CN103020462A - 计及复杂尾流效应模型的风电场概率输出功率计算方法 - Google Patents
计及复杂尾流效应模型的风电场概率输出功率计算方法 Download PDFInfo
- Publication number
- CN103020462A CN103020462A CN2012105637286A CN201210563728A CN103020462A CN 103020462 A CN103020462 A CN 103020462A CN 2012105637286 A CN2012105637286 A CN 2012105637286A CN 201210563728 A CN201210563728 A CN 201210563728A CN 103020462 A CN103020462 A CN 103020462A
- Authority
- CN
- China
- Prior art keywords
- wind
- power plant
- wind turbine
- turbine generator
- wind power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000694 effects Effects 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 10
- 241000252067 Megalops atlanticus Species 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 241000220317 Rosa Species 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 6
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了风电场输出功率控制技术领域中的一种计及复杂尾流效应模型的风电场概率输出功率计算方法。包括:初始化参数;建立风电场尾流效应模型;初始化仿真年限n,运用序贯蒙特卡罗仿真方法得到风电场各个风电机组和连接电缆的运行状态曲线;在仿真年限n内,利用威布尔分布和风向玫瑰图分别对风速和风向进行模拟,得到规模均为M的风电场风速和风向序列,同时初始化时刻t;利用各个时刻风电场的风速和风向计算相应时刻风电场非故障风电机组的输出功率,进而计算风电场的总输出功率;运用聚类方法处理风电场的总输出功率序列从而得到风电场概率输出功率曲线。本发明有效提高了风电场输出功率模型的精确度,保证了风电场概率输出模型的准确性。
Description
技术领域
本发明属于风电场输出功率控制技术领域,尤其涉及一种计及复杂尾流效应模型的风电场概率输出功率计算方法。
背景技术
由于国际能源危机、环境问题的加剧恶化,风力发电技术的发展和政府部门的激励,风力发电在过去的几年内得到了飞速的增长。因风速具有随机性、波动性和不可控性,风电场的输出功率波动范围通常较大,且速度较快,使得大规模风电并网会带来电网调峰、无功控制及电压控制的困难,严重影响电网的安全稳定及正常调度。因此,如何把握这类电源的变化规律,建立更为符合风电场实际输出状况的模型成为进一步开发风电所迫切要求解决的问题,也是研究风电场大规模并网对电网影响的基础。同时,在研究并网风电场运行和规划方面的相关问题(如:潮流计算、稳定计算、短路计算和随机生产模拟等)时,也需要确定风电场的输出功率。
目前,在建立风电场功率输出模型时,大多数研究人员只考虑简单的尾流效应模型;在建立风电场可靠性模型时,只涉及风电机组的故障率。
发明内容
本发明的目的在于,提供一种计及复杂尾流效应模型的风电场概率输出功率计算方法,用于解决现有技术存在的不足。
为了实现上述目的,本发明提出的技术方案是,一种计及复杂尾流效应模型的风电场概率输出功率计算方法,其特征是所述方法包括:
步骤1:初始化参数,包括风电机组坐标,风电机组的风轮半径r0,风电机组的额定功率Pr,风电机组的切入风速vci,风电机组的切出风速vco,风电机组的额定风速vr,风电场风速的威布尔分布的尺度参数c,风电场风速的威布尔分布的形状参数k,风电场的风向玫瑰图,风电机组和连接电缆的故障率λ和修复时间μ;
步骤2:建立风电场尾流效应模型;
所述模型为:
其中,veq.j为风电场中下游风电机组WTj在所有上游风电机组共同影响下的等效风速;
v0为自然风的风速;
N为影响下游风电机组WTj的上游风电机组的个数;
Ashadij为上游风电机组WTi在下游风电机组WTj处的尾流影响区域的面积与下游风电机组WTj的风轮扫略面积的重叠部分的面积,且
xij为上游风电机组WTi和下游风电机组WTj之间的距离;
ri(xij)为上游风电机组WTi在下游风电机组WTj处的尾流影响半径,由Hensen模型求得,其计算公式为:
