CN105574610A - 一种风力发电机组优化启动控制方法 - Google Patents

Abstract

本发明公开了一种风力发电机组优化启动控制方法，该方法利用时间序列分析法建立风速序列的AR(p)模型，利用卡尔曼滤波算法得到未来10min风速的预测值，再将前10min的平均风速与后10min预测风速相结合来作为执行风机启动动作的依据，充分保证了风机启动后的发电能力，减少了小风速季节风机的不合理启动，延长了设备寿命，提高了设备可用率，减少了自耗电，提高了发电量。

Description

一种风力发电机组优化启动控制方法

技术领域：

本发明属于电力系统风力发电技术领域，具体涉及一种风力发电机组优化启动控制方法。

背景技术：

随着我国风电技术的发展和对开发利用可再生能源的重视，风力发电近几年在我国得到了飞速发展，其中2012年全国累计安装风电机组53764台，装机容量75324.2MW，2013年全国累计装机容量91412.89MW，截止2014年12月，全国累计安装风电机组76241台，累计装机容量114609MW。

风电装机容量的增大势必对风电机组的利用效率和可靠性提出更高的要求。由于风速、风向总是频繁变化的且具有随机性，风电机组长期工作在交变载荷的作用下，工作环境恶劣，从而使机组在运行过程中故障率增高，性能下降，发电量减少。为提高机组发电量、降低故障率，各种有效地风电机组控制策略、算法被提出，但多集中于风力机控制、发电机控制、并网控制和偏航控制，风力发电机的启动控制却未能取得有效发展。

现行的风力发电机组启动并网的控制策略为：首先，风电机组在自检正常的情况下，叶轮处于自由运动状态，当连续10min风速在风力发电机组运行风速的范围内(3m/s<v<25m/s)且叶轮正对风向时，桨距角控制器调节叶片桨距角，使风力发电机组启动，发电机开始加速，当发电机空载转速保持在切入转速时，变流器对励磁电流幅值、相位和频率进行控制，使得发电机定子空载电压和电网电压同频率、同相位、同幅值，此时闭合并网接触器实现并网。

上述的控制机组启动的依据是前10min的平均风速，并未考虑未来的风速。在小风速季节，有可能前10min的平均风速已经达到切入风速，在机组启动后又降到切入风速以下，从而出现机组没有并网就停机，或频繁启停、频繁并网脱网的情况。这类启动没有带来多少发电量，反而增加了机组的自耗电和设备疲劳损耗，使故障率升高。因此需合理规划小风期风机启动的时机，减少不合理启动，取得在发电量、设备寿命和自耗电三者之间的平衡。

发明内容：

本发明的目的在于针对上述风机启动控制策略在小风期的不足，提出了一种风力发电机组优化启动控制方法，该方法利用时间序列分析法建立风速序列的AR(p)模型，利用卡尔曼滤波算法得到未来10min风速的预测值，再将前10min的平均风速与后10min预测风速相结合来作为执行风机启动动作的依据，充分保证了风机启动后的发电能力，减少了小风速季节风机的不合理启动，延长了设备寿命，提高了设备可用率，减少了自耗电，提高了发电量。

为达到上述目的，本发明采用如下技术方案来实现的：

一种风力发电机组优化启动控制方法，用于小风速季节风电机组的优化启动控制，包括以下步骤：

1)采集风速历史数据库，每隔10min求一次风速平均值，将此平均值设为样本点，共取得N个样本点{x(k)}，k＝1,2,…,N.

2)基于时间序列分析法建立风速数据的AR(p)模型，AR(p)模型的表达式如下：

其中：

w(k)为零均值且方差为σ²的白噪声；为所建模型的待估系数；q^-1、q^-p分别为单位滞后算子和p阶滞后算子；利用AIC准则确定模型阶数p，利用矩估计法确定参数i＝1,2,3,…,p；

3)基于AR(p)模型，建立卡尔曼滤波算法的状态方程和测量方程，如下：

$\left\{\begin{array}{c}X\left(k+1\right)=F\&CenterDot;X\left(k\right)+\mathrm{\&Gamma;}w\left(k+1\right)\\ Z\left(k+1\right)=H\&CenterDot;X\left(k+1\right)+v\left(k+1\right)\end{array}\right.---\left(3\right)$

其中，X(k+1)为k+1时刻的状态向量；F为系统状态转移矩阵；Γ为激励转移矩阵；Z(k+1)为k+1时刻的观测向量；H为测量系统的观测状态矩阵；w(k+1)和v(k+1)分别为过程白噪声向量和测量白噪声向量，协方差矩阵分别为Q和R；

