风电场有功功率异常运行数据重构方法

风电场真实的历史运行数据是准确研究风电功率预测、出力特性及对系统影响的基础。针对目前限风情况下风电场历史运行数据存在的不良数据的实际问题,提取了不良数据的时序特性,采用分段判定方法进行识别;基于可用的历史数据,一方面利用风电场出力之间的延时相关性还原重构缺失数据,另一方面利用风电自身出力数据,采用基于自回归滑动平均(ARMA)模型的双向权重比重构方法重构完整的时间序列。以中国某风电基地实际风电场历史运行数据为算例,采用所提出的方法可以有效识别并重构缺失数据。文中比较了两种重构方法的重构效果,并给出了各自的适应性。     

基于数据特征提取的风电功率预测误差估计方法

估计风电功率预测误差对电力系统的调度与控制、安全与防御等方面具有重要意义。从风电历史数据和日前预测数据特征提取的角度,研究了日前风电功率预测误差的估计方法。首先,提取并分析影响风电功率预测误差的主要因素,包括风电出力波动程度、风电功率幅值、预测方法等,并通过数据统计分析其相关性。然后,结合风电历史运行数据,采用多元线性回归方法建立风电功率预测误差的估计模型。最后,基于比利时电力运营商Elia公开的风电场实际运行数据,进行了仿真算例分析。所述方法也在中国西北部某省调度系统上应用于备用需求分析,并实现了试运行。     

风电场风功率异常数据识别与清洗研究综述

风电场中风机停机、传感器故障等会造成风功率数据中包含有大量异常值，影响到风电场状态监测、功率预测等工作的正常开展。针对风电场风功率异常数据识别与清洗技术开展了综述研究。首先，概述了风力发电运行大数据现状，分析了风电机组与风电场的风功率数据的分布特征，并对比了两者的不同；然后，分析了基于统计、机器学习和图像处理的各类异常数据识别方法的优缺点，结合基于物理特性、统计学和机器学习等数据重构技术，讨论了实现数据清洗的方法及其优劣；再次，概述了风电场异常数据识别与清洗技术在状态监测和功率预测等领域的应用情况；最后，对风电场异常数据识别与清洗技术存在的挑战和发展趋势进行了展望。     

基于云分段最优熵算法的风电机组异常数据识别研究

风电场的历史运行数据尤其是风速和功率数据是研究风电功率波动特性、风电功率预测、风电功率曲线计算和测试的重要基础。但风电场实际采集到的数据中通常会出现大量异常数据,而这些异常数据是由各机组的异常数据构成,故对风电机组进行异常数据识别具有重要意义。该文以风电机组的风速–功率曲线为研究基础,提出了用于机组异常数据识别的云分段最优熵算法,该算法基于云模型的熵识别机组发电异常的数据集,对数据进行分离。结果表明,该算法可以有效地识别出机组异常数据,提高异常数据的正确识别率,保证数据的准确性。     

基于风速升降特性及支持向量机理论的异常数据重构算法

风电机组历史功率数据是进行风电研究的重要基础,而风电机组实际采集到的数据中存在大量的异常数据,这给风电功率预测研究带来许多不利影响。对历史数据的风速-功率对应关系进行研究,识别并剔除异常数据。分析风速升降变化对功率的影响,建立SVM数据重构模型。根据风速升降特性及强相关风电机组的出力特性对数据重构模型加以改进。以风电机组的实测数据为例进行仿真计算,结果表明所述方法能够对异常数据进行有效地识别和重构。     

风电场弃风异常数据簇的特征及处理方法

风电场的历史运行数据尤其是风速和风电功率数据对风电场的运行管理和电力系统的运行调度都具有重要意义。在实际运行中,风电场的弃风现象较为严重,弃风会导致风速—功率散点图中存在大量横向分布的堆积型异常数据,这会对构造风电场的等值功率曲线产生较大的影响,从而降低风电功率预测精度,进而对风电场的运行管理和电力系统的运行调度造成不利影响。文中在分析风电场弃风异常数据特征的基础上,提出一种基于四分位法和聚类分析的异常数据组合筛选模型,首先采用两次四分位法剔除常规的分散型异常数据,再使用聚类法剔除堆积型异常数据,并采用二次聚类的思想来解决k-means聚类中k的取值问题。算例分析表明,该模型可有效剔除弃风造成的异常数据簇,对不同的风电机组和风电场有较强的通用性,具有一定的工程实用价值。     

基于Thompson tau-四分位和多点插值的风电功率异常数据处理

针对传统风电机组风速-功率异常运行数据处理清洗时间长、模型复杂的问题,提出一种基于Thompson tau-四分位法和多点插值的异常数据处理算法。首先,对切入风速与切出风速间等于或小于零的异常功率数据点予以剔除,通过划分风速区间,采用Thompson tau-四分位法对异常运行数据进行分段精细化清洗,降低异常点辨识的模型复杂度;然后,通过四点插值细分算法对清洗后的异常数据进行重构,获得完整的风速-功率有效数据;最后,以风电机组实际风速-功率数据为算例进行对比分析。结果表明所述方法实现简单、效率更高,尤其在临近风电场数据缺失、异常、不可用情况下,所提出的重构方法能有效提高重构数据质量,且重构效果更优。     

基于RR-VMD-LSTM的短期风电功率预测

准确的风电功率预测有利于电力系统运行、峰值调节、安全分析和节能减耗。提出了一种基于鲁棒回归(Robust Regression, RR)和变分模态分解(Variational Mode Decomposition, VMD)的长短时记忆(Long Short-Term Memory, LSTM)模型的风电功率预测方法。先使用RR处理采集数据的缺失值和异常点。再利用VMD得到风电功率序列以消除噪声并挖掘原始序列的主要特征。最后采用LSTM对每个分解序列的历史时间序列进行学习并完成预测,并通过重构所有序列的预测值获得风电功率的最终结果。使用所提出的方法对华北某一风电场风电功率进行预测,将预测结果与其他模型对比。结果表明,使用RR-VMD-LSTM方法能显著改善预测性能,降低风电功率预测误差。     

基于t Location-Scale分布的风电功率概率预测研究

风电功率特有的随机波动性,导致风电功率点预测方法的预测精度不高,增加了风电并网的难度,致使风电场弃风现象严重。基于风电功率点预测的基础上,风电功率概率预测可以预测出风电功率的波动范围,为电力系统的安全运行以及电网调度运行给出不确定信息和可靠性评估依据。提出了一种基于t locationscale分布的风电功率概率预测方法,即采用t location-scale函数来描述风电功率预测误差概率分布,并以此建立误差分布,基于已建立的误差分布可以进行概率预测。并引进了覆盖率和平均带宽来评价预测区间的优劣程度。利用吉林省西部某风电场历史数据验证了该方法的可靠性。     

数据提取方法对风电功率波动特性的影响分析

基于实测风电数据的风电功率波动特性分析能提高电网调度等部门对风力发电电源特性的认识,缓解风电并网给系统带来的不利影响。由于风电数据常常涉及到不同数据采集方法,因此有必要分析风电数据采集方法对风电功率波动特性分析的影响。本文根据东北某风电场的实测功率数据,通过间隔取点法和间隔平均值法获得不同功率数据序列进行风电功率波动特性分析。算例分析表明,不同的数据采集方法会对风电功率波动特性分析产生影响,且间隔取点法下的风电功率数据适用于风电功率预测,间隔平均值法下的风电功率数据适用于风电功率波动的概率密度特性分析。     

大型风电机组限功率运行特性分析及其优化调度

近年来大量风电场的并网给电网安全运行带来困难,为此电网调度部门对所辖风电场提出了严格的限发要求。变速风电机组需要从传统的最大风能利用运行模式向限功率运行模式转变,由于风力机功率特性具有强非线性,运行模式的改变对风电机组以及风电场的控制策略提出了更高的设计要求。提出了一种考虑风电机组限功率运行状态优化的风电场功率调度策略。首先,基于小扰动分析方法分析了限功率运行下风电机组非线性模型的稳定特性;然后,提出了一种限功率运行状态评价指标;接下来,建立了风电场功率调度多目标优化模型,并基于遗传算法设计了求解策略。最后,结合实际算例验证了所提调度策略的有效性。     

含大规模风电集群电网的在线计算数据生成技术

风电机组大规模接入导致电网的稳定形态更加复杂,迫切需要通过在线安全分析提高电网的新能源消纳能力和运行效率。针对在线安全分析难以准确模拟风电场动态特性的问题,提出了一种含大规模风电集群电网的在线计算数据生成技术。首先,融合状态估计、SCADA和安控系统等多源实时数据辨识低电压网络的运行状态,形成包含风电集群的电网运行方式数据。其中,根据量测数据的时空关联校正模型,识别和校正未经过状态估计量测中的不良数据。然后,依次依据风电机组的静态特征信息和运行状态进行分群,采用基于层次分析的聚类方法确定风电场的动态等值模型。最后,通过实际电网的算例分析验证了所提出方法的有效性。     

