基于尾流模型的风电机组功率输出预测模型

基于尾流模型的风电机组功率输出预测模型

0风电场并网运行效率分析从2012年到2012年，中国的电网能力已经超过5200吨。预计2020年，电网能力将达到15.5亿元千瓦时。占全国总电网能力的10%，部分省级电网的电网能力比例将为20.1%-30%。随着风电渗透率的增大,其间歇性、波动性和反调峰特性将会对电力系统的正常运行造成威胁,近年来,“三北”地区风电场大量“弃风”已成为电网运行的普遍现象。风电场“弃风”运行不仅造成了风能的浪费,而且降低了风电场运行效益。为提高电网的风电渗透率减少弃风,一方面应增强电网调峰调频调度研究,另一方面要致力于改善风电质量,增强风电的可调性和可控性。作为风电领域的研究热点,风功率预测技术不断提高,近年来风电功率预测技术已应用于风电有功调度的研究,并取得了良好的控制效果。许多学者对含风电场的系统自动发电控制(AutomaticGenerationControl,AGC)问题进行了研究~,但普遍是以整个风电场或风电场群作为调控对象,在风电场并网运行后电网不干涉风电出力,通过调节常规机组以维持系统的平衡状态,没有考虑到系统调峰能力的限制。随着风电技术的发展,开始要求风电场直接参与系统调频,当系统频率过高时,需对风电场进行限电操作。经过厂网分开和竞价上网等改革,发电厂成为经济利益独立的实体,风电场要实现场内的经济调度,首先需编制合理的开停机方案。本文在风速预测的基础上结合了尾流效应模型计算风电场内风能分布,借助机组的运行特性曲线预测各机组的最大输出功率。将改进的粒子群优化算法应用于风电场机组组合运行问题的研究,提出了限电情况下风电场内的机组最优组合方案。1上风向风速随风电机组风速的分布风电场是由多台风机排列在不同位置组成的,由于尾流效应的影响,位于下风向的风电机组输入风速低于位于在上风向的风电机组,使得不同位置的风电机组风能分布不同。本文采用Jensen模型模拟风场内的尾流,同时考虑风机受上游风机的遮挡影响和不同风机间的相互影响,以超短期风速预测信息为输入条件,计算风电场内任意风电机组处的风速变化,并借助风机运行特性曲线预测各机组的最大输出功率。1.1尾流增散系数的确定Jensen尾流模型因其计算量小、能够较好地模拟平坦地形的尾流情况而得到了广泛的应用。图1为Jensen尾流模型示意图。图中vT,v0分别为风轮平面处的风速和上游来风的风速;vx为风力机下游距离x处尾流区的风速;x为风力机下游的距离;r0为风力机半径;rx为尾流横截面半径;κ为尾流扩散系数。Jensen假定尾流横截面呈线性变化,尾流横截面半径可以表示为对图1所示的控制体,由质量守恒定律得:式中:ρ为空气密度。根据理想风机动量理论,vT,v0和风电机组的推力系数CT满足:结合式(1),(2),(3)进一步推导,可得到风力机下游距离x处的风速:1.2尾流影响模型风通过风力机向下游方向传播,形成了一个锥形的尾流区域。如图2所示,根据某处风力机与其上游风机投影面的重叠程度,可以把不同风力机之间的相互影响分为A,B,C3种情况:部分遮挡、全部遮挡和没有遮挡,风力机受到的尾流影响和遮挡面积的大小成正比例关系。在实际的风电场中,每个风力机在不同的风向条件下都会受到多个风力机不同程度的尾流影响,本文风力机i受到的尾流影响用如下模型计算:式中:vji为风力机i完全处于风力机j的尾流影响时的风速;βji为风力机i与风力机j的尾流交汇面积的权值;Aji为交汇面积;r为风轮的半径。通过式(5)建立风电场全场范围内的尾流模型,以气象部门预测得到的超短期风速预测信息作为风场入口风速。通过计算得到任意机组处的风速,再根据各机组的最佳运行特性曲线得到各台机组的最大输出功率。2机组组合模型风电场在实际运行中,或者在有风电场动力备用条件下,需要“弃风”以限制整场出力。风电场现行方案是按风机编号逐个切除或直接切除连接回路的方式进行停机操作,这种被动调节方式具有一定的盲目性,没有考虑电场运营成本问题,也无法保证电场出力与电网调度指令之间的最小误差跟随。