CN111860956A - 基于发电量可利用率的风电机组损失电量在线计算方法 - Google Patents

基于发电量可利用率的风电机组损失电量在线计算方法 Download PDF

Info

Publication number
CN111860956A
CN111860956A CN202010561267.3A CN202010561267A CN111860956A CN 111860956 A CN111860956 A CN 111860956A CN 202010561267 A CN202010561267 A CN 202010561267A CN 111860956 A CN111860956 A CN 111860956A
Authority
CN
China
Prior art keywords
electric quantity
turbine generator
wind turbine
power
loss
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.)
Pending
Application number
CN202010561267.3A
Other languages
English (en)
Inventor
周民强
詹洋燕
史晓鸣
任旦元
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.)
Zhejiang Windey Co Ltd
Original Assignee
Zhejiang Windey 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 Zhejiang Windey Co Ltd filed Critical Zhejiang Windey Co Ltd
Priority to CN202010561267.3A priority Critical patent/CN111860956A/zh
Publication of CN111860956A publication Critical patent/CN111860956A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于发电量可利用率的风电机组损失电量在线计算方法，包括以下步骤：根据风电机组的状态代码将损失电量进行分类；参照国标中的比恩法，建立曲线作为实时损失电量计算的基准曲线；对曲线按预设周期执行进行滑动平均以实现基准曲线的在线更新；将每个统计周期的平均风速作为输入，并结合基准曲线计算当前时刻的理论功率；基于理论功率和实际功率，计算每个统计周期的理论应发电量、实际发电量及损失电量的实时统计值；结合风电机组损失电量的状态分类，对风电机组损失电量按类别进行量化评估。上述技术方案以风电机组风速‑功率曲线为基准，实时计算损失电量，并根据发电量可利用率标准损失电量进行分类，并量化评估。