r为距离风电机组x处的尾流影响半径;
r0为风电机组的风轮半径;
kw为尾流下降系数;
h为风电机组风轮所处海拔高度;
h0为地面粗糙度;
hi为上游风电机组WTi风轮所处海拔高度;
hj为下游风电机组WTj风轮所处海拔高度;
Δh为上游风电机组WTi风轮所处海拔高度hi和下游风电机组WTj风轮所处海拔高度hj的差值的绝对值;
rj为下游风电机组WTj的风轮半径;
dij为上游风机WTi和下游风机WTj之间的水平间距;
vj(xij,hj)为下游风电机组WTj在上游风电机组WTi单独影响下的风速,且
vi为上游风电机组WTi的风速;
CT为推力系数;
步骤3:初始化仿真年限n,运用序贯蒙特卡罗仿真方法得到风电场各个风电机组和连接电缆的运行状态曲线;
步骤4:在仿真年限n内,利用威布尔分布和风向玫瑰图分别对风速和风向进行模拟,得到规模均为M的风电场风速和风向序列,同时初始化时刻t,M=n×8760;
步骤5:利用t时刻风电场的风速和风向计算t时刻风电场非故障风电机组的输出功率,进而计算风电场的总输出功率,具体包括步骤5.1-步骤5.4;
步骤5.1:根据风电场的风向,利用坐标变换公式 对t时刻风电场各处的非故障风电机组的坐标进行修正;其中,xl为风电机组l的经度,yl为风电机组l的纬度,zl为风电机组l的高度,δ为t时刻与前一时刻的风向的差值,x′l为变换后的风电机组l的经度,y′l为变换后的风电机组l的纬度,z′l为变换后的风电机组l的高度,Q为变换矩阵;
步骤5.2:利用风电场尾流效应模型计算t时刻风电场各处的非故障风电机组处的风速v;
步骤5.3:根据t时刻风电场各处的非故障风电机组的风速,利用风电机组的输出特性曲线计算t时刻风电场各处的非故障风电机组的输出功率;其中,计算t时刻风电场各处的非故障风电机组的输出功率的计算公式为:
其中,
步骤5.4:根据t时刻风电场各处连接电缆的运行状态,对与风电场故障电缆相关联的风电机组的输出功率予以删除,进而求得t时刻风电场的总输出功率,并令t=t+1;
步骤6:判断是否有t>M,如果t>M,则执行步骤7;否则,返回步骤5;
步骤7:将M个时刻的风电场的总输出功率按时间先后顺序排列,得到风电场的总输出功率序列,运用聚类方法处理风电场的总输出功率序列从而得到风电场概率输出功率曲线。
所述聚类方法为k-means法。
本发明在建立风电场功率输出模型时,采用复杂地形下尾流效应模型,该模型充分考虑风电场实际地形情况,能更好描述风电机组间的尾流效应;在建立风电场可靠性模型时,考虑了风电机组和连接电缆的故障率,更加符合风电场实际的运行状况;最后,采用聚类方法对风电场概率输出功率进行建模。本发明能有效提高风电场输出功率模型的精确度,从而保证风电场概率输出模型的准确性,为风电场的规划、调度提供相关可靠依据。
附图说明
图1是计及复杂尾流效应模型的风电场概率输出功率计算方法流程图;
图2是风电机组的部分遮挡尾流效应模型图;
图3是风电场风机布局图;
图4是风电机组链形连接方式图;
图5是风电场风向玫瑰图;
图6是风电场风速模拟曲线图;
图7是风电机组和连接电缆的运行状态图;
图8是风电场的实时输出功率曲线图;
图9是风电场的概率输出功率曲线图。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
实施例1
实施例1为本发明的原理说明。图1是计及复杂尾流效应模型的风电场概率输出功率计算方法流程图,如图1所示,本发明提供的方法包括:
步骤1:初始化参数,包括风电机组坐标,风电机组的风轮半径r0,风电机组的额定功率Pr,风电机组的切入风速vci,风电机组的切出风速vco,风电机组的额定风速vr,风电场风速的威布尔分布的尺度参数c,风电场风速的威布尔分布的形状参数k,风电场的风向玫瑰图,风电机组和连接电缆的故障率λ和修复时间μ。
步骤2:建立风电场尾流效应模型。
当处在风速下游的风电机组受到上游多台风机影响时,需考虑部分遮挡尾流效应模型。下游风电机组WTj和上游风机WTi的布局如图2所示,假设二者相距为xij上游风电机组WTi风轮所处海拔高度为hi,下游风电机组WTj风轮所处海拔高度为hj,则下游风电机组WTj受到上游风电机组WTi影响后的风速计算公式如下:
式中:vi为上游风电机组WTi处的风速,CT为推力系数,α为风速随高度变化系数,一般取α=1/7,rj为下游风电机组WTj的风轮半径,Arotor为风电机组的风轮扫略面积,且Ashad.ij为上游风电机组WTi在下游风电机组WTj处的尾流影响区域的面积与下游风电机组WTj的风轮扫略面积的重叠部分的面积(见图2阴影部分),计算公式可由下式求得:
式中:Δh为上游风电机组WTj风轮所处海拔高度hi和下游风电机组WTj风轮所处海拔高度hj的差值的绝对值,即Δh=|hi-hj|;ri(xij)为上游风电机组WTi在下游风电机组WTj处的尾流影响半径,由Jensen模型求得,其计算公式为:
式中:r为距离风电机组x处的尾流影响半径,单位:米;r0为风电机组的风轮半径,单位:米;h为风电机组风轮所处海拔高度,h0为地面粗糙度,h0为一常数;kw为尾流下降系数,其取值根据当地的地形和气候条件进行选取。当风力机接收到的是自然风速时,kw等于0.04,否则kw等于0.08。
复杂地形下风电场尾流效应模型中还考虑了Lissaman尾流效应模型,即不同风机安装的地点不同,具有不同的海拔高度,而风速随高度变化而变化,导致风电场的风速分布不均。具体公式如下:
在多机组的大型风电场中,处在风向下游的风电机组WTj很有可能受到上游多个风电机组WTi的尾流影响,故应考虑风电机组的多重尾流效应模型。模型假设多个上游机组对下游机组的共同影响等于各个上游机组对其单独影响之和,故下游机组WTj处的等效风速veq.j满足下式:
式中:v0为自然风的风速,单位:米/秒;N为影响下游风电机组WTj的上游风电机组的个数;veq.j为风电场中下游风电机组WTj在所有上游风电机组共同影响下的等效风速,单位:米/秒;vj(xij,hj)为下游风电机组WTj在上游风电机组WTi单独影响下的风速,单位:米/秒。
步骤3:初始化仿真年限n,运用序贯蒙特卡罗仿真方法得到风电场各个风电机组和连接电缆的运行状态曲线。
1、风电机组停运的蒙特卡罗仿真
风电机组停运模型采用运行、停运两状态Mar kov模型,用正常状态持续时间和修复时间来描述。由于风电机组结构相对简单,计划检修时间较短,而且计划检修可以安排在低风速时进行,在可靠性分析时可以不予考虑。一般认为正常运行持续时间和修复时间都服从指数分布,故可采用序贯蒙特卡罗法进行仿真,表达式为:
式中:τ1和τ2分别为正常状态持续时间和修复时间;λ为风电机组故障率;μ为风电机组修复率;γ1和γ2为[0,1]之间的均匀分布随机数;TMTTF为平均无故障工作时间;TMTTR为平均修复时间。
当某一风电机组停运时,不仅该机组的输出功率变为零,同时还对整个风电场的尾流效应有影响,即故障机组相当于不存在,对后面的机组无尾流影响。
2、连接电缆停运的蒙特卡罗仿真
连接电缆停运模型同样采用运行、停运两状态模型。在得知连接电缆故障率和修复率时,亦可采用上述风电机组故障蒙特卡罗仿真计算公式进行仿真。
从陆上风电场和海上风电场的设计经验来看,风电场的内部电气接线方式基本上有以下3种形式:链形、环形、星形。在不同的连接方式,连接电缆故障造成风电机组功率损失是不同的。链形情况下,距离回流母线越近的电缆故障造成的功率损失越大;环形情况下,一条连接电缆故障不会造成功率的损失;星形情况下,每台风力发电机及其电缆故障与否都不影响风电场其它部分的正常运行,并且能够实现独立调节。
步骤4:在仿真年限n内,利用威布尔分布和风向玫瑰图分别对风速和风向进行模拟,得到规模均为M的风电场风速和风向序列,同时初始化时刻t,M=n×8760。
在本发明中,设定每小时为1个时刻,每天为24个时刻,1年365天共有365×24=8760个时刻。由于设定的年限为n,所以要先得到M=n×8760个时刻风电场风速和风向序列,每个序列按照时刻先后顺序排序可以得到风电场风速序列和风向序列。
上述步骤3和步骤4已经是本领域技术人员的常用技术,因此在本发明中不再赘述。
步骤5:利用t时刻风电场的风速和风向计算t时刻风电场非故障风电机组的输出功率,进而计算风电场的总输出功率,具体包括步骤5.1-步骤5.4。
步骤5.1:根据风电场的风向,利用坐标变换公式 对t时刻风电场各处的非故障风电机组的坐标进行修正;其中,xl为风电机组l的经度,yl为风电机组l的纬度,zl为风电机组l的高度,δ为t时刻与前一时刻的风向的差值,x′l为变换后的风电机组l的经度,y′l为变换后的风电机组l的纬度,z′l为变换后的风电机组l的高度,Q为变换矩阵。
步骤5.2:利用风电场尾流效应模型计算t时刻风电场各处的非故障风电机组处的风速v。即利用步骤2中得到的公式(5)计算t时刻风电场各处的非故障风电机组处的风速v。
步骤5.3:根据t时刻风电场各处的非故障风电机组的风速,利用风电机组的输出特性曲线计算t时刻风电场各处的非故障风电机组的输出功率;其中,计算t时刻风电场各处的非故障风电机组的输出功率的计算公式为:
其中,
Pr、vci、vco和vr分别为风电机组的额定功率、风电机组的切入风速、风电机组的切出风速和风电机组的额定风速。
步骤5.4:根据t时刻风电场各处连接电缆的运行状态,对与风电场故障电缆相关联的风电机组的输出功率予以删除,进而求得t时刻风电场的总输出功率,并令t=t+1。
根据风电场连接电缆接线方式,分析风电机组是否因为电缆故障而不能将功率传输至汇流母线处,因电缆故障导致不能将功率传输到汇流母线处的风电机组的输出功率将不被计入风电场总的输出功率。
步骤6:判断是否有t>M,如果t>M,则执行步骤7;否则,返回步骤5。
