基于SCADA數據提取的風電機組Bladed建模方法
基于scada數據提取的風電機組bladed建模方法
技術領域
1.本發明屬于電機組建模領域，尤其是涉及用真實風電機組的運行數據建立等同于該工況的bladed模型的方法。
背景技術：
2.目前中國已具備相對成熟的大型風電機組設計制造技術，既是世界第一大風電裝機國，也是最大的風電整機生產國。風電設備制造已經達到了領先水平，其設備產業鏈已具有國際競爭力。
3.隨著風電行業的發展，風力發電與傳統發電的競爭力也在不斷提高，而風電機組日益大型化、發電的穩定性以及風電機組運行的可靠性是提高競爭力最有效的途徑。目前中國的很多風電機組制造企業都不將低容量的風電機組作為重點生產產品，取而代之的是容量更大、適用于不同環境的風電機組，我國的陸上風電機組的容量由最開始的千瓦級到現在的兆瓦級，很多企業目前布局海上機組，將風電機組容量布局到5mw或者6mw以上。
4.隨著單機容量的增大，會使得風電機組的造價成本變高，而且風電場一般建立在風蘊藏量豐富如海邊、高山等自然環境較差的地區，但是該地區的自然情況不是很有利于建立適合當地自然環境的風電機組，使風電機組的運行受到阻礙；其次使風電機組發生故障，這樣會對風電機組帶來較大的損失且不利于維修。風電機組整機的使用壽命需要超過20年，但是在實際環境運行中，很多風電機組會出現不同程度的故障，進行影響風電機組的正常運行。
技術實現要素：
5.發明目的：
6.本發明提供一種基于scada數據提取的風電機組bladed建模方法，其目的在于解決如何模擬風電機組的故障，避免許多事故的發生；并且也可以對風機組實現優化控制，實現風電機組安全、穩定、高效的運行。
7.技術方案：
8.本發明的目的是這樣實現的：
9.一種基于scada數據提取的風電機組bladed建模方法，其特征在于：該方法按照以下步驟進行：
10.(1)對風電場采集到的風電機組scada數據進行數據預處理，即對風速-功率、轉速-轉矩和風速-槳距角的缺失數據和錯誤數據進行修復；
11.(2)提出模糊加權最小二乘法，并用最小二乘法和模糊加權最小二乘法對風電機組不同工況的運行狀態進行數據建模，并對兩種模型的優劣度進行分析，選擇出模型精度更高的模型；
12.(3)根據風電機組的機組參數進行bladed的機組建模，對葉片、葉輪、輪轂、塔架、機艙、傳動鏈和發電機進行數字化建模；
13.(4)對所研究工況的scada風速進行風文件的制作，并對風文件和原風速進行歐式距離的偏差度分析，使bladed風文件風速可以代替真實風速；
14.(5)最后使用scada數據對控制器進行系統辨識以及參數整定，將得到的pi參數輸入到bladed控制器中，使用不同的風文件對其進行仿真，對仿真結果的運行參數與修復后的選取的scada系統的運行參數進行對比，并對其運行狀態和模糊集權最小二乘法建立的模型進行對比分析。
15.所述步驟(1)對采集到的風速、功率、轉速、轉矩和槳距角的數據信息進行處理，對數據進行修復，使用回歸函數如下：
[0016][0017][0018]
式中，為第i個修復后的值，yi為第i個不需要修復的值，xi為yi所對應第i個的值，為不需要修復值得均值，是槳距角，是對應x的均值，i是1
……
n的自然數。
[0019]
所述步驟(3)中風電機組的相關參數如下：
[0020]
切入風速3m/s，額定風速11m/s，齒輪傳動增速比取n為104，葉輪直徑為82.56m，發動機轉動慣量jg設置為kg
·
m2，風輪轉動慣量jω設置為6.25
×
106kg
·
m2，槳距角變化范圍θ/(
°
)范圍取(0～20)，在上述的基礎上，進行bladed模型的設置。
[0021]
所述步驟(4)對風文件的制作的具體步驟如下：
[0022]
①
首先將scada系統中的風速數據處理為三列風速數據，分別為x、y、z三個方向的數據，由于實際中很難獲得y、z方向的風速數據，故將這兩個方向設置為0，然后將真實風速保存為.txt格式，保證采用頻率即時間間隔保持一致，x、y、z列數據用tab間隔開，可以同時處理多個變量數據；
[0023]
②
對湍流風參數進行設置；
[0024]
③
對kaimal模型進行參數設置，設置kaimal通常選擇general。
[0025]
④
在湍流風參數設置窗口中添加所處理好的scada系統數據txt文件路徑，對scada數據的風速進行平均風速的設置。
[0026]
優點與效果：
[0027]
1.通過對真實風電機組建立1：1的bladed模型可以用于該地區風電機組的設計，使得風電機組的設計可以更好的結合實際。
[0028]
2.該bladed模型搭建完成后可以進行模擬風電機組的故障，避免許多事故的發生。
[0029]
3.該bladed模型也可以對風電機組進行控制優化，使得真實的風電機組性能得以提升。
[0030]
4.建立真實風電機組的bladed模型有利于風電機組安全、穩定、高效的運行，該bladed模型對于真實風電機組的研究具有較強的經濟性能和工程應用價值。
附圖說明
[0031]
圖1為本發明搭建的bladed模型等同于真實風電機組的結構示意圖。
[0032]
圖2為風電機組scada數據的預處理流程圖。
[0033]
圖3為本發明中bp神經網絡中bp算法的步驟流程圖。
[0034]
圖4為基于bp神經網絡算法預測的初始pi值原理圖。
具體實施方式
[0035]
本發明主要是利用風電場某臺風電機組的參數和scada系統數據進行風電機組模型的建立，建模使用的軟件為bladed模型，目的是使得bladed模型在仿真時與運行在自然環境中的風電機組運行參數和運行參數相同。為保證建立的bladed模型等同于真實風電機組需要在建模前對scada系統中的數據進行預處理即修復異常和缺失數據，并對風電機組的不同工況的典型運行狀態進行數據統計分析，其次根據風電場風電機組的固有參數進行bladed建模并基于風電機組所處的自然風速建立bladed風文件，然后利用scada數據對風電機組的不同工況的控制器進行設計，最后使得bladed模型在仿真時的結果和風電場該臺風電機組運行在自然環境中的運行狀態相同。通過對某臺真實風電機組建立1：1的bladed模型可以用于該地區風電機組的設計，使得風電機組的設計可以更好的結合實際，該模型搭建完成后可以進行模擬風電機組的故障，避免許多事故的發生，該模型也可以對風電機組進行控制優化，使得真實的風電機組性能得以提升。綜上所述，建立真實風電機組的bladed模型有利于風電機組安全、穩定、高效的運行，該bladed模型對于真實風電機組的研究具有較強的經濟性能和工程應用價值。
[0036]
下面結合附圖對本發明加以具體描述。
[0037]
本發明是通過對真實的某款1.5mw風電機組進行bladed機組建模，并利用該風電機組的運行數據對風電機組不同工況的控制器進行設計，從而可以得到與實際風電機組運行參數和運行狀態基本相同的bladed模型，衡量bladed模型與真實風電機組等價的標準則是一段相同風速下的各個運行參數以及不同工況下的運行參數和狀態。本發明的流程工藝如圖1所示。
[0038]
根據所述的scada數據建立等同于真實風電機組的bladed模型，對采集到的風速、功率、轉速、轉矩和槳距角的數據信息進行處理，對數據進行修復的方法使用回歸函數的方法，如下所示：
[0039][0040][0041]
式中，為修復后的值，yi為不需要修復的值，xi為yi所對應的值，為不需要修復值得均值，是對應x的均值，i是1
……
n的自然數。回歸函數修復數據則是對均值法修復函數的一種完善，并消除了極端值的影響。
[0042]
根據對最小二乘法的求解過程可以得出模糊加權最小二乘法的求解方法，類比方
法可以得出模型結果。預處理和數據的修復如圖2所示。
[0043]
綜上所示，模糊加權最小二乘法算法的步驟如下所示(這里以最大風能捕獲工況的轉速轉矩為例)：
[0044]
(1)根據最小二乘法的方法得到轉速和轉矩模型的函數；
[0045]
(2)將轉矩代入到式中，計算中轉矩和步驟1得到的函數的偏離度；
[0046]
(3)確定閾值數量，根據隸屬函數進行計算；
[0047]
(4)由最大隸屬原則將轉矩數據分配到對應的模糊子集，并根據模糊子集分配對轉矩附加權值；
[0048]
(5)將附加了權值的轉矩帶入式計算可以得到模糊加權后的轉速和轉矩模型的函數。
[0049]
對bladed建立的1.5mw風電機組模型進行仿真時，為了與真實風電機組的狀態進行更好的對比分析，其中最重要是保證風速的一致性。現實中的風是隨時間變化的，所以需要將現實中的風速設置為風文件，使得bladed仿真中的風速和現實的風速盡可能一致。制作風文件，首先需要定義三維湍流風，并計算風文件。下面為根據scada真實風速制作風文件的步驟：
[0050]
①
首先將scada系統中的風速數據處理為三列風速數據，分別為x、y、z三個方向的數據，由于實際中很難獲得y、z方向的風速數據，故將這兩個方向設置為0，然后將真實風速保存為.txt格式，保證采用頻率即時間間隔保持一致，x、y、z列數據用tab間隔開，可以同時處理多個變量數據；
[0051]
②
對湍流風參數進行設置；其中風輪方向的綜合計算能力，節點小于5m；機組高度方向的綜合計算能力，節點小于5m；能夠覆蓋風輪的直徑，取值時要大于風輪直徑；能覆蓋整個機組的高度，取值時要大于輪轂高度和風輪半徑的和；風速的仿真時長，標準為600s；風速的采用頻率，該頻率的取值大于10hz；所取樣本scada數據的平均風速；不同的隨機數產生不同的風文件；
③
對kaimal模型進行參數設置，設置kaimal選擇general；其中模型參數為：longitudinal＝8.1l；lateral＝2.7l；vertical＝0.66l；coherency scaleparameter＝8.1l；coherency delay constant＝12；其中l為尺度參數，根據輪轂高度h來確定；
[0052]
④
在湍流風參數設置窗口中添加所處理好的scada系統數據txt文件路徑，對scada數據的風速進行平均風速的設置。
[0053]
建立風文件后需要與真實風速進行對比分析，將其進行歐式距離偏差度分析，為了簡化將風速間的偏差度認為服從的正態分布，由正態分布3σ原則，統計超過閾值范圍的數據次數，通過與總體數量的比例計算，超過閾值范圍的比例在5％以內，說明該閾值范圍內覆蓋了95％以上的數據，則可以表明風文件風速可以代表真實風速。
[0054]
根據scada數據建立等同于真實風電機組實際系統的最佳模型，其具體步驟：
[0055]
(1)輸入輸出數據：在系統辨識中，通常將scada系統中的數據作為輸入輸出序列
作為辨識的數據集合。
[0056]
(2)模型類別：系統辨識前需要對模型的結構進行選擇以及參數調節。
[0057]
(3)最優準則：最優準則是衡量系統模型的依據，最優準則一般為模型和實際輸出間的誤差，如式：
[0058][0059]
式中，y(i)——實際系統的輸出，yn(i)——系統辨識模型的輸出，f(k)——實際模型與辨識模型的差值函數。
[0060]
用bp神經網絡算法的pi控制器的原理是使用該算法對pi控制器參數進行預測，使其無限接近實際輸出值，若在計算過程中，與系統實際輸出偏差很大，則需要計算其誤差，并將誤差反饋到系統中去，重新進行預測，經過反復循環使誤差達到最小，從而得到初始的k
p
與ki值；基于bp神經網絡算法預測的初始pi值原理圖如圖4所示。
[0061]
通過上述的設置進行bladed的仿真，最后對比bladed模型與真實風電機組的運行參數和運行狀態進行對比。
[0062]
綜上，本發明先對scada數據進行預處理，得到風電機組正常運行時的數據，然后對最大風能捕獲工況和恒功率工況的運行狀態使用最小二乘法和模糊加權最小二乘法進行數據建模，并對兩種模型進行優劣度的分析，選擇最優模型；通過1.5mw風電機組的固有參數建立bladed的機組模型，并基于scada風速建立風文件，保證bladed模型的仿真風速和真實風電機組在自然環境中運行的風速相同，然后使用scada數據進行風電機組控制器初始pi值得求取，最后進行bladed仿真，將仿真結果與scada運行結果和運行狀態進行對比分析，結果表明，該bladed模型等同于真實的風電機組。
技術特征：
