本发明涉及对具有典型风电机组的风电场系统建模和优化控制技术，基于机组级风功率预测和风电场级优化调度方法，模拟风电场场自动发电控制过程，属于能源动力和电气控制交叉的新能源发电领域内容。
背景技术：
：：能源和环境问题已成为当今世界人类面临的首要问题，风能作为可再生能源中最具开发潜力的能源形式，引起了各国政府的高度重视并纷纷加大了对风力发电的投资力度，风电产业在世界范围内迅速发展。近年来，风电产业的迅速发展，风电场的装机比例大幅增多，风电渗透率不断增加。但由于风能资源的间歇性和不确定性，以及风力发电的反调峰特性，大规模风电并网对电网电能质量造成一定影响。同时，我国电力需求放缓、风电本地消纳不足。以及部分地区配套电网建设与风电建设不协调等原因，使得弃风限电现象严重。根据国家能源局发布的2015风电产业发展情况，2015年风电新增装机容量达3297万千瓦，创历史新高，但平均利用小时数同比下降，弃风限电形势加剧，全年弃风电量339亿千瓦时，平均弃风率达15％，其中内蒙古、甘肃、新疆等地弃风现象尤为严重。当前，如何提高电网的风电渗透率以及减少弃风是我国风电行业面临的主要问题，解决途径主要从两方面入手：一是要增强电网调峰调频能力；二是要着力于改善风电质量，增强风电的可调性和可控性。国内外不少学者对含风电场的电力系统有功功率控制问题进行了研究，但普遍是以整个风电场或风电场群作为调控对象，在风电场并网运行后电网不干涉风电出力，通过调节常规能源机组、预留旋转备用容量、增加风电场储能设备等方式来平衡风电场的出力波动。这些方法没有考虑到电力系统调峰能力的限制，还会增加额外的经济投入，降低电力系统运行的经济性。未来风电在电力需求中的比重将逐渐增大，因此，必须进一步增强风电场的自动发电控制功能，要求风电场能够像火电、水电一样，能都根据电网调度指令调整场内机组出力，保证整场输出功率维持在给定水平，从根本上提高电网的风电接入能力，推进风电规模化发展的进程。为了实现风电场自动发电控制，国内外学者对风电场内机组优化调度算法展开了研究，但受制于现场测试费用昂贵、安全性无法保证等原因，本发明通过实验室内搭建的一套以功率预测和风电机组仿真模型为基础的风电场自动发电控制仿真平台，可以直观的观测风电场内机组的运行参数以辅助风电场内机组优化调度算法的开发，减少运行风险和开发周期。技术实现要素：发明目的：针对
背景技术：
：分析中现有存在的问题和不足，本发明提供一种风电场自动发电控制系统仿真平台构建方法，能够实现实验室内对风电场内机组优化调度算法的验算、风功率预算法有效性的判断和风电场内机组运行状态的模拟。技术方案：为实现上述发明目的，本发明采用以下技术方案：一种风电场自动发电控制系统测试平台，包括：风功率预测测试子系统，包括数据库模块、风功率预测算法与数据库数据交换端口模块、风功率预测算法设置模块和预测结果显示分析模块，使风功率预测算法模块与该子系统连接后可得到风功率预测测试结果；风电场优化调度子系统，包括电网调度指令设置模块、风功率预测结果读取模块、优化调度目标函数设置模块、优化算法设置模块和优化结果存储分析模块，使优化调度算法模块能得到仿真结果；风电场全过程仿真子系统，根据风力发电机单机仿真模型机，修改控制回路，采取先调节转速再变桨的限功率控制策略，建立可限功率运行的风电场仿真模型，并能够自动读取数据库中的风速、功率分配指令，并进行实时仿真，应用MATLAB结果图形显示功能，实时监测每台机组风速、转矩、转速、桨距角、发电机功率和发电机定转子电压电流的变化情况；数据库通讯子系统，基于MYSQL数据库软件，建立中心数据库以作为其他三个子系统的数据交换中心，设置数据输入输出端口，以联合三个子系统进行风电场自动发电控制系统整体仿真。有益效果：本仿真平台综合了风功率预测系统、风电场优化调度系统、风电场仿真系统，并加入了限功率控制方法，实现了风电场自动发电控制模拟仿真，可以演示任何工况下各台风机的状态参数和演变过程，同时实时演示每台风机的功率、电流、电压、转速、桨距角、转矩、叶片扭矩等物理量的变化情况。