具有发电量预测及跟踪控制的风力发电智能网及控制方法与流程

本发明属于风力发电技术领域，尤其涉及一种具有发电量预测及跟踪控制的风力发电智能网及控制方法。

背景技术：

当今世界面临着严重的能源危机和环境污染问题，迫使人们把目光开始转向新能源的开发和利用上来，风力资源的发掘也因此迎来了新的契机。据勘测我国风力资源丰富，可开发利用的储量约为10亿KW，主要分布在我国的西北方向，东北方向以及沿海地段。截至2011年底，我国风电装机容量占全球的40％，风电上网电量占全国发电量的1.5％。但是随着并网量的不断增加，给电力系统也带来了很大的安全隐患，因为输出功率受环境影响较大，呈现出波动性、随机性和间歇性等特点。目前，跨区域电力交易主要以年度合同为主、月度合同为辅的交易模式。风电基地风电外送也主要以长期交易为主。在签订合同的过程中必然涉及到的问题是未来一年或者一个月的需要输出的电量是多少，以便为交易提供参考。现有的技术一般是将风力发电的预测和跟踪控制技术分开的，要么只能预测，要么就是只能跟踪，所以导致的一个必然的后果是技术单一，风力资源得不到充分的利用，浪费大量的人力物力。

为了解决这些问题并充分利用风力资源，在本发明中将两项技术运用到一起，有效的整合了各种资源，提升了产能结构，有利于电站大规模的发展。建立一种可靠的预测模型以及风力发电跟踪控制装置显得相当必要。

技术实现要素：

本发明的目的在于提供一种具有发电量预测及跟踪控制的风力发电智能网及控制方法，旨在解决现有的技术将风力发电的预测和跟踪控制技术分开的，导致技术单一，风力资源得不到充分的利用，浪费大量的人力物力；而且现有技术不能有效的整合各种资源，不能提升产能结构，不有利于电站大规模发展的问题。

本发明是这样实现的，一种具有发电量预测及跟踪控制的风力发电智能网，所述具有发电量预测及跟踪控制的风力发电智能网包括：

预测单元和控制单元；所述预测单元与控制单元信号连接；

所述预测单元包括：

风力发电综合观测站，通过选择测试节点，获得历史数据、实时数据以及设备参数，并将获得的数据传给预测计算机；

预测计算机，所述预测计算机与预测电量模块连接，用于接收来自风力发电综合观测站的各种数据，并根据对数据的处理精确预测出发电量和最大功率曲线记录表，且将其分别传向预测电量模块和位于风力发电机上的微处理器；

预测电量模块，所述预测电量模块与电力调度中心连接，用于预测电量；

电力调度中心，用于接收来自预测电量模块预测的电量并进行发配电，进而保证电网的安全；

所述控制单元具体包括：

微处理器，用于每隔半小时接收并处理来自风力发电综合观测站、预测计算机、GPS以及转速传感器的数据，还用于计算实时风力发电功率并驱动跟踪控制器实现风能的充分利用；

转速传感器，用于向微处理器传输实时的风轮旋转机械角速度ω；

GPS，用于获取GPS的定位信号；

跟踪控制器，用于接收微处理器的控制指令；

最大功率曲线记录表，用于向微处理器传输输出功率参数值。

进一步，所述微处理器根据风力发电综合观测站和转速传感器传输来的实时数据，计算实时的发电功率P₁，并比较在此转速下由预测计算机传来的最大功率记录表中的数据P₂，如果P₁>P₂根据GPS的定位，将风叶平面旋转到与风向垂直的的方向，如果P₁<P₂则进入下一判断，即判断风向与旋转平面的夹角是否大于15度且长时间保持不变，如果是，则将风叶平面旋转到与风向垂直的的方向，如果不是，那么30分钟后输出实时的数据。

本发明的另一目的在于提供一种所述的具有发电量预测及跟踪控制的风力发电智能网的控制方法，所述控制方法包括以下步骤：

步骤一，收集风力发电综合观测站的数据，对数据源中的数据进行清洗、调和、导出、匹配、合并及消除重复，把经过降噪处理的数据统一存储，以此建立数据仓库；进一步对数据库中的数据进行ETL处理；

步骤二，经过处理的数据用遗传算法进行优化处理，并把得到的最优个体解码为BP神经网络的初始参数，也即为权值和阈值；

步骤三，初始化参数，进行BP训练，把历史数据作为输入向量，实时数据作为目标输出向量，训练所述的BP神经网络根据实时数据与经过训练后的BP神经网络，获得中期的发电量数据；

步骤四，计算最大功率曲线记录表，根据风力发电综合观测站传输来的历史数据；计算最大功率曲线记录表，并输出给微处理器；

步骤五，电力调度中心接收来自预测计算机的预测电量，进而实现电力的合理配送和并网的安全。

进一步，所述步骤一中清洗包括：预测计算机接受来自风力发电综合观测站的数据，根据相关性原理对其进行清洗、调和、导出、匹配、合并及消除重复，以此消除无关的和多余的数据。

进一步，所述步骤一中降噪包括清洗、调和、导出、匹配、合并及消除重复；所述步骤一中建立数据仓库为把经过降噪处理的数据进行集中存储的过程；所述步骤一中ETL处理为:把数据仓库中的数据进行抽取、转换和加载，以便于后续处理的精确应。

进一步，所述步骤二中的优化处理包括：

第一步，计算数据库中的各个个体的适应值，并保存最优适应值；

第二步，如果达到设定的进化代数或当前最优个体满足条件则进行下一步，否则进行选择、交叉、变异后返回到第一步；

第三步，将第二步中的最优个体解码为BP神经网络的初始参数。

进一步，所述收集风力发电综合观测站的数据包括：历史数据、实时数据、其它相关数据、天气因素历史数据。

进一步，所述历史数据包括：发电量历史数据、风机运转历史参数和环境因素历史数据；

所述实时数据包括：实时发电量数据、风机实时运转参数和环境因素实时数据；

所述其它相关数据主要指：风机的设备参数；

所述天气因素历史数据具体包括：温度、湿度、气压、风速、风向、降雨及空气密度。

进一步，所述计算最大功率曲线记录表，根据风力发电综合观测站传输来的历史数据，其中包括空气密度ρ、风力机桨叶扫掠面积s、风轮旋转机械角速度ω、叶片半径R以及风速v；由公式计算最大功率曲线记录表，并输出给微处理器，其中C_P是风能转换系数，λ是叶尖速比，β是桨叶节矩角。

本发明的另一目的在于提供一种应用所述控制方法的风力发电机。

本发明提供的具有发电量预测及跟踪控制的风力发电智能网及控制方法，预测计算机根据观测站传输来的相关数据首先进行ETL处理，然后用大数据处理的方法进行降维，再用遗传算法优化了的BP神经算法进行发电量的预测，并把预测值发送到电力调度中心，以便配送电力。同时预测计算机也会根据历史数据计算出相应风机的最大功率曲线记录表。控制单元包括微处理器、GPS、电机驱动装置和转速传感器，其中微处理器接收来至综合观测站、GPS转速传感器的数据并计算实时输出功率，并将此功率与来自预测计算机的最大功率曲线记录表作对比，进而根据差值决定是否通过驱动控制装置旋转风机追寻最大功率点。本发明与原有的技术相比，采用一种网络化的实时监控预测模式，不仅具有对发电量的精准预测，而且能够根据终端的实时数据自动旋转风机追寻最大功率点，从而实现对风力发电的并网安全及风能的充分利用提供了可靠的技术支持。

附图说明

图1是本发明实施例提供的具有发电量预测及跟踪控制的风力发电智能网结构示意图；

图中：1、预测单元；2、控制单元。

图2是本发明实施例提供的具有发电量预测及跟踪控制的风力发电智能网的控制方法流程图。

图3是本发明实施例提供的预测单元信号处理流程图。

图4是本发明实施例提供的控制单元信号处理流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的具有发电量预测及跟踪控制的风力发电智能网包括：

预测单元1和控制单元2；所述预测单元与控制单元信号连接；

所述预测单元1包括：

风力发电综合观测站，通过选择测试节点，获得历史数据、实时数据以及设备参数，并将获得的数据传给预测计算机；

预测计算机，所述预测计算机与预测电量模块连接，用于接收来自风力发电综合观测站的各种数据，并根据对数据的处理精确预测出发电量和最大功率曲线记录表，且将其分别传向预测电量模块和位于风力发电机上的微处理器；

预测电量模块，所述预测电量模块与电力调度中心连接，用于预测电量；

电力调度中心，用于接收来自预测电量模块预测的电量并进行发配电，进而保证电网的安全；

所述控制单元2具体包括：

微处理器，用于每隔半小时接收并处理来自风力发电综合观测站、预测计算机、GPS以及转速传感器的数据，还用于计算实时风力发电功率并驱动跟踪控制器实现风能的充分利用；

转速传感器，用于向微处理器传输实时的风轮旋转机械角速度ω；

GPS，用于获取GPS的定位信号；

跟踪控制器，用于接收微处理器的控制指令；

最大功率曲线记录表，用于向微处理器传输输出功率参数值。

微处理器根据风力发电综合观测站和转速传感器传输来的实时数据，计算实时的发电功率P₁，并比较在此转速下由预测计算机传来的最大功率记录表中的数据P₂，如果P₁>P₂根据GPS的定位，将风叶平面旋转到与风向垂直的的方向，如果P₁<P₂则进入下一判断，即判断风向与旋转平面的夹角是否大于15度且长时间保持不变，如果是，则将风叶平面旋转到与风向垂直的的方向，如果不是，那么30分钟后输出实时的数据。

