并网风电机组运行特征参量的预测模型及应用

I 摘 要 随着我国风电机组装机容量的逐渐增加， 风力发电在电网中所占比例也逐年增大。由于自然风速大小和方向的不确定 性，并网风电机组常在不同运行工况之间动态切换，使风电机组各部件相关性、 随机性特征愈发明显，再加上在其恶劣环境的条件下，各个部件因载荷、磨损、 疲劳强度和运行性能等都会随着运行环境和工作时间的变化而逐渐下降。为了减 少因其而发生的故障，提高并网风电机组运行的可靠性，有必要对反映风电机组运行状态的特征参量进行预测和判断。 在分析并网风电机组的工作原理、控制策 略及其并网影响的基础上，选择输出有功功率、发电机转速、齿轮箱输入轴 温度、发电机绕组温度和变频器温度等作为反映风电机组运行状态的特征参量； 根据特征参量相关性进行伪数据判断，并应用拉格朗日插值法对错误和遗漏数据 进行修正和补充。将该方法应用于海装9 号风电机组风速、有功功率等特征参量 的数据修正，算例表明拉格朗日插值法精确、简单、有效。 对风电机组每一特征参量分别建立其 经网络模型，基于统计数据、神经网络层数间存在的相关联系及枚举试探 法，确定网络层数及各层神经单元，并通过有功功率与各状态特征参量间的相关 性，对预测模型进行完善。应用 该模型应用于 风电机组特征参量的预测，算例结果表明 实现风电机组特征参量的预测，该 模型具有泛化能力强、计算量小等特点。 为了与 经网络进行对比分析，基于历史经验数据及枚举试探法，对每一特征参量分别建立其 经网络模型， 并通过 进而实现风电机组特征参量的预测。将该模型与 经网络进行比较，算例结果表明 型具有学习速度快、精度更高的特点。 最后，本文总结了各种预测模型的优缺点 并对预测结果进行分析，提出了进一步需要改进的地方，展望了更多的风电 机组特征参量的预测方法和以后相关的研究方向。 关键词：风电机组，数据处理，运行状态，特征参量，神经网络 in of in in of to of of of in of in to In to of of is it is to of in on as a of of to in is to of on th is BP of on to of of is to of P a P on of BF to a of of is P BF a of of to of 录 中文摘要 . I 英文摘要 . 绪论 . 1 言 . 1 电产业现状及其发展趋势 . 1 文研究背景 . 2 文研究意义 . 3 网风电机组的特征参量统计分析 . 4 网风电机组特征参量预测 . 5 外预测方法研究 . 5 内预测方法研究 . 6 文研究的主要内容 . 7 2 并网风电机组工作原理及其运行特征参量分析 . 8 电机组简介 . 8 电机组基本结构 . 8 电机组能量转换过程 . 8 网风电机组的工作原理 . 10 网风电机工作原理 . 10 网风电机控制策略 . 10 电机组并网对电网的影响 . 12 电机组运行状况分析 . 13 网风电机组运行特征量的选择 . 15 结 . 16 3 风电机组特征参量统计数据的预处理 . 18 言 . 18 电机组运行数据的检验 . 18 电机组故障数据的修正 . 19 电机组预测数据的转换 . 22 电机组预测结果的误差评价指标 . 22 结 . 23 4 基于 经网络的风电机组状态特征参量预测 . 24 V 言 . 24 P 神经网络算法 . 24 经网络算法概述 . 24 P 神经网络算法 . 27 于 经网络的风电机组状态特征参量预测模型 . 30 前 1 分钟的预测模型 . 30 前 10 分钟的预测模型 . 31 虑状态特征量间的相关性的有功功率预测模型 . 32 于 经网络预测模型求解算法 . 33 例分析 . 33 电机组的基本情况 . 33 前 1 分钟的风电机组特征参量的预测 . 34 前 10 分钟的风电机组特征参量的预测 . 35 虑状态特征量间的相关性对风电机组有功功率的预测 . 36 结 . 37 5 基于 经网络风电机组状态特征参量的预测 . 39 言 . 39 经网络算法 . 39 于 经网络的风电机组状态特征参量预测模型 . 40 于 经网络的预测模型求解算法 . 42 据网络求解算法 . 42 络学习算法在 的实现 . 43 例分析 . 43 例风电机组的基本情况 . 43 前 1 分钟的风电机组特征参量的预测 . 44 前 10 分钟的风电机组特征参量的预测 . 45 虑状态特征量间的相关性对风电机组有功功率的预测 . 46 P 和 经网络预测结果的对比分析 . 47 P 神经网络模型特性分析 . 47 经网络模型特性分析 . 47 P 与 经网络模型对比分析 . 48 结 . 50 6 结论与展望 . 51 致 谢 . 53 考文献 . 54 附 录 . 58 作者在攻读学位期间发表的论文 . 58 1 1 绪论 言 电产业现状及其发展趋势 随着全球经济的不断快速发展，煤、石油等不可再生能源愈发显得稀缺珍贵，并且带来的环境问题日益严重。由于传统 的电力发展给环境带来了日益严重的负担，也导致化石燃料的逐渐枯竭，因而全 球都十分迫切的争取可持续开发的绿色能源，世界各个国家都加大力度研究和发 展新能源技术。它包括了多种可再生能源，例如太阳能、风能、地热能等1。 在这众多的新能源中，风能的应用范围实属最广，风能资源丰富，绿色环保，成为许多国家高度重视的领域。 据统计， 全球可利用的风能资源大概为 2 107地球上可开发利用的水能总量的 10 倍，而目前已经被开发的风能只是微不足道的一部分。在 2020 年，世界电力需求预计会上升到每年 亿 以，若 50%的风能资源能被有效利用，则可满足世界电力需求1。风能主要的利用形式就是风力发电，其具有不消耗矿产资源， 发电过程对环境毫无污染等特点，因此在强调保护环境、可持续发展的当前，成 为现今全球新能源中技术最成熟，最具规模化和商业化的发电方式之一12。 自 21 世纪开始，全球风力发电的总装机容量增加了 9 倍，并且正在迅速巩固其作为全球能源结构主要组成部分的位置3。近年来，亚太地区的风电规模出现显著增长，截至 2005 年底，亚洲风电装机为 702 万 世界的 新增装机 226 万 本政府一再重申发展再生能源的重要性，仅 19992003 年日本与西欧有关风能开发技术、 开展合作的项目就达 55 个。 2009 年， 中国新增 13000个惊人的增速处于世界领先 位置，也是一个国家首次在一年内新装机容量超过 10000。 德国是发展和利用风能较早的国家，自上世纪 90年代以来 ,德国总共建立了6600座风力电站，无论是年新增装机容量，还是总装机容量，始终保持领先地位。美国风能行业 2006年新增装机容量 2454入大约 40亿美元，风能连续第二年成为仅次于天然气发电的发电形式5。算上新建成风力发电场，美国现在风电装机容量已比 2006年 8月达到里程碑的 1万 7%，达到了 11603国能源部新能源管理机构最近指出，尽管目 前风能发电仅占全美电力生产比重的略多于 但这一比重在 2020年后可达 15%。近年来5，美国风力发电技术已有重大改进，主要表现在：改进了风力发电设备的叶片设计，普遍使用风向传感元件、采用自动控制系统，减少了人力和降低了成本。美国风电的迅猛发展，使其在 2008 2 年的风电装机容量超过了长期处于世界领 先地位的德国，领跑世界。丹麦靠近北海，是多风之国，也是最早发 展风力发电站的国家。 20多年来，丹麦在利用风能方面一直处于领先地位。 20世纪 90年代以来，特别是近 10年，丹麦风力发电量的增长率均在 30%以上。丹麦在电力供应中风电所占比例最高，其风机容量现已超过全国各发电机组装机容量的 20%。 随着风电的快速发展， 全球每年新增的装机容量也增加十分迅猛。 尤其在 2010年，世界风能协会（ 告指出世界风力发电机市场在 2010年上半年迎来了强势增长，全球新增 16计装机容量达到 175增装机容量最大的是依然中国， 2010年 1到 国新增装机容量有所下降，只增加了 总装机容量为 居首位。如表 各国 2010年 6月装机容量45。 表 国风机装机容量 of in 号 国家 2010 年 6 月底总量（ 2010 年上半年新增（ 2009 年底总量（ 1 美国 36300 12000 351592 中国 33800 7800 26010 3 德国 26400 660 25777 4 西班牙 19500 400 19149 5 印度 12100 1200 10925 6 意大利 5300 450 45807 法国 5000 500 4521 8 英国 4600 500 40929 葡萄牙 3800 230 3535 10 丹麦 3700 190 文研究背景 2005 年 2 月，我国国家立法机关通过了可再生能源法 ，明确指出风能、太阳能、水能、生物质能及海洋能等为可再 生能源，确立了可再生能源开发利用在能源发展中的优先地位。 2009 年 12 月，我国政府向世界承诺到 2020 年单位国内生产总值二氧化碳排放比 2005 年下降 40%45%，把应对气和变化纳入经济社会发展规划，大力发展包括风电在内的可再生能源与核能，争取到 2020 年非化石能源占一次能源消费比 3 重达到 15%左右。随着新能源产业成为国家战略新 兴产业规划的出台，风电产业迅猛发展，有望成为我国国民经济增长的一个新亮点。 大力发展新能源是我国能源发展战略的重要组成部分4。 风力发电是环保的可再生能源，可以部分代替燃煤发电容量， 有效减少污染物排放。在我国风能资源比较丰富、风电发展较快的地区，风能作 为一种不可忽略的电源形式，并得到国家政策强有力的支持。按照国家发改委的计划，到 2020 年我国风电装机容量将达到 30 文研究意义 虽然风能是环保的可再生能源，但由于其 本身的随机性和不确定性等特点，给风力发电带来了一系列的问题，如今已受到人们的广泛关注。 风力发电与传统发电不同，风能由于空气 的流动而产生，并且受到外界因素的影响。由于自然风速的大小和方向的不 确定性，风力发电中具有很大的随机性和不可控性。实际工作情况下风电通常还 具有反调峰特性，即风电出力小时负荷较大，而风电出力大时负荷却较小，带给 了风电丰富地区的电网调度和电力市场管理很大挑战。 目前，随着风电总装机容量的不断增加， 陆上风电技术趋于成熟，风电市场逐渐走向具有巨大开发前景的浅海地区。 基于海上风资源丰富，大容量风电场的建设由陆地逐渐向浅海发展，甚至向深海 区域发展。相比陆地风电场，海上风电机组会面临更恶劣的运行环境和更高的运行维护成本。 另一方面，并网风电机组的运行状态由各 个方面因素决定，涉及机组本身、外界环境及并网后电网对其的影响。因此 ，风电机组的特征参量就是对决定风电机组运行状态的各个因素的综合描述，相 应地也包括了机组特征参量、环境特征参量及并网后的运行特征参量。因此对风 电机组特征参量的预测也就间接地反映机组运行状态的变化，即可以通过特征参量的预测提前了解风电机组运行的状态。通过对风电机组状态的提前预知，利于工 程人员对风电机组进行状态检修，采取措施减小对电网及自身的影响。 并网风电机组特征参量的预测主要目的就 是要研究各特征参量的变化规律，观察其是否满足各自的合理范围。若服从 其合理的变化范围，则可判断风电机组正常运行；若预测出某一或某几个特征参 量都超出各自的合理变化趋势，则风电机组在未来一定时间段内就将可能处于故障状态，则应提前采取相应的补救措施，减小故障发生的可能性，减小损失。 因此，为了预知风电机组的运行状态，为 了提前根据其故障状态做出正确、快速的解决措施及方案，有效地避免或减 少故障及连锁式故障的发生，进一步减小故障状态下的损失，十分有必要根据已 知数据提前预测和判断并网风电机组的 4 运行特征参量的变化规律，进而通过各特 征参量反应风电机组的运行状态，实现大规模安全风力发电，可靠、高效并网运行具有重要现实意义6。 由于风速的随机性，导致风机的出力具有 不确定性，将风机输出功率作为重要特征参量进行预测，既能随时预知风电 机组并网后的运行状态，又可使电力调度部门根据风电功率变化及时调整调度计 划，保证电能质量，减少系统的备用容量，降低电力系统运行成本减轻风电对电 网造成不利影响，提高电网中风电装机整体比例。 总体概括，风电特征参量及其运行状态的预测有如下几点突出作用56： 提前预知风电机组运行状态，为其运行做好基础。 通过对风电机组运行状态的提前判断，采取相应措施，避免故障发生及对电网产生的不利影响。 对风电机组状态检修提供依据，利于工程人员进行状态检修，减小故障状态下的损失。 对有功功率特征参量的预测，使电力调度部门根据风电功率变化及时调整调度计划，保证电能质量，减少系统的备用容量，提高电网中风电装机整体比例。 为以后风电的进一步研究和预测提供可靠的理论参考和价值性的经验。 由此可见，开展对风电机组运行状态的预测研 究对于中国实现大规模开发风电场是必不可少的关键步骤。同时，根据 风电场自身特性对应开发相应的预测研究系统，将为中国风电机组运行状态预测 提供理论参考，并为今后的研究积累经验，具有重大的理论意义和工程价值。 网风电机组的特征参量统计分析 通常情况下，组成风电机组的各机械部件 的运行状态可以在一定程度上反映整个风电机组的运行状态，如齿轮箱故障 而温度过高时，可能会使机组过多发热最终导致机组停运；发电机转速下降时， 其机组输出功率必会受到一定影响。在实际情况中，外界环境也会对风机运行状 态产生一定的影响；当风速变化时，发电机组输出功率也会随之改变；电网发生 故障也会给并网的风电机组带来不稳定的影响因素。 工程表明，机组本身机械部件处于的状态 (正常或故障状态 )、外界环境因素及并网后的运行状态都对风电机组的运行状 态产生十分重要的影响。为了全面具体的分析风机并网后的运行状态，将与其运 行状态有关的因素进行综合的描述，即由风机本身相关因素、外界环境相关因素 和运行相关因素共同组成的特征参量。从而，将反映风电机组运行状态的特征参 量分为机组性能特征参量与外界因素特征参量7。 5 机组性能参数： 齿轮箱：齿轮箱轴承温度、齿轮箱回油温度、齿轮箱油池温度 发电机：发电机轴承温度、发电机绕组温度、发电机冷却水温度、发电机转速 控制柜：电抗器温度、电容器温度、 度、整流器温度 机舱：机舱位置、机舱振动加速度 外界因素参数： 环境因素：风速、环境温度 电网因素：相电压、相电流、有功功率、无功功率、电网频率 风电机组特征参量众多，合理的选取必要 的特征参量是对风电机组运行状态预测的必要条件。 由于安装在风电机组上的数据监测系统并不 能监测所有特征参量的相关数据，因此根据在线监测信息，选取连续、完整的风电机组特征参量。 风电机组特征参量由机组性能特征参量和外界因素特征参量两部分组成，因此选取的特征参量应该涉及机组性能和 外界环境两种影响因素，使其更能全面准确的反映风电机组的运行状态。 风电机组并网后对电网的影响主要取决于风电出力的随机性及不确定性。因此，根据对电网影响的重要性，选取风 电机组有功功率以作为特征参量是必不可少的。 最终，本文根据算例的在线监测数据统计 和实际情况，选取风机输出有功功率、发电机转速、齿轮箱温度、发电机绕 组温度、变频器温度作为整个风电机组运行状态预测的一组特征参量。 网风电机组特征参量预测 外预测方法研究 目前，国外对风电机组运行状态的预测研 究主要集中在对风电场输出有功的预测5。 其针对风电功率预测的研究大多数集中在中尺度模型和微尺度模型的结合以及不同中尺度模式对预测结果的改进， 并得了一定的研究成果。国外最早的风电研究单位是丹麦的 家实验室，随后德国和美国也进行了深入研究，纷纷开发了自己的商用预测系统并投入运行。 其中，基于物理原理的风电功率预测方法3是一种用途较广的主流预测方法，丹麦、德国、西班牙等国均有基于物理原理的风电功率预测系统投入运行，如 。该方法可以有效解决统计方法存在的问题，但目前国内尚未见到关于物理方法的研究成果与工程应用实例。 6 美国 司开发的 电功率预测系统，其主要包括了一组高精度的三维大气物理属性模型、适应性 统计模型、风电场输出模型和预测分发系统。 测系统可以预测未来 48 小时的功率输出情况，实际投入运行时所产生的 12 至 36 小时内的预测数据表明此系统的工作效率提高了 50%。 西班牙马德里一所大学开发的风电功率预 测工具主要要三种预测模式：基于统计时间序列方法的短期预测，其能提前 10 小时预测风能；基于适应性模糊神经网络的中期预测模式，能提前 72 小时预测风电场的输出，这两种模式都是以据和 据位输入的；最后一种是综合预测模式，通过全面考虑预测范围内长期和短期预测所产生的一个最佳值。 除上述所提及的风电预测系统外5由于风电产业的迅猛发展，全球越来越多的国家都在进行相关研究，有些预测系统 和技术趋于成熟并投入使用，有些处在试用阶段等待更深层次的研究和开发。 内预测方法研究 我国风能资源储量丰富，国内许多研究单 位和企业都在进行这方面的研究，虽然国内在风电运行状态的研究处于起步 阶段，但许多企业和科研院都已意识到其重要性，正关注这方面的研究。 国内不仅在风电场功率预测与在线监测等 技术方面进行研究，还对风电场风速的大小预测有不少的报道。风电场风速预测可分为短期预测与中长期预测5。短期预测一般为 10h 以内的预测，中长期预测一般为未来几天甚至几个月的预测。相对中长期预测，短期预测对所建模型的 预测精度要求更高，时间序列的模型样本相对不平稳，其模型构建难度更大。 工程实际中数据的预测算法通常包括神经 网络法、遗传算法、小波分析法、卡尔曼滤波法、灰色算法等，其中，许多 算法在电力领域的风电运行参数研究中具有广泛的应用性。但是当前，存在的困 难如所建模型较难或是无法实现超前多步预测或预测精度过低，使得我国风电场 各运行状态特征量的短期预测研究水平并不高。所建模型产生该现象的主要原因包括 2 个方面56： 所建模型自身取得的超前 1 步预测精度较低，通过多步迭代预测计算后，逐渐将上一步的预测误差带入下一步模型 计算，使得最后产生的超前多步预测精度不断降低； 所建模型的自学习能力较差，预测模型不能根据实时的监测数据动态修正预测值或模型方程中的主要参数。 为此，国内现有的方法就是采用不同的预 测算法混合建模来提高预测模型的超前 1 步预测精度，从而间接提高整体模型的超前多步预测精度。 常用的有时序分析与人工神经网络法混合 建模，这种方法虽提高了预测模型 7 的超前 1 步预测精度，但对所建模型的超前多步预测结果却没有直接的研究与阐述；神经网络法的黑箱性使得该混合算法 无法获得预测模型显式方程，难以在实际风速预警系统中应用。 另外一种是基于滚动式时间序列法与小波 分析法混合建模的短期预测算法，该算法以提高模型的预测能力和其自学习 能力为基础，平衡综合地考虑模型的预测精度和建模的计算复杂度，使得非平稳 时间序列在短期预测模型中精度较低的缺点得以有效解决。 文研究的主要内容 本文以风电机组为研究对象，开展其运行 特征量的预测。论文在风电机组运行状态特征参量的选择、特征参量的数据修正、特征参量的 经网络模型、