Description

基于发电量可利用率的风电机组损失电量在线计算方法
技术领域
本发明涉及风力发电领域，尤其涉及基于发电量可利用率的风电机组损失电量在线计算方法。
背景技术
风电产业的大规模兴起，促使人们思考如何评价风电——这样一个无需任何燃料投入，发电量几乎完全取决于风能资源状况的发电行业，风电场发电量分析方法也应运而生。目前在用的各种指标包括考核可利用小时完成率、风电场KPI指标等等，以上指标的目的均为考核现场实际发电量和理论电量之间的差异，但对风电场损失电量的科学计算和科学分类研究较少。
有资料显示，行业内现行的风电机组损失电量的统计方法主要有标杆机组法、全场平均法。该类方法是以所选取的标杆机组或风电场全场的平均发电量表征所有风电机组的实际发电能力，但没有考虑不同机位处的地形、湍流、实际风速等微观环境因素导致的各机位处机组的发电能力差异，使得现有算法用于评估单台机组的损失电量存在明显的缺陷，不能准确反映每台风机的运行状况。
中国专利文献CN104809556A公开了一种“风电机组损失电量计算方法”。采用的方法包括：S1：采集风电机组的风速数据，并对风速数据按时段分组；S2：将每组风速数据按照功率与风速的对应关系生成二维的计算域网格；S3：将所述的计算域网格按照分布情况进行区域划分；S4：确定最优的功率曲线，并以最优功率曲线为基准计算损失电量。上述技术方案没有考虑不同机位处的地形、湍流、实际风速等微观环境因素导致的各机位处机组的发电能力差异，使得现有算法用于评估单台机组的损失电量存在明显的缺陷。
发明内容
本发明主要解决原有的技术方案没有考虑不同机位处的地形、湍流、实际风速等微观环境因素导致的各机位处机组的发电能力差异的技术问题，提供基于发电量可利用率的风电机组损失电量在线计算方法，以风电机组风速-功率曲线为基准，实时计算损失电量，并根据发电量可利用率标准损失电量进行分类，简单、有效、可靠地根据风电机组的损失电量进行量化评估，定位风电机组发电量损失的主要原因，实现产能最大化，并提升与行业相关标准间的兼容性，以标准化工作助推研发创新。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
(1)根据风电机组的状态代码将损失电量进行分类；参照国标《GBZ35483-2017风力发电机组发电量可利用率》将机组损失电量划分成12类。
(2)参照国标中的比恩法，建立曲线作为实时损失电量计算的基准曲线；
(3)对曲线按预设周期执行进行滑动平均以实现基准曲线的在线更新；
(4)将每个统计周期的平均风速作为输入，并结合步骤(3)中的基准曲线计算当前时刻的理论功率；
(5)基于理论功率和实际功率，计算每个统计周期的理论应发电量、实际发电量及损失电量的实时统计值；
(6)结合风电机组损失电量的状态分类，对风电机组损失电量按类别进行量化评估。
作为优选，所述的步骤1损失电量进行分为12类，包括：正常运行、非正常运行、技术待机、超出环境条件、指令停机、电气规范外、定期维护、计划性改进、强制停机、暂停、不可抗力、不可用信息。
作为优选，所述的步骤2将高斯概率密度分布融合到比恩法中实现统计曲线计算方法的优化，高斯概率密度分布在风速区间i中的应用如下式：
Figure BDA0002546153080000031
Figure BDA0002546153080000032
式中，Pi,j为第i个风速区间中的第j个散点，kW；j为数据个数，取1～n；
Figure BDA0002546153080000033
为风速区间i对应的平均功率，kW；σi为风速区间i内功率散点的标准差。步骤2中基准曲线的计算是参照国标《GBT 18451.2-2012风力发电机组功率特性测试》执行的，并在比恩法中融合了高斯概率密度分布以实现曲线统计方法的优化。
作为优选，所述的步骤2考虑实际运行数据的随机性，选取风速区间i内功率落在
Figure BDA0002546153080000034
区间内数据散点，即95％的采样数据，并计算i区间对应的平均风速和平均功率。该方法可以剔除异常数据对曲线拟合的影响，使得计算得到的基准曲线具有更好的准确性和稳定性。
作为优选，所述的步骤3对用于计算曲线的实际运行数据按预设的时间窗口进行滑动平均，实现基准曲线的更新。该方法弱化了实时空气密度对机组实际出力性能的影响，进一步提升基准曲线的准确性和稳定性。
作为优选，所述的步骤3预设的时间窗口为3个月。为考虑实际运行数据的数量及质量，预设的时间窗口为3个月。
作为优选，所述的步骤4将每个统计周期的平均风速作为输入，并结合步骤3中在线更新的基准曲线，计算每个统计时刻的理论功率，实现理论功率的实时计算。
作为优选，所述的步骤5统计周期k时损失电量的计算如下式：
ELost,k＝Eth,k-Ereal,k＝Pth,k×T-Preal,k×T (3)
式中，ELost,k为k时刻的损失电量；Eth,k为k时刻的理论应发电量，Pth,k为对应k时刻的理论应发功率；Ereal,k为k时刻的实际发电量，Preal,k为对应k时刻的实际功率；T为统计周期。
作为优选，所述的统计周期为10min。
作为优选，所述的步骤6分别对12类状态下的损失电量进行量化统计，并按类别进行量化评估。
本发明的有益效果是：
1.通过对用于风电机组损失电量计算的基准曲线按预设周期进行更新，弱化空气密度等其它不可控因素对曲线的影响，使得计算的损失电量准确度更好；另一方面，
2.从机组的状态分类出发对损失电量进行分类统计及分析，定位造成电量损失的主要原因，为后续机组的优化提供数据支撑，从而实现风电机组产能最大化。
附图说明
图1是本发明的一种应用于实例的基于实际运行数据所获取的基准曲线簇。
图2是本发明的一种应用于实例的准确性评估。
图3是本发明的一种应用于实例的不同状态下的损失电量统计。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的基于发电量可利用率的风电机组损失电量在线计算方法，包括以下步骤：
(1)根据风电机组的状态代码将损失电量进行分类，参照国标《GBZ35483-2017风力发电机组发电量可利用率》，损失电量分为12类，包括：正常运行、非正常运行、技术待机、超出环境条件、指令停机、电气规范外、定期维护、计划性改进、强制停机、暂停、不可抗力、不可用信息。损失电量分类如下表。
Figure BDA0002546153080000051
(2)参照国标中的比恩法，将高斯概率密度分布融合到比恩法中实现统计曲线计算方法的优化，该曲线将作为实时损失电量计算的基准曲线。
基准曲线的计算是参照国标《GBT 18451.2-2012风力发电机组功率特性测试》执行的，并在比恩法中融合了高斯概率密度分布以实现曲线统计方法的优化。高斯概率密度分布在风速区间i中的应用如下式：
Figure BDA0002546153080000061
Figure BDA0002546153080000062
式中，Pi,j为第i个风速区间中的第j个散点，kW；j为数据个数，取1～n；
Figure BDA0002546153080000063
为风速区间i对应的平均功率，kW；σi为风速区间i内功率散点的标准差。考虑实际运行数据的随机性，选取风速区间内功率落在区间内数据散点，即95％的采样数据，并计算区间对应的平均风速和平均功率。该方法可以剔除异常数据对曲线拟合的影响，使得计算得到的基准曲线具有更好的准确性和稳定性。如图2所示为采用本方法和采用标杆法的准确性评估对比图。
(3)对曲线按预设周期执行进行滑动平均以实现基准曲线的在线更新。该方法在基准曲线的计算过程中，对用于计算曲线的实际运行数据按预设的时间窗口进行滑动平均，从而实现基准曲线的更新。该方法弱化了实时空气密度对机组实际出力性能的影响，进一步提升基准曲线的准确性和稳定性。其中，考虑实际运行数据的数量及质量，预设的时间窗口为3个月。本发明预设的更新周期为1个月，实际更新周期可根据可用数据的质量和数量进行调整。
如图1所示，例如：2020年1月的统计曲线，是采用2019年10月～2019年12月时间段内实际运行数据计算得到的；2020年2月的统计曲线，是采用2019年11月～2020年1月时间段内实际运行数据计算得到的；2020年2月的统计曲线，则采用2019年12月～2020年2月时间段内实际运行数据计算得到的，以此类推，实现基准曲线按月份自动更新。
(4)将每个统计周期的平均风速作为输入，并结合步骤(3)中的基准曲线计算当前时刻的理论功率，实现理论功率的实时计算。其中，统计周期为10min。
(5)基于理论功率和实际功率，计算每个统计周期的理论应发电量、实际发电量及损失电量的实时统计值。
统计周期k时损失电量的计算如下式：
ELost,k＝Eth,k-Ereal,k＝Pth,k×T-Preal,k×T (3)
式中，ELost,k为k时刻的损失电量；Eth,k为k时刻的理论应发电量，Pth,k为对应k时刻的理论应发功率；Ereal,k为k时刻的实际发电量，Preal,k为对应k时刻的实际功率；T为统计周期，取10min。
(6)结合风电机组损失电量的状态分类，对风电机组损失电量按类别进行量化评估。如图3所示，得到机组的不同状态分类的损失电量图。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了损失电量、统计周期等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (10)

