CN102606395B - 基于功率预测信息的风电场有功优化控制方法 - Google Patents

Abstract

本发明提出了一种基于功率预测信息的风电场有功优化控制方法，该方法基于超短期风电功率预测，考虑风电场运行的各种限制，以平滑各机组的出力并减少机组控制系统的动作次数为目标，采用优化算法，使得各机组输出功率变化最优。与现有风电场常用的变比例分配算法相比，采用本方法能够减少风电机组出力大幅度波动次数，减少量最高可达100%，从而减少了风电场的总调节次数，既有助于降低风电场维护成本，也有益于减小功率调节对风电机组的使用寿命的影响。

Description

基于功率预测信息的风电场有功优化控制方法

技术领域

本发明涉及一种用于优化风电场内有功控制的方法，属于新能源发电技术中的风力发电控制技术领域。

背景技术

为了应对大规模风电接入给电网有功调度和安全稳定运行带来的巨大压力和新的挑战，国家电网公司制定了《风电场接入电网技术规定》和《风电调度运行管理规范》等规范风电并网运行的技术标准，并明确要求，风电场应具备有功功率调节能力，能根据电网调度部门指令控制其有功功率输出。

近年，随着对风力发电技术认识的不断加深，各方面对风电功率预测的要求日益提高，从技术实现的角度而言，超短期风电功率预测已经能够实现每2.5min预报一次。2011年，国家电网公司颁布了《风电功率预测系统功能规范》，规定超短期风电功率预测能够预测未来0h～4h的风电输出功率，时间分辨率不小于15min。而常规系统现有的预调度周期一般约为30min，在线调度周期一般约为5min。

目前国内风电场风力发电机有功控制策略尚不完善，导致风能利用系数低，风电输出电能质量差。对于有功控制系统的风电场，当电网下达有功需求至风电场时，场内通过变比例分配算法来实现有功调度指令分配，即根据实时风速预测机组最大输出功率，并按照最大输出功率比例进行分配。但该算法未考虑风速随机性和波动性的影响，当风速波动过大时，风电机组将不停的转换工作状态，导致机组控制难度增加，控制次数增多，给机组的维护和运行寿命带来不可小视的负面影响。

超短期风电功率预测周期和常规系统现有调度周期在时间尺度的匹配为基于功率预测信息优化的风电有功调度提供了条件。

发明内容

发明目的：本发明所要解决的技术问题是风电场内有功调度指令分配问题，提供一种能够利用风功率预测信息进行风电场内有功调度指令优化分配的方法。

本发明解决其技术问题所采用的技术方案如下：

一种基于功率预测信息的风电场有功优化控制方法，它包括如下步骤：

(1)根据电网在线调度周期T设定风电功率预测周期T_P、风电场内指令下发周期T_W，其中，T_P≤T_W≤T；如果电网在线调度指令大于等于调度时刻风电场预测风电功率，则风电场内所有机组采用最大功率追踪控制；如果电网在线调度指令小于调度时刻风电场预测风电功率，则采用下述步骤(2)～步骤(5)的优化调度方法分配有功指令至各台机组；其中，电网在线调度周期T、风电功率预测周期T_P、风电场内指令下发周期T_W的单位是分钟；

(2)读取各风机当前发出的有功功率P_n，n是机组的编号；以读取有功功率P_n的时间点为初始时间点，进行超短期风功率预测，预测未来4小时内机组有功出力；读取机组第m个风电功率预测周期对应时间点的预测输出功率P_Pm，并分别读取第m-2、m-1、m+1、m+2四个风电功率预测周期对应时间点的预测输出功率；根据m点、m-2点、m-1点、m+1点、m+2点的有功出力预测值计算用于判断风机出力趋势的参数P′_Pm：

${P^{\′}}_{\mathrm{Pm}}=\frac{1}{5}\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{P}_{P(m+3-i)}$ 公式(1)

其中，m表示风电功率预测周期的个数，m为整数，且m≥3；

(3)根据预测点m与当前间隔时间确定表示参数P′_Pm和当前有功功率P_n的相关系数η_m，确定方法为：

${\mathrm{\&eta;}}_m=\left\{\begin{array}{cc}1& 0<{\mathrm{mT}}_P\&le;60\left(\min s\right)\\ 0.5& 60<{\mathrm{mT}}_P\&le;120\left(\min s\right)\\ 0.2& 120<{\mathrm{mT}}_P\&le;180\left(\min s\right)\\ 0.1& 180<{\mathrm{mT}}_P\&le;240\left(\min s\right)\end{array}\right.$ 公式(2)

其中，m表示风电功率预测周期的个数，m为整数，且m≥3，mT_P为当前间隔时间；T_P为风电功率预测周期；

(4)重复步骤(2)、(3)，另外再选取第2m、第3m个风电功率预测周期对应时间点，计算出他们的出力趋势参数P′_P2m、P′_P3m和相关系数η_2m、η_3m，通过下式，得出代表风电机组G_n出力趋势的加权系数t_n：

$t_n={({\mathrm{\&eta;}}_m\frac{{P^{\&prime;}}_{\mathrm{Pm}}-P_n}{P_n}+{\mathrm{\&eta;}}_{2m}\frac{{P^{\&prime;}}_{P2m}-P_n}{P_n}+{\mathrm{\&eta;}}_{3m}\frac{{P^{\&prime;}}_{P3m}-P_n}{P_n})}^{-1}$ 公式(3)

其中，P′_P2m和P′_P3m分别为第2m个预测点和第3m个预测点的出力趋势的参数，η_2m和η_3m为各自相关系数；

(5)根据公式(4)和约束条件计算有功调度优化调度指令P_refn：

$\min \underset{n=1}{\overset{x}{\mathrm{\&Sigma;}}}{t}_n(P_{\mathrm{refn}}-P_n)$ 公式(4)

约束条件为：

当t_n≥0且P_n＜P_P1时，P_n≤P_refn≤P_P1

当t_n≥0且P_n＞P_P1时，P_refn＝P_P1

当t_n＜0时，0≤P_refn≤P_n

$\underset{n=1}{\overset{x}{\mathrm{\&Sigma;}}}{P}_{\mathrm{refn}}=P_{\mathrm{REF}}$

其中，x为风电场机组总数；n是机组的编号；t_n是风电机组G_n出力趋势的加权系数；P_n表示机组G_n当前发出的有功功率；P_P1为下一调度点风功率预测值；P_REF为系统下达风场下时段输出有功命令。

步骤(2)、(3)、(4)中，选取的三个预测点m、2m、3m分别对应60分钟、120分钟和180分钟的预测点，对应的相关系数分别为1、0.5、0.2。

有益效果：本发明提出了一种基于功率预测信息的风电场有功优化控制方法，该方法基于超短期风电功率预测，考虑风电场运行的各种限制，以平滑各机组的出力并减少机组控制系统的动作次数为目标，采用优化算法，使得各机组输出功率变化最优。与现有风电场常用的变比例分配算法相比，采用本方法能够减少风电机组出力大幅度波动次数，减少量最高可达100％，从而减少了风电场的总调节次数，既有助于降低风电场维护成本，也有益于减小功率调节对风电机组的使用寿命的影响。

附图说明

图1为本发明方法的总流程图。

图2为实施例风电场风电功率预测和调度数据。

图3为风电机组有功出力预测情况。

图4为机群G1采用本发明方法和变比例分配算法有功调度指令对比。

图5为机群G2采用本发明方法和变比例分配算法有功调度指令对比。

图6为机群G3采用本发明方法和变比例分配算法有功调度指令对比。

图7为机群G4采用本发明方法和变比例分配算法有功调度指令对比。

具体实施方式

下面参照附图并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的例子。

本发明主要针对风电场调度层有功功率的分配问题。对于集群调度层而言，多个风电场可以等值成多个不同运行情况的机组，因而集群调度层和风电场调度层有功分配的研究内容类似，所以也可采用本发明提出的方法。

本发明用于风电场内有功调度指令分配，某风电场2011年4月20日0点到24点风功率预测数据和调度数据如图2所示。

为模拟风电场内机组出力预测多样性，以检验本文提出的方法在多种风速变化模式下的优化效果，将风电场内风电机组风功率预测数据分为以下四种情况，如图3所示，分别代表：风功率预测总体上升趋势机群G1，风功率预测总体平稳趋势机群G2，风功率预测总体下降趋势机群G3，风功率预测大幅波动机群G4。

1、根据电网在线调度周期T设定风电功率预测周期T_P、风电场内指令下发周期T_W。其中，T_P≤T_W≤T。

例如，电网在线调度周期为5分钟，设定风电功率预测周期为5分钟，风电场指令下发周期为5分钟。

如果电网在线调度指令大于等于调度时刻风电场预测风电功率，则风电场内所有机组采用最大功率追踪控制；如果电网在线调度指令小于调度时刻风电场预测风电功率，则采用下述步骤2～步骤5的优化调度方法分配有功指令至各台机组。

2、读取各风机当前发出的有功功率P_n，n是机组的编号；以读取有功功率P_n的时间点为初始时间点，进行超短期风功率预测，预测未来4小时内机组有功出力；

读取机组第m个风电功率预测周期对应时间点的预测输出功率P_Pm，并分别读取第m-2、m-1、m+1、m+2四个风电功率预测周期对应时间点的预测输出功率。

根据m点、m-2点、m-1点、m+1点、m+2点的预测输出功率计算用于判断风机出力趋势的参数P′_Pm：

${P^{\&prime;}}_{\mathrm{Pm}}=\frac{1}{5}\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{P}_{P(m+3-i)}$ 公式(1)

公式(1)中，m表示风电功率预测周期的个数，m为整数，且m≥3。

实施例中，读取图3所示的四个机群当前发出的有功功率P_n；例如m取12，则三个预测点分别取第12、24和36个调度点，读取这三个点的预测输出功率P_P12、P_P24和P_P36，每个预测点再分别取其前后两个相邻的风电功率预测周期所对应的预测输出功率；例如P_P12的前后两个相邻的风电功率预测周期分别为第10、第11、第13、第14个风电功率预测周期所对应的预测输出功率；P_P36的前后两个相邻的风电功率预测周期分别为第34、第35、第37、第38个风申功率预测周期所对应的预测输出功率。

然后根据公式

分别计算得出各自的出力趋势参数P′_P12，P′_P24和P′_P36。例如机群G1在初始时刻输出功率为15.9MW，第10到14个调度点的预测输出功率分别为16.4MW、16.4MW、16.2MW、17.5MW和16.9MW，则P′_P12＝16.7MW，同样，算出P′_P24＝17.8MW和P′_P36＝17.3MW。

3、根据预测点与当前间隔时间确定表示参数P′_Pm和当前有功功率P_n的相关系数η_m，确定方法为：

${\mathrm{\&eta;}}_m=\left\{\begin{array}{cc}1& 0<{\mathrm{mT}}_P\&le;60\left(\min s\right)\\ 0.5& 60<{\mathrm{mT}}_P\&le;120\left(\min s\right)\\ 0.2& 120<{\mathrm{mT}}_P\&le;180\left(\min s\right)\\ 0.1& 180<{\mathrm{mT}}_P\&le;240\left(\min s\right)\end{array}\right.$ 公式(2)

公式(2)中，m表示风电功率预测周期的个数，m为整数，且m≥3，mT_P为当前间隔时间，T_P为风电功率预测周期。

例如，本例中，T_P为5min，则第12、24和36个调度点对应的相关系数分别为1、0.5和0.2。

4、根据未来三个预测点m、2m、3m的出力趋势和相关系数，通过公式(3)，得出代表风电机组G_n出力趋势的加权系数t_n：

$t_n={({\mathrm{\&eta;}}_M\frac{{P^{\&prime;}}_{\mathrm{Pm}}-P_n}{P_n}+{\mathrm{\&eta;}}_{2M}\frac{{P^{\&prime;}}_{P2m}-P_n}{P_n}+{\mathrm{\&eta;}}_{3M}\frac{{P^{\&prime;}}_{P3m}-P_n}{P_n})}^{-1}$ 公式(3)

其中，P′_P2m和P′_P3m分别为第2m个预测点和第3m个预测点的出力趋势的参数，η_2m和η_3m为各自相关系数；

例如本例中， $t_n={(1*\frac{{P^{\&prime;}}_{P12}-P_n}{P_n}+0.5*\frac{{P^{\&prime;}}_{P24}-P_n}{P_n}+0.2*\frac{{P^{\&prime;}}_{P36}-P_n}{P_n})}^{-1}.$ 通过带入步骤2中得到的出力趋势参数，得到机群G1在初始时刻的加权系数为0.2389。

5、根据以下公式的优化目标和约束条件计算有功调度优化调度指令P_refn：

优化目标： $\min \underset{n=1}{\overset{4}{\mathrm{\&Sigma;}}}{t}_n(P_{\mathrm{refn}}-P_n)$

约束条件为：

当t_n≥0且P_n＜P_P1时，P_n≤P_refn≤P_P1

当t_n≥0且P_n＞P_P1时，P_refn＝P_P1

当t_n＜0时，0≤P_refn≤P_n

$\underset{n=1}{\overset{4}{\mathrm{\&Sigma;}}}{P}_{\mathrm{refn}}=P_{\mathrm{REF}}$

其中，P_refn为机群G_n的有功出力指令，n是机群的编号；t_n是风电机组G_n出力趋势的加权系数；P_n表示机组G_n当前发出的有功功率；P_P1为下一调度点风功率预测值；P_REF为系统下达风场下时段输出有功命令。

通过以上方法，得到四个机群的有功出力指令，如图4～7。

如图4、6所示，由图可以看出，对比现在常用的变比例分配算法，风电场通过本发明优化调度方法下发至机群G1和G3的调度指令分别平稳上升和下降，避免了调度点50到200时段内最大15MW的功率波动。

如图5所示，机群G2的指令曲线在调度点0到调度点80和调度点130到调度点288时段内平稳，避免了这两个时段内最大10MW的功率波动；在调度点80到130时段内，风电场总预测出力小于系统调度需求，系统要求风电场最大功率出力，所以该时段内机群G2的调度指令曲线出现最大5MW的功率波动。

如图7所示，机群G4的调度指令避免了调度点50到80和130到200时段内最大5MW的功率波动。

计算相邻两个调度点的功率波动差值，统计大幅波动(超过3MW)次数，可以得到采用本发明方法和变比例分配算法发出的有功调度指令大幅度波动次数分别为0、11、0、23和4、36、6、71，采用本发明方法得到的有功调度指令比采用变比例分配算法分别降低了100％、69.4％、100％产67.6％。

通过以上对比可以看出：本发明的基于功率预测信息的风电有功优化调度控制方法，利用风电场内各机组功率预测信息，合理分配系统有功调度指令，在完成系统调度要求的同时，可以平滑风电机组出力，同时避免机组因风功率波动造成的控制系统频繁动作。

Claims (2)

1.一种基于功率预测信息的风电场有功优化控制方法，其特征在于，它包括如下步骤：

(1)根据电网在线调度周期T设定风电功率预测周期T_P、风电场内指令下发周期T_W，其中，T_P≤T_W≤T；如果电网在线调度指令大于等于调度时刻风电场预测风电功率，则风电场内所有机组采用最大功率追踪控制；如果电网在线调度指令小于调度时刻风电场预测风电功率，则采用下述步骤(2)～步骤(5)的优化调度方法分配有功指令至各台机组；

其中，电网在线调度周期T、风电功率预测周期T_P、风电场内指令下发周期T_W的单位是分钟；

(2)读取各风机当前发出的有功功率P_n，n是机组的编号；以读取有功功率P_n的时间点为初始时间点，进行超短期风功率预测，预测未来4小时内机组有功出力；

读取机组第m个风电功率预测周期对应时间点的预测输出功率P_Pm，并分别读取第m-2、m-1、m+1、m+2四个风电功率预测周期对应时间点的预测输出功率；

根据m点、m-2点、m-1点、m+1点、m+2点的有功出力预测值计算用于判断风机出力趋势的参数P′_Pm：

${P^{\&prime;}}_{\mathrm{Pm}}=\frac{1}{5}\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{P}_{P(m+3-i)}$ 公式(1)

其中，m表示风电功率预测周期的个数，m为整数，且m≥3；

(3)根据预测点m与当前间隔时间确定表示参数P′_Pm和当前有功功率P_n的相关系数η_m，确定方法为：

${\mathrm{\&eta;}}_m=\left\{\begin{array}{cc}1& 0<{\mathrm{mT}}_P\&le;60\left(\min s\right)\\ 0.5& 60<{\mathrm{mT}}_P\&le;120\left(\min s\right)\\ 0.2& 120<{\mathrm{mT}}_P\&le;180\left(\min s\right)\\ 0.1& 180<{\mathrm{mT}}_P\&le;240\left(\min s\right)\end{array}\right.$ 公式(2)

其中，m表示风电功率预测周期的个数，m为整数，且m≥3，mT_P为当前间隔时间；T_P为风电功率预测周期；

(4)重复步骤(2)、(3)，另外再选取第2m、第3m个风电功率预测周期对应时间点，计算出他们的出力趋势参数P′_P2m、P′_P3m和相关系数η_2m、η_3m，通过下式，得出代表风电机组G_n出力趋势的加权系数t_n：

$t_n={({\mathrm{\&eta;}}_m\frac{{P^{\&prime;}}_{\mathrm{Pm}}-P_n}{P_n}+{\mathrm{\&eta;}}_{2m}\frac{{P^{\&prime;}}_{P2m}-P_n}{P_n}+{\mathrm{\&eta;}}_{3m}\frac{{P^{\&prime;}}_{P3m}-P_n}{P_n})}^{-1}$ 公式(3)

其中，P′_P2m和P′_P3m分别为第2m个预测点和第3m个预测点的出力趋势的参数，η_2m和η_3m为各自相关系数；

(5)根据公式(4)和约束条件计算有功调度优化调度指令P_refn：

$\min \underset{n=1}{\overset{x}{\mathrm{\&Sigma;}}}{t}_n(P_{\mathrm{refn}}-P_n)$ 公式(4)

约束条件为：

当t_n≥0且P_n＜P_P1时，P_n≤P_refn≤P_P1

当t_n≥0且P_n＞P_P1时，P_refn＝P_P1

当t_n＜0时，0≤P_refn≤P_n

$\underset{n=1}{\overset{x}{\mathrm{\&Sigma;}}}{P}_{\mathrm{refn}}=P_{\mathrm{REF}}$

其中，x为风电场机组总数；n是机组的编号；t_n是风电机组G_n出力趋势的加权系数；P_n表示机组G_n当前发出的有功功率；P_P1为下一调度点风功率预测值；P_REF为系统下达风场下时段输出有功命令。

2.根据权利要求1所述的基于功率预测信息的风电场有功优化控制方法，其特征是：步骤(2)、(3)、(4)中，选取的三个预测点m、2m、3m分别对应60分钟、120分钟和180分钟的预测点，对应的相关系数分别为1、0.5、0.2。

Images