基于SCADA数据提取的风电机组Bladed建模方法
基于scada数据提取的风电机组bladed建模方法
技术领域
1.本发明属于电机组建模领域，尤其是涉及用真实风电机组的运行数据建立等同于该工况的bladed模型的方法。
背景技术：
2.目前中国已具备相对成熟的大型风电机组设计制造技术，既是世界第一大风电装机国，也是最大的风电整机生产国。风电设备制造已经达到了领先水平，其设备产业链已具有国际竞争力。
3.随着风电行业的发展，风力发电与传统发电的竞争力也在不断提高，而风电机组日益大型化、发电的稳定性以及风电机组运行的可靠性是提高竞争力最有效的途径。目前中国的很多风电机组制造企业都不将低容量的风电机组作为重点生产产品，取而代之的是容量更大、适用于不同环境的风电机组，我国的陆上风电机组的容量由最开始的千瓦级到现在的兆瓦级，很多企业目前布局海上机组，将风电机组容量布局到5mw或者6mw以上。
4.随着单机容量的增大，会使得风电机组的造价成本变高，而且风电场一般建立在风蕴藏量丰富如海边、高山等自然环境较差的地区，但是该地区的自然情况不是很有利于建立适合当地自然环境的风电机组，使风电机组的运行受到阻碍；其次使风电机组发生故障，这样会对风电机组带来较大的损失且不利于维修。风电机组整机的使用寿命需要超过20年，但是在实际环境运行中，很多风电机组会出现不同程度的故障，进行影响风电机组的正常运行。
技术实现要素：
5.发明目的：
6.本发明提供一种基于scada数据提取的风电机组bladed建模方法，其目的在于解决如何模拟风电机组的故障，避免许多事故的发生；并且也可以对风机组实现优化控制，实现风电机组安全、稳定、高效的运行。
7.技术方案：
8.本发明的目的是这样实现的：
9.一种基于scada数据提取的风电机组bladed建模方法，其特征在于：该方法按照以下步骤进行：
10.(1)对风电场采集到的风电机组scada数据进行数据预处理，即对风速-功率、转速-转矩和风速-桨距角的缺失数据和错误数据进行修复；
11.(2)提出模糊加权最小二乘法，并用最小二乘法和模糊加权最小二乘法对风电机组不同工况的运行状态进行数据建模，并对两种模型的优劣度进行分析，选择出模型精度更高的模型；
12.(3)根据风电机组的机组参数进行bladed的机组建模，对叶片、叶轮、轮毂、塔架、机舱、传动链和发电机进行数字化建模；
13.(4)对所研究工况的scada风速进行风文件的制作，并对风文件和原风速进行欧式距离的偏差度分析，使bladed风文件风速可以代替真实风速；
14.(5)最后使用scada数据对控制器进行系统辨识以及参数整定，将得到的pi参数输入到bladed控制器中，使用不同的风文件对其进行仿真，对仿真结果的运行参数与修复后的选取的scada系统的运行参数进行对比，并对其运行状态和模糊集权最小二乘法建立的模型进行对比分析。
15.所述步骤(1)对采集到的风速、功率、转速、转矩和桨距角的数据信息进行处理，对数据进行修复，使用回归函数如下：
[0016][0017][0018]
式中，为第i个修复后的值，yi为第i个不需要修复的值，xi为yi所对应第i个的值，为不需要修复值得均值，是桨距角，是对应x的均值，i是1
……
n的自然数。
[0019]
所述步骤(3)中风电机组的相关参数如下：
[0020]
切入风速3m/s，额定风速11m/s，齿轮传动增速比取n为104，叶轮直径为82.56m，发动机转动惯量jg设置为kg
·
m2，风轮转动惯量jω设置为6.25
×
106kg
·
m2，桨距角变化范围θ/(
°
)范围取(0～20)，在上述的基础上，进行bladed模型的设置。
[0021]
所述步骤(4)对风文件的制作的具体步骤如下：
[0022]
①
首先将scada系统中的风速数据处理为三列风速数据，分别为x、y、z三个方向的数据，由于实际中很难获得y、z方向的风速数据，故将这两个方向设置为0，然后将真实风速保存为.txt格式，保证采用频率即时间间隔保持一致，x、y、z列数据用tab间隔开，可以同时处理多个变量数据；
[0023]
②
对湍流风参数进行设置；
[0024]
