CN107508319A - 一种考虑风机随机故障的样板机动态筛选方法 - Google Patents

一种考虑风机随机故障的样板机动态筛选方法 Download PDF

Info

Publication number
CN107508319A
CN107508319A CN201710768432.0A CN201710768432A CN107508319A CN 107508319 A CN107508319 A CN 107508319A CN 201710768432 A CN201710768432 A CN 201710768432A CN 107508319 A CN107508319 A CN 107508319A
Authority
CN
China
Prior art keywords
blower fan
processing machine
template processing
cluster
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.)
Pending
Application number
CN201710768432.0A
Other languages
English (en)
Inventor
孙立勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Kedong Electric Power Control System Co Ltd
State Grid Liaoning Electric Power Co Ltd
Original Assignee
Beijing Kedong Electric Power Control System Co Ltd
State Grid Liaoning Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Kedong Electric Power Control System Co Ltd, State Grid Liaoning Electric Power Co Ltd filed Critical Beijing Kedong Electric Power Control System Co Ltd
Priority to CN201710768432.0A priority Critical patent/CN107508319A/zh
Publication of CN107508319A publication Critical patent/CN107508319A/zh
Pending legal-status Critical Current

Links

Classifications

    • H02J3/386
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/70Wind energy
    • Y02E10/76Power conversion electric or electronic aspects

Landscapes

  • Wind Motors (AREA)

Abstract

本发明涉及电力系统新能源技术领域,尤其涉及一种考虑风机随机故障的样板机动态筛选方法。所述方法包括:(1)收集风机的特征参量;(2)风机分类;(3)令i=1;(4)选择中,与的欧拉距离最小的风机作为预设样板机,标记为并将其它风机按照与该预设样板机的欧拉距离从小到大进行排序;(5)求取中以预设样板机为参照的非样板机功率推演系数 (6)按照如下原则选择实际样板机;(7)计算相对推演系数并计算(8)重复步骤(4)~步骤(7),直至得到每一个聚类对应的

Description

一种考虑风机随机故障的样板机动态筛选方法
技术领域
本发明涉及电力系统新能源技术领域,尤其涉及一种考虑风机随机故障的样板机动态筛选方法。
背景技术
2013年1月18日,国家电监会发布《风电场弃风电量计算办法(试行)》(简称《办法》),明确在风电场出力受限时,采用样板机法计算风电受限电量,同时,要求风电场样板机选取数量原则上不超过风电机组数量的10%。现阶段,用于评价弃风量的样板机法主要应用于两种场景:一是用于预测未来弃风电量,指导考虑电网接纳风电能力的电力系统运行方式制定,从而能够以弃风量为约束优化运行方式取得经济和社会效益的平衡;二是通过估算已发生的弃风电量,排查弃风限电的主要影响因素,为解决弃风问题提供决策依据。
文献[1]提出一种基于样板机随机组合概率分布的样板机个数确定方法,该方法首先采用MonteCarlo方法统计出给定样板机个数下,不同样板机组合出力90%概率最大值,然后对该统计方式下所获得的“样板机个数v.s.90%概率最大值”成对数据样本进行双指数函数拟合,进而通过截断双指数函数中的快速衰减分量来定义样板机的个数,该方法经过甘肃河西地区典型风场弃风量的计算论证,误差为3%左右。文献[2]综合考虑风速、风向及风电机组运行状态多种因素,提出了以单台风电机组监测数据为基础的弃风电量计算方法及其分类指标的统计方法。专利[3]提出了一种基于样板机的风电场功率计算方法,但并未给出样本的选择方法。
目前样板机的筛选机制主要问题在于所确定的样板机数量并未考虑样板机的差异化特征,因此,当样板机自身由于检修或故障退出运行时,无法真实反映风场风能的发电量。
[1]丁坤,吕清泉,蔡旭,等.采用样板机法计算风电场弃风电量的实测数据统计分析[J].可再生能源,2016(1):56-63.
[2]蒿峰,朱长胜,王小海,等.风电场弃风电量分类统计方法研究[J].电网与清洁能源,2016,32(9):135-140.
[3]汪宁渤,马明,吕清泉,马彦宏,刘光途,贾怀森,赵龙,韩自奋,周强,王定美,路亮,张健美.晶于样板风机法的风电场理论功率计算方法:中国,201410360594.7[P].2014-07-28.
发明内容
针对背景技术中的问题,本发明的目的在于提供一种考虑风机随机故障的样板机动态筛选方法。
为了实现上述目的,本发明提出如下技术方案:
一种考虑风机随机故障的样板机动态筛选方法,其特征在于,对于一个包含NB+NP个风机的风场,其中样板机的个数为NB,风场的总实发功率PF表示为:
其中,Pi B分别代表第i个样板机和第j个非样板机的实测功率;
聚类类别的数量记作MFM,定义为不大于整个风场风机总数的10%,即,
对于某个聚类集合内的风机,取其聚类中心点为样板机,记作同时,计算出该类别中其它所有风机的功率修正系数;对于并且以及用代表类别的基数,则得到
其中,代表经由聚类中的样板机推算而来的第台风机的实际功率推演值,定义为第台风机对其所处聚类中样板机的功率推演系数,同理,定义为第台风机对其所处聚类中样板机的功率推演系数;据此,令再将式(2)和式(3)带入式(1),得到
其中,κj为风机聚类中第j台风机的功率推演系数;
考虑样板机由于检修或者故障退出运行时,的求解方法:
由式(3)看出,在一个聚类中,任意两个非样板机的功率表达为
根据式(5),如果将定义为新的样板机替代退出运行的样板机并定义相对推演系数
从而,
根据上述样板机的动态选择机制,得到如下考虑风机随机故障的样板机动态筛选方法的执行步骤:
(1)收集风机的特征参量;
(2)风机分类:假设风场中共有台风机,根据步骤(1)所述的过程,得到cw从而利用标准的模糊聚类算法对风机进行分类;
(3)令i=1;
(4)选择中,与的欧拉距离最小的风机作为预设样板机,标记为并将其它风机按照与该预设样板机的欧拉距离从小到大进行排序;
(5)求取中以预设样板机为参照的非样板机功率推演系数
(6)按照如下原则选择实际样板机:如果正常运行,则选择作为聚类集合的实际样板机,否则选择与其欧拉距离最近的正常风机作为样板机;将该步骤选择出的实际样板机标记为
(7)计算相对推演系数并计算
(8)令i=i+1,重复步骤(4)~步骤(7),直至得到每一个聚类对应的
(9)计算整个风场t时刻的风功,
按照需要,以PF为已知条件计算风场潜在发电量和弃风量等所关心的数值。
进一步地,步骤(1)中包括如下步骤:
(1.1)收集风场内各个风机在时刻t的历史功率输出数据;假设风机w在所统计的历史天数中,所在同一时刻t的输出功率所构成的集合为Nw为功率样本总数;求取该集合的均值和方差,分别记为
(1.2)将所有的风机汇集母线用自然数进行编号,在此基础上,鉴于任意风机能且只能连接至其中一条汇集母线,若假设风机w所联结的汇集母线编号为n,则定义再者,记录该风机的等高线高度hw,最后,若该风机位于迎风坡,否则,
(1.3)风机w的特征参量表示为
上述过程以此类推,得到风场每一个风机的cw,w=1,2,...。
进一步地,在所述步骤(2)中,假设总共得到MFM个分类,将所得的分类构成的集合标记为得到的过程如下:
首先,定义MFM等于风场中汇聚母线的条数,并建立
其中,表示第i风机特征向量隶属于第j个聚类的程度,即隶属度,m为模糊指数,采用工程经验系数m=2;cj表示第j个聚类的中心风机特征向量;
