CN114547829A - 一种风电场理论功率计算方法及*** - Google Patents
一种风电场理论功率计算方法及*** Download PDFInfo
- Publication number
- CN114547829A CN114547829A CN202011328782.3A CN202011328782A CN114547829A CN 114547829 A CN114547829 A CN 114547829A CN 202011328782 A CN202011328782 A CN 202011328782A CN 114547829 A CN114547829 A CN 114547829A
- Authority
- CN
- China
- Prior art keywords
- power
- wind speed
- wind
- data
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 90
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 230000002596 correlated effect Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000007689 inspection Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims description 75
- 230000008569 process Effects 0.000 claims description 31
- 238000010248 power generation Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000011084 recovery Methods 0.000 claims description 13
- 230000007717 exclusion Effects 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电场理论功率计算方法及***,确定风机非正常运行数据和风机正常运行数据;对各机组机舱风速进行多重共线性检验,根据检验结果利用特征提取进行机群划分;对于线性强相关机群中的非正常数据,采用列昂节夫逆阵求解拟合风速数据正常时的功率,进而得到线性强相关机群理论发电功率;对于线性弱相关机群的非正常数据,通过样本数据划分并建立单机非参数回归模型拟合风速数据正常时的功率,进而得到线性弱相关机群理论发电功率;将线性强相关机群的理论发电功率和线性弱相关机群的理论发电功率求和确定风电场理论发电功率。优点:数据筛选方法简单有效、物理意义明确;理论功率计算方法可有效消除多重共线性影响,提升计算精度。
Description
技术领域
本发明涉及一种风电场理论功率计算方法及***,属于风电技术领域。
背景技术
截至2019年底,我国风电累计装机2.1亿千瓦,风电装机占全部发电装机 的10.4%,随着风电的快速发展,风电消纳问题难以解决,弃风问题严重,造成 了严重的资源浪费。早在2017年初,国家电网公司已发布了风电理论功率计算、 风电受阻电量计算相关规定。近年来,风电场理论功率计算越来越得到电力行 业的重视,许多地区的功率预测场站都要求上送理论发电功率。风电场理论功 率计算为提高风电接纳能力提供基础数据,对于准确评估风电场弃风时段的电 量损失、提高风电功率预测准确度具有重要意义,是当前研究的热点课题。
风电场理论功率的传统计算方法主要有:样板风机法、测风塔数据外推法 以及机舱风速法。机舱风速法是利用单台风机机舱风速计测量的风速,与设计 曲线或风机正常运行时段的输出功率建立映射关系,再将其应用到弃风时段, 进而得到每一台机组的理论发电功率,相对于其它方法计算精度较高。
现有技术存在的缺陷是:
1.现有数据处理方法中有通过聚类算法进行异常数据辨识,甚至于应用多 次聚类,由于算法的复杂性会致使效率不高,通过风机运行机理去剔除离群点, 方法简单有效,且物理意义明确。
2.除风速外风机出力受地表状况、风向、气压等因素影响,风电场机群中某 些机组在地理位置、地形地貌存在较大差异,仅考虑风速和功率的关系其计算 精度有限。
3.当前解决多重共线性的方法如增加样本容量、模型修改法、分布估计法、 差分模型法、岭回归法等都存在各自的缺点和不足。强的多重共线不是完全多 重共线,简单删减或整合解释变量必然丢失某些数据和信息,尽管可以降低共 线程度,但参数估计误差仍较大。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种风电场理论 功率计算方法及***。
为解决上述技术问题,本发明提供一种风电场理论功率计算方法。
获取风机运行的原始数据;
对原始数据进行筛选,确定风机非正常运行数据和风机正常运行数据;
对各机组机舱风速进行多重共线性检验,根据检验结果利用特征提取进行 机群划分;
根据风机非正常运行数据和风机正常运行数据对划分后的机群进行线性强 相关机群理论发电功率计算和线性弱相关机群理论发电功率计算;所述线性强 相关机群理论发电功率计算的过程包括:计算全样本机舱风速序列的列昂节夫 逆阵,对风速序列进行修正与非参数回归拟合求取线性强相关机群的理论发电 功率;所述线性弱相关机群理论发电功率计算的过程包括:对于线性弱相关机 群风速功率数据,按照风向、气压进行划分,采用非参数回归对划分后的风速 功率数据进行拟合计算得到线性弱相关机群的理论发电功率;
将所述线性强相关机群的理论发电功功率、线性弱相关机群的理论发电功 率求和确定风电场理论发电功率。
进一步的,所述对原始数据进行筛选,确定风机非正常运行数据和风机正 常运行数据的过程包括:
采用机理规则方法筛选风机运行的原始数据在采样、传输和存储过程中出 现问题后导致的异常数据,得到风机非正常运行数据和风机正常运行数据。
进一步的,所述对各机组机舱风速进行多重共线性检验,根据检验结果利 用特征提取进行机群划分的过程包括:
计算风场所有风电机组风速序列的方差膨胀因子,根据方差膨胀因子确定 各风电机组机舱风速的多重共线严重性,根据多重共线严重性,利用特征值和 特征向量分析方法进行机群划分,将存在严重多重共线的风电机组归类为线性 强相关机群,将其余风电机组归类为线性弱相关机群。
进一步的,所述计算全样本机舱风速序列的列昂节夫逆阵,对风速序列进 行修正求取线性强相关机群理论发电功率的过程包括:
剔除风机非正常运行数据中的风速异常数据,将处理后的非正常运行数据 与正常运行数据共同组成观测矩阵,根据所述观测矩阵确定强相关机群风速序 列矩阵和功率序列矩阵;
考虑风电场不同风电机组间的相互影响,确定直接作用系数和间接作用系 数,根据直接作用系数和间接作用系数确定完全作用系数矩阵;
采用列昂节夫逆阵变换所述完全作用系数矩阵,除去所述完全作用系数矩 阵中的虚拟矩阵得到强相关机群风速序列的完全作用系数矩阵;
利用强相关机群风速序列的完全作用系数矩阵对强相关机群风速序列进行 修正,得到修正后风速序列;
对于每一台风电机组修正后的非正常数据,使用非参数回归建模方法建立 模型拟合风速数据正常时的功率;
根据拟合后的结果得到线性强相关机群的理论发电功率。
进一步的,其特征在于,所述使用非参数回归建模方法建立模型的公式为:
式中,pt,j为机组j在t时刻恢复后的理论功率;为机组j非正常时段的修正风速;为j机组修正后的正常运行状态风速,与互斥;pi,j为j机组正常运 行状态功率;d为正常运行状态样本个数,d≤n,n为样本数据量;K为高斯核 函数,核窗宽h通过交叉验证法确定。
进一步的,所述对于线性弱相关机群风速功率数据,按照风向、气压进行 划分,采用非参数回归对划分后的风速功率数据进行拟合计算得到线性弱相关 机群非正常数据的理论发电功率的过程包括:
所述采用非参数回归对划分后的风速功率数据进行拟合计算的公式为:
式中,为第j台机组t时刻恢复后的理论功率;为第j台机组非正常时 段的风速;和分别为第j台机组正常样本风速和功率;和互斥;e为正常运行状态样本个数,且e≤n,n为样本数据量,K为高斯核函数,核窗 宽ha,b通过交叉验证法确定。
一种风电场理论功率计算***,
获取模块,用于获取风机运行的原始数据;
筛选模块,用于对原始数据进行筛选,确定风机非正常运行数据和风机正 常运行数据;
划分模块,用于对各机组机舱风速进行多重共线性检验,根据检验结果利 用特征提取进行机群划分;
拟合计算模块,用于根据风机非正常运行数据和风机正常运行数据对划分 后的机群进行线性强相关机群理论发电功率计算和线性弱相关机群理论发电功 率计算;所述线性强相关机群理论发电功率计算的过程包括:计算全样本机舱 风速序列的列昂节夫逆阵,对风速序列进行修正与非参数回归拟合求取线性强 相关机群的理论发电功率;所述线性弱相关机群理论发电功率计算的过程包括: 对于线性弱相关机群风速功率数据,按照风向、气压进行划分,采用非参数回 归对划分后的风速功率数据进行拟合计算得到线性弱相关机群的理论发电功率;
确定模块,用于将所述线性强相关机群的理论发电功功率、线性弱相关机 群的理论发电功率求和确定风电场理论发电功率。
进一步的,所述筛选模块包括:
调取模块,用于调取机理规则方法程序筛选风机运行的原始数据在采样、 传输和存储过程中出现问题后导致的异常数据,得到风机非正常运行数据和风 机正常运行数据。
进一步的,所述划分模块包括:
严重性确定模块,用于计算风场所有风电机组风速序列的方差膨胀因子, 根据方差膨胀因子确定各风电机组机舱风速的多重共线严重性;
机群确定模块,用于根据多重共线严重性,利用特征值和特征向量分析方 法进行机群划分,将存在严重多重共线的风电机组归类为线性强相关机群,将 其余风电机组归类为线性弱相关机群。
