW。為實現該龐大風電工程，平均每天將安裝36颱風電機組。

世界風能協會「Global Wind Energy Council」統計，截止2017年底，中國累計風電裝機容量達到188 GW，佔比35 %，躍居世界第一。

在可預見的未來里，風電裝機容量將持續增長，但也面臨著嚴峻挑戰。

風電的原動力來源於風，其具有天然的隨機性和間歇性。這要求風電機組在運行過程中，感知當前風況，實時調整各項控制參數，跟蹤最大功率點。

最大功率跟蹤方法「Maximum Power Point Tracking, MPPT」即為實現以上目標的一種控制策略。

根據控制參數或控制邏輯，常見的MPPT大致分為：

• 基於葉尖速比(Tip speed ratio, TSR)的TSR-MPPT

• 基於風機轉矩(Turbine torque, TT)的TT-MPPT

• 基於功率反饋(Power signal feedback, PSF)的PSF-MPPT

• 基於擾動觀測(Perturbation and observation, PO)的PO-MPPT

事實上，風電機組是一個由眾多子系統「如葉片、齒輪箱、逆變器等」組成的複雜能量轉換裝置，要刻畫其控制參數與功率輸出間的解析關係，則需做出某些簡化假設。比如

論文《Modeling, analysis and comparison of TSR and OTC methods for MPPT and power smoothing in permanent magnet synchronous generator-based wind turbines》線性化風電機組的d軸和q軸控制信號積分方程，從而推導得到TSR和TT關於風機功率的解析關係。

也有研究從試驗或模擬數據出發，提出新的MPPT。例如

論文《Comparative analysis on power curve models of wind turbine generator in estimating capacity factor》根據風電機組試驗或模擬數據近似擬合TSR、TT、PSF等與最大功率間的解析關係，從而指導MPPT。

但風電機組試驗或模擬環境與其運行工況存在明顯差異，該數據不一定真實反應風電機組最優運行參數。

另外，也有研究從多種控制參數入手，解決前述基於單一控制參數MPPT的不足。比如

論文《變速變槳距風電機組的全風速限功率優化控制》提出一種TT和葉片槳距角控制相結合的風電機組控制策略，並應用1.5 MW風電機組的模擬數據驗證策略的有效性。

論文《Backstepping sliding mode control of a variable speed wind turbine for power optimization》提出一種BSMC「Backstepping sliding mode control」控制策略，該策略首先以TT控制實現風能的最大轉換，然後調節葉片槳距，使風電機組盡量保持運行在最大功率點處。

目前，還較少有研究基於數據驅動思想指導MPPT。

數據驅動思想

• 一種較新穎的優化技術，該思想將風電機組視為「黑箱」，從該「黑箱」的實際輸入數據（控制參數）和輸出數據（功率輸出）中挖掘兩者的非線性關係。
• 因而，該思想無需對風電機組做出任何簡化假設，且風電機組實際運行數據可客觀反映風電機組功率輸出與多種不確定因素的複雜關係。

此外，隨著資料庫技術和在線監測技術的逐漸成熟，使得風電機組長時段實際運行數據易於獲取與研究。

據明燈了解，未見國內相關研究應用該思想實現風電機組功率優化，而國外此類研究也相對較少。比如

論文《Power optimization of wind turbines with data mining and evolutionary computation》應用支持向量機挖掘風電機組控制參數與功率輸出間的非線性關係，而後應用進化策略演算法(Evolutionary strategy algorithm, ESA)隨機搜索最優控制參數。

但該隨機搜索演算法計算耗時，難以適用於風電機組功率的實時優化，因此，有必要對該數據驅動方法提出進一步改進，使其實現對實時變化風況的快速反饋。

因此，明燈基於數據驅動思想，提出一種DDWPO「data driven wind power optimization」模型，該模型應用神經網路技術從風電機組實際運行數據中挖掘風電機組功率與多種控制參數間的非線性關係。

然後，基於遺傳演算法，分別提出兩種優化策略：逐點優化策略和聚類優化策略，用於實現風電機組功率優化。其中，後者優化策略在前者優化策略基礎上，應用K均值聚類方法聚類風速，從而降低優化計算複雜度，更利於風電機組功率的實時優化。

DDWPO的建模過程如下

1. 前饋神經網路

人工神經網路可用於刻畫輸入和輸出間的複雜非線性關係，即函數學習。其由三層神經元組成：輸入層、隱藏層和輸入層，通過各層神經元間映射關係，可構建N組輸入量和M組輸出量間函數關係，例如，構建風電機組控制量與輸出功率間的關係。

