CN110206685A - 风电场中的风力发电机组的前馈控制方法和设备 - Google Patents

风电场中的风力发电机组的前馈控制方法和设备 Download PDF

Info

Publication number
CN110206685A
CN110206685A CN201810165580.8A CN201810165580A CN110206685A CN 110206685 A CN110206685 A CN 110206685A CN 201810165580 A CN201810165580 A CN 201810165580A CN 110206685 A CN110206685 A CN 110206685A
Authority
CN
China
Prior art keywords
predetermined
prediction
wind power
generating set
power generating
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
Application number
CN201810165580.8A
Other languages
English (en)
Other versions
CN110206685B (zh
Inventor
欧发顺
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 Goldwind Science and Creation Windpower Equipment Co Ltd
Original Assignee
Beijing Goldwind Science and Creation Windpower Equipment 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 Goldwind Science and Creation Windpower Equipment Co Ltd filed Critical Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Priority to CN201810165580.8A priority Critical patent/CN110206685B/zh
Priority to ES18907660T priority patent/ES2962474T3/es
Priority to PCT/CN2018/100245 priority patent/WO2019165759A1/zh
Priority to AU2018411224A priority patent/AU2018411224B2/en
Priority to US16/640,295 priority patent/US11293400B2/en
Priority to EP18907660.7A priority patent/EP3608536B1/en
Publication of CN110206685A publication Critical patent/CN110206685A/zh
Application granted granted Critical
Publication of CN110206685B publication Critical patent/CN110206685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0204—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/022—Adjusting aerodynamic properties of the blades
    • F03D7/0224—Adjusting blade pitch
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/103—Purpose of the control system to affect the output of the engine
    • F05B2270/1033—Power (if explicitly mentioned)
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/321—Wind directions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/322—Control parameters, e.g. input parameters the detection or prediction of a wind gust
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/327—Rotor or generator speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/328—Blade pitch angle
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/335—Output power or torque
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

提供一种风电场中的风力发电机组的前馈控制方法和设备，所述前馈控制方法包括：获取风电场中的预定风力发电机组的实时运行数据；将获取的实时运行数据输入到与所述预定风力发电机组对应的所述预定预测模型，以通过所述预定预测模型获取预测数据；根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制所述预定风力发电机组的运行状态。采用本发明示例性实施例的风电场中的风力发电机组的前馈控制方法和设备，能够通过预测风力发电机组在未来时刻的运行状态以提前施加控制，从而避免极端工况对风力发电机组安全运行和载荷的影响。

