本发明属于风电发配电技术领域,涉及一种基于运行数据的风电利用率计算方法。
背景技术:
随着风电的快速发展,其间歇性和随机性的特点导致了风电弃风限电现象日益严峻,严重影响到风电场真实出力情况的评价以及对风电、电网发展的科学规划。弃风限电是基于电网的运行原理,在风电大发期间,为保证电网的安全稳定运行,在一定程度上限制风电出力的情况。如何通过技术手段恢复弃风限电期间的风电理论出力,改进并提高风电场理论功率恢复精度,进而计算出准确的弃风情况及风电利用情况,对于风电利用率的可靠计算,进而合理评价风电场/群运行的安全性和经济性、科学衡量风电消纳情况等实际问题具有重大的理论研究价值和应用指导意义。
风电理论功率恢复是风电利用率计算中的关键步骤。目前,国内风电行业对计算风电理论功率还没有形成标准。现有的计算方法一般是直接采用风机的出厂功率曲线作为理论功率计算曲线,但由于出厂功率曲线是在严格的试验条件下得到的,易受天气状况、地形和风机自身出力特性变化等影响,因而计算误差较大。
技术实现要素:
本项发明利用无弃风条件下风电机组的实际运行数据,通过异常数据剔除、缺失数据重构等数据质量控制手段获取有效的风速、功率、风轮转速等实际运行数据。在此基础上,分别对不同型号的风电机组建立相应理论功率计算模型。然后,根据风速测量数据,分别恢复特定型号每台风机的理论功率。最后,通过累加得到风电场的理论功率,进而实现风电利用率的准确计算及风电利用情况的合理评价。基于运行数据的风电场理论功率恢复方法将为风电利用率的计算提供一种有效途径,也将为风电场运行情况评估和风电、电网的规划发展提供合理手段和科学依据。
本发明的具体技术方案是:
一种基于运行数据的风电利用率计算方法,其特征在于,所述方法包括以下步骤:
1)基于风机运行原理对异常数据进行初步筛选剔除;
2)采用参数优化的四分位法进一步剔除异常数据;
3)采用聚类算法深入剔除异常数据;
4)采用分段hermite插值进行缺失数据重构;
5)建立相关型号风电机组的理论功率计算模型及风电场理论功率恢复;
6)风电利用率相关指标计算。
进一步,所述步骤1)包括:
s101:根据风机运行原理将其划分为5个运行区间:
区间1:0≤v<vcut_in,
区间2:
区间3:
区间4:vrated≤v<vcut_out,
区间5:v≥vcut_out,
其中,v为测量风速,vcut_in为切入风速,
s102:同一时间段下,基于相同采样周期获取v、ωr和p的时间序列,定义数据点(v,ωr,p),基于风机运行原理得到如下数据初筛剔除原则:
a.当0≤v<vcut_in时,
b.当
已知最优叶尖速比λopt时,风机的理论最优转速
c.当
d.当vrated≤v<vcut_out时,
进一步,步骤2)中所述四分位法为:根据采集到的v、ωr和p数据,建立三维散点图,对上述三维数据运用四分位法得到某维数据的有效取值范围[fl,fu]=[q1-μiqr,q3+μiqr],有效取值范围外的数据视为异常值进行剔除。其中,f1、fu为数据有效取值范围的上下界限;沿单维坐标方向对该维数据值排序,然后依据数据点个数将其均匀划分为四部分,由此得到三个四分位数q1、q2、q3;iqr=q3-q1是四分位距,μ为四分位系数,通常取1.5;
所述步骤2)中的参数优化为:为了保证四分位系数μ取值的合理性,采用粒子群算法对μ的取值进行寻优,寻优过程如下:
s201:在v、ωr和p组成的三维数据空间中,在v、ωr和p方向上分别设定μv、
s202:初始化一组μ值的位置和速度,在第t次寻优迭代的过程中,μ的位置表示为
s203:得到一组μ值后,就可以确定各维坐标方向有效数据的取值范围;然后,对未更新前的某型号风机理论功率计算模型进行检测,将三维有效数据中的风速值带入模型,得到该模型下的理论功率,计算该模型下的理论功率与三维有效数据中实测功率值的相关性r;
定义相关性系数