③
对kaimal模型进行参数设置，设置kaimal通常选择general。
[0025]
④
在湍流风参数设置窗口中添加所处理好的scada系统数据txt文件路径，对scada数据的风速进行平均风速的设置。
[0026]
优点与效果：
[0027]
1.通过对真实风电机组建立1：1的bladed模型可以用于该地区风电机组的设计，使得风电机组的设计可以更好的结合实际。
[0028]
2.该bladed模型搭建完成后可以进行模拟风电机组的故障，避免许多事故的发生。
[0029]
3.该bladed模型也可以对风电机组进行控制优化，使得真实的风电机组性能得以提升。
[0030]
4.建立真实风电机组的bladed模型有利于风电机组安全、稳定、高效的运行，该bladed模型对于真实风电机组的研究具有较强的经济性能和工程应用价值。
附图说明
[0031]
图1为本发明搭建的bladed模型等同于真实风电机组的结构示意图。
[0032]
图2为风电机组scada数据的预处理流程图。
[0033]
图3为本发明中bp神经网络中bp算法的步骤流程图。
[0034]
图4为基于bp神经网络算法预测的初始pi值原理图。
具体实施方式
[0035]
本发明主要是利用风电场某台风电机组的参数和scada系统数据进行风电机组模型的建立，建模使用的软件为bladed模型，目的是使得bladed模型在仿真时与运行在自然环境中的风电机组运行参数和运行参数相同。为保证建立的bladed模型等同于真实风电机组需要在建模前对scada系统中的数据进行预处理即修复异常和缺失数据，并对风电机组的不同工况的典型运行状态进行数据统计分析，其次根据风电场风电机组的固有参数进行bladed建模并基于风电机组所处的自然风速建立bladed风文件，然后利用scada数据对风电机组的不同工况的控制器进行设计，最后使得bladed模型在仿真时的结果和风电场该台风电机组运行在自然环境中的运行状态相同。通过对某台真实风电机组建立1：1的bladed模型可以用于该地区风电机组的设计，使得风电机组的设计可以更好的结合实际，该模型搭建完成后可以进行模拟风电机组的故障，避免许多事故的发生，该模型也可以对风电机组进行控制优化，使得真实的风电机组性能得以提升。综上所述，建立真实风电机组的bladed模型有利于风电机组安全、稳定、高效的运行，该bladed模型对于真实风电机组的研究具有较强的经济性能和工程应用价值。
[0036]
下面结合附图对本发明加以具体描述。
[0037]
本发明是通过对真实的某款1.5mw风电机组进行bladed机组建模，并利用该风电机组的运行数据对风电机组不同工况的控制器进行设计，从而可以得到与实际风电机组运行参数和运行状态基本相同的bladed模型，衡量bladed模型与真实风电机组等价的标准则是一段相同风速下的各个运行参数以及不同工况下的运行参数和状态。本发明的流程工艺如图1所示。
[0038]
根据所述的scada数据建立等同于真实风电机组的bladed模型，对采集到的风速、功率、转速、转矩和桨距角的数据信息进行处理，对数据进行修复的方法使用回归函数的方法，如下所示：
[0039][0040][0041]
式中，为修复后的值，yi为不需要修复的值，xi为yi所对应的值，为不需要修复值得均值，是对应x的均值，i是1
……
n的自然数。回归函数修复数据则是对均值法修复函数的一种完善，并消除了极端值的影响。
[0042]
根据对最小二乘法的求解过程可以得出模糊加权最小二乘法的求解方法，类比方
法可以得出模型结果。预处理和数据的修复如图2所示。
[0043]
综上所示，模糊加权最小二乘法算法的步骤如下所示(这里以最大风能捕获工况的转速转矩为例)：
[0044]
(1)根据最小二乘法的方法得到转速和转矩模型的函数；
[0045]
(2)将转矩代入到式中，计算中转矩和步骤1得到的函数的偏离度；
[0046]
(3)确定阈值数量，根据隶属函数进行计算；
[0047]
(4)由最大隶属原则将转矩数据分配到对应的模糊子集，并根据模糊子集分配对转矩附加权值；
[0048]
