基于数据-模型融合驱动的新能源场站宽频阻抗在线辨识及稳定性评估

风电、光伏等新能源在电网中的渗透率不断提高,导致一系列宽频振荡问题。阻抗法是研究新能源并网系统宽频振荡稳定性的有效方法之一,然而由于商业化新能源机组的“黑/灰箱”问题、新能源场站运行状态的随机不确定性等因素,导致新能源场站的精确阻抗/导纳建模困难。为此,提出基于数据-模型融合驱动的新能源场站宽频阻抗/导纳在线辨识方法,针对输入随机不确定的新能源机组,采用数据驱动方法建立其覆盖整个稳态运行工况的宽频阻抗/导纳辨识模型,然后结合新能源场站的物理结构模型,构建数据-模型融合驱动的新能源场站宽频阻抗/导纳在线辨识模型。最后,以风电并网系统为例,利用建立的导纳辨识模型对风电并网系统的宽频振荡稳定性进行在线评估,并通过时域仿真验证稳定性在线分析的正确性。

基于运行数据的风电场风速传感器运行品质评价方法及应用

风电场风速传感器运行的可靠性和稳定性是机组高效发电和安全运行的关键,精准识别风速传感器的失稳和失准等缺陷模式,客观地描述其运行品质对于风电场提寿增效意义重大。该文对风电场风速传感器运行品质评价展开研究,围绕运行、测量、抗扰动等维度,建立风速传感器运行品质标签架构、量化规则和评价模型,提出基于数据驱动的多维标签应用体系,挖掘风电场风速传感器的扰动敏感度、韧性、性能演化趋势、集群特征,为辨识设备的运行态势提供一套精细化数学建模方法。以某风电场运行数据为研究对象,对所提的运行品质评价体系及应用策略进行阐述,验证所提方法在风电场主动运检和精益化管理方面的工程应用价值。

基于MAGAT的风电场功率缺失数据填充方法

风电场功率数据质量对风电预测具有重要意义。然而,由于人为操作、传感器故障、网络故障或通信拥堵等原因,风电场功率数据容易出现大面积缺失问题。因此,结合多头注意力机制(multi-head attention,MA)和图注意力网络(graph attention network,GAT)构建了MAGAT模型,其中GAT层以异质图的方式刻画及提取风电场已知数据与缺失数据的关联关系,MA层挖掘风电场数据特征与缺失功率数据之间的映射关系,从而实现风电场功率缺失数据的高精度填充。在以我国江苏某风电场运行监测数据为对象的算例分析中,与其他先进填充算法相比,所提方法在不同缺失类型、不同缺失率等多个场景下均具有更好表现,表明所提方法在风电场缺失数据填充任务上的有效性及稳定性。

一种基于DBSCAN+LAR的风电场数据清洗方法

针对因风电场机组异常数据而导致风电功率预测精度下降的问题,文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法加上最小绝对残差(least absolute residual,LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据,然后基于LAR方法构建堆积型异常数据识别模型,分别实现对风电场分散型异常数据和堆积型异常数据的清洗,最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明,基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。

中国气象局风能太阳能预报系统(CMA-WSP)在风资源短期预报中的检验评估

[目的]为检验中国气象局风能太阳能预报系统(CMA-WSP)风速产品在风资源短期预报中的可靠性,对CMAWSP 100 m风速3 d预报产品进行检验分析。[方法]文章利用湖北省枣阳周楼、麻城蔡家寨和大金中部3个风电场100 m风速实测数据开展研究。[结果]研究结果如下:(1)CMA-WSP对枣阳风电场3 d内风速的整体预报效果较好,预报结果与实测风速变化趋势较为一致,逐15 min、小时平均和日平均风速第1 d的预报与实测风速相关系数可达0.728、0.740和0.860,随着预报时效增加,预报与实测相关性逐渐降低。(2)CMA-WSP预报风速与实测风速相对误差变化规律性强,逐15 min、小时平均和日平均风速第1 d预报相对误差分别为68%、70%和92%,预报风速整体高于实测风速;小时平均风速及相对误差均呈现白天小、晚上大的特征;月平均风速变化与MRE值变化呈相反趋势,且在1~6月和10~12月最低、7~9月最大。(3)从地区差异来看,CMA-WSP对枣阳周楼风电场风速的预报效果最好,第1 d预报与实测风速相关性可以达到0.728,第2~3 d的预报相关性也超过0.6,CMA-WSP对蔡家寨和大金中部风电场的预报与实测风速相关系数均低于0.6。[结论]CMA-WSP风速预报效果整体较好,且相对误差具有一定的规律性,有利于下一步对该产品进行订正、降低误差水平。

基于Hadoop的风电场运行实验教学平台开发

风电场运行实验教学是理论与实际工况相结合的实践性课程。构建风电场运行虚拟加载平台,将风电场近20年的数据加载虚拟环境,通过Hadoop分布式框架平台进行数据读取与分析,实现从数据采集、预处理、分析、管理和模型开发、模型评估到模型部署的教学模式。通过虚拟仿真技术,实现课程管理、数据管理、案例管理、考试管理4个教学模块,为风电场运行实验提供一种新的教学模式。平台有效解决了学生工程实践不足等问题,提高了风电场运行实验教学效果。

基于贝叶斯理论和条件协同模拟的海上风电场土体参数空间变异性表征

海上风电场土体参数的空间变异性表征对海上风电工程具有重要意义,多源土体参数融合可降低表征结果的不确定性。然而,现有方法无法利用非同位多源土体参数数据,且不考虑统计不确定性对空间变异性表征的影响。为此,提出了基于贝叶斯理论的条件协同模拟方法,该方法根据非同位多源土体参数数据,利用贝叶斯理论估计交叉变异函数,再利用条件协同模拟方法生成大量土体参数空间分布的模拟样本,表征参数空间变异性,表征过程中合理地考虑模型参数的统计不确定性。以某海上风电场为工程背景,利用提出的方法融合无侧限抗压强度(qu)和标准贯入试验(SPT)击数N值,表征qu的空间变异性。结果表明:提出的方法可以根据有限非同位的qu和N值数据,表征qu的空间变异性,合理地反映了有限数据条件下统计不确定性的影响。此外,利用强信息先验分布或者融合标准贯入数据,可以降低变异函数模型参数统计不确定性和条件协同模拟结果的不确定性。

风电场实时数据处理与监测方法研究

随着可再生能源的快速发展,风电场在能源领域占据了重要的地位。风电场的运行数据监测与分析是确保风电场安全可靠运行的关键步骤。风速是风电场运行的关键参数之一。对于风速数据的监测来说,可以使用气象塔和杆塔上的风速传感器进行实时监测。通过统计学方法可以对风速数据进行分析,常用的方法有概率密度函数、累积分布函数以及频率分析方法。基于此,本文重点研究风电场实时数据处理与监测方法,以期为风电场运行提供有益的参考。

提高风电场运行效率的大数据评估方法及应用研究

随着可再生能源的需求不断增加,提高风电场的运行效率已成为当务之急。本文详细探讨了大数据技术在风电场效率评估中的应用,包括风能预测、实时数据分析与监测、以及数据驱动的维护和故障预测。通过分析风电场的数据管理和处理流程,本文强调了数据收集方法的重要性和挑战,以及数据清洗和处理的关键步骤。本文研究的目的是为风电行业提供一个全面的大数据应用框架,以提高能源产出和运营效率。

海上风电场电磁影响仿真分析

海上风电场建设规模、占用面积较大,在建设和运营过程中可能对周边的通信设备、雷达系统等电子设备产生不良影响,进行电磁影响仿真分析是评估海上风电场电磁影响的重要研究方法。该文重点仿真分析海上风电场对微波数传系统和雷达系统的电磁影响,旨在为相关研究和工程实践提供参考。

降低风电场机组DC-DC模块损坏率研究

降低风电场机组DC-DC模块的损坏率是一个复杂而具有挑战性的课题。首先对风电场机组DC-DC模块的功能、作用、组成和工作原理进行了概述,然后对其故障损坏类型进行了研究分类,针对性搭建了一款风电场机组DC-DC模块信息采集系统,最后创新性提出了一种基于数据驱动和一种基于知识库的风电场机组DC-DC模块故障处理流程,二者在保证风电场机组DC-DC模块故障处理准确性的同时,可以提高故障处理效率,减少机组停机时间,从而达到降低损坏率和提高生产效率的目的。

基于WindPRO软件的不同时间尺度下的风电场产能评估

测风数据的准确性对风电场的产能评估具有重要的意义。文章以某风电场一年内每10 min的测风数据为基准,通过WindPRO软件,分别对3种时间尺度(30 min,1 h,2 h)的测风数据进行评估,对比了不同时间尺度下的发电量误差,分析了不同时间尺度下测风数据发电量的误差范围。当风电场选址区域的测风数据不完整时,研究结果可为测风数据时间尺度的选取提供指导性意见。

风电场异常数据辨识与重构技术综述

风电场运行数据的质量是影响风电消纳的重要因素,电网调度运行以及电力市场等业务应用都需要风电场数据支撑,但一般情况下,风电场采集到的原始数据会包含部分异常数据。本文详细分析对比了国内外学者对于异常数据辨识和异常数据重构使用的方法。依据数据辨识原理将目前国内外使用的数据辨识方法分为3类,阐述了各辨识方法优越性以及局限性;其次,根据使用重构方法的数量将数据重构方法分为了单一重构法和复合重构法,阐述了各重构法的适用场合以及局限性;然后,根据风电数据的不同应用场合,对异常数据辨识对象以及辨识方法做了详细研究;最后对本领域未来可研究的问题进行了展望。

基于参考序列与全卷积网络的风速数据缺失与异常修复方法

针对风速缺失与异常数据修复问题,考虑到风速采样网络中的节点数据相关性,提出了一种基于参考序列与全卷积网络的风速数据缺失与异常修复方法。首先,构建了基于全卷积插值网络与全卷积门控网络的数据修复模型。然后,利用全卷积插值网络计算无参考修复数据,利用全卷积门控网络计算无参考修复数据与参考数据的权重系数,并将两种数据带权重求和得到最终修复数据。最后,使用两个风电场数据验证了所提方法的效果。结果表明,与其他无参考修复方法相比,所提方法能够利用相近节点的参考风速数据,提高目标节点的风速时序数据修复精度。

基于IKLIEP−四分位模型的风电场异常数据识别算法

风电场功率数据中包含大量异常数据,难以反映风电场真实的风能情况,会影响风电功率预测的精度,从而影响电网决策。针对该问题,通过分析风电场异常数据特征,将其分为堆积型和分散型,并基于时间序列变点检测理论,将密度比是否为恒值作为剔除堆积型异常数据的判断准则,采用改进Kullback Leibler重要性估计程序(improved Kullback Leibler importance estimation program,IKLIEP)剔除堆积型异常数据;再采用四分位法剔除分散型异常数据。最后将所提方法应用于国内蒙西某130.5 MW的风电场,实验结果表明所提方法能够更有效地识别并剔除异常数据,平均识别率提高了6.19%,误识别率降低了2.92%,验证了所提方法的有效性。

基于量测数据的风电场等效虚拟惯量评估方法

研究风电场等效虚拟惯量评估方法可以定量掌握风电场对电网的惯量贡献。已有方法通过建立含有虚拟惯量控制的风电机组简化模型并结合转子运动方程推导出风电场等效惯量的计算公式,但该方法却存在所需参数众多且不易获得的问题。对此,提出一种从易于获得的量测数据中求取风电场等效惯量的方法。首先,介绍了风电虚拟惯量的概念。其次,对风电机组惯量响应过程中自身动能和输出电能的转换进行分析,并根据能量守恒原理提出一种利用风电场公共耦合点(point of common coupling,PCC)有功-频率量测数据进行计算的惯量评估方法,该方法可以避免基于系统辨识方法在评估过程中对辨识模型降阶所带来的误差,从而得到更高精度的惯量评估结果。最后,在PSASP中建立仿真算例验证了所提方法的有效性和优越性。

5套再分析资料在阿勒泰地区风资源评估中的适用性研究

该文评估了5套再分析数据对阿勒泰地区风资源的模拟能力,并分析再分析资料在该区域长年代订正中的适用性问题。结果表明,不同再分析资料在阿勒泰地区的空间模拟存在差异,高分辨率的CFSv2、ERA5资料在空间模拟上更具优势,而JRA55、NCEP-DOE模式存在明显高估。季节上,除NCEP-DOE外,其余4套再分析数据均能模拟出阿勒泰地区风速的季节特性,且对冬季的模拟优于其他季节。在此基础上,以阿勒泰某风电场为例,分别以附近气象站和4套再分析数据作为长期测站,对测风塔数据进行代表年订正。订正结果表明,与参证气象站相比,ERA5和CFSv2数据与测风塔数据的相关性更好。在缺乏合适的气象站数据时,使用ERA5和CFSv2数据作为代表年订正的长期测站数据在阿勒泰地区具有可行性。

基于分段图像识别的风电场异常运行数据清洗方法

风电场异常运行数据清洗对风电场功率预测、理论功率计算以及发电性能评估至关重要。针对现有数据清洗方法中基于统计特征的清洗算法无法有效清洗风功率曲线中部的堆积型异常数据,基于图像识别的直接清洗算法会忽略不同风速区间的像素点密度分布差异等问题,文章提出了基于分段图像识别的风电场异常运行数据清洗方法。首先,以切入风速和额定风速为数据集分段点,生成分段二值图像集,构建基于Canny边缘检测的分散型像素点辨识模型;然后,基于边缘内图像集,构建基于数学形态学的堆积型异常像素点辨识模型;最后,以中国西北地区某两个风电场的实际运行数据为算例,与四分位法、基于密度的空间聚类(DBSCAN)法、基于图像的直接清洗算法进行对比分析,验证了所提算法的有效性和适用性。所提方法采用数学形态学分割图像的主要部分和突起部分,从而有效辨识风功率曲线中部的堆积型异常数据;通过设置不同分段图像的清洗参数以改进图像直接清洗算法对局部细节的识别性能,清洗后的正常数据散点分布更为平滑。

风电场风功率异常数据识别与清洗研究综述

风电场中风机停机、传感器故障等会造成风功率数据中包含有大量异常值,影响到风电场状态监测、功率预测等工作的正常开展。针对风电场风功率异常数据识别与清洗技术开展了综述研究。首先,概述了风力发电运行大数据现状,分析了风电机组与风电场的风功率数据的分布特征,并对比了两者的不同;然后,分析了基于统计、机器学习和图像处理的各类异常数据识别方法的优缺点,结合基于物理特性、统计学和机器学习等数据重构技术,讨论了实现数据清洗的方法及其优劣;再次,概述了风电场异常数据识别与清洗技术在状态监测和功率预测等领域的应用情况;最后,对风电场异常数据识别与清洗技术存在的挑战和发展趋势进行了展望。

基于正序阻抗幅值比的风电场送出线路纵联保护

针对风电场送出线路纵联保护在数据延时传输及异常采样数据下保护性能不佳的问题,提出了基于正序阻抗幅值比的纵联保护。通过分析风电系统送出线路发生区内外故障时正序阻抗幅值特征,得出区内外故障下双端正序阻抗幅值差异比特征不同。引入综合层次聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)方法剔除正序阻抗幅值序列中异常采样数据,形成不含异常采样数据的故障时间序列聚类特征,并结合双端正序阻抗幅值差异比特征,构造不受数据延时传输影响的纵联保护判据。仿真结果表明,所提出的纵联保护不受系统运行工况、故障类型、数据延时传输及异常采样数据的影响。在过渡电阻达到150Ω时,所提出的纵联保护仍能正确判别故障方向,具有较强的抗噪性能,适用于含风电接入的弱馈型电力系统。