步骤7:将M个时刻的风电场的总输出功率按时间先后顺序排列,得到风电场的总输出功率序列,运用聚类方法处理风电场的总输出功率序列从而得到风电场概率输出功率曲线。
聚类是数据挖掘的一个分支,它是指将物理或者抽象的集合分组成为多个类的过程,每一类又称为一个簇。处在同一个簇中的对象之间具有较高的相似性,不同簇中的对象则相异,k-means法是聚类算法中的一种常用方法。
设共有M个样本X1,X2,...,XM,计第i个样本Xi=[xi1,xi2,...,xip],则第i个样本与第j个样本之间的闵科夫斯基距离定义为:
式中q为正整数。当q=2时,称之为欧氏距离,即
样本i的轮廓值为
式中:a为样本i与同簇的其他样本之间的平均距离;b为一个向量,其元素是样本i与不同簇的簇内样本之间的平均距离。
轮廓值S(i)的取值范围为[-1,1],S(i)的值越大,说明样本i的分类越合理,当S(i)<0时,说明样本i的分类不合理,还有比目前分类更合理的方案。
基于上述k-means法的原理,本发明的步骤7的聚类过程是:
步骤101:先将风电场的总输出功率序列分为k个类,k为设定值。也就是将总输出功率序列中的总输出功率分别分配到k个类中,每个类作为一个样本。
步骤102:对每个样本进行标准化处理,即减去均值,除以标准差。
步骤103:选取k个样本作为初始聚类点。
步骤104:计算每个类的重心,作为聚类中心。
步骤105:分别计算选取的k个样本以外的其他样本与初始聚类点的距离,将它们归入与其距离最近的初始聚类点所属的类。
步骤106:重复上述步骤103-105,直至所有样本不能分配为至。
步骤107:根据上述公式(9)计算S(i),若S(i)≤0,首先重新选取初始聚类点进行聚类,直至S(i)满足S(i)>0,若所有的初始聚类点均不能满足,则重新输入k值,进行聚类。
同时,应按时段计算样本数据,当本时段样本数据与上一时段不同时,首先使用上一时段的聚类k值进行聚类,聚类结果若与上一时段相同,则继续使用该聚类结果;若与上一时段的结果不同,则重新输入k值聚类,使用本时段样本数据的聚类结果。
实施例2
实施例2结合实际数据说明本发明的实现过程。如图3所示,风电场含有80台风电机组,风电机组旁的数据是以测风塔为基准的相对风机高度。假设该风电场的内部电气接线方式的形式为链形,10kV汇流母线位于风电场左侧(见图4),图3中第一排风电机组对应图4中的分别为1#~10#风电机组,相应的电缆亦为1#~10#,以此类推;风电机组的具体参数为:风轮半径r0=45m,切入风速vci=3m/s,切出风速vco=25m/s,额定风速vr=12m/s,额定功率Pr=2MW,轮毂高度h=60m;风电场每月风速的威布尔分布参数c,k如表1所示,风电场的风电玫瑰图如图5所示。根据上述参数数据利用威布尔分布和风向玫瑰图进行模拟得到风电场的风速和风向,仿真时间为3年,仿真结果如图6所示。
表1风电场月风速的威布尔分布表
2、运用序贯蒙特卡罗仿真得到风电场各个风电机组和连接电缆的运行状态曲线,取风电机组故障率λWT=0.012次/年,修复率μWT=30天,取连接电缆故障率λCA=0.008次/年,μCA=12天,仿真时间为3年,仿真结果如图7所示,图中只画出了在模拟时间内发生故障的风电机组和连接电缆,未发生故障的没在图中表示。
3、运用复杂地形尾流效应模型和计及电缆故障的风电场可靠性模型,将风电场实时风速和风向代入到上述模型中进行计算,得到风电场的实时输出功率,计算结果如图8所示。
4、运用聚类思想对风电场的输出功率曲线进行聚类,得到风电场的概率输出功率曲线见图9。
本发明是计及复杂尾流效应模型的风电场概率输出功率建模方法,具有以下特点:
(1)采用复杂尾流效应模型模拟风电机组间的尾流影响,更加符合实际情况,有助于准确计算出各个风电机组的输入风速;
(2)考虑风电机组和连接电缆的故障率,贴近风电场的实际运行情况,更能准确描述风电场的整体功率输出;
(3)利用聚类方法建立风电场的概率输出功率模型,能更好地描述风电场的概率输出。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种计及复杂尾流效应模型的风电场概率输出功率计算方法,其特征是所述方法包括:
步骤1:初始化参数,包括风电机组坐标,风电机组的风轮半径R0,风电机组的额定功率Pr,风电机组的切入风速vci,风电机组的切出风速vco,风电机组的额定风速vr,风电场风速的威布尔分布的尺度参数c,风电场风速的威布尔分布的形状参数k,风电场的风向玫瑰图,风电机组和连接电缆的故障率λ和修复时间μ;
步骤2:建立风电场尾流效应模型;
所述模型为:
其中,veq.j为风电场中下游风电机组WTj在所有上游风电机组共同影响下的等效风速;
v0为自然风的风速;
N为影响下游风电机组WTj的上游风电机组的个数;
Ashad.ij为上游风电机组WTi在下游风电机组WTj处的尾流影响区域的面积与下游风电机组WTj的风轮扫略面积的重叠部分的面积,且
