CN104699936B

CN104699936B - 基于计算流体力学短期风速预测的风电场扇区管理方法

Info

Publication number: CN104699936B
Application number: CN201410408817.2A
Authority: CN
Inventors: 杨俊友; 崔嘉; 邢作霞; 张鹏飞; 郑伟; 王海鑫; 李旭峰; 赵勇兵
Original assignee: Shenyang University of Technology
Current assignee: China Power Investment Northeast Energy Technology Co.,Ltd.; CPI Northeast New Energy Development Co.,Ltd.; Shenyang University of Technology
Priority date: 2014-08-18
Filing date: 2014-08-18
Publication date: 2018-05-04
Anticipated expiration: 2034-08-18
Also published as: CN104699936A

Abstract

本发明提出了一种基于CFD短期风速预测风电场的扇区管理方法，为了减小风电场风电机组之间引起的尾流影响，本方法基于CFD风电功率预测信息控制各来流扇区风机运行，根据NWP数据和风电场物理模型预测单台风电机组的风速和风向，模拟分析相邻风力机之间的干扰以及前排风力机对后排风力机的影响，并使用软件进行验证。根据风电场历史测风数据建立风电场风资源分布模型，结合风机排布，关联实时测风数据。本发明在于克服现有技术的缺陷和难题，提出基于CFD短期风速预测风电场的扇区管理方法，其目的为解决目前风电场普遍存在的湍流对机组的载荷和功率波动影响的问题。

Description

基于计算流体力学短期风速预测的风电场扇区管理方法

技术领域：本发明涉及一种基于CFD短期风速预测的风电场扇区管理方法，尤其涉及一种适合于地形复杂的风电功率物理预测方法以及考虑风电场风机间尾流影响的扇区管理方法。

背景技术：近年来，我国风电产业发展势头强劲。风电目前是我国仅次于煤电和水电的第三大电源，“十二五”规划提出，到2015年风电并网装机将达到1亿千瓦以上，2020年达到2亿千瓦，风电是我国实现“十二五”和2020年非化石能源发展目标的最重要的可再生能源之一。2013年，中国(不包括台湾地区)，新增装机容量16088.7MW，同比增长24.1％；累计装机容量91412.89MW，同比增长21.4％。新增装机和累计装机两项数据均居世界第一。当前我国风电行业处于高速发展时期，大量机组集中投产。由于需求量过大，风电设备生产企业将重点放在风机生产制造上，没有对如何提升风机发电效率进行研究。

目前，国家越来越重视风能利用效率，然而在风场建设中，一部分电力投资公司缺乏针对地区特点(风资源情况和优化选型的风机性能)的风场建设依据；风力机布置间距控制方面主要还是依据经验。大容量风电机组、大规模风电场己经成为现代风力发电的主要发展方向，这不可避免的带来了一些新的空气动力学问题，尾流效应就是其中之一。尾流不仅对风力机的出力有影响，并且对风力机的结构疲劳也有影响。根据流体力学理论可知，流动的空气通过旋转的风力机叶片后会有动量损失，这时风力机尾流区域就会出现紊流，尾流区会出现湍流、涡流等现象，直接影响下游风力机的发电效率，使下游风力机性能下降，不能输出应有的最大功率，最终影响整个风场的总发电量。

风电场电力设备不能实时完全应对风电时变间歇对电网的冲击，风电功率预测技术提前提供给风电场和调度风电场未来风速和发电量信息，可以提高风电场的运行效率。该技术主要采用数值天气预报(NWP)作为数据来源。目前，对中尺度NWP数据的降尺度处理主要有以下2种方法：(1)采用诊断模型与解析算法分析风电场局地效应对流场的影响，这种方法计算量小，但精度不高。(2)采用计算流体力学模型动态模拟流场在风电场内的发展变化过程。这种方法可以获得比解析法更准确的流场分布，从而提高风速及风电功率预测精度，但具有如下难题：每次预测都需要求解Navier-Stokes方程(N-S方程)计算流场，计算量巨大，难以满足风电功率预测时效性的要求。

分散式风电场具有接入风机数量少、接入点分散、接入电压等级低等特点，国内外对分散式风电功率预测***没有专门的研究，存在如下3个技术难题：(1)如何根据有限测风数据实现区域资源评估、微观选址和功率预测；(2)风电场建模会受到地形高程图、粗糙度、大气稳定度、边界层等一系列因素影响。如何建立准确的能反映风电场实际运行情况的物理模型；(3)如何根据气象数据和历史数据，基于物理和统计模型进行准确的功率预测。

发明内容：

发明目的：本发明提供一种基于计算流体力学短期风速预测的风电场扇区管理方法，其目的是解决以往的方式所存在的效果不理想的问题。

技术方案：

一种基于CFD短期风速预测风电场的扇区管理方法，CFD即计算流体力学；

该方法包括如下步骤：

步骤1，建立风电场CFD流场特性数据库：

利用风电场地形高程、粗糙度等数据，建立风电场物理模型，得到CFD插件表，即风加速比数据库，针对可能出现的风电场来流条件对流场进行CFD预计算，将计算获得的流场加速比数据存入数据库中，建立风电场流场特性加速比数据库，利用该数据库可以将测风塔位置的风速外推至每台风机轮毂高度处的风速，输出风机轮毂高度处的预测风速和风速变化趋势，避免每次运行预测模型时都进行建模工作，有效提高预测速度；

步骤2，建立基于计算流体力学修正风电机组数据的虚拟测风塔：

首先对采集的SCADA***即数据采集与监视控制***的测风数据根据GB/T18710-2002并结合风电场的实际情况，进行合理性检验、相关性检验、趋势检验，然后进行数据剔除及修正，剔除风电机组不工作或是测试***发生故障的数据，保证数据可以真实反映风电机组的功率输出情况；然后将所测机组嵌套到所建立的物理模型中，利用计算流体力学将机舱尾部测风设备所测得的风速推到受较少风力发电机组尾流影响且与风电机组功率输出相关性较好位置的风速，得到经过尾流修正的虚拟测风塔数据后，通过以下步骤得到预测的虚拟测风塔的气象信息，首先，利用真实测风塔数据对NWP进行订正，保证CFD模型以及NWP的准确性，其次，通过CFD插件表推算出虚拟测风塔各高度处的气候条件，最后，将NWP与虚拟测风塔数据进行验证，并得出虚拟测风塔处未来气象数据；

步骤3，利用数据库进行风速预测:

预测模块首先对NWP降尺度，通过气象神经网络修正；将NWP输入数据耦合到参考测风塔；考虑尾流模型，查询相近的来流条件并调用CFD插件表数据库中相应的流场分布数据，插值计算该时刻各台风电机组轮毂高度处的预测气象数据。按照功率曲线拟合计算单台风机的预测功率，最后计算风电场内单机和整场的输出功率。这种预测方法将复杂的CFD流场数值模拟放到风速预测之前完成，合理地解决了CFD模型的时效性问题。

步骤4，基于预测信息的风电场扇区管理:

根据预测的风速和风向管理扇区内的风机运行，在有尾流影响的扇区内风机采取停机和限电管理，在电网限电时，需要选择性地关停一些机组，才能满足电网调度的要求，限电本身造成发电企业经济损失，这是难以避免的，但是在进行限电时的一些操作可以使损失降到最低，风机运行扇区管理在限电时可以关停受尾流影响较大的机组，从而较少尾流中湍流对风机的损害，延长风机的使用寿命。

步骤1中：

1)风电场来流条件离散，为了覆盖风电场可能出现的来流条件范围，将风电场空气来流的方向离散为12个均分的扇区，从0开始每隔30°划分一个风向；风电场来流风速离散为1，2，3…25m/s，每个风速和风向的组合构成一个风电场来流条件，共离散为300个来流条件；

2)CFD流场预计算，包括入口边界条件、数值地理模型模拟和数值CFD模拟计算三部分，CFD计算区域以风电场为中心，在水平方向上沿风电场边界外扩5km以上，高度方向大于风电机组总高度的20倍，风电场及周边地区的地形及粗糙度数字化模型由等高线数据建立，流场计算区域划分空间网格，网格以六面体结构网格为主，风电机组附近网格加密，水平分辨率约50～70m，风电场周边地区网格较稀疏；

3)数据库的建立，在风电场中对测风塔、各台风电机组进行数字化定位，对于每个计算获得的流场，提取其来流条件的风速和风向、测风塔及各台风电机组轮毂高度的风速和风向等重要数据，存入数据库中，CFD预计算所获得的所有流场的特征数据，形成风电场流场加速比数据库，即CFD插件表；

CFD插件表为求解基于雷诺平均的Navier-Stokes方程得到的一组风速加速比数据库，即从测风塔处风速和风向推算到各风机点位所有扇区的比例值，如下：

其中，w_jk和w_ak分别代表k扇区第j台风机和测风塔风速值，风加速比S_jk表示第j台机组k扇区的加速比，为方便起见，转化成向量形式，根据风速和扇区提取的数据记为

式中，m为预测的扇区划分数量,本方法使用12扇区；n为风机的个数。

利用这种方法，将历史数据作为训练模型，天气预报数据作为输入数据，与测风塔数据做交叉检验后推算得到各台风机未来的风速和风向。因此，对于某一时刻的来流条件，可以参考对应扇区流场的加速比数据库推算得到对应风机的风速，而不需要重新计算每个风机点位的Navier-Stokes(纳维-斯托克斯)方程。

步骤2中的物理模型CFD预计算特征在于建立虚拟测风塔：

风电场的运行管理需要掌握准确的风变化趋势，而一些风电场仅有一处测风塔，或有些风场完成前期测风工作后测风塔就已被拆除，风速数据的采集需要在风电场具有代表性的地点建立测风塔，在地形简单、风速稳定的小风电场一个测风塔基本上就能够代表整个风电场的风速情况，但是在地形复杂的风电场，则需要选择多个典型地点建立测风塔才能正确表示出该风场的风速情况，风电场接入区域广阔分散，常规的集中式风电场常集中于一片区域，应用一个或几个测风塔基本能代表整个风电场的气候条件，而树立多个必要的测风塔经济上不可行；

该步骤中利用三维尾流模型修正风电机组尾部风速，再由风力发电机组机舱尾部测风设备所得数据建立有效数据库，该数据库存储足够长测量时间的数据，至少为180h，且能覆盖一定的风速和风况条件，利用数据建立修正后的k-ε湍流模型，利用纳维-斯托克斯方程描述风电场的风变化属性，然后通过风电机组的技术参数及大气条件确定基于Larsen尾流模型，将机舱尾部测风计所测得的风速采用上述计算流体力学外推到受较少风力发电机组尾流影响且与风电机组功率输出相关性较好位置的风速，最终得到位于风机叶片前端未经尾流影响的虚拟测风塔的风速值；

得到经过尾流修正的虚拟测风塔数据后，通过以下步骤得到预测的虚拟测风塔的气象信息，首先，利用真实测风塔数据对NWP进行订正，保证CFD模型以及NWP的准确性，其次，通过CFD插件表推算出虚拟测风塔各高度处的气候条件，最后，将NWP与虚拟测风塔数据进行验证，并得出虚拟测风塔处未来的气象数据。

步骤3中的基于CFD预计算的单机风功率预测特征在于：

风电场输出功率的影响因素主要有风速、风向、气温、气压、湿度及地表粗糙度，因此从测风塔得到的风速、风向、气温、气压、湿度数据都是风速预测模型的必要输入，根据风电场数字化模型，考虑地形、障碍物、粗糙度及风机间尾流效应对风电场输出功率的影响，建立CFD插件表，将测风塔位置的风速外推至每台风机轮毂高度处的风速，结合功率预测模型，计算得到整个风电场的输出功率；

该预测主要分三个模块，数据模块、建模模块和预测模块，其中，数据模块负责处理前期至少一年的NWP、历史测风塔数据以及历史计算流体力学和历史风机功率数据，历史计算流体力学即CFD，这些数据用于人工智能模块修正，建模模块有两个功能：(1)建立气象数据误差修正神经网络、功率误差修正神经网络；(2)利用风场地形高程、粗糙度等数据，建立风电场物理模型，得到CFD插件表，将测风塔位置的风速外推至每台风机轮毂高度处的风速，避免每次运行预测模型时都运行建模工作，有效提高预测速度，预测模块首先对NWP降尺度，通过气象神经网络修正，其次，考虑尾流模型，利用CFD插件表得到每台风电机组点位的预测气象数据，再次，按照功率曲线计算风机的预测功率，并通过功率神经网络修正预测误差，输出风机轮毂高度处的预测风速和风速变化趋势。最后计算得到风电场的输出功率。

步骤4中的风电场扇区管理方法特征在于：

本方法提出的基于CFD短期风速预测风电场扇区管理包括：

首先，对可能出现的风电场来流条件离散化，并利用CFD模型对不同来流条件下的流场进行预计算，提取各来流条件下流场特定位置的风速和风向分布，组成流场特性数据库，以中尺度数值天气预报数据为输入参数，利用数据库插值预测风电机组轮毂高度的风速和风向；

其次，测量机舱当前的偏航位置的传感器；获取风轮转速的SCADA***；预设有风电场内多机组间的扇区控制策略；

最后，根据传感器数据判断机舱当前进入的扇区编号，依据风速预报和SCADA***数据判断机组未来和当前的运行状态，并向控制模式切换模块输出各机组的功率限定控制方案的中央控制模块；以及根据功率限定控制方案切换到对应控制算法并向风力发电机组输出控制信号的控制模式切换模块。

优点及效果：

本发明提出了一种基于计算流体力学短期风速预测的风电场扇区管理方法，本发明在于克服现有技术的缺陷和难题，提出基于计算流体力学短期风速预测的风电场扇区管理方法，其目的为解决目前风电场普遍存在的湍流对机组的载荷和功率波动影响的问题。

为了减小风电场风电机组之间引起的尾流影响，本方法基于CFD风电功率预测信息控制各来流扇区风机运行，根据NWP数据和风电场物理模型预测单台风电机组的风速和风向，模拟分析相邻风力机之间的干扰以及前排风力机对后排风力机的影响，并使用软件进行验证。根据风电场历史测风数据建立风电场风资源分布模型，结合风机排布，关联实时测风数据。在电网限电时，定义需要关闭的角度及风速区间，建立运行扇区管理表并嵌入综合SCADA平台。利用风电场的历史测风数据及风机排布确定特定扇区的风流场分布，风电场根据实时风况采取相应的扇区管理策略(关停或降负荷运行某些风机)减少尾流中湍流对机组的荷载和功率波动。

附图说明：

图1基于CFD短期风速预测风电场扇区管理方法流程；

图2风电功率预测***功率预测模块结构图；

图3利用CFD三维尾流模型修正的风电场虚拟测风塔原理图；

图4基于NWP和实际测风塔耦合的预测虚拟测风塔流程图；

图5基于CFD短期风速预测风电场扇区管理结构图。

具体实施方式：下面结合附图对本发明做进一步的说明：

本发明提供一种基于计算流体力学短期风速预测的风电场扇区管理方法，包括以下步骤：

步骤1建立风电场流场特性数据库：

1)风电场来流条件离散。为了覆盖风电场可能出现的来流条件范围，将风电场空气来流的方向离散为12个均分的扇区，从0开始每隔30°划分一个风向；风电场来流风速离散为1，2，3…23m/s，每个风速和风向的组合构成一个风电场来流条件，共离散为276个来流条件。

2)CFD流场预计算。包括入口边界条件、数值地理模型模拟和数值CFD模拟计算三部分。CFD计算区域以风电场为中心，在水平方向上沿风电场边界外扩5km以上，高度方向大于风电机组总高度的20倍。风电场及周边地区的地形及粗糙度数字化模型由等高线数据建立。流场计算区域划分空间网格，网格以六面体结构网格为主，风电机组附近网格加密，水平分辨率约50～70m，风电场周边地区网格较稀疏。三维尾流计算模型考虑到大气环境及风电机组叶轮扰动造成气流分布不均匀，同时利用Monin-Obukhov长度来描述大气稳定度并结合地表粗糙度，基于来流风经过转动的叶片时空气动力学特性进行建模。该模型把不同方向的平均风速、平均湍流以及平均压力作为自变量，对湍流项采用不同的方法进行分解，并设定上边界、侧边界、地面边界以及进出口边界条件，采用上述修正的湍流运动模型进行闭合运算，求解基于Reynoldsaver平均的纳维-斯托克斯方程得到流场中各网格点处的参数值。流动过程中的控制方程主要由动量方程和连续方程。此外，采用有限差分的方法对离散控制方程进行计算，计算中充分考虑到了横断面中的压力变化，可以很好地刻画出在该方向上的气流速度，

能够较好地利用代数模型刻画出风电机组尾流及周边的空气动力学特性，

由此建立风电场的物理模型。

CFD插件表通过求解基于雷诺平均的Navier-Stokes方程(直角坐标系)得到。

其中，u、v、w分别为东西、南北和垂直方向的风速分量，p为空气密度，μ为动力学分子粘性系数。

3)数据库的建立。在风电场中对测风塔、各台风电机组进行数字化定位，对于每个计算获得的流场，提取其来流条件的风速和风向、测风塔及各台风电机组轮毂高度的风速和风向等重要数据，存入数据库中。CFD预计算所获得的所有流场的特征数据，形成风电场流场特性数据库。

式中，m为预测的扇区划分数量,本文使用12扇区；n为风机的个数。

利用这种方法，将历史数据作为训练模型，天气预报数据作为输入数据，与测风塔数据做交叉检验后推算得到各台风机未来的风速和风向。因此，对于某一时刻的来流条件，可以参考对应扇区流场的加速比数据库推算得到对应风机的风速，而不需要从新计算每个风机点位的Navier-Stokes方程。

步骤2中的物理模型CFD预计算建立虚拟测风塔：

风电场的运行管理需要掌握准确的风的变化趋势，而一些风电场仅有一处测风塔，或有些风场完成前期测风工作后测风塔就已被拆除。风速数据的采集需要在风电场具有代表性的地点建立测风塔。在地形简单、风速稳定的小风电场一个测风塔基本上就能够代表整个风电场的风速情况。但是在地形复杂的风电场(比如山地地形)，则需要选择多个典型地点建立测风塔才能正确表示出该风场的风速情况。风电场接入区域广阔分散。常规的集中式风电场常集中于一片区域，应用一个或几个测风塔基本能代表整个风电场的气候条件。而树立多个必要的测风塔经济上不可行。因此，本文提出一种利用虚拟测风塔技术模拟真实测风塔，减少成本。

本方法利用三维尾流模型修正风电机组尾部风速，再由风力发电机组机舱尾部测风设备所得数据建立有效数据库，该数据库应存储足够长测量时间的数据(至少为180h)，且能覆盖一定范围的风速范围和风况条件。利用数据建立修正后的湍流模型，利用纳维-斯托克斯方程描述风电场的风变化属性，然后通过风电机组的技术参数及大气条件确定基于Larsen尾流模型，将机舱尾部测风计所测得的风速采用上述计算流体力学外推到受较少风力发电机组尾流影响且与风电机组功率输出相关性较好位置的风速，最终得到位于风机叶片前端未经尾流影响的虚拟测风塔的风速值。

因为风电场风速预测使用测风塔处的风速测量历史值，所以准确地说预测值应该是测风塔处的未来风速值，对于预测时间为未来数分钟甚至数十秒的超短期功率预测，直接使用风电场预测风速得到每台机组预测出力，再将其相加得到风电场整体出力的方法已经不适用。现有的风电场预测风速的方法有以下不足：

首先，影响风到达不同机组延时的因素包括机组分布情况、地形和风向等。风从测风塔处到达各台风电机组处所需的时间不一样，在超短期功率预测中，这种时间差不可忽略，前述直接将各台机组出力预测值相加得到的风电场整体功率预测将与实际值大为不同。

其次，数值天气预报最理想的情况是直接精确地给定测风塔坐标点预报数据，然而给定的气象预测值只能代表均匀下垫面的各计算网格空间平均值，而实际风电场通常是非均匀的地表条件，预报数据本身带有不确定性，在流体力学物理方法中很难选择适当的代表坐标，所以不能直接使用NWP坐标数据推算其他风电机组的预测值。

最后，风电场的测风塔选址具有严格的要求，通常可以代表风电场内各风电机组气候特点，而其他位置可能受地形坡度、粗糙度、风向等影响较大。假定NWP数据预报准确，并给定精确位置，通过给定的预测点位数据同样不能准确的推算出风机点位的风况，这是由于CFD方法本身的缺陷造成的。在风资源评估中，测风塔数据互推订正原则为：平坦地形的测风塔可以推算复杂地形点位的虚拟测风塔数据，但是复杂地形的测风塔推算的平坦地形气象数据则不可靠，对风电功率预测同样适用。

得到经过尾流修正的虚拟测风塔数据后，通过以下步骤得到预测的虚拟测风塔的气象信息。首先，利用真实测风塔数据对NWP进行订正，保证CFD模型以及NWP的准确性。其次，通过CFD插件表推算出虚拟测风塔各高度处的气候条件。最后，将NWP与虚拟测风塔数据进行验证，并得出虚拟测风塔处的气象数据。

步骤3基于CFD预计算的单机风功率预测：

风电场输出功率的影响因素主要有风速、风向、气温、气压、湿度及地表粗糙度等。因此从测风塔得到的风速、风向、气温、气压、湿度等数据都是风速预测模型的必要输入。根据风电场数字化模型，考虑地形、障碍物、粗糙度及风机间尾流效应对风电场输出功率的影响，建立CFD插件表，将测风塔位置的风速外推至每台风机轮毂高度处的风速，结合功率预测模型，计算得到整个风电场的输出功率。

该预测主要分三个模块，数据模块、建模模块、预测模块。其中，数据模块负责处理前期(至少一年)NWP、历史测风塔数据以及历史计算流体力学(CFD)、历史风机功率数据，用于人工智能模块修正。建模模块有两个功能：(1)、建立气象数据误差修正神经网络、功率误差修正神经网络；(2)、利用风场地形高程、粗糙度等数据，建立风电场物理模型，得到CFD插件表，将测风塔位置的风速外推至每台风机轮毂高度处的风速，避免每次运行预测模型时都运行建模工作，有效提高预测速度。预测模块首先对NWP降尺度，通过气象神经网络修正。其次，考虑尾流模型，利用CFD插件表得到每台风电机组点位的预测气象数据。再次，按照功率曲线计算风机的预测功率，并通过功率神经网络修正预测误差，输出风机轮毂高度处的预测风速和风速变化趋势。最后计算得到风电场的输出功率。

步骤4基于单机预测信息的风电场扇区管理方法：

在电网限电时，需要选择性的关停一些机组，才能满足电网调度的要求。限电本身造成了发电企业的经济损失，这是不可避免的，但是在进行限电时的一些操作可以使损失降到最低。风机运行扇区管理在限电时可以关停受尾流影响较大的机组，从而较少尾流中湍流对风机的损害，延长了风机的使用寿命。

本方法提出的基于CFD短期风速预测风电场扇区管理包括：

首先，对可能出现的风电场来流条件离散化，并利用CFD模型对不同来流条件下的流场进行预计算，提取各来流条件下流场特定位置的风速和风向分布，组成流场特性数据库，以中尺度数值天气预报数据为输入参数，利用数据库插值预测风电机组轮毂高度的风速和风向。

其次，测量机舱当前的偏航位置的传感器；获取风轮转速的SCADA***；预设有风电场内多机组间的扇区控制策略。

最后，根据传感器数据判断机舱当前进入的扇区，依据风速预报和SCADA***数据判断机组未来和当前的运行状态，并向控制模式切换模块输出各机组的功率限定控制方案的中央控制模块；以及根据功率限定控制方案切换到对应控制算法并向风力发电机组输出控制信号的控制模式切换模块。

结合附图具体的说明如下：

图1为基于CFD短期风速预测风电场扇区管理方法流程。

当空气以一定的来流条件流过风电场，风电场的地形、地表粗糙度等状况决定风电场空间流场分布。假定为稳态来流条件，则理论上该风电场来流条件所对应的空间流场分布是唯一的，采用CFD模型对流场进行稳态数值模拟，可以获得该来流条件下的流场分布。如果若干预测时刻具有相同或相近的风电场来流条件，则这些时刻风电场内的流场也将呈现出相同或相似的分布。因此，对某一时刻进行风速预测时，可以参考以前时刻具有相同或相近来流条件的流场，而不需要在每个预测点上重新求解Navier-Stokes方程模拟流场。

基于预测过程和流场计算分离风速预测的扇区管理思路为：将风速预测分为2个部分，第1部分建立风电场流场特性数据库，针对可能出现的风电场来流条件对流场进行CFD预计算，将计算获得的关键流场数据存入数据库中，建立风电场流场特性数据库；第2部分利用数据库进行风速预测，将NWP输入数据耦合到参考测风塔，查询相近的来流条件并调用数据库中相应的流场分布数据，插值计算该时刻各台风电机组轮毂高度处的风速和风向。这种预测方法将复杂的CFD流场数值模拟放到风速预测之前完成，合理地解决了CFD模型的时效性问题。第3部分根据预测的风速和风向，管理扇区内的风机运行，在有尾流影响的扇区内风机采取停机和限电管理。在电网限电时，需要选择性地关停一些机组，才能满足电网调度的要求。限电本身造成发电企业经济损失，这是难以避免的，但是在进行限电时的一些操作可以使损失降到最低。风机运行扇区管理在限电时可以关停受尾流影响较大的机组，从而较少尾流中湍流对风机的损害，延长风机的使用寿命。

图2为风电功率预测***功率预测模块结构图

该预测主要分三个模块，数据模块、建模模块、预测模块。其中，数据模块负责处理前期(至少一年)NWP、测风塔历史数据以及CFD历史、风机功率数据历史，用于人工智能模块修正。建模模块有两个功能：(1)建立气象数据误差修正神经网络、功率误差修正神经网络；(2)利用风场地形高程、粗糙度等数据，建立风电场物理模型，得到CFD插件表，将测风塔位置的风速外推至每台风机轮毂高度处的风速，避免每次运行预测模型时都运行建模工作，有效提高预测速度。预测模块首先对NWP降尺度，通过气象神经网络修正。其次，考虑尾流模型，利用CFD插件表得到每台风电机组点位的预测气象数据。再次，按照功率曲线计算风机的预测功率，并通过功率神经网络修正预测误差，输出风机轮毂高度处的预测风速和风速变化趋势。最后计算得到风电场的输出功率。

图3为利用CFD三维尾流模型修正的风电场虚拟测风塔原理图

本方法利用CFD技术三维尾流模型修正风电机组尾部风速，再由风力发电机组机舱尾部测风设备所得数据建立有效数据库，该数据库应存储足够长测量时间的数据(至少为180h)，且能覆盖一定范围的风速范围和风况条件。利用上述数据建立修正后的k-ε湍流模型，利用纳维-斯托克斯方程描述风电场的风变化属性，然后通过风电机组的技术参数及大气条件确定基于Larsen尾流模型，将机舱尾部测风计所测得的风速采用上述计算流体力学外推到受较少风力发电机组尾流影响且与风电机组功率输出相关性较好位置的风速，最终得到位于风机叶片前端未经尾流影响的虚拟测风塔的风速值。

图4为基于NWP和实际测风塔耦合的预测虚拟测风塔流程图

因为风电场风速预测使用测风塔处的风速测量历史值，所以准确地说预测值应该是测风塔处的未来风速值，对于预测时间为未来数分钟甚至数十秒的超短期功率预测，直接使用风电场预测风速得到每台机组预测出力，再将其相加得到风电场整体出力的方法已经不适用。

本方法应用虚拟测风塔技术解决这些问题，具体步骤如下：

1)利用气象部门提供的数值天气预报数据，通过物理降尺度的方法，对风电场区域的天气情况(包括风速、风向、气温、气压等参数)进行预测，得到风电场及周边区域的微尺度数值天气预报。

2)应用统计算法(如人工智能方法)将对应一个计算网格平均的NWP数据映射到风电场实际测风塔位置，得到测风塔点位的未来预测数据。如果直接应用物理方法将NWP数据降尺度，得到的是单点的预报数据，具有很强的随机性。而应用于统计方法的NWP数据为对应计算网格区域平均的气象预报数据，排除了特殊地形造成的湍流等影响，保持了原始数据的准确性。3)从统计算法得到虚拟测风塔的预测信息，该虚拟测风塔地理坐标和实际测风塔一致，包含了未来的风速、风向、气温、气压、湿度和湍流强度。不同的风电场可以设置多个测风塔。依据测风塔和风机测风数据相关性系数确定。

4)基于虚拟测风塔信息，应用CFD物理方法，求解N-S方程计算出测风塔对应的外推风机预测风速和风向。

5)图5为基于CFD短期风速预测风电场扇区管理结构图

本方法提出的基于CFD短期风速预测风电场扇区管理包括：

首先，对可能出现的风电场来流条件离散化，并利用CFD模型对不同来流条件下的流场进行预计算，提取各来流条件下流场特定位置的风速和风向分布，组成流场特性风加速比数据库，以中尺度数值天气预报数据为输入参数，利用数据库插值预测风电机组轮毂高度的风速和风向。

其次，测量机舱当前的偏航位置；通过风电场SCADA***获取风轮转速；利用上一步获得的不同风速风向下各扇区风机轮毂风速计算风机出力及不同风机间尾流影响，根据尾流效应的程度预设有风电场内多机组间的扇区控制策略。

最后，根据传感器数据判断机舱当前进入的扇区，利用风速预报和SCADA***数据判断机组未来和当前的运行状态。将得到的数据输出到中央控制模块，判断是否启动功率限制模式或者切换到哪一种功率限定控制方案；根据指令切换功率限定控制方案并向各风力发电机组输出控制信号。

所述的控制策略包括变桨距控制和发电机扭矩控制信号，通过通信回路分别传输至风力发电机组的变桨距***与变流器***：当进入由上游风电机组运行导致设计湍流强度较大的扇区且上游风电机组处于运转状态时，或者进入由周边地形导致设计湍流强度较大的扇区时，则采用降低功率发电策略，同时，降低发电机功率上限设定值，使变桨控制***在较低的风速时就开始变桨，增大桨距角；当进入风能质量比较好的扇区，或者上游风电机组运转状态变更为待机、维护或空转状态时，则切换回原有的控制策略。

风电场信息采集包括历史功率数据、历史风速数据。功率数据可以在风电场中央监控***中取得，时间采样周期为10min。不同公司开发的中央监控***数据存储格式不同，需要其在指定环境下才能打开。历史数据中存在一定的错误数据，需要进一步处理才能应用于风电场输出功率预测。数值天气预报给定每15min风电场测风塔处的天气条件预测值，并保存在指定的文件夹中。

Claims

1.一种基于计算流体力学短期风速预测的风电场扇区管理方法，包括如下步骤：

步骤1，建立风电场计算流体力学的流场特性数据库：

利用风电场地形高程、粗糙度数据，建立风电场物理模型，得到计算流体力学插件表，即风加速比数据库，针对可能出现的风电场来流条件对流场进行计算流体力学预计算，将计算获得的流场加速比数据存入数据库中，建立风电场流场特性加速比数据库，利用该数据库将测风塔位置的风速外推至每台风机轮毂高度处的风速，输出风机轮毂高度处的预测风速和风速变化趋势，避免每次运行预测模型时都进行建模工作；

首先对采集的SCADA***即数据采集与监视控制***的测风数据根据GB/T18710-2002并结合风电场的实际情况，进行合理性检验、相关性检验、趋势检验，然后进行数据剔除及修正，剔除风电机组不工作或是测试***发生故障的数据，保证数据真实反映风电机组的功率输出情况；然后将所测机组嵌套到所建立的物理模型中，利用计算流体力学将机舱尾部测风设备所测得的风速推到受较少风力发电机组尾流影响且与风电机组功率输出相关性较好位置的风速，得到经过尾流修正的虚拟测风塔数据后，通过以下步骤得到预测的虚拟测风塔的气象信息，首先，利用真实测风塔数据对数值天气预报进行订正，保证计算流体力学模型以及数值天气预报的准确性，其次，通过计算流体力学插件表推算出虚拟测风塔各高度处的气候条件，最后，将数值天气预报与虚拟测风塔数据进行验证，并得出虚拟测风塔处未来气象数据；

步骤3，利用数据库进行风速预测:

预测模块首先对数值天气预报降尺度，通过气象神经网络修正；将数值天气预报输入数据耦合到参考测风塔；考虑尾流模型，查询相近的来流条件并调用计算流体力学插件表数据库中相应的流场分布数据，插值计算各台风电机组轮毂高度处的预测气象数据；按照功率曲线拟合计算单台风机的预测功率，最后计算风电场内单机和整场的输出功率；

步骤4，基于预测信息的风电场扇区管理:

根据预测的风速和风向管理扇区内的风机运行，在有尾流影响的扇区内风机采取停机和限电管理，在电网限电时，关停受尾流影响较大的机组；

步骤1中：

1)风电场来流条件离散，为了覆盖风电场可能出现的来流条件范围，将风电场空气来流的方向离散为12个均分的扇区，从0开始每隔30°划分一个风向；风电场来流风速离散为1，2，3，…,25m/s，每个风速和风向的组合构成一个风电场来流条件，共离散为300个来流条件；

2)计算流体力学流场预计算，包括入口边界条件、数值地理模型模拟和数值计算流体力学模拟计算三部分，计算流体力学计算区域以风电场为中心，在水平方向上沿风电场边界外扩5km以上，高度方向大于风电机组总高度的20倍，风电场及周边地区的地形及粗糙度数字化模型由等高线数据建立，流场计算区域划分空间网格，网格以六面体结构网格为主，风电机组附近网格加密，水平分辨率50～70m，风电场周边地区网格较稀疏；

3)数据库的建立，在风电场中对测风塔、各台风电机组进行数字化定位，对于每个计算获得的流场，提取其来流条件的风速和风向、测风塔及各台风电机组轮毂高度的风速和风向数据，存入数据库中，计算流体力学预计算所获得的所有流场的特征数据，形成风电场流场加速比数据库，即计算流体力学插件表；

计算流体力学插件表为求解基于雷诺平均的Navier-Stokes方程得到的一组风速加速比数据库，即从测风塔处风速和风向推算到各风机点位所有扇区的比例值，如下：

式中，m为预测的扇区划分数量；n为风机的个数；

利用这种方法，将历史数据作为训练模型，天气预报数据作为输入数据，与测风塔数据做交叉检验后推算得到各台风机未来的风速和风向；因此，对于某一时刻的来流条件，参考对应扇区流场的加速比数据库推算得到对应风机的风速，而不需要重新计算每个风机点位的Navier-Stokes方程；

步骤2中的物理模型计算流体力学预计算特征在于建立虚拟测风塔：

该步骤中利用三维尾流模型修正风电机组尾部风速，再由风力发电机组机舱尾部测风设备所得数据建立有效数据库，该数据库存储至少为180h的数据，且能覆盖风速和风况条件，利用数据建立修正后的k-ε湍流模型，利用Navier-Stokes方程描述风电场的风变化属性，然后通过风电机组的技术参数及大气条件确定基于Larsen尾流模型，将机舱尾部测风计所测得的风速采用上述计算流体力学外推到受较少风力发电机组尾流影响且与风电机组功率输出相关性较好位置的风速，最终得到位于风机叶片前端未经尾流影响的虚拟测风塔的风速值；

步骤3中的基于计算流体力学预计算的单机风功率预测特征在于：

风电场输出功率的影响因素有风速、风向、气温、气压、湿度及地表粗糙度，因此从测风塔得到的风速、风向、气温、气压、湿度数据都作为风速预测模型的输入，根据风电场数字化模型，考虑地形、障碍物、粗糙度及风机间尾流效应对风电场输出功率的影响，建立计算流体力学插件表，将测风塔位置的风速外推至每台风机轮毂高度处的风速，结合功率预测模型，计算得到整个风电场的输出功率；

该预测分三个模块，数据模块、建模模块和预测模块，其中，数据模块负责处理前期至少一年的数值天气预报、历史测风塔数据以及历史计算流体力学和历史风机功率数据，历史计算流体力学即计算流体力学，这些数据用于人工智能模块修正，建模模块有两个功能：(1)建立气象数据误差修正神经网络、功率误差修正神经网络；(2)利用风场地形高程、粗糙度数据，建立风电场物理模型，得到计算流体力学插件表，将测风塔位置的风速外推至每台风机轮毂高度处的风速，避免每次运行预测模型时都运行建模工作，有效提高预测速度，预测模块首先对数值天气预报降尺度，通过气象神经网络修正，其次，考虑尾流模型，利用计算流体力学插件表得到每台风电机组点位的预测气象数据，再次，按照功率曲线计算风机的预测功率，并通过功率神经网络修正预测误差，输出风机轮毂高度处的预测风速和风速变化趋势；最后计算得到风电场的输出功率；

步骤4中的风电场扇区管理方法特征在于：

本方法提出的基于计算流体力学短期风速预测风电场扇区管理包括：

首先，对可能出现的风电场来流条件离散化，并利用计算流体力学模型对不同来流条件下的流场进行预计算，提取各来流条件下流场特定位置的风速和风向分布，组成流场特性数据库，以中尺度数值天气预报数据为输入参数，利用数据库插值预测风电机组轮毂高度的风速和风向；