Description

风电场中的风力发电机组的前馈控制方法和设备
技术领域
本发明总体说来涉及风力发电技术领域，更具体地讲，涉及一种风电场中的风力发电机组的前馈控制方法和设备。
背景技术
目前，大型风力发电机系统为一个随动系统，具有转动惯量大，大时滞的特点。具体可表现为：风力发电机组在正常运行过程中，由于外界风速的变化，风力发电机组的运行状态随之发生变化，导致叶片吸收的气动功率发生变化，风机控制系统根据当前的运行状态，控制风力发电机组执行相应地动作，以实现风力发电机组对风能的最大捕获。在此过程中，由于风速变化较快，风机控制系统(如PID控制)从开始调整到稳定(即，风机控制系统产生控制指令，执行机构从收到控制指令到开始动作，直至完成动作)，通常需要持续数个控制周期，而在此控制周期内，风速可能已经发生了变化，特别是在出现大湍流的工况下，表现为风速在极短时间内(通常为数秒内)发生较大的变化。当出现风速急剧变大的情况，风机控制系统及其执行机构的滞后性很可能导致风力发电机组发生过速故障，或者导致风力发电机组的载荷急剧升高，对风力发电机组安全运行和长期的疲劳载荷带来影响。
为避免上述情况发生，现有技术中可通过前馈控制系统预测风速进而控制风力发电机组提前进行动作。现有的前馈控制系统通常是依赖于激光雷达前置测风的数据对风力发电机组进行控制，由于激光雷达的成本高，因此并不会在每一台风力发电机组上使用，因此，对于没有安装前置测风设备的风力发电机组而言，就无法进行前馈控制。同时，激光雷达也仅仅限于对风速及风向的预测，而实际上风力发电机组所处环境的风资源异常复杂，在复杂地形条件下，风资源参数中的入流角，湍流强度，风剪切等，与风力发电机组在主风方向的地形，地貌和地表粗糙度密切相关，因此，单纯的前置测风无法满足对风力发电机组的更加精确的前馈控制需求。
发明内容
本发明的示例性实施例的目的在于提供一种风电场中的风力发电机组的前馈控制方法和设备，能够实现对风力发电机组的提前控制，有助于风力发电机组的安全运行。
根据本发明示例性实施例的一方面，提供一种风电场中的风力发电机组的前馈控制方法，所述前馈控制方法包括：获取风电场中的预定风力发电机组的实时运行数据；将获取的实时运行数据输入到与所述预定风力发电机组对应的预定预测模型，以通过所述预定预测模型获取预测数据；根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制所述预定风力发电机组的运行状态。
可选地，可通过所述预定预测模型获取预定时间之后的预测数据，其中，所述预定时间可为控制所述预定风力发电机组完成与所述预定的前馈控制方式对应的动作所需的最短时间的预定倍数。
可选地，根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能的步骤可包括：判断所述预定预测模型的预测准确度是否满足要求，其中，当满足要求时，可确定针对所述预定风力发电机组开启前馈控制功能。
可选地，判断所述预定预测模型的预测准确度是否满足要求的步骤可包括：判断预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据是否一致；如果一致，则确定所述预定预测模型的预测准确度满足要求。
可选地，判断预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据是否一致的步骤可包括：计算所述预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据的平均绝对误差或平均绝对误差百分比；如果所述平均绝对误差大于与所述预定预测模型对应的设定阈值或所述平均绝对误差百分比大于与所述预定预测模型对应的设定百分比阈值，则确定所述多个预测数据与对应的所述多个实际测量数据一致。
可选地，根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能的步骤可包括：判断预定时间段内的预测数据变化量是否大于设定值；如果大于，则通过变桨控制方式或电磁扭矩控制方式控制所述预定风力发电机组的运行状态。
可选地，所述预定预测模型可包括以下项中的至少一项：风速预测模型、风向预测模型、湍流强度预测模型、发电机转速预测模型。
可选地，当所述预定预测模型包括至少两个预测模型时，所述前馈控制方法还可包括：确定所述至少两个预测模型的综合准确度是否满足要求，其中，如果综合准确度满足要求，则可确定针对所述预定风力发电机组开启前馈控制功能。
可选地，确定所述至少两个预测模型的综合准确度是否满足要求的步骤可包括：为所述至少两个预测模型中的每个预测模型设置权重值，基于设置的权重值和每个预测模型的预测准确度确定综合准确度，当综合准确度大于预设阈值时，确定综合准确度满足要求，或者，当每个预测模型的预测准确度均满足要求时，确定综合准确度满足要求。
根据本发明示例性实施例的另一方面，提供一种风电场中的风力发电机组的前馈控制设备，所述前馈控制设备包括：数据获取模块，获取风电场中的预定风力发电机组的实时运行数据；预测模块，将获取的实时运行数据输入到与所述预定风力发电机组对应的预定预测模型，以通过所述预定预测模型获取预测数据；前馈控制模块，根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制所述预定风力发电机组的运行状态。
可选地，所述前馈控制系统还可包括：测试模块，判断所述预定预测模型的预测准确度是否满足要求，其中，当满足要求时，前馈控制模块可确定针对所述预定风力发电机组开启前馈控制功能。
可选地，测试模块可判断预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据是否一致，如果一致，则确定所述预定预测模型的预测准确度满足要求。
可选地，测试模块可计算预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据的平均绝对误差或平均绝对误差百分比，如果所述平均绝对误差大于与所述预定预测模型对应的设定阈值或所述平均绝对误差百分比大于与所述预定预测模型对应的设定百分比阈值，则可确定所述多个预测数据与对应的所述多个实际测量数据一致。
可选地，前馈控制模块可判断预定时间段内的预测数据变化量是否大于设定值，如果大于，则前馈控制模块确定针对所述预定风力发电机组开启前馈控制功能，以便通过变桨控制方式或电磁扭矩控制方式控制所述预定风力发电机组的运行状态。
可选地，所述预定预测模型可包括以下项中的至少一项：风速预测模型、风向预测模型、湍流强度预测模型、发电机转速预测模型。
可选地，所述前馈控制设备还可包括：调度模块，当所述预定预测模型包括至少两个预测模型时，调度模块可确定所述至少两个预测模型的综合准确度是否满足要求，其中，如果综合准确度满足要求，则前馈控制模块可确定针对所述预定风力发电机组开启前馈控制功能。
可选地，调度模块可为所述至少两个预测模型中的每个预测模型设置权重值，基于设置的权重值和每个预测模型的预测准确度确定综合准确度，当综合准确度大于预设阈值时，确定综合准确度满足要求，或者，当每个预测模型的预测准确度均满足要求时，调度模块可确定综合准确度满足要求。
根据本发明示例性实施例的再一方面，提供一种风电场中的风力发电机组的前馈控制系统，所述前馈控制系统包括上述的风电场中的风力发电机组的前馈控制设备。
根据本发明示例性实施例的再一方面，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现上述的风电场中的风力发电机组的前馈控制方法。
根据本发明示例性实施例的再一方面，提供一种场群控制器，所述场群控制器包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现上述的风电场中的风力发电机组的前馈控制方法。
采用本发明示例性实施例的风电场中的风力发电机组的前馈控制方法和设备，能够通过预测风力发电机组在未来时刻的运行状态以提前施加控制，从而避免极端工况对风力发电机组安全运行和载荷的影响。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述，本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚。
图1示出根据本发明示例性实施例的风电场中的风力发电机组的前馈控制方法的流程图；
图2示出根据本发明示例性实施例的风电场中的风力发电机组的前馈控制设备的结构图；
图3示出根据本发明示例性实施例的针对风速预测模型的前馈控制方式的结构示意图；
图4示出根据本发明示例性实施例的针对至少两个预测模型的前馈控制方式的结构示意图。
具体实施方式
现在，将参照附图更充分地描述不同的示例实施例，一些示例性实施例在附图中示出。
图1示出根据本发明示例性实施例的风电场中的风力发电机组的前馈控制方法的流程图。优选地，图1所示的前馈控制方法可在风电场的场群控制器中执行，这里，场群控制器可指风电场控制器(WFC，wind farm controller)，用于控制整个风电场中包括的所有风力发电机组，可实现风力发电机组控制的定制化和最优化，以提高风电场的发电能力。
参照图1，在步骤S10中，获取风电场中的预定风力发电机组的实时运行数据。
这里，应理解，上述获取的实时运行数据可包括预定风力发电机组运行时的实时风参数和该预定风力发电机组自身的实时运行参数。作为示例，获取的实时运行数据可为预定风力发电机组基于时间序列的与预定预测模型相应的实时运行数据。
在步骤S20中，将获取的实时运行数据输入到与预定风力发电机组对应的预定预测模型，以通过所述预定预测模型获取预测数据。优选地，通过预定预测模型所获取的预测数据可包括风参数和预定风力发电机组自身的运行参数。
这里，通过预定预测模型可获取预定时间之后的预测数据，优选地，所述预定时间可为控制预定风力发电机组完成与预定的前馈控制方式对应的动作所需的最短时间(例如，产生控制指令→根据控制指令开始动作→完成动作的时间)的预定倍数。作为示例，在本发明示例性实施例中，该预定时间可为秒级的时间，也就是说，本发明一优选地实施例中的预定预测模型可用于超短时间(数秒内)的预测。应理解，预定预测模型的预测时间长度可与用于训练该预定预测模型的训练数据的采样周期有关，训练数据的采样周期越短，则该预定预测模型的预测时间长度越短。
应理解，本发明示例性实施例的预定预测模型除可用于超短时间的预测之外，还可用于中长周期(如，十几秒、几十秒、几分钟、十几分钟)的预测。例如，可利用中长采样周期(如10秒左右)的预定风力发电机组的实时运行数据，通过上述预定预测模型来获得中长周期(如10分钟左右)的预测数据，以将获得的中长周期的预测数据作为更长周期(如，几十分钟、几小时、几天)的风功率预测系统的补充。
在步骤S30中，根据获取的预测数据确定是否针对预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制预定风力发电机组的运行状态。
优选地，根据获取的预测数据确定是否针对预定风力发电机组开启前馈控制功能的步骤可包括：判断预定预测模型的预测准确度是否满足要求。当预定预测模型的预测准确度满足要求时，确定针对预定风力发电机组开启前馈控制功能，当预定预测模型的预测准确度不满足要求时，确定针对预定风力发电机组不开启前馈控制功能。
例如，判断预定预测模型的预测准确度是否满足要求的步骤可包括：将获取的预定采样周期内(可指当前时刻之前的预定数量的采样周期内)的实时运行数据输入到预定预测模型，以获得所述预定采样周期内的多个预测数据，判断所述多个预测数据和与所述多个预测数据对应的多个实际测量数据是否一致，如果所述多个预测数据与所述多个实际测量数据一致，则确定预定预测模型的预测准确度满足要求。
作为示例，可假设当前时刻为10:00:00，可将当前时刻之前3秒内的实时运行数据(如，09:59:54-09:59:56的实时运行数据)输入到预定预测模型以获得预定时间之后的多个预测数据(如，09:59:57-09:59:59的预测数据)，将09:59:57-09:59:59的多个预测数据与09:59:57-09:59:59的与所述多个预测数据对应的多个实际测量数据进行比较，当所述多个预测数据与所述多个实际测量数据一致时，确定预定预测模型的预测准确度满足要求。应理解，实际测量数据是与所获得的预测数据对应的数据，即，如果预测数据为风速，则实际测量数据也为风速。
此外，如果所述多个预测数据与所述多个实际测量数据不一致，则表明预定预测模型的预测准确度不满足要求，此时可基于获取的实时运行数据对该预定预测模型进行在线训练，并在训练之后继续判断预定预测模型的预测准确度是否满足要求，以在预定预测模型的预测准确度满足要求之后将预定预测模型应用到前馈控制中。
作为示例，判断预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据是否一致的步骤可包括：计算预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据的平均绝对误差或平均绝对误差百分比。如果平均绝对误差大于与预定预测模型对应的设定阈值或平均绝对误差百分比大于与预定预测模型对应的设定百分比阈值，则确定所述多个预测数据与对应的所述多个实际测量数据一致，即，表明预定预测模型的预测准确度满足要求。如果平均绝对误差不大于与预定预测模型对应的设定阈值或平均绝对误差百分比不大于与预定预测模型对应的设定百分比阈值，则确定所述多个预测数据与对应的所述多个实际测量数据不一致，即，表明预定预测模型的预测准确度不满足要求。
例如，可利用下面的公式来计算平均绝对误差(MAE，Mean Absolute Error)，
公式(1)中，yj为第j个数据采样点的实际测量数据，为第j个数据采样点的预测数据，1≤j≤m，m为预定采样周期内包含的数据采样点的个数。
例如，可利用下面的公式来计算平均绝对误差百分比(MAPE，Mean AbsolutePercentage Error)，
应理解，除上述通过计算平均绝对误差MAE和平均绝对误差百分比MAPE来确定预定预测模型的预测准确度之外，还可通过其他方式来确定预定预测模型的预测准确度是否满足要求，例如，可通过计算SDMAE(平均绝对误差的标准差)、SDMAPE(平均绝对误差百分比的标准差)来确定预定预测模型的预测准确度。
优选地，在本发明示例性实施例中，上述预定预测模型可依据获取的预定风力发电机组的实时运行数据来进行在线训练，并当该预定预测模型的预测准确度满足要求之后，将该预定预测模型投入到前馈控制中，以为前馈控制提供预测数据。应理解，可利用现有的各种学习训练方法来基于获取的预定风力发电机组的实时运行数据来对预定预测模型进行训练，本发明对此不做限定。
然而，应理解本发明不限于此，除上述在线训练预定预测模型的方式之外，还可通过离线方式训练预定预测模型。例如，可基于预定风力发电机组的历史运行数据对预定预测模型进行训练，并对训练后的预定预测模型进行测试，当预定预测模型的预测准确度满足要求时，将该预定预测模型投入上述实时在线的前馈控制中，并在前馈控制过程中对预定预测模型不断进行在线测试，以确保在前馈控制过程中预定预测模型的预测精度。
作为示例，本发明示例性实施例中的预定预测模型可包括以下至少一项：风速预测模型、风向预测模型、湍流强度预测模型、发电机转速预测模型。
第一种情况，预定预测模型可为一个预测模型，此时可根据该一个预测模型所预测的预测数据来确定是否针对预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制该预定风力发电机组的运行状态。
优选地，根据预测数据确定是否针对预定风力发电机组开启前馈控制功能的步骤可包括：判断预定时间段内的预测数据变化量是否大于设定值，如果大于，则通过变桨控制方式或电磁扭矩控制方式控制预定风力发电机组的运行状态。
在第一示例中，以预定预测模型为风速预测模型为例，此时，在步骤S10中获取的与风速预测模型相应的实时运行数据可包括：实时测量的风速、风向、发电机转速、输出功率、发电机的电磁扭矩，相应地预测模型所预测的预测数据可为预测风速。
这里，一般是利用风力发电机组的风速仪来测量风速，但风速仪所测得的风速与叶轮前方自由来流的风速相比，一般认为是不够准确的。虽然如此，但当叶轮平面自由来流的风速的变化幅度大的时候，即，风速的变化量大于设定值时(表征风速突增或者突降，可认为出现大湍流情况)，风速仪测量的风速也会随之变化(即，风速仪测量的风速与自由来流的风速存在一定的线性映射关系)。因此，利用风速仪所测得的风速仅进行大湍流情况的预测是可行的。
优选地，为提高对风速测量的准确性，还可在预定风力发电机组上安装轮毂前置测风系统，由于该轮毂前置测风系统能够比较准确地测量出预定风力发电机组叶轮平面位于轮毂处的自由来流的风速，因此利用该轮毂前置测风系统所测得的风速来训练风速预测模型，可大大提高风速预测的准确性，从而可以进一步扩展前馈控制的功能，即不仅仅用于大湍流情况时预定风力发电机组的前馈控制，还可以作为正常运行条件下的预定风力发电机组的前馈控制，以将预定风力发电机组变为一个主动控制系统，从而大大提高预定风力发电机组的运行效率和降低在极端工况下的载荷。
除此之外，还可通过在预定风力发电机组的主风方向上安装测风塔，以利用测风塔测得的风速对预定风力发电机组的风速仪所测得的风速进行标定，使得风速仪测得的风速更为准确，以扩展前馈控制的工作范围，提高预定风力发电机组主动控制的能力。这里，由于测风塔在预定风力发电机组上的安装位置是固定的，当风向改变时，预定风力发电机组随风向进行转动，此时测风塔所测得的风速的准确性会降低，也就是说，在以预定风力发电机组的主风向为中心的预定范围的扇区内，可利用测风塔所测得的风速对风速仪所测得的风速进行标定。
下面以预定预测模型为风速预测模型，预测数据为预测风速为例，介绍针对风速预测模型的前馈控制方法的步骤。
具体说来，在此情况下，根据获取的预测数据确定是否针对预定风力发电机组开启前馈控制功能的步骤可包括：确定预定时间内的预测风速的变化量是否大于设定值(如设定风速变化量)。如果预测风速的变化量(可指预测风速增加的变化量或预测风速减小的变化量)大于设定值，则可确定针对预定风力发电机组开启前馈控制功能，以便通过变桨控制方式或电磁扭矩控制方式控制所述预定风力发电机组的运行状态。
具体说来，如果预测风速的变化量大于设定值，则可基于预测风速确定预定风力发电机组在所述预定时间之后是否处于满发阶段，根据确定的结果确定针对预定风力发电机组的前馈控制方式。这里，可基于预测风速与额定风速的比较结果来确定预定风力发电机组是否处于满发阶段，当预测风速不小于额定风速时，可认为预定风力发电机组处于满发阶段，当预测风速小于额定风速时，可认为预定风力发电机组处于不满发阶段。
如果预定风力发电机组处于满发阶段，则通过变桨控制方式控制预定风力发电机组的运行状态。这里，当预测风速大于额定风速时，可认为此时预定风力发电机组处于满发阶段，在此情况下，可通过变桨控制方式进行恒功率调整，即，通过变桨使预定风力发电机组恒功率输出(使风力发电机组保持以额定功率输出)。例如，当预测风速增加的变化量大于设定值时，如果预定风力发电机组处于满发阶段，则控制预定风力发电机组增大桨距角，当预测风速减小的变化量大于设定值时，如果预定风力发电机组处于满发阶段，则控制预定风力发电机组减小桨距角。
如果预定风力发电机组处于不满发阶段，则可通过电磁扭矩控制方式控制预定风力发电机组的运行状态。这里，当预测风速不大于额定风速时，可认为此时预定风力发电机组处于不满发阶段，即，处于最大风能捕获阶段，在此情况下，叶片桨距角保持在最优桨距角，可通过电磁扭矩控制方式调整发电机电磁扭矩(如增大电磁扭矩)，调整发电机转速，使叶片运行在最优叶尖速比处，叶片的风能利用系数最大(Cpmax)，以实现预定风力发电机组对风能的最大捕获。例如，当预测风速增加的变化量大于设定值时，如果预定风力发电机组处于不满发阶段，则控制预定风力发电机组增大电磁扭矩，当预测风速减小的变化量大于设定风速变化量时，如果预定风力发电机组处于不满发阶段，则控制预定风力发电机组减小电磁扭矩。
在第二示例中，以预定预测模型为风向预测模型为例，在步骤S10中获取的与风向预测模型相应的实时运行数据可包括：实时测量的风速、风向、机舱位置、发电机转速、输出功率、发电机的电磁扭矩。
在第三示例中，以预定预测模型为湍流强度预测模型为例，此时，在步骤S10中获取的与湍流强度预测模型相应的实时运行数据可包括：实时测量的风速、风向、发电机转速、输出功率、发电机的电磁扭矩。
这里，湍流强度为预定时间段的风速标准差与该预定时间段的平均风速的比值，也就是说，湍流强度为预定时间段的估计值，在本发明示例性实施例中湍流强度预测模型所预测的湍流强度不作为前馈控制使用，可仅将预测的湍流强度提供给风电场的操作人员，以供操作人员了解湍流强度的变化趋势。
在第四示例中，以预定预测模型为发电机转速预测模型为例，此时，在步骤S10中获取的与发电机转速预测模型相应的实时运行数据可包括：实时测量的风速、风向、发电机转速、输出功率、发电机的电磁扭矩、风力发电机组在第一预定方向(如X方向)和第二预定方向(如Y方向)上的加速度。作为示例，第一预定方向可指从风力发电机组的头部至尾部的方向，第二预定方向是指与风向垂直的方向(例如，现场工作人员站在下风向，面向机头，现场工作人员的左右方向可定义为第二预定方向)。
这里，由于当风电场中的风力发电机组发生发电机过速故障时，一般无法通过远程控制的方式对故障进行复位，需要风电场的操作人员在风力发电机组的运行现场进行操作才能复位故障。这会使得恢复上述发电机过速故障所需的故障处理时间较长，造成发电量的损失。为此，在本发明示例性实施例中可通过发电机转速预测模型来预测发电机转速，以基于预测的发电机转速通过变桨控制方式来提前进行调整，以避免发电机过速故障的发生，减少发电量的损失。
第二种情况，预定预测模型可包括至少两个预测模型。在此情况下，根据本发明示例性实施例的风电场中的风力发电机组的前馈控制方法还可包括：确定所述至少两个预测模型的综合准确度是否满足要求。
在一个示例中，确定至少两个预测模型的综合准确度是否满足要求的步骤可包括：为所述至少两个预测模型中的每个预测模型设置权重值，基于设置的权重值和每个预测模型的预测准确度确定综合准确度，当综合准确度大于预设阈值时，确定综合准确度满足要求，当综合准确度不大于预设阈值时，确定综合准确度不满足要求。
例如，可利用下面的公式来计算至少两个预测模型的综合准确度，
Pall＝w1·p(f(x1))+w2·p(f(x2))+…+wn·p(f(xn)) (3)
公式(3)中，wi为与第i个预测模型对应的权重，1≤i≤n，n为风电场中包括的风力发电机组的数量，且满足：w1+w2+…+wn＝1，p(f(xi))为第i个预测模型的预测准确度，xi表示与第i个预测模型对应的实时运行数据，一般xi可为一多维时间序列数组。
在另一示例中，确定至少两个预测模型的综合准确度是否满足要求的步骤可包括：确定每个预测模型的预测准确度，当每个预测模型的预测准确度均满足要求时，确定综合准确度满足要求。
优选地，在上述所示示例中可根据上述公式(1)和/或公式(2)的方法来确定每个预测模型的预测准确度，然而本发明不限于此，还可采用其他方式来确定每个预测模型的预测准确度。
当所述至少两个预测模型的综合准确度满足要求时，可确定针对预定风力发电机组开启前馈控制功能，当所述至少两个预测模型的综合准确度不满足要求时，可确定针对预定风力发电机组不开启前馈控制功能。
例如，以偏航控制为例，偏航控制需要根据风速和风向来确定偏航角度，以控制风力发电机组旋转确定的偏航角度，实现对风操作。也就是说，当预定预测模型包括风速预测模型和风向预测模型时，根据风速预测模型所预测的风速和风向预测模型所预测的风向来确定偏航角度，以通过偏航控制方式控制预定风力发电机组旋转确定的偏航角度。
图2示出根据本发明示例性实施例的风电场中的风力发电机组的前馈控制设备的结构图。
如图2所示，根据本发明示例性实施例的风电场中的风力发电机组的前馈控制设备100包括数据获取模块10、预测模块20和前馈控制模块30。
具体说来，数据获取模块10获取风电场中的预定风力发电机组的实时运行数据。
这里，应理解，数据获取模块10获取的实时运行数据可包括预定风力发电机组运行时的实时风参数和该预定风力发电机组自身的实时运行参数。作为示例，获取的实时运行数据可为预定风力发电机组基于时间序列的与预定预测模型相应的实时运行数据。
预测模块20将获取的实时运行数据输入到与预定风力发电机组对应的预定预测模型，以通过预定预测模型获取预测数据。优选地，通过预定预测模型所获取的预测数据可包括风参数和预定风力发电机组自身的运行参数。
这里，预测模块20通过预定预测模型可获取预定时间之后的预测数据，优选地，所述预定时间可为控制预定风力发电机组完成与预定的前馈控制方式对应的动作所需的最短时间的预定倍数。
前馈控制模块30根据获取的预测数据确定是否针对预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制所述预定风力发电机组的运行状态。
优选地，根据本发明示例性实施例的风电场中的风力发电机组的前馈控制设备可还包括：测试模块(图中未示出)，判断预定预测模型的预测准确度是否满足要求。
例如，测试模块将获取的预定采样周期内(可指当前时刻之前的预定数量的采样周期内)的实时运行数据输入到预定预测模型，以获得所述预定采样周期内的多个预测数据，判断所述多个预测数据和与所述多个预测数据对应的多个实际测量数据是否一致，如果所述多个预测数据与所述多个实际测量数据一致，则确定预定预测模型的预测准确度满足要求。如果预定预测模型的预测准确度满足要求，则前馈控制模块30确定针对预定风力发电机组开启前馈控制功能，如果预定预测模型的预测准确度不满足要求，则前馈控制模块30确定针对预定风力发电机组不开启前馈控制功能。
如果所述多个预测数据与所述多个实际测量数据不一致，则表明预定预测模型的预测准确度不满足要求，此时测试模块可基于获取的实时运行数据对该预定预测模型进行在线训练，并在训练之后继续判断预定预测模型的预测准确度是否满足要求，以在预定预测模型的预测准确度满足要求之后将预定预测模型应用到前馈控制中。
作为示例，测试模块可计算预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据的平均绝对误差或平均绝对误差百分比。如果平均绝对误差大于与预定预测模型对应的设定阈值或平均绝对误差百分比大于与预定预测模型对应的设定百分比阈值，则测试模块确定所述多个预测数据与对应的所述多个实际测量数据一致，即，表明预定预测模型的预测准确度满足要求。如果平均绝对误差不大于与预定预测模型对应的设定阈值或平均绝对误差百分比不大于与预定预测模型对应的设定百分比阈值，则确定所述多个预测数据与对应的所述多个实际测量数据不一致，即，表明预定预测模型的预测准确度不满足要求。
优选地，在本发明示例性实施例中，上述预定预测模型可基于获取的预定风力发电机组的实时运行数据来进行在线训练，或者，还可基于预定风力发电机组的历史运行数据对预定预测模型进行离线训练。
作为示例，本发明示例性实施例中的预定预测模型可包括以下至少一项：风速预测模型、风向预测模型、湍流强度预测模型、发电机转速预测模型。
第一种情况，预定预测模型可为一个预测模型，此时前馈控制模块30可根据该一个预测模型所预测的预测数据来确定是否针对预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制该预定风力发电机组的运行状态。
优选地，前馈控制模块30判断预定时间段内的预测数据变化量是否大于设定值，如果预测数据变化量大于设定值，则前馈控制模块30确定针对预定风力发电机组开启前馈控制功能，以便通过变桨控制方式或电磁扭矩控制方式控制预定风力发电机组的运行状态。
这里，优选地，本发明示例性实施例还提供一种风电场中的风力发电机组的前馈控制系统，所述前馈控制系统除包括图2所示的前馈控制设备100之外，可还包括多个机组控制器200。每个机组控制器200可控制相应的风力发电机组的运行状态。在此情况下，当前馈控制模块30确定针对预定风力发电机组开启前馈控制功能时，与该预定风力发电机组对应的机组控制器200可通过变桨控制方式或电磁扭矩控制方式控制预定风力发电机组的运行状态。
在第一示例中，以预定预测模型为风速预测模型为例，此时，数据获取模块10获取的与风速预测模型相应的实时运行数据可包括：实时测量的风速、风向、发电机转速、输出功率、发电机的电磁扭矩，相应地预测模型所预测的预测数据可为预测风速。
下面以预定预测模型为风速预测模型，预测数据为预测风速为例，参照图2介绍针对风速预测模型的前馈控制方式的过程。
图3示出根据本发明示例性实施例的针对风速预测模型的前馈控制方式的结构示意图。
如图3所示，假设风电场中包括n个风力发电机组，每个风力发电机组具有一个机组控制器，且一个风力发电机组对应一个风速预测模型。在此情况下，上述本发明示例性实施例所示的图2中的前馈控制设备100可包括与各风力发电机组对应的数据获取模块、与各预测模型分别对应的预测模块和测试模块，以及前馈控制模块。
具体说来，以风力发电机组1为例，针对风速预测模型的前馈控制过程可为：数据获取模块1获取风力发电机组1运行时的实时风速，预测模块1将获取的风力发电机组1运行时的实时风速输入到与风力发电机组1对应的风速预测模型1，获得风力发电机组1的预测风速。测试模块1判断风速预测模型1的预测准确度是否满足要求，当风速预测模型1的预测准确度满足要求时，则测试模块1向前馈控制模块发出使能信号，前馈控制模块响应于该使能信号，确定针对风力发电机组1开启前馈控制功能，并根据风速预测模型1所预测的预测风速提前给机组控制器1发出控制指令，机组控制器1响应于控制指令以控制风力发电机组1调整电磁扭矩或者提前变桨。
如果测试模块1确定风速预测模型1的预测准确度不满足要求，则测试模块1不向前馈控制模块发送使能信号，此时前馈控制模块确定针对风力发电机组1不开启前馈控制功能，表明此时的风速预测模型1需要进一步学习以适应当前变化的风况。在此情况下，可实时获取风力发电机组1的实时运行数据，实时在线训练与风力发电机组1对应的风速预测模块1，测试模块1进行实时测试，当测试模块1确定风速预测模型1的预测准确度满足要求时，使能前馈控制模块。
这里，由于风速预测模型是针对各个风力发电机组建立的，即，考虑到了不同风力发电机组之间的差异，前馈控制模块可向各机组控制器分别推送不同的控制参数，以避免各风力发电机组发生过速故障或者通过提前变桨来降低风力发电机组的载荷，使得风力发电机组的效率更高、载荷更小。
例如，前馈控制模块30可确定预定时间内的预测风速的变化量是否大于设定值(如设定风速变化量)。如果预测风速的变化量(可指预测风速增加的变化量或预测风速减小的变化量)大于设定值，则前馈控制模块30可确定针对预定风力发电机组开启前馈控制功能，以使与预定风力发电机组对应的机组控制器可通过变桨控制方式或电磁扭矩控制方式控制预定风力发电机组的运行状态。
具体说来，如果预测风速的变化量大于设定值，则前馈控制模块30可基于预测风速确定预定风力发电机组在预定时间之后是否处于满发阶段，并根据确定的结果确定针对预定风力发电机组的前馈控制方式。这里，前馈控制模块30可基于预测风速与额定风速的比较结果来确定预定风力发电机组是否处于满发阶段，当预测风速不小于额定风速时，前馈控制模块30可认为预定风力发电机组处于满发阶段，当预测风速小于额定风速时，前馈控制模块30可认为预定风力发电机组处于不满发阶段。
如果预定风力发电机组处于满发阶段，则前馈控制模块30可确定针对预定风力发电机组开启前馈控制功能，并确定此时的前馈控制方式为变桨控制方式，以使与预定风力发电机组对应的机组控制器可通过变桨控制方式控制预定风力发电机组的运行状态。这里，当预测风速大于额定风速时，可认为此时预定风力发电机组处于满发阶段，在此情况下，与预定风力发电机组对应的机组控制器可通过变桨控制方式进行恒功率调整，即，通过变桨使预定风力发电机组恒功率输出(使风力发电机组保持以额定功率输出)。例如，当预测风速增加的变化量大于设定风速变化量时，如果预定风力发电机组处于满发阶段，则与预定风力发电机组对应的机组控制器可控制预定风力发电机组增大桨距角，当预测风速减小的变化量大于设定风速变化量时，如果预定风力发电机组处于满发阶段，则与预定风力发电机组对应的机组控制器可控制预定风力发电机组减小桨距角。
如果预定风力发电机组处于不满发阶段，则前馈控制模块30可确定针对预定风力发电机组开启前馈控制功能，并确定此时的前馈控制方式为电磁扭矩控制方式，以使与预定风力发电机组对应的机组控制器可通过电磁扭矩控制方式控制预定风力发电机组的运行状态。这里，当预测风速不大于额定风速时，可认为此时预定风力发电机组处于不满发阶段，即，处于最大风能捕获阶段，在此情况下，叶片桨距角保持在最优桨距角，与预定风力发电机组对应的机组控制器可通过电磁扭矩控制方式调整发电机电磁扭矩(如增大电磁扭矩)，调整发电机转速，使叶片运行在最优叶尖速比处，叶片的风能利用系数最大，以实现预定风力发电机组对风能的最大捕获。例如，当预测风速增加的变化量大于设定风速变化量时，如果预定风力发电机组处于不满发阶段，则与预定风力发电机组对应的机组控制器可控制预定风力发电机组增大电磁扭矩，当预测风速减小的变化量大于设定风速变化量时，如果预定风力发电机组处于不满发阶段，则与预定风力发电机组对应的机组控制器可控制预定风力发电机组减小电磁扭矩。
在第二示例中，以预定预测模型为风向预测模型为例，数据获取模块10获取的与风向预测模型相应的实时运行数据可包括：实时测量的风速、风向、机舱位置、发电机转速、输出功率、发电机的电磁扭矩。
在第三示例中，以预定预测模型为湍流强度预测模型为例，此时，数据获取模块10获取的与湍流强度预测模型相应的实时运行数据可包括：实时测量的风速、风向、发电机转速、输出功率、发电机的电磁扭矩。
这里，湍流强度为预定时间段的风速标准差与该预定时间段的平均风速的比值，也就是说，湍流强度为预定时间段的估计值，在本发明示例性实施例中湍流强度预测模型所预测的湍流强度不作为前馈控制使用，可仅将预测的湍流强度提供给风电场的操作人员，以供操作人员了解湍流强度的变化趋势。
在此情况下，根据本发明示例性实施例的风电场中的风力发电机组的前馈控制系统还可包括：显示器，用于显示利用预定预测模型获得的预测数据。例如，前馈控制模块可将湍流强度预测模型所预测的湍流强度发送到显示器以进行显示。
在第四示例中，例如以预定预测模型为发电机转速预测模型为例，此时，数据获取模块10获取的与发电机转速预测模型相应的实时运行数据可包括：实时测量的风速、风向、发电机转速、输出功率、发电机的电磁扭矩、风力发电机组在第一预定方向(如X方向)和第二预定方向(如Y方向)上的加速度。
这里，由于当风电场中的风力发电机组发生发电机过速故障时，一般无法通过远程控制的方式对故障进行复位，需要风电场的操作人员在风力发电机组的运行现场进行操作才能复位故障。这会使得恢复上述发电机过速故障所需的故障处理时间较长，造成发电量的损失。为此，在本发明示例性实施例中可通过发电机转速预测模型来预测发电机转速，与发电机转速预测模型对应的风力发电机组对应的机组控制器基于预测的发电机转速通过变桨控制方式来提前进行调整，以避免发电机过速故障的发生，减少发电量的损失。
第二种情况，预定预测模型可包括至少两个预测模型。下面参照图4介绍针对至少两个预测模型的前馈控制方式的过程。
图4示出根据本发明示例性实施例的针对至少两个预测模型的前馈控制方式的结构示意图。
如图4所示，假设风电场中包括n个风力发电机组，每个风力发电机组具有一个机组控制器，且一个风力发电机组对应一个风速预测模型。在此情况下，上述本发明示例性实施例所示的图2中的前馈控制设备100可包括与各风力发电机组对应的数据获取模块、与各预测模型分别对应的预测模块和测试模块，以及调度模块和前馈控制模块。
具体说来，测试模块可用于确定与各风力发电机组对应的预测模型的预测准确度是否满足要求。
调度模块可用于确定至少两个预测模型的综合准确度是否满足要求。
在一个示例中，调度模块可为所述至少两个预测模型中的每个预测模型设置权重值，基于设置的权重值和每个预测模型的预测准确度确定综合准确度，当综合准确度大于预设阈值时，确定综合准确度满足要求，当综合准确度不大于预设阈值时，确定综合准确度不满足要求。
在另一示例中，调度模块当每个预测模型的预测准确度均满足要求时，确定综合准确度满足要求。
当调度模块确定所述至少两个预测模型的综合准确度满足要求时，调度模块向前馈控制模块发出使能信号，前馈控制模块响应于该使能信号，确定针对预定风力发电机组开启前馈控制功能。
如果调度模块确定所述至少两个预测模型的综合准确度不满足要求，则调度模块不向前馈控制模块发送使能信号，此时前馈控制模块确定针对预定风力发电机组不开启前馈控制功能，表明此时的所述至少两个预测模型需要进一步学习。
例如，以偏航控制为例，偏航控制需要根据风速和风向来确定偏航角度，以控制预定风力发电机组旋转确定的偏航角度，实现对风操作。也就是说，当预定预测模型包括风速预测模型和风向预测模型时，如果风速预测模型和风向预测模型的综合准确度满足要求，则前馈控制模块根据风速预测模型所预测的风速和风向预测模型所预测的风向来确定偏航角度，与预定风力发电机组对应的机组控制器通过偏航控制方式控制预定风力发电机组旋转确定的偏航角度。
根据本发明的示例性实施例还提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述风电场中的风力发电机组的前馈控制方法的计算机程序。该计算机可读记录介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
根据本发明的示例性实施例还提供一种场群控制器。该场群控制器包括处理器和存储器。存储器用于存储计算机程序。所述计算机程序被处理器执行使得处理器执行如上所述的风电场中的风力发电机组的前馈控制方法。
采用本发明示例性实施例的风电场中的风力发电机组的前馈控制方法和设备，能够通过预测风力发电机组在未来时刻的运行状态以提前施加控制，从而避免极端工况对风力发电机组安全运行和载荷的影响。
此外，采用本发明示例性实施例的风电场中的风力发电机组的前馈控制方法和设备，通过将预测数据与前馈控制方式相结合，使得机组控制系统在一定程度上从被动控制系统变成了主动控制系统，并使得机组控制系统能够提前感知风速、风向、发电机转速、湍流强度的变化，并提前产生相应地控制指令，消除了目前机组被动系统带来的控制的滞后性，是实现单个风力发电机组智能化控制的基础。
此外，采用本发明示例性实施例的风电场中的风力发电机组的前馈控制方法和设备，能够提高风力发电机组出力，避免风力发电机组发生过速或加速度超限故障。
此外，采用本发明示例性实施例的风电场中的风力发电机组的前馈控制方法和设备，通过预测大湍流情况，提前给风力发电机组发出控制指令(如增大电磁扭矩)，使电磁扭矩与气动扭矩平衡，避免风力发电机组转速突增，并在避免过速类故障的同时提高了风力发电机组的出力，降低了风力发电机组的载荷。
此外，采用本发明示例性实施例的风电场中的风力发电机组的前馈控制方法和设备，在风力发电机组处于满发阶段时，通过利用风速预测模块预测出风速突然增大的情况，以通过提前变桨来卸载风速突增施加在风力发电机组上的载荷，实现风力发电机组恒功率控制。
此外，目前国内采用的风速功率预测系统的预测时间为10-20min，即每10-20min预测一次风电场的风速和功率值，以用于指导电网的调度。此时，可利用本发明示例性实施例的上述预定预测模型进行较长时间的预测，如可预测5-20min范围内的风速和功率值，以将预测的风速和功率值作为目前风速功率预测系统的重要补充。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (20)

1.一种风电场中的风力发电机组的前馈控制方法，其特征在于，所述前馈控制方法包括：
获取风电场中的预定风力发电机组的实时运行数据；
将获取的实时运行数据输入到与所述预定风力发电机组对应的预定预测模型，以通过所述预定预测模型获取预测数据；
根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制所述预定风力发电机组的运行状态。
2.如权利要求1所述的前馈控制方法，其特征在于，根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能，包括：判断所述预定预测模型的预测准确度是否满足要求，
其中，当满足要求时，确定针对所述预定风力发电机组开启前馈控制功能。
3.如权利要求2所述的前馈控制方法，其特征在于，判断所述预定预测模型的预测准确度是否满足要求，包括：
判断预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据是否一致；
如果一致，则确定所述预定预测模型的预测准确度满足要求。
4.如权利要求3所述的前馈控制方法，其特征在于，判断预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据是否一致，包括：
计算所述预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据的平均绝对误差或平均绝对误差百分比；
如果所述平均绝对误差大于与所述预定预测模型对应的设定阈值或所述平均绝对误差百分比大于与所述预定预测模型对应的设定百分比阈值，则确定所述多个预测数据与对应的所述多个实际测量数据一致。
5.如权利要求1所述的前馈控制方法，其特征在于，根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能，包括：
判断预定时间段内的预测数据变化量是否大于设定值；
如果大于，则通过变桨控制方式或电磁扭矩控制方式控制所述预定风力发电机组的运行状态。
6.如权利要求1所述的前馈控制方法，其特征在于，所述预定预测模型包括以下项中的至少一项：风速预测模型、风向预测模型、湍流强度预测模型、发电机转速预测模型。
7.如权利要求6所述的前馈控制方法，其特征在于，当所述预定预测模型包括至少两个预测模型时，所述前馈控制方法还包括：
确定所述至少两个预测模型的综合准确度是否满足要求，
其中，如果综合准确度满足要求，则确定针对所述预定风力发电机组开启前馈控制功能。
8.如权利要求7所述的前馈控制方法，其特征在于，确定所述至少两个预测模型的综合准确度是否满足要求，包括：
为所述至少两个预测模型中的每个预测模型设置权重值，基于设置的权重值和每个预测模型的预测准确度确定综合准确度，当综合准确度大于预设阈值时，确定综合准确度满足要求，
或者，当每个预测模型的预测准确度均满足要求时，确定综合准确度满足要求。
9.如权利要求1所述的前馈控制方法，其特征在于，通过所述预定预测模型获取预定时间之后的预测数据，其中，所述预定时间为控制所述预定风力发电机组完成与所述预定的前馈控制方式对应的动作所需的最短时间的预定倍数。
10.一种风电场中的风力发电机组的前馈控制设备，其特征在于，所述前馈控制设备包括：
数据获取模块，获取风电场中的预定风力发电机组的实时运行数据；
预测模块，将获取的实时运行数据输入到与所述预定风力发电机组对应的预定预测模型，以通过所述预定预测模型获取预测数据；
前馈控制模块，根据所述获取的预测数据确定是否针对所述预定风力发电机组开启前馈控制功能，以便基于预定的前馈控制方式控制所述预定风力发电机组的运行状态。
11.如权利要求10所述的前馈控制设备，其特征在于，所述前馈控制设备还包括：测试模块，判断所述预定预测模型的预测准确度是否满足要求，
其中，当满足要求时，前馈控制模块确定针对所述预定风力发电机组开启前馈控制功能。
12.如权利要求11所述的前馈控制设备，其特征在于，测试模块判断预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据是否一致，如果一致，则确定所述预定预测模型的预测准确度满足要求。
13.如权利要求12所述的前馈控制设备，其特征在于，测试模块计算所述预定采样周期内的多个预测数据和分别与所述多个预测数据对应的多个实际测量数据的平均绝对误差或平均绝对误差百分比，如果所述平均绝对误差大于与所述预定预测模型对应的设定阈值或所述平均绝对误差百分比大于与所述预定预测模型对应的设定百分比阈值，则确定所述多个预测数据与对应的所述多个实际测量数据一致。
14.如权利要求10所述的前馈控制设备，其特征在于，前馈控制模块判断预定时间段内的预测数据变化量是否大于设定值，如果大于，则前馈控制模块确定针对所述预定风力发电机组开启前馈控制功能，以便通过变桨控制方式或电磁扭矩控制方式控制所述预定风力发电机组的运行状态。
15.如权利要求10所述的前馈控制设备，其特征在于，所述预定预测模型包括以下项中的至少一项：风速预测模型、风向预测模型、湍流强度预测模型、发电机转速预测模型。
16.如权利要求15所述的前馈控制设备，其特征在于，所述前馈控制设备还包括：调度模块，当所述预定预测模型包括至少两个预测模型时，调度模块确定所述至少两个预测模型的综合准确度是否满足要求，
其中，如果综合准确度满足要求，则前馈控制模块确定针对所述预定风力发电机组开启前馈控制功能。
17.如权利要求16所述的前馈控制设备，其特征在于，调度模块为所述至少两个预测模型中的每个预测模型设置权重值，基于设置的权重值和每个预测模型的预测准确度确定综合准确度，当综合准确度大于预设阈值时，确定综合准确度满足要求，
或者，当每个预测模型的预测准确度均满足要求时，调度模块确定综合准确度满足要求。
18.一种风电场中的风力发电机组的前馈控制系统，其特征在于，所述前馈控制系统包括如权利要求10-17中的任意一项所述的风电场中的风力发电机组的前馈控制设备。
19.一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现如权利要求1-9中的任意一项所述的风电场中的风力发电机组的前馈控制方法。
20.一种场群控制器，其特征在于，所述场群控制器包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-9中的任意一项所述的风电场中的风力发电机组的前馈控制方法。
CN201810165580.8A 2018-02-28 2018-02-28 风电场中的风力发电机组的前馈控制方法和设备 Active CN110206685B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201810165580.8A CN110206685B (zh) 2018-02-28 2018-02-28 风电场中的风力发电机组的前馈控制方法和设备
ES18907660T ES2962474T3 (es) 2018-02-28 2018-08-13 Método y dispositivo de control predictivo para un conjunto de aerogeneradores en un parque eólico
PCT/CN2018/100245 WO2019165759A1 (zh) 2018-02-28 2018-08-13 风电场中的风力发电机组的前馈控制方法和设备
AU2018411224A AU2018411224B2 (en) 2018-02-28 2018-08-13 Feedforward control method and device for wind turbine set in wind farm
US16/640,295 US11293400B2 (en) 2018-02-28 2018-08-13 Feedforward control method and device for wind turbine set in wind farm
EP18907660.7A EP3608536B1 (en) 2018-02-28 2018-08-13 Feedforward control method and device for wind turbine set in wind farm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810165580.8A CN110206685B (zh) 2018-02-28 2018-02-28 风电场中的风力发电机组的前馈控制方法和设备

Publications (2)

Publication Number Publication Date
CN110206685A true CN110206685A (zh) 2019-09-06
CN110206685B CN110206685B (zh) 2020-07-28

Family

ID=67778546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810165580.8A Active CN110206685B (zh) 2018-02-28 2018-02-28 风电场中的风力发电机组的前馈控制方法和设备

Country Status (6)

Country Link
US (1) US11293400B2 (zh)
EP (1) EP3608536B1 (zh)
CN (1) CN110206685B (zh)
AU (1) AU2018411224B2 (zh)
ES (1) ES2962474T3 (zh)
WO (1) WO2019165759A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259570A (zh) * 2020-02-26 2020-06-09 沈阳工业大学 一种基于信息物理系统的风电场有功备用量化方法
CN113309663A (zh) * 2021-03-08 2021-08-27 新疆金风科技股份有限公司 用于风力发电机组的控制方法及控制装置
CN113469526A (zh) * 2021-06-30 2021-10-01 华能国际电力股份有限公司广西清洁能源分公司 一种适用于复杂风区的风电场感知系统
CN115653831A (zh) * 2022-11-11 2023-01-31 国家能源集团山西电力有限公司 一种风力发电机组应急偏航控制系统和方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11060504B1 (en) * 2020-02-07 2021-07-13 General Electric Company Systems and methods for continuous machine learning based control of wind turbines
CN113107785B (zh) * 2021-05-12 2022-05-31 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
US11649804B2 (en) 2021-06-07 2023-05-16 General Electric Renovables Espana, S.L. Systems and methods for controlling a wind turbine
CN117277452B (zh) * 2023-11-23 2024-03-26 中国电力科学研究院有限公司 一种双馈风电机组快速有功控制的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102518553A (zh) * 2012-01-05 2012-06-27 山东电力研究院 一种用于风电场群的远程实时监控系统
CN107100794A (zh) * 2017-06-14 2017-08-29 北京唐浩电力工程技术研究有限公司 一种风轮机能量感知及控制方法
CN107524572A (zh) * 2016-06-22 2017-12-29 南京理工大学 一种风力发电机组在线状态监测和故障诊断方法
CN107559144A (zh) * 2016-06-30 2018-01-09 通用电气公司 用于风力涡轮机的前馈控制的方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005108784A1 (ja) * 2004-05-07 2005-11-17 Mitsubishi Denki Kabushiki Kaisha 風力発電評価システム、風力発電機のための予測制御サービスシステム
GB2476316B (en) * 2009-12-21 2014-07-16 Vestas Wind Sys As A wind turbine having a control method and controller for predictive control of a wind turbine generator
JP2018017198A (ja) 2016-07-29 2018-02-01 株式会社日立製作所 風力発電システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102518553A (zh) * 2012-01-05 2012-06-27 山东电力研究院 一种用于风电场群的远程实时监控系统
CN107524572A (zh) * 2016-06-22 2017-12-29 南京理工大学 一种风力发电机组在线状态监测和故障诊断方法
CN107559144A (zh) * 2016-06-30 2018-01-09 通用电气公司 用于风力涡轮机的前馈控制的方法及系统
CN107100794A (zh) * 2017-06-14 2017-08-29 北京唐浩电力工程技术研究有限公司 一种风轮机能量感知及控制方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259570A (zh) * 2020-02-26 2020-06-09 沈阳工业大学 一种基于信息物理系统的风电场有功备用量化方法
CN111259570B (zh) * 2020-02-26 2023-10-27 沈阳工业大学 一种基于信息物理系统的风电场有功备用量化方法
CN113309663A (zh) * 2021-03-08 2021-08-27 新疆金风科技股份有限公司 用于风力发电机组的控制方法及控制装置
CN113469526A (zh) * 2021-06-30 2021-10-01 华能国际电力股份有限公司广西清洁能源分公司 一种适用于复杂风区的风电场感知系统
CN115653831A (zh) * 2022-11-11 2023-01-31 国家能源集团山西电力有限公司 一种风力发电机组应急偏航控制系统和方法

Also Published As

Publication number Publication date
AU2018411224B2 (en) 2020-12-10
ES2962474T3 (es) 2024-03-19
EP3608536A4 (en) 2020-05-20
CN110206685B (zh) 2020-07-28
EP3608536B1 (en) 2023-09-27
AU2018411224A1 (en) 2019-12-12
US20200291921A1 (en) 2020-09-17
US11293400B2 (en) 2022-04-05
WO2019165759A1 (zh) 2019-09-06
EP3608536C0 (en) 2023-09-27
EP3608536A1 (en) 2020-02-12

Similar Documents

Publication Publication Date Title
CN110206685A (zh) 风电场中的风力发电机组的前馈控制方法和设备
Wang et al. Comparison of strategies for enhancing energy capture and reducing loads using LIDAR and feedforward control
US10753338B2 (en) Control of a multi-rotor wind turbine system using a central controller to calculate local control objectives
EP3613982B1 (en) Method for controlling operation of a wind turbine
CN105649877B (zh) 一种大型风电机组的蚁群pid独立变桨控制方法
CN103061980A (zh) 基于激光测风雷达的风力发电机组的前馈控制系统及其控制方法
CN106979126A (zh) 基于svr的风力发电机组高风速段有效风速估计方法
CN113994087B (zh) 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统
CN109416523A (zh) 在低电压电网事件期间使用mpc控制风力涡轮机
WO2018115423A1 (en) Fatigue load minimization in an operation of a wind farm
Lio Blade-pitch control for wind turbine load reductions
EP3771822A1 (en) A method for computer-implemented determination of a vertical speed wind profile of a wind field
CN105626378A (zh) 基于rbf神经网络的大型风电机组独立变桨控制方法
Shakeel Neural networks based prediction of wind energy using pitch angle control
Wang et al. LIDAR-based FX-RLS feedforward control for wind turbine load mitigation
Sinner et al. A comparison of individual and collective pitch model predictive controllers for wind turbines
Requate et al. Active control of the reliability of wind turbines
Spudić et al. Supervisory controller for reduction of wind turbine loads in curtailed operation
Campagnolo et al. Wind tunnel validation of a wind observer for wind farm control
Spudić et al. Explicit model predictive control for reduction of wind turbine structural loads
Yang et al. Non-Linear Autoregressive Neural Network Based Wind Direction Prediction for the Wind Turbine Yaw System
Yongyu et al. Predictive functional control of power kites for high altitude wind energy generation based on hybrid neural network
Hegazy et al. The potential of wave feedforward control for floating wind turbines: A wave tank experiment
Mahdizadeh LIDAR-Assisted Exact Output Regulation for Multi-Megawatt Wind Turbines
Petrović et al. Identification of wind turbine mathematical model suitable for advanced controller design

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