(南京南瑞继保电气有限公司 南京 211102)
摘要:结合风电场短期功率预测现状,提出了一种新的短期功率预测技术。该技术是基于风电场基本发电原理,对实际发电特性进行归一化拟合,同时预留一定的置信区间,根据历史运行数据进行数据筛选和数据清洗,建立最终的短期预测模型。以该短期预测技术为基础,开发了基于Sophic数据平台的风电场短期功率预测软件,软件在风电场站端的安全二区运行,可采用分布式部署。该技术在国内多个风电场进行了成功应用,验证了所提技术的合理性、有效性。
关键词:拟合风电场发电特性;短期功率预测;数据筛选;风力发电
引言
风电功率预测作为解决大规模风电并网对电力系统运行影响的基本措施之一,可以有效克服风电输出功率不确定性给电网带来的不利影响[1,2]。由于部分地区装机容量远远超过地区负荷消纳能力,弃风限电严重。为缓解这一状况,国网公司组织跨省区模拟现货交易[3,4],这对风电场的短期功率预测精度提出了更高的要求。
主流的预测模型建立主要采用两种方法,分别是基于物理特性[5]和数学统计方法建模[6-9]。本文基于统计方法提出了基于拟合风电场发电特性的短期功率预测技术,该技术既避免了基于测风塔建模时的数据代表性不足,又降低了基于单风机建模的复杂程度,有利于工程产品推广。通过现场的实施和应用,验证了该技术的有效性,提高了预测精度,为现货交易的实施提供了有力保障,对于缓解部分地区的新能源困局有着较为积极的意义。
1 拟合风电场发电特性建模
在对风电场短期功率预测进行建模时,考虑到工程易用性,以及每台风机地理位置、机组类型和单机容量的差异化,采用基于整个风电场、拟合风场全场发电特性进行建模。具体做法是:
(1)获取风电场内不同类型风机的理论风速-功率曲线。
(2)针对不同类型风机的理论风速-功率曲线,进行归一化拟合,得到全场拟合单机的理论风速-功率曲线。
(3)输入风电场装机容量,得到按比例扩充后的理论风速-全场功率曲线关系。
(4)考虑实际运行情况下的波动,扩展风电场的理论风速-全场功率曲线,计算出全场的理论风速-功率置信上下限区间带。
(5)采集风电场全部风机投运至少一年以上的历史数据,包含每台风机的机头风速和风向,以及不限电情况下的全场输出功率。
(6)每台风机包含风速和风向两个参数,在同一时刻,将所有风机数据根据风向,按照扇形区域划分为8个区间,获取落在其中数量最多的6个扇区数据;根据对应的每台风机风速,折算出该时刻的全场平均风速,得出此时刻全场实际平均风速-功率的关系。
(7)将这一年的所有数据筛选后,得到海量全场实际平均风速-功率的点,录入后并与(4)设置的区间带进行比较,对落在区间带之外的数据进行筛选剔除,获得区间内的若干点。
(8)对这若干点进行模糊聚类[10,11],再根据夹角余弦法则,计算出一条全场的风速-功率曲线,从而拟合出该风场的发电特性。
整体建模流程如图1所示,依据该建模技术,开发了基于Sophic平台的风电场短期功率预测软件,并在国内江苏、山东、安徽等十余个省份的风电场进行了实际工程应用。
3 软件设计
3.1 系统架构
短期风功率预测软件系统架构如图2所示,软件建立在公司统一的Sophic数据平台之上,可以在不同硬件平台和操作系统中部署,同时采用分布式方案,以达到性能最优。
图2 短期功率预测软件系统结构
3.2 工作原理
由于距离当前时间越近,风电场的历史数据越能反应其发电特性,因此软件采用最近一年的历史数据作为建模时的输入。
3.3关键技术及功能实现
预测软件启动前,首先获取风电场的相关参数进行理论建模,再根据风电场所积累的历史数据,进行筛选和清洗,并结合理论模型,进行修正和拟合,最终建立风电场的全场短期预测模型,基于该模型实现短期功率预测功能。短期功率预测软件的主要功能模块如下所述。
(1)理论模型建立工具。该工具首先获取风电场的所有风机类型、各型风机数量和各型号风机的理论发电曲线,根据不同类型的风机数量和额定单机容量,计算出综合后的风机风速功率曲线。同时结合全场装机容量,拟合出全场理论发电曲线,考虑实际发电时存在一定的波动,给出理论发电曲线的置信上下限,得出全场的理论发电区间。
(2)数据筛选功能。根据风电场运行一年及以上的历史数据,选取所有风机的机头风速和风向,并提取对应时刻的实际有功,首先剔除限电、停机检修等非正常发电状态的数据;其次将剩余数据根据风向进行扇区划分,选取有较多点数的扇区,提取出对应的机头风速,通过加权平均获取全场的风机平均风速和实际有功,用于数据清洗模块的输入。
(3)数据清洗模块。数据经过筛选后,进行清洗,首先将在全场理论发电区间外数据剔除,其次将区间内的奇异点例如低风速高有功或高风速低有功等进行剔除,得到最终的点数。
(4)拟合全场实际发电特性建模。根据数据清洗模块后提供的数据点,进行模糊聚类,选取不同风速区间的点,同时根据夹角余弦法则,选取最为接近的点,剔除偏远点,从而获得全场所有风速区间段的风速-功率点,进行曲线拟合,建立拟合全场发电特性的预测模型。
系统根据计算出的模型,输入该站点的数值天气预报,计算出未来0到72h的短期预测数据,提供给上级调度机构用于发电计划安排,同时也可根据预测结果在场内合理安排停机检修计划。
4 工程应用
利用该预测技术开发的PCS-9700-WF风电功率预测软件已应用在江苏、山东、安徽等省份的数十个风电场,根据风电场实际情况进行了预测建模,并实现了风电场定时短期预测的功能。
以河南某风电场为例,在投运一年以后,随着历史数据的积累逐渐增多,模型误差逐步变小,如图4所示,该风电场短期准确率维持在较高的水平,取得了较好的预测效果。
图3 短期功率预测软件主界面
5 结论
本文提出了一种基于拟合风场发电特性的短期功率预测技术,并介绍了基于该技术的预测软件系统架构、工作原理、功能实现和工程应用。经现场工程验证,利用该预测技术能够较好的进行短期预测建模,实现风电场的短期预测功能,并能获得较高的短期预测准确率,达到了预期目的。
参考文献:
[1]冬 雷,廖晓钟,王丽婕. 大型风电场发电功率建模与预测[M]. 科学出版社,2014.
[2]Kariniotakis G,Mayer D,Moussafir J.ANEMOS:Development of a next generation wind power forecasting system for the large-scale integration of onshore & offshore wind farms[C].European Wind Energy Conference & Exhibition,Madrid,Spain,2003.
[3]江岳文,温步瀛.结合风电功率超短期预测值偏差的实时市场调度[J].电力自动化设备,2015,35(3):12-17.
[4]段金长,程彩艳,马冬冬,等. 宁夏电网考虑联络线考核的实时计划功能实现[J]. 江苏电机工程,2015,34(4):54-56.
[5]冯双磊,王伟胜,刘 纯,等. 风电场功率预测物理方法研究[J]. 中国电机工程学报,2010,30(2):1-6.
[6]范高锋,王伟胜,刘 纯. 基于人工神经网络的风电功率短期预测系统[J].电网技术,2008,32(22):72-76.
[7]王 丹,孙昶辉. 风电场发电量计算的物理模型[J]. 中国电力,2011,44(1):94-97.
[8]王 颖,魏云军. 风电场风速及风功率预测方法研究综述[J]. 陕西电力,2011,39(11):18-21,30.
[9]汪 阳. 山地风电场风能资源评估研究[D].长沙:中南大学,2013.
[10]王晓兰,李 辉. 风电场输出功率年度预测中有效风速预测研究[J]. 中国电机工程学报,2010,30(8):117-122.
[11]高新波. 模糊聚类分析及应用[M]. 西安电子科技大学出版社,2004.
作者简介:
翟剑华(1986-),男,江苏泰州人,通讯作者,工程师,硕士,主要研究方向:新能源预测与控制相关工作;
徐浩(1981-),男,江苏南通人,工程师,硕士,主要研究方向:新能源集控、新能源发电与储能相关工作;
刘青红(1986-),男,河南信阳人,工程师,硕士,主要研究方向:网络管理、新能源发电相关工作。
论文作者:翟剑华,徐浩,刘青红
论文发表刊物:《河南电力》2018年3期
论文发表时间:2018/6/28
标签:风速论文; 功率论文; 风电场论文; 全场论文; 风机论文; 建模论文; 数据论文; 《河南电力》2018年3期论文;