基于风电场结构体大数据物理分层解析的风电场状态认知及多级协调

Considering the problem that wind power data haven’t been shared between the grid and wind farms, Big Data technology is adopted for large-scale data research, which is based on the data acquired from the wind farms during the past decade, to achieve data-driven operation and optimal management of wind farms. Firstly, based on the large-scale data acquired from the wind turbines, wind farms and the grid, we adopt a hierarchical data processing to establish a historical database. After the real-time data is filtered by rough set theory and reconstructed making use of information fusion theory, a real-time database is established. Based on the above work, a database to distinguish the operation mode of a wind farm, such as normal, emergent, and fault operation, is established by the application of adaptive dimension data mining technology. Secondly, an evaluation system of safe operation for wind turbines will be established and an operation mode set will be set up. Based on fuzzy comprehensive evaluation theory, an operation evaluation model for wind turbines could be established. In addition, an n-dimensional boundary set of operating mode is set up to build a wide area hyper-spherical predictive model. Finally, to deal with the abnormal data from the wind farm and the grid, smart grid dispatch strategy and optimal control strategies for wind turbines and FACTS are used to adjust the operating data from abnormal state to normal state, which can achieve the goal of multi-level coordination control. Apart from theoretically supporting the study of data processing methods for big data in wind energy, the research will also benefit the cognition, evaluation and prediction of operating mode for wind farm and coordinate wind farms with the grid.

针对电网与风电场数据不能共享的问题，基于课题组现场采集的风电场数据，采用大数据技术对海量数据进行研究，实现数据驱动的风电场运行管理。首先，对风电机组、风电场和电网的海量数据进行分层处理，建立历史数据库，结合粗糙集理论筛选分层实时数据，基于信息融合理论进行数据整合重构，建立实时数据库。在此基础上，采用自适应维度数据挖掘技术建立风电场运行数据特征库，认知其正常、紧急和故障等典型运行状态。其次，建立风电机组安全运行状态评估指标体系、划分运行状态集，建立基于模糊综合评判的风电机组运行状态评估模型。此外，形成风电机组运行状态的n维边界集，建立广域超球预测模型。最后，针对风电场和电网的异常运行数据，研究风电机组和FACTS的优化控制策略及智能电网调度策略，调整各层运行数据至理想数据，实现多级协调控制。研究将为风电场大数据的处理方法、风电场运行状态认知、评估和预测及风电场和电网的协调控制提供理论支持。

在前一个基金项目的支持下，我们对风电场发生的机网相互作用问题进行了机理方面的研究，主要完成了小信号模型、振荡模态分析、风力发电系统内部影响等，从模态变化特性研究了控制参数和运行初值对系统的影响，并提出了一种适用于风电场扭振分析的等值简化方法。这些研究表明，风电场与电网之间的相互作用受多种因素的影响，而这些影响的详细分析非常依赖于准确的机网参数。.由于实际系统中机网准确参数很难获得，所以在本研究中，我们提出了一种忽略机网参数建模而基于大数据分析的方法，期望利用数据模型对风电场与电网之间的相互作用进行描述和分析，并进一步实现机网相互作用的抑制。.为此我们进行了以下的研究工作。首先，我们对现场采集的风电大数据进行了处理，进行了数据的采集、预处理、数据存储等工作，由于本项目研究机网相互作用，因此所需要的数据包含了多种时间尺度和数据格式，风电场大数据具备量大、种类丰富和来源多样等大数据的特质。第二，研究了风电场运行的状态认知，通过自适应维度选择、相似性测度理论和经验模式分解，深入讨论了在风电场机网相互作用条件下的风电场运行状态，对聚类分析、EMD分解、自适应算法等大数据处理算法都进行了改进和提高。第三，研究了风电场运行方式的在线识别，通过超球面支持向量机和关联分析，建立了基于Apriori算法的振荡模态与影响因素的关联分析方法，结合Prony和长短期记忆网络模型实现了机网相互作用的振荡模态预测。第四，研究了振荡源的识别和定位，建立了用于分析振荡源定位的基于随机矩阵原理的数据源，在传统算法的基础上，采用基于证据理论的数据融合技术，提高了振荡源识别定位的准确度，做到振荡源定位的不增不漏。第五，我们还在原有研究的基础上，进一步研究了机网/场网相互作用的抑制问题，通过建立系统阻抗模型、机网内部参数研究等，对调相机、FACTS、HVDC等装备在振荡问题上的作用进行了分析。.本项目完成SCI/EI论文12篇，申报/授权发明专利10项，培养研究生11人。