CN112865187B - 风电场功率调度方法、装置及电子设备 - Google Patents
风电场功率调度方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112865187B CN112865187B CN202110391868.9A CN202110391868A CN112865187B CN 112865187 B CN112865187 B CN 112865187B CN 202110391868 A CN202110391868 A CN 202110391868A CN 112865187 B CN112865187 B CN 112865187B
- Authority
- CN
- China
- Prior art keywords
- wind
- fan
- power
- wind speed
- wind turbine
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 239000000203 mixture Substances 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 73
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- RYAUSSKQMZRMAI-YESZJQIVSA-N (S)-fenpropimorph Chemical compound C([C@@H](C)CC=1C=CC(=CC=1)C(C)(C)C)N1C[C@H](C)O[C@H](C)C1 RYAUSSKQMZRMAI-YESZJQIVSA-N 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风电场功率调度方法、装置及电子设备,涉及风电场优化调度的技术领域,该方法包括:对风电机组中所包括的风机进行减载率分析,确定减载率与风速的关系;根据高斯混合模型和减载率与风速的关系对风机的出力特性进行概率拟合,得到特定风速下风机的最大出力的概率分布模型;基于概率分布模型以及风电场功率调度要求,构建风电场功率调度的多目标优化函数;对多目标优化函数进行迭代求解得到多目标优化函数的最优解,以生成风电机组的负荷分配方案进行调度。本发明提供的风电场功率调度方法、装置及电子设备,考虑了风机的出力特性,不仅有助于提升风电场输出功率稳定性与含风电电网的安全性,也有助于提高风电场的调度效率。
Description
技术领域
本发明涉及风电场优化调度技术领域,尤其是涉及一种风电场功率调度方法、装置及电子设备。
背景技术
提高风电场的功率调节能力,是保障风电健康并网和电网稳定运行的有力途径。在风电场功率调节过程中,通常是将电网调度中心的功率调度指令,按照所采用的调度方法将调度指令下发给风电场内的每一台并网风机。
工程上现有风电场调度方法多采用按风速权重分配算法,但是仅通过风速进行风电场内优化调度,得到的调度方案往往具有很大误差,因为这无法考虑风机在实际运行过程中的表现。而在风机的实际运行中,机组所处的运行状态不同,机组所在的地理环境具有差异性,还会出现故障问题等,这都会导致不同风机在实际运行过程中的出力具有不确定性。而出力的不确定性对风电场内机组进行负荷分配有着至关重要的影响。尤其是在高负荷工况下,分配给每台机组的功率任务相对较多,而由于机组间的实际出力具有不确定的差异性,单纯按照风速进行分配无法使风机的功率任务与其出力特性匹配,导致出力水平高的机组受限于其自身的功率任务,无法全部发挥其出力能力,而出力水平低的机组受限于自身出力能力,无法完成功率任务,进而导致风电场的输出功率达不到调度指令的要求,降低了风电场的功率调度的效率。
发明内容
有鉴于此,本发明的目的在于提供一种风电场功率调度方法、装置及电子设备,以缓解上述技术问题。
第一方面,本发明实施例提供了一种风电场功率调度方法,包括:对风电机组中所包括的风机进行减载率分析,确定所述风机的减载率与风速的关系;获取预设的高斯混合模型,根据所述高斯混合模型和所述减载率与风速的关系对所述风机的出力特性进行概率拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型,其中,所述高斯混合模型用于表征所述风机的最大出力能力;基于所述概率分布模型,以及,当前所述风电机组对应的风电场功率调度要求,构建所述风电机组匹配的风电场功率调度的多目标优化函数;按照预设的算法对所述多目标优化函数进行迭代求解,得到所述多目标优化函数的最优解,基于所述最优解生成所述风电机组的负荷分配方案,以对所述风电机组进行调度。
优选地,在一种可能的实施方式中,上述对风电机组中所包括的风机进行减载率分析,确定所述风机的减载率与风速的关系的步骤,包括:获取所述风机的额定风速参数,以及,当前风机所处环境的实际风速参数;基于所述额定风速参数和所述实际风速参数确定所述风电机组中包括的风机的减载率与风速的对应关系。
优选地,在一种可能的实施方式中,上述基于所述额定风速参数和所述实际风速参数确定所述风电机组中包括的风机的减载率与风速的对应关系的步骤,包括:如果所述实际风速参数小于所述额定风速参数,则所述风机的减载率与风速的对应关系表示为:如果所述实际风速参数大于所述额定风速参数,则所述风机的减载率与风速的对应关系表示为:其中,dmax(v)为风速为v时的最大减载率,λopt为最佳叶尖速比,λ为叶尖速比,ω为风机叶片的角速度,Cp为风能利用系数,β为桨矩角;β0为初始桨距角,βmax为桨距角可调节的范围的上限。
优选地,在一种可能的实施方式中,上述根据所述高斯混合模型和所述减载率与风速的关系对所述风机的出力特性进行概率拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型的步骤包括:选择预设的误差评价指标,根据所述误差评价指标确定所述高斯混合模型的维度;获取所述风机在常规运行状态下输出功率的历史数据;基于所述维度和所述减载率与风速的关系对所述历史数据进概率分布拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型。
优选地,在一种可能的实施方式中,上述风机的最大出力的概率分布模型用于表征所述风机的出力能力和出力稳定性;所述基于所述概率分布模型,以及,当前所述风电机组对应的风电场功率调度要求,构建所述风电机组匹配的风电场功率调度的多目标优化函数的步骤,包括:基于所述概率分布模型构建关于功率平衡的第一目标函数,其中,所述第一目标函数用于表征使风电场输出功率的跟踪误差最小化;以及,构建表征所述风电机组完成风电场功率调度要求的概率的第二目标函数,其中,所述第二目标函数确定为极大化所述风电机组能够完成所述风电场功率调度要求的概率。
优选地,在一种可能的实施方式中,上述第一目标函数表示为:其中,n为所述风电机组中所包括的风机的数量,xk为分配给第k台风机的功率任务,xloss为功率损失,xd为风电场功率调度要求所对应的调度功率;所述第二目标函数表示为:其中,将第k台风机能够完成所分配的功率任务记为事件Ck,整个风电机组可以完成风电场功率调度要求所对应的调度功率记为事件CFarm,风电场完成风电场功率调度要求所对应的调度功率的概率为各台风机完成自身功率任务的联合概率。
优选地,在一种可能的实施方式中,上述按照预设的算法对所述多目标优化函数进行迭代求解,得到所述多目标优化函数的最优解的步骤,包括:获取预先配置的非支配排序遗传算法对所述多目标优化函数进行优化求解,得到所述多目标优化函数的最优解集;采用优劣解距离法从所述最优解集中确定所述最优解。
第二方面,本发明实施例还提供一种风电场功率调度装置,包括:减载分析模块,用于对风电机组中所包括的风机进行减载率分析,确定所述风机的减载率与风速的关系;拟合模块,用于获取预设的高斯混合模型,根据所述高斯混合模型和所述减载率与风速的关系对所述风机的出力特性进行概率拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型,其中,所述高斯混合模型用于表征所述风机的最大出力能力;构建模块,用于基于所述概率分布模型,以及,当前所述风电机组对应的风电场功率调度要求,构建所述风电机组匹配的风电场功率调度的多目标优化函数;优化模块,用于按照预设的算法对所述多目标优化函数进行迭代求解,得到所述多目标优化函数的最优解,以基于所述最优解生成所述风电机组的负荷分配方案,以对所述风电机组进行调度。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面所述的方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的一种风电场功率调度方法、装置及电子设备,能够对风电机组中所包括的风机进行减载率分析,确定风机的减载率与风速的关系,然后获取预设的高斯混合模型,根据高斯混合模型和减载率与风速的关系对风机的出力特性进行概率拟合,得到风电机组在特定风速下风机的最大出力的概率分布模型,以便于基于该概率分布模型,以及,当前风电机组对应的风电场功率调度要求,构建风电机组匹配的风电场功率调度的多目标优化函数,进而按照预设的算法对多目标优化函数进行迭代求解,得到多目标优化函数的最优解,以基于该最优解生成风电机组的负荷分配方案,实现对风电机组进行调度,在对风电机组进行调度过程中,由于考虑了风机的出力特性,能够有效降低风电场输出功率的跟踪误差,使其更好的跟踪电网调度指令,不仅有助于提升风电场输出功率的稳定性与含风电电网的安全性,也有助于提高风电场的功率调度效率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种风电场功率调度方法的流程图;
图2为本发明实施例提供的另一种风电场功率调度方法的流程图;
图3为本发明实施例提供的一种误差评价指标随维度变化的示意图;
图4为本发明实施例提供的一种拟合结果图像;
图5为本发明实施例提供的一种调度效果对比示意图;
图6为本发明实施例提供的另一种调度效果对比示意图;
图7为本发明实施例提供的一种风电场功率调度装置的结构示意图;
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于风机在实际运行过程中出力具有不确定性,不同时刻的同一台风机在相同的测得风速下,其输出功率不尽相同,使得其输出功率通常会在风功率曲线所标称的功率值附近波动,在进行功率调度时,难以使风机的功率任务与其出力特性匹配。基于此,本发明实施例提供的一种风电场功率调度方法、装置及电子设备,可以有效缓解上述问题。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种风电场功率调度方法进行详细介绍。
在一种可能的实施方式中,本发明实施例提供了一种风电场功率调度方法,如图1所示的一种风电场功率调度方法的流程图,包括以下步骤:
步骤S102,对风电机组中所包括的风机进行减载率分析,确定风机的减载率与风速的关系;
通常,风电机组的减载运行主要有两种调节方式,转子超速调节和桨距角调节。前者通常通过提高转子转速来使风机运行在非最优功率点,以降低机组出力;后者则是通过调节桨距角达到增减机组出力的目的。
而受限于减载运行的方式,风机无法任意减载,任一风速下会存在一个最大减载率。通常,转子超速调节减载方式下,根据转速上限可以推导出减载率与风速之间的关系。在桨距角调节变桨距减载方式下,风机运行状态下的桨矩角调节范围是0~35°,可以根据桨距角的调节范围推导出减载率与风速的关系。因此,具体的减载率分析过程,通常可以根据风机的减载运行方式来进行,从而为分析风机的出力特性提供理论依据。
步骤S104,获取预设的高斯混合模型,根据高斯混合模型和减载率与风速的关系对风机的出力特性进行概率拟合,得到风电机组在特定风速下风机的最大出力的概率分布模型;
其中,本发明实施例中,高斯混合模型用于表征风机的最大出力能力;通常,高斯混合模型也称为(gaussian mixed model,GMM)模型,可以按照最佳维度对常规运行状态下风电机组的输出功率的历史数据进行概率分布拟合,以得到描述不同风电机组在特定风速下机组最大出力的概率分布模型。
步骤S106,基于概率分布模型,以及,当前风电机组对应的风电场功率调度要求,构建风电机组匹配的风电场功率调度的多目标优化函数;
通常,在进行多目标优化函数构建时,通常是根据风电场的功率调度要求进行的,具体地,可以选取适当的优化目标,以建立考虑风电机组间处理差异的风电场调度的多目标优化问题。
步骤S108,按照预设的算法对多目标优化函数进行迭代求解,得到多目标优化函数的最优解,基于该最优解生成风电机组的负荷分配方案,以对风电机组进行调度。
通常,通过预设的算法对多目标优化函数进行迭代求解之后,可以得到的是多目标优化函数的最优解,风电机组的负荷分配方案则是指在考虑了前述风机的出力特性的前提下,根据风机的出力特性对风电机组进行了负荷分配,以使风机均运行在最佳符合工况,并且,由于前述步骤S104中使用的高斯混合模型通常是预先构建的用于表征风机的最大出力能力的模型,使得该高斯混合模型可以表征风机的出力特性,而步骤S106中,构建的多目标优化函数,则是通过该高斯混合模型与减载率的限制相结合对风电机组的风机进行负荷分配,建立了以适应不同风电机组的出力差异的多目标优化函数模型,不仅有助于改善传统场内优化调度方法在风电场高负荷工况下跟踪误差大的缺点,也可以更好的跟踪电网调度指令,以此来提升风电场输出功率的稳定性与含风电电网的安全性。同时,在高负荷工况下,通过上述方式可以通过匹配功率任务与不同风电机组的出力特性,使风电机组的出力水平高的风机获得更多的功率任务,减少出力水平低的风机的功率任务,实现提高风电场输出功率的稳定性。
