本發明屬于風力發電技術領域，尤其涉及一種具有發電量預測及跟蹤控制的風力發電智能網及控制方法。

背景技術：

當今世界面臨著嚴重的能源危機和環境污染問題，迫使人們把目光開始轉向新能源的開發和利用上來，風力資源的發掘也因此迎來了新的契機。據勘測我國風力資源豐富，可開發利用的儲量約為10億KW，主要分布在我國的西北方向，東北方向以及沿海地段。截至2011年底，我國風電裝機容量占全球的40％，風電上網電量占全國發電量的1.5％。但是隨著并網量的不斷增加，給電力系統也帶來了很大的安全隱患，因為輸出功率受環境影響較大，呈現出波動性、隨機性和間歇性等特點。目前，跨區域電力交易主要以年度合同為主、月度合同為輔的交易模式。風電基地風電外送也主要以長期交易為主。在簽訂合同的過程中必然涉及到的問題是未來一年或者一個月的需要輸出的電量是多少，以便為交易提供參考。現有的技術一般是將風力發電的預測和跟蹤控制技術分開的，要么只能預測，要么就是只能跟蹤，所以導致的一個必然的后果是技術單一，風力資源得不到充分的利用，浪費大量的人力物力。

為了解決這些問題并充分利用風力資源，在本發明中將兩項技術運用到一起，有效的整合了各種資源，提升了產能結構，有利于電站大規模的發展。建立一種可靠的預測模型以及風力發電跟蹤控制裝置顯得相當必要。

技術實現要素：

本發明的目的在于提供一種具有發電量預測及跟蹤控制的風力發電智能網及控制方法，旨在解決現有的技術將風力發電的預測和跟蹤控制技術分開的，導致技術單一，風力資源得不到充分的利用，浪費大量的人力物力；而且現有技術不能有效的整合各種資源，不能提升產能結構，不有利于電站大規模發展的問題。

本發明是這樣實現的，一種具有發電量預測及跟蹤控制的風力發電智能網，所述具有發電量預測及跟蹤控制的風力發電智能網包括：

預測單元和控制單元；所述預測單元與控制單元信號連接；

所述預測單元包括：

風力發電綜合觀測站，通過選擇測試節點，獲得歷史數據、實時數據以及設備參數，并將獲得的數據傳給預測計算機；

預測計算機，所述預測計算機與預測電量模塊連接，用于接收來自風力發電綜合觀測站的各種數據，并根據對數據的處理精確預測出發電量和最大功率曲線記錄表，且將其分別傳向預測電量模塊和位于風力發電機上的微處理器；

預測電量模塊，所述預測電量模塊與電力調度中心連接，用于預測電量；

電力調度中心，用于接收來自預測電量模塊預測的電量并進行發配電，進而保證電網的安全；

所述控制單元具體包括：

微處理器，用于每隔半小時接收并處理來自風力發電綜合觀測站、預測計算機、GPS以及轉速傳感器的數據，還用于計算實時風力發電功率并驅動跟蹤控制器實現風能的充分利用；

轉速傳感器，用于向微處理器傳輸實時的風輪旋轉機械角速度ω；

GPS，用于獲取GPS的定位信號；

跟蹤控制器，用于接收微處理器的控制指令；

最大功率曲線記錄表，用于向微處理器傳輸輸出功率參數值。

進一步，所述微處理器根據風力發電綜合觀測站和轉速傳感器傳輸來的實時數據，計算實時的發電功率P₁，并比較在此轉速下由預測計算機傳來的最大功率記錄表中的數據P₂，如果P₁>P₂根據GPS的定位，將風葉平面旋轉到與風向垂直的的方向，如果P₁<P₂則進入下一判斷，即判斷風向與旋轉平面的夾角是否大于15度且長時間保持不變，如果是，則將風葉平面旋轉到與風向垂直的的方向，如果不是，那么30分鐘后輸出實時的數據。

本發明的另一目的在于提供一種所述的具有發電量預測及跟蹤控制的風力發電智能網的控制方法，所述控制方法包括以下步驟：

步驟一，收集風力發電綜合觀測站的數據，對數據源中的數據進行清洗、調和、導出、匹配、合并及消除重復，把經過降噪處理的數據統一存儲，以此建立數據倉庫；進一步對數據庫中的數據進行ETL處理；

步驟二，經過處理的數據用遺傳算法進行優化處理，并把得到的最優個體解碼為BP神經網絡的初始參數，也即為權值和閾值；

步驟三，初始化參數，進行BP訓練，把歷史數據作為輸入向量，實時數據作為目標輸出向量，訓練所述的BP神經網絡根據實時數據與經過訓練后的BP神經網絡，獲得中期的發電量數據；

步驟四，計算最大功率曲線記錄表，根據風力發電綜合觀測站傳輸來的歷史數據；計算最大功率曲線記錄表，并輸出給微處理器；

步驟五，電力調度中心接收來自預測計算機的預測電量，進而實現電力的合理配送和并網的安全。

進一步，所述步驟一中清洗包括：預測計算機接受來自風力發電綜合觀測站的數據，根據相關性原理對其進行清洗、調和、導出、匹配、合并及消除重復，以此消除無關的和多余的數據。

進一步，所述步驟一中降噪包括清洗、調和、導出、匹配、合并及消除重復；所述步驟一中建立數據倉庫為把經過降噪處理的數據進行集中存儲的過程；所述步驟一中ETL處理為:把數據倉庫中的數據進行抽取、轉換和加載，以便于后續處理的精確應。

進一步，所述步驟二中的優化處理包括：

第一步，計算數據庫中的各個個體的適應值，并保存最優適應值；

第二步，如果達到設定的進化代數或當前最優個體滿足條件則進行下一步，否則進行選擇、交叉、變異后返回到第一步；

第三步，將第二步中的最優個體解碼為BP神經網絡的初始參數。

進一步，所述收集風力發電綜合觀測站的數據包括：歷史數據、實時數據、其它相關數據、天氣因素歷史數據。

進一步，所述歷史數據包括：發電量歷史數據、風機運轉歷史參數和環境因素歷史數據；

所述實時數據包括：實時發電量數據、風機實時運轉參數和環境因素實時數據；

所述其它相關數據主要指：風機的設備參數；

所述天氣因素歷史數據具體包括：溫度、濕度、氣壓、風速、風向、降雨及空氣密度。

進一步，所述計算最大功率曲線記錄表，根據風力發電綜合觀測站傳輸來的歷史數據，其中包括空氣密度ρ、風力機槳葉掃掠面積s、風輪旋轉機械角速度ω、葉片半徑R以及風速v；由公式計算最大功率曲線記錄表，并輸出給微處理器，其中C_P是風能轉換系數，λ是葉尖速比，β是槳葉節矩角。

本發明的另一目的在于提供一種應用所述控制方法的風力發電機。

本發明提供的具有發電量預測及跟蹤控制的風力發電智能網及控制方法，預測計算機根據觀測站傳輸來的相關數據首先進行ETL處理，然后用大數據處理的方法進行降維，再用遺傳算法優化了的BP神經算法進行發電量的預測，并把預測值發送到電力調度中心，以便配送電力。同時預測計算機也會根據歷史數據計算出相應風機的最大功率曲線記錄表。控制單元包括微處理器、GPS、電機驅動裝置和轉速傳感器，其中微處理器接收來至綜合觀測站、GPS轉速傳感器的數據并計算實時輸出功率，并將此功率與來自預測計算機的最大功率曲線記錄表作對比，進而根據差值決定是否通過驅動控制裝置旋轉風機追尋最大功率點。本發明與原有的技術相比，采用一種網絡化的實時監控預測模式，不僅具有對發電量的精準預測，而且能夠根據終端的實時數據自動旋轉風機追尋最大功率點，從而實現對風力發電的并網安全及風能的充分利用提供了可靠的技術支持。

附圖說明

圖1是本發明實施例提供的具有發電量預測及跟蹤控制的風力發電智能網結構示意圖；

圖中：1、預測單元；2、控制單元。

圖2是本發明實施例提供的具有發電量預測及跟蹤控制的風力發電智能網的控制方法流程圖。

圖3是本發明實施例提供的預測單元信號處理流程圖。

圖4是本發明實施例提供的控制單元信號處理流程圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

下面結合附圖對本發明的應用原理作詳細的描述。

如圖1所示，本發明實施例提供的具有發電量預測及跟蹤控制的風力發電智能網包括：

預測單元1和控制單元2；所述預測單元與控制單元信號連接；

所述預測單元1包括：

風力發電綜合觀測站，通過選擇測試節點，獲得歷史數據、實時數據以及設備參數，并將獲得的數據傳給預測計算機；

預測計算機，所述預測計算機與預測電量模塊連接，用于接收來自風力發電綜合觀測站的各種數據，并根據對數據的處理精確預測出發電量和最大功率曲線記錄表，且將其分別傳向預測電量模塊和位于風力發電機上的微處理器；

預測電量模塊，所述預測電量模塊與電力調度中心連接，用于預測電量；

電力調度中心，用于接收來自預測電量模塊預測的電量并進行發配電，進而保證電網的安全；

所述控制單元2具體包括：

微處理器，用于每隔半小時接收并處理來自風力發電綜合觀測站、預測計算機、GPS以及轉速傳感器的數據，還用于計算實時風力發電功率并驅動跟蹤控制器實現風能的充分利用；

轉速傳感器，用于向微處理器傳輸實時的風輪旋轉機械角速度ω；

GPS，用于獲取GPS的定位信號；

跟蹤控制器，用于接收微處理器的控制指令；

最大功率曲線記錄表，用于向微處理器傳輸輸出功率參數值。

微處理器根據風力發電綜合觀測站和轉速傳感器傳輸來的實時數據，計算實時的發電功率P₁，并比較在此轉速下由預測計算機傳來的最大功率記錄表中的數據P₂，如果P₁>P₂根據GPS的定位，將風葉平面旋轉到與風向垂直的的方向，如果P₁<P₂則進入下一判斷，即判斷風向與旋轉平面的夾角是否大于15度且長時間保持不變，如果是，則將風葉平面旋轉到與風向垂直的的方向，如果不是，那么30分鐘后輸出實時的數據。

如圖2所示，本發明實施例提供的具有發電量預測及跟蹤控制的風力發電智能網的控制方法包括以下步驟：

S101：收集風力發電綜合觀測站的數據，對數據源中的數據進行清洗、調和、導出、匹配、合并及消除重復，把經過降噪處理的數據統一存儲，以此建立數據倉庫；進一步對數據庫中的數據進行ETL處理；

S102:經過處理的數據用遺傳算法進行優化處理，并把得到的最優個體解碼為BP神經網絡的初始參數，也即為權值和閾值；

S103：初始化參數:進行BP訓練，把歷史數據作為輸入向量，實時數據作為目標輸出向量，訓練所述的BP神經網絡根據實時數據與經過訓練后的BP神經網絡，獲得中期的發電量數據；

S104：計算最大功率曲線記錄表，根據風力發電綜合觀測站傳輸來的歷史數據；計算最大功率曲線記錄表，并輸出給微處理器；

S105：電力調度中心接收來自預測計算機的預測電量，進而實現電力的合理配送和并網的安全。

所述步驟一中降噪包括清洗、調和、導出、匹配、合并及消除重復；所述步驟一中建立數據倉庫為把經過降噪處理的數據進行集中存儲的過程；所述步驟一中ETL處理為:把數據倉庫中的數據進行抽取、轉換和加載，以便于后續處理的精確應。

所述步驟二中的優化處理包括：

第一步，計算數據庫中的各個個體的適應值，并保存最優適應值；

第二步，如果達到設定的進化代數或當前最優個體滿足條件則進行下一步，否則進行選擇、交叉、變異后返回到第一步；

第三步，將第二步中的最優個體解碼為BP神經網絡的初始參數。

收集風力發電綜合觀測站的數據包括：歷史數據、實時數據、其它相關數據、天氣因素歷史數據。

歷史數據包括：發電量歷史數據、風機運轉歷史參數和環境因素歷史數據；所述實時數據包括：實時發電量數據、風機實時運轉參數和環境因素實時數據；所述其它相關數據主要指：風機的設備參數；所述天氣因素歷史數據具體包括：溫度、濕度、氣壓、風速、風向、降雨及空氣密度等因素。

初始化參數后，進行BP訓練，其步驟包括：

把歷史數據作為輸入向量，實時數據作為目標輸出向量，訓練所述的BP神經網絡根據實時數據與經過訓練后的BP神經網絡，獲得中期的發電量數據。

計算最大功率曲線記錄表，根據風力發電綜合觀測站傳輸來的歷史數據，其中包括空氣密度ρ、風力機槳葉掃掠面積s、風輪旋轉機械角速度ω、葉片半徑R以及風速v.由公式計算最大功率曲線記錄表，并輸出給微處理器，其中C_P是風能轉換系數，λ是葉尖速比，β是槳葉節矩角。

電力調度中心接收來自預測計算機的預測電量，進而實現電力的合理配送和并網的安全，加快了風力發電的商業化步伐。

本發明實施例提供預測單元的預測方法包括：

(1)收集風力發電綜合觀測站的數據，對數據源中的數據進行降噪處理，以此建立數據倉庫；進一步對數據庫中的數據進行ETL處理；

(2)經過處理的數據用遺傳算法進行優化處理，并把得到的最優個體解碼為BP神經網絡的初始參數，也即為權值和閾值；

(3)進行BP訓練，把歷史數據作為輸入向量，實時數據作為目標輸出向量；

(4)計算隱層、輸出層各單元輸出值；

(5)求實時數據與輸出值的差；

(6)如果滿足要求則結束預測；如果不滿足要求則進行權值調整；通過反向誤差傳到給(4)步驟。

本發明實施例提供的具有發電量預測及跟蹤控制的風力發電智能網的控制方法的原理有：風力發電綜合觀測站向微處理器實時發送實時數據、設備參數數據，同時微處理器反饋給風力發電綜合觀測站風機處測試數據；

風力發電綜合觀測站同時向預測計算機發送實時及歷史數據，設備監控數據，預測計算機同時向風力發電綜合觀測站發出調節指令；

預測計算機向微處理器發送最大功率曲線記錄表，微處理器反饋給預測計算機設備監控的數據；

預測計算機還向風力調度中心發送預測的電量，電力調度中心進而實現電力的合理配送和并網的安全。

以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。