存在的问题及解决方法
风电机组的原动力不可控，受风速、风向等因素影响，其功率输出具有较高不确定性，这为风电机组的功率输出提升及优化带来了较大挑战。
另一方面，在线监测技术和数据库技术不断成熟的今天，风电机组的长时段实际运行数据已可较容易的获取并研究。
那问题来了？何不从风电机组的实际运行数据中挖掘其功率输出特性及规律，据此优化提升风电机组功率输出。
基于数据驱动方法的风电机组功率优化
已知数据及条件0
本研究中已收集到H56-850型风电机组的每10分钟运行数据，并掌握其运行控制流程。风电机组控制系统根据当前风向和风速，查找最优转矩函数，调整轮轴旋转加速度和机舱位置，从而实现功率优化。
不同风速下的最优转矩函数是由试验或模拟得到，而风电机组的实际运行工况可能与风电机组试验或模拟环境存在较大差异，因而，该最优转矩函数在实际工况中不一定最优。基于数据驱动思想的风电机组功率优化方法从实际运行数据中挖掘风电机组功率输出与各控制参数间的复杂关系，因而，可避免以上不足。
基于神经网络技术的数据挖掘1
神经网络技术可用于刻画输入和输出间的复杂非线性关系，即函数学习。特别地，神经网络技术将风电机组视为“黑箱”，从该“黑箱”的实际输入数据（控制参数）和输出数据（功率输出）中挖掘两者的非线性关系。因而，该技术无需对风电机组做出任何简化假设，且风电机组实际运行数据可客观反映风电机组功率输出与多种不确定因素的复杂关系。
由此，以均方误差最小为目标，建立基于神经网络技术的风电机组功率函数，其示意图如下。图中，蓝色（输入层）、绿色（隐藏层）和黄色（输出层）神经元构成该前馈神经网络，根据输入层中的风电机组控制参数和当前风速，经过各类判断与学习，给出当前风电机组功率输出。（注：图中神经网络参数的确定可以误差最小为目标，通过各类学习算法确定神经网络的各类参数。）
基于遗传算法的风电机组功率优化2
遗传算法分别将生物个体和生物适应度抽象为优化问题的解和目标函数，借鉴生物进化中的自然现象（选择、变异和杂交），使一定数量的生物个体（优化问题的解）适应度（目标函数）不断增强，从而进化得到最优个体（最优解）。该算法具有良好的鲁棒性、并行性和高效性，已广泛应用于电力系统的多个领域。
本研究中风电机组功率优化的目的在于选取最优风电机组控制参数，最大化风电机组功率。经典遗传算法已具有强大的全局寻优能力，所以本文应用该算法进行风电机组功率优化。
逐点优化策略与聚类优化策略3
根据前述分析，本文提出一种逐点优化策略，用于优化风电机组功率，该策略的主要思想是在每运行时刻点调用遗传算法，优化搜索风电机组最优控制参数。
逐点优化策略要求每10分钟进行一次优化，显然该策略所需计算量较大，不利于在线优化风电机组功率。本研究引入K均值聚类方法，可对风速数据进行聚类，通过采用K组风速聚类下最优控制量，实现对风电机组功率的在线优化，降低优化计算量。
算例分析4
采用某风电场内H56-850型风电机组2012/06/01至2012/06/30间每10分钟风电机组运行数据验证本文风电机组功率优化策略。
采用本研究中功率优化策略后，风电机组功率输出曲线高于历史功率输出曲线。
两优化策略的仿真平台为台式电脑(Intel-i3 3.60 GHz, 4 GB RAM)和MATLAB R2015a，两优化策略的优化计算时间如图7所示。可以看到，聚类优化策略仅需在风电机组投运前(00 : 00时刻)优化计算各风速聚类中心下的优化控制策略，而在风电机组投运后，仅需根据当前测量风速，选择对应聚类中心的优化控制策略，该过程仅涉及选择判断操作，因此可快速实现。逐点优化策略则需在每时刻点进行半分钟左右的优化计算。两者相比，聚类优化策略更适用于风电机组功率的实时优化。
结论5
本文提出两种基于数据驱动方法的风电机组功率优化策略：逐点优化策略和聚类优化策略，其中，后者策略在前者策略基础上成功应用聚类方法，有效降低优化计算复杂度。通过对比2012/06/13当天风电机组优化功率与历史运行记录，结果表明，本文优化策略可有效提高风电机组功率输出，并且聚类中心数为5的聚类优化策略，能以较低的优化计算复杂度，达到逐点优化策略的相近优化效果。更高的风电机组功率意味着更高的风能利用率，对于提高风电场收益具有重要意义。
