一种风力发电机组最优增益参数的搜索方法与流程

1.本发明涉及一种风力发电机组最优增益参数的搜索方法，属于风力发电测控技术领域。


背景技术：

2.现代社会能源问题日渐严重和生态环境问题频发，因此国家对新能源的重视程度与日俱增。风能作为一种清洁高效的能源已经成为利用的重点，开发利用可再生能源对改善生态问题有着极为重要的作用，其中风能具有分布广泛、储量丰富和利用方便等特点，成为现阶段发展速度最快和最具有发展前景的可再生能源之一。另外，我国拥有绵长的海岸线，大片的草原戈壁，风力资源十分丰富。随着我国对风力发电投入力度不断加大，风力发电近年来发展十分迅速，已经成为一种重要的能源工应，风电技术也得到了迅速发展。
3.变速变桨风力发电机组具有发电量高、载荷小、功率品质高等有点，已成为国内外的主流机型。在低风速段时，变速变桨风力发电机通过调节发电机转矩使风轮按照最佳尖速比运行，追踪最佳风能利用效率。


技术实现要素：

4.本发明的发明目的在于：针对上述存在的问题，提供一种风力发电机组最优增益参数的搜索方法，本发明可以准确寻优，找到最优增益参数，提高风电机组发电量。
5.本发明采用的技术方案如下：一种风力发电机组最优增益参数的搜索方法，包括以下步骤：步骤1：使机组处于最佳叶尖比速比控制阶段，通过爬山算法在参数搜索范围内，逐步降低步长调整最优增益参数，计算并记录风能利用效率；步骤2：当爬山算法步长降低到设定的参数值后，启用退火算法逐步调整最优增益参数，计算并记录其风能利用效率；步骤3：步骤1和步骤2中记录的数据通过xgboosting算法拟合曲线，寻找曲线峰值；步骤4：对步骤1和步骤2中记录的风能利用效率最大值到曲线峰值之间的区域，利用退火算法进行重复搜索，直至步长小于退火算法退出条件，获得的参数值即风力发电机组最佳的最优增益参数。
6.根据变速变桨风力发电机风力机组特性可知，经过公式推导如果需要得到最大发电功率需要满足以下公式：式中：：最优发电量；：空气密度；：风轮半径；：风轮旋转角速度；：
最佳叶尖速比；：最佳风能利用效率。
7.另外，根据公式 ，可推导出k的公式，如下：式中k为最优增益参数。风力发电机组控制，通过改变k值改变风机发电功率，通过公式可知，要获得最佳发电能，需要找到最佳的最优增益参数。
8.在本发明中，步骤1通过爬山算法降步长调参，爬山算法可以使用较大的初始步长值，然后步长值逐步减小，这样可以比较快到达最优增益参数附近区域；步骤2中，由于机组运行的波动性，单次调参计算得到的风能利用效率具有一定随机性，因此不能通过单纯比大小得到最优增益参数，此时使用退火算法，其优点是可以在一定概率下反复搜索；步骤3中根据步骤1-2的搜索点分布得出峰值所处位置，因最优增益参数对风能利用效率的影响具有凸函数特性，而由于数据的随机性，所有样本数据的最大值不一定为整体数据趋势的凸函数峰值点，因此寻找峰值点后可划定一个新的搜索范围，在此范围内继续搜索最优增值参数位置；步骤4中重新划定了较小的搜索范围，此时退火算法的搜索步长更小，因此达到退火算法退出条件后，获得的参数值是最佳的最优增益参数的数值。
9.作为优选，步骤1中，通过叶尖速比的计算公式，保证当时叶尖速比处于最佳状态。
10.作为优选，步骤1中，参数搜索范围根据机组载荷安全允许进行设计。
11.作为优选，步骤1中，爬山算法的初始步长略大于参数搜索范围*0.5。
12.作为优选，步骤1中，爬山算法的初始步长为参数搜索范围*（0.51-0.56）。
13.在上述方案中，爬山算法的初始步长略大于参数搜索范围*0.5，用参数搜索范围对搜索点定位进行限制，这样可保证首次搜索不会往峰值相反的方向进行。
14.作为优选，步骤1中，爬山算法的下次搜索步长是上次搜索步长的0.75-0.85倍。
15.在上述方案中，通过上述设置可以使爬山算法搜索点快速靠近最优增益参数附近。
16.作为优选，步骤2中，设定的参数值为爬山算法初始步长的0.4-0.55倍。
17.在上述方案中，根据载荷安全，一般搜索范围不会超过最优增益参数
±
8%的区间大小，爬山算法进行几次降步长后其步长大约是区间大小*0.5*0.512，即设定的参数值为最优增益参数的3-4%。
