一种风电机组机舱电气设备能耗优化综合建模方法及系统

1.本发明涉及风电机组机舱能耗优化技术领域，具体涉及一种风电机组机舱电气设备能耗优化综合建模方法及系统。


背景技术：

2.风力发电机由机舱、传动系统、电子控制器、偏航系统、液压系统、制动系统、发电机等组成，机舱中包容着风力发电机的关键设备，包括齿轮箱、发电机，其中发电机输出产生的电能，而齿轮箱由风向调控系统(偏航系统) 借助电动机转动机舱，以使风力发电机的扇叶正对风向，风向调控系统由电子控制器控制运行。
3.现有技术中对风电机组机舱能耗优化的研究一般是以优化发电效率为目标展开的。随着全球碳排放量激增、能源日益枯竭，发展“绿色经济”已成为全球热点，在这样的大背景下，传统风力发电的能量利用率低、耗能高、非稳态运行的弊端日益突出，特别是对于大型风力发电而言，如何使风力发电在既稳定又高效的状态下长期运行变得十分迫切。但是，风力发电是一个能量相互作用的复杂随机过程，评价其发电稳定性与能耗状态的特征参数具有跨学科、强耦合和非线性的特点，如何精准建立稳定-节能综合最优的机舱能耗优化模型并对其特征参数进行优化控制，已成为传统风力发电向绿色、智能、可持续转型过程中亟待解决的关键问题。


技术实现要素：

4.本发明的目的在于提供一种风电机组机舱电气设备能耗优化综合建模方法及系统，以解决现有技术中能量利用率低、耗能高、非稳态运行的技术问题。
5.为解决上述技术问题，本发明具体提供下述技术方案：
6.一种风电机组机舱电气设备能耗优化综合建模方法，包括以下步骤：
7.步骤s1、在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
8.步骤s2、利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
9.步骤s3、基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风
向调控装置在未来时序处的运行特征时序数据的设定值求解结果，以使得所述风向调控装置按所述设定值运行来实现机舱发电状态和发电产能的双目标优化。
10.作为本发明的一种优选方案，所述在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，包括：
11.在历史运行日志中依次按时序提取出风向调控装置的多个运行参量的时序数据，并对多个运行参量的时序数据进行冗余参量去除来得到表征风向调控装置运行状态特征的多个运行特征参量；
12.基于所述多个运行特征参量在历史运行日志中提取出多组运行特征参量时序数据，并对多组运行特征参量时序数据进行冗余时序去除来得到表征风向调控装置运行状态的运行特征时序数据；
13.按照所述运行特征时序数据的时序依次在历史运行日志中提取风向调控装置在对应时序处耗能参量的时序数据作为耗能特征时序数据，以表征风向调控装置耗能状态；
14.所述对多个运行参量的时序数据进行冗余参量去除，包括：
15.对所述多个运行参量的时序数据按时序进行主成分分析得到所有运行参量的特征值，并按特征值对所述运行参量进行倒序排列得到运行参量序列；
16.在运行参量序列中选取出前k项作为k个运行特征参量，以去除运行参量中的冗余参量；
17.所述对多组运行特征参量时序数据进行冗余时序去除，包括：
18.步骤101、依次将多组运行特征参量时序数据在相邻时序处进行数据相似度求和计算得到一组节点判定时序曲线，所述相似度求和的计算公式为：
[0019][0020]
其中，为多组运行特征参量时序数据在相邻时序t
j 1
，tj处的数据相似度总和，且为节点判定时序曲线中时序t
j 1
处的数据，分别表征为第i组运行特征参量时序数据中相邻时序t
j 1
，tj处的时序数据，t
j 1
，tj表征为第j 1、j个时序，i，j为计量常数；
[0021]
步骤102、在节点判定时序曲线上绘制表征稳定运行状态的相似度总和的阈值区间曲线，并将节点判定时序曲线上位于阈值区间曲线外部的所有时序作为表征风向调节装置状态变更的变更时序，所述阈值区间表征为风向调控装置处于同种运行状态的相似度总和上限值和相似度总和下限值构成的时序曲线；
[0022]
步骤103、依次统计多组运行特征参量时序数据在相邻变更时序之间的时序数据量，并对所有相邻变更时序之间的时序数据量进行归一化处理得到在每个相邻变更时序之间的数据提取率，所述数据提取率的计算公式为：
[0023][0024]
式中，表征为相邻变更时序tr、t
r 1
之间的数据提取率，表征为相邻变更时序tr、t
r 1
之间的时序数据量，tr、t
r 1
表征为第r、r 1个变更时序，r为计量常数，m为变更时序的总数目；
[0025]
步骤104、设定时序数据的总提取量，依据数据提取率依次在每个相邻变更时序之间随机提取对应数量的时序数据，并将所述时序数据依时序连接为运行特征时序数据，以保证对风向调控装置运行状态的均衡表征且避免表征同种运行状态的数据冗余。
[0026]
作为本发明的一种优选方案，所述在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据，包括：
[0027]
