[0082]
[0083] 步骤S1,具体为:
[0084] 根据质量守恒定律,可以求得自然风速通过风力发电机叶片的尾流风速νb(t)。速度为νb(t)、
密度为P气体通过面积为A(x)的截面积的质量为:
[0085]
[0086] 当自然风速ν0和上有风力发电机背面风速νb共同作用于下游风力发电机时气体的质量为:
[0087]
[0088] (4,5)两式联立可求得从参考点到x处t+x/νb0时刻的尾流风速为:
[0089] νb(t+x/νb0)=ν0(t+x/νb0)+[νb0(t)-ν(t+x/νb0)][r/r(x)]2 (6)[0090] 式(6)中,x/νb0是气流从参考点到x处的时间。
[0091] 步骤S2,具体为:
[0092] 根据动量守恒定律可以得出风电场中任意一台风力发电机的输入风速为:
[0093]
[0094] 式((7)中νi为风电场中任意一台风力发电机i的风速;νjb为第j台风力发电机对第i台风力发电机作用的尾流风速:νi0为风力发电机i上的自然风速;βj=(Aj'i)/(Ar-i)是风力发电机i处风力发电机j尾流投影而积与风力发电机i风轮而积之比;n为风力发电机总数。
[0095] 作为本发明的优选实施例,步骤S3,具体为:
[0096] 根据输入风速,求解尾流效应影响因子矩阵,得到风场实际风速模型;
[0097] 根据风场实际风速模型,对输入风速进行尾流修正,得到修正后的输入风速。
[0098] 通过式(7)对具体某一个风电场进行尾流效应影响因子矩阵求解,用求解得到的尾流效应影响因子矩阵进行风电机组输入风速修正,以达到提高对未来时间段风速预测精度。
[0099] 以一个9机组的风电场为例,进行风速及风电功率预测。风电场机组排布如图4。图4中假设机组间距离为330m,5号机组除受到2号机组尾流效应影响外,同时还受到1号和3号机组的影响。而8号机组的输入风速更为复杂,它除了受5号机组尾流效应影响大以外,还受到1、2、3、4、6号机组的影响,
[0100] 根据式(7)求解尾流效应影响因子矩阵可得该风场具体风速模型:
[0101] ν=ν0T (8)
[0102] T的大小与一个具体的风电场有关,通过记录的风速数据进行求解,如式:
[0103] Ti=vi/ν;式中,vi为第i风力发电机的平均风速,ν为与之对应的时间段记录的自然风速平均值。
[0104] 其中,得到的T为:
[0105]
[0106] 通过(8)式对输入风速进行修正,得到修正后的输入风速。
[0107] 另外,作为本发明的另一优选实施例,对输入风速进行尾流修正还包括以下方法:
[0108] 步骤S3,具体为:
[0109] 根据输入风速,通过改进的Jensen尾流模型计算输入风速的衰减值;
[0110]
[0111] 式中:ν’为风电机组下游距离其x处尾流区的输入风速;ν0为通过C'FD计算得到的
轮毂高度处上游来流风速度,R为修正系数,表示通过控制体侧边界流入控制体的气流比率;r0为风电机组叶轮半径;d为风电机组叶轮直径;k为尾流下降系数。
[0112] 根据衰减值,对输入风速进行尾流修正,得到修正后的输入风速。将输入风速与ν’进行比较计算,得到衰减值,根据此衰减值,对输入风速进行尾流修正。常规Jensen模型没有考虑上游来风的
湍流强度和流经控制体侧面边界的空气流量。本实施例采用改进的Jensen尾流模型计算输入风速的衰减值;考虑了上游来流风速度,提高了输入风速的精度。
[0113] 作为本发明的优选实施例,步骤S4,具体为:
[0114] 将修正后的输入风速输入优化灰色GM(1,1)模型,得到预测风速,其中,优化灰色GM(1,1)模型预先根据修正后的输入风速和原始灰色GM(1,1)模型得到。
[0115] 灰色系统理论是一种通过研究信息量极少且小确定性问题的方法。灰色GM(1,1)模型广泛应用于电力、交通、