xij为上游风电机组WTi和下游风电机组WTj之间的距离;
ri(xij)为上游风电机组WTi在下游风电机组WTj处的尾流影响半径,由Jensen模型求得,其计算公式为:
r为距离风电机组x处的尾流影响半径;
r0为风电机组的风轮半径;
kw为尾流下降系数;
h为风电机组风轮所处海拔高度;
h0为地面粗糙度;
hi为上游风电机组WTi风轮所处海拔高度;
hj为下游风电机组WTj风轮所处海拔高度;
Δh为上游风电机组WTi风轮所处海拔高度hi和下游风电机组WTj风轮所处海拔高度hj的差值的绝对值;
rj为下游风电机组WTj的风轮半径;
dij为上游风机WTi和下游风机WTj之间的水平间距;
vj(xij,hj)为下游风电机组WTj在上游风电机组WTi单独影响下的风速,且
vi为上游风电机组WTi的风速;
CT为推力系数;
步骤3:初始化仿真年限n,运用序贯蒙特卡罗仿真方法得到风电场各个风电机组和连接电缆的运行状态曲线;
步骤4:在仿真年限n内,利用威布尔分布和风向玫瑰图分别对风速和风向进行模拟,得到规模均为M的风电场风速和风向序列,同时初始化时刻t,M=n×8760;
步骤5:利用t时刻风电场的风速和风向计算t时刻风电场非故障风电机组的输出功率,进而计算风电场的总输出功率,具体包括步骤5.1-步骤5.4;
步骤5.1:根据风电场的风向,利用坐标变换公式 对t时刻风电场各处的非故障风电机组的坐标进行修正;其中,xl为风电机组l的经度,yl为风电机组l的纬度,zl为风电机组l的高度,δ为t时刻与前一时刻的风向的差值,x′l为变换后的风电机组l的经度,y′l为变换后的风电机组l的纬度,z′l为变换后的风电机组l的高度,Q为变换矩阵;
步骤5.2:利用风电场尾流效应模型计算t时刻风电场各处的非故障风电机组处的风速v;
步骤5.3:根据t时刻风电场各处的非故障风电机组的风速,利用风电机组的输出特性曲线计算t时刻风电场各处的非故障风电机组的输出功率;其中,计算t时刻风电场各处的非故障风电机组的输出功率的计算公式为:
其中,
步骤5.4:根据t时刻风电场各处连接电缆的运行状态,对与风电场故障电缆相关联的风电机组的输出功率予以删除,进而求得t时刻风电场的总输出功率,并令t=t+1;
步骤6:判断是否有t>M,如果t>M,则执行步骤7;否则,返回步骤5;
步骤7:将M个时刻的风电场的总输出功率按时间先后顺序排列,得到风电场的总输出功率序列,运用聚类方法处理风电场的总输出功率序列从而得到风电场概率输出功率曲线。
2.根据权利要求1所述的方法,其特征是所述聚类方法为k-means法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210563728.6A CN103020462B (zh) | 2012-12-21 | 2012-12-21 | 计及复杂尾流效应模型的风电场概率输出功率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210563728.6A CN103020462B (zh) | 2012-12-21 | 2012-12-21 | 计及复杂尾流效应模型的风电场概率输出功率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020462A true CN103020462A (zh) | 2013-04-03 |
CN103020462B CN103020462B (zh) | 2016-01-13 |
Family
ID=47969060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210563728.6A Active CN103020462B (zh) | 2012-12-21 | 2012-12-21 | 计及复杂尾流效应模型的风电场概率输出功率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020462B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605912A (zh) * | 2013-12-10 | 2014-02-26 | 武汉大学 | 一种风电场功率外特性建模方法 |
CN103745024A (zh) * | 2013-11-26 | 2014-04-23 | 沈阳工业大学 | 基于三维尾流模型修正风电机组尾部风速功率特性评估法 |
CN104217376A (zh) * | 2014-09-18 | 2014-12-17 | 国电南瑞南京控制系统有限公司 | 一种故障风机损失发电量的估计方法 |
CN105184683A (zh) * | 2015-10-10 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 一种基于风电场运行数据的概率聚类分群方法 |
