本發明涉及風力發電,尤其涉及一種考慮尾流和阻塞的風電短期功率預測方法、裝置、設備及介質。
背景技術:
1、我國擁有十分豐富的海上風能資源,海上風電產業已經成為推進我國電力系統能源綠色轉型和保障低碳經濟發展的重要戰略支撐。與陸上風能資源相比,海上風電具有發電量更高、土地資源占用少和靠近東部負荷中心等獨特優勢,但海洋環境條件變化頻繁,海上風電場易受大氣邊界層、尾流和堵塞效應、風電機組的運行狀態、洋流等多尺度時空間因素影響,風況呈現隨機性強、季節性明顯和波動性大等特點,這給海上風電的開發利用和管理帶來了巨大挑戰。
2、同時,高比例、大規模風力并網使得電力供需平衡變得十分困難,也影響著電力系統的安全穩定運行。短期預測時間尺度一般為未來一到兩天,主要應用于對海上風電機組的日前安排以及調度。尾流效應和阻塞效應是風電場內部普遍的空氣動力學現象,同時也是風電場進行電能生產的重要影響因素,二者忽略其一都會導致整個風電場的功率預測結果偏高,因此,將尾流效應和阻塞效應作為物理因素納入風電短期功率預測方法中是非常有必要的。
3、公開于該背景技術部分的信息僅僅旨在加深對本發明的總體背景技術的理解,而不應當被視為承認或以任何形式暗示該信息構成已為本領域技術人員所公知的現有技術。
技術實現思路
1、本發明提供了一種考慮尾流和阻塞的風電短期功率預測方法、裝置、設備及介質,從而有效解決背景技術中的問題。
2、為了達到上述目的,本發明所采用的技術方案是:一種考慮尾流和阻塞的風電短期功率預測方法,包括如下步驟:
3、采集海上風電場中每臺風電機組的外部環境和運行數據;獲取風電場來流信息數據,并進行預處理;
4、獲取風電場風機布局及機組參數,建立jensen尾流模型和圓柱渦流阻塞模型相耦合的工程解析模型,并基于預處理后的所述風電場來流信息數據獲得風電機組的入流風速和風向值;
5、構建基于條件生成對抗網絡的海上風電功率預測模型;
6、以一個服從標準正態分布的一維隨機噪聲向量、預測日風電機組外部環境、入流風速和風向正余弦值作為模型輸入,預測日海上風電場實際有功功率作為輸出,對所述功率預測模型進行訓練;
7、使用訓練后的所述功率預測模型對海上風電場進行預測,得到預測日各時刻風電場的功率預測結果。
8、進一步地,所述外部環境包括:每臺風電機組的外部風速、風向、湍流強度;
9、所述運行數據包括:每臺風電機組的有功出力;
10、所述風電場來流信息數據包括:2m、10m和50m高度處的經緯向小時級風速數據。
11、進一步地,所述獲取風電場來流信息數據,并進行預處理,預處理過程包括:
12、將風速小于切入風速與大于切出風速的兩類停機數據、各限功率點剔除;
13、將負數據值統一作為零值;
14、將各運行數據的時間分辨率精度調至預設值,對數據缺失進行補全;
15、將風電場來流信息數據中的經緯向風速數據轉換成風速和風向角大小,并通過以下公式折算到風機輪轂90m高度處:
16、v90m=1.484v10m;
17、式中:v90m,v10m分別為90m以及10m高度處的風速值;
18、將輸入風速和湍流強度數據進行標準化處理,風向用其正弦值和余弦值表示,有功出力數據等比例縮放至[0,1]之間。
19、進一步地,所述采集海上風電場中每臺風電機組的外部環境和運行數據之后,根據每臺風電機組的輸出功率與風電場總出力的相關性大小,選擇風電場代表性機組,在后續模型訓練中,使用所述代表性機組的外部環境、入流風速和風向正余弦值作為模型輸入。
20、進一步地,選擇所述代表性機組時,通過皮爾遜相關性分析,確定每臺風機輸出功率與風電場總出力的相關性關系,包括:
21、
22、式中:pk為第k個風機的功率序列,pfarm為風電場的功率序列,n為序列中元素個數,t為時刻;相關系數rk∈[-1,1],rk越大,表明風電場功率與代表性機組風電功率的相關性越強。
23、進一步地,所述構建基于條件生成對抗網絡的海上風電功率預測模型,包括:
24、采用兩層并列的門控循環單元gru網絡以及一層全連接網絡組成生成器模型,并以一維卷積神經網絡以及通道注意力層為基礎構造所述功率預測模型的內部結構。
25、進一步地,所述風電場風機布局包括:
26、每臺風機的經緯度信息;
27、所述機組參數包括:機組的額定功率與額定風速、切入及切出風速、輪轂高度、風輪直徑以及、理論風功率以及推力系數曲線。
28、進一步地,所述建立尾流模型和圓柱渦流阻塞模型相耦合的工程解析模型,包括:
29、jensen尾流模型中,風輪軸向距離x處的尾流速度為:
30、
31、式中:u∞為風機輪轂高度處的自由來流風速,ct為風機的推力系數,r為風輪半徑,kw為尾流擴張系數;
32、圓柱渦流阻塞模型假設尾流的幾何形狀為截面半徑等于風輪半徑r且具有恒定切向渦量γt的半無限圓柱,其中切向渦量計算公式為:
33、
34、式中:為轉子平面中的平均軸向感應系數;
35、風輪軸向距離x處的誘導速度為:
36、
37、式中:r為徑向位置,k和π分別是第二類和第三類完全橢圓積分,k為橢圓參數,
38、基于上述公式,徑向位置為0時,近尾流區速度的簡化形式為:
39、
40、遠尾流區速度的簡化形式為:
41、
42、用泰勒公式展開可以得到簡化形式為:
43、
44、在尾流和阻塞模型耦合的過程中,假定渦柱模型的誘導速度在半無限圓柱體積內和風輪平面上為零,采用圓柱渦流模型的速度場來描述機組上游的阻塞效應,同時用jensen尾流模型表示機組下游的尾流場,其他區域兩種速度場直接線性疊加;將預處理后的風電場來流信息數據輸入到該模型中,得到代表性機組位置處的入流風速和風向值。
45、進一步地,對所述功率預測模型進行訓練時,將一個服從標準正態分布的一維隨機噪聲向量、預測日代表性機組每小時的風速和湍流強度、入流風速和風向正余弦值作為模型的輸入,將預測日時間間隔為一小時的海上風電場實測有功功率作為輸出,所述一維隨機噪聲向量含有24個元素。
46、進一步地,所述構建基于條件生成對抗網絡的海上風電功率預測模型中,條件生成對抗網絡的生成器和判別器的損失函數分別表示為:
47、
48、
49、基于條件生成對抗網絡架構對抗損失的具體函數表達式為:
50、
51、式中:l(d,g)是條件生成對抗網絡的目標函數,和分別表示標準正態分布pz與真實數據分布pr分布的期望值,x為真實風電功率數據,y為條件變量,z為一個服從標準正態分布的噪聲序列,d(x|y)是實際風電有功功率樣本和真實風電功率總體的相似度,d(g(z|y)|y)是預測風電有功功率樣本和真實風電功率總體的相似度,在條件生成對抗網絡的訓練中,生成器g致力于最小化上述目標函數,但判別器d致力于最大化上式,從而形成二元極大極小博弈;
52、在其目標函數中增加損失函數,huber損失函數包括:
53、
54、式中:δ為參數,p和分別為由海上風電功率的實際值和預測值組成的一維向量,pi為海上風電功率在第i時刻的實際值,為由cgan生成網絡輸出的第i時刻海上風電功率預測值;
55、條件生成對抗網絡的生成器的最終損失函數為:
56、lg=λ1l′g+λ2lhuber((g(z|y),x);
57、式中:λ1和λ2為權重系數,λ1+λ2=1。
58、本發明還包括一種考慮尾流和阻塞的風電短期功率預測裝置,使用如上述的方法,包括:
59、采集單元,用于采集海上風電場中每臺風電機組的外部環境和運行數據;獲取風電場來流信息數據,并進行預處理;
60、工程解析模型建模單元,用于獲取風電場風機布局及機組參數,建立jensen尾流模型和圓柱渦流阻塞模型相耦合的工程解析模型,并基于預處理后的所述風電場來流信息數據獲得風電機組的入流風速和風向值;
61、功率預測模型建模單元,用于構建基于條件生成對抗網絡的海上風電功率預測模型;
62、訓練單元,用于以一個服從標準正態分布的一維隨機噪聲向量、預測日風電機組外部環境、入流風速和風向正余弦值作為模型輸入,預測日海上風電場實際有功功率作為輸出,對所述功率預測模型進行訓練;
63、預測單元,用于使用訓練后的所述功率預測模型對海上風電場進行預測,得到預測日各時刻風電場的功率預測結果。
64、本發明還包括一種計算機設備,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序,所述處理器執行所述計算機程序時,實現如上述的方法。
65、本發明還包括一種存儲介質,其上存儲有計算機程序,該計算機程序被處理器執行時實現如上述的方法。
66、本發明的有益效果為:本發明通過獲取風電場風機布局及機組參數,建立jensen尾流模型和圓柱渦流阻塞模型相耦合的工程解析模型,并基于預處理后的風電場來流信息數據獲得風電機組的入流風速和風向值,構建基于條件生成對抗網絡的海上風電功率預測模型,結合條件生成對抗網絡提取高維特征以及善于生成數據的優勢,同時將工程解析模型的計算結果作為預測模型輸入的一部分,實現了解析模型和深度學習方法的有效結合,不僅可以有效提升海上風電場日前有功出力的預測精度,而且增強了預測模型的可解釋性和泛化性。