1.基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，包括以下步骤：
(1)根据风电机组的状态代码将损失电量进行分类；
(2)参照国标中的比恩法，建立曲线作为实时损失电量计算的基准曲线；
(3)对曲线按预设周期执行进行滑动平均以实现基准曲线的在线更新；
(4)将每个统计周期的平均风速作为输入，并结合步骤(3)中的基准曲线计算当前时刻的理论功率；
(5)基于理论功率和实际功率，计算每个统计周期的理论应发电量、实际发电量及损失电量的实时统计值；
(6)结合风电机组损失电量的状态分类，对风电机组损失电量按类别进行量化评估。
2.根据权利要求1所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述步骤1损失电量进行分为12类，包括：正常运行、非正常运行、技术待机、超出环境条件、指令停机、电气规范外、定期维护、计划性改进、强制停机、暂停、不可抗力、不可用信息。
3.根据权利要求1所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述步骤2将高斯概率密度分布融合到比恩法中实现统计曲线计算方法的优化，高斯概率密度分布在风速区间i中的应用如下式：
Figure FDA0002546153070000011
Figure FDA0002546153070000012
式中，Pi,j为第i个风速区间中的第j个散点，kW；j为数据个数，取1～n；
Figure FDA0002546153070000013
为风速区间i对应的平均功率，kW；σi为风速区间i内功率散点的标准差。
4.根据权利要求3所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述步骤2考虑实际运行数据的随机性，选取风速区间i内功率落在
Figure FDA0002546153070000021
区间内数据散点，即95％的采样数据，并计算i区间对应的平均风速和平均功率。
5.根据权利要求1所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述步骤3对用于计算曲线的实际运行数据按预设的时间窗口进行滑动平均，实现基准曲线的更新。
6.根据权利要求5所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述步骤3预设的时间窗口为3个月。
7.根据权利要求5所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述步骤4将每个统计周期的平均风速作为输入，并结合步骤3中在线更新的基准曲线，计算每个统计时刻的理论功率，实现理论功率的实时计算。
8.根据权利要求1所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述步骤5统计周期k时损失电量的计算如下式：
ELost,k＝Eth,k-Ereal,k＝Pth,k×T-Preal,k×T (3)
式中，ELost,k为k时刻的损失电量；Eth,k为k时刻的理论应发电量，Pth,k为对应k时刻的理论应发功率；Ereal,k为k时刻的实际发电量，Preal,k为对应k时刻的实际功率；T为统计周期。
9.根据权利要求7或8所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述统计周期为10min。
10.根据权利要求8所述的基于发电量可利用率的风电机组损失电量在线计算方法，其特征在于，所述步骤6分别对12类状态下的损失电量进行量化统计，并按类别进行量化评估。
CN202010561267.3A 2020-06-18 2020-06-18 基于发电量可利用率的风电机组损失电量在线计算方法 Pending CN111860956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010561267.3A CN111860956A (zh) 2020-06-18 2020-06-18 基于发电量可利用率的风电机组损失电量在线计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010561267.3A CN111860956A (zh) 2020-06-18 2020-06-18 基于发电量可利用率的风电机组损失电量在线计算方法

