計及損耗的風電機組運行指標基準值研究

顧煜炯,邢 月,馬 麗

(1.華北電力大學能源動力與機械工程學院，北京 102206；2.華北電力大學新能源電力系統國家重點實驗室,北京 102206)

0 引言

隨著國內風電機組裝機和并網運行容量的逐年上升，陸上風電成本高于燃煤發電已成為阻礙風電發展的因素之一，因此提高機組運行的有功功率尤為重要。很多研究工作圍繞風電機組運行優化展開。如王欣[1]根據機組的運行數據，研究了不同風速段的偏航控制參數的閾值；繆書唯[2]用神經網絡技術描述有功功率與參數間的關系，通過聚類實現機組的功率優化。王旭東[3]研究了影響機組有功功率因素中的葉片粗糙度問題，著重研究了不同風速下葉片表面的粗糙度對機組有功功率的影響。上述研究的對象是風電機組的單一部件，未涉及對整個機組耦合特性方面的研究；同時，對機組在全工況下的機組運行參數閾值的動態變化也缺乏研究。

風電機組運行參數繁多，合理選擇運行參數是一項重要的工作。劉華新[4]在研究風電機組部件的重要度時，采用歷史數據直接輸入，未對指標進行篩選。周湶[5]采用相關性選取了能夠反映機組運行狀態的參量，未能明確提供相關性的理論。李大中[6]、肖運啟[7]采用層次分析法選取了和機組運行狀態相關的參數，但僅采用經驗法選取的研究參數，沒有深入分析機組的機理和運行過程。為了建立合理的機組分析參數體系，依據機組設備和機組運行選取的分析指標有待深入研究。目前，風電機組運行參數的調整依據是機組設計手冊中的規定值，未能考慮機組環境和運行狀態影響而造成的每種情況下運行參數閾值的改變。由以上分析可知，研究各關鍵參數的運行基準值十分關鍵。因此，本文提出了一種基于損耗分析的風電機組運行指標和基準值的研究方法。

1 風電機組運行優化模型

風電機組運行優化模型如圖1所示。

圖1 風電機組運行優化模型

通過對機組能量流動的損耗分析，確定機組的運行指標和相關參數；針對風電機組運行參數多產生的問題，采用因子分析技術對指標的相關參數降維，采用K-means聚類法確定影響機組效率的特征指標和參數的基準值。合理的指標和基準值有助于通過調整風電機組的運行參數增加機組的發電量；運用因子分析模型，可以減少數據過多造成的信息冗余，提高模型的效率；采用距離聚類中心最近的點所代表的運行參數作為基準值，為調度人員提供準確全面的風電機組運行和維護指導信息。

1.1 風電機組優化指標體系建立

風能被風輪轉化成機械能，機械能經由齒輪箱傳遞到發電機，并經過發電機轉化成電能。根據機組運行過程中能量的流動，將風電機組分為風力機、傳動系統和發電機系統三部分。在風能轉化為電能的過程中，風電機組運行能量損耗如圖2所示。

圖2 風電機組運行能量損耗圖

1.1.1 風力機損耗

風力發電機中，風力機產生損耗的原因為：①風輪下游旋轉尾造成的損失；②有限的葉片數量以及附著的葉尖損失；③氣動阻力。

風輪產生的功率pWR為：

(1)

(2)

式中：λ為無量綱葉尖速比；Θ為槳距角；ω為風力機旋轉角速度；n為風力機旋轉速度；R為風力機風輪半徑。

分析風輪傳遞過程中能量轉化效率，影響風輪效率的主要因素有風速、葉輪轉速和槳距角。因此，選用風速、葉輪轉速和槳距角作為影響風力機損耗的關聯參數。

1.1.2 傳動系統損耗

齒輪箱功率損失[8]主要包括攪油損失、齒輪嚙合損失和軸承摩擦損失。

(3)

式中：b為齒寬；h為浸沒深度；pin為輸入功率；v為轉動速度。

齒輪嚙合損失pm[9]為：

pm=FNμvs

(4)

式中：FN為齒面法向載荷；μ為摩擦系數；vs為齒輪嚙合點的滑動速度。

軸承摩擦損失wb為：

wb=KBωm

(5)

式中：KB為與風輪質量、轉軸直徑和轉速相關的參數；ωm為軸承的角速度。

通過對主傳動系統的損耗分析可知，齒輪箱轉速和齒輪箱的載荷是影響傳遞效率的因素。機組在運行過程中承受正常載荷和沖擊載荷等，但載荷的實時監測還處于研究階段[10]；同時，齒輪嚙合點的滑動速度vs通過一般計算難以獲得。

1.1.3 發電機損耗

發電機內部的能量損耗可分為三類。第一類是電流流過繞組時，由于電阻的存在產生的銅損耗。第二類是風摩損耗。風磨損耗由兩部分組成：①占比較高的與轉速相關的通風損耗；②因占比較低而被忽略的軸承摩擦損耗。第三類是由于交變磁場在鐵心中產生的鐵損耗。

定子銅耗pCu1為：

(6)

轉子銅耗pCu2為：

(7)

雜散損耗ps為：

ps=0.005pN

(8)

定子鐵耗pFe為：

pFe=k1pT1vT1+k2PC1vC1

(9)

式中：I1為定子電流有效值；I′2為轉子電流有效值；R1為定子相電阻；R2為轉子相電阻；pT1、pC1為定子齒、軛的單位鐵耗，其大小與磁感應強度和磁場的交變頻率相關。

通過對發電機的損耗分析，可以得到發電機轉速、定子電流、轉子電流、磁感應強度和磁場交變頻率是機組效率的影響因素。因此，選用電網電壓、電網電流、發電機軸承溫度、電網頻率、發電機定子繞組溫度、發電機轉速作為雙饋發電機效率的關聯參數。

通過對三大系統在機組運行過程中能量損耗的分析，最終得到機組損耗的影響因素和關聯參數，如表1所示。

表1 機組損耗的影響因素和關聯參數

1.2 風電機組指標基準值

1.2.1 因子分析模型

風電機組運行參數信息高度重疊和相關，使得回歸方程的參數估計不準確或者模型不可用。為消除共線性，簡單的解決方案是減少運行參數的個數，但這樣會導致機組運行信息的丟失。針對這一問題，李丹[11]在研究風電功率預測時，采用因子分析對風電功率序列降維，提取了風電公共因子，降低了運算的復雜度，解決了數據維度較高時難以同時兼顧精度和效率的問題。本研究通過因子分析，分析機組運行參數之間的相關性，找到一些相關的潛在因素來控制這種相關性，減少運行參數的維度。在本研究中，風電機組損耗關聯參數不僅多達24維，而且關聯參數變量之間有很強的相關性。因此，本研究采用因子分析獲取機組的特征指標，既能減少參與建模的運行參數的個數，也不會造成信息的大量丟失。

在因子分析法中，運行參數有p個，分別為x1,x2,…,xp，且各變量(或經標準化處理后)的均值為0、標準差為1。將每個原有運行參數用k(k

(10)

式中：F1,F2,…,Fk為機組的特征指標；aij(i=1，2，…p；j=1，2，… ，k)為因子載荷，即運行參數i對特征指標j的貢獻度；ε稱為特殊因子，均值為0。

式(10)是因子分析的數學模型，用矩陣形式表示為：

X=AF+ε

(11)

式中：A為因子載荷矩陣；F為因子得分(函數)。

將式(12)轉換為式(13)：

X=AF

(12)

F=BX

(13)

利用因子得分系數矩陣B，可得每組運行參數的因子得分F，即實現了將高維的運行參數數組X降成低維的因子得分矩陣F。

1.2.2 聚類分析模型

隨著機組運行年份的增長，運行參數的基準值也隨著機組的老化而發生改變。在運行過程中，動態調整機組運行參數的基準值，能夠提高機組的效率、減少因偏離設計閾值而造成的錯誤警告，為機組的運行和維護提供數據支持。考慮到運行參數的強耦合性，從歷史數據獲取機組的基準值能較好地解決這一問題。因此，選擇K-means聚類算法獲取機組的基準值。K-means聚類算法的最終目標就是根據輸入參數k，把特征指標分成k個簇。每個簇內都有一個中心點，即最能代表這簇數據的點。

在風力發電機組運行過程中，風速的不確定性是影響風機有功功率的主要環境因素。因此，根據風速的大小，將風電機組運行狀況劃分為不同工況。聚類每個時間點的因子得分，獲取聚類中心。根據聚類的結果，選擇每個聚類對應有功功率最大的聚類中心點作為關聯參數的基準值。

2 實例分析

為了驗證該方法的有效性，以某風電場2 MW并網風電機組為研究對象，每5 min采集一次數據。選取2017年4月到10月的61 618組歷史數據，并進行分析。2 MW雙饋風電機組信息為：額定功率為2 000 kW，額定風速為9.2 m/s，切入風速為3 m/s，切出風速為20 m/s。

2.1 選取研究的風速區間

影響機組有功功率大小的決定因素是風速。選取從4月到9月的52 898個風速數據，根據頻率劃分機組的工況，4月到9月風速-概率曲線如圖3所示。

圖3 風速-概率曲線

由圖3可知，風速在5～7 m/s時的頻率為0.31，高于其他風速區間，其中在5～6 m/s的占51%。因此選取風速在5～6 m/s時的機組歷史數據作分析。

2.2 機組運行優化前有功功率的分布

機組優化前，有功功率在同一風速下最大值和最小值相差較大，風速在5～6 m/s的實際有功功率分布如圖4所示。圖4中：1線為機組在風速為5 m/s時標準功率曲線對應的值363 kW、2線為機組在6 m/s時標準功率曲線對應的值637 kW。分布圖呈現帶狀分布，這是由于風速的不斷變化和機組的自動調整引起的。為了能精確、有效地提高機組的有功功率，有必要構建機組的基準值。

圖4 實際有功功率分布圖

2.3 因子分析

對機組5～6 m/s的歷史有效數據進行抽樣充分性衡量指標和Bartlett檢驗。檢驗結果表明，運行參數間有較強的相關性，優化參數指標體系的24個參數指標有較強的共性，適合因子分析。特征因子碎石特征圖如圖5所示。由圖5可知，特征值均在第6個主成分之后逐漸趨于平緩，表明前6個因子所代表的24個運行參數線性組合可全面解釋機組在5～6 m/s的風速下的運行狀態。因此，選擇前6個因子作為運行參數的公共因子。

圖5 特征因子碎石特征圖

2.4 聚類分析

采用K-means平均算法，經計算將全部公共因子聚為4類時，平方誤差準則函數最小，得到4個公共因子的聚類中心，如表2所示。

表2 公共因子的聚類中心

2.5 運行參數的基準值

聚類中心對應的運行參數即為機組在5～6 m/s風速下運行參數的基準值，5～6 m/s時機組部分運行參數的基準值如表3所示。聚類中心是從歷史數據中選出的數據，聚類中心對應的運行參數是機組在當前狀態下較優值。采用聚類中心作為基準基，不僅考慮到機組所處的運行狀態，也能優化機組的有用功率，最終提高機組的發電量。

表3 機組部分運行參數的基準值

表3中：d為距離距離，m;v為風速，m/s；p為有功功率，kW；n1為葉輪轉速，rad/s；θ為槳距角1，(°)；T1為齒輪箱高速軸承前端溫度，℃；T2為齒輪箱高速軸承后端溫度，℃；T3為齒輪箱油溫，℃；U1為電網電壓1，V；I1為電網電流1，A；T4為發電機定子1繞組溫度，℃；T5為發電機非驅動端軸承溫度，℃；T6為發電機驅動端軸承溫度，℃；f為電網頻率，Hz；n2為發電機轉速，rad/s；T7為環境溫度，℃。

2.6 機組運行優化前后對比

運用上述模型獲得機組在全風速下的運行參數基準值后，選取兩天的機組運行數據進行優化。機組優化前后的有功功率如圖6所示，優化前后機組的有功功率趨勢相近。優化后機組有功功率的增量如圖7所示，機組的有功功率在不同時刻增加幅度不同。對比優化前后機組總的發電量，機組優化后發電量增長了3.4%。

圖6 機組優化前后的有功功率曲線

圖7 優化后機組有功功率增量曲線

3 結束語

為滿足風電機組優化運行和提高有功高功率的需要，通過風電機組運行過程中損耗因素的分析，建立了雙饋風電機組運行優化指標體系。通過因子聚類分析模型，得到了機組在不同風速下的運行參數基準值，為機組的運行優化提供了方向。優化后機組的發電量，相對于未優化機組的發電量提高了3.4%。實際在線監測數據的應用分析表明：該優化模型提高了機組的發電量，易于操作和執行，并可及時調整機組的運行狀態。