CN113364056B - 一种海上风电场调频模式下的有功控制方法 - Google Patents

Abstract

本发明公开了一种海上风电场调频模式下的有功控制方法，该方法将风速预测数据与SCADA历史数据相拟合，得到当前采样时刻至下一采样时刻内风机每分钟出力值，该设计将风机控制的步长提升至1分钟/次，可以减少调频弃风功率，提高了控制效果。本发明的有功控制方法，通过差分进化算法获取风机的最优出力值，实现风机的有功出力的动态优化控制，该设计可以减少风机转速波动，减少风机部件磨损。

Description

一种海上风电场调频模式下的有功控制方法

技术领域：

本发明属于海上风电场集群控制领域，具体涉及一种海上风电场调频模式下的有功控制方法。

背景技术：

随着海上风电的高速发展，电力系统常规同步机组被大量风电所替代，电力系统转动惯量水平逐渐降低，系统频率稳定水平持续下降。在大功率缺失或系统故障情况下，极易诱发全网频率故障，不具备惯量及频率主动支撑能力的风电大规模接入给电力系统的安全稳定运行带来了巨大挑战。

功率备用控制是双馈风力发电机组的一种重要调频方式。双馈风力发电机组转速具有较大的变化范围，因此转子中储存着大量的旋转动能。功率备用控制主要分为浆距角控制和转子转速控制，均是通过风电机组减载运行，使风电机组工作在次优功率跟踪点上，从而预留一定备用功率并用以支持系统调频。

风电机组SCADA系统采样频率为10分钟一次，一般在有功控制时与SCADA系统采样频率保持一致，这就导致了控制指令频率过低。风机功率难以实现对风速的动态跟踪，导致风资源的浪费或者调频储备能量不足。

在机组进行频率响应时，由于风机转子具有惯性，无法直接实现功率增发，而机组响应速度直接决定了频率的最大偏移量和震荡时间，现有方法多采取平均削减风电场内每台机组来实现调频功率备用，而风能利用系数不是简单的线性函数，平均削减功率会导致能量浪费，增加风机响应时间。

发明内容：

为解决现有技术中存在的问题，本发明提供一种海上风电场调频模式下的有功控制方法，通过功率预测结果与历史SCADA数据的动态拟合，对于各风机的有功出力进行动态寻优控制，以求实现最小的转子速度波动，从而加快调频模式下风电场的响应速度。

本发明的技术方案如下：

一种海上风电场调频模式下的有功控制方法，包括：

1)获取目标风电场的SCADA数据，形成每台风机对应的从起始采样时刻至当前采样时刻的风速值训练样本集，其中当前采样时刻记为第t采样时刻；

2)基于所形成的风速值训练样本集，通过支持向量回归预测出各风机第t+1采样时刻的风速值；

3)将风速值训练样本集中第t-1采样时刻、第t采样时刻的风速值与步骤2)中预测出的第t+1采样时刻的风速值进行拟合，得到各风机第t-1采样时刻至第t+1采样时刻内风速值曲线，进一步得到各风机在第t采样时刻至第t+1采样时刻内每分钟风速值；

4)将步骤3)中得到的各风机在第t采样时刻至第t+1采样时刻内每分钟风速值带入风力发电机出力模型，获取各风机第t采样时刻至第t+1采样时刻内每分钟出力值；

5)基于所获取的各风机第t采样时刻至第t+1采样时刻内每分钟出力值，通过差分进化算法得出各风机在调频模式下第t采样时刻至第t+1采样时刻内每分钟内最优出力值。

优选地，步骤1)中，第p台风机的风速数据训练样本集D_p：

D_p＝{(x₁,y₁),(x₂,y₂),……,(x_t,y_t)}，p＝1，2，...，n，n为风机总数；

其中，x₁为第一组时间序列风速数据，x₁＝{S₁，S₂，S₃，S₄，S₅，S₆}，S₁为起始采样时刻风速值；S₂、S₃、S₄、S₅、S₆分别为第2、第3、第4、第5和第6采样时刻风速值；

y₁为第一组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y₁＝{S₇}，S₇为第7采样时刻风速值；

x₂为第二组时间序列的风速数据，x₂＝{S₂，S₃，S₄，S₅，S₆，S₇}；

y₂为第二组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y₂＝{S₈}，S₈为第8采样时刻风速值；

x_t为第t组时间序列的风速数据，x_t＝{S_t-6，S_t-5，S_t-4，S_t-3，S_t-2，S_t-1}，S_t-6、S_t-5、S_t-4、S_t-3、S_t-2分别为第t-6、第t-5、第t-4、第t-3、第t-2采样时刻风速值；

S_t-1为第t-1采样时刻风速值，即为当前采样时刻的上一采样时刻风速值；

y_t为第t组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y_t＝{S_t}，S_t为第t采样时刻风速值，即为当前采样时刻的风速值。

优选地，步骤4)中所述风力发电机出力模型为：

P＝f(v,ω,β)

其中，P为风力发电机有功出力；v为风速值；ω为风力发电机转子转速；β为桨距角。

本发明相比现有技术具有如下有益效果：

本发明提供一种海上风电场调频模式下的有功控制方法，该方法将风速预测数据与SCADA历史数据相拟合，得到当前采样时刻至下一采样时刻内风机每分钟出力值，该设计将风机控制的步长提升至1分钟/次，可以减少调频弃风功率，提高了控制效果。

本发明的有功控制方法，通过差分进化算法获取风机的最优出力值，实现风机的有功出力的动态优化控制，该设计可以减少风机转速波动，减少风机部件磨损；由于发电机转子具有惯性，本发明的有功控制方法以机组转子速度变动最小为目标，可以提升风电场调频速度。

附图说明:

图1为本发明方法控制流程图；

图2为各风机出力变化图；

图3为风电场未参与调频出力和参与调频且控制步长为1分钟以及10分钟出力值比较图；

图4为风电场通过平均减小风机功率总转子转速变化值与本方法优化结果的对比图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一：

一种海上风电场调频模式下的有功控制方法，如图1所示，包括：

1)获取目标风电场的SCADA数据，形成每台风机对应的从起始采样时刻至当前采样时刻的风速值训练样本集，其中，当前采样时刻记为第t采样时刻；第p台风机的风速数据训练样本集D_p：

D_p＝{(x₁,y₁),(x₂,y₂),……,(x_t,y_t)}，p＝1，2，...，n，n为风机总数；

其中，x₁为第一组时间序列风速数据，x₁＝{S₁，S₂，S₃，S₄，S₅，S₆}，S₁为起始采样时刻风速值；S₂、S₃、S₄、S₅、S₆分别为第2、第3、第4、第5和第6采样时刻风速值；

y₁为第一组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y₁＝{S₇}，S₇为第7采样时刻风速值；

x₂为第二组时间序列的风速数据，x₂＝{S₂，S₃，S₄，S₅，S₆，S₇}；

y₂为第二组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y₂＝{S₈}，S₈为第8采样时刻风速值；

x_t为第t组时间序列的风速数据，x_t＝{S_t-6，S_t-5，S_t-4，S_t-3，S_t-2，S_t-1}，S_t-6、S_t-5、S_t-4、S_t-3、S_t-2分别为第t-6、第t-5、第t-4、第t-3、第t-2采样时刻风速值；

S_t-1为第t-1采样时刻风速值，即为当前采样时刻的上一采样时刻风速值；

y_t为第t组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y_t＝{S_t}，S_t为第t采样时刻风速值，即为当前采样时刻的风速值。

2)基于所形成的风速值训练样本集，通过支持向量回归预测出各风机第t+1采样时刻的风速值，即当前采样时刻的下一采样时刻的风速值；

3)将风速值训练样本集中第t-1采样时刻(当前采样时刻的上一采样时刻)、第t采样时刻(当前采样时刻)的风速值与步骤2)中预测出的第t+1采样时刻(当前采样时刻的下一采样时刻)的风速值进行拟合，得到各风机第t-1采样时刻(当前采样时刻的上一采样时刻)至第t+1采样时刻(当前采样时刻的下一采样时刻)内风速值曲线，进一步得到各风机在第t采样时刻(当前采样时刻)至第t+1采样时刻(当前采样时刻的下一采样时刻)内每分钟风速值；

4)将步骤3)中得到的各风机在第t采样时刻(当前采样时刻)至第t+1采样时刻(当前采样时刻的下一采样时刻)内每分钟风速值带入风力发电机出力模型，获取各风机第t采样时刻(当前采样时刻)至第t+1采样时刻(当前采样时刻的下一采样时刻)内每分钟出力值；其中，风力发电机出力模型为：