(5)将附加了权值的转矩带入式计算可以得到模糊加权后的转速和转矩模型的函数。
[0049]
对bladed建立的1.5mw风电机组模型进行仿真时，为了与真实风电机组的状态进行更好的对比分析，其中最重要是保证风速的一致性。现实中的风是随时间变化的，所以需要将现实中的风速设置为风文件，使得bladed仿真中的风速和现实的风速尽可能一致。制作风文件，首先需要定义三维湍流风，并计算风文件。下面为根据scada真实风速制作风文件的步骤：
[0050]
①
首先将scada系统中的风速数据处理为三列风速数据，分别为x、y、z三个方向的数据，由于实际中很难获得y、z方向的风速数据，故将这两个方向设置为0，然后将真实风速保存为.txt格式，保证采用频率即时间间隔保持一致，x、y、z列数据用tab间隔开，可以同时处理多个变量数据；
[0051]
②
对湍流风参数进行设置；其中风轮方向的综合计算能力，节点小于5m；机组高度方向的综合计算能力，节点小于5m；能够覆盖风轮的直径，取值时要大于风轮直径；能覆盖整个机组的高度，取值时要大于轮毂高度和风轮半径的和；风速的仿真时长，标准为600s；风速的采用频率，该频率的取值大于10hz；所取样本scada数据的平均风速；不同的随机数产生不同的风文件；
③
对kaimal模型进行参数设置，设置kaimal选择general；其中模型参数为：longitudinal＝8.1l；lateral＝2.7l；vertical＝0.66l；coherency scaleparameter＝8.1l；coherency delay constant＝12；其中l为尺度参数，根据轮毂高度h来确定；
[0052]
④
在湍流风参数设置窗口中添加所处理好的scada系统数据txt文件路径，对scada数据的风速进行平均风速的设置。
[0053]
建立风文件后需要与真实风速进行对比分析，将其进行欧式距离偏差度分析，为了简化将风速间的偏差度认为服从的正态分布，由正态分布3σ原则，统计超过阈值范围的数据次数，通过与总体数量的比例计算，超过阈值范围的比例在5％以内，说明该阈值范围内覆盖了95％以上的数据，则可以表明风文件风速可以代表真实风速。
[0054]
根据scada数据建立等同于真实风电机组实际系统的最佳模型，其具体步骤：
[0055]
(1)输入输出数据：在系统辨识中，通常将scada系统中的数据作为输入输出序列
作为辨识的数据集合。
[0056]
(2)模型类别：系统辨识前需要对模型的结构进行选择以及参数调节。
[0057]
(3)最优准则：最优准则是衡量系统模型的依据，最优准则一般为模型和实际输出间的误差，如式：
[0058][0059]
式中，y(i)——实际系统的输出，yn(i)——系统辨识模型的输出，f(k)——实际模型与辨识模型的差值函数。
[0060]
用bp神经网络算法的pi控制器的原理是使用该算法对pi控制器参数进行预测，使其无限接近实际输出值，若在计算过程中，与系统实际输出偏差很大，则需要计算其误差，并将误差反馈到系统中去，重新进行预测，经过反复循环使误差达到最小，从而得到初始的k
p
与ki值；基于bp神经网络算法预测的初始pi值原理图如图4所示。
[0061]
通过上述的设置进行bladed的仿真，最后对比bladed模型与真实风电机组的运行参数和运行状态进行对比。
[0062]
综上，本发明先对scada数据进行预处理，得到风电机组正常运行时的数据，然后对最大风能捕获工况和恒功率工况的运行状态使用最小二乘法和模糊加权最小二乘法进行数据建模，并对两种模型进行优劣度的分析，选择最优模型；通过1.5mw风电机组的固有参数建立bladed的机组模型，并基于scada风速建立风文件，保证bladed模型的仿真风速和真实风电机组在自然环境中运行的风速相同，然后使用scada数据进行风电机组控制器初始pi值得求取，最后进行bladed仿真，将仿真结果与scada运行结果和运行状态进行对比分析，结果表明，该bladed模型等同于真实的风电机组。
技术特征：
