楊明明

（華潤(rùn)電力技術(shù)研究院有限公司，廣東深圳，518002）

0 引言

截至2019年年底，全球風(fēng)電累計(jì)裝機(jī)容量達(dá)到650 GW，其中中國(guó)裝機(jī)容量210 GW，占全球總裝機(jī)容量的32.3%。針對(duì)風(fēng)電機(jī)組性能評(píng)估、降載控制、精準(zhǔn)偏航等方向的研究顯得尤為重要［1-2］。

風(fēng)電機(jī)組的機(jī)艙風(fēng)速計(jì)位于機(jī)艙尾部，其受到風(fēng)機(jī)尾流和葉片擾動(dòng)的影響，造成機(jī)艙風(fēng)速與真實(shí)來流風(fēng)速存在偏差。這種偏差的存在影響了機(jī)組控制策略的效能和發(fā)電性能。為消除偏差，一般在風(fēng)機(jī)前側(cè)設(shè)立測(cè)風(fēng)塔或者激光雷達(dá)進(jìn)行實(shí)時(shí)來流風(fēng)速測(cè)量。但如果采用該辦法覆蓋全場(chǎng)機(jī)組，建設(shè)難度和成本都較大。因此，通過數(shù)理模型建立機(jī)艙風(fēng)速和真實(shí)來流風(fēng)速的傳遞關(guān)系成為研究重點(diǎn)［3-5］

目前，國(guó)內(nèi)外對(duì)機(jī)艙風(fēng)速傳遞關(guān)系的研究也取得了一定的進(jìn)展，GB/T 33225—2016《風(fēng)力發(fā)電機(jī)組基于機(jī)艙風(fēng)速計(jì)法的功率特性測(cè)試》標(biāo)準(zhǔn)給出了多段折線函數(shù)法，通過對(duì)風(fēng)速進(jìn)行分區(qū)，每個(gè)區(qū)間的線性差值函數(shù)構(gòu)成完整多段折線函數(shù)［6］。劉永前等［7］利用風(fēng)輪單元流管的物理模型仿真機(jī)艙前的自由流風(fēng)速，但風(fēng)電場(chǎng)運(yùn)行環(huán)境復(fù)雜，理論模型結(jié)果與實(shí)際情況存在較大偏差。張新房等［8］構(gòu)建了基于支持向量機(jī)的自由流風(fēng)速計(jì)算模型，把機(jī)器學(xué)習(xí)引入了機(jī)艙傳遞函數(shù)的計(jì)算。

由于機(jī)艙風(fēng)速計(jì)受到葉片擾動(dòng)的影響，國(guó)際電工委員會(huì)（IEC）提出的機(jī)艙傳遞函數(shù)（以下簡(jiǎn)稱IEC機(jī)艙傳遞函數(shù)）無法準(zhǔn)確描述機(jī)艙實(shí)測(cè)風(fēng)速與來流風(fēng)速的復(fù)雜關(guān)系。本研究提出了基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)艙風(fēng)速修正方法，與IEC機(jī)艙傳遞函數(shù)相比，多層一維卷積神經(jīng)網(wǎng)絡(luò)可有效過濾風(fēng)電機(jī)組尾流和葉片擾動(dòng)對(duì)機(jī)艙風(fēng)速的周期性影響，提高擬合精度，建立一種更為準(zhǔn)確的機(jī)艙風(fēng)速修正方法。

1 分析方法與數(shù)據(jù)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

分析采用的一維卷積神經(jīng)網(wǎng)絡(luò)［9-10］為包含卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)分為輸入層、卷積層、池化層、卷積與池化層、全連接層5層，如圖1所示。

圖1 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 One-dimensional convolution neural network structure

假設(shè)第l層是卷積層，則一維卷積層的公式為

1.2 監(jiān)測(cè)數(shù)據(jù)

試驗(yàn)數(shù)據(jù)來自某風(fēng)電場(chǎng)25臺(tái)WTG2000-104機(jī)組2018年11月—2019年10月數(shù)據(jù)采集與監(jiān)視控制（SCADA）系統(tǒng)間隔為10 min的平均風(fēng)速、風(fēng)向、槳距角、發(fā)電機(jī)轉(zhuǎn)速和功率，以及2019年4月20日—7月14日激光雷達(dá)在80 m高度、間隔10 min測(cè)得的平均風(fēng)速、風(fēng)向。

2 工程實(shí)例

2.1 工程概況

某平原風(fēng)電場(chǎng)，主要植被為低矮農(nóng)作物和雜草等，主風(fēng)向位于45°～180°，測(cè)試期間以南風(fēng)為主。激光雷達(dá)位于測(cè)試機(jī)位東南側(cè)250 m處，相對(duì)位置如圖2所示。

圖2 激光雷達(dá)與風(fēng)電機(jī)組相對(duì)位置Fig.2 Relative positions of laser radars and wind turbines

