基于风电场区域实时风速分析调控风电场有功的方法和装置

摘要

本发明提供了一种基于风电场区域实时风速分析调控风电场有功的方法，用于具有数据采集系统、风电场建模系统、风电场数据存储系统、风机有功预测系统、风电场有功分配系统和控制效果回馈系统的控制系统中。基于区域地理模型、风机模型、风机尾流模型、以及区域同风带模型对风电场进行整体建模。采用模糊控制理论、神经网络算法以及自适应调整算法对风机下一刻的实时风速进行不间断的预测。本发明创造所述的分析调控方法通过对风电场区域风速进行监控，可以精确且有效的预测出每台风机短时间内的理论有功上限。通过风机理论有功上限的利用可以有效地提高风电场有功控制效率与准确率。

说明书

技术领域

本发明创造属于风电场控制领域，尤其是涉及一种基于风电场区域实时风速分析调控风电场有功的方法。

背景技术

风力发电由于电能质量问题导致并网接入难，电能质量问题又主要是由于电场侧的通信系统、机组状况、控制系统、天气和其它因素的原因共同导致。而现有的有功控制系统虑因素比较单一、应用局限性较大、主要是针对实施命令进行单一的考虑。控制效果往往不够精确，且对外界环境变化造成的影响抗干扰能力不足，导致风电场有功出力不够稳定的现象。对电网的安全、高效运行造成了一定的影响。

现有的风电场有功控制系统主要的研究对象是电场内部硬件设备控制和调度命令值。虽然风电场有功控制系统接收到的调度命令值是调度中心根据风电场所在区域的超短期预测计算得出，但该值只是根据高精度气象预报推算得出的预测值，并不能准确反映风电场所在区域的实际风速、风向，更没有考虑到风机尾流对其他风机风速造成的影响。同时由于风电场风机所处位置相对比较分散，因此不能对风电场所有风机进行统一化的调控。同时由于风速、风向时变性较大的特点，因此风机在当前时刻的运行状态到下一时刻有可能发生突变。这必然会导致该风机有功的不规律波动，进而导致风电场并网点有功的波动，这种波动在外部气候环境变化较快的环境下会更加的明显。对区域电网安全、高效运行造成较大的影响。不能够满足电网对风电场有功进行实时不间断稳定控制的需求。

短期/超短期风功率预测虽然预测精度较以前已经有了很大程度上的提高，但是仍不能满足风电场用于实时有功控制的需求。同时短期/超短期风功率预测只是对该区域整体风速进行预测，并不能代表单台风机所受到的风速，同时更没有考虑到风机尾流对其他风机造成的影响，同时由于风机的高度不同风机所受到的风速也不尽行同，这就导致不同风机可发的有功量上限不同，进而导致风机执行有功调控命令效果不同。

发明内容

有鉴于此，本发明创造旨在提出一种基于风电场区域实时风速分析调控风电场有功的方法，以防止风速、风向时变化对区域电网安全、高效运行造成的影响，达到风电场的智能实时有功控制。

为达到上述目的，本发明创造的技术方案是这样实现的：

一种基于风电场区域实时风速分析调控风电场有功的方法，用于具有数据采集系统、风电场建模系统、风电场数据存储系统、风机有功预测系统、风电场有功分配系统和控制效果回馈系统的控制系统中，所述方法包括：

步骤一、基于区域地理模型、风机模型、风机尾流模型、以及区域同风带模型对风电场进行整体建模。

所述区域地理模型包括海拔、对该区域风速能造成影响的实体建筑、每台风机的高度和在该区域内的分布位置；

所述风机模型可以推算出该台风机某一风速下的理论发电上限，和该风速下风机造成的尾流影响大小和范围；

所述风机尾流模型包括风力通过风机扇叶后形成的风机尾流大小、范围、方向和对该尾流区域内其他风机所受风力、风向的影响程度；

所述区域同风带模型是指区域内在同一风向上如果风速发生改变，则一段时间后在该风向下游的风机所受到的风速必然会受到不同程度上的影响，系统根据这一原理建立起同风带模型。