其中,pmk为第k个样本的实际功率;ppk为第k个样本的理论恢复功率;
s204:在每一次迭代中,μ通过跟踪两个极值来更新本身的速度和位置,一个极值是μ本身迄今为止搜索到的最优解,称为个体极值,表示为:
在第t+1次迭代计算时,μi_labe根据以下规则来更新自己的速度和位置:
vi_labe(t+1)=αvi_labe(t)+c1r1(μi_labe(t)-xi_labe(t))+c2r2(μg_labe(t)-xi_labe(t))
xi_labe(t+1)=xi_labe(t)+vi_labe(t+1)
其中,i=1,2,…,m;下标labe可分别代表v、ωr和p;α为惯性权重,其主要是作用是为了权衡全局搜索和局部搜索的能力,α(α<0.8)较小时,其局部搜索能力较强,而α(α>1.2)较大时,其全局搜索能力较强,且总是搜寻新的区域;c1,c2是两个学习因子,通常二者均取为2;r1,r2是两个均匀分布在[0,1]之间的随机数。
s205:μ每更新一次,即依据s203得到一个r值,当r值达到最大值或满足要求时,迭代达到最优,迭代结束。
进一步,步骤3)中对于由v、ωr和p组成的三维数据,根据机组的运行情况初始化产生kclus个聚类中心,通过计算所有数据点到聚类中心的距离对数据进行重新分类,将数据划分到离它最近的那个聚类中心所在的类中,并根据划分好的类产生新的聚类中心;如此反复进行,直到满足距离评价指标
进一步,所述步骤4)中:对于非连续的缺失点,直接运用缺失点两端的节点,建立三次hermite插值多项式,进行缺失值的填补;对于连续的缺失点,采用分段三次hermite插值法,先由缺失数据段两端的节点填补最中心的缺失值,将缺失数据分成两段再依次进行最中心缺失数据的填补。
进一步,所述步骤5)中:根据风机型号建立相应理论功率计算模型,通过累计得到风电场理论功率。风机理论功率计算模型的建立按如下步骤进行:
s501:采用bin方法将处理过的数据按风速间隔τm/s得到nbin个区间划分;
s502:求出各个小区间内风速和功率的平均值,得到对应的点(vi,pi),i=1,2,…,nbin;
s503:采用最小二乘法对所有点(vi,pi)进行曲线拟合,得到某种型号风机的单机理论功率计算模型为
其中,prated为常数,是风机的理论功率最大值;p为功率;v为风速;aj(j=0,1,…,6)为多项式系数。
为了保证模型的有效性,采用滑动窗口法更新数据;记窗口长度即模型所用的数据长度为l,上一模型建模点为xt-t,模型更新周期为t,则当前建模点为xt,建模数据为从建模点xt开始至向后长度为l的数据。
为了评价理论功率恢复精度,采用相关性系数、理论功率恢复准确率和理论功率恢复均方根误差作为衡量理论功率恢复精度的指标;相关性系数的定义参考s203中相关性系数的定义,它反映了两个变量之间的相关性,理论功率恢复准确率和理论功率恢复均方根误差能够反映理论功率恢复情况。
定义功率恢复准确率为
定义功率恢复均方根误差为
其中,pmk为第k个样本的实际功率,ppk为第k个样本的理论功率,n为样本个数,pcap为风电场额定装机容量。
进一步,所述步骤6)中,对风电场的实测功率进行积分可以得到风电场实际发电量;根据各风机实测风速值和不同型号风机理论功率计算模型得到的各风机的理论功率并累加得到风电场的理论功率,然后,通过积分得到相应的风电场理论发电量;上述内容用公式表达如下
其中,gprac为风电场实际发电量,t0为初始时刻,tinte为积分时间,pprac(v(t))为风电场实际功率,gtheo为风电场理论发电量,ptheo(v(t))为风电场理论功率。
定义弃风率ρ为
其中,gtheo为理论发电量,gprac为实际发电量;
定义最优风电利用率η为
其中,g′theo为每月理论发电量,g′full为每月满发电量;
定义统计时间段内的最大极限风电利用率为
ηmax=max(η)
定义统计时间段内的最小极限风电利用率为
ηmin=min(η)
根据定义,利用上述计算得到的风电场理论发电量、实际发电量和额定装机容量等,可以分析并评价风电场的风电利用情况。
与现有技术相比,本发明具有以下有益效果:
(1)本发明的方法以风电场scada系统记录的运行数据为基础,依据各型号风电机组的历史运行数据,对弃风限电等引发的异常数据进行剔除,对缺失数据进行填补,避免了机组检修、故障、限电等情况下对风电利用率计算带来的偏差等不利影响。如图2所示为三维原始采样数据,图3为三维原始数据经过异常数据剔除后的效果图,图4为风速、功率在相应单维坐标方向经过缺失值填补后组合成的二维散点图。通过这3幅图可以看出采用一系列数据质量控制手段进行异常数据剔除和缺失值填补后地处理效果。
(2)本发明方法基于不同型号风机的历史运行数据,对不同型号风机单独建立相应理论功率计算模型。在此基础上,恢复每台风机的理论功率并进行累加,从而得到风电场理论功率,准确度更高。图5为根据风机型号建立的单机理论功率计算模型,其数学表达是如下
其中,prated为常数,是风机的理论功率最大值;p为功率;v为风速;aj(j=0,1,…,6)为多项式系数。
(3)本发明在风电场理论功率计算的基础上,给出了衡量风电利用率的计算指标:相关性系数、理论功率恢复准确率和理论功率恢复均方根误差,合理解决了风电利用率的评价问题。
(4)本发明的方法基于风电场scada系统的记录数据,提出的风电场理论功率计算方法为风电利用率的计算提供了一种有效的途径,也为风电场运行情况的评估、风电与电网的规划发展等提供了科学的依据。
附图说明
图1所示为风电利用率计算方法的实施步骤示意图。
图2为采集到的单机原始风速、功率、风轮转速的三维数据。
图3为采集到的单机原始风速、功率的二维数据。
图4为原始数据经过异常数据剔除后的风速、功率、风轮转速的三维数据。
图5为原始数据经过异常数据剔除后的风速、功率二维数据效果图。
图6为风速、功率在单一方向经过缺失值填补后组合成的二维散点图。
图7为利用bin方法得到的风电单机理论功率计算模型。
图8为采用滑动窗口法的建模数据更新机制。
具体实施方式
下面结合附图,对本发明进一步详细说明。
某一风电场拥有30台1.5mw的风电机组,采样周期为5min/点,研究数据为2015年1月1日至2015年12月31日采集到的数据。
如图1所示为风电利用率计算方法的实施步骤示意图,图2为采集到的单机原始风速、功率、风轮转速数据,图3为采集到的单机原始风速、功率数据,一种基于运行数据的风电利用率计算方法具体包括以下步骤:
步骤一:基于风机运行原理的异常数据初筛剔除,异常数据占数据总量的比例越小,采用数据预处理方法进行异常数据剔除的准确度越高。根据风机的运行机理,可对异常运行数据进行初步筛选和剔除。根据风机的运行机理,将风机的运行区间及运行特征分为如下5个区间:
区间1:0≤v<vcut_in,
区间2:
区间3:
区间4:vrated≤v<vcut_out,
区间5:v≥vcut_out,
然后,分别采集相同时间段下相同采样周期的v、ωr和p的时间序列,通过风机运行原理分析得到如下数据剔除原则:
a.当0≤v<vcut_in时,
b.当
已知最优叶尖速比λopt时,风机的理论最优转速
c.当
d.当vrated≤v<vcut_out时,
综上,根据上述剔除原则对异常数据进行初步筛选和剔除,提高有效数据在总数据量中的占比。
步骤二:采用参数优化的四分位法进一步对异常数据进行剔除。
经过数据初筛,保留的数据点中有效数据比例大大增加,但是依然存在可观的异常数据点。进一步地,基于三维散点图,对三维数据进行四分位法异常数据剔除;同时,采用粒子群算法对四分位参数进行优化。
根据采集到的v、ωr和p数据,建立三维散点图,对三维数据运用四分位法得到数据的有效取值范围[fl,fu]=[q1-μiqr,q3+μiqr],并将有效取值范围外的数据视为异常值进行剔除;其中,f1、fu为数据有效取值范围的上下界限;沿单维坐标方向对该维数据值排序,然后依据数据点个数将其均匀划分为四部分,由此得到三个四分位数q1、q2、q3;iqr=q3-q1是四分位距,μ为四分位系数,通常取1.5;
为了保证四分位系数μ取值的合理性,采用粒子群算法对μ的取值进行寻优,寻优过程如下:
在v、ωr和p组成的三维数据空间中,在v、ωr和p方向上分别设定μv、μωr和μp,其取值范围均为[a,b],组成三维空间中的点μ=(μv,μωr,μp),在三维空间中随机产生m个粒子,这些粒子代表μ的取值;
初始化一组μ值的位置和速度,在第t次寻优迭代的过程中,μ的位置表示为:
得到一组μ值后,就可以确定各维坐标方向有效数据的取值范围;然后,对未更新前的某型号风机理论功率计算模型进行检测,将三维有效数据中的风速值带入模型,得到该模型下的理论功率,计算该模型下的理论功率与三维有效数据中实测功率值的相关性r;
定义相关性系数
其中,pmk为第k个样本的实际功率;ppk为第k个样本的理论恢复功率;
在每一次迭代中,μ通过跟踪两个极值来更新本身的速度和位置,一个极值是μ本身迄今为止搜索到的最优解,称为个体极值,表示为:
在第t+1次迭代计算时,μi_labe根据以下规则来更新自己的速度和位置:
vi_labe(t+1)=αvi_labe(t)+c1r1(μi_labe(t)-xi_labe(t))+c2r2(μg_labe(t)-xi_labe(t))
xi_labe(t+1)=xi_labe(t)+vi_labe(t+1)
其中,i=1,2,…,m;下标labe可分别代表v、ωr和p;α为惯性权重,其主要是作用是为了权衡全局搜索和局部搜索的能力,α(α<0.8)较小时,其局部搜索能力较强,而α(α>1.2)较大时,其全局搜索能力较强,且总是搜寻新的区域;c1,c2是两个学习因子,通常二者均取为2;r1,r2是两个均匀分布在[0,1]之间的随机数。
μ每更新一次,就可以根据前述相关性系数定义得到一个r值,当r值达到最大值或满足要求时,迭代达到最优,迭代结束。
步骤三:采用聚类算法深入剔除异常数据,对于由v、ωr和p组成的三维数据,根据机组的运行情况初始化产生4个聚类中心,通过计算所有数据点到聚类中心的距离对数据进行重新分类,将数据划分到离它最近的那个聚类中心所在的类中,并根据划分好的类产生新的聚类中心;如此反复进行,直到满足距离评价指标
步骤四:采用分段hermite插值进行缺失数据重构,对于非连续的缺失点,可以直接运用缺失点两端的节点,建立三次hermite插值多项式,进行缺失值的填补;对于连续的缺失点,采用分段三次hermite插值法,先由缺失数据段两端的节点填补最中心的缺失值,将缺失数据分成两段再依次进行最中心缺失数据的填补。如图6所示,为风速、功率在相应坐标维度经过缺失值填补后组合成的二维散点图。
其中,单一坐标维度填补数据所构造插值多项式的方法为:对于时间序列x=[x1,x2,x3,…,xn]中互异的节点xk,xk+1,给定的函数值f(xi)=yi,f′(xi)=y′i,i=k,k+1。则其存在唯一的hermite插值多项式h3(x)满足
采用基函数法,令
h3(x)=αk(x)yk+αk+1(x)yk+1+βk(x)y′k+βk+1(x)y′k+1
其中,αk(x)、αk+1(x)、βk(x)、βk+1(x)是关于节点xk及xk+1的三次hermite插值基函数,它们应分别满足条件
αk(xk)=1,αk(xk+1)=0,α′k(xk)=α′k(xk+1)=0;
αk+1(xk)=0,αk+1(xk+1)=1,α′k+1(xk)=α′k+1(xk+1)=0;
βk(xk)=βk(xk+1)=0,β′k(xk)=1,β′k(xk+1)=0;
βk+1(xk)=βk+1(xk+1)=0,β′k+1(xk)=0,β′k+1(xk+1)=1.