生物和计算机科学等领域的预测研究。灰色GM(1,1)模型能够在快速
跟踪实时风速的情况下预测风速,但由于模型本身的累加性使其生成的预测结果序列较为平滑,不能克服风速预测中突变点上的预测效果不佳的问题。因此,本实施例在传统的原始灰色GM(1,1)模型的
基础上进行了改进,用以提高风速预测精度。
[0116] 为了解决传统原始灰色GM(1,1)预测模型对随机波动性大的数据序列进行预测时,预测误差较大的问题,在传统GM(1,1)模型的基础上采用数值逼近
算法对预测模型进行优化改进,具体方法如下:
[0117] 根据修正后的输入风速,通过原始灰色GM(1,1)模型得到第一预测风速;
[0118] 根据第一预测风速,结合修正后的输入风速,生成优化灰色GM(1,1)模型,具体为:
[0119] μX(0)(i-1)+νX(i)=X'(i) (10)
[0120] 式(10)中,μ、ν为待定系数,X'(i)为优化模型预测生成序列,X0(i-1)为前一时刻70m测风塔实时风速,X(i)为原始。
[0121] 设|X'(i)-X0(i)|为t=i时的绝对误差,全部m个点的总误差平方和值取最小值,即:
[0122]
[0123] 对(11)求偏导,令dφ/dμ=0,dφ/dν=0得:GM(1,1)模型的预测值。
[0124]
[0125]
[0126] 方程(12)、(13)可写成:
[0127]
[0128]
[0129] 将实测风速值、未优化灰色预测值(通过原始GM(1,1)模型的预测值)分别带入公式(14)和(15)求解可得,μ=0.62、ν=0.36时优化模型预测误差最小,即优化灰色GM(1,1)模型的误差最小。优化后预测误差超过40%的预测点占总预测数的2.7%误差在20%-40%的预测点占总预测数的5.2%误差小于20%的预测点占总预测数的92.1%,模型预测效果较好。
[0130] 其中,本实施例中通过动态时间序列神经网络预测模型进行风电功率预测,利用动态神经网络对时间序列进行预测时无须建立时间序列的具体数学模型;利用动态神经网络对时间序列进行预测无须考虑序列的复杂性及非线性等因素;动态神经网络对时间序列的预测有较好的预测精度。
[0131] 作为本发明的优选实施例,还包括:对预测风电功率进行曲线拟合,具体为:
[0132] 根据预测风速,通过动态时间序列神经网络预测模型得到初始功率曲线,其中,初始功率曲线通过数据点表示;
[0133] 对初始功率曲线进行左/右移动,得到最高和最低功率曲线限制;
[0134] 具体如下:将初始功率曲线分别向左/右移动Δν,直到满足式(16),其中Δν为风速轴移动步长。
[0135] τm-τm-1<μ偏移m>1 (16)
[0136] 式中:m为算法循环计算迭代次数;τ为贡献率,为功率曲线限制边界内部点数量与输入数据点数量的比值;μ偏移为常量,表示最优上/下功率曲线边界的风速阈值,此处设定为1%。
[0137] 同理,将功率曲线上/下移动Δp,其中,Δp为功率轴移动步长,设定为skW,直到满足:
[0138] τm-τm-1<χ偏移m>1 (17)
[0139] 式中:χ偏移为常量,表示最优上/下功率曲线边界的功率阈值,设定为0.05%。
[0140] 根据预先设定的迭代条件,对初始功率曲线在最高和最低功率曲线限制内进行曲线拟合,得到拟合功率曲线和上下边界;
[0141] 确定算法迭代务件,如满足式(18),则迭代停止,否则继续进行迭代计算。
[0142]
[0143] 式中: 为10min标准差;λloop设定为1。得到拟合。功率曲线和上下边界。
[0144] 剔除上下边界以外的数据点,得到最优功率曲线。
[0145] 最优功率曲线拟合法迭代剔除了风速-功率散点中的坏点,比整场功率曲线拟合法和功率曲线拟合法更加准确地反映风电场内风电机组的运行状态。
