CN117196122B - 一种基于风电功率爬坡时长的风电场调整方法及装置 - Google Patents

一种基于风电功率爬坡时长的风电场调整方法及装置 Download PDF

Info

Publication number
CN117196122B
CN117196122B CN202311443777.0A CN202311443777A CN117196122B CN 117196122 B CN117196122 B CN 117196122B CN 202311443777 A CN202311443777 A CN 202311443777A CN 117196122 B CN117196122 B CN 117196122B
Authority
CN
China
Prior art keywords
data
wind power
time
historical
climbing
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
Application number
CN202311443777.0A
Other languages
English (en)
Other versions
CN117196122A (zh
Inventor
肖科
黄巍
彭燕
肖秀
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.)
Hunan Saineng Environmental Measurement Technology Co ltd
Original Assignee
Hunan Saineng Environmental Measurement Technology 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 Hunan Saineng Environmental Measurement Technology Co ltd filed Critical Hunan Saineng Environmental Measurement Technology Co ltd
Priority to CN202311443777.0A priority Critical patent/CN117196122B/zh
Publication of CN117196122A publication Critical patent/CN117196122A/zh
Application granted granted Critical
Publication of CN117196122B publication Critical patent/CN117196122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于风电功率爬坡时长的风电场调整方法及装置,涉及风力发电技术领域,查询风电场风电功率的历史爬坡事件数据,提取风电场环境变化数据以及爬坡事件持续时间数据;提取历史时序变化数据和历史空间变化数据;根据历史时序变化数据、历史空间变化数据和爬坡事件持续时间数据生成预测模型;获取风电场实时时序变化数据和实时空间变化数据,通过预测模型得到预测爬坡持续时间;将预测爬坡持续时间与预设的时间区间进行对比,若爬坡持续时间大于时间区间,则对风电场进行出力调整。调整方法通过预测模型预测爬坡事件的持续时间,对风电场的输出功率进行调整,减少风电场在爬坡事件中的损失,提高风电场电力输出的稳定性效率。

