CN109376426A - 一种风电并网功率调度方法及装置 - Google Patents

Abstract

本发明提供了一种风电并网功率调度方法及装置，基于风机发电功率预测模型，利用预测风速数据，计算风机最大发电功率预估值；根据风机最大发电功率预估值，并结合电网的电力需求，给出风机目标并网功率；根据风速数据，基于发电功率预测模型，得到预测输出功率最接近风机目标并网功率时的最佳匹配电网功率及叶片桨距角最佳值和机舱与风向偏角最佳值；根据预测风向数据，以及叶片桨距角最佳值和机舱与风向偏角最佳值，调整叶片桨距角和机舱与风向偏角，实现风机发电功率与电网需求的匹配。本发明能够解决风机发电量与电网需求间匹配度差而导致的电网质量差及影响风机运行安全的技术问题。

Description

一种风电并网功率调度方法及装置

技术领域

本发明涉及风力发电技术领域，尤其是涉及一种基于风机功率预测的风电并网功率调度方法及装置。

背景技术

风能作为一种全球总量达到1300亿千瓦的清洁能源，其应用历史可以追朔至公元前，受限于以前的技术水平，对其的有效利用在20世纪以前一直进展缓慢。1973年的石化能源危机对新能源的广泛应用产生了较大的促进作用，风能作为新能源的一种也开启了新的发展历程。低碳环保和石化资源的匮乏两重压力促使清洁能源的应用发展日渐迅猛，在清洁能源中占比较大的风能发电也取得了长足的进步。新世纪以来，风机装机量一直保持大幅增长，截至2017年底，我国风电并网总量已经达到2亿千瓦，只占总风能装机发电量的不到10％，对于风电的有效利用率还有待进一步提升。由于风机发电受到的影响因素众多，风能本身受季节性、风能持续性影响而稳定性不足，同时风场一般地处偏远地区，其产品的生产场景与应用场景距离较远，使得风电的利用不能脱离国家电网的输送。而电网电能需要做到供需平衡，风电的不稳定特性进一步提升了风电的并网难度。风电并网过程中，由于风机发电量受环境因素影响，风机发电量与电网需求间存在一定的错配，如果两者间不能较好地协调，一方面导致电网质量差，另一方面也会影响风机的运行安全。统计数据显示2017年中国总的弃用风电为419亿千瓦时，这部分电量的总经济价值百亿以上，如何最大化进行风电并网面临的挑战空前。因此，如何提升风电接入电网的效率，对风机发电功率进行提前调整以匹配电网的供电需求，提升风电的利用率，就成为解决风电大量丢失的核心问题。目前，已经广泛应用的对风机发电功率进行的预测方法有很多，譬如：1995年J.Kennedy提出的粒子群(PSO)优化算法，以及神经网络和支持向量机算法(SVM)等。

经检索，在现有技术中，主要有以下技术方案与本发明申请相关：

现有技术1为许继集团有限公司、许昌许继风电科技有限公司于2018年05月30日申请，并于2018年09月28日公开，公开号为CN108599275A的中国发明申请《一种风电场风机功率分配控制方法及装置》。该发明申请公开了一种风电场风机功率分配控制方法及装置，该方法首先采集风电场中各可控风机当前控制周期的实际功率输出值，并求和，得到可控风机的总实际输出功率值；从并网点采集风电场当前控制周期的总实际输出功率值，并与所述可控风机的总实际输出功率值作差，得到不可测发电/用电设备的功率预测值；然后获取当前控制周期的调度指令值，并与所述不可测发电/用电设备的功率预测值作差，得到差值；将得到的差值分配给每台可控风机，得到每台可控风机的功率指令值，并下发给对应的可控风机以对可控风机进行控制。

现有技术2为北京金风科创风电设备有限公司于2016年12月12日申请，并于2018年10月02日公开，公开号为CN108616140A的中国发明申请《用于风电场的控制方法、装置和风力发电系统》。该发明申请公开了一种用于风电场的控制方法、装置和风力发电系统。该方法包括：检测风电场的并网点的电压和电流，并计算并网点的无功功率；接收电网调度信号，并基于电网调度信号计算风电场的理想无功功率；计算理想无功功率和无功功率的无功功率差值；监测风力发电机组的当前风速信息和风力发电机组的运行信息，获取风力发电机组的出力裕度；根据无功功率差值和出力裕度，为风力发电机组分配需提供或吸收的无功功率，并向风力发电机组发送用于指示风力发电机组产生所分配的无功功率的指令。

但是，包括粒子群优化算法、神经网络和支持向量机算法等在内的智能算法，以及对比文件1和2都没有基于气象数据对风机未来的发电功率进行预测而实现风电并网功率的调度，从而无法从根本上解决风机发电量与电网需求间匹配度差导致电网、风场风机设备的稳定性差，进而引发电网调峰冲击的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种风电并网功率调度方法及装置，以解决风机发电量与电网需求间匹配度差而导致的电网质量差及影响风机运行安全的技术问题。

为了实现上述目的，本发明具体提供了一种风电并网功率调度方法的技术实现方案，风电并网功率调度方法，包括以下步骤：

S101)基于风机发电功率预测模型，利用气象数据中未来T时刻的风速数据，计算未来T时刻的风机最大发电功率预估值P_T；

S102)根据未来T时刻的风机最大发电功率预估值P_T，并结合电网的电力需求P_in，给出未来T时刻内的风机目标并网功率P_out；

S103)根据未来T时刻的风速数据，基于风机发电功率预测模型，得到预测输出功率最接近风机目标并网功率P_out时的最佳匹配电网功率，以及该最优匹配电网功率对应的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值；

S104)根据气象数据中未来T时刻的风向数据，以及风机叶片桨距角最佳值和风机机舱与风向偏角最佳值，调整风机叶片桨距角和风机机舱与风向偏角，实现未来T时刻风机发电功率与电网需求的匹配。

进一步的，所述风机发电功率预测模型的训练过程包括以下步骤：

S201)获取SCADA系统中的历史数据作为风机发电功率预测模型的训练集D₀；

S202)提取所述历史数据中的风速数据并对其进行归一化处理；

S203)提取所述历史数据中的风机叶片桨距角数据及风机机舱与风向偏角数据，并对其进行归一化处理；

S204)提取所述历史数据中的风机发电功率数据并对其进行归一化处理；

S205)根据SCADA系统中的时间数据分四个季节的数据样本，对经过归一化处理后的所述风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据分四个季节单独进行模型训练，并按照季度建立风机发电功率预测模型。

优选的，所述步骤S202)中进一步根据以下公式进行风速数据归一化处理：

其中，WS_normalize为经过归一化处理后的风速数据，WS为SCADA系统历史数据中的风速数据，WS_max为风机最大可承受工作风速，w₀和w₁分别为取自[0.01，0.99]中的常数。

优选的，所述步骤S203)中进一步根据以下公式进行风机叶片桨距角数据归一化处理：

其中，Angle_normalize为经过归一化处理后的风机叶片桨距角数据，Angle_i为SCADA系统历史数据中的风机叶片桨距角数据，Angle_max为风机叶片桨距角最大值，Angle_min为风机叶片桨距角最小值，w₀和w₁分别为取自[0.01，0.99]中的常数。

优选的，所述步骤S203)中进一步根据以下公式进行风机机舱与风向偏角数据归一化处理：

其中，Angle_{jc_normalize}为经过归一化处理后的风机机舱与风向偏角数据，Angle_{jc_i}为SCADA系统历史数据中的风机机舱与风向偏角数据，Angle_{jc_max}为风机机舱与风向偏角最大值，Angle_{jc_min}为风机机舱与风向偏角最小值，w₀和w₁分别为取自[0.01，0.99]中的常数。

优选的，所述步骤S204)中进一步根据以下公式进行风机发电功率数据归一化处理：

其中，P_normalize为经过归一化处理后的风机发电功率数据，P为SCADA系统历史数据中的风机发电功率数据，P_max为风机的最大额定功率，w₀和w₁分别为取自[0.01，0.99]中的常数。

进一步的，所述步骤S102)中，将未来T时刻的风机最大发电功率预估值P_T反馈至电网调度中心，由电网调度中心结合电网的电力需求P_in经过综合调整，得到未来T时刻内的风机目标并网功率P_out。其中，未来T时刻内的风机目标并网功率P_out根据以下公式计算：

优选的，所述步骤S205)中的风机发电功率预测模型基于Xgboost算法建立。

进一步的，所述步骤S103)中，基于风机发电功率预测模型，根据未来T时刻的风速数据，对风机叶片桨距角和风机机舱与风向偏角进行网格搜索，得到预测输出功率最接近风机目标并网功率P_out时的风机叶片桨距角和风机机舱与风向偏角，此时的风机叶片桨距角和风机机舱与风向偏角则对应于预测输出功率为最佳匹配电网功率时的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值。

本发明还另外具体提供了一种风电并网功率调度装置的技术实现方案，风电并网功率调度装置，包括：

最大发电功率计算单元，基于风机发电功率预测模型，利用气象数据中未来T时刻的风速数据，计算未来T时刻的风机最大发电功率预估值P_T；

目标功率确定单元，根据未来T时刻的风机最大发电功率预估值P_T，并结合电网的电力需求P_in，给出未来T时刻内的风机目标并网功率P_out；

发电功率预测模型单元，根据未来T时刻的风速数据，基于风机发电功率预测模型，得到预测输出功率最接近风机目标并网功率P_out时的最佳匹配电网功率，以及该最优匹配电网功率对应的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值；

参数调整单元，根据气象数据中未来T时刻的风向数据，以及风机叶片桨距角最佳值和风机机舱与风向偏角最佳值，调整风机叶片桨距角和风机机舱与风向偏角，实现未来T时刻风机发电功率与电网需求的匹配。

进一步的，所述装置还包括：

数据获取单元，获取SCADA系统中的历史数据作为风机发电功率预测模型的训练集D₀；

数据预处理单元，提取所述历史数据中的风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据并对其进行归一化处理；

所述发电功率预测模型单元根据SCADA系统中的时间数据分四个季节的数据样本，对经过归一化处理后的所述风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据分四个季节单独进行模型训练，并按照季度建立风机发电功率预测模型。

通过实施上述本发明提供的风电并网功率调度方法及装置的技术方案，具有如下有益效果：

(1)本发明基于气象数据对风机未来的发电功率进行预测，能够明显提升风机发电与电网需求的一致性，避免电网因风机产生电量的过高或过低而导致电网调峰冲击，提升了电网和风场风机设备的稳定性；

(2)本发明采用对应季节的风机发电功率预测模型，充分考虑了季节因素的影响，进一步提升了风机发电功率预测的准确度；

(3)本发明采用网格法对风力发电系统参数进行搜索，能够快速实现对风机参数的调整，从而大幅提升风机发电时刻参数的响应速度，避免因发生过激操作而影响设备本身的运转。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其它的实施例。

图1是本发明风电并网功率调度方法一种具体实施例的程序流程图；

图2是本发明风电并网功率调度装置一种具体实施例的风机功率预测原理框图；

图3是本发明风电并网功率调度装置一种具体实施例的风机功率调整原理框图；

图4是本发明风电并网功率调度装置一种具体实施例中风机功率调整模块的结构组成框图；

图5是本发明风电并网功率调度装置一种具体实施例中风机功率预测模块的结构组成框图；

图中：1-风机，2-SCADA系统，3-发电功率调整模块，4-发电功率预测模块，5-气象预测数据获取模块，31-最大发电功率计算单元，32-目标功率确定单元，33-发电功率预测模型单元，34-参数调整单元，41-数据获取单元，42-数据预处理单元。

具体实施方式

为了引用和清楚起见，将下文中使用的技术名词、简写或缩写记载如下：

Xgboost：由华盛顿大学的陈天奇提出的一种梯度提升算法，能够有效地实现对多维数据的回归和分类处理；

PSO算法：粒子群优化算法的简称；

SCADA：Supervisory Control And Data Acquisition，监视控制与数据采集系统，一种以计算机为基础的DCS(Distributed Control System，分布式控制系统)与电力自动化监控系统的简称；

桨距角(Pitch Angle)：也称为节距角，是指风机叶片与风轮平面的夹角；

网格搜索法：是一种通过遍历给定的参数组合来优化模型表现的方法，在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果；网格搜索法是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法，其具体步骤是：先将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成网格；然后将各组合用于SVM(支持向量机，support vectormachines)训练，并使用交叉验证对表现进行评估；最后，在拟合函数尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如附图1至附图5所示，给出了本发明风电并网功率调度方法及装置的具体实施例，下面结合附图和具体实施例对本发明作进一步的说明。

实施例1

在实际应用中，由于风机发电的能量来源是风能，风能的稳定性、季节性因素会导致风机发电的不稳定，而电网电能需要做到供需平衡。因此，需要接入电网的风电电量进行预先份额分配。同时，每个地区的电网所能接入的风场发电量都是有限的，目前很多风场都存在发电冗余，多余电量如果接入电网会对电网造成冲击，而在风场中储能也存在一定的成本。因此，本实施例通过预先调整风机发电量，使得电网需求和风场的生产能力尽可能一致，以减小电网震荡。

本实施例提出了一种风电并网功率调度方法，特别是一种基于Xgboost风机功率预测的风电并网功率调度方法。为了实现风机产生电能的最大化利用，首先建立风机发电功率的预测模型。然后通过对气象数据的接入，结合气象数据，对风场发电量进行预测，通过与电网用电需求之间的调配，设定合理的风机发电量份额。提前产生风机的运行参数设定，预先做好风机发电的计划，实现风场发电量与电网的良好匹配，实现风场与电网之间能量的定量传输。这样，一方面降低了电网调度的复杂度，另一方面提升了风场风机运行平稳性，降低了风机产生的过量电能。现将具体技术方案详述如下。

如附图1所示，一种风电并网功率调度方法的实施例，具体包括以下步骤：

S101)基于(当前所处季节的)风机发电功率预测模型，利用气象数据中未来T时刻的风速数据(可以采用未来T时刻的平均风速WS_EX)，并根据风机叶片桨距角最大值和风机机舱与风向偏角最小值(这两个数据均为对应于最大风能利用的参数)，计算未来T时刻的风机最大发电功率预估值P_T；

S102)根据未来T时刻的风机最大发电功率预估值P_T，并结合电网的电力需求P_in，给出未来T时刻内的风机目标并网功率P_out；

S103)根据未来T时刻的风速数据，基于风机发电功率预测模型，得到预测输出功率最接近风机目标并网功率P_out时的最佳匹配电网功率，以及该最优匹配电网功率对应的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值；

S104)根据气象数据中未来T时刻的风向数据，以及风机叶片桨距角最佳值和风机机舱与风向偏角最佳值，调整风机叶片桨距角和风机机舱与风向偏角，实现未来T时刻风机发电功率与电网需求的匹配。

其中，上述T的选择基于当季环境变量变化周期和特性来设定。风机叶片桨距角最大值和风机机舱与风向偏角最小值，均为对应于最大风能利用的参数。这两个数据为风机的内在参数，需要调教，具体取决于风机的特性。

风机发电功率预测模型的训练过程进一步包括以下步骤：

S201)获取SCADA系统2中的历史数据作为风机发电功率预测模型的训练集D₀；

S202)提取历史数据中的风速数据并对其进行归一化处理；

S203)提取历史数据中的风机叶片桨距角数据及风机机舱与风向偏角数据，并对其进行归一化处理；

S204)提取历史数据中的风机发电功率数据并对其进行归一化处理；

S205)根据SCADA系统2中的时间数据分四个季节的数据样本，对经过归一化处理后的风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据分四个季节单独进行模型训练，并按照季度建立风机发电功率预测模型，分别得到Xgb-SP、Xgb-SU、Xgb-AU、Xgb-WI。作为本发明一种较佳的具体实施例，步骤S205)中的风机发电功率预测模型基于Xgboost算法建立。关于Xgboost算法在现有技术中已有大量记载，在此不再赘述。

