CN104734175B - 一种实现风电机组风速功率曲线的智能修正方法 - Google Patents
一种实现风电机组风速功率曲线的智能修正方法 Download PDFInfo
- Publication number
- CN104734175B CN104734175B CN201310710746.7A CN201310710746A CN104734175B CN 104734175 B CN104734175 B CN 104734175B CN 201310710746 A CN201310710746 A CN 201310710746A CN 104734175 B CN104734175 B CN 104734175B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- power
- turbine generator
- wind
- actual
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012937 correction Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 235000003434 Sesamum indicum Nutrition 0.000 claims description 2
- 244000000231 Sesamum indicum Species 0.000 claims description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 abstract 1
- 244000046052 Phaseolus vulgaris Species 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- H02J3/386—
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种实现风电机组风速功率曲线的智能修正方法，所述方法包括以下步骤：获取风电机组实际风速和实际功率运行数据；建立比恩区间风速‑功率值关系；获取风电机组风速‑功率多项式；修正风速‑功率多项式的系数。该方法能真实准确反映风电机组的风速‑功率特性，更能精确的对机组进行控制，并可以对实现各种类型及容量等级的风电机组的风速‑功率曲线进行修正。
Description
技术领域：
本发明涉及一种智能修正方法，更具体涉及一种实现风电机组风速功率曲线的智能修正方法。
背景技术：
随着能源与环保问题日益突出，近年来风力发电在全球迅速发展。由于风能是一种间歇性、随机性和波动性很大的一次能源，大规模风力发电的接入对电力系统的规划与运行、调度与控制都带来了新问题。随着风电比例的增加，风电在给我们带来多方面利益的同时，也带来了一些不利的影响，尤其是风电穿透功率超过一定值之后，可能会严重影响电网电能质量和电力系统稳定运行，并且可能会危及常规发电方式，主要表现在电压和频率会有较大幅度的波动。更重要的，当风电机组由于风速过大而退出运行时，可能会给电力系统造成难以承受的冲击。
如果能够对风电场的风速和发电功率做到比较准确的预测，则有利于电力系统调度部门必要时及时调整调度计划，从而有效地减轻风电接入对电网的影响。所以，风电机组发电功率的准确预测可以减少电力系统旋转备用和运行成本，提高风电穿透功率的极限，对于负荷管理和系统运行十分重要，且有益于在电力市场环境下正确指定电能交换计划，以充分利用风力资源，获得更多的经济效益和社会效益。
风电机组功率曲线一般厂家直接提供，然而，实际运行过程中风电机组会受到各种因素影响，包括机组运行状态、空气密度、所处地形、尾流效应等，这些因素都有可能使得风电机组的实际功率曲线偏离厂家提供的参考值。同时，实际运行时，风电场监控系统很难获取风功率预测数据，其采集的风速是机舱后测风仪的风速，该风速为风力机做功后的风速，很难与风电机组风速-功率曲线相对应，故需对相关模型进行修正，使其能够正确真实反映风电机组的功率特性。
发明内容：
本发明的目的是提供一种实现风电机组风速功率曲线的智能修正方法，该方法能真实准确反映风电机组的风速-功率特性。
为实现上述目的，本发明采用以下技术方案：一种实现风电机组风速功率曲线的智能修正方法，所述方法包括以下步骤：
（1）获取风电机组实际风速和实际功率运行数据；
（2）建立比恩区间风速-功率值关系；
（3）获取风电机组风速-功率多项式；
（4）修正所述步骤（3）中所获得的风速-功率多项式的系数。
本发明提供的一种实现风电机组风速功率曲线的智能修正方法，所述步骤（1）中，所述风电机组实际风速和实际功率运行数据均为同一风电机组出力不受限制情况下的风速和功率运行数据。
本发明提供的一种实现风电机组风速功率曲线的智能修正方法，所述步骤（2）中的比恩区间风速-功率值关系通过比恩法划分实际风速比恩区间，获取各实际风速比恩区间风电机组输出功率。
本发明提供的另一优选的一种实现风电机组风速功率曲线的智能修正方法，所述比恩法划分风速比恩区间为将所述实际风速的范围划分为一连串的间隔，在整个范围内按照IEC标准要求以0.5m/s作为一个间隔并得出其间隔数量，根据所述实际风速的大小分布在比恩区间，求取每个比恩区间的数据总体均值：
其中，Ui为实际风速比恩区间的数据总体均值，Pi为实际功率比恩区间的数据总体均值，Uij是第i个比恩、第j个平均风速，Pij是第i个比恩、第j个平均功率，Ni是在第i个比恩中数据集的数目。
本发明提供的再一优选的一种实现风电机组风速功率曲线的智能修正方法，所述步骤（3）中所述风电机组风速-功率多项式通过最小二乘法获取，所述风速-功率曲线多项式为三次多项式。
本发明提供的又一优选的一种实现风电机组风速功率曲线的智能修正方法，所述步骤（4）中通过神经网络法动态修正所述风速-功率多项式的系数。
本发明提供的又一优选的一种实现风电机组风速功率曲线的智能修正方法，通过自适应线性神经元网络和最小均方算法实现所述风速-功率拟合多项式系数微调，动态智能修正风电机组风速-功率运行曲线。
本发明提供的又一优选的一种实现风电机组风速功率曲线的智能修正方法，所述自适应线性神经元网络是通过被控对象实际输出响应与神经网络输出响应的差值进行学习训练；在学习训练过程中，通过最小均方算法对数值向量调整直到数值收敛于误差平方和构成的目标函数最小，从而完成自适应功能。
本发明提供的又一优选的一种实现风电机组风速功率曲线的智能修正方法，剔除所述风电机组实际风速和实际功率运行数据中的无效数据并获得经处理后的风电机组实际风速和实际功率分布图。
和最接近的现有技术比，本发明提供技术方案具有以下优异效果
1、本发明的方法通过诸如运行状态、空气密度、所处地形、尾流效应等因素的实际运行数据，采用该法获取的风速-功率曲线相比厂家提供风速-功率曲线，更能反映机组的实况，因此，无论是对于机组的精确控制，还是对于风电机组发电功率的准确预测的意义都是非常明显的；
2、本发明的方法无需增加硬件，经济成本低；
3、本发明的方法具备通用性，可实现各种类型及容量等级的风电机组的风速-功率曲线修正；
4、本发明的方法具备很好的扩展性，可以方便地扩展至光伏发电系统等新能源发电系统；
5、本发明的方法能真实准确反映风电机组的风速-功率特性，提高风电机组控制精度。
附图说明
图1为本发明风电机组风速-功率曲线的智能修正方法流程图；
图2为本发明的ADALINE神经网络结构模型结构示意图；
图3为本申请某额定容量为800kW风电机组实际风速功率分布图；
图4为本申请某额定容量为800kW风电机组划分比恩的风速-功率散点图；
图5为本发明通过多项式拟合方法获得的风电机组风速-功率曲线；
图6为本发明通过ADALINE神经网络实现的风速-功率动态修正曲线。
具体实施方式
下面结合实施例对发明作进一步的详细说明。
实施例1：
如图1所示，本例的发明实现风电机组风速-功率曲线的智能修正方法，其方法步骤如下：
步骤1：获取风电机组实际运行数据，剔除无效数据，获得经处理后的风电机组风速、功率分布图；所述风电机组实际风速和实际功率运行数据均为同一风电机组出力不受限制情况下的风速和功率运行数据。
步骤2：通过比恩法划分实际风速比恩区间，获取各实际风速比恩区间风电机组输出功率，建立比恩区间风速-功率值关系。
所述比恩法划分风速比恩区间为将风速划分成IEC标准规定的0.5m/s间隔的风速区间并得出其间隔数量，根据所述实际风速的大小分布在比恩区间，每个比恩区间的风速与功率均采用总体均值为：
其中，Ui为实际风速比恩区间的数据总体均值，Pi为实际功率比恩区间的数据总体均值，Uij是第i个比恩、第j个平均风速，Pij是第i个比恩、第j个平均功率，Ni是在第i个比恩中数据集的数目。
步骤3：基于空气动力学原理，采用最小二乘法对风电机组功率与风速的关系曲线进行拟合。
步骤4：利用Widrow-Hoff算法和最小均方（LMS）算法的学习规则对步骤3中获得的风电机组风速-功率拟合多项式系数进行动态微调。
自适应线性神经元（ADALINE）网络是一个连续时间线性网络，其模型结构如图2所示。图2中经过单位延迟单元的输入向量Z(nT)的各分量被一组系数向量W(nT)对应的分量加权，并以和的形式产生输出：