根據(jù)IEC 61400-12-2《基于機(jī)艙風(fēng)速計(jì)的風(fēng)電機(jī)組功率特性測(cè)試》標(biāo)準(zhǔn)對(duì)試驗(yàn)機(jī)位進(jìn)行地形評(píng)估，對(duì)描述場(chǎng)地地形復(fù)雜性的陡峭指數(shù)（RIX）和傾角進(jìn)行計(jì)算。D34測(cè)試機(jī)組地形參數(shù)見表1，為地形分類中的1類地形，RIX未超過0.04，地形傾角符合IEC 61400-12-2標(biāo)準(zhǔn)附錄B，符合噪聲傳遞函數(shù)（NTF）計(jì)算和傳統(tǒng)功率曲線測(cè)試的地形要求。

表1 D34測(cè)試機(jī)組地形參數(shù)Tab.1 Terrain parameters of the test unit D34

根據(jù)IEC 61400-12-2標(biāo)準(zhǔn)附錄A對(duì)測(cè)試機(jī)組障礙物進(jìn)行評(píng)估，該風(fēng)場(chǎng)內(nèi)主要障礙物為風(fēng)電機(jī)組，計(jì)算出測(cè)試機(jī)組D34有效扇區(qū)為0°～100°，300°～350°，根據(jù)篩選出的有效扇區(qū)進(jìn)行數(shù)據(jù)分析計(jì)算。

2.2 數(shù)據(jù)清洗

對(duì)D34風(fēng)電機(jī)組2019年4月20日—7月14日的10 min間隔平均風(fēng)速和功率進(jìn)行數(shù)據(jù)篩選。由圖3可見，切入風(fēng)速以上有部分功率為0的停機(jī)數(shù)據(jù)，還有部分離散點(diǎn)為風(fēng)機(jī)在切入風(fēng)速以上遇到異常狀況停機(jī)過程，以及切入風(fēng)速以上啟動(dòng)過程中發(fā)電機(jī)低于正常運(yùn)行轉(zhuǎn)速所輸出的欠功率點(diǎn)。這部分?jǐn)?shù)據(jù)會(huì)影響機(jī)艙風(fēng)速與激光雷達(dá)的函數(shù)擬合關(guān)系，為提高分析結(jié)果的可靠性，對(duì)上述數(shù)據(jù)點(diǎn)位進(jìn)行剔除［9-10］，剔除后的功率散點(diǎn)圖如圖4所示。

圖3 數(shù)據(jù)篩選前的功率曲線散點(diǎn)Fig.3 Scatter plot of the power curve before data filtering

圖4 數(shù)據(jù)篩選后的功率曲線散點(diǎn)Fig.4 Scatter plot of the power curve after data filtering

2.3 卷積神經(jīng)網(wǎng)絡(luò)模型

采用Keras的一維卷積神經(jīng)網(wǎng)絡(luò)Conv1D函數(shù)搭建訓(xùn)練模型?？紤]到多層卷積池化可提升網(wǎng)絡(luò)性能，模型的結(jié)構(gòu)如圖5所示，可見模型采用5個(gè)一維卷積和池化層，3個(gè)全連接層，激活函數(shù)為ReLU。同時(shí)為避免過擬合，使用了2個(gè)Dropout（代表神經(jīng)網(wǎng)絡(luò)單元隨機(jī)丟失）層。模型訓(xùn)練采用的損失函數(shù)為均方誤差（MSE），優(yōu)化算法為Adam，學(xué)習(xí)率設(shè)置為0.001。模型輸入數(shù)據(jù)為測(cè)試機(jī)組SCADA系統(tǒng)10 min間隔的機(jī)艙風(fēng)速、風(fēng)向、槳距角、發(fā)電機(jī)轉(zhuǎn)速和發(fā)電機(jī)功率，訓(xùn)練集和測(cè)試集按8∶2的比例隨機(jī)劃分，訓(xùn)練次數(shù)（Epochs）為500。

圖5 基于卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)Fig.5 Structure of themodel based on convolutional neural network

2.4 實(shí)例結(jié)果分析

利用測(cè)試機(jī)組SCADA系統(tǒng)10 min的機(jī)艙風(fēng)速、風(fēng)向、槳距角、發(fā)電機(jī)轉(zhuǎn)速和發(fā)電機(jī)功率的訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練，根據(jù)訓(xùn)練后得到的權(quán)重和偏置對(duì)測(cè)試集的機(jī)艙修正風(fēng)速進(jìn)行計(jì)算，計(jì)算結(jié)果與實(shí)測(cè)風(fēng)速的誤差分布以及相關(guān)性如圖6所示。從圖中可以看出計(jì)入誤差分布集中，主要分布在0值附近，并且計(jì)算值與實(shí)測(cè)值相關(guān)性較好。

