CN102945509A - 风电场功率预测方法 - Google Patents

Abstract

本发明提供了一种风电场功率预测方法，包括以下步骤：A、根据风场风资源特性，确定风场的主风向；B、按照风机类型，对风电场内的各风机进行分组；C、对相同风机类型下的各风机，根据风机安装的地理位置差异进行再分组；D、计算各风机类型下风机分组的平均风速值，并由风机分组的平均风速值求得风机分组的风机功率，最后将各风机类型下所有风机分组的风机功率相加求和。从而在较低成本下实现风电场功率的高效精确预测。

Description

风电场功率预测方法

技术领域

本发明涉及一种风电场功率预测方法。

背景技术

风具有波动性、间歇性、低能量密度等特点，这些特点决定风电功率也是波动的、间歇的。当风力发电在电网中所占的比例较小时，上述特点不会对电网带来明显影响。但是，随着风力发电装机容量的迅猛发展，风电在电网中的比例不断增加，由此风电的这一特点对于电网的安全、稳定运行及保证电能质量的影响越来越明显。

对风电场功率进行预测，能使电力调度部门提前根据风电功率变化及时调整调度计划，从而保证电能质量，减少电网备用容量，降低电网运行成本。这是减轻风电对电网造成不利影响的一种有效途径。

目前的风电场功率预测方法中，按照风速预测的分辨率大小不同，可以分为以下两种预测方式：

1．风场预测方式：通过预测风场平均风速得到风场总功率；

2．风机预测方式：通过预测单台风机风速得到单台风机功率，然后将各风机功率求和后得到风场总功率。

其中，风机预测方式同风场预测方式相比，由于其风速预测分辨率更高，且单台风机风速和功率之间映射关系更精确，因此预测精度较高。但风机预测方式由于要对风场中的每台风机单独建立预测模型，对于风机较多的风场而言，其预测效率较低，且运行及维护成本过高。

发明内容

有鉴于此，本发明的主要目的在于提供一种风电场风机功率预测方法，以在较低成本下实现风电场功率的高效精确预测。

本发明提供的一种风电场功率预测方法，包括以下步骤：

A、根据风场风资源特性，确定风场的主风向；

B、按照风机类型，对风电场内的各风机进行分组；

C、对相同风机类型下的各风机，根据风机安装的地理位置差异进行再分组；

D、计算各风机类型下风机分组的平均风速值，并由风机分组的平均风速值求得风机分组的风机功率，最后将各风机类型下所有风机分组的风机功率相加求和。

由上可以看出，本发明方法通过分析风场中每台风机的风资源特性，并结合风机类型将风场风机划分为多个风机组，最终根据不同风机组的平均风速求得风场的总功率，由此实现低成本下高精度风场功率的预测，且较现有的风机预测方式而言效率更高。

在上述方法中，所述步骤A包括以下子步骤：

A1、使用风场测风塔采集风场风向数据

A2、将该风向数据与风机数据采集系统采集到的各风机的风速数据进行时间同步；

A2、将具有最大风速数据量的风向范围设置为该风场的主风向。

在上述方法中，所述步骤C包括以下子步骤：

C1、将与风机类型功率曲线的爬升区间相对应的风速区间确定为该类型风机的敏感风速区间，取该功率曲线爬升段的上下极值所对应的风速值作为该类型风机敏感风速区间的上下界；

C2、计算各风机类型下的所有风机的平均风速；

C3、采集各风机类型下所有风机的平均风速处于各风机类型的敏感风速区间内时，各风机类型下每台风机的所有风速数据，并求出每台风机的平均风速；

C4、利用聚类分析原理进一步划分在风场主风向下相同风机类型中具有相近平均风速的风机。

由上可以看出，上述子步骤实现了按风资源划分风机的目的，由此可将具有相近风资源特性的风机划分为一组，进而提升了整个风场功率预测的准确性。

在上述方法中，步骤C2所述平均风速的计算为：

将风机类型下的由风机数据采集系统采集到的风场主风向下所有风机的风速求和后除以该风机类型下的风机数量。

在上述方法中，所述步骤C4包括以下子步骤：

C41、预设某风机类型下的风机分组数为N，其中N小于该风机类型下的风机数量；

C42、提取出该风机类型下各风机平均风速值中的最小值和第二小的值，以这两个值构成小组X1，而其余的平均风速值构成了另一个小组X2；

C43、比较小组X1内的数值最大距离X1_max-X1_min与小组X1、X2之间的最小距离X2_min-X1_max，其中，X1_max为小组X1内的风速最大值，X1_min为小组X1内的风速最小值，X2_min为小组X2内的风速最小值：

