CN111900743B - 一种风电调频潜力预测误差分布估计方法 - Google Patents

Abstract

本发明涉及一种风电调频潜力预测误差分布估计方法，采用全新策略设计，获得不同置信水平下风电场调频潜力预测区间，执行过程不依赖调频潜力误差样本分布形状的先验知识，可以实现风电机组的调频潜力误差区间的准确评估、以及预测波动区间的准确估计，为优化传统机组备用容量、缓解电网调频压力和提升电力***稳定运行具有重要意义，能够准确反映风电调频潜力的波动范围，优化机组备用容量，降低运行风险。

Description

一种风电调频潜力预测误差分布估计方法

技术领域

本发明涉及一种风电调频潜力预测误差分布估计方法，属于电力***频率稳定控制技术领域。

背景技术

随着大规模风电接入电力***，风电的功率波动性、非平稳性、以及不确定性对***稳定运行带来了巨大的挑战，提高了***频率失稳风险和调频需求。变流器附加频率控制技术使风电机组能够主动响应电网频率变化，在***频率跌落瞬间提供额外的有功支撑，因此充分挖掘风电机组参与***调频潜力，实时评估风电调频裕度，对促进源网荷双端柔性互动具有重要意义。

现有的研究主要集中在风电参与调频的有功控制策略制定以及一次调频备用功率的研究，对考虑风电场内风机调频潜力的研究还比较匮乏，并且也未涉及风电参与***调频潜力预测误差分布的研究。

发明内容

本发明所要解决的技术问题是提供一种风电调频潜力预测误差分布估计方法，能够准确反映风电调频潜力的波动范围，优化机组备用容量，降低运行风险。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种风电调频潜力预测误差分布估计方法，包括如下步骤：

步骤A.针对风机，获取指定历史时间段中各历史时刻的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据，并针对所获数据进行预处理，然后进入步骤B；

步骤B.计算获得各历史时刻分别所对应的风电场调频潜力预测误差，作为各个样本，构成样本集合，然后进入步骤C；

步骤C.根据各个样本，基于最大熵原理，建立风机所对应的调频潜力预测误差概率密度模型，然后进入步骤D；

步骤D.根据调频潜力预测误差概率密度模型，针对风机目标预测风速数据，计算获得不同置信水平下风电场调频潜力预测区间。

作为本发明的一种优选技术方案：所述步骤A中，针对各历史时刻的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据，按如下进行预处理；

分别针对各历史时刻的风机实测风速数据，若风机实测风速数据小于或等于风机参与调频运行风速下限时，则风机退出调频，并删除该历史时刻、以及所对应的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据；若风机实测风速数据大于风机参与调频运行风速下限时，则风机参与调频，并保留该历史时刻、以及所对应的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据。

作为本发明的一种优选技术方案：所述步骤B中，分别针对各历史时刻，执行如下步骤B1至步骤B7，获得各历史时刻分别所对应的风电场调频潜力预测误差，作为各个样本，构成样本集合；

步骤B1.根据如下公式：

获得风机叶尖速比λ、风机桨距角β，以及对应风机叶尖速比λ与风机桨距角β的风能利用系数C_p(λ,β)，其中，v表示风机输入风速，ω表示风机转子转速，然后进入步骤B2；

步骤B2.根据如下公式：

获得风机输出功率实际值P_r，其中，ρ表示空气密度，R表示风轮半径；然后进入步骤B3；

步骤B3.根据如下公式：

获得风机输出功率预测值P_f，其中，C_p(λ_opt,β)表示对应最优风机叶尖速比λ_opt与风机桨距角β的风能利用系数，然后进入步骤B4；

步骤B4.根据如下公式：

获得调频结束时刻风机输出功率P₀，其中，ω₀表示风机参与调频运行风速下限、根据风机最优叶尖速比对应得到的风机参与调频运行转速下限，C_p(ω₀R/v,β)表示对应最优风机叶尖速比ω₀R/v与风机桨距角β的风能利用系数，然后进入步骤B5；

步骤B5.根据如下公式：

获得风电调频潜力的预测值ΔP_df，其中，T_del表示风机向电网持续注入功率时间，H表示风机固有惯性时间常数，ω_f表示风机实测风速数据根据风机最优叶尖速比对应得到的转子转速，ω₀表示风机参与调频运行风速下限、根据风机最优叶尖速比对应得到的风机参与调频运行转速下限；然后进入步骤B6；

步骤B6.根据如下公式：

获得风电调频潜力的实际值ΔP_d；然后进入步骤B7；

步骤B7.根据如下公式：

计算风电调频潜力预测误差ΔP_err，其中，P_N为风机额定输出功率。

作为本发明的一种优选技术方案，所述步骤C包括如下步骤：

步骤C1.根据如下公式：

计算获得样本集合X分别对应预设各阶n的原点矩，其中，n＝{0、…、N}，N表示预设最大阶数，L表示样本集合X中样本的个数，

表示样本集合X中第l个样本的n次方，然后进入步骤C2；

步骤C2.根据样本集合X分别对应预设各阶n的原点矩，则样本集合X的最大熵模型如下：

式中，s表示变量，H(s)表示样本集合X的信息熵，p(s)表示待求概率密度分布；然后进入步骤C3；

步骤C3.根据样本集合X的最大熵模型，按如下公式：

构造拉格朗日函数F_L，其中，λ₀、…、λ_n、…、λ_N表示各个拉格朗日乘子，然后进入步骤C4；

步骤C4.根据拉格朗日函数F_L满足条件，则待求概率密度分布p(s)如下：

然后进入步骤C5；

步骤C5.将待求概率密度分布p(s)代入步骤C2中的约束条件，获得如下：

通过求解以上非线性方程(1)，获得拉格朗日乘子λ₀、…、λ_n、…、λ_N，进而求解获得待求概率密度分布p(s)，即风机所对应的调频潜力预测误差概率密度模型。

作为本发明的一种优选技术方案：所述步骤D包括如下步骤D1至步骤D2；

步骤D1.根据风机所对应的调频潜力预测误差概率密度模型，计算获得不同置信水平下预测误差置信区间，然后进入步骤D2；

步骤D2.计算获得风机目标预测风速数据所对应的风电调频潜力预测值，并与不同置信水平下预测误差置信区间叠加，获得不同置信水平下的预测区间。

本发明所述一种风电调频潜力预测误差分布估计方法，采用以上技术方案与现有技术相比，具有以下技术效果：

本发明所设计风电调频潜力预测误差分布估计方法，采用全新策略设计，获得不同置信水平下风电场调频潜力预测区间，执行过程不依赖调频潜力误差样本分布形状的先验知识，可以实现风电机组的调频潜力误差区间的准确评估、以及预测波动区间的准确估计，为优化传统机组备用容量、缓解电网调频压力和提升电力***稳定运行具有重要意义，能够准确反映风电调频潜力的波动范围，优化机组备用容量，降低运行风险。

附图说明

图1为本发明设计风电调频潜力预测误差分布估计方法的流程示意图；

图2为采用本发明所提方法后风机调频潜力误差分布；

图3为采用本发明所提方法后风机调频潜力预测区间。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

本发明设计了一种风电调频潜力预测误差分布估计方法，实际应用当中，如图1所示，具体执行如下步骤A至步骤D。

步骤A.针对风机，获取指定历史时间段中各历史时刻的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据，并针对所获数据进行预处理，然后进入步骤B。

上述步骤A在实际应用中，针对各历史时刻的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据，按如下进行预处理。

分别针对各历史时刻的风机实测风速数据，若风机实测风速数据小于或等于风机参与调频运行风速下限时，则风机退出调频，并删除该历史时刻、以及所对应的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据；若风机实测风速数据大于风机参与调频运行风速下限时，则风机参与调频，并保留该历史时刻、以及所对应的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据。

步骤B.分别针对各历史时刻，执行如下步骤B1至步骤B7，获得各历史时刻分别所对应的风电场调频潜力预测误差，作为各个样本，构成样本集合，然后进入步骤C。

步骤B1.根据如下公式：

获得风机叶尖速比λ、风机桨距角β，以及对应风机叶尖速比λ与风机桨距角β的风能利用系数C_p(λ,β)，其中，v表示风机输入风速，ω表示风机转子转速，然后进入步骤B2。

步骤B2.根据如下公式：

获得风机输出功率实际值P_r，其中，ρ表示空气密度，R表示风轮半径；然后进入步骤B3。

步骤B3.根据如下公式：

获得风机输出功率预测值P_f，其中，C_p(λ_opt,β)表示对应最优风机叶尖速比λ_opt与风机桨距角β的风能利用系数，然后进入步骤B4。

步骤B4.根据如下公式：

获得调频结束时刻风机输出功率P₀，其中，ω₀表示风机参与调频运行风速下限、根据风机最优叶尖速比对应得到的风机参与调频运行转速下限，C_p(ω₀R/v,β)表示对应最优风机叶尖速比ω₀R/v与风机桨距角β的风能利用系数，然后进入步骤B5。

步骤B5.根据如下公式：

获得风电调频潜力的预测值ΔP_df，其中，T_del表示风机向电网持续注入功率时间，H表示风机固有惯性时间常数，ω_f表示风机实测风速数据根据风机最优叶尖速比对应得到的转子转速，ω₀表示风机参与调频运行风速下限、根据风机最优叶尖速比对应得到的风机参与调频运行转速下限；然后进入步骤B6。

步骤B6.根据如下公式：

获得风电调频潜力的实际值ΔP_d；然后进入步骤B7。

步骤B7.根据如下公式：

计算风电调频潜力预测误差ΔP_err，其中，P_N为风机额定输出功率。

步骤C.根据各个样本，基于最大熵原理，建立风机所对应的调频潜力预测误差概率密度模型，然后进入步骤D。

实际应用当中，上述步骤C具体执行如下步骤C1至步骤C5。

步骤C1.根据如下公式：

计算获得样本集合X分别对应预设各阶n的原点矩，其中，n＝{0、…、N}，N表示预设最大阶数，L表示样本集合X中样本的个数，

表示样本集合X中第l个样本的n次方，然后进入步骤C2。

步骤C2.根据样本集合X分别对应预设各阶n的原点矩，则样本集合X的最大熵模型如下：

式中，s表示变量，H(s)表示样本集合X的信息熵，p(s)表示待求概率密度分布；然后进入步骤C3。

步骤C3.根据样本集合X的最大熵模型，按如下公式：

构造拉格朗日函数F_L，其中，λ₀、…、λ_n、…、λ_N表示各个拉格朗日乘子，然后进入步骤C4。

步骤C4.根据拉格朗日函数F_L满足条件，则待求概率密度分布p(s)如下：

然后进入步骤C5。

步骤C5.将待求概率密度分布p(s)代入步骤C2中的约束条件，获得如下：

通过求解以上非线性方程(1)，获得拉格朗日乘子λ₀、…、λ_n、…、λ_N，进而求解获得待求概率密度分布p(s)，即风机所对应的调频潜力预测误差概率密度模型。

步骤D.根据调频潜力预测误差概率密度模型，针对风机目标预测风速数据，计算获得不同置信水平下风电场调频潜力预测区间。

实际应用当中，上述步骤D具体执行如下步骤D1至步骤D2。

步骤D1.根据风机所对应的调频潜力预测误差概率密度模型，计算获得不同置信水平下预测误差置信区间，然后进入步骤D2。

步骤D2.计算获得风机目标预测风速数据所对应的风电调频潜力预测值，并与不同置信水平下预测误差置信区间叠加，获得不同置信水平下的预测区间。

将本发明所设计风电调频潜力预测误差分布估计方法，实际应用当中，具体执行如下步骤。

步骤A.选取中国某地1.5MW风电场内单台风机2015年6月15日至19日的SCADA采集数据和风速预测数据，采样间隔5min，共计1440采样点。风机固有惯性时间常数为5.04，风机参与调频运行风速下限为7m/s，风机额定风速为12m/s。根据历史风速实测值判断风机是否能参与调频，对风机转子转速和功率实测数据进行筛选。当风速实测值小于等于风机参与调频运行风速下限时，风机退出调频，弃置对应时刻的历史转子转速和功率实测数据；当风速实测值大于风机参与调频运行风速下限时，风机参与调频，保留对应时刻的历史转子转速和功率实测数据，经筛选后得到1028个时刻对应采样数据。

步骤B.分别针对各历史时刻，执行步骤B1至步骤B7，获得各历史时刻分别所对应的风电场调频潜力预测误差，作为各个样本，构成样本集合，然后进入步骤C。

步骤C.根据各个样本，基于最大熵原理，执行步骤C1至步骤C5，建立风机所对应的调频潜力预测误差概率密度模型，然后进入步骤D。

实际应用中，选取N＝5，风电调频潜力预测误差最大熵分布模型参数如下表1所示。

风机调频潜力误差分布如图2所示。

表1

步骤D.计算不同置信水平下风电场调频潜力预测区间，根据调频潜力预测误差分布概率密度计算不同置信水平下预测误差置信区间。通过给定风速序列的预测数据计算调频潜力预测值，与预测误差区间叠加得到不同置信水平下的预测区间，选取该风电场2015年6月20日风速预测数据，计算调频潜力预测区间如图3所示。

本发明所设计风电调频潜力预测误差分布估计方法，采用全新策略设计，获得不同置信水平下风电场调频潜力预测区间，执行过程不依赖调频潜力误差样本分布形状的先验知识，可以实现风电机组的调频潜力误差区间的准确评估、以及预测波动区间的准确估计，为优化传统机组备用容量、缓解电网调频压力和提升电力***稳定运行具有重要意义，能够准确反映风电调频潜力的波动范围，优化机组备用容量，降低运行风险。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (3)

1.一种风电调频潜力预测误差分布估计方法，其特征在于，包括如下步骤：

步骤A.针对风机，获取指定历史时间段中各历史时刻的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据，并针对所获数据进行预处理，然后进入步骤B；

步骤B.计算获得各历史时刻分别所对应的风电场调频潜力预测误差，作为各个样本，构成样本集合，然后进入步骤C；

上述步骤B中，分别针对各历史时刻，执行如下步骤B1至步骤B7，获得各历史时刻分别所对应的风电场调频潜力预测误差，作为各个样本，构成样本集合；

步骤B1.根据如下公式：

获得风机叶尖速比λ、风机桨距角β，以及对应风机叶尖速比λ与风机桨距角β的风能利用系数C_p(λ,β)，其中，v表示风机输入风速，ω表示风机转子转速，然后进入步骤B2；

步骤B2.根据如下公式：

获得风机输出功率实际值P_r，其中，ρ表示空气密度，R表示风轮半径；然后进入步骤B3；

步骤B3.根据如下公式：

获得风机输出功率预测值P_f，其中，C_p(λ_opt,β)表示对应最优风机叶尖速比λ_opt与风机桨距角β的风能利用系数，然后进入步骤B4；

步骤B4.根据如下公式：

获得调频结束时刻风机输出功率P₀，其中，ω₀表示风机参与调频运行风速下限、根据风机最优叶尖速比对应得到的风机参与调频运行转速下限，C_p(ω₀R/v,β)表示对应最优风机叶尖速比ω₀R/v与风机桨距角β的风能利用系数，然后进入步骤B5；

步骤B5.根据如下公式：

获得风电调频潜力的预测值ΔP_df，其中，T_del表示风机向电网持续注入功率时间，H表示风机固有惯性时间常数，ω_f表示风机实测风速数据根据风机最优叶尖速比对应得到的转子转速，ω₀表示风机参与调频运行风速下限、根据风机最优叶尖速比对应得到的风机参与调频运行转速下限；然后进入步骤B6；

步骤B6.根据如下公式：

获得风电调频潜力的实际值ΔP_d；然后进入步骤B7；

步骤B7.根据如下公式：

计算风电调频潜力预测误差ΔP_err，其中，P_N为风机额定输出功率；

步骤C.根据各个样本，基于最大熵原理，建立风机所对应的调频潜力预测误差概率密度模型，然后进入步骤D；

上述步骤C包括如下步骤：

步骤C1.根据如下公式：

计算获得样本集合X分别对应预设各阶n的原点矩，其中，n＝{0、…、N}，N表示预设最大阶数，L表示样本集合X中样本的个数，

表示样本集合X中第l个样本的n次方，然后进入步骤C2；

步骤C2.根据样本集合X分别对应预设各阶n的原点矩，则样本集合X的最大熵模型如下：

maxH(s)＝-∫p(s)lnp(s)ds

s.t.∫p(s)sⁿds＝a_n

式中，s表示变量，H(s)表示样本集合X的信息熵，p(s)表示待求概率密度分布；然后进入步骤C3；

步骤C3.根据样本集合X的最大熵模型，按如下公式：

构造拉格朗日函数F_L，其中，λ₀、…、λ_n、…、λ_N表示各个拉格朗日乘子，然后进入步骤C4；

步骤C4.根据拉格朗日函数F_L满足条件，则待求概率密度分布p(s)如下：

然后进入步骤C5；

步骤C5.将待求概率密度分布p(s)代入步骤C2中的约束条件，获得如下：

通过求解以上非线性方程(1)，获得拉格朗日乘子λ₀、…、λ_n、…、λ_N，进而求解获得待求概率密度分布p(s)，即风机所对应的调频潜力预测误差概率密度模型；

步骤D.根据调频潜力预测误差概率密度模型，针对风机目标预测风速数据，计算获得不同置信水平下风电场调频潜力预测区间。

2.根据权利要求1所述一种风电调频潜力预测误差分布估计方法，其特征在于：所述步骤A中，针对各历史时刻的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据，按如下进行预处理；

分别针对各历史时刻的风机实测风速数据，若风机实测风速数据小于或等于风机参与调频运行风速下限时，则风机退出调频，并删除该历史时刻、以及所对应的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据；若风机实测风速数据大于风机参与调频运行风速下限时，则风机参与调频，并保留该历史时刻、以及所对应的风机转子转速、风机功率实测数据、风机预测风速数据、风机实测风速数据。

3.根据权利要求1所述一种风电调频潜力预测误差分布估计方法，其特征在于：所述步骤D包括如下步骤D1至步骤D2；

步骤D1.根据风机所对应的调频潜力预测误差概率密度模型，计算获得不同置信水平下预测误差置信区间，然后进入步骤D2；

步骤D2.计算获得风机目标预测风速数据所对应的风电调频潜力预测值，并与不同置信水平下预测误差置信区间叠加，获得不同置信水平下的预测区间。

Images