Daniel W. Bernadett：風電功率曲線研究及應用

2017-10-18 17:17:54 能見　點擊量：評論 (0)

2017年10月16日-19日，2017北京國際風能大會（CWP2017）在北京隆重召開。在中國國際展覽中心（新館）風電場智能運維專場，UL可再生能源功率曲線測試總監專業工程師介紹了功率曲線的作用，功率曲線被當作衡量和考

2017年10月16日-19日，2017北京國際風能大會（CWP2017）在北京隆重召開。在中國國際展覽中心（新館）“風電場智能運維”專場，UL可再生能源功率曲線測試總監/專業工程師介紹了功率曲線的作用，功率曲線被當作衡量和考核風電機組性能重要技術指標。DanielW.Bernadett提出UL現在正在開發一項技術，這不是用的REC的標準，可以用到的在全世界的用戶的風電場功率曲線方面。

以下為演講內容：

DanielW.Bernadett：好，我會講英文，我是來自功率和測試部門的。首先談一下什么是風電場功率曲線，包括了電力損失等等，這些都是在功率曲線里面，而不是在功率曲線外面的風機曲線。

因為我們把它放到內部，所以風電場的功率曲線會有相應的函數，有三個方式，首先去預測一下自發的瞬時的曲線，可以輸出多少功率，就會有這樣曲線告訴我們，現在電場輸出什么樣的功率，然后可以去把尾部損失，尾風損失等等的，還有電網損失都包括在里面。

那么還有就是在過去，如果考慮到現在這種時刻風電的一些湍流會是怎么樣，或者風電機運行是怎么樣。

那么可以用它去預測未來，對于我們風電場未來會有怎么樣能源的產出？這和預見的報告是相似的，就是我們要測量一下風速，還有預測功率輸出，基于功率曲線，或者基于尾風損失，那現在我們知道它的損失量是多少，還有就是工廠的情況，這樣我就可以準確去預測尾流。

那么誰會使用這個功率曲線呢？制造商會使用它來提供質保，像風機的質保，風電場會包括尾流損失，可用率，相應的風機的補償損失。

那么這個業主也會使用這個電場的功率，來知道他的資產，優化資產。同時還了解一下他的營收的曲線，這樣可以用它來追測未來的收入，通過過去的一些運行。

那么在這兒我們可以看一下整個電場的功率曲線，這是一個很小的電場，看到它這個產出是隨著時間推移會有變化，那作為這種零散的可用率，如果有9臺機組運行，產出會受到這個量的限制。

那么同時你也可以看到，運行在這里會下降，在高風速情況下，哪個風機會出現這樣的下降？當整個風場態勢有高的風速之后。

所以我們可以看一下更加樂觀的視角，就是當整個風機在運行的時候，最佳的運行案例是怎么樣的？就是它有百分之百的功率曲線，那么這就意味著這個風電場在運行情況下可以發多少電。

還有另外一個不同的審視的視角，就是每個用的電量，風速平均值，還有月度平均的產出水平，這樣的功率曲線就變成線性的了。

因為我們知道一個月以來風速和風向，這樣我們就可以建立他們之間的函數，這可以表明我們參照風和我們的風場，以及可利用率，并沒有特別好的關聯系數。

那么在這個例子當中，我們可以看到它的相關聯會比較好，值為0.9，讓我們知道這個風速和最終的發電量，之間有比較好的關聯。

我們再看一下可利用率，可利用率這是一個重點，那如果說我們看到所有的數據，我們大約對于百分之百BOP可用率進行篩選，然后我們再把一些不可利用的數據篩除掉，然后我們把風電機組調整到百分之百的可利用率，我們用可利用率來除。

對于不確定對，我們需要有一個從上到下的方式，我們所做的事情是我們計算預測和序列數據的均方跟誤差，如果我們做風電機組的數列統計的話，我們是自下而上的方式，然后得到是整個風機的不確定度，這個對于風電機組來說是非常適合，因為都是非常標準的數據，但是把每個分量的不確定性分別除去的話，我們進行非常好的校準，可以量化，可以分析，然后來通過校準的方式來減少它的不確定度。

那么因為自下而上的理論設計是各個環節當中最大的不確定度，所以通常會得出比較保守的結論。但是通過應用最優方法能產生比理論計算更低的不確定度，那我們對于均方均值誤差，我們做了一個定義，我們可以這樣來認為，它是預測與觀察值之間一個差異的一個標準差。

我們用K層交叉檢驗不確定度，它聽上去很復雜，其實沒有那么復雜，它是保留五分之一的數據，依據剩余五分之四的數據開發模型，與保留數據比較模型預測，重復5次，每次保留不同數據，5次運轉之間很好的一致顯示，模型不是過擬合。

那我們應該有一個非常好的模型，這樣的話，它可以適用于所有數據，而不是單組數據。

那我們看一下風電場功率曲線和風機功率曲線它有什么比較，風電場功率曲線需要更多的數據，有可能達到一年，因為我們需要評估風向對尾流的影響數據。

用風電的數據，我們也可以用十分鐘的數據，它用風機的功率一樣，但是如果用月季度計算的話，不會受短時影響。

那我們如果用到風電場功率曲線預測瞬時功率輸出或預估電網中斷的損失，作為輸入量的風數據需要在現場獲得。

我要是對于未來的能量作一個預測，我需要這種長期的這種數據，那這時候我們可以用非現場的數據，或者說模擬的風數據，我們在這兒也非常重要地記住，模型的均方根差不能量化輸入風速數據，我們應該用蒙特卡倫模擬來量化處理。

最后總結一下，我們可以采用各類的輸入，包括風速、風向等等。然后模型的復雜性是由輸入量的多少確定，最低不確定度的模型是最好的模型，我們所說的風電場的功率模型采用的是自上而下來計算不確定度，這個跟風機是不一樣的，它是自下而上的方式，通過這個方法，我們可以不同模型之間，可以進行比較。

那未來是什么樣子的？UL現在正在領導著一項技術，這不是用的REC的標準，他用到的在全世界的用戶，他們都可以來用風電場功率曲線，當然這個UL正在領導著這一項研究，我現在恐怕需要停到這兒了，不知道對于我的PPT大家有沒有什么問題？

（發言為現場速記整理，未經本人審核）