CN109779848A - 全场风速修正函数的获得方法、装置及风电场 - Google Patents
全场风速修正函数的获得方法、装置及风电场 Download PDFInfo
- Publication number
- CN109779848A CN109779848A CN201910071762.3A CN201910071762A CN109779848A CN 109779848 A CN109779848 A CN 109779848A CN 201910071762 A CN201910071762 A CN 201910071762A CN 109779848 A CN109779848 A CN 109779848A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- speed correction
- correction function
- wind
- power plant
- 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
Abstract
本发明提供了一种全场风速修正函数的获得方法、装置及含有所述装置的风电场,所述方法包括:根据每台风电机组实测功率曲线与理论功率曲线拟合风速修正函数,获得风电场内所有的风电机组的风速修正函数;利用k‑means方法和轮廓系数评价方法将所有风速修正函数进行分类;对每一类的风速修正函数取平均值,最终确定适用于整个风电场的若干个风速修正函数。本发明解决了目前复杂地形的风电场中单一风速修正函数无法满足不同机位风速修正的问题,同时具有快速、成本低及准确性高的特点,适于推广应用。
Description
技术领域
本发明涉及风电技术领域,特别是涉及一种全场风速修正函数的获得方法、装置及风电场。
背景技术
利用SCADA运行数据绘制功率曲线是目前评估风电机组出力性能的主要手段。其主要利用修正后机舱风速仪测量风速以及机组实际功率进行分析。虽然主机厂商都对机舱风速仪测量的风速进行修正,但由于地形、风入流角、湍流强度的不同,虽然处于同一风场内,不同机组机舱风速仪测量风速的结果仍不相同,这对客观、准确的绘制功率曲线造成了很大影响。也就是说,目前同一风场使用统一的风速修正函数已不能满足实际需求。
目前许多厂家都已意识到这一问题,通常的做法是利用激光雷达对每一台机组的叶轮前风速进行测量,在与同一时间段的机舱风速仪测量结果进行对比分析,得到每一台机组的风速修正函数。这一方法虽然有效,但成本高、时间周期长,性价比较低。
公开号为CN107884596的发明专利,公开了一种风力发电机风速测量值修正方法和修正装置,其采用覆盖范围内与目标风电机组同一类型的运行数据,根据风速与功率值之间的关系对风速机型修正;使得目标机组修正后风速与覆盖范围内的机组测量风速一致。但该方法仅是针对单一风电机组,整体运行成本高。
公开号为CN108009689的发明专利,公开了风速修正模型训练、风速修正方法、装置及风力发电机组,其采用对多源预测风速,利用神经网络、k-means、分时间段、分风速段等方法进行修正。通过对现有预测风速进行修正,从而提高其预测结果的准确性。但该方法仅是针对单一风电机组,整体运行成本高。
由此可见,上述现有的风电场采用同一的风速修正函数或采用激光雷达测量方法获得每一台风电机组的风速修正函数或其它方法,显然仍存在有不便与缺陷,而亟待加以进一步改进。如何能创设一种可以快速、低成本、准确性高地得到全场风速修正函数的方法和装置,成为当前业界亟需改进的目标。
发明内容
本发明要解决的技术问题是提供一种全场风速修正函数的获得方法,使其解决目前复杂地形的风电场中单一风速修正函数无法满足不同机位风速修正的问题,同时具有快速、成本低及准确性高的特点。
为解决上述技术问题,本发明采用如下技术方案:
一种全场风速修正函数的获得方法,包括:
S1根据每台风电机组实测功率曲线与理论功率曲线拟合风速修正函数;获得风电场内所有的风电机组的风速修正函数;
S2利用k-means方法和轮廓系数评价方法将所有风速修正函数进行分类;
S3对每一类的风速修正函数取平均值,最终确定适用于整个风电场的若干个风速修正函数。
作为本发明进一步地改进,还包括S4,利用与风速修正函数对应的修正后的功率曲线和理论功率曲线分别计算年发电量,如果误差在设定阈值之内确认风速修正函数有效。
进一步地,所述设定阈值为5%。
进一步地,所述S1中,所述每台风电机组实测功率曲线的数据的获取来源为SCADA数据。
进一步地,
所述S1中:风速修正函数的形式为y=kx+b,其中y为修正后风速,x为实际风速;
所述S2中:
求出所有风速修正函数的平均值,以及每台机组风速修正函数与平均值的差值;利用k-means方法对差值进行分类,并采用轮廓系数评价方法选择最佳分类数,进行第一次分类;
对每一类中的风速修正函数根据截距b再次分类,并采用轮廓系数评价方法选择最佳分类数,进行第二次分类;
所述S3中:对最终确定的每一小类的风速修正函数取平均值,获得适用于整个风电场的若干个风速修正函数。
进一步地,两次分类后,分类数均分别取3、4、5。
进一步地,所述S1之前还包括:采集每台风电机组运行的SCADA数据并进行机组运行指标判定,确保机组运行性能符合设计指标,所述SCADA数据包括风速、功率、转速、转矩和桨距角。
一种全场风速修正函数的获得装置,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的全场风速修正函数的获得方法。
一种风电场,包括上述的全场风速修正函数的获得装置。
进一步地,还包括SCADA系统。
采用这样的设计后,本发明至少具有以下优点:
1、本发明基于实际功率曲线和理论功率曲线,得到风电场内所有的风电机组的风速修正函数;利用k-means和轮廓系数评价方法进行分类,得到适用于整个风电场的多条风速传递函数;解决了目前复杂地形的风电场中单一风速修正函数无法满足不同机位风速修正的问题,可以获得更为准确的风速值,也可避免了机组出力性能不足的影响,得到功率曲线更加贴合设计值。