Description

一种基于风电功率爬坡时长的风电场调整方法及装置
技术领域
本发明涉及风力发电技术领域,尤其涉及一种基于风电功率爬坡时长的风电场调整方法及装置。
背景技术
风力发电是新能源电能的常用技术手段,风能作为可再生的清洁能源,具有储量大,分布广的特点,但是风力发电并不稳定,容易受到天气的影响,气象变化容易导致风电场的风电功率出现突变情况,即爬坡现象,目前对于风电场爬坡现象的处理主要集中在通过气象预测调整风电场出力功率,减少爬坡现象,或者在爬坡现象后进行风电场出力功率的调整,减少风电场输出功率的损失,对于持续时间较长的爬坡现象,在爬坡过程中对风电场出力功率进行调整,能够进一步提高风电场的电力输出稳定性和电力输出效率。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于风电功率爬坡时长的风电场调整方法及装置,所述调整方法根据历史风电场爬坡数据构建爬坡事件持续时间的预测模型,针对爬坡事件的持续时间对风电场的输出功率进行调整,可以在爬坡过程中减少风电场损失,提高风电场电力输出的稳定性和电力输出效率。
本发明提供了一种基于风电功率爬坡时长的风电场调整方法,所述调整方法包括:
查询风电场风电功率的历史爬坡事件数据,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据;
按时间顺序在所述风电场环境变化数据提取历史时序变化数据,按空间位置在所述风电场环境变化数据中提取历史空间变化数据;
根据所述历史时序变化数据和所述历史空间变化数据构建高斯回归方程构建初始预测模型,基于所述历史时序变化数据对初始预测模型进行训练,基于所述爬坡事件持续时间数据对训练后的初始预测模型进行验证,得到预测模型;
获取风电场实时环境变化数据,所述实时环境变化数据包括实时时序变化数据和实时空间变化数据;
将所述实时时序变化数据和所述实时空间变化数据输入到所述预测模型,得到预测爬坡持续时间;
将所述预测爬坡持续时间与预设的时间区间进行对比,若所述爬坡持续时间大于所述时间区间,则对所述风电场进行出力调整。
进一步的,所述查询风电场风电功率的历史爬坡事件数据,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据包括:
获取风电场中若干个检测点的历史检测数据,查询历史检测数据中历史爬坡事件数据的记录时长,按照预设时长对历史爬坡事件数据进行筛选,获取所述记录时长大于预设时长的历史爬坡事件数据;
在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据。
进一步的,所述在所述历史爬坡事件数据中提取风电场环境变化数据还包括:
在所述历史爬坡事件数据中标记所述历史爬坡事件数据的开始时间和结束时间,根据所述历史爬坡事件数据的开始时间,按单位计算时间往前查询风电场环境数据,查询风电场环境数据的初始变化时刻;
根据所述历史爬坡事件数据的结束时间,按单位计算时间往前查询所述风电场环境数据,查询风电场环境数据的结束变化时刻。
进一步的,对查询过程进行计数,记录获取所述风电场环境数据的初始变化时刻对应的查询次数n,以及记录获取所述风电场环境数据的结束变化时刻对应的查询次数m。
进一步的,所述按时间顺序在所述风电场环境变化数据提取历史时序变化数据包括:
所述时序变化数据的计算公式为:
其中,为时序变化数据,为环境数据对应爬坡事件前的初始值,为环境数据对应爬坡事件结束时的变化值,为风电功率爬坡事件开始时间,为风电功率爬坡事件结束时间,为单位计算时间,为常数。
进一步的,所述按空间位置在所述风电场环境变化数据中提取历史空间变化数据包括:
所述空间变化数据的计算公式为:
其中,为历史空间变化数据,为爬坡事件前高程位置的环境数据,为爬坡 事件前低程位置的环境数据,为爬坡事件后高程位置的环境数据,为爬坡事件后低程 位置的环境数据,为高度误差补偿值,H为空间检测位置的实际高度,为单位计算高度,为单位计算高度的环境数据变化理论值。
进一步的,所述根据所述历史时序变化数据和所述历史空间变化数据构建高斯回归方程构建初始预测模型,基于所述历史时序变化数据对初始预测模型进行训练,基于所述爬坡事件持续时间数据对训练后的初始预测模型进行验证,得到预测模型包括:
根据所述历史时序变化数据按时序获取每个计算单位时间内历史时序子变化数据,得到训练数据集;
将所述历史空间变化数据设置为修正数据,将所述爬坡事件持续时间设置为对照数据;
基于所述训练数据集和所述修正数据构建初始预测模型,通过所述训练数据集对所述初始预测模型进行训练;
通过所述对照数据对所述初始预测模型的训练结果进行对比分析,直到准确率大于或等于95%。
进一步的,所述基于所述训练数据集和所述修正数据构建初始预测模型,通过所述训练数据集对所述初始预测模型进行训练包括:
在训练数据集中随机抽取多组爬坡事件对应数据作为测试数据集,构建高斯回归过程预测模型:
;
其中,为预测爬坡事件持续时间,为测试数据集,为训练数据,为 测试数据,k为协方差函数,为训练数据集与测试数据集的j维协方差函数向 量,为测试数据集的自协方差函数值,为协方差矩阵。