[0146] 参见图5,第二方面,本发明提供一种基于尾流效应的风电功率预测系统100,包括:
[0147] 尾流速度获取模块101,用于通过预先建立的风速模型,根据质量守恒定律计算得出自然风速通过风力发电机叶片的尾流速度;
[0148] 输入风速计算模块102,用于根据尾流速度,基于动量守恒定律计算得出风电场中任一台风力发电机的输入风速;
[0149] 尾流修正模块103,用于根据输入风速,对输入风速进行尾流修正,得到修正后的输入风速;
[0150] 预测风速生成模块104,用于根据修正后的输入风速,通过风速预测模型,得到预测风速;
[0151] 风电功率预测模块105,用于根据预测风速,通过动态时间序列神经网络预测模型进行风电功率预测,得到预测风电功率。
[0152] 本发明提供的基于尾流效应的风电功率预测系统100,其技术方通过案为:尾流速度获取模块101,通过预先建立的风速模型,根据质量守恒定律计算得出自然风速通过风力发电机叶片的尾流速度;通过输入风速计算模块102,根据尾流速度,基于动量守恒定律计算得出风电场中任一台风力发电机的输入风速;通过尾流修正模块103,根据输入风速,对输入风速进行尾流修正,得到修正后的输入风速;通过预测风速生成模块104,根据修正后的输入风速,通过风速预测模型,得到预测风速;通过风电功率预测模块105,根据预测风速,通过动态时间序列神经网络预测模型进行风电功率预测,得到预测风电功率。
[0153] 本发明提供的基于尾流效应的风电功率预测系统100,通过考虑尾流效应下的风速模型,对整个风电场风电机组输入风速进行尾流修正,用修正后的风速作为风速预测模型的输入,提高得到的预测风速精度,进而提高了风电功率预测精度。
[0154] 作为本发明的优选实施例,尾流修正模块103,具体用于:
[0155] 根据输入风速,求解尾流效应影响因子矩阵,得到风场实际风速模型;
[0156] 根据风场实际风速模型,对输入风速进行尾流修正,得到修正后的输入风速。
[0157] 作为本发明的优选实施例,尾流修正模块103,具体用于:
[0158] 根据输入风速,通过改进的Jensen尾流模型计算输入风速的衰减值;
[0159] 根据衰减值,对输入风速进行尾流修正,得到修正后的输入风速。作为本发明的优选实施例,预测风速生成模块104,具体用于:
[0160] 将修正后的输入风速输入优化灰色GM(1,1)模型,得到预测风速,其中,优化灰色GM(1,1)模型预先根据修正后的输入风速和原始灰色GM(1,1)模型得到。
[0161] 作为本发明的优选实施例,还包括:曲线拟合模块106,具体用于对预测风电功率进行曲线拟合:
[0162] 根据预测风速,通过动态时间序列神经网络预测模型得到初始功率曲线,其中,初始功率曲线通过数据点表示;
[0163] 对初始功率曲线进行左/右移动,得到最高和最低功率曲线限制;
[0164] 根据预先设定的迭代条件,对初始功率曲线在最高和最低功率曲线限制内进行曲线拟合,得到拟合功率曲线和上下边界;
[0165] 剔除上下边界以外的数据点,得到最优功率曲线。
[0166] 与现有技术相比,本发明的有益效果为:
[0167] (1)考虑尾流效应及优化的灰色预测模型来进行预测的方法,通过验证预测效果较好。
[0168] (2)采用动态时间序列神经网络对风电功率进行预测,可信度大于93%,可用于短期风电功率预测。
[0169] (3)采用优化的C}M(1,1)模型和动态时间序列神经网络预测模型串行连接的方式进行风电功率预测,便于建立能量管理系统,能更方便快捷的制定电力调度计划和
风力发电机组维修计划。
[0170] 实施例二
[0171] 基于实施例一中的种基于尾流效应的风电功率预测方法及系统,对预测风电功率曲线进行监测,通过对曲线的监测可以实时监测出曲线的异常情况,从而及时对风电机组进行维护和诊断。基于此,本实施例提供一种对预测风电功率曲线的异常诊断方法,具体方案如下:
[0172] 采集不同风速下的风电功率数据;
[0173] 将采集的数据按风速大小排序,计算单位精确度下的功率漂移面积,计算公式为:
[0174]
[0175] 其中,Δw为排序后的相邻风速差分,Δw=wi+1-wi,
[0176] Δp为排序后相邻风速点的功率差分,Δp=pi+1-pi,
[0177] i为排序后风速以及对应功率的数据索引号,i=1、2、3……n;
[0178] 建立诊断模型,确定诊断参数,并根据诊断参数确定正负警示线和正常区间;
[0179] 诊断,将计算结果与正负警示线进行比较,越正警示线则诊断为风速测量有问题,越负警示线则诊断为叶片
气动性能出现异常。
[0180] 本实施例中,对与预测风电功率曲线相关的数据质量有一定的要求,这里的数据主要涉及到风场号(
数字量或字符)、机组号(字符)、日期时间(时间量)、机位点风速(数字量)、机组功率(数字量)以及实时环境
温度(数字量)等信息。
[0181] 优选地,在采集步骤中,单台风电机组
数据采集样本总量不低于200个。
[0182] 通常设定数据采集条件为风速点数不少于2个,数据量不低于200个,数据采集条件中的风速点数不少于2个指的是将风速精确到整数部分,所采集的样本涉及的对应风速值点应在两个以上,数据量不低于200个指的是单台风电机组数据采集样本总量在200个以上。
[0183] 优选地,在功率漂移量计算步骤中,因为风速是随机性波动的,要计算风电机组的风功率特性,就是要在不同风速点计算风电机组的功率波动范围,因此在计算前对风速数据和对应风速下的功率按风速从低到高进行排序,以满足相邻风速点的功率波动即差分计算的要求。
[0184] 具体方法如下:
[0185] 首先将风速以及对应风速下的功率按风速升序排列,然后利用风速差分与功率差分的积的公式计算单位精确度下功率漂移面积ΔSp,其中,Δw为相邻风速差,Δw=wi+1-wi,Δp为相邻风速点的功率差,Δp=pi+1-pi,i是风速升序排序下的数据索引号,i=1、2、3……n。
[0186] 在计算功率曲线漂移量时会遇到风速点缺失或风速点分布差异性较大时,会影响功率差分值积分结果而造成误判,因此当数据量不足时,需要对功率差分值进行精确度补偿。精确度补偿的方法是通过曲线插值运算把风速点精确到小数点后两位,然后进行积分面积分割,得到每0.01m/s单位风速下的功率漂移量,具体为在以上公式中增加分母部分(1+|Δw|*100),得到每0.01m/s单位风速下的
平均功率漂移量。加入(1+|Δw|*100)的原因是实际相邻风速点存在不同的差分值,乘以100是因为精确到百分位的风速点数,加1是考虑到风速取整的点和分母为0的情况。因实际数据为矩阵数据,积分可以采用风功率矩阵数组相乘来实现,实际计算时,差分量为单一数组,直接将数组变量带入公式计算即可。
[0187] 在建立诊断模型步骤中,先采用R语言进行计算和建模,确定诊断参数,并根据诊断参数确定正负警示线和正常区间,然后将该模型引入到风电场预警系统平台中,在风电场
监控系统中进行应用。
[0188] 诊断参数的计算公式为:
[0189] [b*(1+a%)-b*(1-a%)]*c
[0190] 其中,a为允许的功率偏移比例,b为风电机组的正常运行功率,c为精确度。
[0191] 其中,a的取值范围为5~15,c取0.1~0.0001。优选地,a取10,c取0.01。
[0192] 其中,当诊断模型为静态诊断模型,b为风电机组的额定功率或满发功率。
[0193] 其中,当诊断模型为动态诊断模型,b为风电机组的标准功率曲线上各个风速点对应的功率值。
[0194] 诊断参数可以为静态诊断参数或动态诊断参数,系统工作时把功率漂移量和诊断参数进行比较,出现大于或等于设置的诊断参数时即可判断风电机组功率曲线出现的异常,异常风速区间对应的坐标位置为[(最小报警风速点,最小报警风速点对应的最大功率波动值),(最大报警风速点,最大报警风速点对应的最大功率波动值)],这个坐标所形成的矩形区域即为风电机组功率曲线出现异常漂移的区域。诊断模型可采用静态诊断模型和动态诊断模型两种方案,并根据相应的诊断参数划定正常区间和正负警示线,两种方案均可判断风电机组功率曲线发生异常漂移的情况,可以根据需要选用任意一种方案。
[0195] ①静态诊断参数模型只计算额定功率下的最大功率波动值。静态诊断参数根据风电机组额定容量或满发等级进行设定,通常设定波动范围在10%以内均为正常,以1500kw风电机组为例,在0.01m/s的精确度范围内通过计算(1500*1.1-1500*0.9)*0.01得到额定波动值为3,这里的3kw即为该静态诊断参数,当静态诊断参数模型计算出的功率漂移量的绝对值不低于3时,则风电机组存在严重的功率曲线异常漂移问题。
[0196] ②动态诊断参数模型在静态诊断参数模型中添加了根据标准功率曲线的分布特性在不同风速点设置不同的动态诊断参数,动态诊断参数为按标准功率曲线的各个风速点逐个计算各个风速点的最大功率波动值范围。不同机型按照不同的功率曲线进行计算,计算方法和静态诊断参数相似,不同的是将每个风速点的最大波动值范围都计算出来。动态诊断参数的分布可以用来评估标准功率曲线的分布,也可以反映风电机组阶段性运行的输出功率
稳定性。
[0197] 另外,采用诊断参数判断异常时,可加入不同比例的告警范围,以在告警系统中报出偏移比例。本次所采用的计算偏移比例按10%的功率漂移量进行计算,在实际应用中根据需要可以设定为5%、8%、10%、15%等不同严重等级进行功率漂移量的告警,以1500kw机型为例,对应的静态诊断参数分别为1.5、2.4、3、5。
[0198] 本实施例将数据差分积分原理引入到风电场或大规模风电场集群监控预警系统中,对功率曲线数据进行实时计算,计算相邻风速点的功率差异性的分布区域边界进而判断功率曲线的“越境”程度,既可以设定功率曲线异常告警的静态诊断参数,也可以利用风电机组设计标准功率曲线的动态诊断参数进行功率曲线诊断,对于风电机组的风功率匹配性和稳定性问题、风速测量问题、风电机组控制问题、风电机组叶片结
冰、
风向标对风以及侧风异常等功率输出问题均可根据功率曲线漂移诊断进行告警,并对报出输出功率漂移的风电机组及时进行控制优化或调整运维策略,保障风电机组安全、健康、稳定、可靠运行。
[0199] 实施例三
[0200] 在本实施例中,实施例一中所述的基于尾流效应的风电功率预测方法及系统所适用的风机可以是下述特定结构的双叶轮风力发电机,在分析尾流效应时,针对该双叶轮风力发电机中的每个叶轮执行实施例一中的方法步骤,即可以获得每个叶轮尾流效应的分析结果,从而获得该叶轮的风电功率预测值。
[0201] 参见图6、7,其中图6为本实施例提供的双叶轮风力发电机的结构示意图,图7为本实施例提供的叶轮转速合并机构的原理图。
[0202] 为了有效利用风能,提高发电功率,本实施例提供了下述风力发电机,包括:一级叶轮1、二级叶轮2和叶轮转速合并机构;所述叶轮转速合并机构具有第一输入轴31、第二输入轴32、第一输出轴41和第二输出轴42,所述一级叶轮1与所述第一输入轴31驱动连接,所述二级叶轮2与所述第二输入轴32驱动连接,所述第一输出轴41通过第一离合器与第一发电机的输入轴驱动连接,所述第二输出轴42通过第二离合器与所述第二发电机的输入轴驱动连接。
[0203] 所述一级叶轮1与所述二级叶轮2同轴连接,所述一级叶轮1的叶片长度大于所述二级叶轮2的叶片长度,且工作时的旋转方向相反,所述一级叶轮1位于所述二级叶轮2的前方。