进一步的,所述拟合计算模块包括线性强相关机群模块,所述线性强相关 机群模块包括:
剔除模块,用于剔除风机非正常运行数据中的风速异常数据,将处理后的 非正常运行数据与正常运行数据共同组成观测矩阵,根据所述观测矩阵确定强 相关机群风速序列矩阵和功率序列矩阵;
作用系数矩阵确定模块,用于考虑风电场不同风电机组间的相互影响,确 定直接作用系数和间接作用系数,根据直接作用系数和间接作用系数确定完全 作用系数矩阵;
列昂节夫逆阵变换模块,用于采用列昂节夫逆阵变换所述完全作用系数矩 阵,除去所述完全作用系数矩阵中的虚拟矩阵得到强相关机群风速序列的完全 作用系数矩阵;
修正模块,用于利用强相关机群风速序列的完全作用系数矩阵对强相关机 群风速序列进行修正,得到修正后风速序列;
拟合模块,对于每一台风电机组修正后的非正常数据,使用非参数回归建 模方法建立模型拟合风速数据正常时的功率;
计算模块,用于根据拟合后的结果得到线性强相关机群的理论发电功率。
进一步的,所述拟合模块拟合的线性强相关机群拟合公式为:
式中,pt,j为机组j在t时刻恢复后的理论功率;为机组j非正常时段的修正风速;为j机组修正后的正常运行状态风速,与互斥;pi,j为j机组正常运 行状态功率;d为正常运行状态样本个数,d≤n,n为样本数据量;K为高斯核 函数,核窗宽h通过交叉验证法确定。
进一步的,所述拟合计算模块包括线性弱相关机群模块,用于利用非参数 回归对划分后的风速功率数据进行拟合计算的公式为:
式中,为第j台机组t时刻恢复后的理论功率;为第j台机组非正常时 段的风速;和分别为第j台机组正常样本风速和功率;和互斥; e为正常运行状态样本个数,且e≤n,n为样本数据量,K为高斯核函数,核窗 宽ha,b通过交叉验证法确定。
本发明所达到的有益效果:
本发明提出基于机群划分和列昂节夫逆阵的风电场理论功率计算方法,通 过风机运行机理进行数据筛选,方法简单有效、物理意义明确。针对风电场机 组数据集,通过多重共线性检验和特征提取对全场机群进行划分。简单删减或 整合解释变量致使参数估计误差仍较大,列昂节夫逆阵可充分整合线性强相关 机群的解释变量,克服传统多重共线性解决方法缺点,将每个变量所反映的数 据信息和变量间的相互作用考虑进来,以此提升参数估计精度。对于线性弱相 关机群,由于地表状况、风向、气压等存在差异,将样本数据根据风向、气压 等影响因子进行区间划分,构建单机理论功率计算模型,计算非正常运行时段 的理论功率。如此,对于强相关机群和弱相关机群建立独立模型,可有效消除 多重共线性影响,提升计算精度。
附图说明
图1是本发明的流程示意图;
图2是异常点剔除效果图;
图3是样板风机法与实际功率对比曲线;
图4是本文方法与实际功率对比曲线;
图5是理论功率计算结果对比曲线。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结 合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描 述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施 例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种风电场理论功率计算方法,首先通过机理规则对数据点 进行筛选剔除,对各机组机舱风速进行多重共线性检验,再利用特征提取进行 机群划分。对于线性强相关机群,计算全样本(正常与非正常时段)机舱风速 序列的列昂节夫逆阵,对风速序列进行修正以求取线性强相关机群的理论发电 功率。对于线性弱相关机群风速功率数据对,按照风向、气压进行划分,采用 非参数回归对划分后的风速功率数据进行拟合。最后,将不同机群计算理论发 电功率求和得到全场理论发电功率。
实施例:
1、本发明选用东南地区某山地风电场作为研究对象,总装机容量49.5MW, 共33台额定容量为1.5MW的风电机组。所采集变量包括机舱风速、有功功率、 风向、气压、桨距角共5个参量,时间长度为1个月,时间分辨率为10min。
风机运行过程中,普遍存在着机组不工作、限功率、异常停机等数据点, 此类数据不属于机组正常运行数据,会使功率曲线拟合出现错误。风速、功率 数据在采样、传输和存储过程中任何环节出现问题,都可能导致异常数据出现, 异常点往往会明显偏离标准功率曲线,也称为离群点。采用机理规则方法筛选 异常数据,具有简单有效的特点,将如下异常数据筛选出来。
停机损失坏点:风机停机原因有多种,可以划分为故障停机、计划检修停 机、风机受累停机、限电停机等。此类坏点可以通过筛除当风速大于风机切入 风速时,输出功率仍为0或负值的点。
欠发坏点:欠发坏点是某些发电功率显著低于应发功率的数据点,欠发坏 点部分是由于风机启停机时造成的,筛除风电机组在切入风速以上功率由0或 负值渐增加到正值的所有点;同理,筛除风电机组在切出风速以下功率由正常 值渐减小到0或负值的点。
限发坏点:由于调度单位人为限出力导致的功率散点显著低于应发功率, 成水平带分布,对此类数据进行筛除,以便于通过模型构建拟合风速—功率关 系。
风速仪卡涩等连续不变坏点:由于风速仪卡涩导致所采集数据点存在风速 值连续不变点或其它原因导致的功率连续不变点,是非正常运行状态点,需筛 除。
风机数据在采样、传输和存储过程中出现问题后导致的异常点很难通过风 机控制机理筛除。考虑此类异常点会偏离标杆功率曲线,根据IEC标准中的Bin 方法,将风速范围按照0.5m/s间隔分为若干Bin区间,计算每个Bin区间功率 均值μ和标准差σ,根据3σ准则可将小于μ-3σ和大于μ+3σ的数据点作为异常点筛 除。非正常运行状态点剔除和效果如图2。数据筛除中的限发坏点等数据主要针 对功率数据而言,非正常数据时段内的测风数据是理论功率模型的输入数据, 在后续计算中应用。
2、多重共线性检验与机群划分:
风机运行过程中,地理位置相近、地形地貌差异不大的风机在相同时刻的 机舱风速大小相近,在进行回归分析中必须考虑风机风速多重共线性影响。
回归拟合模型中若某些参量间存在较强相关性,可能会对结果产生较大影 响。比如,存在m台机组,若满足关系式:
β1V1≈β2V2+β3V3+…βmVm
式中,{β1,β2…,βm}为不全为0的常数,{V1,V2…,Vm}为风机风速序列,则认为存在多重共线性。严重多重共线性会造成模型过拟合问题,通过风速功率拟合求得 非正常运行时段的出力需要对风速序列进行检验并消除多重共线影响。
广大研究学者提出了多种检验多重共线的方法,其原理大都为利用统计学 中的相关分析,验证多个或所有变量的相关性,以给出多重共线的重要线索。 目前,主要检验方法有拟合优度检验、相关系数检验、F检验和T检验、条件数 与特征值分析法以及方差膨胀因子检验(VIF)法等。方差膨胀系数法是工程上常 用的检验方法,其计算公式为:
式中,VIFi为第i个变量的方差膨胀因子,表示将第i个变量作为因变量与其余自变量拟合回归方程所得到的决定系数。当方差膨胀因子VIFi大于10,即第i个 变量90%以上由其它变量反映,则认为第i个变量存在较强多重共线性。
计算该风场33台机组风速序列的方差膨胀因子,其中多台机组膨胀因子在 10以上,表明机舱风速数据呈现较严重的多重共线问题,根据特征值和特征向 量分析方法,得出存在较严重多重共线机组共19台,将其归类为线性强相关机 群;共线性较弱的机组共14台,将其归类为线性弱相关机群。
线性强相关机群列昂节夫逆阵求取与非参数回归模型:
强的多重共线不是完全多重共线,在无法通过增加样本容量来降低多重共 线影响时,简单删减和整合解释变量必然导致某些信息的丢失,致使参数估计 误差仍较大。针对强的多重共线难以有效消除的问题,提出了列昂节夫逆阵整 合解释变量方法。
除去风速异常数据,将非正常运行数据与正常运行数据共同组成观测矩阵, 假设实验风场强相关机群风速序列为:
式中,n为样本数据量,m为风机台数,vi,j表示第j台机组第i条风速数据。功率 序列为:
同理,pi,j表示第j台机组第i条功率数据。风速和功率的关系可以分为风速对功率的直接作用和间接作用。直接作用(净作用)是指各风电机组风速值对功率 的直接影响。间接作用是由于受尾流、机组排布位置等影响,某台机组风速影 响其它一台机组风速,进而对机组功率产生影响,称为第一轮间接作用。相应 的,某台机组风速影响其它两台机组风速,称为第二轮间接作用,依次会有第 三轮、第四轮间接作用等等。线性强相关机群的19台机组正是通过直接作用和 间接作用来影响功率值。以两台机组相互作用为例,vi,1和vi,2的相互影响包括四 个方面:(1)vi,1对功率[pi,1 pi,2 … pi,m]的净作用;(2)vi,1变化引起vi,2的变化,通 过vi,2间接作用于功率[pi,1 pi,2 … pi,m];(3)vi,2对功率[pi,1 pi,2 … pi,m]的净作用;(4) vi,2变化引起vi,1的变化,通过vi,1间接作用于功率[pi,1 pi,2 … pi,m]。存在多重共线的 19台机组对其功率的影响等于直接作用加上全部间接作用。
为求取强相关机群风速序列的列昂节夫逆阵,引入全为0的虚拟矩阵以构 建完整方阵,虚拟矩阵的引入并不会对结果产生影响。构建的风速序列方阵为:
M=On×(n-m)=[Vm+1…Vn]n×(n-m)即为全为0的虚拟矩阵。考虑风电场不同风机间的相互影响,引入直接作用系数:ai,j=vi,j/Fj,其中Fj=∑vi,j(j=1,2,…n);引入完全作 用系数:ci,j=ai,j+∑ai,kak,j+∑∑ai,sas,kak,j+∑∑∑ai,tat,sas,kak,j+……(i,j=1,2,…n),k、t、s…… 分别表示机组风速变量对功率影响的层次,ai,j是直接作用系数,其余各项分别是第一轮、第二轮等的间接作用系数。设A是由全部直接作用系数构成的矩阵, 称为直接作用系数矩阵,记为:A=(ai,j)n×n;C为完全作用系数矩阵,记为:C=(ci,j)n×n, 可写为矩阵形式:C=A+A2+A3+…+An-1。A2、A3…An-1分别为第1、2…n-2轮间接相互作 用系数矩阵。为演示计算过程,我们先建立风机相互作用矩阵,考虑风机间的 相互影响,风机风速相互作用矩阵表如表1:
表1风机风速相互作用矩阵表
计算其直接作用系数,直接作用系数矩阵如表2:
其中,ai,j=vi,j/Fj,(0≤ai,j<1)。将虚拟矩阵考虑进来,则直接作用系数矩阵A可转化为:
虚拟矩阵作用系数为0,引用完全作用系数矩阵的计算公式C=A+A2+A3+…+An-1,利用该公式计算得到的完全作用系数意义明确,但计算过程过于繁琐。在实际 应用中,当n较大时,常采用它的变换形式:C=(I-A)-1-I,I为单位矩阵,可以将(I-A)-1形式称之为列昂节夫逆阵,完全作用系数矩阵C具有如下形式:C=[γn×m,On×(n-m)]n×n, 除去虚拟矩阵,γn×m才是强相关机群风速序列的完全作用系数矩阵。利用完全作 用系数矩阵对强相关机群风速序列进行修正,得到修正后风速序列(完全作用 系数矩阵与机组风速序列矩阵点乘得到):
如此,可将全部相互影响系数与风机风速序列结合起来,它包含了风速序列对 功率的完全作用,可避免尾流或其它不规则因素的影响。
针对线性强相关机群,使用非参数回归建模方法对每一台机组修正后非正 常时段风速—功率数据进行拟合:
式中,pt,j为机组j在t时刻恢复后的理论功率;为机组j限电时段的修正风速;为j机组修正后的正常运行状态风速,与互斥;pi,j为j机组正常运行状 态功率;d为正常运行状态样本个数,d≤n,n为样本数据量;K选用高斯核函 数,核窗宽h通过交叉验证法确定。如此,线性强相关机群限电等非正常数据功 率可通过非参数回归模型计算得到。
3、线性弱相关机群样本数据划分与非参数回归模型:
线性弱相关机群风速序列为:
对于线性弱相关机群,由于各台机组风速序列相关性较弱,故不考虑 多重共线对机组风速数据的影响。但线性弱相关机群在地理位置、地形地 貌存在差异,甚至在容量较大的风场因其地理位置、地形地貌差异,主导 风向也存在略微差异,如大型海上风电场的一期、二期工程。风机功率同 时受风速、风向、气压等不同因素影响,为提升计算精度,需将风速、功 率按照不同风向和气压数据进行划分:
式中,a为风向区间序号;ε为风向区间划分个数;ql为气压下限;qu为气 压上限;b为气压区间序号;η为气压区间划分个数;区间划分数量过多导 致区间内样本数量过少致使模型无法准确反应风速—功率关系进而影响拟 合精度问题,因而风向和气压应根据具体样本数量进行划分。
风速和功率为一一对应关系,划分风速时功率也得到了相应的划分, 采用非参数方法对划分后的风速—功率数据进行拟合:
式中,为第j台机组t时刻恢复后的理论功率;为第j台机组限电等非 正常时段的风速;和分别为第j台机组正常样本风速和功率;和互斥;e为正常运行状态样本个数,且e≤n,n为样本数据量。如此,对机 组样本数据划分后进行独立区间的限电等非正常时段数据拟合可得到其功 率。
最后,将两种机群求取的理论发电功率求和可得到风电场的理论发电 功率。该方法首先充分考虑了机组多重共线性对风速数据造成的影响,使 用列昂节夫逆阵方法消除多重共线性,建立机组的非参数风速—功率拟合 模型,提高了计算精度。其次,对于线性弱相关机群,考虑了其功率影响 因素,将其风速—功率根据风向、气压进行区间划分,建立独立区间的非 参数风速—功率拟合模型。基于机群划分和列昂节夫逆阵的风电场理论功 率计算方法是结合机组实际运行情况,提升计算精度的有效方法。
相应的本发明还提供一种风电场理论功率计算***,
获取模块,用于获取风机运行的原始数据;
筛选模块,用于对原始数据进行筛选,确定风机非正常运行数据和风机正 常运行数据;
划分模块,用于对各机组机舱风速进行多重共线性检验,根据检验结果利 用特征提取进行机群划分;
拟合计算模块,用于根据风机非正常运行数据和风机正常运行数据对划分 后的机群进行线性强相关机群理论发电功率计算和线性弱相关机群理论发电功 率计算;所述线性强相关机群理论发电功率计算的过程包括:计算全样本机舱 风速序列的列昂节夫逆阵,对风速序列进行修正与非参数回归拟合求取线性强 相关机群的理论发电功率;所述线性弱相关机群理论发电功率计算的过程包括: 对于线性弱相关机群风速功率数据,按照风向、气压进行划分,采用非参数回 归对划分后的风速功率数据进行拟合计算得到线性弱相关机群的理论发电功率;
确定模块,用于将所述线性强相关机群的理论发电功功率、线性弱相关机 群的理论发电功率求和确定风电场理论发电功率。
进一步的,所述筛选模块包括:
调取模块,用于调取机理规则方法程序筛选风机运行的原始数据在采样、 传输和存储过程中出现问题后导致的异常数据,得到风机非正常运行数据和风 机正常运行数据。
进一步的,所述划分模块包括:
严重性确定模块,用于计算风场所有风电机组风速序列的方差膨胀因子, 根据方差膨胀因子确定各风电机组机舱风速的多重共线严重性;
机群确定模块,用于根据多重共线严重性,利用特征值和特征向量分析方 法进行机群划分,将存在严重多重共线的风电机组归类为线性强相关机群,将 其余风电机组归类为线性弱相关机群。
进一步的,所述拟合计算模块包括线性强相关机群模块,所述线性强相关 机群模块包括:
剔除模块,用于剔除风机非正常运行数据中的风速异常数据,将处理后的 非正常运行数据与正常运行数据共同组成观测矩阵,根据所述观测矩阵确定强 相关机群风速序列矩阵和功率序列矩阵;
作用系数矩阵确定模块,用于考虑风电场不同风电机组间的相互影响,确 定直接作用系数和间接作用系数,根据直接作用系数和间接作用系数确定完全 作用系数矩阵;
列昂节夫逆阵变换模块,用于采用列昂节夫逆阵变换所述完全作用系数矩 阵,除去所述完全作用系数矩阵中的虚拟矩阵得到强相关机群风速序列的完全 作用系数矩阵;
修正模块,用于利用强相关机群风速序列的完全作用系数矩阵对强相关机 群风速序列进行修正,得到修正后风速序列;
拟合模块,对于每一台风电机组修正后的非正常数据,使用非参数回归建 模方法建立模型拟合风速数据正常时的功率;
计算模块,用于根据拟合后的结果得到线性强相关机群的理论发电功率。
进一步的,所述拟合模块拟合的线性强相关机群拟合公式为:
式中,pt,j为机组j在t时刻恢复后的理论功率;为机组j非正常时段的修正风速;为j机组修正后的正常运行状态风速,与互斥;pi,j为j机组正常运 行状态功率;d为正常运行状态样本个数,d≤n,n为样本数据量;K为高斯核 函数,核窗宽h通过交叉验证法确定。
进一步的,所述拟合计算模块包括线性弱相关机群模块,用于利用非参数 回归对划分后的风速功率数据进行拟合计算的公式为:
式中,为第j台机组t时刻恢复后的理论功率;为第j台机组非正常时 段的风速;和分别为第j台机组正常样本风速和功率;和互斥; e为正常运行状态样本个数,且e≤n,n为样本数据量,K为高斯核函数,核窗 宽ha,b通过交叉验证法确定。
如图3-5,本发明可以较好的反映实际发电能力,相对于本发明方法, 样板风机法误差较大。基于机群划分和列昂节夫逆阵的风电场理论功率计 算方法能够有效地对风电场理论功率进行恢复,且理论功率恢复精度较高; 本发明根据实际运行数据对于线性强相关机群和弱相关机群分别处理,具 有一定的工程应用价值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计 算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或 方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式 处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机 或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流 程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的 指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理, 从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程 或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽 管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理 解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分 技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱 离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种风电场理论功率计算方法,其特征在于,
获取风机运行的原始数据;
对原始数据进行筛选,确定风机非正常运行数据和风机正常运行数据;
对各机组机舱风速进行多重共线性检验,根据检验结果利用特征提取进行机群划分;
根据风机非正常运行数据和风机正常运行数据对划分后的机群进行线性强相关机群理论发电功率计算和线性弱相关机群理论发电功率计算;所述线性强相关机群理论发电功率计算的过程包括:计算全样本机舱风速序列的列昂节夫逆阵,对风速序列进行修正与非参数回归拟合求取线性强相关机群的理论发电功率;所述线性弱相关机群理论发电功率计算的过程包括:对于线性弱相关机群风速功率数据,按照风向、气压进行划分,采用非参数回归对划分后的风速功率数据进行拟合计算得到线性弱相关机群的理论发电功率;
将所述线性强相关机群的理论发电功功率、线性弱相关机群的理论发电功率求和确定风电场理论发电功率。
2.根据权利要求1所述的风电场理论功率计算方法,其特征在于,所述对原始数据进行筛选,确定风机非正常运行数据和风机正常运行数据的过程包括:
采用机理规则方法筛选风机运行的原始数据在采样、传输和存储过程中出现问题后导致的异常数据,得到风机非正常运行数据和风机正常运行数据。
3.根据权利要求1所述的风电场理论功率计算方法,其特征在于,所述对各机组机舱风速进行多重共线性检验,根据检验结果利用特征提取进行机群划分的过程包括:
计算风场所有风电机组风速序列的方差膨胀因子,根据方差膨胀因子确定各风电机组机舱风速的多重共线严重性,根据多重共线严重性,利用特征值和特征向量分析方法进行机群划分,将存在严重多重共线的风电机组归类为线性强相关机群,将其余风电机组归类为线性弱相关机群。
4.根据权利要求1所述的风电场理论功率计算方法,其特征在于,所述计算全样本机舱风速序列的列昂节夫逆阵,对风速序列进行修正求取线性强相关机群理论发电功率的过程包括:
剔除风机非正常运行数据中的风速异常数据,将处理后的非正常运行数据与正常运行数据共同组成观测矩阵,根据所述观测矩阵确定强相关机群风速序列矩阵和功率序列矩阵;
考虑风电场不同风电机组间的相互影响,确定直接作用系数和间接作用系数,根据直接作用系数和间接作用系数确定完全作用系数矩阵;
采用列昂节夫逆阵变换所述完全作用系数矩阵,除去所述完全作用系数矩阵中的虚拟矩阵得到强相关机群风速序列的完全作用系数矩阵;
利用强相关机群风速序列的完全作用系数矩阵对强相关机群风速序列进行修正,得到修正后风速序列;
对于每一台风电机组修正后的非正常数据,使用非参数回归建模方法建立模型拟合风速数据正常时的功率;
根据拟合后的结果得到线性强相关机群的理论发电功率。
7.一种风电场理论功率计算***,其特征在于,
获取模块,用于获取风机运行的原始数据;
筛选模块,用于对原始数据进行筛选,确定风机非正常运行数据和风机正常运行数据;
划分模块,用于对各机组机舱风速进行多重共线性检验,根据检验结果利用特征提取进行机群划分;
拟合计算模块,用于根据风机非正常运行数据和风机正常运行数据对划分后的机群进行线性强相关机群理论发电功率计算和线性弱相关机群理论发电功率计算;所述线性强相关机群理论发电功率计算的过程包括:计算全样本机舱风速序列的列昂节夫逆阵,对风速序列进行修正与非参数回归拟合求取线性强相关机群的理论发电功率;所述线性弱相关机群理论发电功率计算的过程包括:对于线性弱相关机群风速功率数据,按照风向、气压进行划分,采用非参数回归对划分后的风速功率数据进行拟合计算得到线性弱相关机群的理论发电功率;
确定模块,用于将所述线性强相关机群的理论发电功功率、线性弱相关机群的理论发电功率求和确定风电场理论发电功率。
8.根据权利要求7所述的风电场理论功率计算***,其特征在于,所述筛选模块包括:
调取模块,用于调取机理规则方法程序筛选风机运行的原始数据在采样、传输和存储过程中出现问题后导致的异常数据,得到风机非正常运行数据和风机正常运行数据。
9.根据权利要求7所述的风电场理论功率计算***,其特征在于,所述划分模块包括:
严重性确定模块,用于计算风场所有风电机组风速序列的方差膨胀因子,根据方差膨胀因子确定各风电机组机舱风速的多重共线严重性;
机群确定模块,用于根据多重共线严重性,利用特征值和特征向量分析方法进行机群划分,将存在严重多重共线的风电机组归类为线性强相关机群,将其余风电机组归类为线性弱相关机群。
10.根据权利要求7所述的风电场理论功率计算***,其特征在于,所述拟合计算模块包括线性强相关机群模块,所述线性强相关机群模块包括:
剔除模块,用于剔除风机非正常运行数据中的风速异常数据,将处理后的非正常运行数据与正常运行数据共同组成观测矩阵,根据所述观测矩阵确定强相关机群风速序列矩阵和功率序列矩阵;
作用系数矩阵确定模块,用于考虑风电场不同风电机组间的相互影响,确定直接作用系数和间接作用系数,根据直接作用系数和间接作用系数确定完全作用系数矩阵;
列昂节夫逆阵变换模块,用于采用列昂节夫逆阵变换所述完全作用系数矩阵,除去所述完全作用系数矩阵中的虚拟矩阵得到强相关机群风速序列的完全作用系数矩阵;
修正模块,用于利用强相关机群风速序列的完全作用系数矩阵对强相关机群风速序列进行修正,得到修正后风速序列;
拟合模块,对于每一台风电机组修正后的非正常数据,使用非参数回归建模方法建立模型拟合风速数据正常时的功率;
计算模块,用于根据拟合后的结果得到线性强相关机群的理论发电功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328782.3A CN114547829A (zh) | 2020-11-24 | 2020-11-24 | 一种风电场理论功率计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328782.3A CN114547829A (zh) | 2020-11-24 | 2020-11-24 | 一种风电场理论功率计算方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114547829A true CN114547829A (zh) | 2022-05-27 |
Family
ID=81659729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011328782.3A Pending CN114547829A (zh) | 2020-11-24 | 2020-11-24 | 一种风电场理论功率计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547829A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329251A (zh) * | 2022-10-14 | 2022-11-11 | 北京东润环能科技股份有限公司 | 风力电站的理论功率计算方法及装置 |
-
2020
- 2020-11-24 CN CN202011328782.3A patent/CN114547829A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329251A (zh) * | 2022-10-14 | 2022-11-11 | 北京东润环能科技股份有限公司 | 风力电站的理论功率计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113937763B (zh) | 风电功率预测方法、装置、设备及存储介质 | |
Cambron et al. | Power curve monitoring using weighted moving average control charts | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
CN109830979B (zh) | 一种基于时序模拟的计算及常规机组随机故障的发电***灵活性评估方法 | |
CN113536198B (zh) | 一种风电机组功率曲线异常散点识别***及方法 | |
CN107728059A (zh) | 一种变桨***状态评估方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、***、设备和存储介质 | |
CN109356798B (zh) | 一种基于协整分析的风力发电机齿轮箱状态监测方法 | |
CN111260503A (zh) | 一种基于聚类中心优化的风电机组功率曲线离群点检测方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN111340307A (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN114547829A (zh) | 一种风电场理论功率计算方法及*** | |
CN108205110B (zh) | 风力发电机组发电机故障的检测方法及装置 | |
CN110210657B (zh) | 一种基于单机模型的风机功率预测方法、***及计算机存储介质 | |
CN107909096A (zh) | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 | |
CN114912807A (zh) | 一种风电机组技改后发电量提升效果评估方法和评估*** | |
CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
Pandit et al. | Comparison of binned and Gaussian Process based wind turbine power curves for condition monitoring purposes | |
CN111178601B (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
CN110334951B (zh) | 一种风电机组高温降容状态的智能评估方法及*** | |
CN113309661B (zh) | 一种提升风力发电机组发电量的方法 | |
CN113468767B (zh) | 一种海上风电机组发电量评估方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |