CN103225588B

CN103225588B - 基于模式识别技术的风力发电功率曲线优化方法

Info

Publication number: CN103225588B
Application number: CN201210021630.8A
Authority: CN
Inventors: 贾利民; 雷涛; 刘展
Original assignee: BEIJING NEGO AUTOMATION TECHNOLOGY Co Ltd
Current assignee: Beijing nenggaopukang measurement and Control Technology Co., Ltd
Priority date: 2012-01-31
Filing date: 2012-01-31
Publication date: 2015-05-13
Anticipated expiration: 2032-01-31
Also published as: CN103225588A

Abstract

本发明公开一种基于模式识别技术的风力发电机组功率曲线优化方法。本发明提出的风力发电机组功率曲线优化优化方法分为4个步骤，最终通过确定最优工作模式动态选取最优功率曲线。本发明主要解决针对具有典型气候周期变化特征的风资源区域，风频分布往往会随着时间周期变化，通过动态模式识别技术确定当前工作模态，基于当前工作模态选择最优功率曲线有效的提升了风力发电机组的动态容量系数。

Description

基于模式识别技术的风力发电功率曲线优化方法

技术领域

本发明属于风力发电技术领域，涉及基于模式识别技术的风力发电机组功率曲线优化方法。

背景技术

风能是目前最具有经济价值的可再生能源，根据中国国家发改委能源研究所发布《中国风电发展路线图2050》，中国风电未来40年的发展目标：到2020年、2030年和2050年，风电装机容量将分别达到2亿、4亿和10亿千瓦，到2050年，风电将满足17%的国内电力需求。

目前，风力发电机组已经成为风能利用的主要设备，风力发电成本仍然明显高于传统的火电、水电发电成本。

风电场年发电量、并网电价、寿命周期、建设费用和运营维护成本直接决定着风能利用的经济效益，而对于已建成的风电场，提高容量系数是直接提高发电量提高风电经济效益的关键环节之一。

在不同风资源条件下，由于风频分布的不同、空气密度不同以及湍流强度不同即使同种型号的风力发电机组年发电量也有可能存在较大的差异。

在许多风资源区域，风资源呈现季节性、季风性等变化规律，在一年的不同时间段内风速频率分布可能有较明显的变化。

在风电场内由于各台风力发电机组的地理位置不同，同时风机之间受到相互影响导致各台风力发电机组所在点的风资源条件往往也不相同。

风力发电机组由于控制工作点的不同，在不同风速下风能利用率也不同，对于确定的风资源和确定的风力发电机组存在最优控制方案，通过最优控制方案控制风力发电机组功率曲线与风资源条件最优匹配使风力发电机组理论年发电量最大。

目前已经投入使用的风力发电机组，往往在同一风电场内所有风力发电机组的功率曲线完全一致，同时在风力发电机组寿命周期内往往一直采用初始设置的功率曲线。

发明内容

本发明提出一种基于模式识别技术的风力发电机组功率曲线优化方法。

本发明的技术方案是基于模式识别技术的风力发电机组功率曲线优化方法，该方法包括以下步骤：

步骤1：对风力发电机组预存多条适合不同典型风资源条件的功率曲线；

步骤2：获取风力发电机组工作模式识别信息；

步骤3：确定风力发电机组工作模式；

步骤4：基于模式识别结果确定风力发电机组功率曲线。

步骤1中，风资源条件主要指风频分布模型，通常可以用威布尔来进行描述，其计算公式可以表述为：

式中

为风频分布概率密度函数；

表示平均风速；

表示形状参数；

表示尺度参数。

步骤2中，风力发电机组工作模式识别信息主要包括工作当前日期，风速统计数据以及相关环境参数。

步骤3中，确定风力发电机组工作模式可以采用根据工作日期确定，该方法主要针对风资源变化季节性或季风性周期变化规律较强的风资源区域，可以根据具体日期结合农历节气进行风机工作模式识别。

步骤3中，确定风力发电机组工作模式可以通过系统辨识的方法实现，该方法通过动态辨识当前区域风频模型，选取与辨识模型最接近的工作模态作为风力发电机工作模态。

步骤3中，风频分布模型辨识数据来源于当前时刻以前时间内的风速采样以及历史同期当前时刻以后的时间内的风速采样，表示辨识数据时间长度范围。

风频模型辨识采用根据风速的累积频率进行估计，首先将辨识风速数据按照风速出现范围划分为个间隔：，统计每个风速间隔中风速出现的频率，和积累频率，，参数辨识可以根据最小二乘法按照下式计算：

风力发电机组工作模态确定可以采用通过计算各条预存功率曲线的容量系数，选取容量系数最大的功率曲线对应的模态作为风力发电机组工作模态。

容量系数可以按照下式计算：

式中：

表示容量系数；

表示功率曲线；

表示功率曲线对应的额定功率

风力发电机组工作模态确定也可以通过计算各功率曲线对应的风频模型与辨识模型的接近程度确定，选取与辨识模型最接近的模态作为风力发电机组工作模态。相关计算可以按照下式进行：

式中：

表示风力发电机组切入风速；

表示风力发电机组切出风速；

表示各典型风频模型对应的线性化斜率系数，其计算参考风频模型辨识方法；

表示各典型风频模型对应的线性化常数项系数，其计算参考风频模型辨识方法。

本发明主要解决针对具有典型气候周期变化特征的风资源区域，风频分布往往会随着时间周期变化，通过动态模式识别技术确定当前工作模态，基于当前工作模态选择最优功率曲线有效的提升了风力发电机组的动态容量系数。

本发明方法即可以适用于针对风电场每台风力发电机组进行基于模式识别技术的功率曲线优化，也可以适用于针对风电场基于模式识别技术的风力发电机组统一功率曲线优化。

附图说明

图1基于模式识别技术的风力发电机组功率曲线优化流程图

具体实施方式

步骤1中，预存多条适合不同典型风资源条件的功率曲线可以通过要求风电整机厂预先设计或者通过采用风力发电机组功率曲线优化方法设计针对不同典型风资源条件的功率曲线。

步骤2中，瞬时风速的测量一般可以采用风力发电机组机舱自带的风速计进行测量，也可以通过有效瞬时风速估计的方法对瞬时风速进行估计，有效风速估计方法如下：

式中：

表示有效瞬时估计风速；

表示通过风轮气动特性，推导出的有效风速估计非线性模型，该模型可以通过非线性建模方法实现；

表示风轮桨距角；

表示风轮的气动力矩；

表示风轮的转速。

步骤2中，风速统计数据采用平均风速，平均风速计算可以通过对平均时间段内瞬时风速求平均值求取，求取公式为：

式中：

表示平均风速；

，表示平均时间段内采样点数；

表示瞬时风速。

平均风速计算也可以通过测量风机平均输出功率，依据平均输出功率根据风机所使用的功率曲线查表求取平均风速，风机输出平均功率求取公式为：

式中：

表示风机平均输出功率；

，表示平均时间段内采样点数；

表示瞬时测量风机输出功率；

表示并网能量；

表示平均功率周期。

本发明可以通过编写软件模块嵌入主控系统实现，也可以通过构建自适应功率曲线优化系统通过与主控的通讯实现。

本发明提出了一种通过对风机工作模态识别，智能优化选取风力发电机组功率曲线使机组出力与风频分布实现动态最优匹配。

Claims

1.基于模式识别技术的风力发电机组功率曲线优化方法，其特征是包括以下步骤：

步骤2：获取风力发电机组工作模式识别信息,工作模式识别信息包括工作当前日期，风速统计数据以及相关环境参数；

步骤3：确定风力发电机组工作模式，通过步骤2中获取的工作当前日期，结合农历节气进行风机工作模式识别，该方法针对风资源变化季节性或季风性周期变化规律较强的风资源区域；通过步骤2中获取的风速统计数据，采用系统辨识的方法，动态辨识当前区域风频模型，选取与辨识模型最接近的工作模式作为风力发电机工作模式；此外，通过计算各条预存功率曲线的容量系数，选取容量系数最大的功率曲线对应的模式作为风力发电机组工作模式，容量系数按照下式计算：

F_{c} = \frac{{&Integral;}_{0}^{\infty} f (v) P (v) dv}{P_{r}}

式中：F_c表示容量系数、P(v)表示功率曲线、P_r表示功率曲线对应的额定功率；

步骤4：基于模式识别结果确定风力发电机组功率曲线，根据步骤3中确定的风电机组工作模式，查询步骤1中所预存的风力发电机组功率曲线，并将查询到的风力发电机组功率曲线作为风电机组最优的功率曲线。

2.根据权利要求1所述基于模式识别技术的风力发电机组功率曲线优化方法，其特征是风频模型辨识数据来源于当前时刻以前T/2时间内的风速采样以及历史同期当前时刻以后的T/2时间内的风速采样，T表示辨识数据时间长度范围。

3.根据权利要求1所述基于模式识别技术的风力发电机组功率曲线优化方法，其特征是风频模型辨识采用根据风速的累积频率进行估计，首先将辨识风速数据按照风速出现范围划分为n个间隔：0～v₁，v₁～v₂，…，v_n-1～v_n，统计每个风速间隔中风速出现的频率f₁，f₂,…，f_n和积累频率p₁＝f₁，p₂＝p₁+f₂,…,p_n＝p_n-1+f_n,参数辨识根据最小二乘法按照下式计算：

\{\begin{matrix} c = \exp (- \frac{a}{b}) \\ k = b \\ a = \frac{Σ x_{i}^{2} Σ y_{i} - Σ x_{i} Σ x_{i} y_{i}}{nΣ x_{i}^{2} - {(Σ x_{i})}^{2}} \\ b = \frac{Σ x_{i}^{2} Σ y_{i} - Σ x_{i} Σ x_{i} y_{i}}{nΣ x_{i}^{2} - {(Σ x_{i})}^{2}} \\ x_{i} = \ln v_{i} \\ y_{i} = \ln [- \ln (1 - p_{i})] \end{matrix}

风力发电机组工作模式通过计算各功率曲线对应的风频模型与辨识模型的接近程度确定，选取与辨识模型最接近的模态作为风力发电机组工作模态。相关计算按照下式进行：

\min ({&Integral;}_{{\ln v}_{in}}^{{\ln v}_{off}} | (b_{i} - b) x + a_{i} - a | dx)

式中：

v_in表示风力发电机组切入风速；

v_off表示风力发电机组切出风速；

b_i表示各典型风频模型对应的线性化斜率系数；

a_i表示各典型风频模型对应的线性化常数项系数。

4.根据权利要求1所述基于模式识别技术的风力发电机组功率曲线优化方法，其特征是所述方法既可以适用于针对风电场每台风力发电机组进行基于模式识别技术的功率曲线优化，也可以适用于针对风电场基于模式识别技术的风力发电机组统一功率曲线优化。