其中，上述步骤中的归一化处理是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。由于大部分风机的发电功率在2MW，直接进行功率预测一方面会增加模型预测的不准确性，另一方面由于变量数据量级的增加，会加大计算量。本实施例对数据进行归一化处理后，一方面能够提高模型预测的准确性，另一方面大幅减小了计算量，提升了计算效率，减少了计算时间。

步骤S202)中进一步根据以下公式进行风速数据归一化处理：

其中，WS_normalize为经过归一化处理后的风速数据，WS为SCADA系统2历史数据中的风速数据，WS_max为风机最大可承受工作风速，w₀和w₁分别为取自[0.01，0.99]中的常数。作为本发明一种较佳的具体实施例，w₀和w₁的取值可以根据实际情况选取最优。如：可以进一步采用网格搜索法对w₀和w₁的取值进行具体计算，通过遍历各个节点值对应的功率预测模型来选择最优值。关于利用网格搜索法进行最佳参数选取在现有技术中已有大量记载，在此不再赘述。需要说明的是，在前述步骤S101)和步骤S103)中，气象数据中未来T时刻的风速数据也需要进行同样的归一化处理。

步骤S203)中进一步根据以下公式进行风机叶片桨距角数据归一化处理：

其中，Angle_normalize为经过归一化处理后的风机叶片桨距角数据，Angle_i为SCADA系统2历史数据中的风机叶片桨距角数据，Angle_max为风机叶片桨距角最大值，Angle_min为风机叶片桨距角最小值，w₀和w₁分别为取自[0.01，0.99]中的常数。作为本发明一种典型的具体实施例，如果风机采用三叶片式桨叶，则取SCADA中的3个桨距角：Angle₁，Angle₂，Angle₃(对应的桨距角是来自SCADA数据中的三个桨叶对应的桨距角，如果是四片扇叶式的风机，则对应有四个桨距角，该参数主要视风场风机类型确定)。此处，将这三个参数值联合使用，能够对计算进行均衡，以降低计算结果的随机性，最大限度地避免随机因素的影响。

步骤S203)中进一步根据以下公式进行风机机舱与风向偏角数据归一化处理：

其中，Angle_{jc_normalize}为经过归一化处理后的风机机舱与风向偏角数据，Angle_{jc_i}为SCADA系统2历史数据中的风机机舱与风向偏角数据，Angle_{jc_max}为风机机舱与风向偏角最大值，Angle_{jc_min}为风机机舱与风向偏角最小值，w₀和w₁分别为取自[0.01，0.99]中的常数。此处，参与归一化计算的历史风机机舱与风向偏角数据包括两个，分别为Angle_{jc_1}和Angle_{jc_2}。其中，Angle_{jc_1}来自于超声波式风速风向仪，在正常情况下，该信号参与控制。Angle_{jc_2}来自于机械式风向仪，为冗余传感器。采用两个风机机舱与风向偏角数据进行归一化计算，增加了系统和计算的冗余性，同时提高了风机运行的安全性和可靠性。

步骤S204)中进一步根据以下公式进行风机发电功率数据归一化处理：

其中，P_normalize为经过归一化处理后的风机发电功率数据，P为SCADA系统2历史数据中的风机发电功率数据，P_max为风机的最大额定功率，w₀和w₁分别为取自[0.01，0.99]中的常数。此时，在步骤S102)利用风机最大发电功率预估值P_T计算风机目标并网功率P_out时，对应风机的预测功率应为：P_T＝(P_normalize-w₀)÷w₁×P_max。

步骤S102)中，将未来T时刻的风机最大发电功率预估值P_T反馈至电网调度中心，由电网调度中心结合电网的电力需求P_in经过综合调整，得到未来T时刻内的风机目标并网功率P_out；其中，未来T时刻内的风机目标并网功率P_out根据以下公式计算：

在T₁时刻内，比较最大可发电量(即风机最大发电功率预估值)P_T和电力需求P_in，按照风机叶片桨距角最佳值和风机机舱与风向偏角最佳值，并结合气象数据中的风向数据，进行风机状态调整，使得状态调整后的风机发电量(即风机目标并网功率)P_out与电力需求P_in尽可能接近，从而保证电网与风场之间供需一致，降低风场和电网设备的多余电量冲击。其中，T₁为风场风机的状态调整周期。

步骤S103)中，基于当前所处季节，选择Xgb-season，其中season可取值对应有SP(春)、SU(夏)、AU(秋)、WI(冬)、平均风速WS_EX和风向信息，利用风机发电功率预测模型，根据未来T时刻的风速数据，对风机叶片桨距角和风机机舱与风向偏角进行网格搜索，得到预测输出功率最接近风机目标并网功率P_out时的风机叶片桨距角和风机机舱与风向偏角，此时的风机叶片桨距角和风机机舱与风向偏角则对应于预测输出功率为最佳匹配电网功率时的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值。其中，按照网格搜索法，可以对可选参数按照一定的间距在合理范围内造出网格，对应各个网格节点，将各个节点值代入模型，选取预测功率与调度中心给出的并网功率P_in最接近时的参数作为目标值。譬如在本实施例中，对于风机叶片桨距角和风机机舱与风向偏角的选取，风机机舱与风向偏角有0～360°，那么可以按照36等分进行划分，对应的风机叶片桨距角为0-180°，可以进行18等分划分，两个维度就构成了一张网格，对应的交点均为节点。对应各个网格节点，将各个节点值代入模型，选取预测功率P_T与调度中心给出的并网功率P_in最接近时的参数作为目标值。

在此需要特别说明的是，风机发电功率预测采用的变量维度包括不限于上述提出几种变量(如：本实施例中的风机叶片桨距角和风机机舱与风向偏角)，在实际应用过程中，对应的变量维度进行部分拓展也是允许的。同时，在风机功率调度部分，对风机的参数设定通过网格搜索法来进行最优参数的查找，在实际应用过程中也可以采用PSO算法或其它方法进行设定。

本实施例采用Xgboost算法进行风机功率预测模型的建立，利用风机SCADA数据进行模型训练，并结合气象数据和电网供电需求，通过预先进行风机运行参数的设定，实现风机发电的顺利并网。为了实现风机发电量与电网需求的无缝连接，本实施例利用风机的历史数据，首先对风机的历史SCADA系统数据进行训练，通过一系列数据特征变换，基于Xgboost算法建立了风机发电功率的预测模型。另一方面，在风场控制中心中接入气象数据和电网需求，通过引入气象数据及对应的电网需求，并利用前述的风机功率预测模型，进行风机运行参数的调整，使得风机发电量与电网间实现了良好匹配，实现了风机发电最大程度的利用，确保了风机发电运行的平稳性。

实施例2

如附图2所示，SCADA系统2采集风机1的数据，再输出至发电功率预测模块4进行风机发电功率预测。

如附图3所示，发电功率调整模块3根据发电功率预测模块4预测的发电功率及气象预测数据获取模块5获取的未来时刻的气象数据进行功率计算、调整，并将调整后的相关控制参数输出至风机1。

如附图4所示，一种风电并网功率调度装置的实施例，包括发电功率调整模块3，发电功率调整模块3进一步包括：

最大发电功率计算单元31，基于风机发电功率预测模型，利用气象数据中未来T时刻的风速数据，并根据风机叶片桨距角最大值和风机机舱与风向偏角最小值，计算未来T时刻的风机最大发电功率预估值P_T；

目标功率确定单元32，根据未来T时刻的风机最大发电功率预估值P_T，并结合电网的电力需求P_in，给出未来T时刻内的风机目标并网功率P_out；

发电功率预测模型单元33，根据未来T时刻的风速数据，基于风机发电功率预测模型，得到预测输出功率最接近风机目标并网功率P_out时的最佳匹配电网功率，以及该最优匹配电网功率对应的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值；

