考慮風能隨機性趨勢的風電機組偏航啟動優化研究

蘇國梁,李國慶,李鳳俊,邢月,張霄翔,顧煜炯

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

0 引言

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

隨著狀態監測技術的不斷完善，風電機組運行優化的研究也取得了一定的進展。偏航系統的功能是保證風輪正對風來流方向，保障風輪獲得較高的效率。偏航系統對風電機組的影響比尾跡、湍流和塔影更為嚴重[4]。文獻[5]發現，偏航控制策略需要更多的建模理論和模型。不同學科領域對偏航系統的優化有不同的側重和出發點。例如，從偏航系統的控制策略角度研究對風策略；從迎風信息測量角度，采用激光測風系統[6]得到準確的風場參數；從偏航系統的重新啟動和停止動作的角度，注重分析低風速運行策略。寧旭[7]采用粒子群優化算法調節偏航角度，實現了發電量的提升。宋鵬[8]定量分析了風向波動幅值和波動持續時間，通過修改偏航誤差閾值降低了偏航次數。Jing B[9]采用改進的基于最大功率捕獲的偏航失準檢測方法對不同偏航狀態下的功率輸出進行了仿真，通過檢測和標定橫擺角偏差提高了機組的效率。激光雷達可用于風艙風向標測量，然而，激光雷達的成本仍然太高，測量受到風切變和傾斜流入的限制。因此，本文提出了通過風電機組的數據采集與監視控制系統（SCADA）來優化偏航系統。

偏航系統的精細化分析是分析不同的風速風向條件是否適合偏航，而不是按照既定規則進行偏航。為了提高偏航系統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運行優化模型來優化偏航的決策系統。分類預測在數據挖掘中應用廣泛，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決策過程，具有良好的直觀性，在醫學和經濟領域得到了廣泛的應用。CHAID決策樹能夠對數值型輸入變量進行分箱處理，減少輸入變量的取值個數，并且依據統計檢驗結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參數時采用CHAID決策樹。偏航策略的調整是基于當前的偏航策略和環境風速風向的波動，因此在構建優化模型時，首先分析了歷史的風速風向數據和偏航系統在不同的環境狀態下啟動和停止的模式。在風速和風向的基礎上，提出了相關的波動性指標。采用CHAID決策樹確定偏航啟動相關參數，將得到的結構作為神經網絡模型的輸出，得到偏航系統優化模型，最后用實例驗證了模型的有效性。

1 基于風資源隨機性趨勢分析的偏航系統運行控制策略數據集的構建

1.1 短時風資源隨機性的趨勢分析

風資源是研究偏航系統優化的焦點，風資源定量分析是從海量的風資源數據中提取潛藏的對偏航系統有用信息的分析過程。風電機組通過SCADA系統獲得并積累了大量可靠的風資源和機組運行數據，極大促進了數據分析的深入程度。在分析風資源數據時，為滿足數據的準確描述，強調風速和風向的波動和趨勢性變化，風資源定量分析時采用的數據采集間隔為5 min。

從兩個角度描述風速和風向，一是描述相鄰時刻風速風向的變化情況，側重表現隨機性的變化范圍，二是在一段短時內風速和風向的波動狀態的描述，側重表現風速和風向的趨勢性變化。采用風速變化ΔV、風向變化ΔD、風速波動σV和風向變化波動σD定量描述風資源。

式中：Vt為在t時刻的風速；Dt為在t時刻的風向；Vi為在i時刻的風速；V′為風速在一段時間內的平均值；n為這段時間內監測點的個數；ΔDi為在i時刻的風向波動；ΔD′為風向波動在一段時間內的平均值。

選擇貴州某風電場風電機組的SCADA系統中記錄的風速和風向數據分析其分布規律。根據歷史風速和風向的數據記錄進行分析，其中n取值為6，對應的時間為1 h。圖1為某一天風速、風速變化和風速波動的變化曲線。該日風速為4.6～9.0 m/s，風速變化為0～1.8 m/s，風速波動為0～1。該日風速的范圍大，風速的變化頻繁，風速波動的范圍小。

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

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

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

單日的數據分析展現了風速、風速變化、風速波動、風向、風向變化和風向變化波動的數據關聯與區別。由于每日的數據具有一定的局限性，因此，在構建偏航優化模型中，采用SCADA系統中1 a的歷史數據來構建偏航優化模型，為此分析了1臺機組2017年的歷史數據（表1）。表中：P90，P95，P99分別代表的是90分位數，95分位數，99分位數，分位數展示出了歷史數據的分布范圍。

表1 一年歷史數據中各個參數的統計數據Table 1 Statistical data of each parameter in one year's historical data

由表1可知，風速的最大值為16.8 m/s，90分位數為8.6 m/s，99分位數為10.8 m/s，可以看出風速主要集中在均值5.5 m/s，隨著風速的增大，風速值的頻率是快速減小的。因此，在構建模型的過程中，選擇10分位數到90分位數之間的歷史數據作為模型的輸入。

1.2 偏航系統運行控制策略數據集的構建

在風資源定量分析時，可以發現，風速和風向的歷史數據雖然具有隨機性，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，風速和風向在前后觀測點的變化上是緩慢的，對應于表1中，風速變化的99分位數的值是1.6 m/s，同樣體現出風速和風向變化是緩慢的特征。基于以上分析，在構建數據時采用SCADA監測值和分析值作為數據集，部分數據如表2所示。

表2 偏航系統運行控制策略歷史數據集Table 2 Historical data set of yaw system operation control strategy

在風資源定量分析的基礎上，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電機組狀態監測參數為偏航系統運行控制策略數據集。

2 基于CHAID決策樹和神經網絡的偏航系統優化模型構建

通過決策樹和神經網絡構建風電機組偏航優化的決策模型。提出在風速變化、風速波動、風向變化、風向變化波動的基礎上，加入SCADA參數，通過決策樹得到偏航啟動和停止的相關參數，然后將得到的相關參數作為神經網絡的輸入參數，通過調整神經網絡模型，得到了偏航優化模型。

2.1 基于CHAID的偏航優化模型輸入參數的確定

在分析偏航系統歷史數據構建偏航優化模型時，輸入參數的維度越高，神經網絡模型的精度越高，得到的偏航優化建議也更為精準，但是另一方面，輸入過的參數的維度會降低偏航優化模型的計算效率，增加了在線優化難度。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決策樹是從統計顯著性檢驗的角度來確定當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，通過統計檢驗結果呈現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程度來確定變量分組的依據，它的最佳分組變量為與輸出變量最相關的輸入變量，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處理；其次對數值型歷史數據進行分箱處理，合并分類型偏航數據的取值，形成偏航決策相關因素的超類。這樣可以合并對偏航數據沒有影響的因素；再次是最佳分布變量的選擇，偏航優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采用的是預修建策略，通過參數控制決策樹的中分生長，這些參數包含偏航影響分類的深度、偏航因素決策樹中父節點和子節點的比例，以及當偏航影響因素和是否偏航的相關性的指定值。

2.2 基于神經網絡對偏航系統優化模型建模

通過CHAID決策樹將偏航決策相關因素的維度降低后，采用前饋多層的BP神經網絡構建偏航系統的優化模型。偏航優化模型的訓練過程是一個不斷向監測歷史數據和分析值學習的過程，學習的目的是通過從輸入的偏航相關數據中得到的反饋結果，不斷地調整權值得到精度不斷提高的分類結果。由于每一個時間點的歷史數據都會提供關于偏航運行方向的輸入、輸出變量數量關系的信息，因此，在這個過程中，模型須要依次向歷史樣本數據學習。當向所有的樣本歷史數據學習結束后，會根據得到的分類結果判斷是否符合預期精度。如果在第一次偏航歷史數據學習后不能夠符合要求，會再次使用相同的偏航歷史數據進行再次學習，直到可以滿足終止條件。在模型訓練的過程中，歷史數據的時間長度會影響模型精度和模型訓練次數。

3 實例驗證

3.1 風電機組偏航系統優化模型構建

選取貴州某風電場的監測數據來驗證決策樹因素篩選和偏航系統神經網絡模型的有效性，風電機組的額定功率為2 000 kW，功率因數為-0.95～+0.95，切入風速為3 m/s，切出風速為20 m/s，額定風速為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歷史監測數據構建決策樹模型，得到偏航優化模型的輸入參數。將歷史數據傳輸測試之前，根據專家經驗對數據進行清洗和冗余數據的判定和修改。由于歷史數據包含105 120條數據，當決策樹的大深度設置為3時，節點數為116。圖3為風速為3～4 m/s的部分決策樹模型，包含30個節點。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，考慮到節點的設置，輸入變量分箱處理的設置為5。從決策樹模型中可以得到風速、偏航誤差、風向變化、風速波動、風向變化波動、有功功率、變槳位置變化和風速變化為偏航優化模型的輸入參數。

圖3 風速為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

將得到的輸入參數輸入到神經網絡，通過學習速率，隱藏層和節點數，以正確率作為判定結果得到了如圖4所示的神經網絡優化模型的網絡結構。圖中包含一個隱藏層，隱藏層包含6個節點，偏航分類的總體正確率為95.4%。

圖4 偏航系統神經網絡優化模型Fig.4 Neural network optimization model of yaw system

3.2 風電機組優化前后結果對比

為了驗證偏航優化模型的有效性，將得到的偏航優化模型用于分析2018年2月6日和7日的數據，6日和7日的風速、風向情況如圖5示。偏航優化的對比結果如圖6，7所示。

圖5 2月6日和7日的風速和風向Fig.5 Wind speed and direction on February 6 and 7

圖6 2月6日偏航優化對比結果Fig.6 Comparison results of yaw optimization on February 6

由圖6可知：偏航優化前機艙位置的變化是頻繁的，但是幅度很小；優化前偏航次數為152次，優化后偏航次數為116；優化前偏航時間為1 830 s，優化后偏航時間為1 637 s；優化后偏航的次數減少了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化之前有所增大。

圖7與圖6的風速環境和風向環境有所不同，整體上偏航次數有所減少，減少的次數小于圖6。由圖7可知：優化前偏航次數為154次，優化后偏航次數為99；優化前偏航時間為4 943 s，優化后偏航時間為4 696 s；優化后偏航的次數減少了15.7%，偏航時間減少了4.9%。

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

4 結論

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