18.作为优选，步骤2中，当爬山算法的步长降低到设定参数后，在所有搜索数据中，寻找到一个最大的风能利用效率下的最优增益参数，然后启动退火算法进行验证。
19.在上述方案中，由于机组运行的波动性，单次调参计算得到的风能利用效率具有一定随机性，因此不能通过单纯比大小得到最优增益参数，需要通过退火算法进一步验证当前最优增益参数是否最优。
20.作为优选，步骤2中，启动退火算法扩大搜索范围，同时调整风力发电机的最优增益参数，计算出每次调整的最优增益参数下的风能利用效率，并存储每一次的最优增益参数和对应的风能利用效率。
21.在上述方案中，退火算法的优点是可以在一定概率下反复搜索，扩大搜索范围，最
后根据搜索点分布得出峰值所处位置。
22.作为优选，步骤2中退火算法的首次步长小于步骤1中爬山算法的步长。
23.在上述方案中，退火算法的首次步长比步骤1中爬山算法的最终步长略小。
24.作为优选，步骤3中，还包括将步骤1和步骤2中记录的最优增益参数和对应风能利用效率数据，通过样条插值法丰富数据点数，增加样本数据数量。
25.在上述方案中，步骤1和步骤的的数据不够丰富，可以通过样条插值法丰富数据点数，增加样本数据数量，方便寻找峰值。
26.作为优选，步骤3中，通过xgboosting算法对所有的样本数据进行曲线拟合计算，拟合出以最优增益参数为x轴，对应风能利用效率作为y轴的曲线，通过曲线寻找到峰值。
27.作为优选，步骤4中退火算法的搜索步长小于步骤2中退火算法的搜索步长。
28.作为优选，步骤4中退火算法的搜索步长为步骤2中退火算法首次步长的0.25-0.35倍。
29.作为优选，将最佳最优增益参数通过私有协议并加密发送至风电机组的主控系统，风电机组的主控系统通过改变最优增益参数，完成转矩控制，提高风电机组风能利用效率，提高风电机组发电量。
30.本发明的一种风力发电机组最优增益参数的搜索方法，根据机组载荷安全允许进行设计参数搜索范围，首先在较大的搜索范围内通过降步长爬山算法快速到达最优增益参数附近区域，然后通过退火算法进行反复搜索，再通过xgboosting算法进行曲线拟合寻找峰值以确定较小的搜索范围，最后在较小的范围内通过退火算法重复搜索，获得最佳的最优增益参数。
31.综上所述，由于采用了上述技术方案，本发明的有益效果是：1、可以准确寻优，找到最优增益参数，而不受到数据随机性的影响；2、整个寻优过程持续时间较短，减少过程中机组发电量损失。
附图说明
32.本发明将通过例子并参照附图的方式说明，其中：图1是本发明的方法步骤图；图2是风力发电机组转速-转矩关系图；图3是本发明的方法逻辑图；图4是本发明输出结果图。
具体实施方式
33.本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
34.本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
35.图2是风力发电机组转速-转矩关系图，可以看到根据发电机转速可以将风力发电机组的整个运行控制过程划分为4个阶段。当风力发电机转速小于s1之前，风力发电机无功
率输出，当风速大于切入风速时，风力发电机并网。ab段为恒转速阶段，随着风速的增大，风力发电机转矩增大；bc段为最优控制阶段，此时风力机以最佳叶尖速比运行，追踪最大功率点（此阶段即为本发明的动态控制阶段）；cd段为转速恒定区，在这个区域内，不在进行最大风能追踪，而是将机组转速限定在允许转速范围内；de段为功率恒定区，随着风速的增大，为了保护机组不受损坏，控制桨距角以保持恒定的功率输出。基于以上控制原理，通过寻找一种能够根据已有数据计算出一个最佳最优增益参数，从而使当前风能利用效率最高，以获得最大发电量。
36.实施例1如图1 所示，本实施例的一种风力发电机组最优增益参数的搜索方法，步骤1：通过叶尖速比的计算公式，保证当时叶尖速比处于最佳状态，在机组处于最佳叶尖比速比控制阶段时，通过爬山算法在参数搜索范围内，逐步降低步长调整最优增益参数，计算并记录风能利用效率；爬山算法的初始步长略为参数搜索范围*0.51，爬山算法下次搜索步长是上次搜索步长的0.8倍，参数搜索范围根据机组载荷安全允许进行设计；步骤2：爬山算法搜索4次，此时爬山算法步长为爬山算法初始步长的约0.5倍，此时在所有搜索数据中，寻找到一个最大的风能利用效率下的最优增益参数，然后启用启动退火算法扩大搜索范围，同时调整风力发电机的最优增益参数，计算出每次调整的最优增益参数下的风能利用效率，并存储每一次的最优增益参数和对应的风能利用效率；退火算法的首次步长比步骤1中爬山算法的最终步长略小；步骤3：将步骤1和步骤2中记录的最优增益参数和对应风能利用效率数据，通过样条插值法丰富数据点数，增加样本数据数量，通过xgboosting算法对所有的样本数据进行曲线拟合计算，拟合出以最优增益参数为x轴，对应风能利用效率作为y轴的曲线，通过曲线寻找到峰值；步骤4：对步骤1和步骤2中记录的风能利用效率最大值到曲线峰值之间的区域，利用退火算法进行重复搜索，直至步长小于退火算法退出条件，获得的参数值即风力发电机组最佳的最优增益参数；本次退火算法的搜索步长为步骤2中退火算法首次步长的0.3倍；最后将最佳最优增益参数通过私有协议并加密发送至风电机组的主控系统，风电机组的主控系统通过改变最优增益参数，完成转矩控制，提高风电机组风能利用效率，提高风电机组发电量。
37.在本实施例中，首先在较大的搜索范围内通过降步长爬山算法快速到达最优增益参数附近区域，然后通过退火算法进行反复搜索，再通过xgboosting算法进行曲线拟合寻找峰值以确定较小的搜索范围，最后在较小的范围内通过退火算法重复搜索，获得最佳的最优增益参数。
38.在本实施例中，步骤1的目的是到达最优增益参数附近区域；步骤2中的目的是使用退火算法可以在一定概率下反复搜索；步骤3的目的是寻找峰值点以重新划定较小的搜索范围；步骤4中通过更小的搜索步长采用退火算法重复搜索，以获得最佳的最优增益参数；最后主控系统通过改变最优增益参数，完成转矩控制，提高风电机组风能利用效率。
39.作为上述实施例的可选方式，在其他实施例中，步骤1爬山算法的初始步长可以选择略大于参数搜索范围*0.5的其他数值，如参数搜索范围*0.56。
40.作为上述实施例的可选方式，在其他实施例中，步骤1爬山算法下次搜索步长可以
选择上次搜索步长的0.75-0.85倍的其他数值。
41.作为上述实施例的可选方式，在其他实施例中，步骤2设定的参数值可以选择爬山算法初始步长的0.4-0.55倍的其他数值。
42.作为上述实施例的可选方式，在其他实施例中，步骤4中退火算法的搜索步长可以选择步骤2中退火算法首次步长的0.25-0.35倍的其他数值。
43.图3是方法逻辑图，首先判断当前是否有历史算法文件即是否首次启动最优增益参数搜索算法。如果无历史文件，读取主控当前k值参数，如果有就使用历史文件中的已有的k值。算法软件作为modbus主站连接前置modbus从站，并向从站下发使能和算法当前k值以及历史k值，前置系统接收到主站下发的数据以后发送给主控系统。主控系统接收到新的k值参数，便在当前参数情况下运行。前置系统集合筛选条件完成10ms主控相应数据采集，数据量达到相应数据量。整个数据采集过程中等待6个小时，如果6个小时还未完成数据采集，判断前置系统可能出现问题，modbus主站重新下发调参要求。前置系统一旦完成数据采集，算法软件读取前置系统已采集的数据，并生成csv文件，调用算法完成最优增益参数搜索，并将最优增益参数存到历史文件中。实时读取flag标志是否为1，如果是则通过modbus主站连接前置，完成参数更新，并存到算法表中。如果flag标志不为1，则仍旧使用上一次下发的参数即可，并按以上方式循环。
44.图4是输出结果图，从结果中看出，由于机组运行的波动性，单次调参计算得到的风能利用效率具有一定随机性，不能通过单次比大小得到最优增益参数。在通过搜索算法多次搜索后，所得结果的样条曲线关系通过xgboosting拟合所得曲线符合凸函数趋势。搜索队列峰值与曲线峰值位置接近，判断参数寻优搜索有效，以搜索队列峰值所对应的最优增益参数输出。
45.本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。