参数调整单元34，根据气象数据中未来T时刻的风向数据，以及风机叶片桨距角最佳值和风机机舱与风向偏角最佳值，调整风机叶片桨距角和风机机舱与风向偏角，实现未来T时刻风机发电功率与电网需求的匹配。

如附图5所示，风电并网功率调度装置还包括发电功率预测模块4，发电功率预测模块4进一步包括：

数据获取单元41，获取SCADA系统2中的历史数据作为风机发电功率预测模型的训练集D₀；

数据预处理单元42，提取历史数据中的风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据并对其进行归一化处理；

发电功率预测模型单元33根据SCADA系统2中的时间数据分四个季节的数据样本，对经过归一化处理后的风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据分四个季节单独进行模型训练，并按照季度建立风机发电功率预测模型。

关于其余部分更加详细的技术方案可以具体参照实施例1的相关描述，在此不再赘述。

通过实施本发明具体实施例描述的风电并网功率调度方法及装置的技术方案，能够产生如下技术效果：

(1)本发明具体实施例描述的风电并网功率调度方法及装置，基于气象数据对风机未来的发电功率进行预测，能够明显提升风机发电与电网需求的一致性，避免电网因风机产生电量的过高或过低而导致电网调峰冲击，提升了电网和风场风机设备的稳定性；

(2)本发明具体实施例描述的风电并网功率调度方法及装置，采用对应季节的风机发电功率预测模型，充分考虑了季节因素的影响，进一步提升了风机发电功率预测的准确度；

(3)本发明具体实施例描述的风电并网功率调度方法及装置，采用网格法对风力发电系统参数进行搜索，能够快速实现对风机参数的调整，从而大幅提升风机发电时刻参数的响应速度，避免因发生过激操作而影响设备本身的运转。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明的精神实质和技术方案的情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围。

Claims (10)

1.一种风电并网功率调度方法，其特征在于，包括以下步骤：

S101)基于风机发电功率预测模型，利用气象数据中未来T时刻的风速数据，计算未来T时刻的风机最大发电功率预估值P_T；

S102)根据未来T时刻的风机最大发电功率预估值P_T，并结合电网的电力需求P_in，给出未来T时刻内的风机目标并网功率P_out；

S103)根据未来T时刻的风速数据，基于风机发电功率预测模型，得到预测输出功率最接近风机目标并网功率P_out时的最佳匹配电网功率，以及该最优匹配电网功率对应的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值；

S104)根据气象数据中未来T时刻的风向数据，以及风机叶片桨距角最佳值和风机机舱与风向偏角最佳值，调整风机叶片桨距角和风机机舱与风向偏角，实现未来T时刻风机发电功率与电网需求的匹配。

2.根据权利要求1所述的风电并网功率调度方法，其特征在于，所述风机发电功率预测模型的训练过程包括以下步骤：

S201)获取SCADA系统中的历史数据作为风机发电功率预测模型的训练集D₀；

S202)提取所述历史数据中的风速数据并对其进行归一化处理；

S203)提取所述历史数据中的风机叶片桨距角数据及风机机舱与风向偏角数据，并对其进行归一化处理；

S204)提取所述历史数据中的风机发电功率数据并对其进行归一化处理；

S205)根据SCADA系统中的时间数据分四个季节的数据样本，对经过归一化处理后的所述风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据分四个季节单独进行模型训练，并按照季度建立风机发电功率预测模型。

3.根据权利要求2所述的风电并网功率调度方法，其特征在于，所述步骤S202)中进一步根据以下公式进行风速数据归一化处理：

其中，WS_normalize为经过归一化处理后的风速数据，WS为SCADA系统历史数据中的风速数据，WS_max为风机最大可承受工作风速，w₀和w₁分别为取自[0.01，0.99]中的常数。

4.根据权利要求2或3所述的风电并网功率调度方法，其特征在于，所述步骤S203)中进一步根据以下公式进行风机叶片桨距角数据归一化处理：

其中，Angle_normalize为经过归一化处理后的风机叶片桨距角数据，Angle_i为SCADA系统历史数据中的风机叶片桨距角数据，Angle_max为风机叶片桨距角最大值，Angle_min为风机叶片桨距角最小值，w₀和w₁分别为取自[0.01，0.99]中的常数；

所述步骤S203)中进一步根据以下公式进行风机机舱与风向偏角数据归一化处理：

其中，Angle_{jc_normalize}为经过归一化处理后的风机机舱与风向偏角数据，Angl_{ejc_i}为SCADA系统历史数据中的风机机舱与风向偏角数据，Angle_{jc_max}为风机机舱与风向偏角最大值，Angle_{jc_min}为风机机舱与风向偏角最小值，w₀和w₁分别为取自[0.01，0.99]中的常数。

5.根据权利要求4所述的风电并网功率调度方法，其特征在于，所述步骤S204)中进一步根据以下公式进行风机发电功率数据归一化处理：

其中，P_normalize为经过归一化处理后的风机发电功率数据，P为SCADA系统历史数据中的风机发电功率数据，P_max为风机的最大额定功率，w₀和w₁分别为取自[0.01，0.99]中的常数。

6.根据权利要求1、2、3或5任一项所述的风电并网功率调度方法，其特征在于，所述步骤S102)中，将未来T时刻的风机最大发电功率预估值P_T反馈至电网调度中心，由电网调度中心结合电网的电力需求P_in经过综合调整，得到未来T时刻内的风机目标并网功率P_out；其中，未来T时刻内的风机目标并网功率P_out根据以下公式计算：

7.根据权利要求6所述的风电并网功率调度方法，其特征在于：所述步骤S205)中的风机发电功率预测模型基于Xgboost算法建立。

8.根据权利要求1、2、3、5或7任一项所述的风电并网功率调度方法，其特征在于，所述步骤S103)中，基于风机发电功率预测模型，根据未来T时刻的风速数据，对风机叶片桨距角和风机机舱与风向偏角进行网格搜索，得到预测输出功率最接近风机目标并网功率P_out时的风机叶片桨距角和风机机舱与风向偏角，此时的风机叶片桨距角和风机机舱与风向偏角则对应于预测输出功率为最佳匹配电网功率时的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值。

9.一种风电并网功率调度装置，其特征在于，包括：

最大发电功率计算单元(31)，基于风机发电功率预测模型，利用气象数据中未来T时刻的风速数据，计算未来T时刻的风机最大发电功率预估值P_T；

目标功率确定单元(32)，根据未来T时刻的风机最大发电功率预估值P_T，并结合电网的电力需求P_in，给出未来T时刻内的风机目标并网功率P_out；

发电功率预测模型单元(33)，根据未来T时刻的风速数据，基于风机发电功率预测模型，得到预测输出功率最接近风机目标并网功率P_out时的最佳匹配电网功率，以及该最优匹配电网功率对应的风机叶片桨距角最佳值和风机机舱与风向偏角最佳值；

参数调整单元(34)，根据气象数据中未来T时刻的风向数据，以及风机叶片桨距角最佳值和风机机舱与风向偏角最佳值，调整风机叶片桨距角和风机机舱与风向偏角，实现未来T时刻风机发电功率与电网需求的匹配。

10.根据权利要求9所述的风电并网功率调度装置，其特征在于，所述装置还包括：

数据获取单元(41)，获取SCADA系统中的历史数据作为风机发电功率预测模型的训练集D₀；

数据预处理单元(42)，提取所述历史数据中的风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据并对其进行归一化处理；

所述发电功率预测模型单元(33)根据SCADA系统中的时间数据分四个季节的数据样本，对经过归一化处理后的所述风速数据、风机叶片桨距角数据、风机机舱与风向偏角数据，及风机发电功率数据分四个季节单独进行模型训练，并按照季度建立风机发电功率预测模型。