本发明可以为风力发电研究提供一个系统而全面的操作平台，在该操作平台上，以风功率预测技术为基础，可以试验不同优化调度策略的效果，为风电场自动发电控制方面研究提供一个清晰而又高效的试验方法。附图说明图1是风电场自动发电控制系统流程。图2是风电场自动发电控制系统测试平台硬件构成示意图。图3是风机运行特性曲线与控制策略示意图。图4是风电机组单机功率控制图。图5是风电机组单机控制流程图。图6是风电场电气主接线图。图7是风电机组单机仿真模型图。图8为数据库风功率预测结果图。图9为数据库风机运行状态图。图10为数据库机组功率分配指令图。图11为风电场运行仿真结果数据库存储图。图12a至图12d为风电场各机组功率输出曲线图。图13为风电场总体功率输出曲线图。图14为4号风机功率输出曲线图。图15a至图15d分别为4号风机转速、桨距角、转矩、电流图。图16为2号风机功率输出曲线图。图17a至图17d分别为2号风机转速、桨距角、转矩、电流图。图18为风电场仿真模型图。具体实施方法本发明公开了一种风电场自动发电控制系统测试平台，它是基于MATLAB软件和MYSQL数据库软件，主要针对含1.5兆瓦风电机组的风电场而建立了风力发电场全过程自动发电控制仿真平台。如图1和图2所示，该仿真平台主要由风功率预测系统、风电场优化调度系统、风电场仿真系统、数据库通讯系统组成：风功率预测系统用以预测风电场各风机功率；优化调度模块根据限电网对风电场的调度指令和机组预测功率，对场内每台机组分配风机调控指令；风电场仿真系统模拟风电场内机组运行特性，数据库通讯系统负责几个模块的数据通信。应用该仿真平台测试风功率预测方法与风电场功率调度算法的有效性，为风电场自动发电控制方法提供研究平台，节约测试成本，提高研究效率。具体地，本发明针对含1.5兆瓦风电机组的风电场而建立了风力发电场全过程自动发电控制仿真平台。具体内容包括：风功率预测测试子系统：根据数据预处理建立的训练样本数据库模块、风功率预测算法与数据库数据交换端口模块、风功率预测算法设置模块、预测结果显示分析模块等，使风功率预测算法程序与该子系统简单连接即可快速简便得到风功率预测测试结果。风电场优化调度子系统：电网调度指令设置模块、风功率预测结果读取模块、优化调度目标函数设置模块、优化算法设置模块、优化结果存储分析模块等，使优化调度算法程序能快速简便得到仿真结果。风电场全过程仿真子系统：根据风力发电机单机仿真模型机，修改控制回路，采取先调节转速再变桨的限功率控制策略，忽略风电场内集电线路损耗等情况，建立可以限功率运行的风电场仿真模型，并能够自动读取数据库中的风速、功率分配指令，并进行实时仿真，应用MATLAB结果图形显示功能，实时监测每台机组风速、转矩、转速、桨距角、发电机功率、发电机定转子电压电流等物理量的变化情况。数据库通讯子系统：基于MYSQL数据库软件，建立中心数据库以作为其他三个子系统的数据交换中心，设置数据输入输出端口，以联合三个子系统进行风电场自动发电控制系统整体仿真。在某一实施例中，风电场自动发电控制系统测试平台建立了风电场自动发电运行全过程的模型和测试接口，以四台计算机为基础，每台计算机负责一个子系统的运行，可以计算多种工况下不同风功率预测算法和优化调度算法的风电场运行仿真结果，演示每台风机的状态参数和演变过程。应用该仿真平台测试风功率预测方法与风电场功率调度算法的有效性，为风电场自动发电控制系统开发提供研究平台，节约测试成本，提高研究效率。一、整个系统包括四个子系统，具体内容为：风功率预测测试子系统：根据数据预处理建立的训练样本数据库模块、风功率预测算法与数据库数据交换端口模块、风功率预测算法设置模块、预测结果显示分析模块等，使风功率预测算法程序与该子系统简单连接即可快速简便得到风功率预测测试结果。风电场优化调度子系统：电网调度指令设置模块、风功率预测结果读取模块、优化调度目标函数设置模块、优化算法设置模块、优化结果存储分析模块等，使优化调度算法程序能快速简便得到仿真结果。风电场全过程仿真子系统：根据风力发电机单机仿真模型机，修改控制回路，采取先调节转速再变桨的限功率控制策略，忽略风电场内集电线路损耗等情况，建立可以限功率运行的风电场仿真模型，并能够自动读取数据库中的风速、功率分配指令，并进行实时仿真，应用MATLAB结果图形显示功能，实时监测每台机组风速、转矩、转速、桨距角、发电机功率、发电机定转子电压电流等物理量的变化情况。数据库通讯子系统：基于MYSQL数据库软件，建立中心数据库以作为其他三个子系统的数据交换中心，设置数据输入输出端口，以联合三个子系统进行风电场自动发电控制系统整体仿真。二、整个系统的建立主要步骤如下：1.建立中心数据库，名称为windfarm_agc，通过操作系统命令，获取中心数据库台式机IP地址、用户名称、用户密码等信息；在数据库中建立表格，用以存储风功率预测系统、风电场优化调度系统、风电场仿真系统数据；2.从风电场获取风电机组运行的长时期历史数据和中尺度数据，对相关数据进行预处理，并将处理后数据置入数据库中存储，编写Matlab读取和写入Mysql数据的代码文件；3.读取Mysql数据库中数据并转化为matlab的变量数据，采用一定的方法建立相关参数对风功率的预测模型，获得每台机组未来一段时间内的功率预测数据，并将数据返回数据库存储，本发明演示以径向基函数方法为例；4.读取Mysql数据库中数据并转化为matlab的变量数据，设置优化调度目标，根据风电场优化调度算法计算每台风电机组的控制指令，将控制指令数据返回数据库存储，本文以比例分配方法为例。5.以S-functions文件方式编写Matlab/Simulink读取和写入数据到Mysql的代码文件，其中从数据库读取的离散数据作为周期内的平均值变换为仿真的随时间变化的连续信号，；即近似阶跃信号的连续信号，以时间点的瞬时值作为写入数据库的数据值。6.读取每台机组的控制指令数据，在Matlab/Simulink搭建的风电场仿真模型上运行仿真，将运行特性参数和仿真结果返回数据库存储，同时Matlab中以图表方式显示运行结果。1.建立中心数据库访问MYSQL的官方网站(http://mysql.com/),下载并安装MYSQL数据库软件和MYSQL_Workbench图形管理工具。配置数据库，并设置数据库名称：root密码：123456获取本机IP。基于windows系统，在开始菜单——选择运行——输入“cmd”,在弹出的命窗口输入命令：ipconfig/all，读取本机IP；建立用户数据库并添加相应表。在MYSQL中创建数据库windform_agc，并运行matlab中的table_creat.m文件建立表，其表格名称与功能如表1所示，表1数据库表格名称与功能对照表表格名称功能表格名称功能V_speed历史风速数据V_direction历史风向数据P_history历史功率数据P_command电网调度指令P_forecast预测功率数据S机组运行状态V_real实际运行风速P_ref机组分配指令P_real实际运行功率举例P_ref表格结构如表2所示。表2表格结构TimeStamp1#2#3#4#5#6#7#8#9#10#datetimefloatfloatfloatfloatfloatfloatfloatfloatfloatfloat2.建立风功率预测样本数据库a)针对风电场采集数据，进行代表年选取，数据时间间隔确定与处理。b)判断数据有效性。选择风速、风向、风功率作为风功率预测相关物理量，其中，风速要求在0～40m/s，风向要求在0～360°，功率要求在装机容量范围内，以此确定选用的数据段。c)数据补全。当风速风向等存在数据缺失时，占数据段1％以内的缺失数据可选取相邻前后时刻的数据求平均值进行补全，超过数据段1％的缺失数据则选取相邻前后天同时刻的数据求取平均值进行补全。d)针对中尺度数据进行相关性分析。选取测风塔附近4个网格中心的中尺度数据，分析测风塔数据与中尺度数据选取处理后的数据相关关系，对测风塔实测数据进行修正。e)数据导入数据库。Excel格式的数据块拷贝到到一个新建的表格工作薄，然后“另存为”－》“文本文件(制表符分割)(*.txt)”，保存到“D:\data.txt”这个位置里。然后使用命令：loaddatalocalinfile'D:\data.txt'intotableexceltomysqlfieldsterminatedby'\t'；将excel数据导入MYSQL。风速值导入V_speed表、风向值导入V_direction表、功率值导入P_history表。3.Matlab与MYSQL建立连接a)采用jbdc方法驱动Matlab软件连接数据库：将mysql-connector-java-5.1.7-bin.jar文件拷贝到MATLAB\R2009a\java\jar\toolbox，到......\MATLAB\R2009a\toolbox\local目录下，找到classpath.txt文件，打开，并添加用来加载mysql的jdbc驱动语句：$matlabroot/java/jar/toolbox/mysql-connector-java-5.1.7-bin.jarb)驱动程序安装成功后，接来下要是matlab连接mysql数据库的代码：conn＝database('databasename','username','password','driver','databaseurl')连接成功后，返回连接对象。在matlab工作空间中查询conn变量，变量的AutoCommit值为“on”则表明连接成功。4.以径向基函数网络为例预测功率a)径向基函数网络，径向基函数网络(Radialbasisfunctionnetwork，RBF)是一种前馈式、以径向基函数为核心的三层神经网络，网络结构简单、学习收敛速度快使RBF网络得到了广泛的应用，作为简单的神经网络算法，将其作为风功率预测子系统的测试算法使用，具体细节不再阐述。b)数据归一化处理。采用线性函数对每组数据组进行转换，公式如下：b＝(a-maxa)/(maxa-mina)，其中，a、b分别为转换前、后的值，maxa、mina分别为样本的最大值和最小值，以消除数据量纲的影响，避免某输入量所占权重过大的现象。c)数据从MYSQL读入Matlab，采用径向基函数神经网络训练样本，并对目标时刻的功率进行预测，循环预测获得直至风电场每台机组的预测功率，并将预测功率数据导入MYSQL保存至表P_forecast。5.风电场功率优化调度目标a)综合化的机组疲劳系数：某风电机组i在t时刻的机组疲劳系数可定义为：其中，Fpi(t0)为机组在t0时刻的疲劳系数；对输出功率积分的部分表示继续发电导致的工作疲劳；最后一部分表示紊流导致的疲劳。Pi(t)是机组t时刻的输出有功功率；Pirate为机组额定功率；Tiser为机组的设计使用寿命，一般为20年；Mirep为该机组的维护补偿系数，一般取0到1之间的值；Ddis为风电场紊流疲劳当量系数；Iieff(t)为机组在t时刻的有效紊流强度，可由公式2确定：其中，Iia(t)是风电机组i在t时刻的环境风紊流强度，Iiw(t)是尾流紊流强度。vi(t)是该机组t时刻轮毂高度处的风速，Iref是轮毂高度处风速为15m/s时的紊流强度基准值，复杂地形风电场中一般取0.16，Si为该机组的风轮扫掠面积，CiT(t)为机组此时的推力系数，根据叶素动量理论，推力系数与风能利用系数存在一定关系：其中，Cip(t)为机组在t时刻的风能利用系数，ai为轴向诱导因子，且0≤ai≤0.5，ρ为空气密度。采取疲劳最小的优化函数模型为：采取全场疲劳平均的优化函数模型为：Fp,i(tT+1)为某风电机组在tT+1时刻的机组疲劳系数，表示风电场内各风电机组在tT+1时刻疲劳系数的平均值。b)风电场发电成本：风电场的发电成本主要包含风电场的建设成本、机组运行维护成本、控制器动作损耗成本、电网惩罚费用成本等部分。风电场的建设成本F1主要指风力机、发电机、电缆、主控系统等设备的运输和安装费用，可表示为：F1,T+1＝a0(6)其中：a0为风电场建设成本。机组运行维护成本F2指风电场并网发电后的运营成本，包括设备维修费、保险费、管理费、员工工资福利费等费用，可表示为：其中：a1由机组运行维护成本折算得到；N为风电场内机组台数；Pseti,T+1为下一周期风电场有功功率控制系统分配给第i台风电机组的限功率指令；Si,T+1表示下一周期第i台风电机组的启停机情况，Si,T+1＝1表示风电机组正常运行并网，Si,T+1＝0表示风电机组切机离网。控制器动作成本F3指风电场中央控制系统、风机就地控制系统中的监测器和控制器动作时的功耗及设备损耗，还包括启停机损耗，可表示为：其中：a2由各路控制器的动作成本折算得到；Pi,T为当前机组i输出的有功功率；a3根据风电场机组的开停机耗损量化得到；表示布尔运算，即当本周期风电机组i的启停状态与下一周期的启停状态相同时，运算结果为0，当本周期风电机组i的启停状态与下一周期的启停状态不同时，运算结果为1。电网惩罚费用F4指的是风电场出力不满足电网调度要求时，电网对风电场的惩罚费用，与风电场实际出力和电网调度值之间的差值成正比，可表示为：其中：a4反映风电波动对电力系统造成的运行负担；Psetfarm,T+1为下一周期电网调度部门下发给风电场的有功出力指令。综上，风电场在下一周期内的单位发电成本可由下式计算得到：采取风电场发电成本最低的优化目标是：min{fT+1}(11)c)多目标组合优化：风电场限功率运行时，综合考虑风电场疲劳分布和发电成本的数学模型为：其中，η1、η2分别为风电场疲劳分布与风电场发电成本的权重；6.风电场功率优化策略风电场优化调度算法，考虑上述优化目标可以采用基于智能优化算法，例如：遗传算法、粒子群算法、模拟退火算法以及其改进算法等，也可以不考虑上述优化目标，仅采用简单的固定比例分配、变比例分配、平均分配等方法，采用不同的算法计算可以进行对比分析。本文以固定比例分配方法为例：式中：Piref为机组i的有功分配指令；Pc、分别表示风电场电网调度指令和机组i的功率预测值。所有相关数据均需要与中心数据库系统进行数据交换，机组功率分配指令Piref数据导入数据库中进行存储，为风电场AGC限功率控制仿真使用。7.风电机组功率控制方法风力机的运行特性如下：定义风能利用系数CP为风力机最大出力Pmax为式中：P表示风力机气动功率；ρ表示空气密度；v表示风速；S表示风轮扫略面积。图为一定风速下风机运行特性曲线与控制策略示意图，传统最大风功率追踪曲线为A—B1—C1曲线，ωb为机组转速允许最大值，传统的控制策略为沿着C1—B1—A曲线运行实现最大风功率追踪，Pmax为该风速下风力机功率输出最大值。在额定风速以下，为实现机组限功率控制，采用优先调节转速，当转速达到最大值时调节桨距角的方法。其采控制策略及调节方式如图3所示。(1)风速不变情况下，限功率指令为Pset1，控制发电机增大转速，风电机组运行状态A—B，转速没有达到最大值ωb，不需要变桨距调节。(2)风速不变情况下，限功率指令为Pset2，控制发电机增大转速，风电机组运行状态为A—D，此时机组转速达到最大值ωb，保持转速不变，进行变桨距调节，桨距角β1调节至β2，运行状态为D—C。为了实现机组的限功率控制，在传统的控制策略的基础上，设计了限功率控制器。控制逻辑为：P*＝Pref,Popt＞Pref(16)P*＝Popt,Popt≤Pref(17)式中，P*为发电机有功功率参考值，Popt为风电机组当前风速下的最大出力，Pref为风电场下发至机组的调度指令。额定风速以下，当风电机组调度指令Pref大于最大出力Popt大于时，参考功率为机组最大出力，机组最大风功率追踪运行；当调度指令小于最大出力时，参考功率为机组调度指令，机组采取限功率控制，优先增大转速必要时配合桨距调节稳定机组出力。其控制流程图如图4和图5所示。7.风力发电机仿真模型建立在已建立风力发电机组单机控制模型，包含完整的风力发电机组的全部机理模型，分为风轮系统—传动系统—发电机—变流器及控制系统四个部分，以1.5MW风电机组为例，在Matlab/Simulink中搭建其仿真模型。其各系统数学原理如下：a)风轮系统—风力机空气动力学模型风力机从气流中捕获风能，是风力发电机组的原动件。风力机建模是进行风电机组建模的基础。根据Betz理论，风力机捕获的机械功率Pwt和机械转矩Twt分别为：Twt＝Pwt/ωwt＝ρACp(λ,β)v3/2ωwt(19)其中，λ为叶尖速比，即λ＝2πRnwt/v＝ωwtR/v；β为桨距角；ρ为空气密度；A为风轮扫掠面积；v为风速；ωwt为风力机的角速度；Cp(λ,β)一般常由经验公式给出：其中λi满足：式中，c0，c1…c5，b0，b1均为常数。本章采用：c0＝0.5176，c1＝116，c2＝-0.4，c3＝-5，c4＝-21，c5＝0.0068；b0＝0.08，b1＝-0.035。即：b)传动系统模型传动系统是风轮空气动力子系统和发电机子系统的机械连接系统。传动系统由低速轴、齿轮箱和高速轴构成，低速轴连接风轮转子，高速轴连接发电机转子，因此有时候也把风轮转子和发电机转子纳入传动系统中。本章建立风机模型时，将传动系统各部件看作刚性连接，等效成一个质量块，认为传动系统是刚性的。高速轴转速与低速轴转速呈固定比例，风力机气动转矩与发电机电磁转矩之间的不对等，是导致风轮转速和发电机转子转速的变化的根本原因。传动轴系的刚性模型为：式中，Twt为风力机风轮机械转矩，TG为发电机电磁转矩；ωwt为风轮转速，ωG为发电机转子转速；Jwt为风轮转动惯量，JG为发电机转动惯量，J1为低速轴转动惯量，J2为高速轴转动惯量；Jl为系统的转动惯量折算到低速轴侧的等效转动惯量，Jh为系统转动惯量折算到高速轴侧的等效转动惯量；η为传递效率；Kg为齿轮箱固定传动比。c)双馈风力发电机模型三相静止坐标系下的双馈电机数学模型具有较强的非线性和耦合性，难以控制。因此在电机学上基于在不同坐标系下所产生的磁动势完全一致的原则，通过坐标变换，使得两相绕组之间没有磁的耦合，以简化双馈风力发电机的数学模型。本模型采用两相同步旋转dq坐标系，即将异步电机的空间矢量模型分解至固定在定子电压方向上的d轴和逆时针超前d轴90°电角度的q轴，得到dq轴模型：1、电压方程式中：uq1、ud1、uq2、ud2分别为定子、转子电压的q轴、d轴分量；iq1、id1、iq2、id2分别为定子、转子电流的q轴、d轴分量；Lm为dq坐标系定子与转子同轴等效绕组间的互感；L1为dq坐标系定子等效两相绕组的自感；L2为dq坐标系转子等效两相绕组的自感；ω1为发电机同步转速，ωs为dq坐标系相对于转子的电角速度；R1、R2分别为定子、转子电阻；p表示微分符号d/dt。2、转矩方程式中：TG为发电机的电磁转矩，np为发电机极对数。3、运动方程式中，Twt为风力机提供的机械转矩，JG为发电机转动惯量，ωm为转子机械转速。4、功率方程定子侧向电网输出功率为：d)变流器模型双馈风力发电机变流器是实现机组变速恒频交流励磁的核心部件，本节采用背靠背电压源变流器，一般分为电机侧变流器和网侧变流器。发电机亚同步运行时，电机侧变流器作逆变器，输出电能至转子；发电机超同步运行时，电机侧变流器作整流器，从转子中吸收能量，输出电能至电网；发电机同步运行时，输出直流励磁电流至转子。网侧变换器与电机侧变换器相互协调，实现电能双向流动。同步旋转dq坐标系下变流器的数学模型为：其中：ugd、ugq分别是电网电压的d轴、q轴分量；igd、igq分别是输入电流的d轴、q轴分量；vgd、vgq分别是变换器中交流侧输出电压的d轴、q轴分量；Sd、Sq分别是开关函数的d轴、q轴分量；ω1为电网电压的角速度；C为直流母线滤波电容；R、L分别为输入回路等效电阻、电感；iload为负载电流。同时其有功无功控制采用基于定子磁链定向的功率外环、电流内环双回环控制，此处不再赘述。8.风电场仿真模型建立风电场内机组一般沿风向纵向排列。每台风机出口处连接变压器(0.69V/10kV)，若干台风电机组并联构成一条输电线路，再次升压后与35kV母线相连，多段35kV母线并联连接220kV主变压器最终并入电网。其电气主接线结构如图6所示。在单机仿真模型的基础上，忽略风电场内集电线路损耗，风电场内变压系统损耗，变压器简化为机组变压器和主变压器两种，默认每台机组可以直接与电网连接，电网为无穷大系统，以风电场内含10台1.5MW机组为例，建立风电场仿真模型，通过该模型仿真每台机组在限功率控制条件下的运行特性，以检测机组功率分配策略和算法的有效性，该模型可以通过示波器实时观测每台机组的功率、转速、桨距角、电压、电流等参数的变化。目前有关风电领域的建模与仿真，主要还集中在单个机组的精细化建模方面，其中应用matlab软件建模的成果主要有GE公司的re_dfig模型和Simulink官方人员搭建的Wind_Turbine_Model模型；在对整个风电场做仿真分析时常采用等效法，将单机模型容量增加为整个风电场容量，并等效为风电场的出力特性。但这些方法都无法读取风电场运行期间每台机组的功率、电流、电压、转速、桨距角、转矩、叶片扭矩等物理量的变化情况。9.数据库数据与MATLAB数据处理方法为了实现Simulink数据与MYSQL数据之间的通讯，编写数据库读出程序和数据库写入程序，在Simulink中以S-functions的方式进行编码，运行文件为TableReader.m和TableWriter.m，由于数据库中数据为离散型数据而仿真数据为连续型数据，读取数据采用线性插值方式，将离散数据转化为连续型数据；写入数据采用时间域内取平均的方法，将连续型数据转化为离散数据。10.仿真平台应用实例本发明可以为风力发电研究提供一个系统而全面的操作平台，在该操作平台上，以风功率预测技术为基础，可以试验不同优化调度策略的效果，为风电场自动发电控制方面研究提供一个清晰而又高效的试验方法。以甘肃某风电场10台1.5MW风机实际运行数据为基础，假设电网对风电场下达的调度指令为2500KW，风功率预测方法采用测试版的RBF神经网络算法，优化调度采用前文所述比例分配算法，根据风功率预测结果和假定风机运行状态，采用功率比例分配策略分配机组功率指令，以1min为周期，运行10个周期风电场运行仿真结果。风电场仿真模型的输入曲线为按照周期变化的阶跃信号，仿真得到10台机组的输出功率曲线为附图13所示，其值没有达到电网调度指令2500KW，对每台机组运行结果进行分析：为查找问题所在，首先按照每台风机运行数据排查。举例4号风机运行数据，其实际功率输出与目标功率指令吻合良好，机组限功率运行状况良好，机组的桨距角、转速、转矩、电压、电流输出，排除4号风机。举例2号风机运行数据，其实际功率输出与目标功率在某些周期存在偏差，机组的距角、转速、转矩、电压、电流输出，通过分析，其某些时刻预测功率大于该时刻实际风速所能产生功率最大值，因此2号风机发电功率小于功率指令，其输出问题出现在功率预测误差。其次按照运行周期数据进行排查，观察运行曲线，发现第6-7周期机组运行数据普遍偏低，该时刻预测功率之和小于2500KW，按照比例分配方法，每台机组分配的功率指令都会偏高，其输出问题出现在风电场功率调度优化算法。通过上述实例，发现基于风功率预测的风电场自动发电控制方法中，风功率预测效果和风电场功率调度优化算法均存在不合理性，需要进行进一步改进。通过该仿真平台，可以直观有效观测风电场内机组的运行参数，发现风功率预测方法和优化算法存在的问题，辅助风电场内机组优化调度算法的开发，减少运行风险和开发周期。以上详细描述了本发明的对算法测试实施方式，但是，本发明并不限于上述实施方式中的具体细节，本发明旨在为风功率预测算法和优化调度算法的开发提供一个测试平台，其具体的风功率预测算法和优化调度算法不在本发明权益要求范围内。当前第1页1 2 3 当前第1页1 2 3