CN114580713A - 一种基于风机保护策略的额定风速以上功率预测方法 - Google Patents

一种基于风机保护策略的额定风速以上功率预测方法 Download PDF

Info

Publication number
CN114580713A
CN114580713A CN202210121402.1A CN202210121402A CN114580713A CN 114580713 A CN114580713 A CN 114580713A CN 202210121402 A CN202210121402 A CN 202210121402A CN 114580713 A CN114580713 A CN 114580713A
Authority
CN
China
Prior art keywords
wind speed
power
fan
data
wind
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
CN202210121402.1A
Other languages
English (en)
Inventor
许傲然
高阳
刘宝良
谷彩连
钟丹田
王森
马仕海
冷雪敏
陈效国
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.)
Shenyang Institute of Engineering
Original Assignee
Shenyang Institute of Engineering
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 Shenyang Institute of Engineering filed Critical Shenyang Institute of Engineering
Priority to CN202210121402.1A priority Critical patent/CN114580713A/zh
Publication of CN114580713A publication Critical patent/CN114580713A/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)

Abstract

一种基于风机保护策略的额定风速以上功率预测方法，属于技术领域。通过数据模块获取的数据判定是否大于额定风速；大于额定风速时，通过基于风机保护策略的功率预测模块进行预测，通过功率预测校准模块进行修正校准；基于风机保护策略的功率预测预测模块是依据风机保护策略，将额定以上风速分为满发风速、限功率风速以及停机风速，建立保护策略‑风速的对应关系模型，对额定风速以上进行功率预测；功率预测校准模块输出全风速的功率预测值，基于模型预测控制理论，修正额定风速以上的功率预测值。本发明能有效减少偏差，提高功率预测的精准度。

