基于模糊自适应控制策略的风电机群有功功率控制方法与流程

1.本发明涉及风电场技术领域，尤其涉及一种针对机组实时运行状态经济、高效、健康的对风电机组群进行能量控制的基于模糊自适应控制策略的风电机群有功功率控制方法。


背景技术：

2.近几年来，我国风力发电发展迅速，风电装机容量已实现翻番式增长，在全国发电装机结构中所占的比例逐步上升。但与此同时，风能利用率较低、风能间歇性、波动性和随机性对电网的影响以及风电场经济运行水平较低等问题仍然普遍存在，给风电场整体的经济效益带来极大损失。
3.在我国不少地区，由于风电过度发展，造成风电规模与电网接纳的不相协调，其电网调度运行问题越来越突出，风电场弃风限电现象也较为严重。
4.这些问题都对风电场风电机群的安全性、稳定性以及控制性能等提出了更高的要求。而在实际风电场运行过程中，风电机组随着不同工况等干扰因素的影响，其特性参数及健康状态都会不停产生变化，传统的开环控制，爬坡式的闭环控制及常规pi控制等技术都只能基本实现风电场功率跟踪控制的目标，不能综合的考虑机组的实时运行状态以及整场实际情况，经济、高效、健康的对风电机组群进行能量控制，从而无法实现最佳调整，不当的控制策略不仅会减少风电机组的使用寿命，带来较多的安全隐患，同时也不利于风电场稳定经济运行。
5.因此，设计一套基于模糊自适应智能控制策略的风电机群有功功率控制方法，就显得十分必要。
6.例如，一种在中国专利文献上公开的“一种风电场闭环pi控制器参数整定方法及装置”，其公告号cn110838725a，包括对每一台机组进行分析，基于给定的输入信号以及相应的输出信号进行辨识，得到比较理想的单机模型，该单机模型基于迭代计算的近似策略来估计风场级有功功率动态模型，选择单个风力发电机系统(wtgs)单元作为风电场的等效模型；基于等效模型分离风电场不可建模扰动，并对扰动利用快速傅立叶变换，寻找扰动的截止频率；利用给定阻尼比和扰动的截止频率，确定pi控制器参数调试包含时变积分环节的自适应pi控制器，基于该调试后的pi控制器改进风电场的功率跟踪。但是上述方案采用pi控制技术实现基本的风电场功率跟踪控制的目标，存在不能综合的考虑机组的实施运行状态以及整场实际情况的问题。


技术实现要素：

7.本发明是为了解决现有技术的风电场内的风电机组存在风能资源利用率低，安全隐患大及难以稳定、高效、健康运行的问题，提供一种能够根据机组实时运行状态及整场实际情况实时调控风电机组有功功率的基于模糊自适应控制策略的风电机群有功功率控制方法。
8.为实现上述目的，本发明采用以下技术方案：一种基于模糊自适应控制策略的风电机群有功功率控制方法，包括如下步骤：(1-1)数据测量采集与分析评估风电机组状态：以风电场每一台风电机组为测量点，采集风机实时数据，存储历史数据，分析评估以建立风机健康度、可控性、理论功率指标三个维度的数据模型；(1-2)控制器输入数据处理：从agc系统接收或由用户操作接收风电场风电集群总有功目标指令，据此计算控制器给定值数据，从风电机组实时运行数据模型进行过滤、分析，据此计算控制器反馈数据；(1-3)控制器pi参数整定：依据模糊自适应策略模型，以误差e和误差变化ec作为输入，利用模糊控制规则在线对pi参数进行实时修改；以满足不同状态下的风电机组对pi参数的实时最佳调整，(1-4)控制器输出数据处理：依据(1-3)中整定的pi控制参数，基于离散pid控制算法处理控制器输入，最终计算出控制器输出u；控制器输出u为风电场有功控制控制量，用于风电机群有功功率控制过程；(1-5)风电机组有功功率控制：依据离散pid控制器输出的u，结合风机组健康度指标h、可控性指标s、理论功率指标f，构造可控风电机组综合运行力指数j，按照可控风电机组综合运行力指数j从低到高的顺序，依次分配从低到高的有功功率指令。按照可控风电机组综合运行力指数j从低到高的顺序，依次按照有功功率指令中有功功率数值由低到高分配有功功率指令。
9.离散pid控制算法结合运行力智能分配算法策略模型，对可控风电机组下达控制命令，从而使全场有功功率出力达到最优。通过合理安排不同状态下风电机组的出力性能，提高风资源利用率，减少不必要的机组损耗，使得全场风电出力得以快速、安全的响应电网调度指令的变化，减少对电网的冲击以及发电量的损失。本发明具有能够延长机组使用寿命，节约成本和提高经济性、稳定性、安全性以及运行效率的特点。
10.作为优选，所述步骤(1-1)还包括如下细分步骤：(1-1-1)评估风电机组健康度指标h：风电机组健康度评估因素包括齿轮箱油温、齿轮箱振动、齿轮箱轴承温度、发电机轴承温度、发电机振动、变流器温度、风机偏航角度等测量数据；系统将这些实时数据采集上来，与历史数据相结合，经过专家控制算法模拟拟合，评估出风电机组当前健康度指标h，健康度指标h用0％-100％来表示；(1-1-2)评估风电机组可控性指标s：风电机组可控性评估方法采集风电机组状态信息，分析该机组是否处于可以控制状态；如果该机组不可控，记录不可控原因，不可控风电机组群根据脱控原因排定优先级序列；如果可以控制，记录当前风电机组运行状态，可控风电机组群依据状态排定优先级序列；风电机组可控性指标s在0％-100％范围，设定s大于50％为可以控制风电机组，数值越大代表该风电机组可控性越高；s小于50％为脱离控制的风电机组，数值越小代表该风
电机组恢复到可控状态的可能性越低；排序原则依据专家经验法则，对控制算法配置可调输入参数，通过自学习手段，不断优化参数，最终得到各机组可控性评估指数s；(1-1-3)评估风电机组理论功率指标f：通过采集、统计分析的手段得到风电机组当前实时风速v0、1分钟平均风速v1、10分钟平均风速v2以及h时间周期内风功率预测风速v3的数据信息；依据资源法理论功率计算公式分别计算得出所述风电机组对应的理论发电能力rtheow0、rtheow1、rtheow2、rtheow3；利用大数据等手段技术从历史数据中提取分析得出对应的历史实际发电能力histheow0、histheow1、histheow2、histheow3；通过前述模糊综合评判方法评估计算得出各台机组理论功率指标f。
11.作为优选，步骤(1-1-1)还包括如下步骤：(1-1-1-1)单个测量数据的健康状态l
ij
：单个测量数据的健康状态采用相对劣化度来进行评估，取值范围在[0,1]；对于越小越优型模型如发电机温度等，计算公式为：对于越大越优型模型如转速等，计算公式为：对于中间型如偏航角度等，计算公式为：其中，l
ij
为第i台风电机组第j种参数的劣化度，ci为第i台风电机组实测值，c
max
为风电机组该参数允许最大值，c
min
为风电机组该参数允许最小值，c0为风电机组该参数的最优值；(1-1-1-2)风电机组测量数据的综合健康状态hi：基于所有测量参数的劣化度分析，采用模糊综合评判方法，对每一个测量参数的劣化度以及该参数与风机健康状况的关联性进行综合评估分析，最终得出风电机组的健康状态hi：
其中，hi为第i台风电机组综合健康状态，l
ij
为第i台风电机组第j种参数的劣化度，k
ij
为第i台风电机组第j种参数对hi评定的重要程度，或称为权重；针对第i台机组，可得权重集ki＝(k
i1
,k
i2
,k
i3
,
…
，k
ij
)，参数状态集li＝(l
i1
,l
i2
,l
i3
,
…
，l
ij
)；在此引入专家经验算法模型以及故障诊断系统累积的历史故障记录，由相关领域专家提供经验参数，结合历史记录，拟合出合理权重，该权重也会在后续风电机组运行中不断优化，k
ij
值在0到1之间；基于模糊综合评判方法，应用模糊关系矩阵的符合运算：hi＝li.ki由此得到各风电机组健康度的序列。
[0012]
作为优选，步骤(1-2)所述的从agc系统接收或由用户操作接收风电场风电集群总有功目标指令，据此计算控制器给定值数据包括如下步骤：累加不可控风机的有功功率为p
′
,令风电场有功目标指令为p0，求得控制器给定值数据s
p
＝p
0-p
′
。
[0013]
作为优选，步骤(1-2)所述的从风电机组实时运行数据模型进行过滤、分析，据此计算控制器反馈数据包括如下步骤：累加风机的有功功率为p，求得控制器反馈数据pv＝p-p
′
。
[0014]
作为优选，步骤(1-3)还包括如下步骤：(1-3-1)k
p
整定原则：当响应在上升过程时(e为p)，δk
p
取正，即增大k
p
；当超调时(e为n)，δk
p
取负，即降低k
p
,当误差在零附近时(e为z)，分三种情况：ec为n时，超调越来越大，此时δk
p
取负；ec为z时，为了降低误差，δk
p
取正；ec为p时，正向误差原来越大，δk
p
取正；(1-3-2)ki：采用积分分离策略，即误差在零附近时，δki取正，否则δki取零；(1-3-3)将系统误差e和误差变化率ec变化范围定义为模糊集上的论域：e，ec＝{-1，0，1}其模糊子集为e，ec＝{n，o，p}，子集中元素分别代表负、零、正；e，ec，k
p
，ki服从正态分布，得出各模糊子集的隶属度，根据各模糊子集的隶属度赋值表和各参数模糊控制模型，应用模糊合成推理设计pi参数的模糊矩阵表，查出修正参数代入下式计算；k
p
＝k
p0
δk
p
，ki＝k
i0
δki风电机群在实时运行过程中，控制器通过对模糊逻辑规则的结果处理、查表和运算，完成对pi参数的实时最佳调整。
[0015]
作为优选，步骤(1-4)还包括如下步骤：(1-4-1)依据控制器模糊自适应策略模型整定的pi参数，基于离散pid控制算法得出控制器输出u(k)，公式：
式中，k为采样序号；t为采样时间。
[0016]
作为优选，步骤(1-5)还包括如下步骤：(1-5-1)当控制器输出u大于全场可控风机理论功率指标时，则对每台可控风电机组下达其最大理论功率指标f(t)上浮a％的有功功率控制指令，其中，n为全场可控风机台数；(1-5-2)当控制器输出u小于全场可控风机理论功率指标时，即对现场所有可控风电机组做有功功率智能分配控制。
[0017]
根据风电机组健康度评估h、风电机组理论功率指标f、风电机组可控性指标s，剔除不可控风电机组，构造可控风电机组综合运行力指数j的多目标函数如下：j＝max(ah bf cs)其中，a为风电机组健康度指标h的权重系数，b为风电机组理论功率指标f的权重系数，c为风电机组可控性指标s的权重系数；由此生成可控风电机组综合运行力j,排序方式按照j从低到高的顺序，依次分配从低到高的有功功率指令，每台可控风电机组有功功率分配指令如下公式：其中n为全场可控风机台数。
[0018]
j越低表明风机综合运行力越差，分配到的有功功率指令越低。
[0019]
因此，本发明具有如下有益效果：(1)本发明通过合理安排不同状态下风电机组的出力性能，提高风资源利用率，减少发电量的损失，使得全场风电出力得以快速、安全的响应电网调度指令的变化，减少对电网的冲击以及发电量的损失；(2)根据离散pid控制算法，结合运行力智能分配算法策略模型，对可控风电机组下达控制命令从而使全场有功功率处理达到最优，存在能够延长风电机组使用寿命，节约成本和提高经济性、稳定性、安全性以及运行效率的特点。
附图说明
[0020]
图1是本发明一实施例风电机群有功功率控制方法流程图。
具体实施方式
[0021]
下面结合附图与具体实施方式对本发明做进一步的描述。
[0022]
实施例：如图1所示的一种基于模糊自适应智能控制策略的风电机群有工功率控制方法，包括如下步骤：
以由100台2mw风电机组组成的风电场为例：(1-1)数据测量采集与分析评估风电机组状态：以风电场每一台风电机组为测量点，采集该100台风机实时数据，存储历史数据，分析评估以建立风机健康度指标、可控性指标和理论功率指标三个维度的数据模型；(1-1-1)评估风电机组健康度指标h：风电机组健康度评估因素包括齿轮箱油温、齿轮箱振动、齿轮箱轴承温度、发电机轴承温度、发电机振动、变流器温度、风机偏航角度等测量数据；系统将这些实时数据采集上来，与历史数据相结合，经过专家控制算法模拟拟合，评估出风电机组当前健康度指标h，健康度指标h用0％-100％来表示；(1-1-1-1)单个测量数据的健康状态l
ij
：单个测量数据的健康状态采用相对劣化度来进行评估，取值范围在[0,1]；对于越小越优型模型如发电机温度等，计算公式为：对于越大越优型模型如转速等，计算公式为：对于中间型如偏航角度等，计算公式为：其中，l
ij
为第i台风电机组第j种参数的劣化度，ci为第i台风电机组实测值，c
max
为风电机组该参数允许最大值，c
min
为风电机组该参数允许最小值，c0为风电机组该参数的最优值；(1-1-1-2)风电机组测量数据的综合健康状态hi：基于所有测量参数的劣化度分析，采用模糊综合评判方法，对每一个测量参数的劣化度以及该参数与风机健康状况的关联性进行综合评估分析，最终得出风电机组的健康状态hi：
其中，hi为第i台风电机组综合健康状态，l
ij
为第i台风电机组第j种参数的劣化度，k
ij
为第i台风电机组第j种参数对hi评定的重要程度，或称为权重；针对第i台机组，可得权重集ki＝(k
i1
,k
i2
,k
i3
,
…
，k
ij
)，参数状态集li＝(l
i1
,l
i2
,l
i3
,
…
，l
ij
)；在此引入专家经验算法模型以及故障诊断系统累积的历史故障记录，由相关领域专家提供经验参数，结合历史记录，拟合出合理权重，该权重也会在后续风电机组运行中不断优化，k
ij
值在0到1之间；基于模糊综合评判方法，应用模糊关系矩阵的符合运算：hi＝li.ki由此可以得到各风电机组健康度的序列。
[0023]
(1-1-2)评估风电机组可控性指标s：风电机组可控性评估方法采集风电机组状态信息，分析该机组是否处于可以控制状态；如果该机组不可控，记录不可控原因，不可控风电机组群根据脱控原因排定优先级序列；如果可以控制，记录当前风电机组运行状态，可控风电机组群依据状态排定优先级序列；风电机组可控性指标s在0％-100％范围，设定s大于50％为可以控制风电机组，数值越大代表该风电机组可控性越高；s小于50％为脱离控制的风电机组，数值越小代表该风电机组恢复到可控状态的可能性越低；排序原则依据专家经验法则，对控制算法配置可调输入参数，通过自学习手段，不断优化参数，最终得到各机组可控性评估指数s；(1-1-3)评估风电机组理论功率指标f：通过采集、统计分析的手段得到风电机组当前实时风速v0、1分钟平均风速v1、10分钟平均风速v2以及h时间周期内风功率预测风速v3的数据信息；依据资源法理论功率计算公式分别计算得出所述风电机组对应的理论发电能力rtheow0、rtheow1、rtheow2、rtheow3；利用大数据等手段技术从历史数据中提取分析得出对应的历史实际发电能力histheow0、histheow1、histheow2、histheow3；通过前述模糊综合评判方法评估计算得出各台机组理论功率指标f；由上述步骤可得风电机组3个状态序列：风电机组健康度指标h、风电机组可控性指标s以及风电机组理论功率指标f。
[0024]
(1-2)控制器输入数据处理：从agc系统接收或由用户操作接收风电场风电集群总有功目标指令，据此计算控制器给定值数据，从风电机组实时运行数据模型进行过滤、分析，据此计算控制器反馈数据；(1-2-1)给定值sp及反馈值pv计算：累加不可控风机的有功功率为p
′
,令风电场有功目标指令为p0，求得sp＝p
0-p
′
。累
加风机的有功功率为p，求得pv＝p-p
′
。上述sp，pv即为控制器输入数据。
[0025]
(1-3)控制器pi参数整定：依据模糊自适应策略模型，以误差e(e＝sp-pv)和误差变化ec(ec(k)＝e(k)-e(k-1))作为输入，利用模糊控制规则在线对pi参数进行实时修改，以满足不同状态下的风电机组对pi参数的实时最佳调整。
[0026]
作为实施例的一种优选，设定初始kp＝0.5，ki＝0.15。
[0027]
(1-3-1)k
p
整定原则：当响应在上升过程时即e为p，δk
p
取正，即增大k
p
；当超调时即e为n，δk
p
取负，即降低k
p
。当误差在零附近时即e为z，分三种情况：ec为n时，超调越来越大，此时δk
p
取负；ec为z时，为了降低误差，δk
p
取正；ec为p时，正向误差原来越大，δk
p
取正。
[0028]
(1-3-2)ki：采用积分分离策略，即误差在零附近时，δki取正，否则δki取零。
[0029]
(1-3-3)将系统误差e和误差变化率ec变化范围定义为模糊集上的论域：e，ec＝{-1，0，1}其模糊子集为e，ec＝{n，o，p}，子集中元素分别代表负、零、正。e，ec，k
p
，ki服从正态分布，得出各模糊子集的隶属度，根据各模糊子集的隶属度赋值表和各参数模糊控制模型，应用模糊合成推理设计pi参数的模糊矩阵表，查出修正参数代入下式计算。
[0030]kp
＝k
p0
δk
p
，ki＝k
i0
δki风电机群在实时运行过程中，控制器通过对模糊逻辑规则的结果处理、查表和运算，完成对pi参数的实时最佳调整。
[0031]
(1-4)控制器输出数据处理：依据(1-3)中整定的pi控制参数，基于离散pid控制算法处理控制器输入，最终计算出风电场有功控制控制量，用于风电机群有功功率控制过程。
[0032]
(1-4-1)依据控制器模糊自适应策略模型整定的pi参数，基于离散pid控制算法得出控制器输出u(k)，公式：式中，k为采样序号；t为采样时间，一次周期的时间t可选取为1秒。
[0033]
(1-5)风电机组有功功率控制：依据离散pid控制器输出的u，结合风机组健康度指标h、可控性指标s、理论功率指标f，构造可控风电机组综合运行力指数j，按照可控风电机组综合运行力指数从低到高的顺序，依次分配从低到高的有功功率指令。从而使全场有功功率出力达到最优。
[0034]
(1-5-1)当控制器输出u大于全场可控风机理论功率指标时，其中n为全场可控风机台数，则对每台可控风电机组下达其最大理论功率指标f(t)上浮a％的有功功率控制指令,依据该风电场实际运行情况，a％可选取为10％；(1-5-2)当控制器输出u小于全场可控风机理论功率指标时，即对现场所有可控风电机组做有功功率智能分配控制。
[0035]
考量风电机组健康度指标h、风电机组理论功率指标f、风电机组可控性指标s，剔除不可控风电机组，并构造构造可控风电机组综合运行力指数j的多目标函数如下：j＝max(ah bf cs)其中a为风电机组健康度指标h的权重系数，b为风电机组理论功率指标f的权重系数，c为风电机组可控性指标s的权重系数；由此生成可控风电机组综合运行力j,排序方式按照j从低到高的顺序，j越低表明风机综合运行力越差，分配到的有功功率指令越低；故每台可控风电机组有功功率分配指令如下公式：其中n为全场可控风机台数。通过合理安排不同状态下风电机组的出力性能，提高风资源利用率，减少不必要的机组损耗，使得全场风电出力得以快速、安全的响应电网调度指令的变化，减少对电网的冲击以及发电量的损失。本发明具有能够延长机组使用寿命，节约成本和提高经济性、稳定性、安全性以及运行效率的特点。
[0036]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
[0037]
尽管本文较多地使用了模糊自适应策略模型、整定原则、序列、累积、模糊关系矩阵等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。