gros titres de puissance - à tout moment, en tout lieu, une puissance APP répondent à vos besoins d'information
Détails http: //dltoutiao.mybjx.net/dlmedia.html
Problèmes et solutions
La force motrice derrière les éoliennes ne peut pas être contrôlée, influencée par la vitesse du vent, direction du vent et d'autres facteurs, il a une incertitude de sortie de puissance supérieure, qui a apporté de grands défis à la puissance de sortie de la mise à niveau de l'éolienne et l'optimisation.
D'autre part, en ligne la technologie de surveillance et de la technologie de base de données continue de mûrir, de longues périodes de données réelles de fonctionnement des éoliennes peuvent avoir été plus faciles à obtenir et à l'étude.
Que la question est? Pourquoi ne pas exploiter ses caractéristiques de puissance de sortie et les données réelles de fonctionnement de la loi de l'éolienne, la levée de l'éolienne en conséquence afin d'optimiser la puissance de sortie. Dr Xiao Bian au cours de l'étude, menée étude approfondie de la question, la description détaillée suivante de vous les lecteurs.
pouvoir WTG basé sur l'approche axée sur les données à l'optimisation
données connues et conditions 0
Dans cette étude, nous avons recueilli toutes les 10 minutes H56-850 données fonctionnement type de turbine éolienne, et contrôler son processus de contrôle de fonctionnement, ce qui figure ci-dessous. La figure, le système de commande de l'éolienne en fonction de la direction du vent en cours et la vitesse du vent, pour trouver la fonction de couple optimale, l'accélération de rotation d'arbre de réglage et la position de la nacelle, obtenant ainsi l'optimisation de la puissance.
Fonction de couple optimal sous différentes vitesses de vent dans la figure. 1 est obtenue par une simulation ou de l'expérience, et les conditions réelles de fonctionnement de l'éolienne peut être tout à fait différent avec l'environnement de test de turbine éolienne ou la simulation, et donc dans la pratique, cette fonction de couple optimal les conditions ne sont pas nécessairement optimales. Le procédé d'optimisation de la puissance de l'éolienne sur la base de données minières pensée complexe relation d'entraînement entre les turbines éoliennes et la puissance de sortie de chacun des paramètres de commande à partir des données de fonctionnement réel, et donc, peut éviter les inconvénients ci-dessus.
La technologie de réseau de neurones basé sur l'exploration de données 1
la technologie de réseau de neurones peut être utilisé pour caractériser la relation non-linéaire complexe entre l'entrée et la sortie, à savoir la fonction d'apprentissage. En particulier, l'éolienne de la technique de réseau neuronal comme une « boîte noire », la relation non linéaire entre les deux « boîte noire » des données d'entrée réelles (le paramètre de commande) et les données de sortie (puissance de sortie) de l'excavation. Ainsi, cette technologie sans faire des hypothèses simplificatrices pour éoliennes et éolienne peut refléter objectivement les données réelles de fonctionnement de la production d'énergie éolienne des relations complexes avec une variété d'incertitudes.
Par conséquent, afin de minimiser l'erreur quadratique moyenne de la cible, sur la base de la mise en place de la technologie de réseau neural de la fonction de puissance de la turbine éolienne, qui est un diagramme schématique ci-dessous. bleu figure (de couche d'entrée), vert (couche cachée), et jaune (couche de sortie) des neurones constituant le réseau de neurones à action directe, et les paramètres de commande en fonction de la vitesse du vent de courant d'entrée couche de turbine éolienne, et l'apprentissage est déterminée par l'intermédiaire de divers types, compte tenu de la turbine éolienne courant de sortie de puissance. (Note: les paramètres du réseau de neurones FIG tels que l'erreur objective peut déterminer différents paramètres par différents algorithme d'apprentissage du réseau de neurones)
puissance éolienne basée sur des algorithmes génétiques 2
Les algorithmes génétiques sont les organismes individuels et une solution abstraite de remise en forme biologique et problème d'optimisation de la fonction objective, apprendre des phénomènes naturels (sélection, mutation et hybridation) dans l'évolution biologique, le nombre biologique A des individus (solution du problème d'optimisation) de remise en forme ( la fonction objectif) amélioré en permanence pour obtenir la meilleure évolution individuelle (solution optimale). L'algorithme est robuste, parallèle et l'efficacité, a été largement utilisé dans les systèmes d'alimentation électrique.