圖6 修正風(fēng)速與實(shí)測(cè)風(fēng)速的偏差分布及相關(guān)性Fig.6 Deviation distribution and correlation between corrected wind speed and measured wind speed

利用同一數(shù)據(jù)集進(jìn)行IEC機(jī)艙傳遞函數(shù)修正風(fēng)速的計(jì)算，其修正風(fēng)速和卷積神經(jīng)網(wǎng)絡(luò)修正風(fēng)速與實(shí)測(cè)風(fēng)速的擬合關(guān)系如圖7及圖8所示。

圖7 實(shí)測(cè)值與IEC機(jī)艙傳遞函數(shù)法計(jì)算值相關(guān)性Fig.7 Correlation between measured valueand thevalue calculated by IEC nacelletransfer function

圖8 實(shí)測(cè)值與卷積神經(jīng)網(wǎng)絡(luò)法計(jì)算值相關(guān)性Fig.8 Correlation between measured valueand thevalue calculated by convolution neural network method

表2為IEC機(jī)艙傳遞函數(shù)法與卷積神經(jīng)網(wǎng)絡(luò)法計(jì)算結(jié)果比較，由表可見，卷積神經(jīng)網(wǎng)絡(luò)法擬合優(yōu)度較IEC機(jī)艙傳遞函數(shù)有較大的提升，同時(shí)回歸平方和（ESS）的算術(shù)平方根及平均絕對(duì)誤差（MAE）顯著小于IEC機(jī)艙傳遞函數(shù)［11-14］。

表2 2種計(jì)算方法結(jié)果比較Tab.2 Comparison of two calculation methods

利用計(jì)算所得修正風(fēng)速和同期功率，采用IEC的Bin法繪制機(jī)組功率曲線對(duì)比如圖9所示，由圖可見卷積神經(jīng)網(wǎng)絡(luò)法計(jì)算的功率曲線與實(shí)測(cè)功率曲線各風(fēng)速段的擬合度較好，而IEC機(jī)艙傳遞函數(shù)計(jì)算的功率曲線在8～12 m/s風(fēng)速段與實(shí)測(cè)功率曲線相比偏高，高估了風(fēng)機(jī)性能［15-16］。根據(jù)場(chǎng)區(qū)測(cè)風(fēng)塔風(fēng)頻，對(duì)機(jī)艙修正風(fēng)速的功率曲線和測(cè)試功率曲線進(jìn)行的電量評(píng)估，評(píng)估電量誤差見表3。

由表3可見，在工程實(shí)例中，IEC機(jī)艙傳遞函數(shù)法繪制的功率曲線評(píng)估電量較測(cè)試功率曲線偏高5.79%，而卷積神經(jīng)網(wǎng)絡(luò)的評(píng)估電量偏差僅4.07%，表明在相同的試驗(yàn)條件下，卷積神經(jīng)網(wǎng)絡(luò)可以有效提高機(jī)艙修正風(fēng)速的精度［17-19］。

圖9 功率曲線對(duì)比Fig.9 Power curvecomparison

表3 計(jì)算功率曲線與測(cè)試功率曲線發(fā)電量對(duì)比結(jié)果Tab.3 Comparison resultsof power generation between calculated power curveand test power curve

3 結(jié)束語(yǔ)

提出了一種全新的基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)艙風(fēng)速修正方法，可應(yīng)用于同類型機(jī)組的機(jī)艙風(fēng)速功率曲線計(jì)算。該方法的核心創(chuàng)新在于能有效過濾了風(fēng)機(jī)尾流和葉片擾動(dòng)對(duì)機(jī)艙風(fēng)速的影響，提高修正風(fēng)速的計(jì)算精度。工程實(shí)例表明，卷積神經(jīng)網(wǎng)絡(luò)法計(jì)算的修正風(fēng)速與實(shí)測(cè)風(fēng)速的擬合優(yōu)度R2達(dá)到0.844 7，MAE僅為0.071，各項(xiàng)偏差指標(biāo)相較于IEC機(jī)艙傳遞函數(shù)分區(qū)分段法均有較大提升。基于卷積神經(jīng)網(wǎng)絡(luò)法計(jì)算的功率曲線與實(shí)測(cè)功率曲線的評(píng)估電量差異僅為4.07%，較IEC機(jī)艙傳遞函數(shù)分區(qū)分段法提高了1.72百分點(diǎn)。

值得注意的是，機(jī)艙風(fēng)速與自由流風(fēng)速的關(guān)系受場(chǎng)地地形、機(jī)組葉輪形狀等因素影響，不同條件下測(cè)試結(jié)果會(huì)有所差異。今后將對(duì)更多不同類型的場(chǎng)址和機(jī)組進(jìn)行試驗(yàn)，以檢驗(yàn)該方法的普適性。