根据式(7)和(8)得到风机聚类的步骤如下:采用均匀分布随机初始化然后调用式(7)计算各个聚类的中心点,再将所得的聚类中心点带入式(8)更新所有的将更新后的隶属度和风机中心特征向量分别标记为并作为已知参数对式(9)进行求解,结果为出于各个聚类的结果;
接下来,以为已知条件,将式(7)和(8)应用于新的分类,如此反复,直至所有聚类中心特征向量不再发生变化,记为
与现有技术相比,本发明的有益效果为:
现有的样本机筛选方法,通常选择风场中的多台样本机作为固定样板机使用,一旦所选择的样板机因故障或者维护等原因退出运行时,难以维系风场弃风量的评估精度。本发明提出的样板机筛选方法,则依据风机运行工况变化,实时调整样本机,能够克服固定样本机的上述缺陷,从而提高风场各种运行工况下的弃风量评估精度。
具体实施方式
下面结合具体实施方式,对本发明的具体实施方案作详细的阐述。这些具体实施方式仅供叙述而并非用来限定本发明的范围或实施原则,本发明的保护范围仍以权利要求为准,包括在此基础上所作出的显而易见的变化或变动等。
术语解释:
样板机:为计算风电场的弃风量而从风电场的所有风机中选择的不参与限电的风机。
风电场弃风电量:在广义上定义为风电场理论发电量与风电场实际发电量的差值,在狭义上仅指风电场受电网输送能力限制或安全运行要求等因素影响,能发但却未能发出的电量。
样板机法是通过风电场提供的样板机出力来推算风电场理论出力从而得出风电场弃风电量的计算方法。
风机的特征参量定义为由实测功率均值实测功率方差所处汇集母线位置(idx)、所处等高线位置(h)以及迎风坡的性质(ww)所组成的向量,记为,
对于一个包含NB+NP个风机的风场,其中样板机的个数为NB,风场的总实发功率PF可以表示为:
其中,分别代表第i个样板机和第j个非样板机的实测功率。通常情况下,可以按照风机的特征参量,采用标准的模糊聚类算法对所有风机进行归类,具体的分类步骤,将在后文详细阐述。至于聚类类别的数量(记作MFM),可定义为不大于整个风场风机总数的10%,即,
对于某个聚类集合内的风机,取其聚类中心点为样板机,记作同时,计算出该类别中其它所有风机的功率修正系数,譬如,对于并且以及用代表类别的基数,则可以得到
其中,代表经由聚类中的样板机推算而来的第台风机的实际功率推演值,定义为第台风机对其所处聚类中样板机的功率推演系数,同理,定义为第台风机对其所处聚类中样板机的功率推演系数。据此,令再将式(2)和式(3)带入式(1),可以得到
其中,κj为风机聚类中第j台风机的功率推演系数。
通过式(4)可以看到,风场的总功率PF与每一个聚类的风机功率之和有关。以下阐述考虑样板机由于检修或者故障退出运行时,的求解方法。
由式(3)可以看出,在一个聚类中,任意两个非样板机的功率可以表达为
根据式(5),如果将定义为新的样板机替代退出运行的样板机并定义相对推演系数
从而,
根据上述样板机的动态选择机制,可以得到如下考虑风机随机故障的样板机动态筛选方法的执行步骤:
Step1)收集风机的特征参量。首先,收集风场内各个风机在时刻t的历史功率输出数据。譬如,以风机w为例,假设该风机在所统计的历史天数中,所在同一t时刻的输出功率所构成的集合为Nw为功率样本总数。求取该集合的均值和方差,分别记为其次,将所有的风机汇集母线用自然数进行编号,顺序可任意,在此基础上,鉴于任意风机能且只能连接至其中一条汇集母线,若假设风机w所联结的汇集母线编号为n,则定义再者,记录该风机的等高线高度hw,最后,若该风机位于迎风坡,否则,最终,风机w的特征参量可以表示为上述过程以此类推,可以得到风场每一个风机的cw,w=1,2,...。
Step2)风机分类。假设风场中共有台风机,根据Step1)所述的过程,可以得到从而可以利用标准的模糊聚类算法对风机进行分类。假设总共得到MFM个分类,将所得的分类构成的集合标记为以下阐述得到的过程。
首先,定义MFM等于风场中汇聚母线的条数,并建立
其中,表示第i风机特征向量隶属于第j个聚类的程度,即隶属度,m为模糊指数,数值越大,各个成员的隶属度越低,意味着各个聚类的模糊度越高,本发明采用工程经验系数m=2。cj表示第j个聚类的中心风机特征向量。根据式(7)和(8)得到风机聚类的步骤如下:采用均匀分布随机初始化然后调用式(7)计算各个聚类的中心点,再将所得的聚类中心点带入式(8)更新所有的将更新后的隶属度和风机中心特征向量分别标记为并作为已知参数对式(9)进行求解,结果为出于各个聚类的结果。
接下来,以为已知条件,将式(7)和(8)应用于新的分类,如此反复,直至所有聚类中心特征向量不再发生变化,记为
Step3)~Step9):样板机的选择步骤。
Step3)令i=1.
Step4)选择中,与的欧拉距离最小的风机作为预设样板机,标记为并将其它风机按照与该预设样板机的欧拉距离从小到大进行排序。很显然,对于预设样板机自身来说,它与自身的欧拉距离为0,应排在第一位。
Step5)求取中以预设样板机为参照的非样板机功率推演系数
Step6)按照如下原则选择实际样板机:如果正常运行,则选择作为聚类集合的实际样板机,否则选择与其欧拉距离最近的正常风机作为样板机。将该步骤选择出的实际样板机标记为
Step7)计算相对推演系数并计算
Step8)令i=i+1,重复Step4)~Step7),直至得到每一个聚类对应的
Step9)计算整个风场t时刻的风功,按照需要,以PF为已知条件可以计算风场潜在发电量和弃风量等所关心的数值。