Cet objet optimisation de puissance turbine de course étude sélectionne le meilleur ensemble de paramètres de contrôle turbine vent, est maximisée puissance éolienne. algorithme génétique classique a une capacité de recherche mondiale puissante, de sorte que cette application du vent de l'algorithme d'optimisation de puissance de la turbine.
l'optimisation de la puissance éolienne basée sur l'expression mathématique de l'algorithme génétique illustré ci-dessous.
stratégie d'optimisation de regroupement des pixels et des stratégies d'optimisation 3
L'analyse qui précède, nous proposons une stratégie d'optimisation de pointwise pour optimiser l'éolienne de puissance, l'organigramme montré à la figure 4, l'idée principale de cette stratégie est dans chaque appel point d'exécution algorithme génétique, l'optimisation de recherche optimale de l'éolienne les paramètres de commande.
Par point la stratégie d'optimisation nécessite une optimisation toutes les 10 minutes, il est clair qu'une grande quantité de calcul politique nécessaire est pas propice à l'optimisation en ligne de l'énergie éolienne. Cette étude a incorporé méthode de clustering K-means peuvent être regroupés des données de vitesse du vent, en utilisant le groupe de contrôle optimal Vents grappes K, pour l'optimisation en ligne de la puissance de l'éolienne, ce qui réduit la quantité de calcul d'optimisation, l'organigramme de la Fig. 5 Fig.
Exemples Analyse 4
En utilisant des données d'éoliennes de type parc éolien H56-850 d'exploitation toutes les 10 minutes de vérification éolienne stratégie d'optimisation de l'énergie éolienne ici turbine entre 2012/06/01 à 2012/06/30.
Comme représenté sur la. Figure courbe de puissance de la turbine de course 613/06/2012 avant et après la stratégie d'optimisation à l'aide de deux. On peut voir dans cette étude a utilisé la stratégie d'optimisation de la puissance, la courbe de puissance de sortie de turbine vent au-dessus de la courbe de performance historique.
Deux ordinateurs de bureau de la plate-forme de simulation de stratégie d'optimisation (Intel i33,60 GHz, 4 Go de RAM) et Matlab R2015a, deux stratégies d'optimisation pour optimiser le temps de calcul, comme indiqué sur la figure. On peut voir la stratégie d'optimisation regroupement juste en face des éoliennes en service (00:00 heure) de la stratégie de contrôle optimale d'optimisation sous différents centre de cluster de vitesse du vent, et après l'éolienne en service, seule la mesure de courant de la vitesse du vent, sélectionnez la stratégie de contrôle optimale du cluster correspondant centre, le processus implique opération de détermination de sélection ne peut donc être rapidement atteint. stratégie d'optimisation par point est nécessaire pour optimiser le calcul d'environ une demi-minute à chaque point de temps. En comparaison, la stratégie d'optimisation en cluster est plus applicable à l'optimisation en temps réel de l'énergie éolienne.
conclusion 5
Papier, deux stratégies d'optimisation pouvoir WTG basée sur une approche axée sur les données: stratégies d'optimisation de clustering pixels et une stratégie d'optimisation, où cette dernière stratégie basée sur l'application réussie de l'ancienne méthode de classification des politiques pour réduire efficacement la complexité de calcul de l'optimisation. En revanche 2012/06/13 éoliennes de jour pour optimiser la puissance et les dossiers d'exploitation historiques, les résultats montrent que la stratégie d'optimisation permet d'améliorer efficacement la puissance de l'éolienne, et le nombre de la stratégie d'optimisation du centre de cluster pour le groupe 5, à une optimisation plus faible la complexité de calcul, afin d'optimiser l'effet point de vue similaire au point une stratégie d'optimisation. Une puissance plus élevée de la turbine éolienne signifie une plus grande utilisation de l'énergie éolienne est d'une grande importance pour améliorer le revenu de parc éolien.
Résultats de la recherche 6
Dans cette étude, publiée dans le "Power Systems" 2016, vol. 40 n ° 22, du matériel de lecture bienvenus.
(Source: observation scientifique et de l'écriture du pouvoir: livre Miao Wei)
