技术领域
[0001] 本发明涉及风电场技术领域，尤其涉及一种基于数据预测的风电场一次调频控制方法。
相关背景技术
[0002] 在风电场一次调频控制方面，传统的方法主要采用固定控制策略，如比例‑积分‑微分(PID)控制。然而，这些方法在应对风速波动、电网负荷变化等方面存在一定的局限性。首先，固定控制参数难以适应复杂多变的运行条件；其次，传统方法对风速波动的预测能力较弱，导致调频效果不理想。近年来，大数据分析、机器学习和人工智能等数据预测技术的发展为风电场控制提供了新的思路。这些技术通过对历史数据的挖掘和分析，实现对风速、电网负荷等关键参数的预测，从而为风电场一次调频控制提供精确的指导。
[0003] 尽管现有的一次调频技术已经相对成熟，但是当风电机组规模增加到一定程度时，存在一个问题：风电机组调频控制的变化速度会出现时间延迟。这意味着现有技术无法及时对风速和风量进行提前预测，导致风电机组频率波动幅度增大，从而给一次调频控制带来更大的负担。因此，需要一种精确度更高的风电场一次调频控制方法。
具体实施方式
[0100] 下面结合附图对本发明的技术方案作进一步说明。
[0101] 如图1所示，本发明实施例提供一种基于数据预测的风电场一次调频控制方法[0102] 步骤1：利用风速风向监测装置实时采集风场的风速、风向数据。本发明设计了一种基于超声波风速风向传感器和气象气球的便携式监测节点使现场操作人员可以在无需专门铺设通信和供电线路的情况下通过布置多个监测节点和唯一的LoRa集中器实现较大范围内特定高度的风速风向信息采集；系统设备的状态信息和监测节点采集的风速风向数据在本地数据存储设备中保存的同时被上传至MQTT云端服务器，再由云端服务器转发至用户服务器以供使用。
[0103] 具体包括以下子步骤：
[0104] 步骤101、为解决传统风速风向测量仪器便携性差、安装困难、测量高度受限等缺点，以气象气球为载体，挂载5个超声波风速风向传感器和1个信息处理模块以构成现场监测节点。5个传感器将采集到的风速风向数据通过RS‑422通信协议发送至信息处理模块，信息处理模块将数据处理后通过LoRa无线通信发送至该监测节点所在区域的LoRa集中器。
[0105] 步骤102、信息处理模块包括微控制器(型号为i.MX6ULL)、声光报警灯、GPS模块、数据存储模块和LoRa数据传输模块。微控制器通过GPIO控制声光报警灯，通过SPI通信与GPS模块交互，通过USB接口与数据存储模块连接。微控制器将5个风速风向传感器的数据经过信息融合提取得最终的风速风向有效数据；通过SPI通信从GPS模块获得监测节点的地理位置信息；记录所有与之连接的硬件设备运行状态信息；通过数据存储模块存储所有数据的同时通过LoRa数据传输模块以LoRa无线通信协议向外发送；若5个风速风向传感器与微控制器的数据交互均出现问题，或其他关键硬件设备检测到出错，声光报警灯进入红色闪烁状态并伴有蜂鸣提示音。
[0106] 步骤103、集中器通过LoRa无线通信协议与通信范围内所有在网的监测节点进行双向数据交互，并通过WAN接入MQTT云端服务器，多个用户服务器可同时从云端服务器获取监测系统采集的风速风向数据、监测节点地理位置信息以及硬件设备运行状态信息。例如:数据使用者可将风速风向数据从云端服务器下载至本地用户服务器再进行转发、储存或分析等操作；系统操作人员可通过云端服务器远程监视整个系统的运行状态，实现无人值守化运行；若系统运行出错，信息处理模块和云端服务器所记录的硬件运行历史数据也便于维护人员进行问题排查和检修。
[0107] 相比于传统的风速风向测量仪器或系统，其优点在于：
[0108] 1)以气象气球作为风速风向传感器和信息处理模块的载体一并构成系统的监测节点，一是具有优越的便携性，方便部署且后期维护难度低；二是可通过调节气象气球的高度以实现不同高度风速风向信息的采集，适用场景丰富。
[0109] 2)每个监测节点有5个一样的风速风向传感器同时工作，信息处理模块同时获取5个传感器采集的信息并通过信息融合技术提取得到最终的风速风向有效数据，提高了测量精度和准确性；在监测节点其他设备正常的前提下，5个传感器中只要有1个可正常工作该节点便能正常运转，传感器多余度设计使监测节点具有高可靠性。
[0110] 3)通过引入LoRa无线通信技术，在几乎不需要铺设线路的情况下实现了大范围多节点定高度的风速风向信息采集；此外还采用MQTT物联网技术，将监测节点发送的数据通过LoRa集中器传至云端服务器，使系统数据包括现场风速风向数据、监测节点地理位置信息以及硬件设备运行状态信息，可供多个用户在线调用。
[0111] 本发明中在云计算环境下基于X‑means优化聚类算法对风速、风向数据进行预处理。X‑means优化聚类算法是在K‑means算法基础上发展和演化而来，相对于K‑means算法而言，X‑means优化聚类算法只需计算出数据聚类数量k的取值范围，就可实现对整个多源异构数据的聚类过程。由此可见，X‑means优化聚类算法的宽容度更好且适用范围更广。在云计算框架下，根据数据融合预处理得出的属性，将多源异构数据集合X聚类为m个独立的簇：
[0112] {v1,v2,…,vj,…,vm}
[0113] 设cj为第j个数据类的中心(即该类数据的均值)，X‑means优化聚类算法的基本思想是使多源异构数据到聚类中心cj的距离平均误差值μj最小：
[0114]
[0115] 式中，μj表示平均误差值，xj表示第j个数据子集，cj表示聚类中心。
[0116] 给定聚类簇数的取值范围上下限kmax和kmin，X‑means优化聚类算法通过计算每个簇vj的BIC得分(贝叶斯信息评估得分)，同时通过优化迭代改变簇的结构，最终得到一个最优的多源异构数据聚类方案。基于最大似然函数求解BIC分值B(vj)：
[0117]
[0118] 式中： 表示模型vj簇的最大似然点，τj是与vj对应的参数值，E为分类评估的期望。对于任一个簇vj而言，模型的BIC分值越大，证明该簇的平均误差值μj越小，则模型聚类效果越好。X‑means优化聚类算法的实现过程如图2所示。
[0119] 步骤2：设当有s个分类数据序列，多元马尔可夫链模型可表示为如下形式:
[0120]
[0121] 其中λjk表示模型中需要被估计的参数，P(jk)表示从第k个序列的状态到第j个序列的状态的一步转移概率矩阵， 表示第k个序列t时刻的状态概率分布，并且λjk≥0，将上式写成矩阵形式为：
[0122]
[0123] 当多元马尔可夫链中t+1时刻概率分布不仅仅依赖于时刻t的所有序列(包括它自己)的状态概率分布时，提出一种如下形式的高阶多元马尔可夫链模型：
[0124]
[0125] 其中 表示第k个序列到第j个序列的h步转移概率矩阵，第j个序列t+1时刻的概率分布 是前n时刻的所有序列 的加权平均，并且
[0126] 高阶多元马尔可夫链模型的矩阵表示形式如下：
[0127]
[0128] 其中，对于任意1≤i≤s，1≤j≤s，i≠j有
[0129]
[0130] 本发明中改进的高阶多元马尔可夫链模型表示如下：
[0131]
[0132] 其中lj≥0， 并且
[0133] 改进的高阶多元马尔可夫链模型是一种增量式的模型，适用于当原s个数据序列中增加一个分类数据序列的情形，新模型解决了当增加一个数据序列后模型参数如何更新的问题，从而避免了重复估计已计算的参数。该模型可用矩阵形式表示为：
[0134]
[0135] 式中
[0136]
[0137] 且当i≠j≠s+1时，有B*(ij)＝lijB(ij)。
[0138] 本发明中基于改进的高阶多元马尔可夫链模型建立的风速数学模型包括缓风风速va、阵风风速vb和渐变风速vc，风速数学模型输出的预测风速为三者之和。风速数学模型计算的是风电场一段时间内的风速数据，且在部分时间段重复的情况下进行计算，其得出的预测风速数据差异小并呈一定规律性，因此可以依据上段时间计算所得结果预测出风电场未来一段时间内风向和风速的提前变化。
[0139] 缓风风速va的表达式如下：
[0140]
[0141] 其中，Γ表示伽马函数、z表示韦布尔分布尺度数据、k表示韦布尔分布形状数据。
[0142] 阵风风速vb的表达式如下：
[0143]
[0144] 其中，t表示时间、t1表示初始时间、Tb表示周期时长、vmax表示最大风速。
[0145] 渐变风速vc的表达式如下：
[0146]
[0147] 其中，t1表示初始时间、t2表示结束时间、vmax表示最大风速。
[0148] 步骤3：本发明中根据预测风速，通过风速‑风量关系式计算获得预测风量，基于修正叶素动量理论和非嵌入式概率配置点法建立风力机不确定性气动模型并计算叶轮功率，从而推算风力发电机组的输出功率。
[0149] 本发明中预测风量的计算公式为：
[0150] CMM＝vwind*Spipe
[0151] 其中，CMM表示预测风量、vwind表示预测风速、Spipe表示风筒采集点的横截面积。式中风速变量代入的是预测风速(提前量)，以此获得预测风量(提前量)。
[0152] 修正叶素动量理论认为，当气流作用在风轮上产生转矩时，气流同样会受到风轮反作用。根据动量理论,得叶片扭矩Q和推力T为：
[0153] dQ＝4πrV1(1‑a)bΩr3dr
[0154] dT＝4πrV12(1‑a)ardr
[0155] 式中，a为轴向诱导因子；b为周向诱导因子；r为叶素半径；ρ为空气密度；V1为来流风速；Ω为叶轮转速。
[0156] 根据叶素理论,同样得到叶片扭矩Q和推力T为：
[0157]
[0158] 式中，B为叶片数；c为弦长；Cl为翼型升力系数；Cd为翼型阻力系数；W为相对风速；φ为入流角，其中相对风速、来流风速与叶轮转速的关系为:
[0159]
[0160] 动量理论和叶素理论结合得
[0161]
[0162] 式中，Ct为叶素切向力系数；Cn为叶素法向力系数；σ为风轮实度，s＝Bc/(2πr)。
[0163] 当轴向诱导因子a>0.38时，进行修正：
[0164]
[0165] 其中F为叶尖和轮毂损失修正。叶尖损失修正系数Ftip为：
[0166]
[0167] 轮毂损失修正系数Fhub为：
[0168]
[0169] F＝Ftip·Fhub
[0170] 式中，Ftip为叶尖损失；Fhub为轮毂损失；R为叶片半径；r为叶素半径；rhub为轮毂半径。
[0171] 修正后轴、周向诱导因子分别为：
[0172]
[0173] 通过上式求解每个半径位置上周向和轴向诱导因子描述风力机准三维流场变化，进而得到风力机气动力。
[0174] 本发明中非嵌入式概率配置点法是混沌多项式法对随机变量进行多项式展开形式变换和随机配置点法的结合。随机变量φ(x,t,θ)是关于时间t，空间x和随机变量θ的函数,其表达式为：
[0175]
[0176] 式中，φk(x,t)是随机变量φ(x,t,θ)在配置点θk的解，是由确定性计算获得，hk表示与该点对应的拉格朗日差值多项式，是通过n个配置点的n‑1阶多项式，该多项式表达式为：
[0177]
[0178] 式中，hk(x(θi))＝δki是和配置点对应的拉格朗日差值多项式，n为配置点个数。
[0179] 考虑到风速为自然随机等特点，随机性符合正态分布，因此配置点采用随机空间Ω上对φ(x,t,θ)积分的高斯积分点，其表达式为：
[0180]
[0181] 式中，xk是和权函数r(x)对应的正交多项式的零点，即高斯点；w(x)是各高斯点对应的求积系数。
[0182] 对于高斯分布随机变量，其概率密度函数为：
[0183]
[0184] 与其对应的Hermite多项式的权函数为：
[0185]
[0186] 对应高斯积分为Gaussian‑Hermite积分，高斯积分点即为n次Hermite多项式的n个零点，对应的求积系数即为权重。其具体表达式为：
[0187]
[0188] 在各个配置点进行确定性分析之后，根据统计学中均值和方差的定义，推导出均值和方差的计算公式，得到不确定风速对于气动力的影响，具体表达式为：
[0189]
[0190] 本发明中基于修正叶素动量理论和非嵌入式概率配置点法建立风力机不确定性气动模型，其表达式如下：
[0191]
[0192] 其中，Pr表示叶轮功率、c表示功率系数、 表示叶片尖端速度之比、λ表示桨距角、ρ表示空气密度、R表示叶片半径、vwind表示预测风速。
[0193] 风力发电机组输出功率的计算公式如下：
[0194] Prt＝CMM·p/(3600·1000·η0·η1)
[0195] 其中，Prt表示风电机组功率；CMM表示预测风量；p表示风电机组的全风压；η0表示风电机组的内效率，取值范围为0.75～0.85；η1表示风电机组的机械效率，当风电机组与电机直接连接时取1，用联轴器连接时取0.95～0.98，用三角皮带连接时取0.9～0.95，用平皮带连接时取0.85。
[0196] 全风压是指平行于风流时，正对风流方向所测得的压力数据，可以通过传感器直接测量获得。全风压的计算公式如下：
[0197] p＝pi+pj
[0198] 其中，pi表示静压，即平行于风的表面所受的压力；pj表示动压，即带动风运动的压力。
[0199] 步骤4：本发明结合改进DEH和CCS一次调频的共同作用对风电场进行配合控制，实现一次调频的整体控制；同步AGC依据数据的提前控制量变化，调整风电场的总体供电频率。如图3所示，在改进DEH一次调频控制中，风力发电机的转速通过传感器进行实时测定，与额定转速进行比较，得到转速偏差，以反映发电机实际运行状态与理想状态之间的差距；将转速偏差直接转化为功率信号补偿或流量补偿，可以通过PID控制器实现。功率信号补偿直接调整发电机的输出功率，而流量补偿则调整风力机的叶片角度或转速，以适应风速变化；在风力发电机侧，当检测到负荷变化时一次调频功能会对负荷进行修正，并将修正值直接叠加在流量补偿指令上，以进一步优化发电机的运行；当功率回路投入时，负荷设定值将同时增加一次调频指令，以确保系统的稳定性和效率；在改进DEH一次调频快速动作的基础上，在CCS控制回路中增加前馈控制环节，根据DEH的调频动作预测负荷变化，提前进行调节。
