苏国梁,李国庆,李凤俊,邢月,张霄翔,顾煜炯

（1.国电电力内蒙古新能源开发有限公司，内蒙古呼和浩特 010020；2.华北电力大学能源动力与机械工程学院，北京 102206）

0 引言

风电机组的运行优化是提高风电机组运行效率和降低运行维护成本的有效手段，已成为众多风电研究专家的关注点[1]。风电机组运行优化是利用系统的方法，从能量传递过程和辅助运行过程中探索提高机组能量转化，降低不必要的能量损失和降低设备冗余动作的优化决策过程。因为具有全流程分析设备运行状态，注重弱化不同机型和不同的外部环境对优化策略的限制，风电机组运行优化逐步成为风电机组状态监测和运行维护的主要环节[2]，[3]。

随着状态监测技术的不断完善，风电机组运行优化的研究也取得了一定的进展。偏航系统的功能是保证风轮正对风来流方向，保障风轮获得较高的效率。偏航系统对风电机组的影响比尾迹、湍流和塔影更为严重[4]。文献[5]发现，偏航控制策略需要更多的建模理论和模型。不同学科领域对偏航系统的优化有不同的侧重和出发点。例如，从偏航系统的控制策略角度研究对风策略；从迎风信息测量角度，采用激光测风系统[6]得到准确的风场参数；从偏航系统的重新启动和停止动作的角度，注重分析低风速运行策略。宁旭[7]采用粒子群优化算法调节偏航角度，实现了发电量的提升。宋鹏[8]定量分析了风向波动幅值和波动持续时间，通过修改偏航误差阈值降低了偏航次数。Jing B[9]采用改进的基于最大功率捕获的偏航失准检测方法对不同偏航状态下的功率输出进行了仿真，通过检测和标定横摆角偏差提高了机组的效率。激光雷达可用于风舱风向标测量，然而，激光雷达的成本仍然太高，测量受到风切变和倾斜流入的限制。因此，本文提出了通过风电机组的数据采集与监视控制系统（SCADA）来优化偏航系统。

偏航系统的精细化分析是分析不同的风速风向条件是否适合偏航，而不是按照既定规则进行偏航。为了提高偏航系统运行的效率和可靠性、降低电量损失以及可能的配件更换损失[10]，本文提出了偏航系统运行优化模型来优化偏航的决策系统。分类预测在数据挖掘中应用广泛，其中决策树能够在处理高维特征空间时通过树形的方式展现决策过程，具有良好的直观性，在医学和经济领域得到了广泛的应用。CHAID决策树能够对数值型输入变量进行分箱处理，减少输入变量的取值个数，并且依据统计检验结果确定最佳变量分组和分割点。因此，本文在分析影响偏航动作的相关参数时采用CHAID决策树。偏航策略的调整是基于当前的偏航策略和环境风速风向的波动，因此在构建优化模型时，首先分析了历史的风速风向数据和偏航系统在不同的环境状态下启动和停止的模式。在风速和风向的基础上，提出了相关的波动性指标。采用CHAID决策树确定偏航启动相关参数，将得到的结构作为神经网络模型的输出，得到偏航系统优化模型，最后用实例验证了模型的有效性。

1 基于风资源随机性趋势分析的偏航系统运行控制策略数据集的构建

1.1 短时风资源随机性的趋势分析

风资源是研究偏航系统优化的焦点，风资源定量分析是从海量的风资源数据中提取潜藏的对偏航系统有用信息的分析过程。风电机组通过SCADA系统获得并积累了大量可靠的风资源和机组运行数据，极大促进了数据分析的深入程度。在分析风资源数据时，为满足数据的准确描述，强调风速和风向的波动和趋势性变化，风资源定量分析时采用的数据采集间隔为5 min。

从两个角度描述风速和风向，一是描述相邻时刻风速风向的变化情况，侧重表现随机性的变化范围，二是在一段短时内风速和风向的波动状态的描述，侧重表现风速和风向的趋势性变化。采用风速变化ΔV、风向变化ΔD、风速波动σV和风向变化波动σD定量描述风资源。

式中：Vt为在t时刻的风速；Dt为在t时刻的风向；Vi为在i时刻的风速；V′为风速在一段时间内的平均值；n为这段时间内监测点的个数；ΔDi为在i时刻的风向波动；ΔD′为风向波动在一段时间内的平均值。