Claims (3)

1.一种考虑风机随机故障的样板机动态筛选方法,其特征在于,
对于一个包含NB+NP个风机的风场,其中样板机的个数为NB,风场的总实发功率PF表示为:
<mrow> <msub> <mi>P</mi> <mi>F</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>B</mi> </msub> </munderover> <msubsup> <mi>P</mi> <mi>i</mi> <mi>B</mi> </msubsup> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>P</mi> </msub> </munderover> <msubsup> <mi>P</mi> <mi>j</mi> <mi>P</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中,Pi B分别代表第i个样板机和第j个非样板机的实测功率;
聚类类别的数量记作MFM,定义为不大于整个风场风机总数的10%,即,
对于某个聚类集合内的风机,取其聚类中心点为样板机,记作同时,计算出该类别中其它所有风机的功率修正系数;对于并且以及用代表类别的基数,则得到
其中,代表经由聚类中的样板机推算而来的第台风机的实际功率推演值,定义为第台风机对其所处聚类中样板机的功率推演系数,同理,定义为第台风机对其所处聚类中样板机的功率推演系数;据此,令再将式(2)和式(3)带入式(1),得到
其中,κj为风机聚类中第j台风机的功率推演系数;
考虑样板机由于检修或者故障退出运行时,的求解方法:
由式(3)看出,在一个聚类中,任意两个非样板机的功率表达为
根据式(5),如果将定义为新的样板机替代退出运行的样板机并定义相对推演系数
从而,
根据上述样板机的动态选择机制,得到如下考虑风机随机故障的样板机动态筛选方法的执行步骤:
(1)收集风机的特征参量;
(2)风机分类:假设风场中共有台风机,根据步骤(1)所述的过程,得到cw从而利用标准的模糊聚类算法对风机进行分类;
(3)令i=1;
(4)选择中,与的欧拉距离最小的风机作为预设样板机,标记为并将其它风机按照与该预设样板机的欧拉距离从小到大进行排序;
(5)求取中以预设样板机为参照的非样板机功率推演系数
(6)按照如下原则选择实际样板机:如果正常运行,则选择作为聚类集合的实际样板机,否则选择与其欧拉距离最近的正常风机作为样板机;将该步骤选择出的实际样板机标记为
(7)计算相对推演系数并计算
(8)令i=i+1,重复步骤(4)~步骤(7),直至得到每一个聚类对应的
(9)计算整个风场t时刻的风功,
按照需要,以PF为已知条件计算风场潜在发电量和弃风量等所关心的数值。
2.根据权利要求1所述的一种考虑风机随机故障的样板机动态筛选方法,其特征在于:
步骤(1)中包括如下步骤:
(1.1)收集风场内各个风机在时刻t的历史功率输出数据;假设风机w在所统计的历史天数中,所在同一时刻t的输出功率所构成的集合为Nw为功率样本总数;求取该集合的均值和方差,分别记为
(1.2)将所有的风机汇集母线用自然数进行编号,在此基础上,鉴于任意风机能且只能连接至其中一条汇集母线,若假设风机w所联结的汇集母线编号为n,则定义再者,记录该风机的等高线高度hw,最后,若该风机位于迎风坡,否则,
(1.3)风机w的特征参量表示为
上述过程以此类推,得到风场每一个风机的cw,w=1,2,...。
3.根据权利要求1所述的一种考虑风机随机故障的样板机动态筛选方法,其特征在于:
在所述步骤(2)中,假设总共得到MFM个分类,将所得的分类构成的集合标记为得到的过程如下:
首先,定义MFM等于风场中汇聚母线的条数,并建立
其中,表示第i风机特征向量隶属于第j个聚类的程度,即隶属度,m为模糊指数,采用工程经验系数m=2;cj表示第j个聚类的中心风机特征向量;
根据式(7)和(8)得到风机聚类的步骤如下:采用均匀分布随机初始化然后调用式(7)计算各个聚类的中心点,再将所得的聚类中心点带入式(8)更新所有的将更新后的隶属度和风机中心特征向量分别标记为并作为已知参数对式(9)进行求解,结果为cw出于各个聚类的结果;
接下来,以为已知条件,将式(7)和(8)应用于新的分类,如此反复,直至所有聚类中心特征向量不再发生变化,记为
CN201710768432.0A 2017-08-31 2017-08-31 一种考虑风机随机故障的样板机动态筛选方法 Pending CN107508319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710768432.0A CN107508319A (zh) 2017-08-31 2017-08-31 一种考虑风机随机故障的样板机动态筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710768432.0A CN107508319A (zh) 2017-08-31 2017-08-31 一种考虑风机随机故障的样板机动态筛选方法

Publications (1)

Publication Number Publication Date
CN107508319A true CN107508319A (zh) 2017-12-22

Family

ID=60694114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710768432.0A Pending CN107508319A (zh) 2017-08-31 2017-08-31 一种考虑风机随机故障的样板机动态筛选方法

Country Status (1)

Country Link
CN (1) CN107508319A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960778A (zh) * 2017-12-26 2019-07-02 北京金风慧能技术有限公司 计算风电场理论功率的方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104124685A (zh) * 2014-07-28 2014-10-29 国家电网公司 基于样板风机法的风电场理论功率计算方法
EP2884614A1 (en) * 2013-12-13 2015-06-17 Alstom Renovables España, S.L. Multiphase generator-conversion systems

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2884614A1 (en) * 2013-12-13 2015-06-17 Alstom Renovables España, S.L. Multiphase generator-conversion systems
CN104124685A (zh) * 2014-07-28 2014-10-29 国家电网公司 基于样板风机法的风电场理论功率计算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960778A (zh) * 2017-12-26 2019-07-02 北京金风慧能技术有限公司 计算风电场理论功率的方法和装置

Similar Documents

Publication Publication Date Title
CN110518880B (zh) 一种光伏电站状态诊断方法及装置
CN108306303B (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
CN107330056B (zh) 基于大数据云计算平台的风电场scada系统及其运行方法
CN106451474B (zh) 规模化空调负荷参与电网调峰优化调度方法
CN103337043B (zh) 电力通信设备运行状态的预警方法和系统
CN110533092B (zh) 一种基于运行工况的风力发电机组scada数据分类方法及应用
CN107482692B (zh) 风电场有功控制的方法、装置及系统
CN105930933A (zh) 风电场理论功率曲线确定方法及装置
CN103912448A (zh) 一种区域风电场机组功率特性监测方法
WO2013174146A1 (zh) 以降低网损为目标的多约束条件下风电送出功率优化评估方法
CN110674120A (zh) 一种风电场数据清洗方法及装置
CN106709607A (zh) 分布式光伏电站智能监控运维系统
CN106709819A (zh) 一种风电场功率预测综合评价方法
CN116993388A (zh) 一种电力系统中动态碳排放因子的确认方法及系统
CN109858125B (zh) 一种基于径向基神经网络的火电机组供电煤耗计算方法
CN106325258B (zh) 一种基于在线监测信息的继电保护装置状态评估方法
CN107508319A (zh) 一种考虑风机随机故障的样板机动态筛选方法
CN117273284A (zh) 一种面向企业用电平衡的异常数据监测系统
WO2024041409A1 (zh) 确定代表风力发电机组的方法和装置以及控制方法和装置
CN111950131B (zh) 一种考虑限电因素的风电场出力等值聚合模型构建方法
CN106786800A (zh) 基于大数据处理含光伏发电的电力系统经济调度分析方法
CN112241812A (zh) 基于单边优化与遗传算法协作的低压配电网拓扑识别方法
CN105242143B (zh) 基于多时段精密测量单元数据状态估计不良数据修正方法
Liu et al. Wind Turbine Fault Diagnosis Based on Feature Selection and Stacking Model Fusion with Small-scale Data.
CN117249537B (zh) 一种基于中央空调的虚拟电厂调度与控制系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220311