如图2所示，本发明实施例提供的具有发电量预测及跟踪控制的风力发电智能网的控制方法包括以下步骤：

S101：收集风力发电综合观测站的数据，对数据源中的数据进行清洗、调和、导出、匹配、合并及消除重复，把经过降噪处理的数据统一存储，以此建立数据仓库；进一步对数据库中的数据进行ETL处理；

S102:经过处理的数据用遗传算法进行优化处理，并把得到的最优个体解码为BP神经网络的初始参数，也即为权值和阈值；

S103：初始化参数:进行BP训练，把历史数据作为输入向量，实时数据作为目标输出向量，训练所述的BP神经网络根据实时数据与经过训练后的BP神经网络，获得中期的发电量数据；

S104：计算最大功率曲线记录表，根据风力发电综合观测站传输来的历史数据；计算最大功率曲线记录表，并输出给微处理器；

S105：电力调度中心接收来自预测计算机的预测电量，进而实现电力的合理配送和并网的安全。

所述步骤一中降噪包括清洗、调和、导出、匹配、合并及消除重复；所述步骤一中建立数据仓库为把经过降噪处理的数据进行集中存储的过程；所述步骤一中ETL处理为:把数据仓库中的数据进行抽取、转换和加载，以便于后续处理的精确应。

所述步骤二中的优化处理包括：

第一步，计算数据库中的各个个体的适应值，并保存最优适应值；

第二步，如果达到设定的进化代数或当前最优个体满足条件则进行下一步，否则进行选择、交叉、变异后返回到第一步；

第三步，将第二步中的最优个体解码为BP神经网络的初始参数。

收集风力发电综合观测站的数据包括：历史数据、实时数据、其它相关数据、天气因素历史数据。

历史数据包括：发电量历史数据、风机运转历史参数和环境因素历史数据；所述实时数据包括：实时发电量数据、风机实时运转参数和环境因素实时数据；所述其它相关数据主要指：风机的设备参数；所述天气因素历史数据具体包括：温度、湿度、气压、风速、风向、降雨及空气密度等因素。

初始化参数后，进行BP训练，其步骤包括：

把历史数据作为输入向量，实时数据作为目标输出向量，训练所述的BP神经网络根据实时数据与经过训练后的BP神经网络，获得中期的发电量数据。

计算最大功率曲线记录表，根据风力发电综合观测站传输来的历史数据，其中包括空气密度ρ、风力机桨叶扫掠面积s、风轮旋转机械角速度ω、叶片半径R以及风速v.由公式计算最大功率曲线记录表，并输出给微处理器，其中C_P是风能转换系数，λ是叶尖速比，β是桨叶节矩角。

电力调度中心接收来自预测计算机的预测电量，进而实现电力的合理配送和并网的安全，加快了风力发电的商业化步伐。

本发明实施例提供预测单元的预测方法包括：

(1)收集风力发电综合观测站的数据，对数据源中的数据进行降噪处理，以此建立数据仓库；进一步对数据库中的数据进行ETL处理；

(2)经过处理的数据用遗传算法进行优化处理，并把得到的最优个体解码为BP神经网络的初始参数，也即为权值和阈值；

(3)进行BP训练，把历史数据作为输入向量，实时数据作为目标输出向量；

(4)计算隐层、输出层各单元输出值；

(5)求实时数据与输出值的差；

(6)如果满足要求则结束预测；如果不满足要求则进行权值调整；通过反向误差传到给(4)步骤。

本发明实施例提供的具有发电量预测及跟踪控制的风力发电智能网的控制方法的原理有：风力发电综合观测站向微处理器实时发送实时数据、设备参数数据，同时微处理器反馈给风力发电综合观测站风机处测试数据；

风力发电综合观测站同时向预测计算机发送实时及历史数据，设备监控数据，预测计算机同时向风力发电综合观测站发出调节指令；

预测计算机向微处理器发送最大功率曲线记录表，微处理器反馈给预测计算机设备监控的数据；

预测计算机还向风力调度中心发送预测的电量，电力调度中心进而实现电力的合理配送和并网的安全。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。