1(k+2|k+l)與k+1時刻前l(fā)Omin的實際平均風速求平均值vare(k+l)，從而判斷風機 在第k+1時刻是否啟動。依次遞推，可在線判斷風機在當前時刻是否應該啟動。
[0040] 因此，具有以下有益的技術效果：
[0041] 1)在小風期可以保證機組啟動后的發(fā)電能力，避免了機組啟動后不發(fā)電或者頻繁 并網(wǎng)脫網(wǎng)的狀態(tài)，減少了不合理啟動；
[0042] 2)大大減少設備的疲勞損耗，從而減少設備故障率，延長使用壽命，減少備品備件 的消耗和檢修維護工作量；
[0043] 3)減少風力發(fā)電機組的自耗電量，為風電場節(jié)約成本；
[0044] 4)提高機組可利用率，保證機組在大風時段的發(fā)電能力，從而提高機組的總體發(fā) 電量。
【附圖說明】：
[0045] 圖1為本發(fā)明基于風速預測的風力發(fā)電機組優(yōu)化啟動控制方法流程圖。
【具體實施方式】：
[0046] 如圖1所示，下面結合某風電場2015年8月份小風期某機型風力發(fā)電機組的優(yōu)化啟 動控制實例對本發(fā)明進一步進行詳細說明。
[0047] 1)選取3臺啟動次數(shù)高、耗電量高、故障率高的機組為試驗機組。試驗機組號：0_ 05、E-19、F-26。
[0048] 2)采集試驗機組8月份前5天的風速數(shù)據(jù)，每lOmin平均風速作為一個樣本點，共 720個樣本點，利用時間序列分析法分別建立其風速序列的AR(p)模型。
[0049] D-05風速序列模型：
[0050] x(k+l)=0.548x(k)+0.169x(k-l)-0.0078x(k-2)+0.2487x(k-3)+w(k)
[0051 ] E-19風速序列模型：
[0052] x(k+l)=0.768x(k)-0.2453x(k-l)+0.0078x(k-2)+w(k)
[0053] F-26風速序列模型：
[0054] x(k+l)=0.698x(k)+0.3753x(k-l)+0.0102x(k-2)-0.1645x(k-3)+w(k)
[0055] 3)利用試驗機組風速序列的AR(p)模型，建立其卡爾曼濾波的狀態(tài)方程和測量方 程。
[0056] D-05的卡爾曼狀態(tài)方程和測量方程：

[0065] 4)取初值X[0 I 0 ]為濾波開始前p個采樣點構成的向量，P [0 I 0 ] = 101，Q = I，R = I， 根據(jù)式(9)~式(13)對三個試驗機組的風速序列進行在線卡爾曼濾波。
[0066] 5)設e=〇.lm/s，當| |X(k|k)_Z(k) | | <0.1m/s時，即認為卡爾曼濾波已經(jīng)收斂。取 X(k+11 k)中的分量xi(k+l | k)與前l(fā)Omin的實際平均風速求平均值vave(k)。若vave(k)>3m/s， 風機開槳啟動;Sv_(k)〈3m/ s，風機不執(zhí)行啟動動作。依次遞推，在線判斷風機在當前風況 下是否啟動。
[0067] 6)統(tǒng)計試驗機組在2015年8月的啟動次數(shù)、故障指標、耗電量、發(fā)電量，并與2014年 8月的數(shù)據(jù)進行對比，結果見表1和表2。
[0068] 表1試驗機組采用優(yōu)化啟動控制前后故障指標對比
[0069]
[0070] 表2試驗機組采用優(yōu)化啟動控制前后耗電量和發(fā)電量對比
[0071]
[0072] 從表1和表2可以看出，進行啟動控制優(yōu)化調整后試驗機組的啟動次數(shù)、故障停機 次數(shù)、故障停機時間、耗電量均有所減少，發(fā)電量有所增加?？梢姡M行優(yōu)化啟動控制后減少 了風機的啟機次數(shù)，從而減少了耗電量和設備損耗，降低了風機故障停機次數(shù)、故障停機時 間，提高了設備可靠性，增加了發(fā)電量。
【主權項】
1. 一種風力發(fā)電機組優(yōu)化啟動控制方法，其特征在于，用于小風速季節(jié)風電機組的優(yōu) 化啟動控制，包括W下步驟： 1) 采集風速歷史數(shù)據(jù)庫，每隔lOmin求一次風速平均值，將此平均值設為樣本點，共取 得N個樣本點{χ化)}，k=l，2,…，N. 2) 基于時間序列分析法建立風速數(shù)據(jù)的AR(p)模型，AR(p)模型的表達式如下：W化)為零均值且方差為的白噪聲；仍為所建模型的待估系數(shù);q-i、q-P分別為單位滯后 算子和P階滯后算子；利用AIC準則確定模型階數(shù)P，利用矩估計法確定參數(shù)狗，i = l，2， 3，...，p; 3) 基于AR(p)模型，建立卡爾曼濾波算法的狀態(tài)方程和測量方程，如下：其中，X(k+1)為k+1時刻的狀態(tài)向量;F為系統(tǒng)狀態(tài)轉移矩陣；Γ為激勵轉移矩陣;Z化+ 1)為k+1時刻的觀測向量;Η為測量系統(tǒng)的觀測狀態(tài)矩陣;W化+1)和V化+1)分別為過程白噪 聲向量和測量白噪聲向量，協(xié)方差矩陣分別為Q和R; 根據(jù)式(1)和式(2)可得：其中，V化+1)為觀測噪聲;式(7)和式(8)即為卡爾曼濾波的狀態(tài)方程和觀測方程； 4) 利用卡爾曼濾波算法對風速序列進行在線濾波，其中卡爾曼濾波的遞推方程如下：其中，X化+11 k)表示在k時刻對k+1時刻的狀態(tài)預測，P化+11 k)表示預測值X(k+1 I k)的 預測誤差協(xié)方差矩陣;K化+1)為卡爾曼增益矩陣;X化+l|k+l)為k+1時刻的測量值Z化+1)對 狀態(tài)預測值X化+l|k)的更新，為系統(tǒng)狀態(tài)的最優(yōu)估計;P化+l|k+l)為X化+l|k+l)的估計誤 差協(xié)方差矩陣；I為單位矩陣； 5) 卡爾曼濾波中X化+1 Ik)中的分量XI化+1 Ik)即為下一個lOmin的平均風速預測值，將 其與k時刻前l(fā)Omin的實際平均風速求平均值Vave化），若Vave化)〉3m/s，風機在k時刻開獎啟 動;若Vave化)<3m/s，風機在k時刻不執(zhí)行啟動動作。2. 根據(jù)權利要求1所述的風力發(fā)電機組優(yōu)化啟動控制方法，其特征在于： 在步驟4)中，為了使卡爾曼濾波盡快收斂，取初值X[0|0]為濾波開始前P個采樣點構成 的向量，P[〇|〇] = l〇I，Q=I，R=I。3. 根據(jù)權利要求1所述的風力發(fā)電機組優(yōu)化啟動控制方法，其特征在于:在步驟5)中， 首先判斷卡爾曼濾波是否收斂，判斷方法為:若k〉ks時，I IX化|k)-Z化）|| <em/s，則認為卡 爾曼濾波已經(jīng)收斂，ε表示狀態(tài)估計值X(k|k)與實際測量值Z化）的允許偏差范圍，取值為 (〇，1]。
【專利摘要】本發(fā)明公開了一種風力發(fā)電機組優(yōu)化啟動控制方法，該方法利用時間序列分析法建立風速序列的AR(p)模型，利用卡爾曼濾波算法得到未來10min風速的預測值，再將前10min的平均風速與后10min預測風速相結合來作為執(zhí)行風機啟動動作的依據(jù)，充分保證了風機啟動后的發(fā)電能力，減少了小風速季節(jié)風機的不合理啟動，延長了設備壽命，提高了設備可用率，減少了自耗電，提高了發(fā)電量。
【IPC分類】G06Q10/04, H02J3/38, G06Q10/06, G06Q50/06
【公開號】CN105574610
【申請?zhí)枴緾N201510923735
【發(fā)明人】姚玲玲, 王靖程, 馬劍民, 牛瑞杰, 郭辰, 馮笑丹
【申請人】西安熱工研究院有限公司, 華能集團技術創(chuàng)新中心
【公開日】2016年5月11日
【申請日】2015年12月11日