步骤二、采用模糊控制理论、神经网络算法以及自适应调整算法对风机下一刻的实时风速进行不间断的预测。

1)数据采集：采集风电场电场侧环境变化值，包括每台风机的高度、风速、风向、坐标值、有功值。

2)数据发送：将电场采集到的数据通过数据接口发送给数据存贮系统。

3)数据预处理：将实时采集到的来自不同数据源的数据分类并发送到相应的数据库。

4)数据预测：通过智能算法来预测风电场下一时刻的实时风速。

所述智能算法采用模糊控制理论结合神经网络算法相结合方法，通过模糊控制理论对电场不同风速阶段进行模糊划分层次处理，同时通过神经网络算法的学习功能能够快速的将预测系统训练成符合该电场实际风力分布特性的系统，最终推算出每台风机短时间内的理论有功曲线值。

步骤三、根据电场有功目标值、风机有功预测系统预测得出的风机在当前风速下的理论有功预测值和各个风机的调控参数向各风机发送有功命令值。

步骤四、将风机有功的预测值与风电场风机有功实际值相比较，根据变化值自动修正电站模型参数和系统预测算法参数，使整个电场的有功值维持在一定的范围内。

进一步的，在步骤四中，在电场中随机选取1-2台风机作为样板风机，将风机有功的预测值与风电场样板风机有功实际值相比较，如果样板风机的实际值在预测值附近，则说明该预测算法适用于该电场的实际情况，如果样板风机的实际值偏离预测值较远，则自动修正电站模型参数和系统预测算法参数，使电站有功的预测值更加准确。

进一步的，所述风电场有功分配系统向风机发送命令，使其命令值低于预测值；同时向样板风机发送命令，使其命令值高于所述预测值，并查看各个风机的命令执行效果，之后将命令执行效果反馈回所述数据存储系统。

相对于现有技术，本发明创造所述的基于风电场区域实时风速分析调控风电场有功的方法具有以下优势：

本发明所述的分析调控方法通过对风电场区域风速进行监控，可以精确且有效的预测出每台风机短时间内的的理论有功上限。通过风机理论有功上限的利用可以有效地提高风电场有功控制效率与准确率。

基于风电场区域实时风速分析调控风电场有功的方法能够通过对风电场及其所在区域风力分布系统模型，结合系统采集到的实施环境数据进行分析、预测。能够实现提前1-2分钟掌握该区域风力分布、风力变化趋势，通过这种方法系统能够预测出每台风机较为准确的在接下来1-2分钟的可发电能力走势。根据风机可发电走势系统能够提前对可能出现出力波动的风机进行提前调控，使其脱离可能出现的波动范围，降低电场整体有功发生波动的情况，提高并网点有功稳定等级，提升电场电能质量。

本发明创造的另一目的在于提出一种风电场区域实时风速分析调控风电场有功的装置，以使上述控制方法基于此装置实现风电场的智能实时有功控制。

为达到上述目的，本发明创造的技术方案是这样实现的：

一种风电场区域实时风速分析调控风电场有功的装置，用于具有数据采集系统、风电场建模系统、风电场数据存储系统、风机有功预测系统、风电场有功分配系统和控制效果回馈系统的控制系统中，其中：

所述数据采集系统包括数据采集模块和数据发送模块。

所述风电场建模系统包括区域地理模型、风机模型、风机尾流模型、以及区域同风带模型。

所述数据存储系统包括数据预处理模块、数据库、历史数据预处理模块，所述数据库包括电场设备参数数据库、模型参数数据库、电场实时数据库和历史数据库。所述电场设备参数数据库存储该电场各种设备的调控参数、安全运行范围数据。所述模型参数数据库用来存储该电场建模所用各项参数数据。所述电场实时数据库接收电场各机组实时运行状态值、数据值。所述历史数据库存储历史数据预处理模块接收的来自不同数据源的历史数据。。

所述风机有功预测系统根据风电场建模系统建立的风电场模型结合数据采集系统采集到的风电场实时数据通过智能算法来预测风电场各风机短时间内的实时风速。

所述风电场有功分配系统根据电场有功目标值、风机有功预测系统预测得出的风机在当前风速下的理论有功预测值和各个风机的调控参数向各风机发送命令。

所述风电场控制效果回馈系统对所述的预测值和样板风机的实际值进行比较，根据比较结果自动修正电站模型参数和系统预测算法参数，将修正结果回馈给风电场数据存储系统。

本发明创造的风电场区域实时风速分析调控风电场有功的装置对风电场所在区域实时风速和风机进行整体建模，并分析、预测风机受到的实时风速，对风电场实时有功的智能调控有着重要的参考意义。能够有效提升电场运行安全等级、提高电场电能质量。

附图说明

构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的示意性实施例及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。在附图中：

图1为本发明创造所述的风电场控制流程图；

图2为本发明创造所述的风电场区域实时风速分析调控风电场有功的控制装置示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。

另外，在本发明创造的发明内容和实施例中所提到的名词含义如下，

区域同风带是指：区域内在同一风向上如果风速发生改变，则一段时间后在该风向下游的风机所受到的风速必然会受到不同程度上的影响。

每台风机的预测值以及未来有功趋势是指：每台风机在短时间内有功何时会产生变化，变化值及变化趋势是什么。

智能控制策略是指：根据风电场个各风机的实时有功和预测有功变化值，根据相应的策略调节相应的风机，使整个电场的有功值维持在一定的范围内，既减少电场整体有功的波动，又尽量少调微调风机。

下面将参考附图并结合实施例来详细说明本发明创造。

基于风电场区域实时风速分析调控风电场有功的方法关键在于风电场所在区域实时风速和风机整体模型的准确度。因此本方法提出了基于区域地理模型、风机模型、风机尾流模型、以及区域同风带技术对风电场进行整体建模的方法。同时系统通过采用模糊控制理论、神经网络算法以及自适应调整算法对风机下一刻的实时风速进行不间断的预测，并以此为依据进一步推算出每台风机短时间内的理论有功曲线值。为风电场的整体有功控制提供数据支持。

基于风电场区域实时风速分析调控风电场有功的方法主要由：数据采集系统、风电场建模系统、风电场数据存储系统、风机有功预测系统、风电场有功分配系统组成、控制效果回馈系统。

所述数据采集子系统包括：数据采集模块、数据发送模块。所述需求数据采集模块主要采集风电场侧环境变化值：每台风机的高度、风速、风向、坐标值、有功值。数据发送模块将电场采集到的数据通过各种接口发送给数据存贮系统，所述数据接口包括RS485接口、RS232接口、RS422接口、串行接口。

所述风电场建模系统包括区域地理模型、风机模型、风机尾流模型、以及区域同风带模型。所述区域地理模型为风电场所处地理位置模型包括海拔、以及对该区域风速能造成影响的实体建筑，以及每台风机的高度，和在该区域内的分布位置等信息。所述风机模型可以通过该模型推算出该台风机某一风速下的理论发电上限，和该风速下风机造成的尾流影响大小和范围。所述风机尾流模型为风力通过风机扇叶后形成的风机尾流大小、范围、方向核对改尾流区域内其他风机所受风力、风向的影响程度。所述区域同风带模型是指区域内在同一风向上如果风速发生改变，则一段时间后再改风向下游的风机所受到的风速必然会受到不同程度上的影响，系统根据这一原理建立起同风带模型。

所述数据存储系统包括：数据预处理模块、电场设备参数数据库、模型参数数据库、电场实时数据库、历史数据预处理模块。所述数据预处理模块将实时采集到的来自不同数据源的数据分类并发送到相应的数据库；所述模型参数数据库是指用来存储该电场建模所用各项参数。所述电场实时数据库接收电场各机组实时运行状态值、数据值。所述历史数据预处理模块接收来自不同数据源的历史数据并存入历史数据库。所述电场设备参数数据库存储该电场各种设备的调控参数、安全运行范围等数据。

所述风机有功预测系统主要根据风电场建模系统建立的风电场模型结合数据采集系统采集到的风电场实时数据通过智能控制策略来预测风电场下一时刻的实时风速。所述智能控制策略的算法采用的是模糊控制理论结合神经网络算法相结合方法；因为不同风速阶段对风机有功量的影响不尽相同，所以不同风速下所采用的预测算法参数也不同，但是由于不同风速之间的分界点又不益设置为固定点，所以系统通过模糊控制理论对不同阶段风速进行模糊划分。系统的预测算法采用的是神经网络算法，通过该算法可以根据电场的历史风机数据进行不断地训练并修正该算法的相关参数可以使该算法更加符合该电场风力的实际情况，以实现自适应调整的目的。

预测算法采用模糊控制理论和神经网络算法相结合的预测算法。通过模糊控制理论对电场不同风速阶段进行模糊化分层次处理，不同风速层次所使用的数学模型和各项参数会存在细微的差别。如风电场所在地区最大风速为λ。则当风速α在0≤α≤0.25λ区间时，认为是低风，使用低风预测模型。则当风速α在0.25≤α≤0.5λ区间时，认为是中低风，使用中低风预测模型。则当风速α在0.5≤α≤0.75λ区间时，认为是中高风，使用中高风预测模型。则当风速α在0.75≤α≤λ区间时，认为是高风，使用高风预测模型。则当风速α在0.15≤α≤0.35λ区间时，认为是中偏低风，使用中偏低风预测模型。则当风速α在0.4≤α≤0.6λ区间时，认为是中风，使用中风预测模型。则当风速α在0.65≤α≤0.85λ区间时，认为是中偏高风，使用中偏高风预测模型。

通过模糊分级方法将风力等级进行划分，由于风力分区并不是严格意义上的区分所以可能同时存在一种风速使用两种模型进行预测。这里可以通过风速修改某种算法的权值。

神经网络是多层前馈型网络，其原理是输入矢量经过隐层节点的转换，得到一个输出矢量，经过训练之后得到一个映射关系。典型的三层BP神经网络是由输入层，隐含层和输出层组成，其核心就是利用边向后传递误差，边修正误差的方式来不断调整网络的权值和阈值，从而实现或逼近要寻找的输入，输出映射关系。网络输入层神经元数一般取m，与嵌入维数相同，隐层神经元数多为靠经验选取，这里记为p，输出层神经元数为1，即完成f:R^m→R¹。BP神经网络隐层传递函数采用Sigmoid函数，输出层采用线性函数。

隐层节点的输入：

$>S_j=\underset{i=1}{\overset{m}{\Sigma }}{w}_{ij}{x}_i-{\theta }_j,j=1,2,...,p$>

式中，ω_ij是输入层到隐层的连接权，θ_j是隐层节点的阈值。

隐层节点的输出:

$>b_j=\frac{1}{1+\exp (-\underset{i=1}{\overset{m}{\Sigma }}{\omega }_{ij}{x}_i+{\theta }_j)},j=1,2,...,p$>

输出层节点的输入:

$>L=\underset{j=1}{\overset{p}{\Sigma }}{v}_j{b}_j-\gamma$>

式中，v_j是隐层到输出层的连接权值，γ是输出层的阈值。

输出层节点的输出:

式中，为线性函数。

同时通过神经网络算法的学习功能能够快速的将预测系统训练成符合该电场实际风力分布特性的系统，提高了系统的广泛适用性和精度。

所述风电场有功分配系统根据电场有功目标值和风机有功预测系统预测得出的风机在当前风速下的理论有功上限值。并结合各个风机的调控参数向各风机发送适当的命令。由于风机的理论上限值是预测得出的，所以向风机发送的命令值应在低于预测值。同时应向少数样板风机(在电场随机选取1-2台风机)发送超过预测值的命令，并查看该风机的命令执行效果，并将命令执行效果反馈回风电场数据存储系统。

所述风电场控制效果回馈系统。会分析风电场通过该模型该预测算法预测出的结果和风电场样板风机实际调控结果相比较。如果样板风机的最大出力在预测值附近，则说明该预测算法适用于该电场的实际其概况，如果样板风机的实际最大值偏离预测值较远，则系统会自动修正电站模型参数和系统预测算法参数，使电站的有功预测值更加准确。

由于不同风电场所处的地理位置不同，不同风电场内部风机布局结构也不同，以及风力风向的不稳定性共同造成了风电场有功出力较不稳定的现象，通过对风电场区域风速进行监控，可以精确且有效的预测出每台风机短时间内的理论有功上限。通过风机理论有功上限的利用可以有效地提高风电场有功控制效率与准确率。

基于风电场区域实时风速分析调控风电场有功的方法从整个风电场所在区域风力分布变化去考虑，结合该区域地理模型、风速变化模型、风力发电模型、风机尾流模型、并加入同风带的技术对风电场及其周边环境进行整体建模。

同时系统通过采用模糊控制理论、神经网络算法以及自适应调整算法对风机下一刻的实时风速进行不间断的预测，并以此为依据进一步推算出每台风机短时间内的理论有功曲线值。为风电场的整体有功控制提供数据支持。

本发明基于风电场区域实时风速分析调控风电场有功的方法能够通过对风电场及其所在区域风力分布系统模型，结合系统采集到的实施环境数据进行分析、预测。能够实现提前1-2分钟掌握该区域风力分布、风力变化趋势，通过这种方法系统能够预测出每台风机较为准确的在接下来1-2分钟的可发电能力走势。根据风机可发电走势系统能够提前对可能出现出力波动的风机进行提前调控，使其脱离可能出现的波动范围，降低电场整体有功发生波动的情况，提高并网点有功稳定等级，提升电场电能质量。

以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。