Publications (1)

Publication Number Publication Date
CN111860956A true CN111860956A (zh) 2020-10-30

Family

ID=72986815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010561267.3A Pending CN111860956A (zh) 2020-06-18 2020-06-18 基于发电量可利用率的风电机组损失电量在线计算方法

Country Status (1)

Country Link
CN (1) CN111860956A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103244354A (zh) * 2012-02-08 2013-08-14 北京能高自动化技术股份有限公司 风力发电机组功率曲线自适应优化方法
US20140365187A1 (en) * 2013-06-05 2014-12-11 WindLogics Inc. Wind farm prediction of potential and actual power generation
CN104734175A (zh) * 2013-12-20 2015-06-24 国家电网公司 一种实现风电机组风速功率曲线的智能修正方法
CN105809293A (zh) * 2016-03-29 2016-07-27 国网青海省电力公司 一种多模型风电场短期功率组合预测方法
CN107330183A (zh) * 2017-06-29 2017-11-07 华北电力大学 一种基于运行数据的风电利用率计算方法
CN109086253A (zh) * 2018-07-20 2018-12-25 西安西热电站信息技术有限公司 一种基于可靠性维度的风电机组损失电量计算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103244354A (zh) * 2012-02-08 2013-08-14 北京能高自动化技术股份有限公司 风力发电机组功率曲线自适应优化方法
US20140365187A1 (en) * 2013-06-05 2014-12-11 WindLogics Inc. Wind farm prediction of potential and actual power generation
CN104734175A (zh) * 2013-12-20 2015-06-24 国家电网公司 一种实现风电机组风速功率曲线的智能修正方法
CN105809293A (zh) * 2016-03-29 2016-07-27 国网青海省电力公司 一种多模型风电场短期功率组合预测方法
CN107330183A (zh) * 2017-06-29 2017-11-07 华北电力大学 一种基于运行数据的风电利用率计算方法
CN109086253A (zh) * 2018-07-20 2018-12-25 西安西热电站信息技术有限公司 一种基于可靠性维度的风电机组损失电量计算方法

Similar Documents

Publication Publication Date Title
Liu et al. Wind power plant prediction by using neural networks
Wang et al. Decision tree based online stability assessment scheme for power systems with renewable generations
CN106909933B (zh) 一种三阶段多视角特征融合的窃电分类预测方法
CN111178587B (zh) 一种基于spark框架的短期电力负荷快速预测方法
Jiao Application and prospect of artificial intelligence in smart grid
CN108345670B (zh) 一种用于95598电力工单的服务热点发现方法
CN111369070A (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN112285807A (zh) 一种气象信息预测方法及装置
CN113420162B (zh) 一种基于知识图谱的设备运行链状态监测方法
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN111461921A (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
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
Pinceti et al. Synthetic time-series load data via conditional generative adversarial networks
CN117878925A (zh) 一种智能电网的输电数据控制方法及系统
Prakash et al. Short-term load forcasting for smart power systems using swarm intelligence algorithm
CN114626433A (zh) 一种智能电能表故障预测并分类方法、装置及系统
CN117787698A (zh) 基于供电范围最大化的微网风险评估方法及系统
CN117522066A (zh) 一种基于调峰电源设备组合预测的联合优化方法及系统
CN111860956A (zh) 基于发电量可利用率的风电机组损失电量在线计算方法
CN111861587A (zh) 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法
Jain et al. A Machine Learning Framework to Deconstruct the Primary Drivers for Electricity Market Price Events
CN115796341A (zh) 一种基于碳效码的企业低碳经济表现的协同测度方法
CN115658772A (zh) 一种无人机光伏巡检数据类资产管理方法及系统
CN112561230B (zh) 基于电气特征的环保设备状态监测方法
CN114266720A (zh) 基于混合神经网络的电力导线故障检测方法及系统

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