採用MSE「mean square error」衡量前饋神經網路精度，其計算式如下

2. 遺傳演算法

遺傳演算法分別將生物個體和生物適應度抽象為優化問題的解和目標函數，借鑒生物進化中的自然現象（選擇、變異和雜交），使一定數量的生物個體（優化問題的解）適應度（目標函數）不斷增強，從而進化得到最優個體（最優解）。該演算法具有良好的魯棒性、並行性和高效性，已廣泛應用於電力系統的多個領域。

DDWPO模型應用遺傳演算法的目的在於選取最優風電機組控制參數，最大化風電機組功率。經典遺傳演算法已具有強大的全局尋優能力，所以應用該演算法進行風電機組功率優化。值得注意的是，其他能搜索連續解空間的智能優化演算法也可應用於求解該優化問題。

3. K均值聚類法

K均值聚類法是一種數據挖掘方法，它可將D組數據分類為K組聚類，使各組聚類中的數據點與聚類中心的距離最小，進而K組聚類中心可較高精度地代表D組數據的信息。

研究表明，分析K組聚類中心而非D組數據，可極大地降低分析計算複雜度，且可保證工程應用所需的計算精度。

4. DDWPO模型

下圖為H56-850型風電機組運行控制圖，其中，各變數符號意義如下表所示。該機組的運行控制數據主要由3類數據組成：可控變數，不可控變數和狀態變數。

可控變數包括機艙位置和輪軸旋轉加速度，分別刻畫風電機組機艙朝向和葉輪旋轉力矩。

不可控變數為平均風速，表示10分鐘內的平均風速，刻畫風速不確定性。

狀態變數包括平均功率，輸出電壓和輸出電流，分別刻畫風能轉換狀態和機組電路狀態。

在風機運行過程中，v通常由風電機組中的風速儀測量得到，因此，風電機組通過調節最佳s和a，從而實現P的最大化。該優化過程可表示為以下優化模型。

應用遺傳演算法求解以上優化模型。為方便敘述基於遺傳演算法的風電機組功率優化步驟，首先給出下圖中3組定義。

基於以上定義，可給出風電機組功率優化步驟，如下圖所示。

4.逐點優化策略

基於DDWPO模型，提出一種逐點優化策略，用於優化風電機組功率，其流程圖和優化步驟如下圖所示。

5. 聚類優化策略

逐點優化策略要求每10分鐘進行一次優化，顯然該策略所需計算量較大，不利於在線優化風電機組功率。

為此，結合前述K均值聚類方法，對風速數據進行聚類，通過採用K組風速聚類下最優控制量，實現對風電機組功率的在線優化，降低優化計算量，提出聚類優化測量，其流程圖和步驟如下圖所示。

6. 功率優化測度指標

為方便衡量風電機組功率優化策略效果，定義以下測度指標：平均功率增益(Mean power gain, MPG)，功率增益百分比(Rate of power gain, RPG)和功率增益概率(Probability of power gain, PPG)，指標計算式如下。

7. 優化策略編程實現流程

應用MATLAB R2015a編程實現前述兩類優化策略，並模擬模擬優化策略下的風電機組實時運行過程。

其中，K均值聚類方法、前饋神經網路學習和遺傳優化演算法，分別由MATLAB自帶的kmeans函數、nftool工具包和ga函數實現。兩類優化策略的MATLAB實現流程分別如下圖所示。

可以看到，逐點優化策略需在每時刻點調用ga函數得到優化控制參數，相應優化計算量較大。

另一方面，聚類優化策略在逐點優化策略基礎上，應用聚類方法得到K組風速聚類，然後調用K次ga函數，得到K組風速聚類下的優化控制參數。

至此，在之後的風機運行過程中，判斷當前測量風速v的所屬聚類，並選擇該風速聚類下的優化控制參數優化風電機組功率輸出。

因此，聚類優化策略僅需調用K次ga函數，無需在每時刻點調用ga函數，其優化計算量將明顯低於逐點優化策略。

8. 算例分析與驗證

採用重慶武隆某風電場內H56-850型風電機組2012/06/01至2012/06/30間每10分鐘風電機組運行數據驗證本文風電機組功率優化策略，該運行數據的基本統計特徵如下表所示，其切入、額定和切出風速分別為3，12和20 m/s。

另一方面，對該數據中風速進行K均值聚類，劃分為5類聚類中心，如下表所示，其中，風速聚類比例表示該聚類所含數據在總數據中的比重。

同時，根據該數據作出H56-850型風電機組功率關於風速的散點圖，如下圖所示，其中紅色曲線為依據切入，額定和切出風速所作的風電功率轉換經驗曲線，而綠色豎線為風速聚類中心。

可以看到，雖然運行數據散點圖與經驗曲線呈現相似變化趨勢，但由於運行工況的複雜性，導致兩者存在較大差異。此外，五組風速聚類中心較有規律的覆蓋風速變化區間。

所以，以風電機組實際運行數據為指導可有效計入風電機組實際運行工況的複雜性，且所選5風速聚類中心，可有效刻畫風速實際分布特徵。

應用MATLAB神經網路工具箱(Neural network toolbox)訓練前饋神經網路，其中，70%的風電機組運行數據將應用於LM「Levenberg–Marquardt」學習演算法中確定神經網路參數，15%的數據將用於驗證神經網路的泛化能力，並判斷是否達到停止學習條件，剩餘15%的數據將用於對訓練後的神經網路進行獨立測試。

隨著神經網路的迭代學習，訓練數據，驗證數據和測試數據相對於神經網路的MSE逐漸改善，其變化趨勢如下圖所示。

可以看到，自圖中第11次迭代起（綠色圓圈處），綠色曲線（驗證數據對應的MSE）連續6次迭代無改善，此時，紅色曲線（訓練數據對應的MSE）和藍色曲線（測試數據對應的MSE）也呈現飽和趨勢。因此，學習停止，所建立的神經網路將可較好的表徵風電機組功率函數。

分別應用逐點優化策略和聚類優化策略優化2012/06/13當天每10分鐘的風電機組功率，兩者優化功率與歷史運行記錄、當天風速及功率優化指標分別下圖所示。

可從以上優化結果中看到以下現象：

• 風電機組功率隨風速的增大而增大，而風速過小時，風電機組功率接近於零

• 兩優化策略均能有效優化提升風電機組功率。可從上表看到，與原始運行數據相比，兩優化策略均可實現近10 kW，25 %和0.85左右的MPG，RPG和PPG。同時，該功率增益也能從圖中得到印證，例如，兩優化策略均能利用6:40左右的較高風速，優化得到高於歷史運行記錄的風電機組功率。類似現象在其餘時段也能看到

另一方面，兩優化策略的每10分鐘風電機組控制量和歷史記錄數據分別如下圖所示。可以看到聚類優化策略控制量相比逐點優化策略控制量和歷史記錄控制量更穩定，因此，更具有工程操作性。

兩優化策略的優化模擬硬體和軟體平台分別為台式電腦(Intel-i3 3.60 GHz, 4 GB RAM)和MATLAB R2015a，其優化計算時間如下圖所示。

可以看到，聚類優化策略僅需在風電機組投運前(00 : 00時刻)優化計算各風速聚類中心下的優化控制策略，而在風電機組投運後，僅需根據當前測量風速，選擇對應聚類中心的優化控制策略，該過程僅涉及選擇判斷操作，因此可快速實現。

逐點優化策略則需在每時刻點進行半分鐘左右的優化計算。兩者相比，聚類優化策略更適用於風電機組功率的實時優化。

為研究聚類中心數對聚類優化策略的效果影響，分別選取聚類中心為10, 15和20，然後對2012/06/13當天每10分鐘的風電機組功率。相應功率優化測度指標如下表所示。

可以看到，功率優化測度指標對聚類中心數不敏感，因此，取聚類中心數為5，即可達到相似的功率優化效果。

總結如下

提出兩種基於數據驅動方法的風電機組功率優化策略：逐點優化策略和聚類優化策略，其中，後者策略在前者策略基礎上成功應用聚類方法，有效降低優化計算複雜度。

通過對比2012/06/13當天風電機組優化功率與歷史運行記錄，結果表明，兩組優化策略可有效提高風電機組功率輸出，並且聚類中心數為5的聚類優化策略，能以較低的優化計算複雜度，達到逐點優化策略的相近優化效果。

更高的風電機組功率意味著更高的風能利用率，對於提高風電場收益具有重要意義。

DDWPO模型已發表在EI檢索刊物《電力系統自動化》的第40卷的22期中，引文信息如下：

繆書唯, 謝開貴, 楊賀鈞, 等. 基於數據驅動方法的風電機組功率優化[J]. 電力系統自動化, 2016, 40(22): 7-14.

本文內容來自「電觀」

轉載請聯繫明燈

歡迎轉發到朋友圈~

電觀熱門文章