解得
步骤五:建立某型号风机理论功率计算模型及风电场理论功率恢复。如图7所示,根据风机型号建立相应理论功率计算模型。在此基础上,恢复每台风机的理论功率,并通过累加得到风电场理论功率。
采用bin方法将处理过的数据按风速间隔τm/s得到nbin个区间划分;
求出各个小区间内风速和功率的平均值,得到对应的点(vi,pi),i=1,2,…,nbin;
采用最小二乘法对通过点(vi,pi)的曲线进行拟合,得到某种型号风机的单机理论功率的计算模型为
其中,prated为常数,是风机的理论功率最大值;p为功率;v为风速;aj(j=0,1,…,6)为多项式系数。
为了保证模型的有效性,需要定期对模型进行更新,这里将通过更新数据来完成对模型的更新,采用滑动窗口法更新数据;记窗口长度即模型所用的数据长度为l,上一模型建模点为xt-t,模型更新周期为t,则当前建模点为xt,建模数据为从建模点xt开始至向后长度为l的数据,更新机制如图8所示。
为了评价理论功率恢复精度,采用相关性系数、理论功率恢复准确率和理论功率恢复均方根误差作为衡量理论功率恢复精度的指标。其中,相关性系数可以反映两个变量之间的相关性,理论功率恢复准确率和理论功率恢复均方根误差能够反映理论功率恢复情况。
定义功率恢复准确率为
定义功率恢复均方根误差为
其中,pmk为第k个样本的实际功率,ppk为第k个样本的理论功率,n为样本个数,pcap为风电场额定装机容量。
步骤六:计算风电利用率相关指标,对风电场的实测功率进行积分可以得到风电场实际发电量;根据各风机实测风速值和不同型号风机理论功率计算模型得到的各风机的理论功率并累加得到风电场的理论功率,然后,通过积分得到相应的风电场理论发电量;可用公式表达如下
其中,gprac为风电场实际发电量,t0为初始时刻,tinte为积分时间,pprac(v(t))为风电场实际功率,gtheo为风电场理论发电量;ptheo(v(t))为风电场理论功率。
定义弃风率ρ为
其中,gtheo为理论发电量,gprac为实际发电量。
定义最优风电利用率η为
其中,g′theo为每月理论发电量,g′full为每月满发电量;
定义统计时间段内的最大极限风电利用率为
ηmax=max(η)
定义统计时间段内的最小极限风电利用率为
ηmin=min(η)
根据定义,利用上述计算得到的风电场理论发电量、实际发电量和额定装机容量等,可以分析并评价风电场的风电利用情况。
以上对本发明的技术方案进行了详细说明。显然,本发明并不局限于所描述的实施例。基于本发明中的实施例,熟悉本技术领域的人员还可据此做出多种变化,但任何与本发明等同或相类似的变化都属于本发明保护的范围。