基于安全运行范围的风电场静态电压安全分析

从静态电压安全角度出发,对风电场静态电压偏移进行分析,提出了风电场静态安全运行范围的概念;基于电压约束条件,通过对风电场外送功率的线性变换,建立了风电场的静态安全运行范围,定义了运行点至边界的安全运行距离,并进行风电场稳态运行工况下的电压预警研究;通过无功优化的方法改善风电场的静态电压安全,给出其计算方法。在DIgSILENT/PowerFactory仿真软件上进行了仿真验证,仿真结果验证了所提静态安全运行范围对风电场的适用性。基于此可实现风电场的静态电压预警和无功优化分析,为风电场的安全稳定运行提供方法支持。     

海上风电场电气系统现状分析

海上风电发展呈现风电场容量扩大、离岸距离增加、并网要求标准化的特点,这为海上风电场电气系统设计带来重大挑战。大规模海上风电场电气系统与传统电厂相比,具有鲜明的要求与特点。在阐述了现有几种海上风电场电气系统接线方案的基础上,对目前海上电气设备的技术特点与成本状态进行了分析与比较,并就目前海上风电场电气系统研究存在的主要问题与前景进行了展望。     

面向提供系统灵活性的风电场内机组优化运行

现有风电优化运行模型中鲜有涉及风电场内部机组优化的运行策略,且风电大多以“被动”参与者的身份参与系统调度,忽略了风电自身提供灵活性的可能。基于此,提出一种面向提供系统灵活性的风电场内机组优化运行方法。首先,从供给侧和负荷侧分析风电场站并网时的灵活性资源及灵活性需求,探讨了风电作为灵活性资源的可能性,建立了其灵活性模型;其次,基于风电机组的运行特性采用FCM聚类算法对其进行灵活性分类,并建立分类机组的等效虚拟电源运行模型;然后,构建面向提供系统灵活性的风电场内机组优化运行模型,该模型在得到风电场最优出力计划的同时,通过优化风电场内机组的出力计划使风电场机组的损伤最小;最后,以某风电场为例,通过修订后的IEEE标准节点测试系统验证了该方法的正确性与有效性。     

台风条件下含混合电氢储能的海上风电场并网运行智能控制方法

随着我国海上风电装机容量不断增加,经济发达、电力负荷大的沿海地区越来越依赖和关注海上风电的安全运行。在系统常规火电机组容量下降、系统惯量较低的情况下,海上风电场的友好接入问题变得尤为突出。特别是在台风期间,海上风电场在达到截止风速之前可能会与受端电网迅速断开,导致主网出现大量功率缺额、电压频率恶化等不利影响。为了解决风电固有波动性和台风引起的大扰动问题,提出了一种含混合电氢储能的海上风电场并网运行控制方法。该方法在海上风电场正常运行期间,通过合理安排储能和充放能,有效平抑了风电波动性;而在台风过境期间,通过合理使用混合电氢储能,缓解了海上风电输出骤降,减少对受端电网的不利影响。通过对广东某海上风电场的真实数据进行仿真研究,验证了所提方法的有效性。     

基于方差变化率判据-四分位的风电场功率异常数据识别

风电场运行中产生了数量巨大的历史数据,而提升历史数据的质量是实现风电场高效智能运维的前提。为此,文中分析了风电场风功率数据的分布特征和形成机理,提出基于方差变化率判据-四分位法组合的风电场风功率异常数据识别方法。首先,利用物理规则对原始风功率曲线进行预处理,剔除明显异常的数据;然后,利用风功率方差变化率判据法识别并清洗风功率曲线的堆积型异常功率数据点,判据的阈值借助箱型图自动获取;同时,利用四分位法识别并清洗剩余的离散型异常数据点;最后,通过算例验证了所提算法的可行性。研究结果表明所提算法具有易实现、效率高和通用性强的优点,其异常识别效果优于局部离群因子(local outlier factor,LOF)算法和Thompson tau-四分位算法,其耗时比LOF和Thompson tau-四分位算法分别减少9.6 s和0.49 s,且在5个不同位置的风电场验证了所提算法的通用性。     

基于实测数据的风电场相邻日有功出力相关性研究

随着我国对可再生能源扶持力度的加大,风电装机容量也不断增大。由于我国北方地区冬季的供热需求量很高,致使冬季风能利用率不高、弃风现象严重,为了更加合理地利用风能资源,风电场历史运行数据成为必不可少的资料。利用Copula函数对北方地区某风电场非供热期相邻日有功出力进行计算,得到相邻日之间的联合概率密度分布图、联合分布函数图及相关系数。在此基础上,对相邻日有功出力的相关性进行定量研究,分析其随时间的变化情况,探讨风电场相邻日之间有功出力相关性。通过研究历史相邻日有功出力的相关性为研究未来相邻日有功出力相关性打下基础,同时也为电力系统工程调度运行管理人员提供一定的参考。