按照所述运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处产能参量的时序数据作为产能特征时序数据，以表征机舱发电产能状态；
[0028]
按照所述运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处发电状态参量的时序数据作为发电特征时序数据，以表征机舱发电状态。
[0029]
作为本发明的一种优选方案，所述利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，包括：
[0030]
将运行特征时序数据转换为运行特征时序序列为将运行特征时序数据转换为运行特征时序序列为将{tr|r∈[1,m]}和作为输入项和输出项应用至lstm神经网络中进行模型训练得到所述运行预测模型，所述运行预测模型的模型表达式为：
[0031]
x
t
＝lstm(t)；
[0032]
式中，x表征为运行特征时序数据在时序t处的时序数据，lstm表征为 lstm神经网络。
[0033]
作为本发明的一种优选方案，所述基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，包括：
[0034]
将运行特征时序数据和发电特征时序数据作为输入项和输出项应用至 cnn神经网络中进行模型训练得到所述发电状态优化模型，所述发电状态优化模型的模型表达式为：
[0035]
label
t
＝cnn(x
t
)；
[0036]
式中，label
t
表征为发电特征时序数据在时序t处的时序数据，x
t
表征为运行特征时序数据在时序t处的时序数据，cnn表征为cnn神经网络。
[0037]
作为本发明的一种优选方案，所述基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型，包括：
[0038]
将运行特征时序数据和产能特征时序数据、耗能特征时序数据作为输入项和输出项应用至cnn神经网络中进行模型训练得到所述发电状态优化模型，所述发电状态优化模
型的模型表达式为：
[0039]yt-y
t
＝cnn(x
t
)；
[0040]
式中，y
t
、y
t
分别表征为产能特征时序数据、耗能特征时序数据在时序 t处的时序数据，x
t
表征为运行特征时序数据在时序t处的时序数据，cnn表征为cnn神经网络。
[0041]
作为本发明的一种优选方案，所述基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，包括：
[0042]
将未来时序t输入至运行预测模型预测出风向调控装置在未来时序t处的运行特征时序数据的预测值x
t
。
[0043]
作为本发明的一种优选方案，所述基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，包括：
[0044]
设定调整偏差δx，基于所述预测值x
t
与调整调整偏差δx构建约束条件，所述约束条件的公式为：
[0045]
x
t
′
∈[x
t-δx,x
t
δx]；
[0046]
式中，x
t
′
表征为设定值。
[0047]
作为本发明的一种优选方案，所述在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，包括：
[0048]
将所述设定值x
t
′
作为所述发电能耗优化模型和发电状态优化模型的求解变量得到发电能耗优化模型和发电状态优化模型的优化求解公式为：
[0049][0050]
其中，label
t
分别表征为未来时序t处的发电状态，y
t
、y
t
分别表征为产能特征时序数据、耗能特征时序数据在未来时序t处的时序数据，所述发电状态包括稳定状态和非稳定状态；
[0051]
对所述发电能耗优化模型和发电状态优化模型的优化求解公式进行求解得到所述设定值x
t
′
的求解结果。
[0052]
作为本发明的一种优选方案，本发明提供了一种根据所述的风电机组机舱电气设备能耗优化综合建模方法的建模系统，包括：
[0053]
数据获取单元，用于在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
[0054]
模型建立单元，用于利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
[0055]
优化应用单元，用于基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果。
[0056]
本发明与现有技术相比较具有如下有益效果：
[0057]
本发明在风向调控装置的众多运行参量中找出影响发电稳定性和能耗的关键参数，并构建对应的发电能耗优化模型和发电状态优化模型，简洁迅速地计算出同时兼顾加工稳定性和能耗双重目标的参量设定值，从而高效地调节风向调控装置的运行参量，保证发电过程的稳定性与高效性。
附图说明
[0058]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0059]
图1为本发明实施例提供的能耗优化综合建模方法流程图；
[0060]
图2为本发明实施例提供的建模系统结构框图。
[0061]
图中的标号分别表示如下：
[0062]
1-数据获取单元；2-模型建立单元；3-优化应用单元。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
如图1所示，本发明提供了一种风电机组机舱电气设备能耗优化综合建模方法，包括以下步骤：
[0065]
步骤s1、在机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
[0066]
在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，包括：
[0067]
在历史运行日志中依次按时序提取出风向调控装置的多个运行参量的时序数据，并对多个运行参量的时序数据进行冗余参量去除来得到表征风向调控装置运行状态特征的多个运行特征参量；
[0068]
基于多个运行特征参量在历史运行日志中提取出多组运行特征参量时序数据，并对多组运行特征参量时序数据进行冗余时序去除来得到表征风向调控装置运行状态的运
行特征时序数据；
[0069]
按照运行特征时序数据的时序依次在历史运行日志中提取风向调控装置在对应时序处耗能参量的时序数据作为耗能特征时序数据，以表征风向调控装置耗能状态；
[0070]
对多个运行参量的时序数据进行冗余参量去除，包括：
[0071]
对多个运行参量的时序数据按时序进行主成分分析得到所有运行参量的特征值，并按特征值对运行参量进行倒序排列得到运行参量序列；
[0072]
在运行参量序列中选取出前k项作为k个运行特征参量，以去除运行参量中的冗余参量；
[0073]
运行参量包括但不限于供电电流、供电脉宽、供电脉间、极间电压、进给速度等以控制风向调控装置的转速、转向等，在取出冗余参量后可对运行参量进行精简，只保留下对表征风向调控装置运行状态特征的多个运行特征参量，减低冗余后续计算。
[0074]
对多组运行特征参量时序数据进行冗余时序去除，包括：
[0075]
步骤101、依次将多组运行特征参量时序数据在相邻时序处进行数据相似度求和计算得到一组节点判定时序曲线，相似度求和的计算公式为：
[0076][0077]
其中，为多组运行特征参量时序数据在相邻时序t
j 1
，tj处的数据相似度总和，且为节点判定时序曲线中时序t
j 1
处的数据，分别表征为第i组运行特征参量时序数据中相邻时序t
j 1
，tj处的时序数据，t
j 1
，tj表征为第j 1、j个时序，i，j为计量常数；
[0078]
步骤102、在节点判定时序曲线上绘制表征稳定运行状态的相似度总和的阈值区间曲线，并将节点判定时序曲线上位于阈值区间曲线外部的所有时序作为表征风向调节装置状态变更的变更时序，阈值区间表征为风向调控装置处于同种运行状态的相似度总和上限值和相似度总和下限值构成的时序曲线；
[0079]
步骤103、依次统计多组运行特征参量时序数据在相邻变更时序之间的时序数据量，并对所有相邻变更时序之间的时序数据量进行归一化处理得到在每个相邻变更时序之间的数据提取率，数据提取率的计算公式为：
[0080][0081]
式中，表征为相邻变更时序tr、t
r 1
之间的数据提取率，表征为相邻变更时序tr、t
r 1
之间的时序数据量，tr、t
r 1
表征为第r、r 1个变更时序，r为计量常数，m为变更时序的总数目；
[0082]
步骤104、设定时序数据的总提取量，依据数据提取率依次在每个相邻变更时序之间随机提取对应数量的时序数据，并将时序数据依时序连接为运行特征时序数据，以保证
对风向调控装置运行状态的均衡表征且避免表征同种运行状态的数据冗余。
[0083]
在风向长时间不变的状况下，风向调控装置的运行状态也将维持长时间不变，在该运行状态下会存在大量相近的运行特征时序数据，如果对运行状态的运行特征时序数据全部进行提取时，会导致在样本总量一定的情况下，该运行状态下的数据量占比过大，导致数据失衡，从而最终造成在模型训练时产生过拟合现象，因此本实施例对所有运行状态的变更时序进行提取，获得多个运行状态，并按各个运行状态下的数据量进行等比例数据抽取，从而保证数据均衡，同时也提出了大量相近的运行特征时序数据，提高模型训练速度。
[0084]
在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据，包括：
[0085]
按照运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处产能参量的时序数据作为产能特征时序数据，以表征机舱发电产能状态；
[0086]
按照运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处发电状态参量的时序数据作为发电特征时序数据，以表征机舱发电状态。
[0087]
步骤s2、利用神经网络基于运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
[0088]
利用神经网络基于运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，包括：
[0089]
将运行特征时序数据转换为运行特征时序序列为将运行特征时序数据转换为运行特征时序序列为将{tr|r∈[1,m]}和作为输入项和输出项应用至lstm神经网络中进行模型训练得到运行预测模型，运行预测模型的模型表达式为：
[0090]
x
t
＝lstm(t)；
[0091]
式中，x表征为运行特征时序数据在时序t处的时序数据，lstm表征为 lstm神经网络。
[0092]
基于运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，包括：
[0093]
将运行特征时序数据和发电特征时序数据作为输入项和输出项应用至 cnn神经网络中进行模型训练得到发电状态优化模型，发电状态优化模型的模型表达式为：
[0094]
label
t
＝cnn(x
t
)；
[0095]
式中，label
t
表征为发电特征时序数据在时序t处的时序数据，x
t
表征为运行特征时序数据在时序t处的时序数据，cnn表征为cnn神经网络。
[0096]
基于运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型，包括：
[0097]
将运行特征时序数据和产能特征时序数据、耗能特征时序数据作为输入项和输出项应用至cnn神经网络中进行模型训练得到发电状态优化模型，发电状态优化模型的模型
表达式为：
[0098]yt-y
t
＝cnn(x
t
)；
[0099]
式中，y
t
、y
t
分别表征为产能特征时序数据、耗能特征时序数据在时序 t处的时序数据，x
t
表征为运行特征时序数据在时序t处的时序数据，cnn表征为cnn神经网络。
[0100]
步骤s3、基于运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在约束条件下求解发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，以使得风向调控装置按设定值运行来实现机舱发电状态和发电产能的双目标优化。
[0101]
基于运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，包括：
[0102]
将未来时序t输入至运行预测模型预测出风向调控装置在未来时序t处的运行特征时序数据的预测值x
t
。
[0103]
基于风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，包括：
[0104]
设定调整偏差δx，基于预测值x
t
与调整调整偏差δx构建约束条件，约束条件的公式为：
[0105]
x
t
′
∈[x
t-δx,x
t
δx]；
[0106]
式中，x
t
′
表征为设定值。
[0107]
在约束条件下求解发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，包括：
[0108]
将设定值x
t
′
作为发电能耗优化模型和发电状态优化模型的求解变量得到发电能耗优化模型和发电状态优化模型的优化求解公式为：
[0109][0110]
其中，label
t
分别表征为未来时序t处的发电状态，y
t
、y
t
分别表征为产能特征时序数据、耗能特征时序数据在未来时序t处的时序数据，发电状态包括稳定状态和非稳定状态；
[0111]
对发电能耗优化模型和发电状态优化模型的优化求解公式进行求解得到设定值x
t
′
的求解结果。
[0112]
运行预测模型根据大量运行特征时序数据训练而成，而运行特征时序数据都是电子控制器控制风向调控装置驱动风机扇叶正朝风向，因此预测出的未来时序处的运行特征时序数据也是在未来时序处控制风向调控装置驱动风机扇叶正朝风向，因此在未来时序处的运行特征时序数据的基础上进行调整偏差δx范围内的调整，可以使得未来时序处风向调控装置驱动风机扇叶正朝风向，即基于预测值x
t
与调整调整偏差δx构建约束条件。
[0113]
发电能耗优化模型和发电状态优化模型双向目标优化，可实现在未来时序处发电能耗最小化以及发电状态稳定。
[0114]
如图2所示，基于上述风电机组机舱电气设备能耗优化综合建模方法，本发明提供
了一种建模系统，包括：
[0115]
数据获取单元1，用于在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
[0116]
模型建立单元2，用于利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
[0117]
优化应用单元3，用于基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果。
[0118]
本发明在风向调控装置的众多运行参量中找出影响发电稳定性和能耗的关键参数，并构建对应的发电能耗优化模型和发电状态优化模型，简洁迅速地计算出同时兼顾加工稳定性和能耗双重目标的参量设定值，从而高效地调节风向调控装置的运行参量，保证发电过程的稳定性与高效性。
[0119]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。