[0204] 工作时,气流先通过一级叶轮1,再通过二级叶轮2,二级叶轮2的直径小于一级叶轮1,因此,二级叶轮2工作所需的最低风速也小于一级叶轮1。为了增加机头工作时的稳定性,一级叶轮1与二级叶轮2的转动方向相反,从而抵消
扭矩。
[0205] 其中,叶轮转速合并机构能够将一级叶轮1和二级叶轮2的转速合并,从而获得更大的输出转速,驱动发电机工作,从而有效利用剩余风能,提高发电效率。
[0206] 所述叶轮转速合并机构包括同轴设置的太阳轮51、齿圈52和行星架53,所述行星架53上设有多个行星轮54,所述齿圈52设有内齿和外齿,所述行星轮54啮合在所述齿圈52的内齿和所述太阳轮51之间,所述第一输入轴31设有驱动齿轮55,所述驱动齿轮55与所述齿圈52的外齿啮合,所述第二输入轴32与所述太阳轮51的转轴连接,所述行星架53的转轴通过中间轴6与输出轴驱动连接,所述输出轴的一端形成所述第一输出轴41,另一端形成所述第二输出轴42。
[0207] 例如,太阳轮51的转速为n1,齿圈52的转速为n2,行星架53的转速为n3,齿圈52内齿和太阳轮51的齿数比值为a,n3=(n1+a*n2)/(1+a)。从而实现转速和力矩的
叠加。
[0208] 在一个示例中,一级叶轮的叶片长度75m,二级叶轮的叶片长度35m。在一个发电机工作的情况下,且当仅有一级叶轮工作时,风机的启动风速4m/s,额定风速15m/s,安全风速25m/s,额定功率3MW,当仅有二级叶轮工作时,风机的启动风速3m/s,额定风速10m/s,安全风速25m/s,额定功率1.5MW。
[0209] 由于低风速工作中,第一叶轮工作中的能量损耗较大,且功率低,为了使该风力发电机能够适应较大范围的风速,有效利用风资源,上述风力发电机的控制中涉及两个阈值,第一阈值为6m/s,第二阈值为10m/s。
[0210] 具体控制方法如下:获得风速,当风速小于第一阈值时,对一级叶轮1和二级叶轮2的叶片进行变桨,使一级叶轮1停止发电状态,二级叶轮2处于旋转发电状态,第一离合器处于啮合状态,第二离合器处于分离状态。从而在低风速时启动风机进行发电,并减小风机发电过程中的内耗,提高发电效率。
[0211] 当风速不小于第一阈值且不大于第二阈值时,对一级叶轮1和二级叶轮2的叶片进行变桨,使一级叶轮1和二级叶轮2均处于旋转发电状态,第一离合器处于啮合状态,第二离合器处于分离状态。从而通过第一叶轮进行高功率发电,并通过第二叶轮有效利用剩余风能。在该模式下,风机的最大功率能够达到4MW。
[0212] 当风速大于第二阈值时,一级叶轮1和二级叶轮2均处于旋转发电状态,第一离合器和第二离合器均处于啮合状态。风速较大超过单台发电机所需的额定风速10m/s时,利用两台发电机同时发电,可达到最大发电功率为8MW,能够有效利用风能,提高发电功率,且不会增加叶轮的直径,避免叶片太长,增加制造、运输、和安装维护成本。
[0213] 由于一级叶轮1的直径较大,当风力小于第一阈值时无法驱动一级叶轮1转动,因此调节一级叶轮1的桨叶,减小迎风面积,使气流经过一级叶轮1,
直接驱动二级叶轮2转动,且为了减小启动风速,第二离合器处于分离状态,仅第一发电机工作。
[0214] 当风力增大到第一阈值和第二阈值时,第一叶轮也开始转动,并通过第二叶轮有效利用剩余风能,第一叶轮和第二叶轮的转速经叶轮转速合并机构叠加后驱动第一发电机工作。
[0215] 当风力继续增大到大于第二阈值后,由于叶轮的转速不能无限提升,但驱动力提高,将第二离合器啮合,同时驱动第一发电机和第二发电机发电,提高发电效率。
[0216] 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、改进等,均应包含在本发明的保护范围之内。