[发明专利]一种基于机组相关性的风电场功率波动频谱预测模型

说明书

本发明公开了一种基于机组相关性的风电场功率波动频谱预测模型，包括如下步骤：确定风力机惯性时间；基于瞬时状态下能量守恒方程，利用阶跃函数、格林函数和傅立叶变换，求解单机组输出功率的功率谱密度和速度功率谱密度函数之间传递函数；测量风力机轮毂高度风电场来流特性，参考尾流预测模型，基于风电场来流，预测下游风力机来流情况；基于冯·卡门湍流模型，联立传递函数，共同建立单机组输出功率的功率谱密度模型；求解多机组间的协功率谱密度，进而和各单机组输出功率的功率谱密度叠加，求得风电场输出功率的功率谱密度模型。本发明揭示和预测风电场机组输出功率波动的内在规律，对于风力机电机控制器的优化设计和风电并网调节极具意义。

技术领域

本发明涉及风力发电技术领域，尤其涉及一种基于机组相关性的风电场功率波动频谱预测模型。

背景技术

作为一种清洁、可再生能源，风力发电产业自2000年取得了飞速发展。据全球风能委员GWEC统计，截止2016年底，全球风电累计装机容量486.8GW，其中，我国累计装机容量168.73GW，风力发电量约占全国用电量的4％。风力发电在能源供应、环境保护和应对气候变化等方面发挥着越来越重要的作用。

风力发电机在自然大气中运行，大气紊流、阵风、边界层效应、风向改变以及上游风力机尾流影响，使得风力机多数情况下处于剪切流、高湍流强度的非稳态环境中，机组载荷和输出功率受到高能相干流场运动的广泛影响。这些波动性、间歇性和随机性的特点，给机组发电效率、结构稳定性，以及电网稳定性、可预测性和安全性带来了巨大的挑战。

风电场功率预测是减轻电网不稳定性、提升供电质量的有效途径。现有风电功率预测主要分为两种：基于历史数据的统计模型方法和不需要历史数据的物理模型方法。其中，国内外针对统计模型方法的研究较多，主要有持续性算法、神经网络、时间序列法和支持向量机等，这些方法需要大量的历史数据，且对历史数据的规律性要求比较高。近年来，随着计算流体动力学的迅猛发展，通过采用数值天气预报作为边界条件，并考虑风电场地形、布局等因素，进行动态三维数值模拟的物理模型方法发展迅速。然而，为提高时效性和准确性，物理模型方法对计算机的性能要求比较高，尤其是真实风力机结构及尺度的计算通常要耗用大量超级计算机资源，而且数值模拟对具有相关性的多机组的模拟准确性还有待检验。

同时，现有的风电功率预测物理模型都是预测风电输出功率超短期平均值，且大都为时序信息。但是，针对风电功率波动特性的预测，特别是频域信息尤为鲜见，然而频域特性更能揭示各尺度功率波动变化规律，对风力机电磁控制器的设计有指导性意义。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于机组相关性的风电场功率波动频谱预测模型，为仅依靠风电场来流的数值天气预报信息，并结合机组参数和风电场布置方式，来实现风电场输出功率波动频谱特性预测的理论模型计算方法。

为实现上述目的，本发明提供了

本发明的一种基于机组相关性的风电场功率波动频谱预测模型，包括如下步骤：

步骤1：基于风力机组结构参数及发电机性能，确定风力机惯性时间；

步骤2：对风、风轮和发电机系统三者组成的控制单元进行能量守恒分析，基于瞬时状态下风能、风力机系统动能和电能之间的能量守恒方程，利用阶跃函数、格林函数和傅立叶变换，求解得到单机组输出功率的功率谱密度和速度功率谱密度之间传递函数及传递函数的功率谱密度；

步骤3：测量风力机轮毂高度风电场来流，即第一排风力机来流平均速度U₀，湍流强度I₀和湍流积分时间T₀，参考现有的尾流预测模型，基于风电场来流，预测下游第j排风力机轮毂高度来流平均速度U_j-1，湍流强度I_j-1和湍流积分时间T_j-1；