进一步的,所述将所述预测爬坡持续时间与预设的时间区间进行对比,若所述爬坡持续时间大于所述时间区间,则对所述风电场进行出力调整包括:
将所述预测爬坡持续时间与预设时间检测值进行对比,检测所述预测爬坡持续时间是否大于预设时间检测值,若所述预测爬坡持续时间大于所述预设时间检测值,则降低所述风电场的输出功率,并启动储备电力参与风电场工作;
获取风电场实时环境数据,通过所述预测模型按单位时间进行风电功率爬坡持续时间预测,直到预测持续时间小于预设时间检测值,并提升所述风电场的输出功率为正常运转状态,暂停储备电力的运行。
本发明还提供了一种基于风电功率爬坡时长的风电场调整装置,所述调整装置包括:
数据查询模块:查询风电场风电功率的历史爬坡事件数据,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据;
数据提取模块:按时间顺序在所述风电场环境变化数据提取历史时序变化数据,按空间位置在所述风电场环境变化数据中提取历史空间变化数据;
模型生成模块:根据所述历史时序变化数据和所述历史空间变化数据构建高斯回归方程构建初始预测模型,基于所述历史时序变化数据对初始预测模型进行训练,基于所述爬坡事件持续时间数据对训练后的初始预测模型进行验证,得到预测模型;
实时数据获取模块:获取风电场实时环境变化数据,所述实时环境变化数据包括实时时序变化数据和实时空间变化数据;
实时数据处理模块:将所述实时时序变化数据和所述实时空间变化数据输入到所述预测模型,得到预测爬坡持续时间;
调整模块:将所述预测爬坡持续时间与预设的时间区间进行对比,若所述爬坡持续时间大于所述时间区间,则对所述风电场进行出力调整。
本发明提供了一种基于风电功率爬坡时长的风电场调整方法及装置,所述调整方法根据历史风电场爬坡数据构建爬坡事件持续时间的预测模型,针对爬坡事件的持续时间对风电场的输出功率进行调整,可以在爬坡过程中减少风电场损失,提高风电场电力输出的稳定性和电力输出效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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它的附图。
图1是本发明实施例中基于风电功率爬坡时长的风电场调整方法流程示意图;
图2是本发明实施例中构建预测模型的方法流程示意图;
图3是本发明实施例中基于风电功率爬坡时长的风电场调整装置的结构示意图。
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。
图1示出了本发明实施例中基于风电功率爬坡时长的风电场调整方法,所述调整方法,所述调整方法包括:
S11:查询风电场风电功率的历史爬坡事件数据,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据。
具体的,获取风电场中若干个检测点的历史检测数据,查询历史检测数据中历史爬坡事件数据的记录时长,按照预设时长对历史爬坡事件数据进行筛选,获取所述记录时长大于预设时长的历史爬坡事件数据,通过设置预设时长,根据预设时长对所述历史爬坡事件数据进行筛选,剔除爬坡事件时长短的历史爬坡事件数据,即剔除短时历史爬坡事件,避免短时历史爬坡事件数据对风电场爬坡事件预测造成干扰。
具体的,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据,所述风电场环境变化数据包括历史风速数据、历史风向数据、历史温度数据、历史湿度数据以及历史气压数据,对所述历史风速数据、历史风向数据、历史温度数据、历史湿度数据和历史气压数据进行综合评价计算,得到综合评价参数,所述综合评价参数的计算公式为:
;
其中,为综合评价参数,为历史风速数据,为历史风向数据、为历史温度 数据,为历史湿度数据,为历史气压数据,为经验常数,且++++=1。
进一步的,根据人为主观经验对所述历史风速数据、历史风向数据、历史温度数据、历史湿度数据以及历史气压数据分配计算权重,使得所述综合评价参数贴合风电场的实际功率变化数据,从而提高对风电场风电功率预测的准确性,使得预测结果能够贴合风电场的实际风电功率变化。
进一步的,在风电场内的不同位置上设置有检测点,通过数据采集传感器获取该检测点的风速、风向、温度、湿度以及气压数据,以便对风电场的整体工作环境进行实时监测,根据实时环境数据变化对风电场的运行进行调整,提高风电场的运行使用寿命。
具体的,根据所述历史爬坡事件数据提取爬坡事件持续时间,将所述爬坡事件持续时间作为风电场风电功率爬坡事件预测模型的训练数据,使得所述风电功率爬坡事件预测模型能够准确预测持续时长满足预测需求的风电场风电功率爬坡事件。
进一步的,所述历史爬坡事件持续时间以所述风电场风电功率突变时为初始值,并以风电功率恢复稳定状态时为终止值,所述历史爬坡事件的记录时间是以所述风电场检测到风电场风电功率突变的时刻作为初始值,即所述历史爬坡事件持续时间略大于所述历史爬坡事件的记录时间。
S12:按时间顺序在所述风电场环境变化数据提取历史时序变化数据,按空间位置在所述风电场环境变化数据中提取历史空间变化数据。
具体的,所述在所述历史爬坡事件数据中提取风电场环境变化数据包括:
在所述历史爬坡事件数据中标记所述历史爬坡事件数据的开始时间和结束时间,根据所述历史爬坡事件数据的开始时间,按单位计算时间往前查询风电场环境数据,查询风电场环境数据的初始变化时刻,根据所述历史爬坡事件数据的结束时间,按单位计算时间往前查询所述风电场环境数据,查询风电场环境数据的结束变化时刻,从而获取所述风电场环境数据对应所述历史爬坡事件时间内的变化数据。
进一步的,对查询过程进行计数,记录获取所述风电场环境数据的初始变化时刻对应的查询次数n,以及记录获取所述风电场环境数据的结束变化时刻对应的查询次数m,以便统计所述风电场环境数据的时序变化区间。
具体的,所述按时间顺序在所述风电场环境变化数据提取历史时序变化数据包括:
所述时序变化数据的计算公式为:
其中,为时序变化数据,为环境数据对应爬坡事件前的初始值,为环境数据对应爬坡事件结束时的变化值,为风电功率爬坡事件开始时间,为风电功率爬坡事件结束时间,为单位计算时间,为常数。
具体的,所述按空间位置在所述风电场环境变化数据中提取历史空间变化数据包括:
所述空间变化数据的计算公式为:
其中,为历史空间变化数据,为爬坡事件前高程位置的环境数据,为爬坡 事件前低程位置的环境数据,为爬坡事件后高程位置的环境数据,为爬坡事件后低程 位置的环境数据,为高度误差补偿值,H为空间检测位置的实际高度,为单位计算高度,为单位计算高度的环境数据变化理论值。
S13:根据所述历史时序变化数据和所述历史空间变化数据构建高斯回归方程构建初始预测模型,基于所述历史时序变化数据对初始预测模型进行训练,基于所述爬坡事件持续时间数据对训练后的初始预测模型进行验证,得到预测模型。
具体的,图2示出了本发明实施例中构建预测模型的方法流程示意图;根据所述历史时序变化数据、所述历史空间变化数据和所述爬坡事件持续时间数据生成预测模型包括:
S131:根据所述历史时序变化数据按时序获取每个计算单位时间内历史时序子变化数据,得到训练数据集;
提取所述历史时序变化数据,按单位计算时间从左往右依次扫描所述历史时序变 化数据,提取每个单位计算时间内的时序变化数据(……),从而获取训练 数据集。
S132:将所述历史空间变化数据设置为修正数据,将所述爬坡事件持续时间设置为对照数据。
提取所述历史空间变化数据作为修正数据,对预测模型生成的计算结果进行修正反馈,使得所述预测模型生成的运算结果贴合实际的风电功率爬坡事件变化。
将所述爬坡事件持续时间设置为对照数据,对预测模型训练后进行测试,将测试运算输出的计算结果与所述对照数据进行对比,从而验证所述预测模型的准确性。
S133:基于所述训练数据集和所述修正数据构建初始预测模型,通过所述训练数据集对所述初始预测模型进行训练。
在训练数据集中随机抽取多组爬坡事件对应数据作为测试数据集,构建高斯回归过程预测模型:
;
其中,为预测爬坡事件持续时间,为测试数据集,为训练数据,为 测试数据,k为协方差函数,为训练数据集与测试数据集的j维协方差函数向 量,为测试数据集的自协方差函数值,为协方差矩阵。
具体的,结合所述风电场环境数据对应爬坡事件的数据变化时间,以及爬坡事件 的持续时间,获取所述风电场环境变化数据与爬坡事件数据之间的时间差,结合步骤 S12,
在所述训练数据集中,保留位于所述时间差内的数据,即保留时间差内数 据作为预测模型的训练集,提高预测模型针对风电场数据的初始变化阶段的数据的风电功 率爬坡时间预测的准确性,从而可以便于风电场系统快速响应风电场爬坡现象,进行出力 调整。
S134:通过所述对照数据对所述初始预测模型的训练结果进行对比分析,直到准确率大于或等于95%。
通过所述对照数据对所述初始预测模型的训练结果进行对比分析,即对预测模型训练后进行测试,将测试运算输出的计算结果与所述对照数据进行对比,从而验证所述预测模型的准确性,当所述预测模型输出结果准确率达到95%以上,则认为预测模型训练完成,满足风电场爬坡事件持续时间预测的需求。
S14:获取风电场实时环境变化数据,所述实时环境变化数据包括实时时序变化数据和实时空间变化数据。
通过所述风电场内的不同位置上设置有检测点,通过数据采集传感器获取该检测点的风速、风向、温度、湿度以及气压数据,以便获取风电场的整体工作环境的实时环境数据,根据若干个所述数据采集传感器的设置位置,可以对所述风电场不同海拔的地理位置进行环境数据的采集,以便根据实时环境数据变化对风电场的运行进行调整,提高风电场的运行使用寿命。
进一步的,所述检测点上可以设置有声雷达检测机构,所述声雷达检测机构可以定向发射一定频率的强声脉冲,通过接收声散射回波并分析声散射回波强度,可以判断大气的热力结构,包括对流强弱、对流高度、逆温层等数据;通过比较发射的声波和声散射回波频率的差异,可以计算风向、风速随时间和高度的变化数据,能够准确获取风电场内的实时环境变化数据。
进一步的,根据所述数据采集传感器反馈的环境变化数据,设定数据采集传感器按单位计算时间反馈环境数据,检测反馈的环境数据是否发生突变,并对存在突变情况的环境数据输入到所述预测模型,并记录该突变数据对应的时刻,以所述时刻为起始点,连续输入实时反馈的环境变化数据,从而获取检测模型的计算结果。
