大云網發電企業風力發電正文

如何用數據挖掘方法提高風電機組功率輸出

2017-09-26 20:00:22 電力科學觀察與寫作　點擊量：評論 (0)

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

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，風電機組的長時段實際運行數據已可較容易的獲取并研究。

那問題來了？何不從風電機組的實際運行數據中挖掘其功率輸出特性及規律，據此優化提升風電機組功率輸出。小編博士研究期間，對該問題進行了深入研究，下面將為各位讀者詳細介紹之。

基于數據驅動方法的風電機組功率優化

已知數據及條件0

本研究中已收集到H56-850型風電機組的每10分鐘運行數據，并掌握其運行控制流程，其示意圖如下。圖中，風電機組控制系統根據當前風向和風速，查找最優轉矩函數，調整輪軸旋轉加速度和機艙位置，從而實現功率優化。

圖1中不同風速下的最優轉矩函數是由試驗或模擬得到，而風電機組的實際運行工況可能與風電機組試驗或模擬環境存在較大差異，因而，該最優轉矩函數在實際工況中不一定最優。基于數據驅動思想的風電機組功率優化方法從實際運行數據中挖掘風電機組功率輸出與各控制參數間的復雜關系，因而，可避免以上不足。

基于神經網絡技術的數據挖掘1

神經網絡技術可用于刻畫輸入和輸出間的復雜非線性關系，即函數學習。特別地，神經網絡技術將風電機組視為“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系。因而，該技術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復雜關系。

由此，以均方誤差最小為目標，建立基于神經網絡技術的風電機組功率函數，其示意圖如下。圖中，藍色（輸入層）、綠色（隱藏層）和黃色（輸出層）神經元構成該前饋神經網絡，根據輸入層中的風電機組控制參數和當前風速，經過各類判斷與學習，給出當前風電機組功率輸出。（注：圖中神經網絡參數的確定可以誤差最小為目標，通過各類學習算法確定神經網絡的各類參數。）