Z(nT)＝[z(nT),z(n-1)T,…z(n-p)T]T,
W(nT)＝[w0(nT),w1(nT),…,wp(nT)]T （3）
其中，权值向量W(nT)可以通过学习算法进行修改。修改算法如下：
式中，α为权值修正系数。
神经网络即自适应线性元件ADALINE的目标是采用被控对象实际输出响应与神经网络输出响应的差值进行学习训练，在学习训练过程中，用LMS对数值向量调整直到数值收敛于下列误差平方和构成的目标函数最小，从而完成自适应功能。
LMS算法可以用矩阵表示为：
W(k+1)＝W(k)+2αe(k)pT(k) （5）
和
b(k+1)＝b(k)+2αe(k) （6）
其中误差e和偏置量b是向量。
设:
xk+1＝xk+2αe(k)z(k) （7）
两边求期望值得：
E[xk+1]＝E[xk]+2αE[e(k)Z(k)] （8）
将误差用代入得：
最后，用zT(k)xk替换整理后得：
E[xk+1]＝E[xk]+2α{E[tkz(k)]-E[(z(k)zT(xk))xk]} （10）
由于xk独立于z(k)，从而得：
E[xk+1]＝E[xk]+2α{h-RE[xk]} （11）
即：
E[xk+1]＝[I-2αR]E(xk)+2αh （12）
当[I-2αR]的所有特征值在单位圆内时，此动态系统趋于稳定。[I-2αR]的特征值将为1-2αλi，其中λi是R的特征值，其中R为相关矩阵。因此系统稳定的条件为：
1-2αλi>-1 （13）
由于λi>0，1-2αλi总是小于1。因此稳定的条件为：
0＜α＜1/λmax （14）
为对本发明所提出的方法做具体说明，下面结合附图3-6，通过实例对本发明作进一步详细说明。
某额定功率为800kW的风电机组风速-功率曲线原始风速-功率曲线如图3所示。设0.5m/s为一个比恩，对样本数据划分比恩区间后的风速-功率散点图如图4所示。利用数据差值方法对各比恩区间获得的风速-功率数据进行多项式差值，进行风电机组风速-功率拟合。根据空气动力学模型可知，在未达最大功率之前，风电机组的输出可近似认为与风速的三次方成正比关系，为能正确拟合风速-功率曲线，多项式最高次必须大于等于3。利用Matlab平台提供的多项式拟合函数polyfit进行三次多项式拟合，曲线分别如附图4所示，拟合三次多项式：
由于风电机组在实际运行过程中受到各种因素影响，相同风速情况时风电机组输出的功率存在差异，因此需要对拟合的曲线进行智能修正，使拟合曲线能自适应的根据当前风速获取风电机组输出功率，为风电场实现有功控制提供依据。在具体实施过程中，利用Matlab平台通过编写LMS算法的M文件实现。在调用LMS函数时，需要初始化步长因子，且根据LMS算法的收敛性获得初始步长因子：
rand()*(1/rho_max) （16）
其中，rho_max为输入矩阵特征值的最大值。
利用步骤（4）及上述初始化条件对训练数据采用ADALINE神经网络实现风速-功率动态修正曲线如图6所示，附图1中神经网络的权值向量Wl设置为三次多项式各系数，迭代次数设置为2。经神经网络修正后的曲线表示为：
最后应该说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本权利要求范围当中。
Claims (6)
1.一种实现风电机组风速功率曲线的智能修正方法，其特征在于：所述方法包括以下步骤：
(1)获取风电机组实际风速和实际功率运行数据；
(2)建立比恩区间风速-功率值关系；
(3)获取风电机组风速-功率多项式；
(4)修正所获得的风速-功率多项式的系数；
所述风电机组实际风速和实际功率运行数据均为同一风电机组出力不受限制情况下的风速和功率运行数据；
剔除所述风电机组实际风速和实际功率运行数据中的无效数据并获得经处理后的风电机组实际风速和实际功率分布图；
通过自适应线性神经元网络和最小均方算法实现所述风速-功率拟合多项式系数微调，动态智能修正风电机组风速-功率运行曲线。
2.如权利要求1所述的一种实现风电机组风速功率曲线的智能修正方法，其特征在于：所述步骤(2)中的比恩区间风速-功率值关系通过比恩法划分实际风速比恩区间，获取各实际风速比恩区间风电机组输出功率。
3.如权利要求2所述的一种实现风电机组风速功率曲线的智能修正方法，其特征在于：所述比恩法划分风速比恩区间为将所述实际风速的范围划分为一连串的间隔，在整个范围内按照IEC标准要求以0.5m/s作为一个间隔并得出其间隔数量，根据所述实际风速的大小分布在比恩区间，求取每个比恩区间的数据总体均值：
<mrow>
<msub>
