一种风电机组净空预测控制方法技术

本发明专利技术提供了一种风电机组净空预测控制方法，首先采集近期一段时间内的历史净空数据，包括净空数据

【技术实现步骤摘要】
一种风电机组净空预测控制方法


[0001]本专利技术涉及风电机组净空监测
，尤其涉及一种风电机组净空预测控制方法
。

技术介绍

[0002]随着风电技术的进步，风电机组叶片的尺寸不断增大
。
更大的叶片可以捕捉更多的风能，提高了发电效率
。
从以前的几十米到近百米的大型叶片，叶片也在向着更轻更柔的趋势发展
。
于此同时，为了获得更高的风速和更稳定的风能资源，风电机组塔筒的高度逐渐增加
。
更高的塔筒可以提升发电效率，使机组在更高的高度中运行
。
以上趋势都给风电机组净空的设计和安全裕度提出了挑战
。
为了应对可能产生的低净空或者扫塔情况的产生，各大整机厂商纷纷开发应用了净空监测的手段，来预警净空和保护机组
。
[0003]目前的净空监测手段都是实时测量，一方面由于系统的测量计算和通讯，普遍都存在几百毫秒的延迟，另一方面遇到极端恶劣工况，净空大幅度下降，当风机主控系统接收到危险净空信号时，有可能系统刚刚做出应对措施，叶片净空未得到及时和有效的抑制，产生了扫塔事故，此滞后性是目前基于实时净空的机组防护功能存在的不足
。
[0004]也有研究尝试基于风速
、
风向等环境数据对净空值进行预测，将历史数据输入神经网络模型等较为成熟的模型中计算预测获得风电机组净空值，进而基于此结果进行控制干预
。
但此类方法也存在诸多问题：一
、
目前预测风速的方法是机舱式测风雷达来精准测量百米以外的风速，完成风电机组的前馈控制，而风速
、
风向和切变等变化规律差，不易精准测量，不易总结和形成精准的规律信息，很难结合机组状态信息予以精准预测，哪怕是集成叶片载荷传感器都很难做到精准预测
。
二
、
神经网络模型往往需要结合太多不确定信息，采用基于平均值的控制颗粒度较粗的控制，故以如此多的变量，使用神经网络模型予以训练，很容易出现过拟合现象，导致在新数据上的泛化性能下降
。
三
、
预测过程中，神经网络模型需要对输入数据进行一系列的矩阵运算和激活函数计算，这些计算操作需要消耗大量的计算资源，不便于在风电机组
PLC
中直接实施，需要单独增设硬件，增加系统的成本，以及与风机
PLC
集成的难度
。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供了一种风电机组净空预测控制方法，能够基于短期净空数据和工况数据预测净空值，从而实现极端恶劣工况下及时控制干预，防止净空连续下降带来的扫塔风险，实现机组提前干涉，保障机组安全稳定运行
。
[0006]本专利技术为解决其技术问题所采用的技术方案是：提供了一种风电机组净空预测控制方法，包括以下步骤：
[0007]S1、
采集近期一段时间内的历史净空数据，包括净空数据
cl
h
、
桨距角
α
和叶轮转速
ω
；
[0008]S2、
通过机器学习方法或分仓查询预测方法获得净空预测结果；
[0009]S3、
根据净空预测结果采取机组保护动作控制
。
[0010]步骤
S1
净空数据
cl
h
由净空测量系统采集得到，桨距角
α
和叶轮转速
ω
均通过工业总线从风机主控系统采集得到
。
[0011]步骤
S2
若采用通过机器学习方法，则具体包括以下过程：
[0012]A1、
加载所采集的历史净空数据，对历史净空数据进行预处理，包括缺失值
、
异常值和重复值检测与修订；
[0013]A2、
将历史净空数据按时序分组，每组数据包括叶片连续旋转两圈过程中的3个叶片的历史信息以及第一叶片在旋转两圈后的一次净空值
cl
A3
，历史信息中第一叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
A1
、
α1和
ω1表示，第二叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
B1
、
α2和
ω2表示，第三叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
c1
、
α3和
ω3表示，第一叶片的第二个净空值以及同时刻的桨距角和叶轮转速分别用
cl
A2
、
α4和
ω4表示，第二叶片的第二个净空值以及同时刻的桨距角和叶轮转速分别用
cl
B2
、
α5和
ω5表示，第三叶片的第二个净空值以及同时刻的桨距角和叶轮转速分别用
cl
C2
、
α6和
ω6表示；
[0014]则一组数据用表示；
[0015]A3、
根据先验知识与专家建议，根据已有特征进行组合，衍生新特征，再进行特征数据标准化；
[0016]A4、
将各组数据按照
7∶3
的比例随机拆分成训练集和测试集；
[0017]A5、
将训练集训练多元线性回归模型，采用梯度下降算法优化线性回归模型的参数，直到模型的损失率降到最低，得到初始的净空预测模型；
[0018]A6、
利用测试集数据评估初始的净空预测模型，若性能不足则进行特征工程与参数优化方法提升性能，直到获得性能最佳的净空预测模型；
[0019]A7、
利用性能最佳的净空预测模型进行净空值预测，获得净空预测结果
。
[0020]步骤
A6
中评估初始的净空预测模型，具体采用均方误差
、
绝对平均误差和决定系数进行计算评估，绘制预测值与真实值的图表，观测模型的预测效果
。
[0021]步骤
S2
若采用分仓查询预测方法，则具体包括以下过程：
[0022]B1、
将历史净空数据按照转速和桨距角进行分仓，每个舱内的净空数据的均值作为基准值，得到转速桨距角
‑
净空基准表；
[0023]B2、
将历史净空数据按时序分组，每组数据包括叶片连续旋转两圈过程中的3个叶片的历史信息其中第一叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
A1
、
α1和
ω1表示，第二叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
B1
、
α2和
ω2表示，第三叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
C1
、
...