CN105891546A (zh) * | 2016-01-26 | 2016-08-24 | 沈阳工业大学 | 基于大数据的风电机组偏航系统中风向标故障诊断的方法 |
CN105913736A (zh) * | 2016-04-27 | 2016-08-31 | 沈阳工业大学 | 全地形风机布局模拟装置及全地形风机布局模拟方法 |
US9551322B2 (en) | 2014-04-29 | 2017-01-24 | General Electric Company | Systems and methods for optimizing operation of a wind farm |
CN106503341A (zh) * | 2016-10-31 | 2017-03-15 | 上海电力学院 | 一种风电场风机叶片选型优化方法 |
CN106599386A (zh) * | 2016-11-23 | 2017-04-26 | 上海电力学院 | 风电场风机叶片选型优化方法 |
CN106771370A (zh) * | 2016-12-21 | 2017-05-31 | 东软集团股份有限公司 | 一种风机测风仪检测方法及装置 |
CN103886179B (zh) * | 2014-02-25 | 2017-05-31 | 国家电网公司 | 一种基于尾流效应分群的风电场风机聚合方法 |
CN107035618A (zh) * | 2017-06-12 | 2017-08-11 | 电子科技大学 | 一种基于尾流效应的风电场优化控制方法 |
US10024304B2 (en) | 2015-05-21 | 2018-07-17 | General Electric Company | System and methods for controlling noise propagation of wind turbines |
US10385829B2 (en) | 2016-05-11 | 2019-08-20 | General Electric Company | System and method for validating optimization of a wind farm |
CN110427714A (zh) * | 2019-08-07 | 2019-11-08 | 国网山西省电力公司电力科学研究院 | 基于杆塔绕流效应风速模型对风电机组输出功率影响的研究方法 |
US10487804B2 (en) | 2015-03-11 | 2019-11-26 | General Electric Company | Systems and methods for validating wind farm performance improvements |
CN112149363A (zh) * | 2020-09-03 | 2020-12-29 | 南京理工大学 | 基于二维Jensen模型和双光束激光雷达的尾流区风机功率预测方法 |
CN112380695A (zh) * | 2020-11-13 | 2021-02-19 | 国网上海市电力公司 | 一种考虑实时风速的海上风电场集电系统可靠性获取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170208A (ja) * | 2004-12-17 | 2006-06-29 | General Electric Co <Ge> | ウィンドファームならびにその制御方法 |
CN101852172A (zh) * | 2010-03-09 | 2010-10-06 | 山东科技大学 | 一种考虑风电场内尾流影响的风电机组输入风速计算方法 |
CN101949363A (zh) * | 2010-09-21 | 2011-01-19 | 山东科技大学 | 计及风电场输入风速和风向随机波动的风电机组分组方法 |
-
2012
- 2012-12-21 CN CN201210563728.6A patent/CN103020462B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170208A (ja) * | 2004-12-17 | 2006-06-29 | General Electric Co <Ge> | ウィンドファームならびにその制御方法 |
CN101852172A (zh) * | 2010-03-09 | 2010-10-06 | 山东科技大学 | 一种考虑风电场内尾流影响的风电机组输入风速计算方法 |
CN101949363A (zh) * | 2010-09-21 | 2011-01-19 | 山东科技大学 | 计及风电场输入风速和风向随机波动的风电机组分组方法 |
Non-Patent Citations (2)
Title |
---|
F. GONZÁLEZ-LONGATT等: "Wake effect in wind farm performance: Steady-state and dynamic behavior", 《RENEWABLE ENERGY》, 16 September 2011 (2011-09-16) * |
汪海瑛等: "大规模风电场的发电充裕度与容量可信度评估", 《电网技术》, vol. 36, no. 6, 30 June 2012 (2012-06-30) * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745024B (zh) * | 2013-11-26 | 2018-12-04 | 沈阳工业大学 | 基于三维尾流模型修正风电机组尾部风速功率特性评估法 |
CN103745024A (zh) * | 2013-11-26 | 2014-04-23 | 沈阳工业大学 | 基于三维尾流模型修正风电机组尾部风速功率特性评估法 |
CN103605912A (zh) * | 2013-12-10 | 2014-02-26 | 武汉大学 | 一种风电场功率外特性建模方法 |
CN103605912B (zh) * | 2013-12-10 | 2016-06-08 | 武汉大学 | 一种风电场功率外特性建模方法 |
CN103886179B (zh) * | 2014-02-25 | 2017-05-31 | 国家电网公司 | 一种基于尾流效应分群的风电场风机聚合方法 |
US9551322B2 (en) | 2014-04-29 | 2017-01-24 | General Electric Company | Systems and methods for optimizing operation of a wind farm |
CN104217376A (zh) * | 2014-09-18 | 2014-12-17 | 国电南瑞南京控制系统有限公司 | 一种故障风机损失发电量的估计方法 |
CN104217376B (zh) * | 2014-09-18 | 2017-05-31 | 国电南瑞南京控制系统有限公司 | 一种故障风机损失发电量的估计方法 |
US10487804B2 (en) | 2015-03-11 | 2019-11-26 | General Electric Company | Systems and methods for validating wind farm performance improvements |
US10024304B2 (en) | 2015-05-21 | 2018-07-17 | General Electric Company | System and methods for controlling noise propagation of wind turbines |
CN105184683A (zh) * | 2015-10-10 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 一种基于风电场运行数据的概率聚类分群方法 |
CN105891546A (zh) * | 2016-01-26 | 2016-08-24 | 沈阳工业大学 | 基于大数据的风电机组偏航系统中风向标故障诊断的方法 |
CN105891546B (zh) * | 2016-01-26 | 2018-11-23 | 沈阳工业大学 | 基于大数据的风电机组偏航系统中风向标故障诊断的方法 |
CN105913736A (zh) * | 2016-04-27 | 2016-08-31 | 沈阳工业大学 | 全地形风机布局模拟装置及全地形风机布局模拟方法 |
CN105913736B (zh) * | 2016-04-27 | 2019-01-11 | 沈阳工业大学 | 全地形风机布局模拟装置及全地形风机布局模拟方法 |
US10385829B2 (en) | 2016-05-11 | 2019-08-20 | General Electric Company | System and method for validating optimization of a wind farm |
CN106503341A (zh) * | 2016-10-31 | 2017-03-15 | 上海电力学院 | 一种风电场风机叶片选型优化方法 |
CN106599386A (zh) * | 2016-11-23 | 2017-04-26 | 上海电力学院 | 风电场风机叶片选型优化方法 |
CN106771370A (zh) * | 2016-12-21 | 2017-05-31 | 东软集团股份有限公司 | 一种风机测风仪检测方法及装置 |
