风力发电机组对风偏差检测算法研究与应用

2020-05-19田春华刘家扬崔鹏飞

可再生能源 2020年5期

李闯，田春华，刘家扬，崔鹏飞，蒋伟

（北京工业大数据创新中心有限公司，北京 100083）

0 前言

风电机组对风偏差是由于风向标安装误差、电器测量、尾流影响等因素造成的机组对风偏差。偏航对风偏差会造成机组发电效率降低，当对风偏差为10°时，机组发电功率约降低4.5%[1]。另一方面，当出现偏航偏差时，机组将受到单侧偏离主轴轴向的作用力，该作用力将使主轴轻微偏离中心轴，形成大风机械振动。如此长期运行，会造成主轴磨损、齿轮箱齿面磨损、机组对中位移等问题，严重影响机组寿命。因此，定期排查风电机组对风偏差，及时对偏差进行矫正，不仅能够提升机组发电性能，提高风电场发电量，还能减少大部件磨损，延长机组使用寿命。

风电机组叶轮在正对风时，风能的吸收效率达到最高，大型机组通常采用主动偏航控制系统来保证机组对风（图1）。

图1 风电机组对风偏差示意图Fig.1 Principle of yaw error of wind turbine

偏航对风偏差按照成因不同，分为静态偏差和动态偏差。静态偏差由风向标固定安装、电气测量和扰流影响造成。动态偏差由风湍流和偏航系统响应延迟造成。本文提出的对风偏差检测算法仅用于机组的静态偏差测算。

目前，有关偏航的研究主要集中在偏航系统控制策略领域[2]，[3]，且均是假定传感器测量结果的统计均值是准确的，未对传感器本身存在偏差的问题做检测优化。文献[4]提出对发电功率和偏航对风角度进行拟合，把拟合曲线的极大值对应的角度作为对风偏差，但并未说明具体的拟合算法。

针对上述问题，本文首先提出基于分位数拟合的对风偏差算法，给出算法步骤的详细描述以及在河北某风场的应用效果；其次，给出算法应用系统的功能设计，包括偏航对风偏差应用的具体功能和系统的整体流程框架。

1 对风偏差检测算法

1.1 算法原理

偏航对风是否存在偏差主要体现在相同风速下，对风角-功率曲线极大值点的偏移量（图2）。由图2 可知：正对风时，如图中实线，极大值中心线靠近0°对风角；正偏和负偏分别对应右侧和左侧的虚线。因此，只要搜集足量数据，在很小的风速区间内（近似认为风速不变），拟合出对风角-功率曲线，然后找出功率最大值对应的对风角度，即是所求对风偏差。

图2 偏航偏差与对风角-功率曲线极大值的对应关系Fig.2 The correspondence between yaw error and maximum of relative wind direction-power curve

实际执行拟合时，因尾流效应和随机波动，给风速测量值带来不平稳噪声，因此，需要拟合算法具备很强的鲁棒性。本文引入分位数回归进行曲线拟合[5]，[6]，相比于 OLS（Ordinary Least Square）算法，分位数回归放松了模型随机误差0 均值、同方差的假设，并具有缺失值不敏感的特点，能更加精确地描述自变量对因变量的变化范围。假设随机变量的分布函数为

Y 的 τ 分位数的定义为

对于 Y 的一组随机样本{y1，y2，…，yn}，ξ 为模型预测值，分位数回归要满足：

式中：ρτ（u）=[τ- I （u<0） ]。

I（z）为指示函数，即 z 为真时 I（z）=1，否则为 0。

若Y 由k 个自变量线性表示：

则参数估计问题可转换为

该问题的参数估计方法采用内点算法[7]。中位数回归是分位数回归算法的特例，即τ=0.5，本文使用中位数回归进行对风偏差问题求解。

1.2 算法流程

风电机组对风偏差算法，基于机组运行SCADA 数据，以单台机组为颗粒度执行，具体分为五步。

第一步：单台机组数据获取。

搜集机组SCADA 运行数据和机组保障功率曲线。

①运行数据：选取最近1～3 个月的SCADA 数据，时间粒度在秒级到分钟级，用于保证后续步骤有足够的数据进行统计分析。时间颗粒度越细，选定的数据时间范围可以越小。数据字段包括：时间、对风角度、风速、功率、桨距角、机组运行状态（包括运行、停机、限电等）。

②理论功率曲线：机组生产厂家给出的担保功率曲线。

第二步：数据预处理。

包括零方差数据删除和风速平滑。

①数据异常原因主要包括：机组运行状态异常，如停机、限功率；数据采集异常，如风速仪结冰，连续多点数值不变等。

停机异常易于判断，但降功率异常或小风速高功率异常，则需要借助理论功率曲线完成。具体方法是，过滤与理论功率曲线功率相对误差绝对值大于某阈值的点，设过滤前风速功率散点为（vi，pi），使用机组理论功率曲线样条内插值得到的对应点为（vi，p′i），则过滤条件为

式中：T 为滤波阈值，通常0

②风速平滑采用指数平滑法，对风速进行过滤，平滑因子的取值为0.1～0.4。

第三步：风速分仓。

按照风速把数据集划分成若干风速仓，分仓过程分为两步。

①曲线爬坡段选取：为了避免桨距角变化对功率的影响，仅选取功率爬坡阶段的散点，选取从切入风速vin到额定风速vr之间的数据，通常在3～8 m/s。此阶段桨距角不变，且保持最大风能吸收。

②风速仓划分：在[vin，vr]之间，以 w 为间隔，将风速划分成M 个连续的数据仓[vin-w/2，vin+w/2]，[vin+w/2，vin+3w/2]，…，[vin+（2M-3）w/2，vin+（2M-1）w/2]，并取第j 个风速仓的代表风速vj为仓边界均值，风速仓中的第i 个数据点为其中 α 为对风角度。为了满足舱内数据风速不变的假设，风速仓宽度w 理论上越小越好，但分仓数目太多会导致落在每个仓内的数据变得过少，不利于检测算法计算，通常0.1≤w≤0.5。

第四步：回归模型建立。

为找到风速仓内最大功率对应的对风角度，需对风速仓内的数据进行回归。本文采用中位数回归算法进行回归，这里选用抛物线为模型结构，则风速仓vj内所有的拟合模型定义为

绘制式（2）的示意曲线（图3），正常情况下，kj<0 抛物线开口向下，bj是功率最高值，与之对应的就是要求解的对风偏差。

图3 对风角功率拟合曲线Fig.3 Fitting curve of relation between relative wind direction and power

第五步：对风偏差计算。

权重的选取考虑了风速与功率之间的非线性关系，风速越高贡献越大。

1.3 测试效果

以河北某风电场25 台2 MW 机组为例，取2018 年12 月数据进行对风偏差测算，该风场的SCADA 数据为7 s 间隔，机组切入风速为3 m/s，额定风速为10.5 m/s，设定风速仓大小w=0.5 m/s。风场25 台机组测算的对风偏差结果如表1 所示。其中2 台机组对风偏差绝对值大于8°，评级为严重偏差；6 台机组介于4～8°，评级为轻微偏差；17台机组小于4°，评级为正常。

以WT17 机组为例，根据切入风速、额定风速和w，划分出16 个风速仓，在每个风速仓计算出风速仓偏差结果，最后由式（3）计算综合偏差α0=-6.7 °（表 2）。进一步取 WT17 机组 vj为5，5.5，7，7.5 m/s 的 4 个风速仓，绘制对风角-功率拟合曲线（图4）。由图4 可知，拟合曲线较好地反映了功率随对风角的变化，且在4 个风速仓中，对风偏差计算结果较为一致，均为-8°左右。

表1 风电场25 台机组对风偏差测算结果Table 1 Yaw error detection results of 25 turbines in one wind farm

表2 WT17 号机组对风偏差测试结果Table 2 Yaw error detection results of turbine WT17

续表2

图4 WT17 机组在4 个风速仓内的对风角-功率拟合结果Fig.4 Fitting results of relative wind direction - power curve of WT17 within 4 wind speed bins

2 应用系统设计

基于对风偏差检测算法，设计了风电场偏航对风监测应用，包括风电场监测画面，对风偏差、损失电量历史统计画面，用户权限管理功能，帮助用户发现偏航偏差问题和相关电量损失。

图5 对风偏差应用系统框图Fig.5 Framework of application system of yaw error detection results

在对风偏差监测应用基础上，本文设计的算法应用系统框架如图5 所示。应用系统包括采集计算前端和对风偏差监测应用两部分。采集计算前端位于风电场一区，负责采集机组数据和偏航对风控制参数调整（需要计算前端与机组主控系统对接）。对风偏差监测应用位于安全三区或互联网区的远程集控中心，它一方面接收计算前端发来的机组运行数据，一方面以周为时间窗口，滚动评价所辖区内全体机组的对风偏差情况。如果偏差大于8°（严重偏差可能是数据采集或检测算法问题），则通过给资产管理系统发送维修工单，让现场检修人员维修确认；如果偏差小于8°，则将偏差调节指令下达至采集计算前端，通过机组控制参数调整修正对风偏差。通过上述流程，实现机组对风偏差矫正的闭环落地。