如何用數據挖掘方法提高風電機組功率輸出
存在的問題及解決方法風電機組的原動力不可控，受風速、風向等因素影響，其功率輸出具有較高不確定性，這為風電機組的功率輸出提升及優化帶來了較大挑戰。另一方面，在線監測技術和數據庫技術不斷成熟的今天，風
逐點優化策略與聚類優化策略3
根據前述分析，本文提出一種逐點優化策略，用于優化風電機組功率，其流程圖如圖4所示，該策略的主要思想是在每運行時刻點調用遺傳算法，優化搜索風電機組最優控制參數。
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，不利于在線優化風電機組功率。本研究引入K均值聚類方法，可對風速數據進行聚類，通過采用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，其流程圖如圖5所示。
算例分析4
采用某風電場內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。
圖6所示為采用兩種優化策略前后的2012/06/13中風電機組功率曲線。可以看到，采用本研究中功率優化策略后，風電機組功率輸出曲線高于歷史功率輸出曲線。
兩優化策略的仿真平臺為臺式電腦(Intel-i3 3.60 GHz, 4 GB RAM)和MATLAB R2015a，兩優化策略的優化計算時間如圖7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，而在風電機組投運后，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于風電機組功率的實時優化。
結論5
本文提出兩種基于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，后者策略在前者策略基礎上成功應用聚類方法，有效降低優化計算復雜度。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，本文優化策略可有效提高風電機組功率輸出，并且聚類中心數為5的聚類優化策略，能以較低的優化計算復雜度，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，對于提高風電場收益具有重要意義。
研究成果6
本研究發表在《電力系統自動化》2016年第40卷第22期，歡迎品讀。
原標題:【研究成果】如何用數據挖掘方法提高風電機組功率輸出
責任編輯：lixin
免責聲明：本文僅代表作者個人觀點，與本站無關。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關內容。