【技术保护点】

【技术特征摘要】
1.
一种风电机组净空预测控制方法，其特征在于包括以下步骤：
S1、
采集近期一段时间内的历史净空数据，包括净空数据
cl
h
、
桨距角
α
和叶轮转速
ω
；
S2、
通过机器学习方法或分仓查询预测方法获得净空预测结果；
S3、
根据净空预测结果采取机组保护动作控制
。2.
根据权利要求1所述的风电机组净空预测控制方法，其特征在于：步骤
S1
净空数据
cl
h
由净空测量系统采集得到，桨距角
α
和叶轮转速
ω
均通过工业总线从风机主控系统采集得到
。3.
根据权利要求1所述的风电机组净空预测控制方法，其特征在于：步骤
S2
若采用通过机器学习方法，则具体包括以下过程：
A1、
加载所采集的历史净空数据，对历史净空数据进行预处理，包括缺失值
、
异常值和重复值检测与修订；
A2、
将历史净空数据按时序分组，每组数据包括叶片连续旋转两圈过程中的3个叶片的历史信息以及第一叶片在旋转两圈后的一次净空值
cl
A3
，历史信息中第一叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
A1
、
α1和
ω1表示，第二叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
B1
、
α2和
ω2表示，第三叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
C1
、
α3和
ω3表示，第一叶片的第二个净空值以及同时刻的桨距角和叶轮转速分别用
cl
A2
、
α4和
ω4表示，第二叶片的第二个净空值以及同时刻的桨距角和叶轮转速分别用
cl
B2
、
α5和
ω5表示，第三叶片的第二个净空值以及同时刻的桨距角和叶轮转速分别用
cl
C2
、
α6和
ω6表示；则一组数据用表示；
A3、
根据先验知识与专家建议，根据已有特征进行组合，衍生新特征，再进行特征数据标准化；
A4、
将各组数据按照7：3的比例随机拆分成训练集和测试集；
A5、
将训练集训练多元线性回归模型，采用梯度下降算法优化线性回归模型的参数，直到模型的损失率降到最低，得到初始的净空预测模型；
A6、
利用测试集数据评估初始的净空预测模型，若性能不足则进行特征工程与参数优化方法提升性能，直到获得性能最佳的净空预测模型；
A7、
利用性能最佳的净空预测模型进行净空值预测，获得净空预测结果
。4.
根据权利要求3所述的风电机组净空预测控制方法，其特征在于：步骤
A6
中评估初始的净空预测模型，具体采用均方误差
、
绝对平均误差和决定系数进行计算评估，绘制预测值与真实值的图表，观测模型的预测效果
。5.
根据权利要求1所述的风电机组净空预测控制方法，其特征在于：步骤
S2
若采用分仓查询预测方法，则具体包括以下过程：
B1、
将历史净空数据按照转速和桨距角进行分仓，每个舱内的净空数据的均值作为基准值，得到转速桨距角
‑
净空基准表；
B2、
将历史净空数据按时序分组，每组数据包括叶片连续旋转两圈过程中的3个叶片的历史信息其中第一叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
A1
、
α1和
ω1表示，第二叶片的第一个净空值以及同时刻的桨距角和叶轮转速分别用
cl
B1
、
α2和
ω2表示，第三叶片的第一个净空值以及同时刻的桨距...

【专利技术属性】
技术研发人员：郭晓亮，王东利，舒建园，敖瑞，孙凯，王海潮，
申请(专利权)人：陕西中科启航科技有限公司，
类型：发明
国别省市：