根据式(1)和式(2)可得：

将式(4)变形为：

令x₁(k)＝x(k)，x₂(k)＝x(k-1)，…，x_p(k)＝x(k-p+1)，则有

由于x₂(k+1)＝x₁(k)，x₃(k+1)＝x₂(k)，…，x_p(k+1)＝x_p-1(k)，因此可得：

根据上述状态方程，建立如下观测方程：

$Z(k+1)=\left[\begin{array}{ccccc}1& 0& ...& 0& 0\end{array}\right]\&CenterDot;\left[\begin{array}{c}{x}_1(k+1)\\ x_2(k+1)\\ .\\ .\\ .\\ x_{p-1}(k+1)\\ x_p(k+1)\end{array}\right]+v(k+1)---\left(8\right)$

其中，v(k+1)为观测噪声；式(7)和式(8)即为卡尔曼滤波的状态方程和观测方程；

4)利用卡尔曼滤波算法对风速序列进行在线滤波，其中卡尔曼滤波的递推方程如下：

X(k+1|k)＝F·X(k|k)(9)

P(k+1|k)＝F·P(k|k)·F^T+ΓQΓ^T(10)

K(k+1)＝P(k+1|k)H^T[H·P(k+1|k)·H^T+R]^-1(11)

X(k+1|k+1)＝X(k+1|k)+K(k+1)[Z(k+1)-H·X(k+1|k)](12)

P(k+1|k+1)＝[I-K(k+1)·H]·P(k+1|k)(13)

其中，X(k+1|k)表示在k时刻对k+1时刻的状态预测，P(k+1|k)表示预测值X(k+1|k)的预测误差协方差矩阵；K(k+1)为卡尔曼增益矩阵；X(k+1|k+1)为k+1时刻的测量值Z(k+1)对状态预测值X(k+1|k)的更新，为系统状态的最优估计；P(k+1|k+1)为X(k+1|k+1)的估计误差协方差矩阵；I为单位矩阵；

5)卡尔曼滤波中X(k+1|k)中的分量x₁(k+1|k)即为下一个10min的平均风速预测值，将其与k时刻前10min的实际平均风速求平均值v_ave(k)，若v_ave(k)>3m/s，风机在k时刻开桨启动；若v_ave(k)<3m/s，风机在k时刻不执行启动动作。

本发明进一步的改进在于：在步骤4)中，为了使卡尔曼滤波尽快收敛，取初值X[0|0]为滤波开始前p个采样点构成的向量，P[0|0]＝10I，Q＝I，R＝I。

本发明进一步的改进在于：在步骤5)中，首先判断卡尔曼滤波是否收敛，判断方法为：若k>k_s时，||X(k|k)-Z(k)||≤εm/s，则认为卡尔曼滤波已经收敛，ε表示状态估计值X(k|k)与实际测量值Z(k)的允许偏差范围，取值为(0,1]。

与现有技术比较，本发明根据风速序列的AR(p)模型建立卡尔曼滤波方程的状态方程和测量方程后，根据步骤4)和步骤5)判断风机在时刻k是否应该启动。经过测量和计算得到下一个10min的平均风速后，依据式(8)建立Z(k+1)，通过式(11)～式(13)对X(k+1|k)和P(k+1|k)进行更新，得到第k+1个样本点的最优状态估计X(k+1|k+1)和协方差矩阵P(k+1|k+1)，再根据式(9)和式(10)计算X(k+2|k+1)和协方差矩阵P(k+2|k+1)，将X(k+2|k+1)中的分量x₁(k+2|k+1)与k+1时刻前10min的实际平均风速求平均值v_ave(k+1)，从而判断风机在第k+1时刻是否启动。依次递推，可在线判断风机在当前时刻是否应该启动。

因此，具有以下有益的技术效果：

1)在小风期可以保证机组启动后的发电能力，避免了机组启动后不发电或者频繁并网脱网的状态，减少了不合理启动；

2)大大减少设备的疲劳损耗，从而减少设备故障率，延长使用寿命，减少备品备件的消耗和检修维护工作量；

3)减少风力发电机组的自耗电量，为风电场节约成本；

4)提高机组可利用率，保证机组在大风时段的发电能力，从而提高机组的总体发电量。

附图说明：

图1为本发明基于风速预测的风力发电机组优化启动控制方法流程图。

具体实施方式：

如图1所示，下面结合某风电场2015年8月份小风期某机型风力发电机组的优化启动控制实例对本发明进一步进行详细说明。

1)选取3台启动次数高、耗电量高、故障率高的机组为试验机组。试验机组号：D-05、E-19、F-26。

2)采集试验机组8月份前5天的风速数据，每10min平均风速作为一个样本点，共720个样本点，利用时间序列分析法分别建立其风速序列的AR(p)模型。

D-05风速序列模型：

x(k+1)＝0.548x(k)+0.169x(k-1)-0.0078x(k-2)+0.2487x(k-3)+w(k)

E-19风速序列模型：

x(k+1)＝0.768x(k)-0.2453x(k-1)+0.0078x(k-2)+w(k)

F-26风速序列模型：

x(k+1)＝0.698x(k)+0.3753x(k-1)+0.0102x(k-2)-0.1645x(k-3)+w(k)

3)利用试验机组风速序列的AR(p)模型，建立其卡尔曼滤波的状态方程和测量方程。

D-05的卡尔曼状态方程和测量方程：

$\left[\begin{array}{c}{x}_1\left(k+1\right)\\ x_2\left(k+1\right)\\ x_3\left(k+1\right)\\ x_4\left(k+1\right)\end{array}\right]=\left[\begin{array}{cccc}0.548& 0.169& -0.0078& 0.2487\\ 1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\end{array}\right]\&CenterDot;\left[\begin{array}{c}{x}_1\left(k\right)\\ x_2\left(k\right)\\ x_3\left(k\right)\\ x_4\left(k\right)\end{array}\right]+\left[\begin{array}{c}1\\ 0\\ 0\\ 0\end{array}\right]\&CenterDot;w\left(k+1\right)$

$Z(k+1)=\left[\begin{array}{cccc}1& 0& 0& 0\end{array}\right]\&CenterDot;\left[\begin{array}{c}{x}_1(k+1)\\ x_2(k+1)\\ x_3\left(k+1\right)\\ x_4\left(k+1\right)\end{array}\right]+v(k+1)$

E-19的卡尔曼状态方程和测量方程：

$\left[\begin{array}{c}{x}_1\left(k+1\right)\\ x_2\left(k+1\right)\\ x_3\left(k+1\right)\end{array}\right]=\left[\begin{array}{ccc}0.768& -0.2453& 0.0078\\ 1& 0& 0\\ 0& 1& 0\end{array}\right]\&CenterDot;\left[\begin{array}{c}{x}_1\left(k\right)\\ x_2\left(k\right)\\ x_3\left(k\right)\end{array}\right]+\left[\begin{array}{c}1\\ 0\\ 0\end{array}\right]\&CenterDot;w\left(k+1\right)$

$Z(k+1)=\left[\begin{array}{ccc}1& 0& 0\end{array}\right]\&CenterDot;\left[\begin{array}{c}{x}_1(k+1)\\ x_2(k+1)\\ x_3(k+1)\end{array}\right]+v(k+1)$

F-26的卡尔曼状态方程和测量方程：

$\left[\begin{array}{c}{x}_1\left(k+1\right)\\ x_2\left(k+1\right)\\ x_3\left(k+1\right)\\ x_4\left(k+1\right)\end{array}\right]=\left[\begin{array}{cccc}0.698& 0.3753& 0.0102& -0.1645\\ 1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\end{array}\right]\&CenterDot;\left[\begin{array}{c}{x}_1\left(k\right)\\ x_2\left(k\right)\\ x_3\left(k\right)\\ x_4\left(k\right)\end{array}\right]+\left[\begin{array}{c}1\\ 0\\ 0\\ 0\end{array}\right]\&CenterDot;w\left(k+1\right)$

$Z(k+1)=\left[\begin{array}{cccc}1& 0& 0& 0\end{array}\right]\&CenterDot;\left[\begin{array}{c}{x}_1(k+1)\\ x_2(k+1)\\ x_3\left(k+1\right)\\ x_4\left(k+1\right)\end{array}\right]+v(k+1)$

4)取初值X[0|0]为滤波开始前p个采样点构成的向量，P[0|0]＝10I，Q＝I，R＝I，根据式(9)～式(13)对三个试验机组的风速序列进行在线卡尔曼滤波。

5)设ε＝0.1m/s，当||X(k|k)-Z(k)||≤0.1m/s时，即认为卡尔曼滤波已经收敛。取X(k+1|k)中的分量x₁(k+1|k)与前10min的实际平均风速求平均值v_ave(k)。若v_ave(k)>3m/s，风机开桨启动；若v_ave(k)<3m/s，风机不执行启动动作。依次递推，在线判断风机在当前风况下是否启动。

6)统计试验机组在2015年8月的启动次数、故障指标、耗电量、发电量，并与2014年8月的数据进行对比，结果见表1和表2。

表1试验机组采用优化启动控制前后故障指标对比

表2试验机组采用优化启动控制前后耗电量和发电量对比

从表1和表2可以看出，进行启动控制优化调整后试验机组的启动次数、故障停机次数、故障停机时间、耗电量均有所减少，发电量有所增加。可见，进行优化启动控制后减少了风机的启机次数，从而减少了耗电量和设备损耗，降低了风机故障停机次数、故障停机时间，提高了设备可靠性，增加了发电量。

Claims (3)

1.一种风力发电机组优化启动控制方法，其特征在于，用于小风速季节风电机组的优化启动控制，包括以下步骤：

1)采集风速历史数据库，每隔10min求一次风速平均值，将此平均值设为样本点，共取得N个样本点{x(k)}，k＝1,2,…,N.

2)基于时间序列分析法建立风速数据的AR(p)模型，AR(p)模型的表达式如下：

其中：

w(k)为零均值且方差为σ²的白噪声；为所建模型的待估系数；q^-1、q^-p分别为单位滞后算子和p阶滞后算子；利用AIC准则确定模型阶数p，利用矩估计法确定参数i＝1,2,3,…,p；

3)基于AR(p)模型，建立卡尔曼滤波算法的状态方程和测量方程，如下：

$\left\{\begin{array}{c}X(k+1)=F\&CenterDot;X\left(k\right)+\mathrm{\&Gamma;}w(k+1)\\ Z(k+1)=H\&CenterDot;X(k+1)+v(k+1)\end{array}\right.---\left(3\right)$

其中，X(k+1)为k+1时刻的状态向量；F为系统状态转移矩阵；Γ为激励转移矩阵；Z(k+1)为k+1时刻的观测向量；H为测量系统的观测状态矩阵；w(k+1)和v(k+1)分别为过程白噪声向量和测量白噪声向量，协方差矩阵分别为Q和R；

根据式(1)和式(2)可得：

将式(4)变形为：

令x₁(k)＝x(k)，x₂(k)＝x(k-1)，…，x_p(k)＝x(k-p+1)，则有

由于x₂(k+1)＝x₁(k)，x₃(k+1)＝x₂(k)，…，x_p(k+1)＝x_p-1(k)，因此可得：

根据上述状态方程，建立如下观测方程：

$Z(k+1)=\&lsqb;\begin{array}{ccccc}1& 0& ...& 0& 0\end{array}\&rsqb;\&CenterDot;\left[\begin{array}{c}{x}_1(k+1)\\ x_2(k+1)\\ .\\ .\\ .\\ x_{p-1}(k+1)\\ x_p(k+1)\end{array}\right]+v(k+1)---\left(8\right)$

其中，v(k+1)为观测噪声；式(7)和式(8)即为卡尔曼滤波的状态方程和观测方程；

4)利用卡尔曼滤波算法对风速序列进行在线滤波，其中卡尔曼滤波的递推方程如下：

X(k+1|k)＝F·X(k|k)(9)

P(k+1|k)＝F·P(k|k)·F^T+ΓQΓ^T(10)

K(k+1)＝P(k+1|k)H^T[H·P(k+1|k)·H^T+R]^-1(11)

X(k+1|k+1)＝X(k+1|k)+K(k+1)[Z(k+1)-H·X(k+1|k)](12)

P(k+1|k+1)＝[I-K(k+1)·H]·P(k+1|k)(13)

其中，X(k+1|k)表示在k时刻对k+1时刻的状态预测，P(k+1|k)表示预测值X(k+1|k)的预测误差协方差矩阵；K(k+1)为卡尔曼增益矩阵；X(k+1|k+1)为k+1时刻的测量值Z(k+1)对状态预测值X(k+1|k)的更新，为系统状态的最优估计；P(k+1|k+1)为X(k+1|k+1)的估计误差协方差矩阵；I为单位矩阵；

5)卡尔曼滤波中X(k+1|k)中的分量x₁(k+1|k)即为下一个10min的平均风速预测值，将其与k时刻前10min的实际平均风速求平均值v_ave(k)，若v_ave(k)>3m/s，风机在k时刻开桨启动；若v_ave(k)<3m/s，风机在k时刻不执行启动动作。

2.根据权利要求1所述的风力发电机组优化启动控制方法，其特征在于：

在步骤4)中，为了使卡尔曼滤波尽快收敛，取初值X[0|0]为滤波开始前p个采样点构成的向量，P[0|0]＝10I，Q＝I，R＝I。

3.根据权利要求1所述的风力发电机组优化启动控制方法，其特征在于：在步骤5)中，首先判断卡尔曼滤波是否收敛，判断方法为：若k>k_s时，||X(k|k)-Z(k)||≤εm/s，则认为卡尔曼滤波已经收敛，ε表示状态估计值X(k|k)与实际测量值Z(k)的允许偏差范围，取值为(0,1]。