P＝f(v,ω,β)

其中，P为双馈风力发电机有功出力；v为风速值；ω为风力发电机转子转速；β为桨距角。

5)基于所获取的各风机第t采样时刻(当前采样时刻)至第t+1采样时刻(当前采样时刻的下一采样时刻)内每分钟出力值，通过差分进化算法得出各风机在调频模式下第t采样时刻(当前采样时刻)至第t+1采样时刻(当前采样时刻的下一采样时刻)内每分钟内最优出力值。

实施例二：

本实施例的进一步可选设计在于：本实施例中的步骤2)基于所形成的风速值训练样本集，通过支持向量回归预测出各风机第t+1采样时刻的风速值，即当前采样时刻的下一采样时刻的风速值，采用如下具体步骤：

2.1)通过训练样本集获取回归模型，使得预测值y*与真实值y接近，其目标函数为：

其中w为法向量，C为正则化常数，l∈是∈-不敏感损失函数；

2.2)基于步骤1)中训练样本集对所述回归模型进行训练,其解形如：

α_i均为第i次训练中的训练参数，能使得/>的样本为SVR的支持向量，其中b为：

2.3)根据训练好的回归模型预测风电场中各风机t+1时刻的风速数据y_t+1。

实施例三：

本实施例的进一步可选设计在于：本实施例中的步骤5)基于所获取的各风机第t采样时刻至第t+1采样时刻内每分钟出力值，通过差分进化算法得出各风机在调频模式下第t采样时刻至第t+1采样时刻内每分钟内最优出力值，其中，

差分进化算法以机组转子速度变动最小为目标，目标函数为：

Δω_p为第p台风机转子转速变化量。

差分进化算法的约束条件为：

ω_pt+Δω_p≤1600(rpm)

ω_pt为第p台风机第t采样时刻的初始转子转速；β_p为第p台风机第t采样时刻的桨距角；P_WF为风电场理想出力，ΔP为风电场调频预留备用功率。

该差分进化算法具体步骤为：

501)初始化NP个维数为D的实数值参数向量作为每一代的种群；

502)通过变异算子和初始向量得到新变异向量，具体为：

v_i,G+1＝x_r1,G+f·(x_r2,G-x_r3,G)

其中，i表示第i次迭代，v_i,G+1为第i次迭代中的下一个新变异向量，x_r1,G、x_r2,G、x_r3,G为三个互不相同的向量，f为变异算子；

503)通过交叉操作增加干扰向量的多样性；

randb(j)表示产生[0,1]之间随机数第j个估计值，以保证变异向量v_i,g至少有一维信息被保留下来，即v_ij,g，x_ij,g同理，j_rand表示一个随机选择的序列；CR是交叉算子；

504)将实验向量与目标向量比较，若出现更小的目标函数则该向量被选择在下一代向量中出现；

505)将超过边界的向量使用可行域中随机产生的参数向量代替。

应用实施例：

本例对上海某海上风电场模拟实施本发明的海上风电场调频模式下的有功控制方法，该海上风电场具有34台风机，单台风机功率3kW，全场功率102kW，形成的风速值训练样本集中采样间隔为10分钟；

根据本发明步骤3)得到该34台风机在当前采样时刻(第0时间)至下一采样时刻(当前采样时刻的下一采样时刻)内每分钟风速值如表1所示。模拟结果如图2、图3和图4所示。

表1

图2中，纵坐标表示风机编号，横坐标表示时间，图2表示优化后每个风机在每个时间的有功功率变化；

图3为目标风电场的输出图，图3中分别记录采用本发明方法进行控制、采用额定出力进行控制、和未进行拟合缩短动作时间进行控制目标风电场有功功率随时间变化趋势；

根据图2和图3可以看出，该风电场在调频模式下至少储备了4000kW的备用电源，动作时间为每分钟一次，相比未优化的10分钟一次动作，实现功率增发。风机将备用功率存在转子的动能中，一旦电力系统出现功率缺失，就可以迅速释放出来。

图4给出了本发明优化方法与各机组平均功率储备分布的比较结果。可以看出，与平均功率降低方法相比，本发明的优化方法可以将转子变化降低约20％，有效加快风力发电机的频率响应时间。

本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明范围的情况下所做的修改、等效替换、改进等均包含在本发明的保护范围之内。

Claims (3)

1.一种海上风电场调频模式下的有功控制方法，其特征在于：包括：

1)获取目标风电场的SCADA数据，形成每台风机对应的从起始采样时刻至当前采样时刻的风速值训练样本集，其中当前采样时刻记为第t采样时刻；

2)基于所形成的风速值训练样本集，通过支持向量回归预测出各风机第t+1采样时刻的风速值；

3)将风速值训练样本集中第t-1采样时刻、第t采样时刻的风速值与步骤2)中预测出的第t+1采样时刻的风速值进行拟合，得到各风机第t-1采样时刻至第t+1采样时刻内风速值曲线，进一步得到各风机在第t采样时刻至第t+1采样时刻内每分钟风速值；

4)将步骤3)中得到的各风机在第t采样时刻至第t+1采样时刻内每分钟风速值带入风力发电机出力模型，获取各风机第t采样时刻至第t+1采样时刻内每分钟出力值；

5)基于所获取的各风机第t采样时刻至第t+1采样时刻内每分钟出力值，通过差分进化算法得出各风机在调频模式下第t采样时刻至第t+1采样时刻内每分钟内最优出力值；

所述差分进化算法以机组转子速度变动最小为目标，目标函数为：

Δω_p为第p台风机转子转速变化量；

差分进化算法的约束条件为：

ω_pt+Δω_p≤1600(rpm)

ω_pt为第p台风机第t采样时刻的初始转子转速；β_p为第p台风机第t采样时刻的桨距角；P_WF为风电场理想出力，ΔP为风电场调频预留备用功率；

该差分进化算法具体步骤为：

501)初始化NP个维数为D的实数值参数向量作为每一代的种群；

502)通过变异算子和初始向量得到新变异向量，具体为：

v_i,G+1＝x_r1,G+f·(x_r2,G-x_r3,G)

其中，i表示第i次迭代，v_i,G+1为第i次迭代中的下一个新变异向量，x_r1,G、x_r2,G、x_r3,G为三个互不相同的向量，f为变异算子；

503)通过交叉操作增加干扰向量的多样性；

randb(j)表示产生[0,1]之间随机数第j个估计值，以保证变异向量v_i,g至少有一维信息被保留下来，即v_ij,g，x_ij,g同理，j_rand表示一个随机选择的序列；CR是交叉算子；

504)将实验向量与目标向量比较，若出现更小的目标函数则该向量被选择在下一代向量中出现；

505)将超过边界的向量使用可行域中随机产生的参数向量代替。

2.根据权利要求1所述的一种海上风电场调频模式下的有功控制方法，其特征在于：步骤1)中，第p台风机的风速数据训练样本集D_p：

D_p＝{(x₁,y₁),(x₂,y₂),……,(x_t,y_t)}，p＝1，2，...，n，n为风机总数；

其中，x₁为第一组时间序列风速数据，x₁＝{S₁，S₂，S₃，S₄，S₅，S₆}，S₁为起始采样时刻风速值；S₂、S₃、S₄、S₅、S₆分别为第2、第3、第4、第5和第6采样时刻风速值；

y₁为第一组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y₁＝{S₇}，S₇为第7采样时刻风速值；

x₂为第二组时间序列的风速数据，x₂＝{S₂，S₃，S₄，S₅，S₆，S₇}；

y₂为第二组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y₂＝{S₈}，S₈为第8采样时刻风速值；

x_t为第t组时间序列的风速数据，x_t＝{S_t-6，S_t-5，S_t-4，S_t-3，S_t-2，S_t-1}，S_t-6、S_t-5、S_t-4、S_t-3、S_t-2分别为第t-6、第t-5、第t-4、第t-3、第t-2采样时刻风速值；

S_t-1为第t-1采样时刻风速值，即为当前采样时刻的上一采样时刻风速值；

y_t为第t组时间序列风速数据中最后一个风速数据的后一采样时刻风速数据，y_t＝{S_t}，S_t为第t采样时刻风速值，即为当前采样时刻的风速值。

3.根据权利要求2所述的一种海上风电场调频模式下的有功控制方法，其特征在于：步骤4)中所述风力发电机出力模型为：

P＝f(v,ω,β)

其中，P为风力发电机有功出力；v为风速值；ω为风力发电机转子转速；β为桨距角。