如果小组X1内的数值最大距离小于其与小组X2之间的最小距离，则暂定X1为一单独的小组，并从小组X2中取出最小的两个值形成新的小组X3，余下的数值为另一小组X2-X3，继续比较小组X1、X3内的数值最大距离与由余下数值构成的小组X2-X3之间的最小距离，当最终得到的分组数达到风机分组数N时，终止分组；

如果小组X1内的数值最大距离大于或等于其与小组X2之间的最小距离，则将小组X2中的最小值划入小组X1后，继续比较小组X1内的数值最大距离与小组X1、X2之间的最小距离，当最终得到的分组数达到风机分组数N时，终止分组。

在上述方法中，所述步骤C42还包括：将上述各风机平均风速数据统一处理成取小数点后一位的数据。

在上述方法中，在所述步骤C4之后还包括：

对于各风机类型下已分好的小组，计算出各小组的平均风速值后，将各小组的平均风速值作为一大组风速数据，继续利用聚类分析原理将这一大组风速数据划分为若干小组。

在上述方法中，所述利用聚类分析原理划分一大组风速数据包括以下步骤：

预设分组数为N’，其中N’小于该大组风速数据的数量；

提取出该大组风速数据中的最小值和第二小的值，以这两个值构成小组Y1，而其余的风速数据构成了另一个小组Y2；

比较小组Y1内的数值最大距离Y1_max-Y1_min与小组Y1、Y2之间的最小距离Y2_min-Y1_max，其中，Y1_max为小组Y1内的风速最大值，Y1_min为小组Y1内的风速最小值，Y2_min为小组Y2内的风速最小值：

如果小组Y1内的数值最大距离小于其与小组Y2之间的最小距离，则暂定Y1为一单独的小组，并从小组Y2中取出最小的两个值形成新的小组X3，余下的数值为另一小组Y2-Y3，继续比较小组Y1、Y3内的数值最大距离与由余下数值构成的小组Y2-Y3之间的最小距离，当最终得到的分组数达到预设分组数N’时，终止分组；

如果小组Y1内的数值最大距离大于或等于其与小组Y2之间的最小距离，则将小组Y2中的最小值划入小组Y1后，继续比较小组Y1内的数值最大距离与小组Y1、Y2之间的最小距离，当最终得到的分组数达到预设分组数N’时，终止分组。

附图说明

图1为本发明提供的风电场功率预测方法流程图；

图2为某风场测风塔风向数据分布图；

图3为各种不同类型风机标准功率曲线图。

具体实施方式

本发明提供的一种风电场功率预测方法的主要原理是根据风机在风场具有代表性的风况条件下的风速差异，将风机分组，最终将由每个风机组的平均风机风速求得的每个风机组风机功率求和得出风场总功率，由此无需计算每台风机的风机功率，只需计算具有相同风资源特性的风机平均功率后将各组平均功率求和便可得到风场总功率。因此，在保证了风场总功率计算精度的同时，省去了大量的冗繁计算。

下面结合附图，详细介绍本发明提供的一种风电场功率预测方法。

如图1所示，本发明的风电场功率预测方法包括以下步骤：

步骤100：根据风场风资源特性，确定风场的主风向。

在风电场中，对风机风速影响最大的是风场主风向，风场主风向为具有代表性的风况条件，因此，各风机在风场主风向下的风机风速为具有代表性的风机风速。

在本步骤中，使用风场测风塔采集风场风向数据，同时将该风向数据与风机数据采集系统采集到的各风机的风速数据进行时间同步（以便能够真实反映在当前风向下的风机实时风速），并将采集到的风向数据量和风向值作成如图2所示的风向数据分布图，其中，横坐标为测风塔在一定时间内采集到的风向数据量，纵坐标为测风塔风向值。分析该风向数据分布图，可根据风向区间范围内采集到的风向数据量的多少作为判断主风向的标准。例如，如图2所示，在风向值为0至90度时风向数据量最大，大约有18000个左右；在风向值为180至270度时，风向数据量其次，大约有8000个左右；而在风向值为90至180度和270至360度时，风向数据量很少。由于在风向值为0至90度这个区间范围内采集到的风向数据量最大，因此可以分析出该风场的主风向在0至90度这个区间范围。

步骤200：根据风机类型，对各风机进行初步分组。

由于风电场通常会装配各种不同厂家的风机或同一厂家不同型号的风机，而不同风机类型的功率曲线会有较大差异。将具有相同风机类型的风机划分为一组，以减少预测对象数量过多带来的冗繁计算。

步骤300：根据风机安装的地理位置差异，对相同风机类型下的各风机进行分组。

对于一组具有相同风机类型的风机来说，由于安装地理位置的差异，会导致这一组中每台风机的风资源有所差别，而风资源差别会使每台风机输出不同的功率。由此，为了将具有相近输出功率的风机划分在一起，需要根据风资源差别，进一步对同一组内具有同一风机类型的各风机分组。

如图3所示，根据风机类型对应的功率曲线特性可知，在功率曲线爬升阶段的风速区间内，风机功率值会因风速值的轻微改变而产生大幅度的变化，这一风速区间即为风机功率的敏感风速区间。由此可知，风机的功率变化主要取决于风机功率在敏感风速区间中的变化，而风机功率在其他风速区间中的变化几乎可忽略不计。因此，在预测风机功率时，只需预测风机在功率敏感风速区间中的功率即可。步骤300的具体实施过程如下：

首先，将与某种风机类型功率曲线的爬升区间相对应的风速区间确定为该类型风机的敏感风速区间，取该功率曲线爬升段的上下极值所对应的风速值作为该类型风机敏感风速区间的上下界。

然后，计算该风机类型下的所有风机的平均风速，也就是将该风机类型下的由风机数据采集系统采集到的风场主风向（风向值在0至90度这个区间范围时）下所有风机的风速求和后除以该风机类型下的风机数量。在此之后，采集该风机类型风机组的平均风速处于该风机类型的敏感风速区间内时该风机组内每台风机的所有风速数据，并求出每台风机的平均风速，即：在该风机类型风机组的平均风速处于所述敏感风速区间内时该风机组内每台风机的平均风速。而该风机组内每台风机间的平均风速差异，即为在风场主风向下由于风机安装地理位置的不同而产生的每台风机间的风速差异。

最后，利用聚类分析原理进一步划分在风场主风向下相同风机类型中（因安装地理位置差异）具有不同风资源的风机。具体为利用所谓聚类分析原理中的分解法，即聚类开始把所有个体（观测量或变量）都视为属于一大类，然后根据距离和相似性逐层分解，直到分组数达到预设值或参与聚类的每个个体自成一类为止。在下文中，以具体实例详细说明如何利用聚类分析原理进一步划分在风场主风向下相同风机类型中具有不同风资源的风机。

首先，预设某种风机类型下的风机分组数为N（N小于该风机类型下的风机数量）。之后，提取出该风机类型下各风机平均风速值中的最小值和第二小的值，以这两个值构成第一个小组X1。而其余的平均风速值构成了另一个小组X2。其中，为了增大数据间的颗粒度以便于分组计算，可将上述各风机平均风速数据统一处理成取小数点后一位的数据。

接着，比较小组X1内的数值最大距离（X1_max-X1_min，其中，X1_max为小组X1内的最大值，X1_min为小组X1内的最小值）与小组X1、X2之间的最小距离（X2_min-X1_max，其中，X2_min为小组X2内的最小值）。如果小组X1内的数值最大距离小于其与小组X2之间的最小距离，则暂定X1为一单独的小组，并从小组X2中取出最小的两个值形成新的小组X3，余下的数值为另一小组（X2-X3），继续比较各小组X1、X3内的数值最大距离与由余下数值构成的小组X2-X3之间的最小距离；否则（小组X1内的数值最大距离大于或等于其与小组X2之间的最小距离），将小组X2中的最小值划入小组X1后，继续比较小组X1内的数值最大距离与小组X1、X2之间的最小距离。通过循环执行上述过程，当最终得到的分组数达到风机分组数N时，终止分组。

此外，为了更加精确地预测风场功率，还可以进一步划分各风机类型下已分好的小组。具体为：计算出风机类型下各小组的平均风速值后，将各小组的平均风速值作为一大组风速数据，继续利用聚类分析原理划分组风速数据，具体过程同上，不再赘述。

步骤400：将各风机类型下所有风机分组的平均风机功率相加，求得风电场预测功率。

在本步骤中，计算各风机类型下风机分组的平均风速值，根据风机分组的平均风速值得到风机分组的平均风机功率（通过风速计算风机功率的具体算方法为公知常识，在此不再赘述），最后将各风机类型下所有风机分组的平均风机功率相加求和，便得到了风电场功率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种风电场功率预测方法，其特征在于，包括以下步骤：