因此,本发明实施例提供的一种风电场功率调度方法,能够对风电机组中所包括的风机进行减载率分析,确定风机的减载率与风速的关系,然后获取预设的高斯混合模型,根据高斯混合模型和减载率与风速的关系对风机的出力特性进行概率拟合,得到风电机组在特定风速下风机的最大出力的概率分布模型,以便于基于该概率分布模型,以及,当前风电机组对应的风电场功率调度要求,构建风电机组匹配的风电场功率调度的多目标优化函数,进而按照预设的算法对多目标优化函数进行迭代求解,得到多目标优化函数的最优解,以基于该最优解生成风电机组的负荷分配方案,实现对风电机组进行调度,在对风电机组进行调度过程中,由于考虑了风机的出力特性,能够有效降低风电场输出功率的跟踪误差,使其更好的跟踪电网调度指令,不仅有助于提升风电场输出功率的稳定性与含风电电网的安全性,也有助于提高风电场的功率调度效率。
在实际使用时,上述对风机的减载率分析过程,通常是考虑了风机的额定风速参数以及当前实际风速的前提下进行的,具体地,是根据风机在额定风速以上和额定风速以下时,不同的减载控制原理进行控制,从而可以推导出风机的减载率与风速的关系,为分析风机的出力特性提供理论依据。为了便于理解,在图1的基础上本发明实施例还提供了另一种风电场功率调度方法,对考虑了风机的出力特性的功率调度过程进行描述,具体如图2所示,包括以下步骤:
步骤S202,获取风机的额定风速参数,以及,当前风机所处环境的实际风速参数;
步骤S204,基于额定风速参数和实际风速参数确定风电机组中包括的风机的减载率与风速的对应关系。
具体地,上述步骤S202和步骤S204是对风机进行减载率分析的过程,通常,风机的减载率实际表示的是风机减载的程度,通常用d%表示,即,风机的减载率可以表示为:其中,d%为减载率,Popt为风电机组运行在常规模式下的输出功率,Pd为风电机组在减载运行模式下的实际输出功率。
通常,风机吸收风能产生的输出功率P为:
式中:ρ为空气密度,Cp为风能利用系数,λ为叶尖速比,β为桨矩角,R为风轮半径,v为当前风速,即,当前风机所处环境的实际风速参数,ω为风机叶片的角速度。
上述风能利用系数的经验公式一般表示为:
基于上述减载率的表示公式和风机吸收风能产生的输出功率P,通常,在额定风速以下,即,如果实际风速参数小于额定风速参数时,上述风机的减载率与风速的对应关系可以表示为:
而在额定风速以上时,通常采用变桨距减载控制方式,即前述桨距角调节的减载运行方式,因此,额定风速以上时,也就是说,如果实际风速参数大于额定风速参数时,则可以根据恒功率运行状态下输出功率不变的特点,推导得:
其中,dmax(v)为风速为v时的最大减载率,λopt为最佳叶尖速比,λ为叶尖速比,ω为风机叶片的角速度,Cp为风能利用系数,β为桨矩角;β0为初始桨距角,βmax为桨距角可调节的范围的上限。通常,在额定风速以上时,不同的风速下会产生不同的初始桨距角,一般是风速越大,初始桨距角越大,具体的初始桨距角以及桨距角可调节的范围可以根据实际使用情况进行设置,本发明实施例对此不进行限制。
步骤S206,获取预设的高斯混合模型,选择预设的误差评价指标,根据误差评价指标确定高斯混合模型的维度;
步骤S208,获取风机在常规运行状态下输出功率的历史数据;
步骤S210,基于上述维度和减载率与风速的关系对历史数据进概率分布拟合,得到风电机组在特定风速下风机的最大出力的概率分布模型。
具体地,上述步骤S206~步骤S210的过程,是对风机的出力特性进行概率拟合得到概率分布模型的过程,且,本发明实施例中,高斯混合模型是用于表征风机的最大出力能力的模型,利用该高斯混合模型进行拟合时,首先需确定该高斯混合模型的维度,然后按照最佳维度对常规运行状态下的风电机组输出功率的历史数据进行概率分布拟合,可以得到描述不同风电机组在特定风速下最大出力的概率分布模型。
具体实现时,利用上述高斯混合模型进行拟合时,首先要确定的就是高斯混合模型的维度,通常,为了定量分析该维度对拟合精度的影响,在步骤S206中,选择的预设的误差评价指标为:均方根误差(root mean square error,RMSE)和平均绝对误差(meanabsolute deviation,MAD)。
其中,均方根误差是指参数估计值与参数真值之差平方的期望值,能够评价数据的变化程度,其值越小,说明拟合模型能够更好的描述实际数据,其计算公式为:式中:为拟合值,xi为实际值,n为取值的数量。平均绝对误差则指的是绝对误差的平均值,能更好地反映拟合误差的实际情况,其计算公式为:
通常,上述误差评价指标可以根据实际计算情况,或者实际经验进行选择,为了便于理解,图3示出了一种误差评价指标随维度变化的示意图,具体地,图3中示出的是均方根误差RMSE和平均绝对误差MAD随维度的变化情况,其横坐标表示维度,纵坐标表示对应风速下的误差评价指标,根据图3的结果显示,维度5可以作为适合的高斯混合模型的维度,然后对某一风速下的风电机组的最大出力,拟合出如下述公式表示的概率分布模型:
式中:φi为权重系数,fi(x)为子模型的高斯分布概率密度函数。
并且,图4还示出了同一风速下对两台示例风电机组的历史数据的拟合结果图像,由图4可以看到,拟合结果精度较高,同时可以看到风电机组的出力在一定范围内呈现不确定性,不同风电机组间的出力也具有一定的差异性。
步骤S212,基于上述概率分布模型,以及,当前风电机组对应的风电场功率调度要求,构建风电机组匹配的风电场功率调度的多目标优化函数;
具体地,上述风机的最大出力的概率分布模型用于表征风机的出力能力和出力稳定性。在进行风电场内负荷分配时,应充分考虑风电机组的出力能力和出力稳定性。具体地,首先,要满足风电场实际的输出功率应尽可能满足调度指令要求,此时,可以得到一个关于功率平衡的目标函数,为最小化风电场输出功率的跟踪误差。然后,调度指令所包含的风电场功率调度要求要适合风电场内每台风机的工作状态及工况,以便于建立描述风电机组出力的概率分布模型,此时,可以将另一个目标函数确定为极大化风电场能完成调度指令的概率。
因此,在构建风电机组匹配的风电场功率调度的多目标优化函数时,通常是基于上述概率分布模型构建关于功率平衡的第一目标函数,其中,该第一目标函数用于表征使风电场输出功率的跟踪误差最小化;以及,构建表征上述风电机组完成风电场功率调度要求的概率的第二目标函数,其中,该第二目标函数确定为极大化表征风电机组能够完成风电场功率调度要求的概率。
具体地,上述关于功率平衡的第一目标函数表示为:
其中,n为风电机组中所包括的风机的数量,即,机组数,xk为分配给第k台风机的功率任务,xloss为功率损失,xd为风电场功率调度要求所对应的调度功率,也可以称为调度指令中所包括的调度功率;
其中,上述第二目标函数中,是将第k台风机能够完成所分配的功率任务记为事件Ck,整个风电机组可以完成风电场功率调度要求所对应的调度功率记为事件CFarm,此时,风电场完成风电场功率调度要求所对应的调度功率的概率为各台风机完成自身功率任务的联合概率。
正常情况下,一台风机能否完成自身的功率任务,不受其他风机的完成情况的影响,因此,每台风机之间完成功率任务是相互独立事件。根据独立事件的联合概率为事件单独发生概率的乘积,可得:
大于该概率,则可以完成功率任务,反之,则无法完成功率任务。而该台风机能够完成功率任务的概率Pr(Ck)则表示为:
进一步,基于上述步骤构建多目标优化函数之后,可以继续执行下述步骤进行多目标优化函数的求解过程。
步骤S214,获取预先配置的非支配排序遗传算法对多目标优化函数进行优化求解,得到多目标优化函数的最优解集;以及,采用优劣解距离法从最优解集中确定最优解;
步骤S216,基于最优解生成风电机组的负荷分配方案,以对风电机组进行调度。
具体地,本发明实施例中,利用的是非支配排序遗传算法和优劣解距离法对上述建立的多目标优化函数进行求解。
通常,使用非支配排序遗传算法求解多目标优化问题的步骤包括以下过程:
(1)初始化种群;
(2)按照所确定的目标函数进行适应度计算并进行非支配排序;
具体地,在进行非支配排序时,对各个维度设定不同的权重,可以使用NSGA-Ⅱ遗传算法侧重优化难以收敛的目标,通过损失部分较易收敛的目标优化速度,提高整体的收敛速度。
进一步,带权重的非支配排序的构造过程是,要对解的各项目标评价函数进行赋权操作,首先要对各评价函数值分别进行归一化操作。例如,对于解Si的各项目标评价函数值组成的向量(si1,si2,…,sin),按照下述公式(1)对其进行归一化:
式中:si max为向量(si1,si2,…,sin)中的最大分量。对于解Si和Sj,在权重为(w1,w2,…,wn)的情况下的判断过程为:
加权的非支配排序过程需要判断两次,因为式(2)对每一个分量都成立,不足以说明Si支配Sj,如果式(3)也对每一个分量成立,则说明Si和Sj中无法确定哪一方占据绝对优势,也就无法建立支配关系,所以需要式(3)至少存在一个不成立的分量,此时Si相对于Sj占有绝对优势,认为Si支配Sj。
(3)对种群中的个体,按照预先给定的变异交叉概率进行复制、交叉、变异;
(4)按照精英选择策略,选择出子代个体;
(5)判断是否达到最大迭代次数,如果达到则当前子代个体构成最优解集,进行步骤(6);如果没有达到最大迭代次数,则返回步骤(2);
(6)利用优劣解距离法(technique for order preference by similarity toan ideal solution,TOPSIS)法,从最优解集中确定最优调度方案。
具体地,遗传操作主要包括种群的选择、交叉和变异。在交叉操作上,可以采用模拟二进制交叉法(simulated binary crossover,SBX)。在变异操作上,通常先随机选择基因位,然后对所选基因位进行数值随机浮动。
在进行迭代时,遗传算法迭代到最大次数后,可以得到一个非支配最优解集,此时,可以利用优劣解距离法得到最终的最优解。
具体地,优劣解距离法是根据有限个评价对象与理想化目标的接近程度进行排序的方法,是在现有的对象中进行相对优劣的评价。优劣解距离法的判断过程是,通过构造“理想解”,即各个属性值都达到各备选方案中的最好的值;和“负理想解”,即各个属性值都达到各备选方案中最坏的值。将各备选方案与理想解和负理想解进行比较,某方案最接近理想解,而又远离负理想解,则代表该方案最佳。
进一步,为了便于理解,图5和图6分别示出了调度效果对比示意图,其中,图5示出的是本发明实施例记载的风电场功率调度方法与传统按风速权重分配算法在低负荷工况下的效果对比,图6示出的则是本发明实施例记载的风电场功率调度方法与传统按风速权重分配算法在高负荷工况下的效果对比,即,图5和图6中的本发明方法和传统方法,由图5和图6可以看出,本发明实施例中记载的风电场功率调度方法和传统按风速权重分配算法相比,在低负荷工况下均有较好的表现;而高负荷工况下,相比于传统方法,本发明实施例的风电场功率调度方法,能够有效降低风电场输出功率的跟踪误差,使其更好的跟踪电网调度指令,提升了风电场输出功率的稳定性与含风电电网的安全性。
进一步,在上述实施例的基础上,本发明实施例还提供了一种风电场功率调度装置,如图7所示的一种风电场功率调度装置的结构示意图,该装置包括:
减载分析模块70,用于对风电机组中所包括的风机进行减载率分析,确定所述风机的减载率与风速的关系;
拟合模块72,用于获取预设的高斯混合模型,根据所述高斯混合模型和所述减载率与风速的关系对所述风机的出力特性进行概率拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型,其中,所述高斯混合模型用于表征所述风机的最大出力能力;
构建模块74,用于基于所述概率分布模型,以及,当前所述风电机组对应的风电场功率调度要求,构建所述风电机组匹配的风电场功率调度的多目标优化函数;
优化模块76,用于按照预设的算法对所述多目标优化函数进行迭代求解,得到所述多目标优化函数的最优解,以基于所述最优解生成所述风电机组的负荷分配方案,以对所述风电机组进行调度。
本发明实施例提供的风电场功率调度装置,与上述实施例提供的风电场功率调度方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
进一步,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述图1或图2所示的方法。
进一步,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述图1或图2所示的方法。
进一步,本发明实施例还提供了一种电子设备的结构示意图,如图8所示,为该电子设备的结构示意图,其中,该电子设备包括处理器101和存储器100,该存储器100存储有能够被该处理器101执行的计算机可执行指令,该处理器101执行该计算机可执行指令以实现上述业务线的登录方法。
在图8示出的实施方式中,该电子设备还包括总线102和通信接口103,其中,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线102可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器101读取存储器中的信息,结合其硬件完成前述实施例的业务线的登录方法。
本发明实施例所提供的风电场功率调度方法、装置及电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种风电场功率调度方法,其特征在于,包括:
对风电机组中所包括的风机进行减载率分析,确定所述风机的减载率与风速的关系;
获取预设的高斯混合模型,根据所述高斯混合模型和所述减载率与风速的关系对所述风机的出力特性进行概率拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型,其中,所述高斯混合模型用于表征所述风机的最大出力能力;
基于所述概率分布模型,以及,当前所述风电机组对应的风电场功率调度要求,构建所述风电机组匹配的风电场功率调度的多目标优化函数;
按照预设的算法对所述多目标优化函数进行迭代求解,得到所述多目标优化函数的最优解,基于所述最优解生成所述风电机组的负荷分配方案,以对所述风电机组进行调度。
2.根据权利要求1所述的方法,其特征在于,对风电机组中所包括的风机进行减载率分析,确定所述风机的减载率与风速的关系的步骤,包括:
获取所述风机的额定风速参数,以及,当前风机所处环境的实际风速参数;
基于所述额定风速参数和所述实际风速参数确定所述风电机组中包括的风机的减载率与风速的对应关系。
4.根据权利要求1所述的方法,其特征在于,根据所述高斯混合模型和所述减载率与风速的关系对所述风机的出力特性进行概率拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型的步骤包括:
选择预设的误差评价指标,根据所述误差评价指标确定所述高斯混合模型的维度;
获取所述风机在常规运行状态下输出功率的历史数据;
基于所述维度和所述减载率与风速的关系对所述历史数据进行 概率分布拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型。
5.根据权利要求1所述的方法,其特征在于,所述风机的最大出力的概率分布模型用于表征所述风机的出力能力和出力稳定性;
所述基于所述概率分布模型,以及,当前所述风电机组对应的风电场功率调度要求,构建所述风电机组匹配的风电场功率调度的多目标优化函数的步骤,包括:
基于所述概率分布模型构建关于功率平衡的第一目标函数,其中,所述第一目标函数用于表征使风电场输出功率的跟踪误差最小化;以及,
构建表征所述风电机组完成风电场功率调度要求的概率的第二目标函数,其中,所述第二目标函数确定为极大化所述风电机组能够完成所述风电场功率调度要求的概率。
7.根据权利要求1所述的方法,其特征在于,按照预设的算法对所述多目标优化函数进行迭代求解,得到所述多目标优化函数的最优解的步骤,包括:
获取预先配置的非支配排序遗传算法对所述多目标优化函数进行优化求解,得到所述多目标优化函数的最优解集;
采用优劣解距离法从所述最优解集中确定所述最优解。
8.一种风电场功率调度装置,其特征在于,包括:
减载分析模块,用于对风电机组中所包括的风机进行减载率分析,确定所述风机的减载率与风速的关系;
拟合模块,用于获取预设的高斯混合模型,根据所述高斯混合模型和所述减载率与风速的关系对所述风机的出力特性进行概率拟合,得到所述风电机组在特定风速下所述风机的最大出力的概率分布模型,其中,所述高斯混合模型用于表征所述风机的最大出力能力;
构建模块,用于基于所述概率分布模型,以及,当前所述风电机组对应的风电场功率调度要求,构建所述风电机组匹配的风电场功率调度的多目标优化函数;
优化模块,用于按照预设的算法对所述多目标优化函数进行迭代求解,得到所述多目标优化函数的最优解,以基于所述最优解生成所述风电机组的负荷分配方案,以对所述风电机组进行调度。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110391868.9A CN112865187B (zh) | 2021-04-12 | 2021-04-12 | 风电场功率调度方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110391868.9A CN112865187B (zh) | 2021-04-12 | 2021-04-12 | 风电场功率调度方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112865187A CN112865187A (zh) | 2021-05-28 |
CN112865187B true CN112865187B (zh) | 2022-04-26 |
Family
ID=75992525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110391868.9A Active CN112865187B (zh) | 2021-04-12 | 2021-04-12 | 风电场功率调度方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112865187B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114142472B (zh) * | 2021-12-06 | 2023-08-08 | 浙江华云电力工程设计咨询有限公司 | 基于混合高斯分布概率密度的风光容量配置方法及系统 |
CN116205079B (zh) * | 2023-03-23 | 2024-05-31 | 盛东如东海上风力发电有限责任公司 | 风电场重复设计方案筛选方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109494769A (zh) * | 2019-01-07 | 2019-03-19 | 华北电力大学 | 一种风场参与调频方法及系统 |
