大型风机风向补偿算法研究
发布时间：2021-04-08 03:06
为提高风电设备的风能转化率,实现在不增加硬件成本条件下提高发电量,研究了风向优化补偿算法。首先在研究尾流影响风向测量误差的过程中,明确了偏航误差的层流成分和湍流成分,建立了切向诱导因子补偿算法补偿层流成分误差,同时引入了卡尔曼滤波算法补偿湍流成分误差。然后建立了算法效果验证方式和验证指标。最后依托项目组实验条件进行了算法验证。结果表明,风向补偿算法在不增加硬件设备的情况下,可提高风机对风准确率30.36%,提高最优发电工况发电量2.82%。
【文章来源】：电力系统保护与控制. 2020,48(19)北大核心CSCD
【文章页数】：7 页
【部分图文】：
雷达测风仪与普通风向仪输出风向比值分布图
ㄔ诨?楣?率平稳的情况下，与激光雷达测得的风向值高度吻合，而风机中实际使用的算法风向偏差却与激光雷达测得风向偏差较大，如图3所示。由此可知，补偿算法对误差层流成分修正效果明显。同时发现，机组功率平稳时，补偿算法风向变化输出比激光测风输出更贴合功率的波动，证明卡尔曼滤波对湍流成分的过滤是有效的。分析机组功率快速波动情况下的数据显示，补偿算法、风机中实际使用的算法和激光雷达测得数据三者相差不大，这与风速变化过程中偏航误差对功率的影响因素退居次要地位吻合，非算法的失灵。图3风向偏差实时数据对比Fig.3Realtimedatacomparisonofwinddirectiondeviation4结论本文在风电平价上网的大背景下，基于不增加设备成本的前提，通过算法的优化提高风电设备的风能利用率。分析了风机尾流影响风向测量的过程，得到了风机对风误差中的层流成分误差解决办法，建立了切向诱导因子补偿算法及其实现流程；在解决测风误差的湍流成分过程中，建立了卡尔曼滤波校正算法，使整个风向偏差补偿算法得以完成。在算法有效性验证过程中，提出了算法验证的评价指标，建立了算法效果验证的检测方法；最后依托项目组提供的实验条件进行了算法验证。经提取数据库数据进行大量统计分析得到：大型风机风向偏差补偿算法可提高风机对风准确率30%以上，提高最优发电工况发电量2.8%以上，且不增加额外改造成本，只需对风机风向数据处理程序进行升级即可。参考文献[1]池喜洋,竺炜,刘长富,等.含大型风电场的电网安全经济优化调度[J].电力科学与技术学报,2018,33(1):125-131.CHIXiyang,ZHUWei,LIUChangfu,etal.Securityand
，风机尾流轴向风速为aV，风机尾流中切向风速为θV，风机尾流合成风速即风速仪输出值为cV。如图1所示，从正上方看风速风向仪所在位置的风速分解图与风速尾流运行方向延伸处有相同的三角关系。很明显角度即为风速风向仪测得的风向与实际风向的误差，且满足式(1)。θcc2sinVahVV(1)根据理想风机的动量理论，轴向诱导因子与切向诱导因子满足关系(2)。2ya(1a)a(1a)(2)式中，y为参考风机叶尖速比定义过程。定义风向图1尾流变化示意图Fig.1Schematicdiagramofwakechange仪高度处线速比为0hyV，根据式(2)可得24(1)2yaayay(3)将式(3)代入式(1)得20csin(4(1))VyaayV(4)令x为风向仪高度处测量线速比，chxV；令k为入流风速与测量风速之比：0cVkV；则1yxk，代入式(4)得到22sinx4ka(1a)x(5)根据图1的几何关系可知：222cθaVVV，即222c0V(2ah)V(12a)(6)将式(3)代入式(6)，得222220c0222(114(1))VVVhaah因此22c222242220000111112(4(1))VhaakVVVhV(7)结合式(7)的值域范围，则22242220001110.52h(4a(1a))0VVhV(8)基于理论取值区间估计，取中值-0.25代替上式，具有较强适应性，基于此：k1.15(9)k值的真实值会受空气密度、地理地形等因素的影响，在合理取值区间内变化，现利用实际数据的统计辨识方法验证上述取值对北方丘陵
【参考文献】：
期刊论文
[1]基于改进贝叶斯网络的风机齿轮箱自动诊断策略研究[J]. 张露江,张利,杨要伟,卢晓光. 电力系统保护与控制. 2019(19)
[2]基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计研究[J]. 裴超,王大磊,冉孟兵,王曼,代昀杨,蒋凯. 智慧电力. 2019(05)
[3]基于预测虚拟转矩控制的DFIG并网逆变方法[J]. 曹晓冬,杨世海,支亚薇,方磊. 电力工程技术. 2019(02)
[4]大规模风电接入输电网的源网联合规划[J]. 薛静玮,吴晓升,叶荣,林章岁,江岳文. 电网与清洁能源. 2019(03)
[5]偏航过程中风轮非定常尾流特性研究[J]. 叶昭良,王晓东,尹佐明,康顺. 可再生能源. 2019(03)
[6]基于多重离群点平滑转换自回归模型的短期风电功率预测[J]. 陈昊,张建忠,许超,谭风雷. 电力系统保护与控制. 2019(01)
[7]一种用于风电机组爬坡风险评估的风险系数计算模型[J]. 程亚丽,王致杰,江秀臣. 电力科学与技术学报. 2018(04)
[8]考虑功率分布特性的微网风电功率预测模型[J]. 任德江,吴杰康,毛骁. 智慧电力. 2018(12)
[9]短期风电功率预测概念和模型与方法[J]. 陶玉波,陈昊,秦晓辉,孟昭军. 电力工程技术. 2018(05)
[10]基于稀疏编码的短期风电功率时间序列预测[J]. 李军,於阳. 电力系统保护与控制. 2018(12)
本文编号：3124729
【文章来源】：电力系统保护与控制. 2020,48(19)北大核心CSCD
【文章页数】：7 页
【部分图文】：
雷达测风仪与普通风向仪输出风向比值分布图
ㄔ诨?楣?率平稳的情况下，与激光雷达测得的风向值高度吻合，而风机中实际使用的算法风向偏差却与激光雷达测得风向偏差较大，如图3所示。由此可知，补偿算法对误差层流成分修正效果明显。同时发现，机组功率平稳时，补偿算法风向变化输出比激光测风输出更贴合功率的波动，证明卡尔曼滤波对湍流成分的过滤是有效的。分析机组功率快速波动情况下的数据显示，补偿算法、风机中实际使用的算法和激光雷达测得数据三者相差不大，这与风速变化过程中偏航误差对功率的影响因素退居次要地位吻合，非算法的失灵。图3风向偏差实时数据对比Fig.3Realtimedatacomparisonofwinddirectiondeviation4结论本文在风电平价上网的大背景下，基于不增加设备成本的前提，通过算法的优化提高风电设备的风能利用率。分析了风机尾流影响风向测量的过程，得到了风机对风误差中的层流成分误差解决办法，建立了切向诱导因子补偿算法及其实现流程；在解决测风误差的湍流成分过程中，建立了卡尔曼滤波校正算法，使整个风向偏差补偿算法得以完成。在算法有效性验证过程中，提出了算法验证的评价指标，建立了算法效果验证的检测方法；最后依托项目组提供的实验条件进行了算法验证。经提取数据库数据进行大量统计分析得到：大型风机风向偏差补偿算法可提高风机对风准确率30%以上，提高最优发电工况发电量2.8%以上，且不增加额外改造成本，只需对风机风向数据处理程序进行升级即可。参考文献[1]池喜洋,竺炜,刘长富,等.含大型风电场的电网安全经济优化调度[J].电力科学与技术学报,2018,33(1):125-131.CHIXiyang,ZHUWei,LIUChangfu,etal.Securityand
，风机尾流轴向风速为aV，风机尾流中切向风速为θV，风机尾流合成风速即风速仪输出值为cV。如图1所示，从正上方看风速风向仪所在位置的风速分解图与风速尾流运行方向延伸处有相同的三角关系。很明显角度即为风速风向仪测得的风向与实际风向的误差，且满足式(1)。θcc2sinVahVV(1)根据理想风机的动量理论，轴向诱导因子与切向诱导因子满足关系(2)。2ya(1a)a(1a)(2)式中，y为参考风机叶尖速比定义过程。定义风向图1尾流变化示意图Fig.1Schematicdiagramofwakechange仪高度处线速比为0hyV，根据式(2)可得24(1)2yaayay(3)将式(3)代入式(1)得20csin(4(1))VyaayV(4)令x为风向仪高度处测量线速比，chxV；令k为入流风速与测量风速之比：0cVkV；则1yxk，代入式(4)得到22sinx4ka(1a)x(5)根据图1的几何关系可知：222cθaVVV，即222c0V(2ah)V(12a)(6)将式(3)代入式(6)，得222220c0222(114(1))VVVhaah因此22c222242220000111112(4(1))VhaakVVVhV(7)结合式(7)的值域范围，则22242220001110.52h(4a(1a))0VVhV(8)基于理论取值区间估计，取中值-0.25代替上式，具有较强适应性，基于此：k1.15(9)k值的真实值会受空气密度、地理地形等因素的影响，在合理取值区间内变化，现利用实际数据的统计辨识方法验证上述取值对北方丘陵
【参考文献】：
期刊论文
[1]基于改进贝叶斯网络的风机齿轮箱自动诊断策略研究[J]. 张露江,张利,杨要伟,卢晓光. 电力系统保护与控制. 2019(19)
[2]基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计研究[J]. 裴超,王大磊,冉孟兵,王曼,代昀杨,蒋凯. 智慧电力. 2019(05)
[3]基于预测虚拟转矩控制的DFIG并网逆变方法[J]. 曹晓冬,杨世海,支亚薇,方磊. 电力工程技术. 2019(02)
[4]大规模风电接入输电网的源网联合规划[J]. 薛静玮,吴晓升,叶荣,林章岁,江岳文. 电网与清洁能源. 2019(03)
[5]偏航过程中风轮非定常尾流特性研究[J]. 叶昭良,王晓东,尹佐明,康顺. 可再生能源. 2019(03)
[6]基于多重离群点平滑转换自回归模型的短期风电功率预测[J]. 陈昊,张建忠,许超,谭风雷. 电力系统保护与控制. 2019(01)
[7]一种用于风电机组爬坡风险评估的风险系数计算模型[J]. 程亚丽,王致杰,江秀臣. 电力科学与技术学报. 2018(04)
[8]考虑功率分布特性的微网风电功率预测模型[J]. 任德江,吴杰康,毛骁. 智慧电力. 2018(12)
[9]短期风电功率预测概念和模型与方法[J]. 陶玉波,陈昊,秦晓辉,孟昭军. 电力工程技术. 2018(05)
[10]基于稀疏编码的短期风电功率时间序列预测[J]. 李军,於阳. 电力系统保护与控制. 2018(12)
本文编号：3124729
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3124729.html
教材专著