A、根据风场风资源特性，确定风场的主风向；

B、按照风机类型，对风电场内的各风机进行分组；

C、对相同风机类型下的各风机，根据风机安装的地理位置差异进行再分组；

D、计算各风机类型下风机分组的平均风速值，并由风机分组的平均风速值求得风机分组的风机功率，最后将各风机类型下所有风机分组的风机功率相加求和。

2.根据权利要求1所述的方法，其特征在于，所述步骤A包括以下子步骤：

A1、使用风场测风塔采集风场风向数据

A2、将该风向数据与风机数据采集系统采集到的各风机的风速数据进行时间同步；

A2、将具有最大风速数据量的风向范围设置为该风场的主风向。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤C包括以下子步骤：

C1、将与风机类型功率曲线的爬升区间相对应的风速区间确定为该类型风机的敏感风速区间，取该功率曲线爬升段的上下极值所对应的风速值作为该类型风机敏感风速区间的上下界；

C2、计算各风机类型下的所有风机的平均风速；

C3、采集各风机类型下所有风机的平均风速处于各风机类型的敏感风速区间内时，各风机类型下每台风机的所有风速数据，并求出每台风机的平均风速；

C4、利用聚类分析原理进一步划分在风场主风向下相同风机类型中具有相近平均风速的风机。

4.根据权利要求3所述的方法，其特征在于，步骤C2所述平均风速的计算为：

将风机类型下的由风机数据采集系统采集到的风场主风向下所有风机的风速求和后除以该风机类型下的风机数量。

5.根据权利要求3所述的方法，其特征在于，所述步骤C4包括以下子步骤：

C41、预设某风机类型下的风机分组数为N，其中N小于该风机类型下的风机数量；

C42、提取出该风机类型下各风机平均风速值中的最小值和第二小的值，以这两个值构成小组X1，而其余的平均风速值构成了另一个小组X2；

C43、比较小组X1内的数值最大距离X1_max-X1_min与小组X1、X2之间的最小距离X2_min-X1_max，其中，X1_max为小组X1内的风速最大值，X1_min为小组X1内的风速最小值，X2_min为小组X2内的风速最小值：

如果小组X1内的数值最大距离小于其与小组X2之间的最小距离，则暂定X1为一单独的小组，并从小组X2中取出最小的两个值形成新的小组X3，余下的数值为另一小组X2-X3，继续比较小组X1、X3内的数值最大距离与由余下数值构成的小组X2-X3之间的最小距离，当最终得到的分组数达到风机分组数N时，终止分组；

如果小组X1内的数值最大距离大于或等于其与小组X2之间的最小距离，则将小组X2中的最小值划入小组X1后，继续比较小组X1内的数值最大距离与小组X1、X2之间的最小距离，当最终得到的分组数达到风机分组数N时，终止分组。

6.根据权利要求5所述的方法，其特征在于，所述步骤C42还包括：将上述各风机平均风速数据统一处理成取小数点后一位的数据。

7.根据权利要求3所述的方法，其特征在于，在所述步骤C4之后还包括：

对于各风机类型下已分好的小组，计算出各小组的平均风速值后，将各小组的平均风速值作为一大组风速数据，继续利用聚类分析原理将这一大组风速数据划分为若干小组。

8.根据权利要求7所述的方法，其特征在于，所述利用聚类分析原理划分一大组风速数据包括以下步骤：

预设分组数为N’，其中N’小于该大组风速数据的数量；

提取出该大组风速数据中的最小值和第二小的值，以这两个值构成小组Y1，而其余的风速数据构成了另一个小组Y2；

比较小组Y1内的数值最大距离Y1_max-Y1_min与小组Y1、Y2之间的最小距离Y2_min-Y1_max，其中，Y1_max为小组Y1内的风速最大值，Y1_min为小组Y1内的风速最小值，Y2_min为小组Y2内的风速最小值：

如果小组Y1内的数值最大距离小于其与小组Y2之间的最小距离，则暂定Y1为一单独的小组，并从小组Y2中取出最小的两个值形成新的小组X3，余下的数值为另一小组Y2-Y3，继续比较小组Y1、Y3内的数值最大距离与由余下数值构成的小组Y2-Y3之间的最小距离，当最终得到的分组数达到预设分组数N’时，终止分组；

如果小组Y1内的数值最大距离大于或等于其与小组Y2之间的最小距离，则将小组Y2中的最小值划入小组Y1后，继续比较小组Y1内的数值最大距离与小组Y1、Y2之间的最小距离，当最终得到的分组数达到预设分组数N’时，终止分组。

Images