选择贵州某风电场风电机组的SCADA系统中记录的风速和风向数据分析其分布规律。根据历史风速和风向的数据记录进行分析，其中n取值为6，对应的时间为1 h。图1为某一天风速、风速变化和风速波动的变化曲线。该日风速为4.6～9.0 m/s，风速变化为0～1.8 m/s，风速波动为0～1。该日风速的范围大，风速的变化频繁，风速波动的范围小。

图1 某日风速、风速变化和风速波动Fig.1 Wind speed，variation and fluctuation of wind speed in a day

图2为同一天风向、风向变化和风向变化波动的变化曲线。该日风向为127～182°，风向变化为-18～17°，风速变化波动为0～14。该日风向的范围大，风向变化波动的范围小。

图2 某日风向、风向变化和风向变化波动Fig.2 Wind direction，change of wind direction and fluctuation of wind direction on a certain day

单日的数据分析展现了风速、风速变化、风速波动、风向、风向变化和风向变化波动的数据关联与区别。由于每日的数据具有一定的局限性，因此，在构建偏航优化模型中，采用SCADA系统中1 a的历史数据来构建偏航优化模型，为此分析了1台机组2017年的历史数据（表1）。表中：P90，P95，P99分别代表的是90分位数，95分位数，99分位数，分位数展示出了历史数据的分布范围。

表1 一年历史数据中各个参数的统计数据Table 1 Statistical data of each parameter in one year's historical data

由表1可知，风速的最大值为16.8 m/s，90分位数为8.6 m/s，99分位数为10.8 m/s，可以看出风速主要集中在均值5.5 m/s，随着风速的增大，风速值的频率是快速减小的。因此，在构建模型的过程中，选择10分位数到90分位数之间的历史数据作为模型的输入。

1.2 偏航系统运行控制策略数据集的构建

在风资源定量分析时，可以发现，风速和风向的历史数据虽然具有随机性，但是在范围上是有边界的，即不是随机的变化。从图1，2中可以观察到，风速和风向在前后观测点的变化上是缓慢的，对应于表1中，风速变化的99分位数的值是1.6 m/s，同样体现出风速和风向变化是缓慢的特征。基于以上分析，在构建数据时采用SCADA监测值和分析值作为数据集，部分数据如表2所示。

表2 偏航系统运行控制策略历史数据集Table 2 Historical data set of yaw system operation control strategy

在风资源定量分析的基础上，加入了偏航误差、机舱位置、机舱位置变化、变桨位置和变桨变化等其他风电机组状态监测参数为偏航系统运行控制策略数据集。

2 基于CHAID决策树和神经网络的偏航系统优化模型构建

通过决策树和神经网络构建风电机组偏航优化的决策模型。提出在风速变化、风速波动、风向变化、风向变化波动的基础上，加入SCADA参数，通过决策树得到偏航启动和停止的相关参数，然后将得到的相关参数作为神经网络的输入参数，通过调整神经网络模型，得到了偏航优化模型。

2.1 基于CHAID的偏航优化模型输入参数的确定

在分析偏航系统历史数据构建偏航优化模型时，输入参数的维度越高，神经网络模型的精度越高，得到的偏航优化建议也更为精准，但是另一方面，输入过的参数的维度会降低偏航优化模型的计算效率，增加了在线优化难度。因此，须要从众多的偏航影响因素中选择最佳的分组变量，本文采用卡方自动交互诊断器（CHAID）决策树确定最佳分组变量。

CHAID决策树是从统计显著性检验的角度来确定当前最佳分组变量和分割点。CHAID算法通过因变量划分多个自变量，考虑到多个自变量之间相互影响，通过统计检验结果呈现每一个划分特征的描述，从而得到最主要的影响变量。CHAID决策树的特点是基于输入变量和输出变量的相关程度来确定变量分组的依据，它的最佳分组变量为与输出变量最相关的输入变量，其中输出变量采用卡方检验。在这个过程中，首先是输入变量即偏航影响因素的预处理；其次对数值型历史数据进行分箱处理，合并分类型偏航数据的取值，形成偏航决策相关因素的超类。这样可以合并对偏航数据没有影响的因素；再次是最佳分布变量的选择，偏航优化模型的输出变量为是否偏航，即分类型输出变量；最后是CHAID的修剪，CHAID采用的是预修建策略，通过参数控制决策树的中分生长，这些参数包含偏航影响分类的深度、偏航因素决策树中父节点和子节点的比例，以及当偏航影响因素和是否偏航的相关性的指定值。

2.2 基于神经网络对偏航系统优化模型建模

通过CHAID决策树将偏航决策相关因素的维度降低后，采用前馈多层的BP神经网络构建偏航系统的优化模型。偏航优化模型的训练过程是一个不断向监测历史数据和分析值学习的过程，学习的目的是通过从输入的偏航相关数据中得到的反馈结果，不断地调整权值得到精度不断提高的分类结果。由于每一个时间点的历史数据都会提供关于偏航运行方向的输入、输出变量数量关系的信息，因此，在这个过程中，模型须要依次向历史样本数据学习。当向所有的样本历史数据学习结束后，会根据得到的分类结果判断是否符合预期精度。如果在第一次偏航历史数据学习后不能够符合要求，会再次使用相同的偏航历史数据进行再次学习，直到可以满足终止条件。在模型训练的过程中，历史数据的时间长度会影响模型精度和模型训练次数。

3 实例验证

3.1 风电机组偏航系统优化模型构建

选取贵州某风电场的监测数据来验证决策树因素筛选和偏航系统神经网络模型的有效性，风电机组的额定功率为2 000 kW，功率因数为-0.95～+0.95，切入风速为3 m/s，切出风速为20 m/s，额定风速为9.2 m/s，偏航电机是4个额定功率为3 kW的带制动的三相异步电动机，偏航的速度为0.3°/s。

选取16号机组在2017年的SCADA历史监测数据构建决策树模型，得到偏航优化模型的输入参数。将历史数据传输测试之前，根据专家经验对数据进行清洗和冗余数据的判定和修改。由于历史数据包含105 120条数据，当决策树的大深度设置为3时，节点数为116。图3为风速为3～4 m/s的部分决策树模型，包含30个节点。其中偏航的动作停止和运行分别用0和1表示。决策树有3层，考虑到节点的设置，输入变量分箱处理的设置为5。从决策树模型中可以得到风速、偏航误差、风向变化、风速波动、风向变化波动、有功功率、变桨位置变化和风速变化为偏航优化模型的输入参数。

图3 风速为3～4 m/s的部分决策树模型Fig.3 Partial decision tree model of wind speed of 3～4 m/s

将得到的输入参数输入到神经网络，通过学习速率，隐藏层和节点数，以正确率作为判定结果得到了如图4所示的神经网络优化模型的网络结构。图中包含一个隐藏层，隐藏层包含6个节点，偏航分类的总体正确率为95.4%。

图4 偏航系统神经网络优化模型Fig.4 Neural network optimization model of yaw system

3.2 风电机组优化前后结果对比

为了验证偏航优化模型的有效性，将得到的偏航优化模型用于分析2018年2月6日和7日的数据，6日和7日的风速、风向情况如图5示。偏航优化的对比结果如图6，7所示。

图5 2月6日和7日的风速和风向Fig.5 Wind speed and direction on February 6 and 7

图6 2月6日偏航优化对比结果Fig.6 Comparison results of yaw optimization on February 6

由图6可知：偏航优化前机舱位置的变化是频繁的，但是幅度很小；优化前偏航次数为152次，优化后偏航次数为116；优化前偏航时间为1 830 s，优化后偏航时间为1 637 s；优化后偏航的次数减少了23.2%，偏航时间减少了10.5%；在一些时刻偏航的动作幅度较优化之前有所增大。

图7与图6的风速环境和风向环境有所不同，整体上偏航次数有所减少，减少的次数小于图6。由图7可知：优化前偏航次数为154次，优化后偏航次数为99；优化前偏航时间为4 943 s，优化后偏航时间为4 696 s；优化后偏航的次数减少了15.7%，偏航时间减少了4.9%。

2月6日的风向变化主要集中在-5～5°，风速主要集中在9～14 m/s，在优化的过程中，2月6日偏航次数减少较多。2月7日的风向变化主要集中在-20～20°，风速基本小于7 m/s，2月7日偏航时间减少的较多。

4 结论

通过构建偏航优化模型，得到了与偏航动作相关的参数，如风速、偏航误差、风向变化、风速波动、风向变化波动、有功功率、变桨位置变化和风速变化。在实例中，基于偏航优化模型分析了2018年2月6日和7日的偏航优化情况，得出了在不同情况下，偏航优化模型均能够减少偏航时间和偏航次数。2月6日风向变化主要集中在-5～5°，优化后偏航次数减少了23.2%，2月7日风向变化幅度较大，因此偏航次数减少的次数小于2月6日，但是由于当日风速较小，偏航优化后，减少的偏航时间大于2月6日。