2、该方法可以快速得到适用于整个风电场的几个风速修正函数,既满足了风速修正的需求,又降低了使用激光雷达实际对每台机组进行风速修正的资金成本和技术成本,同时又无需增加较多的主控程序版本,提高了机组运行性能评估的效率。
3、只需利用SCADA数据,获取数据的方法简单,计算速度更快。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明一实施例中全场风速修正函数的获得方法流程图;
图2是本发明又一实施例中全场风速修正函数的获得方法流程图;
图3是本发明又一实施例中全场风速修正函数的获得方法流程图。
具体实施方式
本发明针对复杂地形下,同一风电场内不同位置风电机组的机舱风速仪风速修正系数有差异的问题,本发明基于k-means方法和轮廓系数评价方法,提出一种全场风速修正函数的获取方法。
如图1、3所示,本实施例提供了一种全场风速修正函数的获得方法,包括:
S1根据每台风电机组实测功率曲线与理论功率曲线拟合风速修正函数,方法是:以实测功率曲线为横坐标,理论功率曲线为纵坐标,利用一次函数进行拟合;获得风电场内所有的风电机组的风速修正函数,每条修正函数的形式为y=kx+b,其中y为修正后风速,x为实际风速,k为一次函数的斜率,b为一次函数的截距;
其中,所述每台风电机组实测功率曲线的数据的获取来源为SCADA数据。由于只需利用SCADA数据,获取数据的方法简单,计算速度更快。
在采集SCADA数据后,拟合风速修正函数前,还可以进行机组运行指标判定,其中采集机组运行的SCADA数据,包括风速、功率、转速、转矩和桨距角等,对相关指标进行分析,确保机组运行性能符合设计指标,此处为可选步骤。
S2利用k-means方法和轮廓系数评价方法将所有风速修正函数进行分类;
其中,优选的分类包括两次分类,两次分类方法相同,但分类目标不同:
第一次分类为:求出所有风速修正函数的平均值,以及每台机组风速修正函数与平均值的差值ws_diff;利用k-means方法对差值ws_diff进行分类,分类数k值分别取3、4、5(该分类数是经验值,分类数k是k-means方法的关键参数),再采用轮廓系数评价方法对每个分类数的结果进行评价,求得最佳分类结果,将所有风速修正函数进行第一次分类;
第二次分类为:再利用k-means方法,第一次的分类结果所包含的每条风速修正函数根据截距b再次分类,分类数分别取3、4、5,并采用轮廓系数评价方法对分类结果进行评价,求得最佳分类结果,进行第二次分类;
S3对每一类的风速修正函数取平均值,最终确定适用于整个风电场的若干个风速修正函数。
当进行两次分类时,对最终确定的每一小类的风速修正函数取平均值,获得适用于整个风电场的若干个风速修正函数。
配合图2、3所示,为了进一步提高风速修正函数的准确性,优选在上述步骤的基础上再增加如下验证步骤S4:利用与风速修正函数对应的修正后的功率曲线和理论功率曲线分别计算年发电量,如果误差在设定阈值之内确认风速修正函数有效,优选的阈值为5%,当然还可以根据实际需求做其它阈值的选取,如3-6%等。
本发明的上述方法,优选的主要流程内容包括:1、数据采集,2、机组运行指标判定,3、求所有机组风速修正函数,4、搭建修正函数分类模型,5、分类结果评判验证。
本发明的上述方法,解决了目前复杂地形的风电场中单一风速修正函数无法满足不同机位风速修正的问题。该方法可以快速得到适用于整个风电场的几个风速修正函数,既满足了风速修正的需求,又降低了使用激光雷达实际对每台机组进行风速修正的资金成本和技术成本,同时又无需增加较多的主控程序版本,提到了机组运行性能评估的效率。
本领域普通技术人员可以理解上述实施例方法中的全部或者部分流程,是可以通过计算机程序来指令相关的硬件完成,所述的程序可存储于一计算机可读存储介质(装置)中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质(装置)可以为磁盘、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
因此,本发明的一个实施例还提供了一种全场风速修正函数的获得装置,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的全场风速修正函数的获得方法。
在风电场中,上述全场风速修正函数的获得装置配合SCADA系统,可以实现解决目前复杂地形的风电场中单一风速修正函数无法满足不同机位风速修正的问题,同时具有快速、成本低及准确性高的特点,适于推广应用。
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,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种全场风速修正函数的获得方法,其特征在于,包括:
S1根据每台风电机组实测功率曲线与理论功率曲线拟合风速修正函数;获得风电场内所有的风电机组的风速修正函数;
S2利用k-means方法和轮廓系数评价方法将所有风速修正函数进行分类;
S3对每一类的风速修正函数取平均值,最终确定适用于整个风电场的若干个风速修正函数。
2.根据权利要求1所述的全场风速修正函数的获得方法,其特征在于,还包括S4,利用与风速修正函数对应的修正后的功率曲线和理论功率曲线分别计算年发电量,如果误差在设定阈值之内确认风速修正函数有效。
3.根据权利要求2所述的全场风速修正函数的获得方法,其特征在于,所述设定阈值为5%。
4.根据权利要求1所述的全场风速修正函数的获得方法,其特征在于,所述S1中,所述每台风电机组实测功率曲线的数据的获取来源为SCADA数据。
5.根据权利要求1所述的全场风速修正函数的获得方法,其特征在于,
所述S1中:以实测功率曲线为横坐标,理论功率曲线为纵坐标,利用一次函数进行拟合;获得风电场内所有的风电机组的风速修正函数,每条修正函数的形式为y=kx+b,其中y为修正后风速,x为实际风速,k为一次函数的斜率,b为一次函数的截距;
所述S2中:
求出所有风速修正函数的平均值,以及每台机组风速修正函数与平均值的差值;利用k-means方法对差值进行分类,并采用轮廓系数评价方法选择最佳分类数,进行第一次分类;
对每一类中的风速修正函数根据截距b再次分类,并采用轮廓系数评价方法选择最佳分类数,进行第二次分类;
所述S3中:对最终确定的每一小类的风速修正函数取平均值,获得适用于整个风电场的若干个风速修正函数。
6.根据权利要求5所述的所述的全场风速修正函数的获得方法,其特征在于,两次分类后,分类数均分别取3、4、5。
7.根据权利要求1所述的全场风速修正函数的获得方法,其特征在于,所述S1之前还包括:采集每台风电机组运行的SCADA数据并进行机组运行指标判定,确保机组运行性能符合设计指标,所述SCADA数据包括风速、功率、转速、转矩和桨距角。
8.一种全场风速修正函数的获得装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现权利要求1至7任一项所述的全场风速修正函数的获得方法。
9.一种风电场,包括权利要求8所述的全场风速修正函数的获得装置。
10.根据权利要求9所述的风电场,其特征在于,还包括SCADA系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071762.3A CN109779848B (zh) | 2019-01-25 | 2019-01-25 | 全场风速修正函数的获得方法、装置及风电场 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071762.3A CN109779848B (zh) | 2019-01-25 | 2019-01-25 | 全场风速修正函数的获得方法、装置及风电场 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109779848A true CN109779848A (zh) | 2019-05-21 |
CN109779848B CN109779848B (zh) | 2020-04-28 |
Family
ID=66502569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071762.3A Active CN109779848B (zh) | 2019-01-25 | 2019-01-25 | 全场风速修正函数的获得方法、装置及风电场 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109779848B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369390A (zh) * | 2020-03-30 | 2020-07-03 | 北京拾易技术有限公司 | 风力发电机组孪生功率曲线模型的应用方法和系统 |
CN111709644A (zh) * | 2020-06-16 | 2020-09-25 | 华能威宁风力发电有限公司 | 一种利用机组scada数据的风电场风资源计算方法 |
CN112145373A (zh) * | 2020-09-15 | 2020-12-29 | 东北大学 | 一种风力发电机测风仪风速的校正方法 |
CN112240267A (zh) * | 2019-07-17 | 2021-01-19 | 成都信息工程大学 | 基于风速相关性与风功率曲线的风机监测方法 |
CN114881379A (zh) * | 2022-07-12 | 2022-08-09 | 东方电气风电股份有限公司 | 风电场应发电量估测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495230A (zh) * | 2011-11-29 | 2012-06-13 | 中能电力科技开发有限公司 | 一种用于预测风速的修正方法 |
KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
CN104794347A (zh) * | 2015-04-22 | 2015-07-22 | 中国大唐集团新能源股份有限公司 | 一种风电机组机舱传递函数分区拟合方法 |
CN105184423A (zh) * | 2015-10-20 | 2015-12-23 | 国家电网公司 | 一种风电场集群风速预测方法 |
WO2016032128A1 (ko) * | 2014-08-25 | 2016-03-03 | 전자부품연구원 | 풍력발전단지 제어 시스템 및 이를 이용한 풍력발전단지 제어방법 |
CN109242218A (zh) * | 2018-11-05 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种基于svm的高原山区的风电功率预测方法和装置 |
-
2019
- 2019-01-25 CN CN201910071762.3A patent/CN109779848B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495230A (zh) * | 2011-11-29 | 2012-06-13 | 中能电力科技开发有限公司 | 一种用于预测风速的修正方法 |
KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
WO2016032128A1 (ko) * | 2014-08-25 | 2016-03-03 | 전자부품연구원 | 풍력발전단지 제어 시스템 및 이를 이용한 풍력발전단지 제어방법 |
CN104794347A (zh) * | 2015-04-22 | 2015-07-22 | 中国大唐集团新能源股份有限公司 | 一种风电机组机舱传递函数分区拟合方法 |
CN105184423A (zh) * | 2015-10-20 | 2015-12-23 | 国家电网公司 | 一种风电场集群风速预测方法 |
CN109242218A (zh) * | 2018-11-05 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种基于svm的高原山区的风电功率预测方法和装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112240267A (zh) * | 2019-07-17 | 2021-01-19 | 成都信息工程大学 | 基于风速相关性与风功率曲线的风机监测方法 |
CN112240267B (zh) * | 2019-07-17 | 2021-11-19 | 成都信息工程大学 | 基于风速相关性与风功率曲线的风机监测方法 |
CN111369390A (zh) * | 2020-03-30 | 2020-07-03 | 北京拾易技术有限公司 | 风力发电机组孪生功率曲线模型的应用方法和系统 |
CN111709644A (zh) * | 2020-06-16 | 2020-09-25 | 华能威宁风力发电有限公司 | 一种利用机组scada数据的风电场风资源计算方法 |
CN112145373A (zh) * | 2020-09-15 | 2020-12-29 | 东北大学 | 一种风力发电机测风仪风速的校正方法 |
CN112145373B (zh) * | 2020-09-15 | 2021-09-10 | 东北大学 | 一种风力发电机测风仪风速的校正方法 |
CN114881379A (zh) * | 2022-07-12 | 2022-08-09 | 东方电气风电股份有限公司 | 风电场应发电量估测方法、装置、设备及存储介质 |
CN114881379B (zh) * | 2022-07-12 | 2022-10-14 | 东方电气风电股份有限公司 | 风电场应发电量估测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109779848B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109779848A (zh) | 全场风速修正函数的获得方法、装置及风电场 | |
US20160223600A1 (en) | Power generation performance evaluation method and apparatus for power generator set | |
US9086337B2 (en) | Detecting a wake situation in a wind farm | |
US10253758B2 (en) | System and method for optimizing wind farm performance | |
CN106873359B (zh) | 一种基于聚类分析和神经网络的风电噪声评价方法 | |
CN106991508A (zh) | 一种基于dbscan的风电机组运行状态识别方法 | |
CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
WO2020199875A1 (zh) | 一种风廓线数据预测方法 | |
CN111091298B (zh) | 一种风电场流场耦合特性评估与智能分群方法及系统 | |
CN109002650A (zh) | 一种风电机组功率曲线建模方法 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN106897945A (zh) | 风力发电机组的聚类方法和设备 | |
CN111260503A (zh) | 一种基于聚类中心优化的风电机组功率曲线离群点检测方法 | |
CN114165392A (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
Lacerda | Linking scientific knowledge and technological change: Lessons from wind turbine evolution and innovation | |
Aziz et al. | Critical comparison of power-based wind turbine fault-detection methods using a realistic framework for SCADA data simulation | |
CN110365053A (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
Sarkar et al. | Proficiency assessment of adaptive neuro-fuzzy inference system to predict wind power: A case study of Malaysia | |
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 | |
CN108734367A (zh) | 一种用于计算风电场弃风电量的方法及系统 | |
Bao et al. | Iterative modeling of wind turbine power curve based on least‐square B‐spline approximation | |
Krajinski et al. | Analysis of the potential for increased power production in an onshore test wind farm using active wake control methods | |
CN114595989A (zh) | 一种风电机组性能评估方法及装置 | |
CN115221785A (zh) | 一种神经网络预测模型的构建方法、预测方法、系统 |
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 |