进一步的,根据不同海拔地理位置,获取风电场实时空间变化数据,输入到所述预测模型进行实时修正,提高所述预测模型的预测准确性。
S15:将所述实时时序变化数据和所述实时空间变化数据输入到所述预测模型,得到预测爬坡持续时间。
S16:将所述预测爬坡持续时间与预设的时间区间进行对比,若所述爬坡持续时间大于所述时间区间,则对所述风电场进行出力调整。
具体的,将所述预测爬坡持续时间与预设时间检测值进行对比,检测所述预测爬坡持续时间是否大于预设时间检测值,若所述预测爬坡持续时间大于所述预设时间检测值,则降低所述风电场的输出功率,并启动储备电力参与风电场工作,通过储备电力参与风电场的电力输出工作,使得风电场的整体输出功率维持稳定状态,并降低风电场风力发电的实时功率,从而降低风电场环境变化对风电功率的冲击和影响。
获取风电场实时环境数据,通过所述预测模型按单位时间进行风电功率爬坡持续时间预测,直到预测持续时间小于预设时间检测值,并提升所述风电场的输出功率为正常运转状态,暂停储备电力的运行,通过所述预测模型实时对风电场的环境变化数据进行预测分析,检验风电场在出力调整过程中的风电场环境变化数据对风电场运行的影响,使得风电场系统能够根据实际的环境变化数据对风电场实时输出功率进行出力调整。
进一步的,若在所述风电场系统进行出力调整的过程中,所述预测模型预测的爬坡持续时间增大,所述风电场系统能够依据所述预测模型的预测结果调整储备电力的出力比例,进一步降低风电场的运行功率,从而降低环境数据变化对风电场实时运行带来的冲击。
进一步的,通过设置所述预设时间检测值对预测结果进行分析,若所述预测爬坡持续时间小于所述预设时间检测值,则判定风电场系统出力调整产生的损耗大于风电场爬坡现象的冲击损耗,则维持风电场系统的正常工作状态。
本发明实施例提供了一种基于风电功率爬坡时长的风电场调整方法,通过构建爬坡事件持续时间预测模型,结合风电场实时反馈的时序变化数据和空间变化数据,可以实时对风电场的运行状态进行爬坡事件预测以及爬坡事件持续时间预测,在爬坡过程中调整风电场运行的出力调整,通过储备电力降低风电场实时风力发电输出功率,降低爬坡事件对风电场输出功率的冲击,提高风电场输出功率的稳定性以及风电场风力发电的输出效率。
实施例二:
图3示出了本发明实施例中基于风电功率爬坡时长的风电场调整装置的结构示意图,所述调整装置包括:
数据查询模块10:查询风电场风电功率的历史爬坡事件数据,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据。
获取风电场中若干个检测点的历史检测数据,查询历史检测数据中历史爬坡事件数据的记录时长,按照预设时长对历史爬坡事件数据进行筛选,获取所述记录时长大于预设时长的历史爬坡事件数据;
在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据。
在所述历史爬坡事件数据中标记所述历史爬坡事件数据的开始时间和结束时间,根据所述历史爬坡事件数据的开始时间,按单位计算时间往前查询风电场环境数据,查询风电场环境数据的初始变化时刻;
根据所述历史爬坡事件数据的结束时间,按单位计算时间往前查询所述风电场环境数据,查询风电场环境数据的结束变化时刻。
在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据,所述风电场环境变化数据包括历史风速数据、历史风向数据、历史温度数据、历史湿度数据以及历史气压数据,对所述历史风速数据、历史风向数据、历史温度数据、历史湿度数据和历史气压数据进行综合评价计算,得到综合评价参数,所述综合评价参数的计算公式为:
;
其中,为综合评价参数,为历史风速数据,为历史风向数据、为历史温度 数据,为历史湿度数据,为历史气压数据,为经验常数,且++++=1。
数据提取模块20:按时间顺序在所述风电场环境变化数据提取历史时序变化数据,按空间位置在所述风电场环境变化数据中提取历史空间变化数据。
对查询过程进行计数,记录获取所述风电场环境数据的初始变化时刻对应的查询次数n,以及记录获取所述风电场环境数据的结束变化时刻对应的查询次数m。
所述按时间顺序在所述风电场环境变化数据提取历史时序变化数据包括:
所述时序变化数据的计算公式为:
其中,为时序变化数据,为环境数据对应爬坡事件前的初始值,为环境数据对应爬坡事件结束时的变化值,为风电功率爬坡事件开始时间,为风电功率爬坡事件结束时间,为单位计算时间,为常数。
具体的,所述按空间位置在所述风电场环境变化数据中提取历史空间变化数据包括:
所述空间变化数据的计算公式为:
其中,为历史空间变化数据,为爬坡事件前高程位置的环境数据,为爬坡 事件前低程位置的环境数据,为爬坡事件后高程位置的环境数据,为爬坡事件后低程 位置的环境数据,为高度误差补偿值,H为空间检测位置的实际高度,为单位计算高度,为单位计算高度的环境数据变化理论值。
模型生成模块30:根据所述历史时序变化数据和所述历史空间变化数据构建高斯回归方程构建初始预测模型,基于所述历史时序变化数据对初始预测模型进行训练,基于所述爬坡事件持续时间数据对训练后的初始预测模型进行验证,得到预测模型。
根据所述历史时序变化数据按时序获取每个计算单位时间内历史时序子变化数据,得到训练数据集;
将所述历史空间变化数据设置为修正数据,将所述爬坡事件持续时间设置为对照数据;
基于所述训练数据集和所述修正数据构建初始预测模型,通过所述训练数据集对所述初始预测模型进行训练。
实时数据获取模块40:获取风电场实时环境变化数据,所述实时环境变化数据包括实时时序变化数据和实时空间变化数据。
实时数据处理模块50:将所述实时时序变化数据和所述实时空间变化数据输入到所述预测模型,得到预测爬坡持续时间。
结合所述风电场环境数据对应爬坡事件的数据变化时间,以及爬坡事件的持续时 间,获取所述风电场环境变化数据与爬坡事件数据之间的时间差,在所述训练数据集 中,保留位于所述时间差内的数据,即保留时间差内数据作为预测模型的训练集, 提高预测模型针对风电场数据的初始变化阶段的数据的风电功率爬坡时间预测的准确性, 从而可以便于风电场系统快速响应风电场爬坡现象,进行出力调整。
调整模块60:将所述预测爬坡持续时间与预设的时间区间进行对比,若所述爬坡持续时间大于所述时间区间,则对所述风电场进行出力调整。
具体的,将所述预测爬坡持续时间与预设时间检测值进行对比,检测所述预测爬坡持续时间是否大于预设时间检测值,若所述预测爬坡持续时间大于所述预设时间检测值,则降低所述风电场的输出功率,并启动储备电力参与风电场工作,通过储备电力参与风电场的电力输出工作,使得风电场的整体输出功率维持稳定状态,并降低风电场风力发电的实时功率,从而降低风电场环境变化对风电功率的冲击和影响。
获取风电场实时环境数据,通过所述预测模型按单位时间进行风电功率爬坡持续时间预测,直到预测持续时间小于预设时间检测值,并提升所述风电场的输出功率为正常运转状态,暂停储备电力的运行,通过所述预测模型实时对风电场的环境变化数据进行预测分析,检验风电场在出力调整过程中的风电场环境变化数据对风电场运行的影响,使得风电场系统能够根据实际的环境变化数据对风电场实时输出功率进行出力调整。
本发明实施例提供了一种基于风电功率爬坡时长的风电场调整装置,通过构建爬坡事件持续时间预测模型,结合风电场实时反馈的时序变化数据和空间变化数据,可以实时对风电场的运行状态进行爬坡事件预测以及爬坡事件持续时间预测,在爬坡过程中调整风电场运行的出力调整,通过储备电力降低风电场实时风力发电输出功率,降低爬坡事件对风电场输出功率的冲击,提高风电场输出功率的稳定性以及风电场风力发电的输出效率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,ReadOnly Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于风电功率爬坡时长的风电场调整方法及装置进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于风电功率爬坡时长的风电场调整方法,其特征在于,所述调整方法包括:
查询风电场风电功率的历史爬坡事件数据,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据;
按时间顺序在所述风电场环境变化数据提取历史时序变化数据,按空间位置在所述风电场环境变化数据中提取历史空间变化数据;
所述历史时序变化数据为风电场环境数据对应在历史爬坡事件持续时间内的变化数据,所述历史空间变化数据为高程位置的风电场环境数据与低程位置的风电场环境数据的差值在历史爬坡事件发生前后的变化数据;
根据所述历史时序变化数据按时序获取每个计算单位时间内历史时序子变化数据,得到训练数据集;
在训练数据集中随机抽取多组爬坡事件对应数据作为测试数据集,基于高斯过程回归构建初始预测模型:
其中,为预测爬坡事件持续时间,/>为测试数据集,/>为训练数据,/>为测试数据,k为协方差函数,/>为训练数据集与测试数据集的j维协方差函数向量,为测试数据集的自协方差函数值,/>为训练数据集的自协方差函数值;
通过所述训练数据集对所述初始预测模型进行训练;
将所述爬坡事件持续时间设置为对照数据,通过所述对照数据对所述初始预测模型的训练结果进行对比分析,直到准确率大于或等于 95%,得到预测模型;
将所述历史空间变化数据设置为修正数据,对预测模型生成的计算结果进行修正反馈,使得所述预测模型生成的运算结果贴合实际的风电功率爬坡事件变化;
获取风电场实时环境变化数据,所述实时环境变化数据包括实时时序变化数据和实时空间变化数据;
将所述实时时序变化数据和所述实时空间变化数据输入到所述预测模型,得到预测爬坡持续时间;
将所述预测爬坡持续时间与预设的时间区间进行对比,若所述爬坡持续时间大于所述时间区间,则对所述风电场进行出力调整。
2.如权利要求1所述的基于风电功率爬坡时长的风电场调整方法,其特征在于,所述查询风电场风电功率的历史爬坡事件数据,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据包括:
获取风电场中若干个检测点的历史检测数据,查询历史检测数据中历史爬坡事件数据的记录时长,按照预设时长对历史爬坡事件数据进行筛选,获取所述记录时长大于预设时长的历史爬坡事件数据;
在筛选后获取的所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据。
3.如权利要求2所述的基于风电功率爬坡时长的风电场调整方法,其特征在于,所述在筛选后获取的所述历史爬坡事件数据中提取风电场环境变化数据还包括:
在所述历史爬坡事件数据中标记所述历史爬坡事件数据的开始时间和结束时间,根据所述历史爬坡事件数据的开始时间,按单位计算时间往前查询风电场环境数据,查询风电场环境数据的初始变化时刻;
根据所述历史爬坡事件数据的结束时间,按单位计算时间往前查询所述风电场环境数据,查询风电场环境数据的结束变化时刻。
4.如权利要求3所述的基于风电功率爬坡时长的风电场调整方法,其特征在于,对查询过程进行计数,记录获取所述风电场环境数据的初始变化时刻对应的查询次数n,以及记录获取所述风电场环境数据的结束变化时刻对应的查询次数m。
5.如权利要求1所述的基于风电功率爬坡时长的风电场调整方法,其特征在于,所述按时间顺序在所述风电场环境变化数据提取历史时序变化数据包括:
所述历史时序变化数据的计算公式为:
其中,为历史时序变化数据,/>为环境数据对应爬坡事件前的初始值,为环境数据对应爬坡事件结束时的变化值,/>为风电功率爬坡事件开始时间,为风电功率爬坡事件结束时间,/>为单位计算时间,/>和/>为常数。
6.如权利要求1所述的基于风电功率爬坡时长的风电场调整方法,其特征在于,所述按空间位置在所述风电场环境变化数据中提取历史空间变化数据包括:
所述历史空间变化数据的计算公式为:
其中,为历史空间变化数据,/>为爬坡事件前高程位置的环境数据,/>为爬坡事件前低程位置的环境数据,/>为爬坡事件后高程位置的环境数据,/>为爬坡事件后低程位置的环境数据,/>为高度误差补偿值,H为空间检测位置的实际高度,/>为单位计算高度,/>为单位计算高度的环境数据变化理论值。
7.如权利要求1所述的基于风电功率爬坡时长的风电场调整方法,其特征在于,所述将所述预测爬坡持续时间与预设的时间区间进行对比,若所述爬坡持续时间大于所述时间区间,则对所述风电场进行出力调整包括:
将所述预测爬坡持续时间与预设时间检测值进行对比,检测所述预测爬坡持续时间是否大于预设时间检测值,若所述预测爬坡持续时间大于所述预设时间检测值,则降低所述风电场的输出功率,并启动储备电力参与风电场工作;
获取风电场实时环境数据,通过所述预测模型按单位时间进行风电功率爬坡持续时间预测,直到预测持续时间小于预设时间检测值,并提升所述风电场的输出功率为正常运转状态,暂停储备电力的运行。
8.一种基于风电功率爬坡时长的风电场调整装置,其特征在于,所述调整装置包括:
数据查询模块:查询风电场风电功率的历史爬坡事件数据,在所述历史爬坡事件数据中提取风电场环境变化数据以及爬坡事件持续时间数据;
数据提取模块:按时间顺序在所述风电场环境变化数据提取历史时序变化数据,按空间位置在所述风电场环境变化数据中提取历史空间变化数据;
所述历史时序变化数据为风电场环境数据对应在历史爬坡事件持续时间内的变化数据,所述历史空间变化数据为高程位置的风电场环境数据与低程位置的风电场环境数据的差值在历史爬坡事件发生前后的变化数据;
模型生成模块:根据所述历史时序变化数据按时序获取每个计算单位时间内历史时序子变化数据,得到训练数据集;
在训练数据集中随机抽取多组爬坡事件对应数据作为测试数据集,基于高斯过程回归构建初始预测模型:
其中,为预测爬坡事件持续时间,/>为测试数据集,/>为训练数据,/>为测试数据,k为协方差函数,/>为训练数据集与测试数据集的j维协方差函数向量,为测试数据集的自协方差函数值,/>为训练数据集的自协方差函数值;
通过所述训练数据集对所述初始预测模型进行训练;
将所述爬坡事件持续时间设置为对照数据,通过所述对照数据对所述初始预测模型的训练结果进行对比分析,直到准确率大于或等于 95%,得到预测模型;
将所述历史空间变化数据设置为修正数据,对预测模型生成的计算结果进行修正反馈,使得所述预测模型生成的运算结果贴合实际的风电功率爬坡事件变化;
实时数据获取模块:获取风电场实时环境变化数据,所述实时环境变化数据包括实时时序变化数据和实时空间变化数据;
实时数据处理模块:将所述实时时序变化数据和所述实时空间变化数据输入到所述预测模型,得到预测爬坡持续时间;
调整模块:将所述预测爬坡持续时间与预设的时间区间进行对比,若所述爬坡持续时间大于所述时间区间,则对所述风电场进行出力调整。
CN202311443777.0A 2023-11-02 2023-11-02 一种基于风电功率爬坡时长的风电场调整方法及装置 Active CN117196122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311443777.0A CN117196122B (zh) 2023-11-02 2023-11-02 一种基于风电功率爬坡时长的风电场调整方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311443777.0A CN117196122B (zh) 2023-11-02 2023-11-02 一种基于风电功率爬坡时长的风电场调整方法及装置

Publications (2)

Publication Number Publication Date
CN117196122A CN117196122A (zh) 2023-12-08
CN117196122B true CN117196122B (zh) 2024-02-06

Family

ID=89000119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311443777.0A Active CN117196122B (zh) 2023-11-02 2023-11-02 一种基于风电功率爬坡时长的风电场调整方法及装置

Country Status (1)

Country Link
CN (1) CN117196122B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679282A (zh) * 2013-09-30 2014-03-26 清华大学 风电功率爬坡的预测方法
CN104794546A (zh) * 2015-04-29 2015-07-22 武汉大学 一种基于深度置信网络分类方法的风功率爬坡预测方法
KR20160127918A (ko) * 2015-04-28 2016-11-07 (주)에코브레인 풍력발전량 급상승 예측 시스템 및 방법
CN106203693A (zh) * 2016-07-05 2016-12-07 华北电力大学 一种风电场输出功率爬坡事件预测的系统及方法
CN109033027A (zh) * 2018-08-08 2018-12-18 长春工程学院 一种高速阵风导致风电功率下爬坡事件的预测方法
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统
CN112529275A (zh) * 2020-12-02 2021-03-19 中国矿业大学 基于特征提取和深度学习的风电爬坡事件预测方法
CN115221945A (zh) * 2022-06-23 2022-10-21 合肥综合性国家科学中心能源研究院(安徽省能源实验室) 基于时空特征的极端天气风电爬坡事件分类方法
CN116960941A (zh) * 2023-06-26 2023-10-27 华电电力科学研究院有限公司 一种功率爬坡事件预测方法、装置、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198420A1 (en) * 2009-02-03 2010-08-05 Optisolar, Inc. Dynamic management of power production in a power system subject to weather-related factors
US9466984B2 (en) * 2009-10-26 2016-10-11 General Electric Company Power ramp rate control for renewable variable power generation systems
EP3464895B1 (en) * 2016-05-23 2021-10-13 General Electric Company System and method for forecasting power output of a wind farm
US20230299580A1 (en) * 2022-03-17 2023-09-21 Utopus Insights, Inc. Systems and methods for ramp predictions for forecasting power using neighboring sites

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679282A (zh) * 2013-09-30 2014-03-26 清华大学 风电功率爬坡的预测方法
KR20160127918A (ko) * 2015-04-28 2016-11-07 (주)에코브레인 풍력발전량 급상승 예측 시스템 및 방법
CN104794546A (zh) * 2015-04-29 2015-07-22 武汉大学 一种基于深度置信网络分类方法的风功率爬坡预测方法
CN106203693A (zh) * 2016-07-05 2016-12-07 华北电力大学 一种风电场输出功率爬坡事件预测的系统及方法
CN109033027A (zh) * 2018-08-08 2018-12-18 长春工程学院 一种高速阵风导致风电功率下爬坡事件的预测方法
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统
CN112529275A (zh) * 2020-12-02 2021-03-19 中国矿业大学 基于特征提取和深度学习的风电爬坡事件预测方法
CN115221945A (zh) * 2022-06-23 2022-10-21 合肥综合性国家科学中心能源研究院(安徽省能源实验室) 基于时空特征的极端天气风电爬坡事件分类方法
CN116960941A (zh) * 2023-06-26 2023-10-27 华电电力科学研究院有限公司 一种功率爬坡事件预测方法、装置、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Data Mining for Prediction of Wind Farm Power Ramp Rates;Andrew Kusiak 等;《2008 IEEE International Conference on Sustainable Energy Technologies》;第1099-1103页 *
Stochastic optimal control of the storage system to limit ramp rates of wind power output;Duehee Lee 等;《IEEE Transactions on Smart Grid》;第4卷(第4期);第2256-2265页 *
基于概率预测的储能系统辅助风电场爬坡率控制;田立亭 等;《高电压技术》;第41卷(第10期);第3233-3239页 *
风电功率爬坡事件问题研究;崔明建;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;C042-79 *
风电爬坡事件研究综述及展望;张东英 等;《电网技术》;第42卷(第6期);第1783-1792页 *

Also Published As

Publication number Publication date
CN117196122A (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
El‐Asha et al. Quantification of power losses due to wind turbine wake interactions through SCADA, meteorological and wind LiDAR data
CA2898931C (en) System and method for enhanced operation of wind parks
US20160215759A1 (en) Methods and systems for wind plant power optimization
CN106707166B (zh) 一种风电场出力特性评估方法
CN112766549A (zh) 一种空气污染物浓度预报方法、装置及存储介质
CN106873359B (zh) 一种基于聚类分析和神经网络的风电噪声评价方法
CN110288136A (zh) 风电功率多步预测模型建立方法
CN103026266A (zh) 风力涡轮机处的风况评估
US20200291921A1 (en) Feedforward control method and device for wind turbine set in wind farm
CN113919231A (zh) 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN108256546A (zh) 一种非降水条件下大气边界层高度探测方法和系统
CN115081346B (zh) 一种风电机组尾流效应下的健康度判断方法、装置及介质
CN117196122B (zh) 一种基于风电功率爬坡时长的风电场调整方法及装置
CN117591794B (zh) 基于时间序列的鸟类迁徙轨迹预测方法
CN109829572B (zh) 雷电气候下的光伏发电功率预测方法
CN116485036A (zh) 一种基于多任务学习机制的多能流碳排放短期预测方法
CN113296072B (zh) 一种基于YOLOv3模型的雷暴大风自动识别方法及系统
CN115618993A (zh) 一种基于时序数据预测技术的光伏发电功率智能预测方法
CN115640737A (zh) 一种面向异常天气状态的风电功率预测方法及系统
CN114325877B (zh) 气象预报数据的评估方法和装置
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN110991743B (zh) 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
CN115563848A (zh) 一种基于深度学习的分布式光伏总辐射预测方法及系统
CN117318045A (zh) 一种基于粒子群优化算法的多机组风电功率预测方法
CN111581801B (zh) 一种航空器巡航温室效应计算方法

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