Description

一种基于风机保护策略的额定风速以上功率预测方法
技术领域
本发明属于风机功率预测技术领域，特别是涉及一种基于风机保护策略的额定风速以上功率预测方法。
背景技术
风能作为最重要的新能源之一，得到了快速的发展，但因风能的随机性和波动性，限制了其高效利用。精准的功率预测能有效的解决上述问题，提高电网对风电消纳能力，保护电网安全稳定运行。
传统的功率预测方法虽然也把风向、风速、温度、电流、空气密度等作为风电功率密切相关的指标，但是未充分考虑额定风速以上的状况，尤其是未充分考虑风机保护策略对风电机组功率的影响。
在额定风速以上，为保证风机的安全稳定运行，现有的风机安全保护策略会对风电机组出力进行控制和调整，限制风电机组发电功率，导致风机的实际功率小于额定功率，与预测功率存在较大的偏差。
风电机组，尤其是双馈风电机组，因高温而导致的限功率运行现象时有发生。限功率现象在夏季高温，风机大风满负荷运行时尤其突出。限功率现象的出现无可避免的干扰了功率预测的准确性。
发明内容
针对上述存在的技术问题，本发明在传统功率预测方法的基础上，提供一种基于风机保护策略的额定风速以上功率预测方法，对风速进行更合理的划分，针对不同风速对应的保护策略对风电机组功率的影响，对功率预测方法进行完善，实现更加精准的功率预测。
本发明的目的是通过以下技术方案来实现的：
本发明一种基于风机保护策略的额定风速以上功率预测方法，包括数据模块、传统预测方法模块、基于风机保护策略的功率预测模块和功率预测校准模块，
通过所述数据模块获取的数据判定：是否大于额定风速；
当大于额定风速时，通过基于风机保护策略的功率预测模块进行预测，通过功率预测校准模块进行修正校准；
所述基于风机保护策略的功率预测预测模块，依据风机保护策略，将额定以上风速分为满发风速、限功率风速以及停机风速，建立保护策略-风速的对应关系模型，对额定风速以上进行功率预测；
所述功率预测校准模块输出全风速的功率预测值，基于模型预测控制理论，修正额定风速以上的功率预测值。
进一步地，基于风机保护策略的额定风速以上功率预测方法，包括如下步骤：
步骤一、数据的读取
获取风场所在地的天气预报数据、测风塔测得的气象数据和风场SCADA系统给出的监控数据作为模型训练和测试的历史数据库；所述数据包括功率、风向、风速、温度、气压及湿度数据；
步骤二、搭建风机功率模型
(1)计算空气密度ρ，空气密度ρ的计算公式如下：
Figure BDA0003498353570000021
P为标准状态下的大气压值，单位为kPa；
T为热力学温度值，单位为K；
Pb为饱和水蒸气压力值，单位为kPa；
φ代表的含义为空气相对湿度值，单位是％；
(2)搭建风电机组风速-功率曲线模型
Figure BDA0003498353570000022
Pw为风机的输出功率，单位是kW；
ρ为空气密度，单位是kg/m3；
S为风机扫过的面积，单位是m2；
R为风机风叶半径，单位是m；
Vw为风机所处环境风速，单位是m/s；
Cp为风机的风能利用系数，无量纲；
步骤三、数据预处理
(1)异常和错误数据的处理
基于风电机组风速-功率曲线模型，删除偏离风机功率模型的异常数据，并对缺失数据进行插补，最终得到连续平滑的功率曲线，风电机组输出功率的拟合曲线表达式为：
P＝0.008V5-0.356V4+5.135V3-20.398V2+28.672V-8.635
(2)数据的归一化处理
利用matlab函数以最大最小值为边界对数据进行归一化处理，消除不同变量之间的物理量纲；
(3)训练数据和测试数据的划分
选取风机历史数据，5n、5n+1、5n+2、5n+3、5n+4(n＝1，2，3，4……)，选择5n、5n+2、5n+4，数据作为训练集，5n+1数据作为验证集，5n+3数据作为测试集；
步骤四、建立功率预测模型并进行训练，通过训练好的功率预测模型进行功率预测，得到初步预测功率；
步骤五、建立风机保护策略的功率预测校正模型
依据风机保护策略，把额定以上风速分为满发风速、限功率风速以及停机风速，建立风机保护策略的功率预测模型：
Q为风机发电功率为P时，产生的热量：
Q＝A*(1-Cp)*P
A为常量，无量纲，损失能量转换为热量的比例系数；
风机通风散热的功率为：
P散＝c*ρ*Q通*(T限-T)
c为空气比热容，单位为J/kg*K；
Q通为每秒的通风量，单位为m3；
ρ为空气密度，单位是kg/m3；
T限风机温度限值，单位为K；
T环境温度，单位为K；
Q通＝Q风扇+Q风
Q风＝VW×S
S为通风口的面积
Q风为自然风的通风量
Q风扇为冷却风扇的通风量；
当风机温度达到温度高报警的限值时，保证风机发电功率与散热的平衡：
Figure BDA0003498353570000041
基于步骤一获取的天气预报气象数据，当风速大于N1的时间超过T1时，风机限功率P1运行；
为保证风电机组发电量的最大化，必须保证风机发电功率与散热的平衡：
Figure BDA0003498353570000042
(1)当风速为N1-N2时
当风速为N1-N2时，基于风机保护策略的功率预测模型，风机限功率P1运行，P1由下式计算得到，即P1＝P：
Figure BDA0003498353570000043
(2)限功率风速为N2-N3时，风机以限功率P2运行；
并根据获得的天气预报数据，迭代计算T2时间段的平均风速，当T2时间段的平均风速大于风速N2.1时，风机停机，此时功率为0；停机后继续迭代计算 T2时间段的平均风速，当T2时间段的平均风速不大于风速N2.1时，自动启动风机，启动风机时间为T3，T3时间段的功率值为P2.1；
(3)停机风速：大于N3，停机
当风速大于N3时，风机立即停机，功率值为0；当风速小于N3，风机开始恢复运行，启动时间为T3，功率值为0；
其中：N1为风机的额定风速，N2为风机运行10分钟的报警风速，N3为风机的停机保护风速；N2.1大于N2，小于N3；
步骤六、功率预测
对于额定风速以上的情况，引入权重因子W1、W2分别对已有功率预测算法和风机保护策略的输出功率模型预测算法进行组合，最终得到最终功率预测值：
P终＝W1*P已有+W2*Pda
P已有为已有预测功率；
Pda为基于保护策略-风速的对应关系模型的预测功率；
基于上一时刻的预测结果的误差调整权重因子W1、W2，滚动优化，修正下一时刻的预测功率。
本发明的有益效果为：
本发明基于风机保护策略，完善额定风速以上的功率预测方法，能有效减少偏差，提高功率预测的精准度。
附图说明
图1为本发明的预测方法整体流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细描述。
实施例：本发明包括数据模块、传统预测方法模块、基于风机保护策略的功率预测模块和功率预测校准模块；
所述数据模块用于获取风场所在地的天气预报数据、测风塔测得的气象数据和风场SCADA系统的监控数据，作为模型训练和测试的历史数据库；获取的数据包括功率、风向、风速、温度、气压、湿度；
通过所述数据模块获取的数据判定：是否大于额定风速；
当大于额定风速时，通过基于风机保护策略的功率预测模块进行预测，通过功率预测校准模块进行修正校准；
所述基于风机保护策略的功率预测模块，依据风机保护策略，将额定以上风速分为满发风速、限功率风速以及停机风速，建立保护策略-风速的对应关系模型，对额定风速以上进行功率预测；
所述功率预测校准模块输出全风速的功率预测值，基于模型预测控制理论，修正额定风速以上的功率预测值；
当不大于额定风速时，通过传统预测方法模块进行额定风速以下功率预测。
本发明基于风机保护策略的额定风速以上功率预测方法，具体步骤如下：
步骤一、数据的读取
获取风场所在地的天气预报数据、测风塔测得的气象数据和风场SCADA系统的监控数据作为模型训练和测试的历史数据库；所述数据包括功率、风向、风速、温度、气压、湿度等数据；
步骤二、搭建风机功率模型
(1)计算空气密度ρ，空气密度ρ的计算公式如下：
Figure BDA0003498353570000061
P代表的含义为标准状态下的大气压值，单位为kPa；
T代表的含义为热力学温度值，单位为K；
Pb代表的含义为饱和水蒸气压力值，单位为kPa；
φ代表的含义为空气相对湿度值，单位是％；
(2)搭建风电机组风速-功率曲线模型
Figure BDA0003498353570000062
Pw为风机的输出功率，单位是kW；
ρ为空气密度，单位是kg/m3；
S为风机扫过的面积，单位是m2；
R为风机风叶半径，单位是m；
Vw为风机所处环境风速，单位是m/s；
Cp为风机的风能利用系数，无量纲；
步骤三、数据预处理
(1)异常和错误数据的处理
删除偏离风机功率模型的的异常数据，剔除限功率、风机故障等意外因素的影响；
对于缺失数据进行插补，基于风速-功率相近(偏差小于3％)的相似值，前后各选取3个，用6个选取值的平均值进行填充，最终得到连续平滑的功率曲线；
风电机组输出功率的拟合曲线表达式为：
P＝0.008V5-0.356V4+5.135V3-20.398V2+28.672V-8.635
(2)数据的归一化处理
利用matlab函数以最大最小值为边界对数据进行归一化处理，消除不同变量之间的物理量纲，避免数值区间跨度太大；
[Y,PS]＝mapminmax(X,YMIN,YMAX)
YMIN风机最小功率，选择为0；最小风速为切入风速；
YMAX风机最大功率，选择为风机的额定功率；最大风速为切出风速；
(3)训练数据和测试数据的划分
选取风机历史数据，共XX条(本例为5000条)，5n、5n+1、5n+2、 5n+3、5n+4(n＝1,2,3,4……)，为保持数据的关联性，选择5n、5n+2、 5n+4，数据作为训练集，5n+1数据作为验证集，5n+3数据作为测试集；
步骤四、采用现有方法建立功率预测模型并进行训练，通过训练好的功率预测模型进行功率预测，得到初步预测功率；
本例以BP神经网络功率预测模型为例进行说明：
(1)构建LSTM神经网络模型
输入变量：风速、风向、温度、湿度、气压；
输出变量：功率
构建神经网络的结构：
net＝newff(inputn,outputn,hiddennum,{'tansig','purelin'})；
(2)设置神经网络的参数
设置神经网络的迭代次数、学习率、目标值
net.trainParam.epochs＝5000；
net.trainParam.lr＝0.01；
net.trainParam.goal＝0.00001；
net.trainParam.show＝200；
net.trainParam.showWindow＝0；
(3)选择5n、5n+2、5n+4，数据作为训练集，对功率预测模型的训练
net＝train(net,inputn,outputn)；
(4)选择5n+1、5n+3，数据作为测试验证集，对误差进行分析和评价，根据误差分析的结果修正BP神经网络参数，直到预测结果的误差满足要求；
其中训练数据用来训练模型，测试数据用来测试训练的结果是否符合要求；
步骤五、建立风机保护策略的功率预测校正模型
对额定风速以上的情况，基于风机保护策略，依据风机保护策略，把额定以上风速细分为满发风速、限功率风速以及停机风速，分别进行处理，建立风机保护策略的功率预测模型；
Q为风机发电功率为P时，产生的热量，
Q＝A*(1-Cp)*P
A为常量，无量纲，损失能量转换为热量的比例系数。
风机通风散热的功率为：
P散＝C*ρ*Q通*(T限-T)
C为空气比热容，单位为J/kg*K；
Q通为每秒的通风量，单位为m3；
ρ为空气密度，单位是kg/m3；
T限风机温度限值，代表的含义为热力学温度值，单位为K；
T环境温度，代表的含义为热力学温度值，单位为K；
Q通＝Q风扇+Q风
Q风＝VW×S
S为通风口的面积，
Q风为自然风的通风量，
Q风扇为冷却风扇的通风量；
当风机温度达到温度高报警的限值时，为了避免风电机组因温度持续升高而停机，实现风电机组发电量的最大化，以及风电机组输出的平稳；必须实现风机发电功率与散热的平衡：
Figure BDA0003498353570000081
基于天气预报气象数据，当风速大于N1的时间超过T1时，温度过高报警，风机限功率P1运行；实现温度与风机功率最优控制策略：保证风机的安全的前提下实现最大的发电功率发电量，使得电厂的效益最大。此处以平均风速累积为依据。
为了避免风电机组因温度持续升高而停机，实现风电机组发电量的最大化，以及风电机组输出的平稳。必须实现风机发电功率与散热的平衡。
Figure BDA0003498353570000082
(1)当风速为N1-N2时
当风速为N1-N2时，正常情况下风机满功率运行，但是当风机长时间联系运行后，累积热量过多，风机会温度过高预警，基于风机保护策略的功率预测模型，风机限功率P1运行，P1由下式计算得到，即P1＝P：
Figure BDA0003498353570000083
(2)限功率风速为N2-N3时，风机以限功率P2运行；
并根据获得的天气预报数据，迭代计算T2时间段的平均风速，当T2时间段的平均风速大于风速N2.1时，风机停机，此时功率为0；停机后继续迭代计算 T2时间段的平均风速，当T2时间段的平均风速不大于风速N2.1时，自动启动风机，启动风机时间为T3，T3时间段的功率值为P2.1；
(3)停机风速：大于N3，停机
当风速大于N3时，风机立即停机，功率值为0；当风速小于N3，风机开始恢复运行，启动时间为T3，功率值为0；
其中：N1为风机的额定风速，N2为风机运行10分钟的报警风速，N3为风机的停机保护风速，P1是根据风机的散热能力和风机的发热情况计算出来的， N2.1大于N2，小于N3，可以是10分钟，也可以是8分钟，根据实际需要调整；
步骤六、功率预测
额定风速以下的情况，直接采用传统功率预测方法的预测值；
对于额定风速以上的情况，引入权重因子W1、W2分别对BP神经网络功率预测算法(已有功率预测算法)和风机保护策略的输出功率模型预测算法进行组合，得到最终功率预测值：
P终＝W1*PBP+W2*Pda
PBP为BP神经网络的预测功率；
Pda为基于保护策略-风速的对应关系模型的预测功率；
基于模型预测控制(MPC)理论，基于上一时刻的预测结果的误差调整权重因子W1、W2，滚动优化，修正下一时刻的预测功率。
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (2)