1.一種基于scada數據提取的風電機組bladed建模方法，該方法按照以下步驟進行：(1)對風電場采集到的風電機組scada數據進行數據預處理，即對風速-功率、轉速-轉矩和風速-槳距角的缺失數據和錯誤數據進行修復；(2)提出模糊加權最小二乘法，并用最小二乘法和模糊加權最小二乘法對風電機組不同工況的運行狀態進行數據建模，并對兩種模型的優劣度進行分析，選擇出模型精度更高的模型；(3)根據風電機組的機組參數進行bladed的機組建模，對葉片、葉輪、輪轂、塔架、機艙、傳動鏈和發電機進行數字化建模；(4)對所研究工況的scada風速進行風文件的制作，并對風文件和原風速進行歐式距離的偏差度分析，使bladed風文件風速可以代替真實風速；(5)最后使用scada數據對控制器進行系統辨識以及參數整定，將得到的pi參數輸入到bladed控制器中，使用不同的風文件對其進行仿真，對仿真結果的運行參數與修復后的選取的scada系統的運行參數進行對比，并對其運行狀態和模糊集權最小二乘法建立的模型進行對比分析。2.根據權利要求書1所述的基于scada數據建立等同于真實風電機組bladed模型方法，其特征在于：所述步驟(1)對采集到的風速、功率、轉速、轉矩和槳距角的數據信息進行處理，對數據進行修復，使用回歸函數如下：理，對數據進行修復，使用回歸函數如下：式中，為第i個修復后的值，y
i
為第i個不需要修復的值，x
i
為y
i
所對應第i個的值，為不需要修復值得均值，是槳距角，是對應x的均值，i是1
……
n的自然數。3.根據權利要求書1所述的基于scada數據建立等同于真實風電機組bladed模型方法，其特征在于：所述步驟(3)中風電機組的相關參數如下：切入風速3m/s，額定風速11m/s，齒輪傳動增速比取n為104，葉輪直徑為82.56m，發動機轉動慣量jg設置為kg
·
m2，風輪轉動慣量jω設置為6.25
×
106kg
·
m2，槳距角變化范圍θ/(
°
)范圍取(0～20)，在上述的基礎上，進行bladed模型的設置。4.根據權利要求書1所述的基于scada數據建立等同于真實風電機組bladed模型方法，其特征在于：所述步驟(4)對風文件的制作的具體步驟如下：
①
首先將scada系統中的風速數據處理為三列風速數據，分別為x、y、z三個方向的數據，由于實際中很難獲得y、z方向的風速數據，故將這兩個方向設置為0，然后將真實風速保存為.txt格式，保證采用頻率即時間間隔保持一致，x、y、z列數據用tab間隔開，可以同時處理多個變量數據；
②
對湍流風參數進行設置；其中風輪方向的綜合計算能力，節點小于5m；機組高度方向的綜合計算能力，節點小于5m；能夠覆蓋風輪的直徑，取值時要大于風輪直徑；能覆蓋整個機組的高度，取值時要大于輪轂高度和風輪半徑的和；風速的仿真時長，標準為600s；風速
的采用頻率，該頻率的取值大于10hz；所取樣本scada數據的平均風速；不同的隨機數產生不同的風文件；
③
對kaimal模型進行參數設置，設置kaimal選擇general；其中模型參數為：longitudinal＝8.1l；lateral＝2.7l；vertical＝0.66l；coherency scaleparameter＝8.1l；coherency delay constant＝12；其中l為尺度參數，根據輪轂高度h來確定；
④
在湍流風參數設置窗口中添加所處理好的scada系統數據txt文件路徑，對scada數據的風速進行平均風速的設置。
技術總結
本發明基于SCADA數據提取的風電機組Bladed建模方法，涉及用真實風電機組的運行數據建立等同于該工況的Bladed模型的方法。其特征在于對風電場采集到的SCADA數據進行數據預處理，用最小二乘法和模糊加權最小二乘法對風電機組不同工況的運行狀態、Bladed的機組建模，對所研究工況的SCADA風速進行風文件的制作，使Bladed風文件風速可以代替真實風速，最后使用不同的風文件對其進行仿真，對仿真結果的運行參數與修復后的選取的SCADA系統的運行參數進行對比分析。本發明的目的在于解決如何模擬風電機組的故障，避免事故的發生；并且可對風電機組實現優化控制，實現風電機組安全、穩定、高效的運行。高效的運行。高效的運行。