<mi>U</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中，Ui为实际风速比恩区间的数据总体均值，Pi为实际功率比恩区间的数据总体均值，Uij是第i个比恩、第j个平均风速，Pij是第i个比恩、第j个平均功率，Ni是在第i个比恩中数据集的数目。
4.如权利要求1所述的一种实现风电机组风速功率曲线的智能修正方法,其特征在于：所述步骤(3)中所述风电机组风速-功率多项式通过最小二乘法获取，所述风速-功率曲线多项式为三次多项式。
5.如权利要求1所述的一种实现风电机组风速功率曲线的智能修正方法，其特征在于：所述步骤(4)中通过神经网络法动态修正所述风速-功率多项式的系数。
6.如权利要求1所述的一种实现风电机组风速功率曲线的智能修正方法，其特征在于：所述自适应线性神经元网络是通过被控对象实际输出响应与神经网络输出响应的差值进行学习训练；在学习训练过程中，通过最小均方算法对数值向量调整直到数值收敛于误差平方和构成的目标函数最小，从而完成自适应功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310710746.7A CN104734175B (zh) | 2013-12-20 | 2013-12-20 | 一种实现风电机组风速功率曲线的智能修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310710746.7A CN104734175B (zh) | 2013-12-20 | 2013-12-20 | 一种实现风电机组风速功率曲线的智能修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104734175A CN104734175A (zh) | 2015-06-24 |
| CN104734175B true CN104734175B (zh) | 2018-01-19 |
Family
ID=53457769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310710746.7A Active CN104734175B (zh) | 2013-12-20 | 2013-12-20 | 一种实现风电机组风速功率曲线的智能修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104734175B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107542627B (zh) * | 2016-06-27 | 2020-12-01 | 中国船舶重工集团海装风电股份有限公司 | 一种风力发电机组功率曲线绘制方法及绘制系统 |
| CN106355512A (zh) * | 2016-08-26 | 2017-01-25 | 华北电力大学 | 一种基于概率密度极大值优化的风电机组功率曲线拟合方法 |
| CN108661930A (zh) * | 2018-05-14 | 2018-10-16 | 广东环葆嘉节能科技有限公司 | 一种风量可视化控制方法及装置 |
| CN109086253A (zh) * | 2018-07-20 | 2018-12-25 | 西安西热电站信息技术有限公司 | 一种基于可靠性维度的风电机组损失电量计算方法 |
| CN109002650A (zh) * | 2018-08-21 | 2018-12-14 | 同济大学 | 一种风电机组功率曲线建模方法 |
| CN109256814A (zh) * | 2018-11-30 | 2019-01-22 | 国网江苏省电力有限公司南通供电分公司 | 一种风电机组功率曲线的智能修正方法 |
| CN111311021A (zh) * | 2020-03-12 | 2020-06-19 | 广西电网有限责任公司 | 一种风电场理论功率预测方法、装置、设备和存储介质 |
| CN111860956A (zh) * | 2020-06-18 | 2020-10-30 | 浙江运达风电股份有限公司 | 基于发电量可利用率的风电机组损失电量在线计算方法 |
| CN115980504B (zh) * | 2023-03-21 | 2023-08-11 | 中车山东风电有限公司 | 一种风力发电机组发电性能在线检测方法及检测终端 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3903967B2 (ja) * | 2003-07-31 | 2007-04-11 | 株式会社日立製作所 | 風力発電システム |
| CN102411729B (zh) * | 2011-11-04 | 2013-10-09 | 国电南京自动化股份有限公司 | 基于自适应线性逻辑网络的风电功率预测方法 |
| CN103291544B (zh) * | 2013-06-21 | 2016-01-13 | 华北电力大学 | 数字化风电机组功率曲线绘制方法 |
| CN103362741B (zh) * | 2013-07-12 | 2015-07-08 | 浙江运达风电股份有限公司 | 基于adaline技术的风力发电机组系统辨识方法 |
-
2013
- 2013-12-20 CN CN201310710746.7A patent/CN104734175B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104734175A (zh) | 2015-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104734175B (zh) | 一种实现风电机组风速功率曲线的智能修正方法 | |
| US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| US11326579B2 (en) | Adaptive dynamic planning control method and system for energy storage station, and storage medium | |
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN107039977B (zh) | 电力系统鲁棒调度不确定集构建方法 | |
| CN111092429B (zh) | 一种柔性互联配电网的优化调度方法、存储介质及处理器 | |
| CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
| CN113363998A (zh) | 一种基于多智能体深度强化学习的配电网电压控制方法 | |
| WO2022121446A1 (zh) | 控制系统、无功电压控制方法和装置、介质以及计算装置 | |
| CN112803434A (zh) | 有源配电网的无功优化方法、装置、设备和存储介质 | |
| CN110867903A (zh) | 一种基于深度神经网络的智能电网系统实时最优功率分配方法 | |
| CN112103941A (zh) | 考虑电网灵活性的储能配置双层优化方法 | |
| Xu et al. | Short-term wind power forecasting based on Elman neural network with particle swarm optimization | |
| CN111614110A (zh) | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 | |
| CN109256814A (zh) | 一种风电机组功率曲线的智能修正方法 | |
| CN114722693A (zh) | 一种水轮机调节系统二型模糊控制参数的优化方法 | |
| CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
| CN108494017A (zh) | 一种基于逆变器的自治型微电网系统分布式协调控制方法 | |
| CN113250917B (zh) | 海上风机阵列输出指令控制方法、系统、装置及存储介质 | |
| CN115313510A (zh) | 一种自适应无功补偿的光伏逆变器控制方法与系统 | |
| CN110518644B (zh) | 风电场的无功优化方法、装置及风电场 | |
| CN112165086A (zh) | 一种主动配电网在线优化系统 | |
| CN111146787A (zh) | 一种用于风场电池储能系统的虚拟惯量控制方法 | |
| CN110661268A (zh) | 一种新能源汇集站点的动态无功补偿需求确定方法及系统 | |
| CN117411033B (zh) | 一种基于径向神经网络的惯量阻尼控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |