CN110245866A - 一种风电功率爬坡事件检测方法 - Google Patents

Abstract

本发明提供一种风电功率爬坡事件检测方法，步骤包括S1原始数据采集；S2数据预处理；S3数据压缩，采用SDT旋转门算法对预处理后的数据进行压缩；S4趋势判定及标记，定义功率变化趋势，将局部功率的变化分为上升趋势、平稳趋势、下降趋势三类；S5爬坡事件判定，对于有可能的上爬坡和下爬坡事件进行判定；S6爬坡事件记录。本发明将旋转门算法与局部趋势定义相结合来进行爬坡事件检测避免检测过程中小幅度波动所造成的漏检与误检，既缩短了爬坡检测时间又提高了爬坡检测精度。

Description

一种风电功率爬坡事件检测方法

技术领域

本发明属于短期风电功率技术领域，具体涉及一种风电功率爬坡事件检测方法。

背景技术

随着中国经济的快速发展，能源需求也日益增加。风能作为清洁可再生能源，在世界范围内已经得到了广泛的利用，风能自身具有强波动特性和不确定性，随着风电在电力系统中渗透率的不断增大，对电力系统的安全运行提出了诸多挑战，而准确的风电功率预测，可以为风资源并网发电、安全调度、市场竞价等提供重要的参考。

当前，爬坡预测主要遵循风电功率预测的思路，然后根据爬坡定义检测识别出爬坡事件，这种间接预测方法仍属于传统的功率预测。由于当前爬坡事件的研究主要侧重于爬坡预测，而在检测识别方面的研究并不多，检测识别的好坏，将直接影响爬坡预测的精度。风电爬坡事件是风功率波动严重的小概率事件，如何在大数据中快速检测出爬坡事件十分关键。因此，有效的爬坡检测技术至关重要。

发明内容

本发明针对现有技术中的不足，提供一种快速、准确的爬坡检测方法，以弥补现有爬坡事件检测方法的不足。本发明提供一种风电功率爬坡事件检测方法，即基于SDT和趋势标记相结合的风电爬坡事件检测方法。该方法根据爬坡事件蕴含显著的趋势信息，采用数据压缩的方法对原始数据进行压缩处理，预提取出可能存在的爬坡段，然后，引入趋势标记的方法对爬坡事件进行检测。

为实现上述目的，本发明采用以下技术方案：一种风电功率爬坡事件检测方法，包括以下步骤：

S1原始数据采集：采集风场的原始气象数据(v_i，p_i)，其中v_i表示i时刻的风速值，p_i表示i时刻的功率值；

S2数据预处理：对原始气象数据进行数据的预处理，预处理过程包括：剔除异常数据和插补缺失数据；预处理后的气象数据为表示预处理后i时刻的风速值，表示预处理后i时刻的功率值；

S3数据压缩：采用数据压缩的方法，对S2预处理后的气象数据进行压缩处理：

通过SDT旋转门算法对预处理后的气象数据形成的曲线进行分段趋势提取，提取出风电功率的上升趋势和下降趋势的趋势段；

S4趋势判定及标记：定义功率变化趋势，将局部功率的变化分为上升趋势、平稳趋势、下降趋势三类，

功率变化趋势满足式(1)：

ΔP^sdt＞M，上升趋势(+1)

|ΔP^sdt|≤M，平稳趋势(0)

ΔP^sdt＜-M，下降趋势(-1)

式中，局部功率的变化量分别表示经过SDT压缩后s+1、s时刻的功率，M为阈值，且M＞0；

若ΔP^sdt大于M，则视为上升趋势，并标记为+1；若ΔP^sdt小于-M，则视为下降趋势，标记为-1；若|ΔP^sdt|≤M，则视为平稳趋势，并标记为0；

S5爬坡事件判定：检测爬坡事件，定义爬坡事件满足式(2)：

式中：为爬坡阈值；发生上爬坡时，阈值选取为风场装机容量的20％；发生下爬坡时，阈值选取为风场装机容量的15％；

若功率的变化量ΔP^sdt为负值，且功率变化量绝对值的和满足式(2)，则识别为下爬坡事件；若功率的变化量ΔP^sdt为正值，且功率变化量绝对值的和且满足式(2)，识别为上爬坡事件；

S6爬坡事件记录：在S5基础之上，记录发生爬坡事件时，爬坡事件的起止时间、爬坡量、爬坡方向；

爬坡量为局部功率的变化量的绝对值。

为优化上述技术方案，采取的具体措施还包括：

S3中经过数据压缩处理后的气象数据为表示压缩处理后的风速值、表示压缩处理后的功率值；

压缩处理后的功率为其中T₁、T_m、T_n、T_s分别表示压缩处理后的功率值所对应的时刻。

S4中趋势标记后，得到数据集X为：

其中，矩阵的第一列为数据压缩后所对应的气象数据的时刻T＝(T₁，T_m，…，T_s)，矩阵的第二列为数据压缩后所对应的功率数据矩阵的第三列为数据压缩后所对应的局部功率的变化量矩阵的第四列为局部趋势所对应的标记x＝(x₁，x_m…，x_s)

S5中爬坡事件的判定具体如下：

局部趋势功率的变化量的累加和为正，此时有可能为上爬坡事件，若累积爬坡量达到对应阈值则视为上爬坡事件，此时阈值选取为风场装机容量的20％进行判断，否则为非爬坡事件；局部趋势功率的变化量的累加和为负时，此时有可能为下爬坡事件，若累积爬坡量达到对应阈值则视为下爬坡事件，此时阈值选取为风场装机容量的15％进行判断，否则为非爬坡事件。

数据的预处理过程包括，当历史数据中某时刻出现风机的风速小于切入风速，而该时刻的功率数据不为零时，将该时刻的功率数据置零；

输出功率和风机轮毂高度风速的3次方之间存在函数关系：P＝0.5ρπR²C_pu³

其中，P为输出功率，ρ为空气密度，R为叶轮半径，C_p为功率系数，u为风速；轮毂高度处的空气密度是一个常数，输出功率P受功率系数C_p和轮毂高度处的风速u的影响。切入风速为3m/s。

本发明的有益效果是：

(1)风电爬坡事件是风功率波动严重的小概率事件，采用旋转门算法的数据压缩方法可事先预提取出可能存在的爬坡段，大大减少了检测的数据量；

(2)引入了功率变化趋势定义，将局部功率的变化分为上升趋势、平稳趋势、下降趋势三类，从而避免检测过程中小幅度波动所造成的漏检与误检，既缩短了爬坡检测时间又提高了爬坡检测精度，具有实际意义；

(3)过大或过小的检测时间间隔不利于爬坡事件的检测、预测，传统爬坡事件的检测时间间隔多采用固定时间间隔，该方法从爬坡量的角度对爬坡事件进行检测，避免了现有爬坡事件固定时间窗口检测的不足，适用于不同地区的爬坡检测；同时，可以有效捕获爬坡事件的起止时间、爬坡方向以及爬坡量等重要信息。

附图说明

图1是本发明的爬坡事件检测方法的流程图。

图2为基于SDT旋转门算法的爬坡趋势示意图。

图3为检测出的雨天爬坡事件曲线图。

图4为检测出的晴天爬坡事件曲线图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1所示，本发明提供的一种风电功率爬坡事件检测方法，主要步骤如下：

S1原始数据采集：采集风场的原始气象数据(v_i，p_i)，其中v_i表示i时刻的风速值，p_i表示i时刻的功率值。

S2数据预处理：对采集的原始气象数据进行数据的预处理，预处理过程主要包括：剔除异常数据和插补缺失数据；预处理后的气象数据为表示预处理后i时刻的风速值，表示预处理后i时刻的功率值。

数据的预处理过程包括，当历史数据中某时刻出现风机的风速小于切入风速(3m/s)，而该时刻的功率数据不为零时，将该时刻的功率数据置零；

输出功率和风机轮毂高度风速的3次方之间存在函数关系：P＝0.5ρπR²C_pu³，其中，P为输出功率，ρ为空气密度，R为叶轮半径，C_p为功率系数，u为风速；轮毂高度处的空气密度是一个常数，输出功率P受功率系数C_p和轮毂高度处的风速u的影响。

S3数据压缩：由于风电爬坡事件属于小概率事件，采用数据压缩的方法，对步骤S2预处理后的气象数据进行压缩处理。

数据压缩方法采用SDT(Swing door trending)旋转门算法，对预处理后的气象数据进行分段趋势提取，主要包括从读取预处理后的风电功率随时间变化形成的曲线中，提取出风电功率的上升趋势和/或下降趋势的趋势段，从而提取出可能存在的爬坡段；爬坡事件主要考虑的是功率的变化，采用SDT(Swing door trending)旋转门算法进行功率数据的压缩后，可消除局部的微小波动，同时保留功率的整体变化趋势。

经过数据压缩处理后的气象数据为表示压缩处理后的风速值、表示压缩处理后的功率值；

其中，风电功率爬坡事件主要考虑短时间间隔内功率的陡然增大或减少，短时间间隔通常为15min、30min以及60min；本发明考虑风速、功率的变化，但注重考虑风电功率的异常变化，采用SDT旋转门算法压缩处理后的功率包含一段时间点内各个时刻风电功率的值的集合其中T₁，T_m，……T_n，T_s分别表示压缩处理后的功率值所对应的时刻，如功率值所对应的时刻为T₁，以此类推。

S4趋势判定及标记：引入功率变化趋势的定义，将局部功率的变化分为上升趋势、平稳趋势、下降趋势三类，

局部功率变化趋势满足式(1)：

式中，局部功率的变化量分别表示经过SDT压缩后s+1、s时刻的功率，M为阈值，且M＞0；

若ΔP^sdt大于M，则视为上升趋势，并标记为+1；若ΔP^sdt小于-M，则视为下降趋势，标记为-1；若|ΔP^sdt|≤M，代表局部小幅度上升或下降，视为局部平稳趋势，并标记为0。

基于SDT数据压缩和趋势标记后，得到数据集X如下：

其中，矩阵的第一列为数据压缩后所对应的气象数据的时刻T＝(T₁，T_m，…，T_s)，矩阵的第二列为数据压缩后所对应的功率数据矩阵的第三列为数据压缩后所对应的局部功率的变化量矩阵的第四列为局部趋势所对应的标记x＝(x₁，x_m…，x_s)，数据集X第一列、第三列、第四列可分别获知爬坡事件的起止时间、爬坡量以及爬坡方向等重要信息。

S5爬坡事件判定：检测爬坡事件，定义爬坡事件满足式(2)：

式中：为爬坡阈值；发生上爬坡时，阈值选取为风场装机容量的20％；发生下爬坡时，阈值选取为风场装机容量的15％；若功率的变化量ΔP^sdt为负值，且功率变化量绝对值的和满足式(2)，则识别为下爬坡事件；若功率的变化量ΔP^sdt为正值，且功率变化量绝对值的和且满足式(2)，识别为上爬坡事件。

具体的，爬坡事件爬坡方向的判定：若局部趋势功率的变化量ΔP^sdt的累加和为正，此时有可能为上爬坡事件；对于有可能的上爬坡事件，若累积爬坡量(即局部趋势功率的变化量ΔP^sdt的绝对值)的累加和达到对应阈值则视为上爬坡事件，此时阈值选取为风场装机容量的20％进行判断；若累积爬坡量未达到风场装机容量的20％阈值则为非爬坡事件；

当局部趋势功率的变化量ΔP^sdt的累加和为负时，此时有可能为下爬坡事件；对于有可能的下爬坡事件；若累积爬坡量(即局部趋势功率的变化量ΔP^sdt的绝对值)达到对应阈值则视为下爬坡事件，此时阈值选取为风场装机容量的15％进行判断；若累积爬坡量未达到风场装机容量的15％阈值则为非爬坡事件。

S6爬坡事件记录：在S5基础之上，记录发生爬坡事件时，爬坡事件的起止时间、爬坡量、爬坡方向。

下面以具体的实施例来说明趋势标记与爬坡事件的判断过程。如图2所示，对于上爬坡：起始点t0的前一刻是下降趋势，标记为(-1)，t0下一个时刻为上升趋势，标记为(+1)；上爬坡事件结束点t1的前一刻是上升趋势，标记为(+1)；t1下一个时刻为下降趋势，标记为(-1)；且t0至t1间的爬坡量满足公式(2)，则t0至t1期间发生上爬坡事件。对于下爬坡：起始点t3的前一刻是上升趋势，标记为(+1)，t3下一个时刻为下降趋势，标记为(-1)；下爬坡结束点t4前一刻是下降趋势，标记为(-1)，t4下一个时刻为上升趋势，标记为(+1)，且t3至t4间的爬坡量满足公式(2)，则t3至t4期间发生下爬坡事件。

本发明中没有使用固定的时间间隔，而是从爬坡量的角度对爬坡事件进行检测，避免了现有爬坡事件固定时间窗口检测的不足，适用于不同地区的爬坡检测；

为验证本发明的爬坡检测算法有效性，选用上海某风场2015年全年采集的数据进行案例验证，其额定装机容量为60MW，数据的采样间隔为5min。

1、数据的预处理

当历史数据中出现功率数据大于风机组的装机容量时，用风机的装机容量额定值替代该功率数据；当历史数据中某时刻出现风机的风速小于切入风速，而该时刻的功率数据不为零时，将该功率数据置零；当历史数据中出现缺失数据或不合理数据时，若数据较少，用相邻时刻数据的平均值来代替该数据。

风场采集的气象数据为(v_i，p_i)，其中v_i，p_i分别表示i时刻的风速值和功率值；预处理后的气象数据为分别表示预处理后的风速值、功率值；

2、SDT数据压缩

采用SDT(Swing door trending)旋转门算法对预处理后的气象数据为差行分段趋势提取，所述的经过数据压缩处理后的气象数据为分别表示压缩处理后的风速值、功率值；

3、风电功率爬坡事件检测

引入功率变化趋势定义，局部趋势定义满足式(1)，其中工程上当风电出力波动值低于风场装机容量的2％才可忽略，实施例选用风场装机容量为60MW，即M为1200kW。

爬坡事件类型的判定，判定的依据满足式(3)，其中为爬坡阈值，发生上爬坡时，阈值的选取为风场装机容量的20％，发生下爬坡时，阈值的选取为风场装机容量的15％。实施例选用的风电场装机容量60MW，即发生上爬坡时，阈值P_val＝12000kW，发生下爬坡时，阈值P_val＝8000kW。

检测的结果如图3、图4所示，可以看出通过SDT趋势提取可消除局部微小波动并保留了数据的整体变化趋势，同时能够有效捕获历史数据中所存在的爬坡事件。

本发明将旋转门算法(SDT)与局部趋势定义相结合来进行爬坡事件检测。采用改进的旋转门算法(SDT)对原始风电功率数据进行分段趋势提取，预提取出可能存在的爬坡事件，并引入了功率变化趋势定义，将局部功率的变化分为上升趋势、平稳趋势、下降趋势三类，从而避免检测过程中小幅度波动所造成的漏检与误检。既缩短了爬坡检测时间又提高了爬坡检测精度，具有实际意义。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种风电功率爬坡事件检测方法，其特征在于，包括以下步骤：

S1原始数据采集：采集风场的原始气象数据(v_i，p_i)，其中v_i表示i时刻的风速值，p_i表示i时刻的功率值；

S2数据预处理：对原始气象数据进行数据的预处理，预处理过程包括：剔除异常数据和插补缺失数据；预处理后的气象数据为 表示预处理后i时刻的风速值，表示预处理后i时刻的功率值；

S3数据压缩：采用数据压缩的方法，对S2预处理后的气象数据进行压缩处理：

通过SDT旋转门算法对预处理后的气象数据形成的曲线进行分段趋势提取，提取出风电功率的上升趋势和下降趋势的趋势段；

S4趋势判定及标记：定义功率变化趋势，将局部功率的变化分为上升趋势、平稳趋势、下降趋势三类，

功率变化趋势满足式(1)：

ΔP^sdt＞M，上升趋势(+1)

|ΔP^sdt|≤M，平稳趋势(0)

ΔP^sdt _＜-M，下降趋势(-1)

式中，局部功率的变化量 分别表示经过SDT压缩后s+1、s时刻的功率，M为阈值，且M＞0；

若ΔP^sdt大于M，则视为上升趋势，并标记为+1；若ΔP^sdt小于-M，则视为下降趋势，标记为-1；若|ΔP^sdt|≤M，则视为平稳趋势，并标记为0；

S5爬坡事件判定：检测爬坡事件，定义爬坡事件满足式(2)：

式中：为爬坡阈值；发生上爬坡时，阈值选取为风场装机容量的20％；发生下爬坡时，阈值选取为风场装机容量的15％；

若功率的变化量ΔP^sdt为负值，且功率变化量绝对值的和满足式(2)，则识别为下爬坡事件；若功率的变化量ΔP^sdt为正值，且功率变化量绝对值的和且满足式(2)，识别为上爬坡事件；

S6爬坡事件记录：在S5基础之上，记录发生爬坡事件时，爬坡事件的起止时间、爬坡量、爬坡方向；

爬坡量为局部功率的变化量的绝对值。

2.根据权利要求1所述的风电功率爬坡事件检测方法，其特征在于，S3中经过数据压缩处理后的气象数据为 表示压缩处理后的风速值、表示压缩处理后的功率值；

压缩处理后的功率为其中T₁、T_m、T_n、T_s分别表示压缩处理后的功率值所对应的时刻。

3.根据权利要求1所述的风电功率爬坡事件检测方法，其特征在于，S4中趋势标记后，得到数据集X为：

其中，矩阵的第一列为数据压缩后所对应的气象数据的时刻T＝(T₁，T_m，…，T_s)，矩阵的第二列为数据压缩后所对应的功率数据矩阵的第三列为数据压缩后所对应的局部功率的变化量矩阵的第四列为局部趋势所对应的标记x＝(x₁，x_m…，x_s)。

4.根据权利要求1所述的风电功率爬坡事件检测方法，其特征在于，S5中爬坡事件的判定具体如下：

局部趋势功率的变化量的累加和为正，此时有可能为上爬坡事件，若累积爬坡量达到对应阈值则视为上爬坡事件，此时阈值选取为风场装机容量的20％进行判断，否则为非爬坡事件；局部趋势功率的变化量的累加和为负时，此时有可能为下爬坡事件，若累积爬坡量达到对应阈值则视为下爬坡事件，此时阈值选取为风场装机容量的15％进行判断，否则为非爬坡事件。

5.根据权利要求1所述的风电功率爬坡事件检测方法，其特征在于，数据的预处理过程包括，当历史数据中某时刻出现风机的风速小于切入风速，而该时刻的功率数据不为零时，将该时刻的功率数据置零；

输出功率和风机轮毂高度风速的3次方之间存在函数关系：P＝0.5ρπR²C_pu³，

其中，P为输出功率，ρ为空气密度，R为叶轮半径，C_p为功率系数，u为风速；轮毂高度处的空气密度是一个常数，输出功率P受功率系数C_p和轮毂高度处的风速u的影响。

6.根据权利要求5所述的风电功率爬坡事件检测方法，其特征在于，切入风速为3m/s。