区域风电集控中心集中式风功率预测系统关键技术研究.docx

《区域风电集控中心集中式风功率预测系统关键技术研究.docx》由会员分享，可在线阅读，更多相关《区域风电集控中心集中式风功率预测系统关键技术研究.docx（9页珍藏版）》请在课桌文档上搜索。

1、【摘要】针对风电场点多面广、风功率预测系统运维管理缺失、系统使用效率低、无法发挥实际效用等问题，为进一步提高系统利用率和预测数据的准确性，探索实现区域集控运行管理后风电场风功率预测集约化管理的新模式，本研究聚焦于集中式风功率预测系统架构、数据采集、功能模块、运维管理等关键技术的开发与应用，充分挖掘风电集控中心数据聚合的价值，降低运维成本、提升工作效率，提高风功率预测系统的可靠性和准确率，减少电网“两个细则考核电量，提升区域风电集控中心的集约化管理水平。1 .引言风能具有可再生、绿色、清洁环保等特点，近年来中国风电装机容量快速增长，在全国发电总装机容量中的占比也不断提升。但由于风力发电的间歇性及

2、不可控等特性，大规模投运后各发电企业站点多、分布广、气象条件复杂，功率预测难度大问题凸显，而风电场现场驻守人员较少，运维工作繁重，往往没有专职人员开展预测系统运行情况及预测准确率的实时跟踪、分析工作，存在系统故障后不能及时发现并开展消缺工作的问题,增加了“两个细则风功率预测指标考核的风险,造成长期运维成本增高。同时,早期风功率预测系统采用独立预测数据，割裂了与周边风电场气象数据、发电数据的联系，无法从更宏观的角度预测风电功率，提升功率预测准确率的数据来源较少，与生产管理系统之间也缺乏有效数据聚合，导致系统实际使用效益较低，对风电场运维检修工作的指导性作用较差。集中式风功率预测系统通过对多个并网

3、风电场进行实时数据集中式采集、预测功率集中式报送、预测精度统计与分析、实时数据和预测数据可视化展示与管理，进一步提高了风电场风功率预测系统利用率和预测数据的准确性，为区域风电集控中心对下属并网风电场的运行数据进行统一集中式管理和相应的决策分析提供了依据和支撑，是实现区域风电集控运行管理后风电场风功率预测集约化管理的创新模式。本研究聚焦于集中式风功率预测系统架构、数据采集、功能模块、运维管理等关键技术的开发与应用,充分挖掘风电集控中心数据聚合的价值,降低运维成本、提升工作效率，提高风功率预测系统的可靠性和准确率，减少电网两个细则考核电量，提升区域风电集控中心的集约化管理水平。2 .系统架构区域风

4、电集控中心集中式风功率预测系统主要由硬件和软件架构两部分组成。2.1 系统硬件架构集中式风功率预测系统按照安全分区、网络专用、横向隔离、纵向认证”的安全防护总体原则进行硬件及网络架构设计，以保证系统安全稳定运行。主要硬件设备包括天气预报服务器、主服务器、系统工作站、反向隔离装置、防火墙、内网交换机及附属设备。天气预报服务器及相关设备部署在安全In区；数据采集与分析、历史存储、功率预测等相关功能通过主服务器完成，部署安全!区；反向隔离装置负责系统口、田区气象数据交换。气象文本文件从外网经过防火墙传输至In区天气预报服务器。子站预测数据、风电场实时运行数据通过防火墙接入11区主服务器。通过工作站完

5、成集中式式风功率预测系统监视及维护工作。系统采用国际通用的正C60870系歹I、MODBUS、D1./T719-2000.CDT45191等标准通信规约和协议进行通信设计，保证了信息交换的标准化，适应异构系统间数据交换，实现与区域风电集控中心其它设备的数据通信。图1：集中式风功率预测系统硬件架构图2.2 系统软件架构集中式风功率预测系统的软件架构由上至下分为基础实施层、组织功能层、应用模块层，辅以网络安全层进行系统网络安全加固。具体设计如图2所示。一应用模章-组织功傕1.I枭统监1.fM史的测1向上分析II也据j子部筝统M次逢工况超税委漫修悻的暮京信息皆系统足置前臂货格刷耽Ifr11子玷运行分

6、析筝场报表依彝茶票忌统什分杀报舍门.处立统三lB三裨律收*理收1M3t埃丽空置理图2：集中式风功率预测系统软件架构图集中式风功率预测系统的软件开发和运行主要采用B/S架构与分层设计来完成，通过多层次分布式应用层模型，将应用处理逻辑分成多个层次，每个层次由服务器组件针对应用计算逻辑进行处理后实现相应的功能。应用模块层用来实现系统与用户的功能交互，系统运维人员通过应用模块中系统监视、风电预测、统计分析等模块实现对系统的访问及分项数据展示等管理。组织功能层将应用对象封装为应用组件和服务，组织功能层接收应用模块层发来的请求并实例化具体的组件和服务进行响应，组件和服务访问基础实施层检索和处理相关的信息，

7、请求处理完成后，将处理结果和相关数据返回到应用模块，由应用模块负责展示。基础实施层对采集与接收的数据、系统组件和服务状态进行预处理、统计与识别后分类入库，便于组织功能层进行调用。网络安全层作为系统不可或缺的安全盾牌，采用以下原则设计：2.2.1 高可靠性具有很高的容错能力具备抵御外界环境和人为操作失误的能力，保证单点故障不影响整个网络的正常运行。2.2.2 支持QoS:能根据业务的要求提供不同等级的服务并保证服务质量，提供拥塞控制、报文分类、流量整形等强大的QoS功能。2.2.3 安全性：具有保证系统安全、防止系统被人为破坏的能力。支持AAA功能、AC1.xIPSecxNAT、路由验证、CHA

8、PxPAP.CAxMD5、DES、3DES、日志等安全功能。满足横向隔离、纵向加密”规定O2.2.4标准化：通讯协议和接口满足IEEE802系列标准、TCP/IP、OPCDA2.0规范、XM1.DAl.0规范、IEC61400-25、IEC60870-5-101、正C60870-5-102、IEC60870-5-104o3 .数据采集集中式风功率预测系统数据采集程序使用相应的通信规约（D1./T634.5101-2002、IEC60870-5-104等）及接口标准接入到集控中心SCADA系统，获取各风电场实时运行信息及功率预测运行数据，实现风电场数据采集处理及风功率预测系统运行监视。主,9叱J

9、中CSCADA片器(UmI、Atefrtm.IM子3率惟KM，SFnynPmahim*jf图3：数据采集与处理流程图要包括：3.1 机组数据采集通过集控中心数据服务器采集风电机组风速、风向、运行状态、有功功率、无功功率、故障状态、累计发电量等实时运行数据，时间分辨率为1分钟。对于处于检修、限电控制下的风电场，根据样板机的设定，使用实时采集到的样板机功率数据，实时计算停运、限功率机组的损失功率，保存在预测数据库中，用于检修、限电控制下的功率预测参考。3.2 风电场监控系统数据采集通过集控中心数据服务器采集风电场电气参数和电气运行状态参数包括风电场有功功率、无功功率、测风塔数据及场站电表遥脉等数据

10、，时间分辨率为1分钟。3.3 风电场风功率预测系统数据采集通过通信规约(TCP/IP)接入到集控中心数据服务器，采集风电场风功率预测系统数据，包括风电场预测文件、气象数据文件以及系统运行状态文件。3.4 数据管理对所有采集到的数据进行规范化，参考风电场监控系统(IEC61400-25)标准对所有数据进行建模，并进行统一存储，提供基于标准的数据接口。3.4.1 数据处理数据处理的方式由不同的测点类型决定，具体的算法可以通过配置进行设置，处理方式有算数平均、加权平均、最大、最小、求和、状态采集、积分等。对采集的测量值进行有效性检查，处理方法包括数据过滤、零值处理、门限值检查、多数据源对比、相关性检

11、查、均值及标准差检验等；将采集到的风电机组数据进行过滤，排除错误数据和可疑数据，并进行时间一致性处理，处理后的数据存入主服务器数据库；对采集到的风功率、风速等数据，根据预测时间分辨率的要求，做数据的采样处理，保存到主服务器数据库中，用于建立预测模型和对预测结果的评估；对风电场功率和测风塔气象缺失及不合理的数据进行插补、修正等；对于采集到的限电控制相关数据，也做错误数据筛查和时间一致性处理，根据预测时间分辨率处理后把结果保存在数据库中，用于建模、预测，以及预测性能指标计算。3.4.2 数据计算统计根据系统定义的计算和统计方法，对采集到的数据进行各种常规运算和自动计算，包括根据风电机组状态计算、统

12、计各类数据与容量、发电量统计、负荷率、越限情况等。3.4.3 数据存储对采集到的实时与非实时数据、处理之后的历史数据，按照实时数据15min、非实时数据按需定时进行存储入库，满足系统对历史信息检索和使用的需要。4.功能模块图4：集中式风功率预测系统告警展示图1.1 综合信息监视综合信息监视以各风电场运行数据、预测数据为基础，对区域整体运行情况进行监视。风电场实时数据、子站预测数据入库后，以过程线的形式对实测数据和预测数据进行对比展示，支持历史数据杳询并生成指定时间区段的历史曲线。子站风功率预测系统运行状态、通道工况情况，软硬件运行等情况，以不同颜色展示不同运行状态。当风电场风功率预测系统运行发

13、生状态变化或产生越限报警、系统自身的软硬件模块发生故障或发生状态变化时，都会产生事项及报警并记录，报警内容针对数据缺失、通讯异常、数据异常，报警形式包括系统声光报警。报警、预警以不同颜色展示事件严重程度，便于管理人员及时发现处理。通过综合信息监视，对各风电场风功率预测系统进行统一监管，对子站预测系统故障情况进行精准识别，快速发现故障并处理，有针对性开展系统巡检维护工作，做到提前预防、主动消缺，减少故障情况，提升子站预测系统运行稳定性。1.2 中长期发电量预测中长期发电量预测是集中式风功率预测系统的主要创新功能。以各风电场的数值天气预报、运行数据及其他发电影响因素（包括场站长期运行状态、测风塔风

14、速、通道送出、检修计划等各种情况）作为预测模型的输入量，配合多数据源、多算法、多模型组合，对各风电场的中长期发电量情况进行预测。充分利用集中数据采集优势，开展中长期发电量预测组合建模，通过回归分析法、灰色关联分析等算法进行组合预测，并针对区域气候特点加入天气变化趋势、大概率影响因素作为测算参考因素，再对片区风电场预测数据进行关联性核杳分析、预测结果进行差错统计，不断反馈并优化预测模型，提高预测精度。中长期发电量预测在算法中考虑了出力受限、机组计划检修等情况对风电场发电能力的影响，支持人工设置参数后的预测识别及测算，对预测曲线进行误差估计，预测给定置信度的误差范围，在计算准确率时剔出相应时段，减

15、少异常情况对模型优化的干预。在管理员权限状态下可人工修正预测数据，对偏差过大情况进行人工快速矫正，提高预测管理水平。根据中长期发电量预测情况，并结合各风电场检修计划需求，指导各风电场合理安排运维检修工作，提高风电场发电效率。同时，为企业电力市场交易、电力供需研判以及生产决策部署等工作提供数据支撑，提升了系统带来的经济效益。1.3 统计分析统计分析是对各子站风电场的历史预测功率进行准确率、合格率、上报率和完备率等指标的计算检验，从多空间维度、多时间维度对历史数据进行深度挖掘分析计算，同时也可对比电网调度机构对风电场的考核情况进行差异化统计，便于管理人员对功率预测效果进行分析比较。通过对风电场的气

16、象预测数据、功率预测数据与历史运行数据进行统计对比，包括对数据完整性统计、频率分布统计、功率误差统计、风速误差统计、历史功率、历史发电量等统计分析和相关性校验，对区域各风电场运行情况进行对标，对预测准确率进行优劣排序，再根据误差统计和相关性校验的结果，判定误差产生的原因，有针对性开展预测模型优化工作，提高风电场预测准确率。2C19年4月风电场风功率预测指标统计排名风电场短期指标线讣超短期指标统计准确率()合格率(X)最大偏差最大偏差发生时间准确率(%)合格率()最大偏差最大偏差发生时间1风电场18546965026452019-04-158898926322572018-4-172风电场283

17、26957928762018-4-98747918425602014-193风电场382149360295420184-158708908927882018-4-84风电场480549676298720184-1886209105287020184-125风电场5787887803576201M-238600897027682018-4-176风电场67670824037702018-4.168575896629802018-4-157风电场77604854536502018-4-158549876831452018-4-15图5：风电场风功率预测系统运行指标统计图5 .运维管理集中式风功率预

18、测系统实现了对区域风电场群各风功率预测系统的专业化集中管理，可以安排专职的风功率预测技术人员，在集控中心有目的开展风功率预测系统巡检维护工作，有组织地进行系统消缺和提升，解决了风电场现场对风功率系统欠维护的问题，提高了系统稳定性和准确性，变被动消缺为主动管理。通过定期开展预测情况统计分析，有针对性查找准确率偏低问题，及时开展预测模型优化工作，整个区域的功率预测准确率有了明显提升。以云南地区某集中式风功率预测系统运行为例，自2017年系统运行以来，风电场风功率预测系统故障情况逐年减少，预测准确率逐年提升，有效降低了“两个细则”风功率预测不达标电量考核情况，切实提高了企业发电效益。2016年至20

19、18年风电场风功率预测运行统计2016r2017年2018年,被。次敢被癖次aIe廊第履作)据鲂“育个1(IVh)故Il次国4M*(t)M苑一两个嬉口-(Hh)风电如2575078254UOO60608787176970500838796127546属电场2724381701600140966320616060084508705131970风电331708079ao170079ao8500231705700613035176870fi43397?85714008040WW拗12760082178648187714d33565477324WOO796866452438M600808087371517633257140WOOTaoO2725299600800450148760416188709919007f9385902967467007979W431X217图6：某地区风电场风功率预测系统运行统计表一6 .小结集中式功率预测系统通过对所有风电场功率预测数据进行统计分析和统一监控、管理，解决了分散式风功率预测系统维护难等问题，优化了资源配置，实现了数据共享，提升预测系统准确率和稳定性，降低了运维成本，实现了区域集控模式下各风电场的功率预测集约化、专业化管理，并且充分挖掘自有数据的价值，开展中长期发电量预测，为电力市场交易和主动预防式检修提供了支撑。