-
2021
- 2021-04-12 CN CN202110391868.9A patent/CN112865187B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109494769A (zh) * | 2019-01-07 | 2019-03-19 | 华北电力大学 | 一种风场参与调频方法及系统 |
Non-Patent Citations (5)
Title |
---|
An investigation on the;Lin Weixing等;《IEEE Transactions on Industry Applications》;20121231;第2732-2742页 * |
基于可变减载率超速控制的双馈异步风机参与微电网调频研究;姜莹等;《电机与控制应用》;20170910(第09期);第118-125页 * |
基于高斯混合模型的风电场群功率波动概率密度分布函数研究;崔杨等;《电网技术》;20160214;第40卷(第4期);第1107-1112页 * |
用于含风电场的电力系统概率潮流计算的高斯混合模型;叶林等;《中国电机工程学报》;20170217;第37卷(第15期);第1107-1113页 * |
风电场概率分布模型建模及误差分析;梁海峰等;《华北电力大学学报(自然科学版)》;20171231(第003期);第8-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112865187A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112865187B (zh) | 风电场功率调度方法、装置及电子设备 | |
CN111639870B (zh) | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN110852565B (zh) | 一种考虑不同功能属性的输电网网架规划方法 | |
CN107039977A (zh) | 以综合成本最小为目标的电力系统鲁棒调度不确定集构建方法 | |
CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及系统 | |
CN115940148A (zh) | 最小惯量需求评估方法、装置、电子设备及存储介质 | |
CN112465271A (zh) | 一种面向储能平抑风电波动场景的储能电池选型方法 | |
CN114825347A (zh) | 考虑时空相关性的海上风电集群分布鲁棒优化调度方法 | |
CN109886488B (zh) | 考虑风速时滞性的分散式风电场分层混合短期预测方法 | |
CN115995840A (zh) | 基于风、光、储能协调的新能源系统调峰优化方法和装置 | |
CN117973859A (zh) | 一种主配电网的风险防控方法、装置、设备和介质 | |
CN117932830A (zh) | 一种储能系统的选址定容方法及系统 | |
CN117879059A (zh) | 新能源电网的优化调度方法、装置、计算机设备及介质 | |
CN117595280A (zh) | 分布式光伏电源的选址定容方法及装置 | |
CN117196884A (zh) | 一种虚拟电厂优化控制方法及系统 | |
CN116995740A (zh) | 一种配电网分布式风电及储能优化配置方法和系统 | |
CN116799826A (zh) | 一种分布式光伏储能系统优化配置方法及相关装置 | |
CN115860382A (zh) | 一种储能电站与常规电源协调调峰的多目标优化配置方法 | |
CN115271384A (zh) | 基于蝠鲼觅食优化算法的配电网新能源承载力评估方法 | |
CN117911197B (zh) | 基于改进多目标粒子群算法的光伏选址定容方法及系统 | |
CN109038557A (zh) | 一种考虑风险规避的风电和电价的主动配电网规划方法 | |
CN114825629B (zh) | 一种智能输配电处理方法及系统 | |
CN114362263B (zh) | 配电网光伏功率的控制方法、装置、计算机设备 | |
CN115833262A (zh) | 用水电协调风电不确定性的火电机组日前调度方法及装置 |
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 |