CN108399429A - 基于大数据挖掘技术的风电场群发电能力评估方法 - Google Patents
基于大数据挖掘技术的风电场群发电能力评估方法 Download PDFInfo
- Publication number
- CN108399429A CN108399429A CN201810142929.6A CN201810142929A CN108399429A CN 108399429 A CN108399429 A CN 108399429A CN 201810142929 A CN201810142929 A CN 201810142929A CN 108399429 A CN108399429 A CN 108399429A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- wind farm
- farm group
- generating capacity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 230000005611 electricity Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 230000005684 electric field Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000005290 field theory Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于大数据挖掘技术的风电场群发电能力评估方法，具体步骤为：多种传感器的风电场风速获取；风电场内立体式风速分布关联图建立；多种方法数据融合的风电场发电能力评估；进行风电场群风速立体网络建立；实现基于大数据挖掘技术的风电场群发电能力评估。本发明公开的方法创新性的引用基于空间降尺度的风电场群相关性区域划分方法，使风速计算和获取更为精确；使用标杆风机法、修正风速网络方法、理论出力还原表法计算总理论出力，同时将卡尔曼数据融合应用在理论出力方面，使得总理伦出力计算更为准确。
Description
技术领域
本发明属于电力系统技术领域，具体涉及风电场风速获取、风电场内风速分布关联图、风电场群风速立体网络建立、风电场发电能力评估等内容，尤其涉及一种基于大数据挖掘技术的风电场群发电能力评估方法。
背景技术
随着国际社会对环境问题的日益关注以及能源技术的不断进步，替代煤炭和石油的清洁能源增长迅速。风能作为一种清洁、无污染、可再生的新能源，越来越受到各界的重视。我国风能资源的理论蕴藏量为32.26亿kW，可开发的装机容量就有2.53亿kW，居世界首位，与可开发的水电装机容量(3.78亿kW)为同一量级，具有形成商业化、规模化发展的资源潜力。而风电场群在风能的使用上是处在核心位置上的，所以风电场群能够稳定、持续、精确地工作，是我们使用风能的一个重要基石。随着风力发电产业的迅猛发展，风力发电场的数量越来越多，电站建设和运行工程中也暴露出很多问题，虽然现在对此的研究越来越多，但很多问题因为受影响因素较多还很难进行分析。此外在解决这些问题的时候，很多措施往往在实施前都不能保证可行性，只能通过实际实验来验证，成本高周期长，相对盲目。
随着风电的大规模开发，风电接入给电网安全运行和调度控制等都带来了巨大挑战。越来越多的风电场接入电网，如何提高风电场群的出力计算精度，对电力安全生产至关重要。同时我国风力发电弃风弃光问题非常严重，已经给新能源的发展造成了一定的影响。为了解决这一问题，对风电场的理论出力分析研究，找出能够比较实际反应风电场理论出力方面的方法和模型，为弃风电量计算提供科学的理论依据。因此，研究风电场群理论出力非常必要。
为了能够提高风能利用率和利用总量同时满足国家电网要求，基于大数据挖掘技术的风电场群发电能力评估方法下的日趋重要。
发明内容
针对现有技术的上述缺陷，本发明的目的在于提供一种基于大数据挖掘技术的风电场群发电能力评估方法，对风电场的理论出力分析研究，找出能够比较实际反应风电场理论出力方面的方法和模型，为弃风电量计算提供科学的理论依据
为实现上述目的，本发明提供了一种基于大数据挖掘技术的风电场群发电能力评估方法，所述方法包括如下步骤：
步骤1.基于多种传感器获取风电场风速；
步骤2.建立风电场内立体式风速分布关联图；
步骤3.实施含基于多种方法数据融合的风电场发电能力评估方法；
步骤4.建立风电场群风速立体网络。
进一步地，所述步骤1中中所述所述基于多种传感器获取风电场风速的具体过程如下：
采用卡尔曼滤波器法数据融合和贝叶斯估计法分别对机头风速和测风塔风速进行进行数据融合；
将上述两组融合风速取平均值，作为最终风速。
进一步地，所述步骤2中所述建立风电场内立体式风速分布关联图的具体过程如下：
进行基于尾流模型的风速空间分布特性分析；
进行基于平均风速模拟的风速时间分布特性分析；
最终得到了风电场内立体式风速分布关联图。
进一步地，所述步骤3中所述实施含基于多种方法数据融合的风电场发电能力评估方法的具体过程如下：
根据标杆风机法计算理论出力；
根据修正风速网络方法计算理论出力；
根据理论出力还原表法计算总理论出力；
将三组得到的理论出力值进行卡尔曼滤波器数据融合，得到更为精确的单个风电场的理论出力。
进一步地，所述步骤4中所述建立风电场群风速立体网络的具体过程如下：
基于考虑时延信息的修正经验变异函数来划分风电场群相关性区域；
基于空间升尺度求取风电场群风速；
计算得到风电场群风速立体网络图；
最终根据获得的各个风电场风速网络图，结合步骤3.所述基于多种方法数据融合的风电场发电能力评估方法分别计算出每个风电场的理论总出力，最终得到风电场群发电能力评估值。
本发明为风电场的建设者找出能够比较实际反应风电场理论出力方面的方法和模型，为弃风电量计算提供科学的理论依据，保障风电场群能够稳定、持续、精确地工作，提高风能利用率和利用总量同时满足国家电网要求。
1)采用多传感器数据融合方法进行实际风速测量，集合卡尔曼数据融合技术和贝叶斯数据融合技术，取二者各自取得的融合风速的平均值，既提高了风速的精度，更提高了整个系统的可信度；
2)利用基于尾流模型的风速空间分布特性分析和基于平均风速模拟的风速时间分布特性分析，精确获取风电场内部风速关联图；
3)采用基于空间升尺度的风电场群风速求取方法，在单一相关性区域内，选取参考风电场，利用相关性分析，基于参考风电场的风速分布，给出相关性区域内其他风电场的风速分布；
4)对标杆风机法、修正风速网络方法和理论处理还原表法得到的三组理论出力进行卡尔曼数据融合，得到更为精确的单个风电场的理论出力。
附图说明
图1是本发明一较佳实施例的风电场群风速立体网络建立总流程示意图。
图2是本发明一较佳实施例的多种传感器的风电场风速获取总流程图。
图3是本发明一较佳实施例的风电场内立体式风速分布示意图。
图4是本发明另一较佳实施例的标杆风机法计算理论出力流程示意图。
图5是本发明一较佳实施例的修正风速网络方法计算理论出力流程示意图。
图6是本发明一较佳实施例的理论出力还原表法计算总理论出力流程示意图。
图7是本发明一较佳实施例的多种方法数据融合的风电场发电能力评估方法示意图。
具体实施方式
下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
一种基于大数据挖掘技术的风电场群发电能力评估方法，涉及到风电场风速获取、风电场内风速分布关联图、风电场群风速立体网络建立、风电场发电能力评估等内容，基于大数据挖掘技术对风电场群发电能力进行评估。其流程如图1所示，具体包括如下步骤：
步骤1.基于多种传感器获取风电场风速；
步骤2.建立风电场内立体式风速分布关联图；
步骤3.实施含基于多种方法数据融合的风电场发电能力评估方法；
步骤4.建立风电场群风速立体网络。
进一步地，所述步骤1中中所述所述基于多种传感器获取风电场风速的具体过程如下：
采用卡尔曼滤波器法数据融合和贝叶斯估计法分别对机头风速和测风塔风速进行进行数据融合；
将上述两组融合风速取平均值，作为最终风速。
进一步地，所述步骤2中所述建立风电场内立体式风速分布关联图的具体过程如下：
进行基于尾流模型的风速空间分布特性分析；
进行基于平均风速模拟的风速时间分布特性分析；
最终得到了风电场内立体式风速分布关联图。
进一步地，所述步骤3中所述实施含基于多种方法数据融合的风电场发电能力评估方法的具体过程如下：
根据标杆风机法计算理论出力；
根据修正风速网络方法计算理论出力；
根据理论出力还原表法计算总理论出力；
将三组得到的理论出力值进行卡尔曼滤波器数据融合，得到更为精确的单个风电场的理论出力。
进一步地，所述步骤4中所述建立风电场群风速立体网络的具体过程如下：
基于考虑时延信息的修正经验变异函数来划分风电场群相关性区域；
基于空间升尺度求取风电场群风速；
计算得到风电场群风速立体网络图；
最终根据获得的各个风电场风速网络图，结合步骤3.所述基于多种方法数据融合的风电场发电能力评估方法分别计算出每个风电场的理论总出力，最终得到风电场群发电能力评估值。
以上实施例公开的基于多种传感器的风电场风速获取方法为风电场的建设者找出能够比较实际反应风电场理论出力方面的方法和模型，为弃风电量计算提供科学的理论依据，保障风电场群能够稳定、持续、精确地工作，提高风能利用率和利用总量同时满足国家电网要求。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (5)
1.一种基于大数据挖掘技术的风电场群发电能力评估方法，其特征在于，所述方法包括如下步骤：
步骤1.基于多种传感器获取风电场风速；
步骤2.建立风电场内立体式风速分布关联图；
步骤3.实施含基于多种方法数据融合的风电场发电能力评估方法；
步骤4.建立风电场群风速立体网络。
2.如权利要求1所述的基于大数据挖掘技术的风电场群发电能力评估方法，其特征在于，所述步骤1中所述基于多种传感器获取风电场风速的具体过程如下：
采用卡尔曼滤波器法数据融合和贝叶斯估计法分别对所述风电场风机的机头风速和测风塔风速进行进行数据融合；
将所述两组融合风速取平均值，作为最终风速。
3.如权利要求1所述的基于大数据挖掘技术的风电场群发电能力评估方法，其特征在于，所述步骤2中所述建立风电场内立体式风速分布关联图的具体过程如下：
进行基于尾流模型的风速空间分布特性分析；
进行基于平均风速模拟的风速时间分布特性分析；
最终得到了风电场内立体式风速分布关联图。
4.如权利要求1所述的基于大数据挖掘技术的风电场群发电能力评估方法，其特征在于，所述步骤3中所述实施含基于多种方法数据融合的风电场发电能力评估方法的具体过程如下：
根据标杆风机法计算理论出力；
根据修正风速网络方法计算理论出力；
根据理论出力还原表法计算总理论出力；
将所述三组得到的理论出力值进行卡尔曼滤波器数据融合，得到更为精确的单个风电场的理论出力。
5.如权利要求1所述的基于大数据挖掘技术的风电场群发电能力评估方法，其特征在于，所述步骤4中所述建立风电场群风速立体网络的具体过程如下：
基于考虑时延信息的修正经验变异函数来划分风电场群相关性区域；
基于空间升尺度求取风电场群风速；
计算得到风电场群风速立体网络图；
最终根据获得的各个风电场风速网络图，结合步骤3.所述基于多种方法数据融合的风电场发电能力评估方法分别计算出每个风电场的理论总出力，最终得到风电场群发电能力评估值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810142929.6A CN108399429B (zh) | 2018-02-11 | 2018-02-11 | 基于大数据挖掘技术的风电场群发电能力评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810142929.6A CN108399429B (zh) | 2018-02-11 | 2018-02-11 | 基于大数据挖掘技术的风电场群发电能力评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108399429A true CN108399429A (zh) | 2018-08-14 |
| CN108399429B CN108399429B (zh) | 2022-03-11 |
Family
ID=63095340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810142929.6A Active CN108399429B (zh) | 2018-02-11 | 2018-02-11 | 基于大数据挖掘技术的风电场群发电能力评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108399429B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476679A (zh) * | 2020-04-14 | 2020-07-31 | 四川北控清洁能源工程有限公司 | 根据大气稳定度修正风电机组功率曲线的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150473A (zh) * | 2013-03-01 | 2013-06-12 | 风脉（武汉）可再生能源技术有限责任公司 | 一种风电机组发电效率实时监控诊断方法及装置 |
| CN103151803A (zh) * | 2013-03-14 | 2013-06-12 | 吉林省电力有限公司电力科学研究院 | 一种含风电系统机组及备用配置的优化方法 |
| CN103277250A (zh) * | 2013-05-09 | 2013-09-04 | 国家电网公司 | 基于标杆机组的大型风电基地弃风电量的评估方法 |
| CN104657791A (zh) * | 2015-02-28 | 2015-05-27 | 武汉大学 | 一种基于相关性分析的风电场群风速分布预测方法 |
| CN105260953A (zh) * | 2015-12-02 | 2016-01-20 | 甘肃省电力公司风电技术中心 | 一种综合风电场理论出力评估仿真系统和评估方法 |
| US20180030955A1 (en) * | 2016-07-28 | 2018-02-01 | General Electric Company | System and method for controlling a wind turbine |
-
2018
- 2018-02-11 CN CN201810142929.6A patent/CN108399429B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150473A (zh) * | 2013-03-01 | 2013-06-12 | 风脉（武汉）可再生能源技术有限责任公司 | 一种风电机组发电效率实时监控诊断方法及装置 |
| CN103151803A (zh) * | 2013-03-14 | 2013-06-12 | 吉林省电力有限公司电力科学研究院 | 一种含风电系统机组及备用配置的优化方法 |
| CN103277250A (zh) * | 2013-05-09 | 2013-09-04 | 国家电网公司 | 基于标杆机组的大型风电基地弃风电量的评估方法 |
| CN104657791A (zh) * | 2015-02-28 | 2015-05-27 | 武汉大学 | 一种基于相关性分析的风电场群风速分布预测方法 |
| CN105260953A (zh) * | 2015-12-02 | 2016-01-20 | 甘肃省电力公司风电技术中心 | 一种综合风电场理论出力评估仿真系统和评估方法 |
| US20180030955A1 (en) * | 2016-07-28 | 2018-02-01 | General Electric Company | System and method for controlling a wind turbine |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476679A (zh) * | 2020-04-14 | 2020-07-31 | 四川北控清洁能源工程有限公司 | 根据大气稳定度修正风电机组功率曲线的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108399429B (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Investigation of wind turbine performance coupling wake and topography effects based on LiDAR measurements and SCADA data | |
| CN103218757B (zh) | 一种确定光伏发电容量可信度的方法 | |
| CN103973203B (zh) | 一种适用于安全稳定分析的大型光伏电站在线等值建模方法 | |
| CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
| CN103927695A (zh) | 基于自学习复合数据源的风电功率超短期预测方法 | |
| CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
| 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 | |
| CN103106314B (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
| CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
| CN108667069A (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
| CN103440405A (zh) | 基于实测数据的风电场稳态建模方法及系统 | |
| CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
| CN107239856A (zh) | 一种风向数据插补方法 | |
| CN105207197A (zh) | 包含风电场的电力系统可靠性评估方法 | |
| CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
| CN106228468A (zh) | 一种潮汐流能发电场输出功率的概率模拟方法 | |
| CN106532785A (zh) | 一种计及新型云模型的负荷频率控制方法 | |
| CN106204339B (zh) | 一种含潮汐流能发电场电力系统的发电可靠性评估方法 | |
| CN108399429A (zh) | 基于大数据挖掘技术的风电场群发电能力评估方法 | |
| CN103065049B (zh) | 一种基于coif5小波实时分解的风电功率实时预测计算方法 | |
| CN106408446B (zh) | 一种近海风电场风能计算方法 | |
| CN103853888A (zh) | 一种适用于无功补偿的海上风电系统等值建模方法 | |
| CN103927596A (zh) | 基于复合数据源自回归模型的风电功率超短期预测方法 | |
| CN104331748A (zh) | 一种预测规划目标年风电场群持续功率曲线的方法 | |
| CN103927594A (zh) | 基于自学习复合数据源自回归模型的风电功率预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |