[发明专利]一种风电机组功率优化的方法和系统

权利要求书

1.一种风电机组功率优化的方法，其特征在于，包括如下步骤，

步骤1，采集风电机组运行数据；

步骤2，将采集到的所述数据进行处理，即选取秒级时间分辨率的数据，剔除故障数据；

步骤3，根据处理后的数据构建发电功率模型P(t)和振动幅值模型A(t)；

步骤4，选择误差均方值最小的发电功率模型和振动幅值模型为最优发电功率模型和最优振动幅值模型；

步骤4中将经过处理的数据随机分为两部分，其中70％用于发电功率模型和振动幅值模型训练的训练数据，另外30％用于MSE误差均方的预测数据集；

步骤5，根据最优发电功率模型和最优振动幅值模型搭建功率优化函数和振动优化函数；

在进行步骤5之前，对训练数据部分的非平衡数据采用重采样，使所述发电功率模型P(t)和振动幅值模型A(t)中的参数风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)在五维状态空间中每个区间的数量不少于预设值n1，n1表示区间数据数量预设值。

2.根据权利要求1所述的风电机组功率优化的方法，其特征在于，步骤1中采集的数据包括风电机组的如下运行参数数据集，风速v(t)，偏航y(t)，风向d(t)，变桨角p(t)，温度T(t)。

3.根据权利要求1所述的风电机组功率优化的方法，其特征在于，步骤2中的故障数据包括因风电机组故障采集到的数据以及明显异常的数据。

4.根据权利要求2所述的风电机组功率优化的方法，其特征在于，步骤3中P(t)＝f(v(t),y(t),d(t),p(t),T(t))+error，A(t)＝g(v(t),y(t),d(t),p(t),T(t))+error，其中f(),g()为数据挖掘的回归类算法，t为风电机组的运行时间，error为所述发电功率模型和振动幅值模型的误差值。

5.根据权利要求2所述的风电机组功率优化的方法，其特征在于，步骤4中还包括确定所述最优发电功率模型和所述最优振动幅值模型对应的风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)的参数值。

6.根据权利要求1所述的风电机组功率优化的方法，其特征在于，步骤5中在搭建优化函数之前，需要将参数风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)受控优化。

7.根据权利要求1所述的风电机组功率优化的方法，其特征在于，步骤5中功率优化函数为Tp＝max{P(t)},Tp指功率优化后的功率值,振动优化函数为TA＝max{A(t)}，其中TA是指优化后的振动，C＝max(Tp|TA<＝C)，C代表振动限值，即在振动可以接受条件下的功率最佳。

8.一种风电机组功率优化的系统，其特征在于，包括数据采集模块、数据处理模块、模型构建模块、最优模型构建模块、训练数据重采样模块以及优化函数搭建模块；

所述数据采集模块用于采集风电机组运行数据；

所述数据处理模块用于将采集到的所述数据进行处理，即选取秒级时间分辨率的数据，剔除故障数据；

所述模型构建模块用于根据处理后的数据构建发电功率模型P(t)和振动幅值模型A(t)；

所述最优模型构建模块用于将经过处理的数据随机分为两部分，其中70％用于发电功率模型和振动幅值模型训练的训练数据，另外30％用于MSE的预测数据集；选择误差均方值最小的发电功率模型和振动幅值模型为最优发电功率模型和最优振动幅值模型；

所述训练数据重采样模块用于对训练数据部分的非平衡数据采用重采样，使所述发电功率模型P(t)和振动幅值模型A(t)中的参数风速v(t)、偏航y(t)、风向d(t)、变桨角p(t)和温度T(t)在五维状态空间中每个区间的数量不少于预设值n1，n1表示区间数据数量预设值；

所述优化函数搭建模块用于根据最优发电功率模型和最优振动幅值模型搭建功率优化函数和振动优化函数。