1.一种基于风机保护策略的额定风速以上功率预测方法，其特征在于：包括数据模块、传统预测方法模块、基于风机保护策略的功率预测模块和功率预测校准模块，
通过所述数据模块获取的数据判定：是否大于额定风速；
当大于额定风速时，通过基于风机保护策略的功率预测模块进行预测，通过功率预测校准模块进行修正校准；
所述基于风机保护策略的功率预测预测模块，依据风机保护策略，将额定以上风速分为满发风速、限功率风速以及停机风速，建立保护策略-风速的对应关系模型，对额定风速以上进行功率预测；
所述功率预测校准模块输出全风速的功率预测值，基于模型预测控制理论，修正额定风速以上的功率预测值。
2.根据权利要求1所述一种基于风机保护策略的额定风速以上功率预测方法，其特征在于：包括如下步骤：
步骤一、数据的读取
获取风场所在地的天气预报数据、测风塔测得的气象数据和风场SCADA系统给出的监控数据作为模型训练和测试的历史数据库；所述数据包括功率、风向、风速、温度、气压及湿度数据；
步骤二、搭建风机功率模型
(1)计算空气密度ρ，空气密度ρ的计算公式如下：
Figure FDA0003498353560000011
P为标准状态下的大气压值，单位为kPa；
T为热力学温度值，单位为K；
Pb为饱和水蒸气压力值，单位为kPa；
φ代表的含义为空气相对湿度值，单位是％；
(2)搭建风电机组风速-功率曲线模型
Figure FDA0003498353560000012
Pw为风机的输出功率，单位是kW；
ρ为空气密度，单位是kg/m3；
S为风机扫过的面积，单位是m2；
R为风机风叶半径，单位是m；
Vw为风机所处环境风速，单位是m/s；
Cp为风机的风能利用系数，无量纲；
步骤三、数据预处理
(1)异常和错误数据的处理
基于风电机组风速-功率曲线模型，删除偏离风机功率模型的异常数据，并对缺失数据进行插补，最终得到连续平滑的功率曲线，风电机组输出功率的拟合曲线表达式为：
P＝0.008V5-0.356V4+5.135V3-20.398V2+28.672V-8.635
(2)数据的归一化处理
利用matlab函数以最大最小值为边界对数据进行归一化处理，消除不同变量之间的物理量纲；
(3)训练数据和测试数据的划分
选取风机历史数据，5n、5n+1、5n+2、5n+3、5n+4(n＝1,2,3,4……)，选择5n、5n+2、5n+4，数据作为训练集，5n+1数据作为验证集，5n+3数据作为测试集；
步骤四、建立功率预测模型并进行训练，通过训练好的功率预测模型进行功率预测，得到初步预测功率；
步骤五、建立风机保护策略的功率预测校正模型
依据风机保护策略，把额定以上风速分为满发风速、限功率风速以及停机风速，建立风机保护策略的功率预测模型：
Q为风机发电功率为P时，产生的热量：
Q＝A*(1-Cp)*P
A为常量，无量纲，损失能量转换为热量的比例系数；
风机通风散热的功率为：
P散＝C*ρ*Q通*(T限-T)
C为空气比热容，单位为J/kg*K；
Q通为每秒的通风量，单位为m3；
ρ为空气密度，单位是kg/m3；
T限风机温度限值，单位为K；
T环境温度，单位为K；
Q通＝Q风扇+Q风
Q风＝VW×S
S为通风口的面积
Q风为自然风的通风量
Q风扇为冷却风扇的通风量；
当风机温度达到温度高报警的限值时，保证风机发电功率与散热的平衡：
Figure FDA0003498353560000031
基于步骤一获取的天气预报气象数据，当风速大于N1的时间超过T1时，风机限功率P1运行；
为保证风电机组发电量的最大化，必须保证风机发电功率与散热的平衡：
Figure FDA0003498353560000032
(1)当风速为N1-N2时
当风速为N1-N2时，基于风机保护策略的功率预测模型，风机限功率P1运行，P1由下式计算得到，即P1＝P：
Figure FDA0003498353560000033
(2)限功率风速为N2-N3时，风机以限功率P2运行；
并根据获得的天气预报数据，迭代计算T2时间段的平均风速，当T2时间段的平均风速大于风速N2.1时，风机停机，此时功率为0；停机后继续迭代计算T2时间段的平均风速，当T2时间段的平均风速不大于风速N2.1时，自动启动风机，启动风机时间为T3，T3时间段的功率值为P2.1；
(3)停机风速：大于N3，停机
当风速大于N3时，风机立即停机，功率值为0；当风速小于N3，风机开始恢复运行，启动时间为T3，功率值为0；
其中：N1为风机的额定风速，N2为风机运行10分钟的报警风速，N3为风机的停机保护风速；N2.1大于N2，小于N3；
步骤六、功率预测
对于额定风速以上的情况，引入权重因子W1、W2分别对已有功率预测算法和风机保护策略的输出功率模型预测算法进行组合，最终得到最终功率预测值：
P终＝W1*P已有+W2*Pda
P已有为已有预测功率；
Pda为基于保护策略-风速的对应关系模型的预测功率；
基于上一时刻的预测结果的误差调整权重因子W1、W2，滚动优化，修正下一时刻的预测功率。
CN202210121402.1A 2022-02-09 2022-02-09 一种基于风机保护策略的额定风速以上功率预测方法 Pending CN114580713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210121402.1A CN114580713A (zh) 2022-02-09 2022-02-09 一种基于风机保护策略的额定风速以上功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210121402.1A CN114580713A (zh) 2022-02-09 2022-02-09 一种基于风机保护策略的额定风速以上功率预测方法

Publications (1)

Publication Number Publication Date
CN114580713A true CN114580713A (zh) 2022-06-03

Family

ID=81774089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210121402.1A Pending CN114580713A (zh) 2022-02-09 2022-02-09 一种基于风机保护策略的额定风速以上功率预测方法

Country Status (1)

Country Link
CN (1) CN114580713A (zh)

Similar Documents

Publication Publication Date Title
US8202048B2 (en) Method of operating a wind turbine and wind turbine
CN106150904B (zh) 一种风力发电机组偏航系统控制性能优化方法及系统
CN104156575B (zh) 基于测风塔数据外推法的风电场理论功率计算方法
WO2023020524A1 (zh) 一种风电机组切入/切出风速调优方法、系统及设备介质
AU2020399503B2 (en) Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof
CN109185054A (zh) 风力发电机桨距角控制方法、系统、装置及可读存储介质
CN104533713B (zh) 控制风力发电机组停机的方法和装置
WO2022001251A1 (zh) 风力发电机组及其控制方法、控制器和控制系统
CN102915471A (zh) 一种风电扰动在线安全预警的方法
US20230265832A1 (en) Load control method and apparatus for wind turbine generator system
CN111287911A (zh) 一种风电机组疲劳载荷的预警方法和系统
CN110307121B (zh) 一种风力发电机组叶片桨角寻优方法
WO2012149984A1 (en) System and method for operating a wind turbine using an adaptive speed reference
CN110925134B (zh) 一种风电机组的输出功率给定值实时修正系统及方法
CN113153633A (zh) 一种风电机组风向仪静态偏差校准方法
CN108062722B (zh) 基于风速变异系数的山地风电场模型风机机械功率计算方法
CN103557117B (zh) 风力发电机组功率曲线获取装置
CN114580713A (zh) 一种基于风机保护策略的额定风速以上功率预测方法
CN106451527B (zh) 基于转子电流动态特性的双馈风电场机群聚合方法及系统
CN105529982A (zh) 一种用于风力发电机组中防变桨电机超温的控制方法
CN114566981A (zh) 一种基于数据预测的风电场一次调频控制方法
CN212563524U (zh) 适用于海上风电场的含抗台风模式的偏航及轮毂控制系统
CN112084661A (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
CN112906928B (zh) 一种风电场集群有功功率预测方法及系统
CN117869209A (zh) 一种抗恶劣天气的风机保护方法及系统

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