CN106771370B (zh) * | 2016-12-21 | 2019-05-17 | 东软集团股份有限公司 | 一种风机测风仪检测方法及装置 |
CN107035618A (zh) * | 2017-06-12 | 2017-08-11 | 电子科技大学 | 一种基于尾流效应的风电场优化控制方法 |
CN107035618B (zh) * | 2017-06-12 | 2019-03-01 | 电子科技大学 | 一种基于尾流效应的风电场优化控制方法 |
CN110427714A (zh) * | 2019-08-07 | 2019-11-08 | 国网山西省电力公司电力科学研究院 | 基于杆塔绕流效应风速模型对风电机组输出功率影响的研究方法 |
CN112149363A (zh) * | 2020-09-03 | 2020-12-29 | 南京理工大学 | 基于二维Jensen模型和双光束激光雷达的尾流区风机功率预测方法 |
CN112149363B (zh) * | 2020-09-03 | 2021-09-03 | 南京理工大学 | 基于二维Jensen模型和双光束激光雷达的尾流区风机功率预测方法 |
CN112380695A (zh) * | 2020-11-13 | 2021-02-19 | 国网上海市电力公司 | 一种考虑实时风速的海上风电场集电系统可靠性获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103020462B (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020462B (zh) | 计及复杂尾流效应模型的风电场概率输出功率计算方法 | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
Wu et al. | Economics-and reliability-based design for an offshore wind farm | |
CN104699936B (zh) | 基于计算流体力学短期风速预测的风电场扇区管理方法 | |
CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
CN103778340B (zh) | 大规模新能源发电特性的统计方法 | |
De-Prada-Gil et al. | Maximum wind power plant generation by reducing the wake effect | |
Han et al. | Four-dimensional wind speed model for adequacy assessment of power systems with wind farms | |
CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
CN104156892A (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
CN104133989B (zh) | 计及覆冰损失的风电场时序输出功率计算方法 | |
CN102663251A (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
WO2020097979A1 (zh) | 一种风电场控制参数优化方法及系统 | |
CN103942736B (zh) | 一种风电场多机等值建模方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN104217077A (zh) | 一种反映风速变化特性的风力发电出力随机模型建模方法 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN103996087A (zh) | 一种新能源发电功率预测方法及系统 | |
Bo et al. | Hybrid PSO-BP neural network approach for wind power forecasting | |
CN103971293B (zh) | 一种考虑天气的风电场可靠性建模方法 | |
CN103942620A (zh) | 采用复合数据源基于径向基核函数支持向量机的风电功率短期预测方法 | |
Efe et al. | 72hr forecast of wind power in Manisa, Turkey by using the WRF model coupled to WindSim | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |