一种基于风机保护策略的额定风速以上功率预测方法

1.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：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.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。
7.本发明的目的是通过以下技术方案来实现的：
8.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，
9.通过所述数据模块获取的数据判定：是否大于额定风速；
10.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；
11.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；
12.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。
13.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：
14.步骤一、数据的读取
15.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；
16.步骤二、搭建风机功率模型
17.(1)计算空气密度ρ，空气密度ρ的计算公式如下：
[0018][0019]
p为标准状态下的大气压值，单位为kpa；
[0020]
t为热力学温度值，单位为k；
[0021]
pb为饱和水蒸气压力值，单位为kpa；
[0022]
φ代表的含义为空气相对湿度值，单位是％；
[0023]
(2)搭建风电机组风速-功率曲线模型
[0024][0025]
pw为风机的输出功率，单位是kw；
[0026]
ρ为空气密度，单位是kg/m3；
[0027]
s为风机扫过的面积，单位是m2；
[0028]
r为风机风叶半径，单位是m；
[0029]
vw为风机所处环境风速，单位是m/s；
[0030]
cp为风机的风能利用系数，无量纲；
[0031]
步骤三、数据预处理
[0032]
(1)异常和错误数据的处理
[0033]
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：
[0034]
p＝0.008v
5-0.356v4 5.135v
3-20.398v2 28.672v-8.635
[0035]
(2)数据的归一化处理
[0036]
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；
[0037]
(3)训练数据和测试数据的划分
[0038]
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；
[0039]
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；
[0040]
步骤五、建立风机保护策略的功率预测校正模型
[0041]
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：
[0042]
q为风机发电功率为p时，产生的热量：
[0043]
q＝a*(1-cp)*p
[0044]
a为常量，无量纲，损失能量转换为热量的比例系数；
[0045]
风机通风散热的功率为：
[0046]
p
散
＝c*ρ*q
通
*(t
限-t)
[0047]
c为空气比热容，单位为j/kg*k；
[0048]q通
为每秒的通风量，单位为m3；
[0049]
ρ为空气密度，单位是kg/m3；
[0050]
t
限
风机温度限值，单位为k；
[0051]
t环境温度，单位为k；
[0052]q通
＝q
风扇
q
风
[0053]q风
＝vw×s[0054]
s为通风口的面积
[0055]q风
为自然风的通风量
[0056]q风扇
为冷却风扇的通风量；
[0057]
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：
[0058][0059]
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；
[0060]
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：
[0061][0062]
(1)当风速为n1-n2时
[0063]
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：
[0064][0065]
(2)限功率风速为n2-n3时，风机以限功率p2运行；
[0066]
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；
[0067]
(3)停机风速：大于n3，停机
[0068]
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；
[0069]
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；
[0070]
步骤六、功率预测
[0071]
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：
[0072]
p终＝w1*p
已有
w2*pda
[0073]
p
已有
为已有预测功率；
[0074]
pda为基于保护策略-风速的对应关系模型的预测功率；
[0075]
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。
[0076]
本发明的有益效果为：
[0077]
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
[0078]
图1为本发明的预测方法整体流程图。
具体实施方式
[0079]
下面结合附图和实施例对本发明进行详细描述。
[0080]
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；
[0081]
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；
[0082]
通过所述数据模块获取的数据判定：是否大于额定风速；
[0083]
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；
[0084]
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；
[0085]
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；
[0086]
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。
[0087]
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：
[0088]
步骤一、数据的读取
[0089]
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；
[0090]
步骤二、搭建风机功率模型
[0091]
(1)计算空气密度ρ，空气密度ρ的计算公式如下：
[0092]
[0093]
p代表的含义为标准状态下的大气压值，单位为kpa；
[0094]
t代表的含义为热力学温度值，单位为k；
[0095]
pb代表的含义为饱和水蒸气压力值，单位为kpa；
[0096]
φ代表的含义为空气相对湿度值，单位是％；
[0097]
(2)搭建风电机组风速-功率曲线模型
[0098][0099]
pw为风机的输出功率，单位是kw；
[0100]
ρ为空气密度，单位是kg/m3；
[0101]
s为风机扫过的面积，单位是m2；
[0102]
r为风机风叶半径，单位是m；
[0103]
vw为风机所处环境风速，单位是m/s；
[0104]
cp为风机的风能利用系数，无量纲；
[0105]
步骤三、数据预处理
[0106]
(1)异常和错误数据的处理
[0107]
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；
[0108]
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；
[0109]
风电机组输出功率的拟合曲线表达式为：
[0110]
p＝0.008v
5-0.356v4 5.135v
3-20.398v2 28.672v-8.635
[0111]
(2)数据的归一化处理
[0112]
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；
[0113]
[y,ps]＝mapminmax(x,ymin,ymax)
[0114]
ymin风机最小功率，选择为0；最小风速为切入风速；
[0115]
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；
[0116]
(3)训练数据和测试数据的划分
[0117]
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；
[0118]
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；
[0119]
本例以bp神经网络功率预测模型为例进行说明：
[0120]
(1)构建lstm神经网络模型
[0121]
输入变量：风速、风向、温度、湿度、气压；
[0122]
输出变量：功率
[0123]
构建神经网络的结构：
[0124]
net＝newff(inputn,outputn,hiddennum,{'tansig','purelin'})；
[0125]
(2)设置神经网络的参数
[0126]
设置神经网络的迭代次数、学习率、目标值
[0127]
net.trainparam.epochs＝5000；
[0128]
net.trainparam.lr＝0.01；
[0129]
net.trainparam.goal＝0.00001；
[0130]
net.trainparam.show＝200；
[0131]
net.trainparam.showwindow＝0；
[0132]
(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
[0133]
net＝train(net,inputn,outputn)；
[0134]
(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；
[0135]
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；
[0136]
步骤五、建立风机保护策略的功率预测校正模型
[0137]
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；
[0138]
q为风机发电功率为p时，产生的热量，
[0139]
q＝a*(1-cp)*p
[0140]
a为常量，无量纲，损失能量转换为热量的比例系数。
[0141]
风机通风散热的功率为：
[0142]
p
散
＝c*ρ*q
通
*(t
限-t)
[0143]
c为空气比热容，单位为j/kg*k；
[0144]q通
为每秒的通风量，单位为m3；
[0145]
ρ为空气密度，单位是kg/m3；
[0146]
t
限
风机温度限值，代表的含义为热力学温度值，单位为k；
[0147]
t环境温度，代表的含义为热力学温度值，单位为k；
[0148]q通
＝q
风扇
q
风
[0149]q风
＝vw×s[0150]
s为通风口的面积，
[0151]q风
为自然风的通风量，
[0152]q风扇
为冷却风扇的通风量；
[0153]
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：
[0154][0155]
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。
[0156]
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。
[0157][0158]
(1)当风速为n1-n2时
[0159]
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：
[0160][0161]
(2)限功率风速为n2-n3时，风机以限功率p2运行；
[0162]
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；
[0163]
(3)停机风速：大于n3，停机
[0164]
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；
[0165]
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；
[0166]
步骤六、功率预测
[0167]
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；
[0168]
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：
[0169]
p终＝w1*p
bp
w2*pda
[0170]
p
bp
为bp神经网络的预测功率；
[0171]
pda为基于保护策略-风速的对应关系模型的预测功率；
[0172]
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。
[0173]
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。