大云网发电企业风力发电正文

如何用数据挖掘方法提高风电机组功率输出

2017-09-26 20:00:22 电力科学观察与写作　点击量：评论 (0)

存在的问题及解决方法风电机组的原动力不可控，受风速、风向等因素影响，其功率输出具有较高不确定性，这为风电机组的功率输出提升及优化带来了较大挑战。另一方面，在线监测技术和数据库技术不断成熟的今天，风

存在的问题及解决方法

风电机组的原动力不可控，受风速、风向等因素影响，其功率输出具有较高不确定性，这为风电机组的功率输出提升及优化带来了较大挑战。

另一方面，在线监测技术和数据库技术不断成熟的今天，风电机组的长时段实际运行数据已可较容易的获取并研究。

那问题来了？何不从风电机组的实际运行数据中挖掘其功率输出特性及规律，据此优化提升风电机组功率输出。小编博士研究期间，对该问题进行了深入研究，下面将为各位读者详细介绍之。

基于数据驱动方法的风电机组功率优化

已知数据及条件0

本研究中已收集到H56-850型风电机组的每10分钟运行数据，并掌握其运行控制流程，其示意图如下。图中，风电机组控制系统根据当前风向和风速，查找最优转矩函数，调整轮轴旋转加速度和机舱位置，从而实现功率优化。

图1中不同风速下的最优转矩函数是由试验或模拟得到，而风电机组的实际运行工况可能与风电机组试验或模拟环境存在较大差异，因而，该最优转矩函数在实际工况中不一定最优。基于数据驱动思想的风电机组功率优化方法从实际运行数据中挖掘风电机组功率输出与各控制参数间的复杂关系，因而，可避免以上不足。

基于神经网络技术的数据挖掘1

神经网络技术可用于刻画输入和输出间的复杂非线性关系，即函数学习。特别地，神经网络技术将风电机组视为“黑箱”，从该“黑箱”的实际输入数据（控制参数）和输出数据（功率输出）中挖掘两者的非线性关系。因而，该技术无需对风电机组做出任何简化假设，且风电机组实际运行数据可客观反映风电机组功率输出与多种不确定因素的复杂关系。

由此，以均方误差最小为目标，建立基于神经网络技术的风电机组功率函数，其示意图如下。图中，蓝色（输入层）、绿色（隐藏层）和黄色（输出层）神经元构成该前馈神经网络，根据输入层中的风电机组控制参数和当前风速，经过各类判断与学习，给出当前风电机组功率输出。（注：图中神经网络参数的确定可以误差最小为目标，通过各类学习算法确定神经网络的各类参数。）