风电机组风速功率曲线建模与评估方法研究

随着风电机组运行工况愈发复杂化,传统功率曲线计算方法难以得出满意的结果,且无法满足机组性能评价的多样化的需求。本文通过神经网络对机组运行特性进行建模,一方面能够获得更加准确和稳定的机组风速-功率曲线,另一方面借助模型暗含的变量关系,能够发现机组问题原因,方便地实现机组性能评估。

联网风电机组风速-功率特性曲线的研究

介绍了变速恒频风力发电机的基本运行机理及其PSASP/UPI仿真模型的开发原理。采用统计学方法分析了风电场中风电机组的实测运行数据,并在此基础上重新建立了适用于联网风电机组仿真模型的风速–功率特性曲线。仿真结果表明,该曲线更接近于风电机组的实际运行情况,在变速恒频风力发电机的仿真模型中,采用上述曲线能显著提高仿真的精确性。

基于混合半云模型的风速-功率曲线建模方法

风速-功率曲线的准确建模是风电机组出力态势评估和风电功率预测的关键基础之一。计及风电映射关系的不确定性及功率曲线的分布形态,提出一种基于混合半云模型的建模策略来实现对风功率数据固有和随机分布特征的挖掘和建模。引入最优组内云熵算法快速有效地剔除异常数据;采用逆向云发生器求取期望、熵与超熵数字特征来定量刻画风速-功率对应关系的不确定性,构建腰部数据的半云模型;通过X条件云发生器和正向云发生器分别求取腰部和上部数据的功率云滴,实现定性数字特征向定量数据的转换。以中国东北某大型风电场的实测数据为例,从数据质量、频率分布和风功率预测等维度分析混合半云模型,验证了所提方法的可行性。

风电机组风速-功率特性曲线建模研究综述

风速-功率特性曲线是风力发电机组设计的基础,也是考核机组性能、评估机组发电能力的一项重要指标。介绍风速-功率特性曲线的定义、概念和基本特点,分别从参数方法、非参数方法、离散方法、随机方法 4个方面详细阐述风速-功率特性曲线建模的实现方法。分析建模精度的评价方法,提出目前风速-功率特性曲线建模遇到的问题以及需要进行深入研究的发展方向。

根据运行数据获取风电机组风速－功率曲线的方法研究

本文介绍了变速恒频风电机组的基本运行机理，并采用统计学的方法分析了风电场SCADA中风电机组的实测运行数据，在分析结果的基础上重新建立了适用于风电机组仿真分析的风速-功率特性曲线。验证计算结果证明根据实测运行数据建立的风速-功率特性曲线更接近于风电机组实际的运行情况，在变速恒频风电机组仿真分析的建立过程中，采用新风速功率特性曲线能显著提高分析的精确性。

基于实测风功率曲线的风电场等值建模

为提高风电场实际运行模型的精确性,采用了基于实测风功率曲线的风电场等值建模方法.该方法运用统计学理论分析了风电场的实测风速及有功功率,得到风电机组的实测风速-功率特性曲线,并利用该曲线得到能够反映风电机组实际输出特性的风力机参数,从而建立了风电机组模型.以实际测得的风速作为分群指标,利用改进型最大树法对风电机组进行分群,进而建立了风电场的等值模型,并与基于风速分群的传统等值方法及风电场实际输出功率曲线进行了对比.仿真结果表明,应用该方法对风电场进行等值建模是有效的,且该模型具有较高的精度.

基于实测数据的风电场风速-功率特性仿射建模方法

提出基于实测数据的风电场风速-功率曲线仿射建模方法。以预报误差、地形差异以及尾流效应影响因素作为噪声元,建立输入风速的仿射模型;将风电场功率实测数据划分为多个所属风速区间,求取各个风速区间的中心值,拟合仿射中心值曲线,进而辨识风速-功率仿射模型中的噪声元系数。实测数据验证了所提方法的有效性。

基于聚类-实测风功率曲线的风电场等值模型研究

针对风电场工作环境,提出了一种基于聚类-实测风功率曲线相结合的方法构建风电场等值模型。以每台机组所获得的风速作为分群指标进行机组数据划分,运用K-means聚类算法将风电场内具有相近运行特性的机组分为一类,将同群机组等值为一台风力发电机,并利用分层抽样的方法求取实测风速-功率特性曲线,建立了风电场输出功率仿真模型。算例分析表明,该方法与传统依据标准风速-功率特性曲线的方法相比提高了模型精度。

基于切换输出机制的超短期风电功率预测

超短期风电功率预测可为机组控制和能源经济调度提供重要指导。为削弱风能波动性对于超短期风电功率预测精度的影响,提出了一种引入风速信息的切换输出机制,基于风速与功率的物理模型,分析了风速波动特征。对于波动特征超出门限值的时点,根据机组的惯性运行特性,构建不同风速变化情景下的风速–功率转化模型;对于平缓出力阶段,考虑到时序建模中单一模型的固有限制,提出一种不同运行状态下的超短期预测框架。将所提预测方法用于东北某风电场进行算例验证,结果表明:相比于单一模型的预测结果,所提方法可将均方根误差在13.58%~16.39%的基础上降低1.31%~4.12%。研究结果表明,所提方法可以有效提高超短期风功率的预测精度。

基于EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。

基于季风和大气压分布的我国风电功率预测研究

为提高我国超短期和短期风电功率预测的准确性和可靠性,首先回顾我国冬季风和夏季风的基本变化性质。我国东南沿海处在冬季风和夏季风的主要路径上,每年有超过7个月的时间具有超过2 000km空间距离和超过20h延迟时间的风速空间相关性。引起冬季风的蒙古高压,还控制着我国北部和西部的风能资源丰富区。尽管总体上我国天气预报难度超过欧美,但冬季风、夏季风及蒙古高压引起的空间相关性,使得这些区域风速等预报的精度具有明显提高的潜力,特别是台湾海峡区域具有高精度的超短期风速预报潜力。再采用力学中的刚体定轴转动定律等进行风速-功率曲线的精确求解,可望在我国东南沿海和北部的风能资源丰富区,通过空间相关性获得高性能的超短期、短期风电功率预测效果。

风电机组数据采集与监控系统异常数据识别方法

为了解决原始的风电机组数据采集与监控系统(SCADA)中包含大量异常记录的数据、难以准确反映机组运行状态的问题,提出了一种带噪声基于密度的空间聚类(DBSCAN)模型的风电机组SCADA异常数据识别方法。该方法从分析风速-功率曲线的特点出发,采用预测误差和分类准确度来选取关键聚类参数邻域半径和邻域最小样本点数,避免了人工确定聚类参数的主观性,且参数选择过程可以完全自动化,实现了风电机组SCADA异常数据的有效识别。通过某风场中风电机组的监测数据进行实例验证,结果表明:所提方法能够在保证异常数据被剔除的前提下,保留尽可能多的正常数据,异常识别效果好于现有的k-dist图法和基于k-平均最近邻算法的改进算法(KANN-DBSCAN)。该研究可为开展风电机组状态分析提供参考。

基于运行数据的大型风电场建模方法研究

为了研究大型风电场并网对电力系统调度、规划与设计的影响,运用统计学理论对大型并网风电场实时运行数据进行分析,提出一种利用运行数据建立风电场等值模型的新方法。采用数学形态学滤波器滤除风速中各种干扰,通过主成分分析法找出最能表征风电场运行行为的因子,实现对风电场的降阶处理。最后利用支持向量机的方法建立风电场整体模型。该模型计及风电场地形地貌、机型、规模、机组布置、场内风速分布等因素,仿真结果表明该建模方法具有较高的精度。

考虑实际运行数据的风电场稳态建模

为建立准确的风电场稳态模型,该文分区域分析了风电机组的稳态运行特性,提出一种基于实测数据的三机等效风电场稳态建模方法。首先,分析了风电机组在4个不同运行区域的稳态输出特性;然后,根据风电场内各风电机组的实测风速,采用改进型最大树法将其分类,并建立各类机群的实际风速-功率特性曲线;最后,由风电机组各区域稳态输出特性建立各类机群的风速-功率分段函数关系。在此基础上,计算各类机群的等值风速,从而建立三机等效风电场稳态模型。仿真结果表明三机等效模型可有效提高风电场稳态建模的精度。

基于云分段最优熵算法的风电机组异常数据识别研究

风电场的历史运行数据尤其是风速和功率数据是研究风电功率波动特性、风电功率预测、风电功率曲线计算和测试的重要基础。但风电场实际采集到的数据中通常会出现大量异常数据,而这些异常数据是由各机组的异常数据构成,故对风电机组进行异常数据识别具有重要意义。该文以风电机组的风速–功率曲线为研究基础,提出了用于机组异常数据识别的云分段最优熵算法,该算法基于云模型的熵识别机组发电异常的数据集,对数据进行分离。结果表明,该算法可以有效地识别出机组异常数据,提高异常数据的正确识别率,保证数据的准确性。

基于运行数据的风电场等效建模方法比较

比较研究了传统的和基于运行数据的风电场等效建模方法。分析了传统单台风电机组输出功率累加的方法存在误差的原因。探讨了基于运行数据的等效建模方法,结果表明该方法更符合现场实际。但如何把握选择运行参数的复杂度与模型的简化度之间的关系,以既达到等效的效果又满足仿真精度的要求是下一个有待解决的问题。

输出特性函数对风力机容量系数计算的影响

传统风力机容量系数的计算由于风力机输出特性函数的选取不同有着较大误差。为了准确进行风力机容量系数的计算,文中结合实际情况对输出特性函数的选择加以考虑,分别采用3种输出特性函数模型即线性函数、二次函数和三次函数,选取我国云南省红河作为风速观测点,用5种常见风力机进行实例计算,并对结果对比分析。仿真表明:风力机实际风速-功率关系曲线分布在很宽范围内,输出特性函数的选取对风力发电机容量系数计算结果影响很大。本计算分析结果对风力发电具有一定的理论意义和实用价值。

基于自适应DBSCAN算法的风电机组异常数据识别研究

为了对风电机组实测数据中的异常数据进行有效识别和剔除,通过分析风电机组的风速-功率异常数据,提出了基于分功率区间的自适应密度聚类(DBSCAN)异常数据识别算法,采用无标签聚类轮廓系数对DBSCAN算法中关键参数半径(ε)和邻域密度阈值(Z)进行自适应最佳选择,并利用该算法识别实验机组的异常数据。结果表明:该算法避免了人为主观设定导致的误差,能够对风电机组异常数据进行有效识别。

风电场弃风电量分类统计方法研究

目前我国部分风电开发大省由于电网对风电的消纳能力不足存在比较严重的弃风现象。科学地统计风电场弃风电量及其构成,对于确定合理弃风的原则和条件,并制定相关考核机制和补偿方案具有重要参考价值,同时对于电网节能调度、提高风能利用率、分析风电场的运行管理情况也具有重要意义。分析了现有弃风电量统计方法的原理及特点,提出了基于风电机组监测数据的弃风电量计算方法及根据风电机组运行状态对弃风电量分类统计的方法。该方法使用实测的风电机组运行状态、风速、风向和功率数据作为计算弃风电量的基础,不仅能够更加准确地计算总弃风电量,还能够分类统计不同原因造成的弃风电量。另外,采用内蒙古电网风电场的实际算例验证了该方法的有效性和适用性。

基于改进组内方差算法识别风电机组异常数据

由于受数据测量误差、弃风限电及停机等因素的影响,风电机组SCADA采集数据中存在大量异常数据,清洗剔除异常数据是有效进行风电机组性能分析与预测研究的前提。本文采用改进最优组内方差算法对风电机组异常数据进行识别。经现场实例验证表明:改进最优组内方差算法可在不增加硬件设备的前提下,准确有效的识别风速-功率曲线中的底部堆积型、中部堆积型、上部堆积型和周围分散型四类异常数据。