鉴于这种情况,有必要制定更科学更经济的机组组合方案。假定机组出力特性与最佳出力特性曲线相吻合,并且能够及时响应开停机指令。机组组合问题以场内各发电机组的开停机状态控制变量,在满足电网调度要求、机组调整频率、开停机时间限制等约束条件下,使单位发电成本最小。设N为风电场内可调度的发电机组的集合,调度周期为T,调度的时段集合为TF=(T,2T,3T,…,mT)。机组i∈N在调度周期t∈TF内的平均发电功率用Pi,t表示,由第1节中的预测方法得到,机组的开停机状态指令Si,t:机组组合的目标函数可表示为式中:ft为t时段内电场单位发电成本;Fr,t为运行成本,与电场总发电量成一次函数关系;系数a0,a1由电场建设成本、机组运行维护成本和各路控制器的动作成本折算得到;Fs,t为启停机成本;系数a2根据风电场机组开停机损耗决定;Fp,t为电网惩罚费用;系数a3反映风电波动对电力系统造成运行负担;Pt,F为t时段内风电场输出总功率。(1)出力约束在限电情况下,风电场最大出力超过系统调度的要求,需满足:式中:σ为限电情况下允许的电场出力波动极限,与电场总装机容量有关,一般不大于10%。(2)切除台数约束为使更多的机组参与运行,风电场应尽量少地切除机组,限定t时段内风电场切除机组的总台数满足:Nminoff,t,Nmaoff,tx分别为t时段内最小切除台数和最大切除台数,将场内运行机组按预测出力从大到小重新编号,Nminoff,t,Nmaoff,tx分别满足:(3)最小启停时间约束式中:ti,on,ti,off表示第i台风机的连续运行时间和停机时间;Ton,Toff分别表示机组允许的最小运行时间和最小停机时间。3改进的粒子群优化算法3.1标准pso算法Kennedy和Eberhart于1995年提出的粒子群优化(ParticleSwarmOptimization,PSO)算法是一种新兴的基于群体智能的启发式全局搜索算法,由于它易理解、易实现、收敛速度快等特点,被广泛应用于连续非线性优化问题和组合优化问题等工程问题中。PSO算法将每个个体看做是搜索空间中的一个无重量无体积的微粒,每个粒子用位置、速度、适应度3个指标来表征。粒子依据自身的历史最优位置和整个群体的最优位置来更新速度和位置,计算出粒子的目标函数值,以此作为适应度来衡量粒子的优劣程度。PSO算法最初由n个随机粒子组成的群体对D维空间进行搜索。第i个粒子表示为Xi=(xi1,xi2,……,xiD),对应的速度为Vi=(vi1,vi2,……,viD),它经历过的最好位置(最好适应值)记为Pi=(pi1,pi2,……,piD),也称为pbest。群体所有微粒经历过的最好位置记为Pg=(pg1,pg2,……,pgD),也称为gbest。对每一代,它的第d维(1≤d≤D)根据如下公式进行进化:式中:系数ω为惯性权重,表示对粒子当前速度继承度,ω值较大,全局寻优能力强,局部寻优能力弱;c1是粒子跟踪自己历史最优的权重系数,c2是粒子跟踪群体最优的权重系数;ξ和η是两个在[0,1]范围里变化的随机值;粒子速度受到最大速度vmax的限制,vmax是常数,由用户自定义决定;γ是位置更新时与速度有关的一个系数,称为约束因子。粒子通过不断更新,最终飞至解空间中最优解所在的位置,搜索过程结束,最后输出的Pg即为全局最优解。3.2代迭代收敛算法在实际应用中,常规粒子群算法逐渐表现出易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点。本文根据机组组合问题的工程需要对基本粒子群算法进行改进,动态调整惯性权值,惯性权重按式(16)取值:将式(16)带入式(13)得到式中:Fkbest,Fk+1best分别表示种群在第k代和第k-1代的最优适应值,在目标函数为求最小值的情况下,当FkbestFk+1best<1时,此次迭代总体收敛,比值越小ω越大,搜索步长越大,全局搜索能力强;当FkbestFk+1best≥1时,此次迭代总体发散,比值越大ω越小,搜索步长越小,局部搜索能力强。每次迭代时ω都根据所得最优适应度值进行变化,充分利用目标函数的信息,使搜索方向的启发性增强。4风电场机组最优组合的控制方法以一个含50台1.5MWDFIG风力发电机组的风电场作计算实例。假设地形平坦,采用常规的梅花型布机方案,风轮直径70m,间距300×600m(4.5×9D,D为风轮直径),风机排布及编号方式如图3所示。以图4所示的15min风速点预测信息为输入条件,根据第1节提出的方法预测该风场内各机组最大出力。图5是部分风机的预测出力结果。在此基础上实时扫描电网调度指令,首先判断是否生成新的启停机操作,若需要,则验证机组的状态指令,根据最小运行时间和最小停机时间挑选出不参与本次调控的“不动作”机组,对于剩余的“可动作”机组,采用改进PSO算法实现最优组合,主要步骤如下。②按照t时段预测的出力情况,将场内运行的“可动作”机组按预出力大小进行重新编号,建立机组编号与机组出力之间的相关性联系。③将新增运行机组的台数作为粒子维数。④初始化一群微粒(群体规模为n),包括随机的位置(机组编号)和速度,位置和速度均取整数,将各位置对应的机组的状态指令置1。⑤从第2代开始按照式(16)确定权重ωk,按公式(8)评价每个微粒的适应度。⑥更新局部最优解pbest和全局最优解gbest。⑦根据方程(17),(14),(15)更新微粒的速度和位置。种群进化过程会产生两个问题:更新位置为小数;位置出现重复。应对方法:首先对更新位置进行圆整,把重复出现的位置、已出现的位置和未出现的位置分成3个集合,对更新过的粒子位置排序,从第2项开始,如果第m+1个和第m个元素相同,则在未出现的位置集合中找到离第m+1个数最近的位置代替它,并将找到的位置从未出现的位置集合中除去。⑧如未达到预设最大代数Gmax,返回到步骤④。风电场机组最优组合运行方案的控制流程图如图6所示。模型参数设置如下:系数a0=2,a1=0.4,a2=0.1,a3=15,σ=5%,Ton=Toff=15min;最大速度vmax一般设定为问题空间的10%~20%,本文取vmax=5;约束因子γ=1;加速常数c1和c2分别用于控制粒子指向自身或邻域最佳位置的运动,建议c1+c2≤4,通常取c1=c2=2。在优化计算过程中,本文采用基本PSO和改进PSO两种算法进行了对比分析,图7为前4个控制周期内特定停机台数下这两种算法的收敛特性曲线,可以看出改进PSO算法的收敛速度明显优于基本PSO算法。由于机组组合问题本身对可行解的精度要求不高(要求为整数解),不易陷入局部最优,采用改进PSO算法基本保证迭代30次以内达到全局最优解,有效节约了计算时间。采用改进PSO算法对所有预测时段进行优化计算,得到每个控制周期内最佳适应度与总切除台数的关系,图8为前6个周期的关系曲线。由图8可以看出,每个控制周期内适应度最优值对应的切除台数均靠近(或等于)最小切除台数,因此,直接取适应度最小值对应的切除台数作为电场在该时段内的总切除台数,这样不但保证了目标函数最优,而且符合电场“允许更多机组运行”的原则。图9为基于不同机组组合方案的对比情况:(a)图是风电场预出力情况对比图,(b)图是不同机组组合方案运行成本对比图。由两图可以看出,基于改进PSO算法的机组组合方案和按机组编号切除相同机组的方案相比,风电场预出力能够更好地追踪电网给定负荷,减少“弃风”量,对于电场的出力波动也具有一定的抑制作用,同时使运行成本维持在较低水平,大大提高了风电场的运行效益。5基于pso算法的机组组合问题本文从提高风电场的经济效益出发,对限功率情况下场内机组组合问题进行了研究。将风速预测信息与尾流效应模型结合起来,通过计算得到场内各机组位置的风速分布情况,预测场内各台机组的最大出力。在此基础上,以单位发电成本最小为目标函数,