1.一种基于scada数据提取的风电机组bladed建模方法，该方法按照以下步骤进行：(1)对风电场采集到的风电机组scada数据进行数据预处理，即对风速-功率、转速-转矩和风速-桨距角的缺失数据和错误数据进行修复；(2)提出模糊加权最小二乘法，并用最小二乘法和模糊加权最小二乘法对风电机组不同工况的运行状态进行数据建模，并对两种模型的优劣度进行分析，选择出模型精度更高的模型；(3)根据风电机组的机组参数进行bladed的机组建模，对叶片、叶轮、轮毂、塔架、机舱、传动链和发电机进行数字化建模；(4)对所研究工况的scada风速进行风文件的制作，并对风文件和原风速进行欧式距离的偏差度分析，使bladed风文件风速可以代替真实风速；(5)最后使用scada数据对控制器进行系统辨识以及参数整定，将得到的pi参数输入到bladed控制器中，使用不同的风文件对其进行仿真，对仿真结果的运行参数与修复后的选取的scada系统的运行参数进行对比，并对其运行状态和模糊集权最小二乘法建立的模型进行对比分析。2.根据权利要求书1所述的基于scada数据建立等同于真实风电机组bladed模型方法，其特征在于：所述步骤(1)对采集到的风速、功率、转速、转矩和桨距角的数据信息进行处理，对数据进行修复，使用回归函数如下：理，对数据进行修复，使用回归函数如下：式中，为第i个修复后的值，y
i
为第i个不需要修复的值，x
i
为y
i
所对应第i个的值，为不需要修复值得均值，是桨距角，是对应x的均值，i是1
……
n的自然数。3.根据权利要求书1所述的基于scada数据建立等同于真实风电机组bladed模型方法，其特征在于：所述步骤(3)中风电机组的相关参数如下：切入风速3m/s，额定风速11m/s，齿轮传动增速比取n为104，叶轮直径为82.56m，发动机转动惯量jg设置为kg
·
m2，风轮转动惯量jω设置为6.25
×
106kg
·
m2，桨距角变化范围θ/(
°
)范围取(0～20)，在上述的基础上，进行bladed模型的设置。4.根据权利要求书1所述的基于scada数据建立等同于真实风电机组bladed模型方法，其特征在于：所述步骤(4)对风文件的制作的具体步骤如下：
①
首先将scada系统中的风速数据处理为三列风速数据，分别为x、y、z三个方向的数据，由于实际中很难获得y、z方向的风速数据，故将这两个方向设置为0，然后将真实风速保存为.txt格式，保证采用频率即时间间隔保持一致，x、y、z列数据用tab间隔开，可以同时处理多个变量数据；
②
对湍流风参数进行设置；其中风轮方向的综合计算能力，节点小于5m；机组高度方向的综合计算能力，节点小于5m；能够覆盖风轮的直径，取值时要大于风轮直径；能覆盖整个机组的高度，取值时要大于轮毂高度和风轮半径的和；风速的仿真时长，标准为600s；风速
的采用频率，该频率的取值大于10hz；所取样本scada数据的平均风速；不同的随机数产生不同的风文件；
③
对kaimal模型进行参数设置，设置kaimal选择general；其中模型参数为：longitudinal＝8.1l；lateral＝2.7l；vertical＝0.66l；coherency scaleparameter＝8.1l；coherency delay constant＝12；其中l为尺度参数，根据轮毂高度h来确定；
④
在湍流风参数设置窗口中添加所处理好的scada系统数据txt文件路径，对scada数据的风速进行平均风速的设置。
技术总结
本发明基于SCADA数据提取的风电机组Bladed建模方法，涉及用真实风电机组的运行数据建立等同于该工况的Bladed模型的方法。其特征在于对风电场采集到的SCADA数据进行数据预处理，用最小二乘法和模糊加权最小二乘法对风电机组不同工况的运行状态、Bladed的机组建模，对所研究工况的SCADA风速进行风文件的制作，使Bladed风文件风速可以代替真实风速，最后使用不同的风文件对其进行仿真，对仿真结果的运行参数与修复后的选取的SCADA系统的运行参数进行对比分析。本发明的目的在于解决如何模拟风电机组的故障，避免事故的发生；并且可对风电机组实现优化控制，实现风电机组安全、稳定、高效的运行。高效的运行。高效的运行。
