-
摘要:目的 为准确预测未来4 h风向,提出一种基于VMD-LSTM(Variational Mode Decomposition-Long Short-Term Memory)的超短期风向多步预测方法。方法 采集明阳智能某风电场3个风电机组的风向序列,对其进行预处理及时序分析;基于自相关函数(Autocorrelation Function, ACF)计算风向不同时期的相关性,以选取风向序列的特征长度;采用变分模态分解(Variational Mode Decomposition, VMD)将风向序列分解为相对稳定的模态信号,通过最小样本熵确定分解的子模态数,并对分解后的模态信号分别建立预测模型,进行超短期风向24步预测;重构风向序列,叠加各分量预测结果。结果 结果表明,VMD-LSTM在4个季度的24步风向预测的绝对平均误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Square Error, RMSE)、平 均 绝 对 百 分 比 误 差 (Mean Absolute Percentage Error, MAPE)分别为8.430°、16.870°、9.155,且在每个季度不同时间尺度的各个误差评价指标均优于其他常见的数据建模方法。结论 所提算法可满足风电场的实际生产中优化控制偏航角的要求。Abstract:Introduction In order to accurately forecast the wind direction in the next 4 hours, a very short-term wind direction multistep forecast algorithm based on VMD-LSTM(Variational Mode Decomposition-Long Short-Term Memory) is proposed.Method Wind direction sequence was collected from 3 wind turbines of a wind farm of Mingyang Smart Energy Group for preprocessing and analysis. The correlation of wind direction in different periods was calculated using the autocorrelation function (ACF) to select the characteristic length of wind direction sequence. Based on variational mode decomposition (VMD), the wind direction sequence was decomposed into relatively intrinsic mode functions, the number of which was determined by minimum sample entropy. Models were build for each intrinsic mode function to make very short-term wind direction 24-step forecast. Finally, the wind direction sequence was reconstructed from the forecasted intrinsic mode functions.Result The results obtained demonstrate that the average MAE(Mean Absolute Error), RMSE(Root Mean Square Error) and MAPE(Mean Absolute Percentage Error) of the 24-step wind direction forecast based on VMD-LSTM in 4 quarters are 8.430°, 16.870° and 9.155, respectively. The algorithm performs better than other common data modeling methods regarding each error evaluation index at different time scales in each quarter.Conclusion The proposed algorithm can optimize the control yaw angle in the actual production of wind farms.
-
目前人类通过多种方式获取能源,不仅有对煤、石油、天然气等化石燃料燃烧释放热能的使用,还有对风能、太阳能、水能、地热能等新能源的应用。随着社会生产力不断提高,对能源的消耗越来越大,全球有限的化石能源终有一天会被耗尽,需要开发一种原材料储量丰富、释放能量巨大、安全可靠的能源利用方式,这种理想的能源就是原子核的聚变能[1]。与核裂变相比,核聚变采用氢的同位素作为反应燃料,其聚变产物为氦气,无放射性,核泄漏危害小[2]。两个较轻的原子核,在聚变核反应下,会生成新的质量更重的原子核,并释放出巨大的能量,通过控制与利用核聚变反应,就能产生源源不断的能源[3]。
1. 聚变能源与ITER计划
为了在地球上实现受控热核聚变,其条件之一就是为聚变反应维持一亿度以上的高温等离子体环境,并将参加反应的高温等离子体约束在一定范围内并保证充足的反应时间。采用超导托卡马克(Tokamak)技术,其聚变装置基本工作原理如图1所示,中央是一个环形的真空室,外围缠绕着超导线圈,利用导通大电流下超导线圈所产生的强磁场,将等离子体约束在小范围内实现核聚变反应,是目前最有可能率先成功的可控聚变方式[4]。
“国际热核聚变实验堆(ITER)计划”,最早于1985年日内瓦峰会上,由美、苏、法三国领导人共同倡议提出,并于1988年由美、苏、欧、日共同启动其概念设计。中国于2003年初参加ITER计划,6月韩国加入,中、欧、日、韩、俄、美六方于2005年6月共同签署了《ITER场址联合宣言》,并将实验堆建设场址确定于法国卡达拉舍(Cadarache),同年底印度加入ITER计划谈判。2007年10月24日,ITER国际聚变能组织(简称ITER组织)正式成立[5-6]。
ITER计划目标是建设世界上最大的托卡马克聚变装置。在超导磁约束聚变反应堆装置中,为氘氚等离子体完成受控聚变反应提供条件,该项目的建设一方面攻克工程技术制造难题,验证该受控聚变方案的工程可行性,另一方面可基于该装置完成一系列测试与研究,为未来建设聚变能电站完善技术基础与科学基础[7],最终实现和平利用聚变能源。
2. ITER电源系统
电源系统在ITER装置中占据着极其重要的地位,它的功能主要有以下三点:
1)为微波、中性粒子等装置提供能量,维持聚变反应所需高温等离子体环境。
2)为各超导线圈导通电流,产生对应强磁场以约束和控制等离子体位形。
3)为聚变装置各辅助系统供电及磁体失超的保护电路。
如图2所示为ITER电源系统的组成,其中包括稳态、脉冲高压变电站;磁体电源系统;法国400 kV电网;微波、中性粒子装置等电源系统,即中性束注入NB,离子回旋ICRF,电子回旋ECRF,微波加热LHCD;无功补偿及其滤波系统[8-10]。
由于超导材料具有零电阻特性,导通电流下的能量损耗极低,可以作为一种有效的储能装置,且能够流通相较于常规导体高达十几倍以上的电流,并相应地产生十几倍以上的磁场[11]。在ITER托卡马克聚变装置中,等离子体电流15 MA,温度达到数亿度,故采用了超导磁体作为产生高强磁场的线圈,其对应电源系统需要快速控制等离子体的不同位置与形状,并保证等离子体不接触器壁。
ITER托卡马克聚变装置,主要由18个环向场线圈TF、6个极向场线圈PF以及包含6个独立绕包模块的中心螺管线圈CS组成,此外还包括部分校正线圈CCS等[12]。ITER变流器电源的结构示意如图3所示,具体各线圈的变流器电源参数如表1所示。
表 1 ITER主要线圈的变流器电源额定参数Table 1. Rated power supply parameters of ITER main coil线圈 额定电流/kA 额定电压/V TF 68 900 PF 55 1 350 CS 45 1 350 VS 22.5 1 350 CC 10 100/450 3. ITER磁体电源国内实施
3.1 我国对ITER磁体电源系统的优化设计
我国于2005年开始正式介入ITER电源工作,原采用的FDR2001设计方案,其内旁通和故障抑制能力具有较大风险和设计缺陷,主要包括:在超导磁体电源系统中内旁通不能正常运行;不能满足故障抑制能力要求;存在系统过电压和低频振荡[13]。
针对以上设计风险和缺陷,国内科研人员提出了如下电源优化设计方案:
1)用外旁通代替原设计中的内旁通,使超导线圈电流具有稳定续航通路,系统安全性和可靠性大大提高,如图4所示。
2)采用晶闸管整流桥反并联代替原来的晶闸管反并联设计方案,大大减少系统最大故障电流(原440 kA降至320 kA),提高系统故障抑制能力,如图5所示。
3)采用多变流器单元串联顺序控制方式来减少系统最大无功,系统无功可以降低30%左右,从原来的1 000 MVar左右降低到750 MVar左右。无功容量的降低可以减少甩负荷时系统的过电压和低频振荡,如图6所示。
中方于2008年初,针对ITER磁体电源系统原设计方案,提出了存在的相关问题,并通过以上外旁通、晶闸管整流桥以及串联顺序控制结构等方面的优化设计与试验验证,极大降低了ITER装置运行的故障风险,证明了中方提供设计方案的合理性与正确性。ITER组织与其他六方最终在2009年12月IO-DA会议上同意中方方案,该磁体电源优化设计方案的提出,也为我国争取了大量采购包份额。
3.2 国内承担的磁体电源采购包
中科院合肥研究院等离子体物理研究所,是ITER建设计划中国工作组的主要依托单位之一,承担了中国采购包的绝大部分研发任务[14],主要包括高压变电站、变流系统和无功补偿系统,是ITER磁体电源建设的重要组成部分:
1)变流器电源系统采购包
变流器电源系统能够输出快速变化的电流波形,并根据聚变装置等离子体的位置、形状,进行电流大小实时控制,是ITER装置实现成功且安全磁约束聚变反应的关键。该系统包括多组交直流变流器,交流侧电压66 kV,直流侧最高电压20 kV,最高电流68 kA,装机容量2.3 GVA。ITER装置变流器系统是目前世界上最大功率和运行工况最复杂的系统。图7显示了变流器采购包的主要设备组成。
2)无功补偿及谐波抑制系统采购包
由于电力变压器输配电以及为磁体线圈供电的整流器等会产生大量谐波,无功补偿和谐波抑制系统可对等离子体放电过程中磁体电源及辅助加热电源产生的无功和谐波进行有效的补偿和抑制[15],使电网免受其冲击,稳定电网电压。ITER装置的动态负载需要750 MVR的大容量的可靠无功补偿和谐波抑制系统,是目前世界上运行电压最高,装机容量最大的无功补偿和谐波抑制系统。图8显示了无功补偿及谐波抑制系统组成。
3)脉冲高压变电站设备采购包
ITER装置交流电源供电系统是由一个巨大容量的双回路400 kV电网组成,系统短路容量为12 GVA,最终将达到27 GVA。脉冲高压变电站设备采购包括400 kV高压配电站的全部设备,包括400 kV和66 kV等级相应的主变压器,高压开关,高压互感器,高压电缆,保护与集成及部分22 kV开关成套设备,将双回路400 kV电压通过三组300 MVA变压器变到66 kV并通过母线供给各类负荷。其中400 kV、66 kV和22 kV等级高压开关均采用SF6技术。由于该变电站设备电压等级和我国通用产品不同,需要专门设计和研制,并要符合法国电网标准。高压变电站主要设备与参数如表2所示。
表 2 脉冲高压变电站主要设备与技术参数Table 2. Main equipment and technical parameters of pulse high voltage substation设备 基本参数 变压器 300 MVA油变,电压等级:400/66/22 kV 断路器 400 kV和66 kV等级,1~5 kA,SF6 隔离(接地)开关 400 kV和66 kV等级,1~5 kA 避雷器 400 kV和66 kV等级 互感器 400 kV和66 kV等级 测量/保护级不等 高压电缆 66 kV和30 kV等级,无卤铠装 成套开关 22 kV等级,SF6开关 为了满足ITER电源系统国内采购包的测试需要,2011年等离子体物理研究所将所内双回路110 kV高压变电站容量从81 MVA升级为340 MVA,并建立了获得CNAS认证的交、直流测试平台,可提供如表3所示实验能力[16],该测试平台在为ITER电源相关设备测试之外,还可以满足日益发展的中国电气工业产品测试需求,为国民经济发展做出贡献。
表 3 交、直流测试平台实验能力Table 3. Experimental capability of AC and DC test platform直流测试平台 交流短路脉冲测试平台 最大脉冲电流 500 kA 动稳定电流(峰值) 450 kA 稳态连续电流 120 kA 最大输出电压 400 V 最大输出电压 2 kV 热稳定电流/持续时间 150 kA/2 s 输出功率可调 0~250 MW 输出功率可调 0~100 MW 4. 结论
本文简要介绍了ITER计划的历史及其主要发展历程,针对超导磁体电源系统,说明了其在ITER聚变装置中的重要作用以及组成部分。文中还叙述了我国对磁体电源系统中,包括外旁通、整流桥与变流器控制结构的优化设计。最后,重点对国内承担的磁体电源采购包在ITER装置中的作用与主要参数进行了介绍。
依托掌握的聚变工程核心技术,参与国际ITER计划科研项目,既能够实现我国聚变技术产业发展,锻炼和培养出一批极具国际竞争力、掌握ITER相关知识产权的工程技术人才和国际项目管理专业人才,提升了我国在国际聚变领域的竞争力和影响力。
-
表 1 数据集信息
Table 1 Dataset information
数据集 数据来源 训练集数量 测试集数量 A 2021/03/01 00:00-2021/03/31 23:50 3 125 1 339 B 2021/06/01 00:00-2021/06/30 23:50 3 024 1 296 C 2021/09/01 00:00-2021/09/30 23:50 3 024 1 296 D 2021/12/01 00:00-2021/12/31 23:50 3 125 1 339 表 2 基于VMD-LSTM的风向多步预测结果
Table 2 Wind direction multistep forecast results based on VMD-LSTM
预测步长 第1季度 第2季度 第3季度 第4季度 MAE/(°) RMSE/(°) MAPE MAE/(°) RMSE/(°) MAPE MAE/(°) RMSE/(°) MAPE MAE/(°) RMSE/(°) MAPE 1 7.782 15.445 8.137 6.693 11.632 4.704 5.358 8.772 8.772 4.592 15.097 4.983 2 7.712 15.325 8.045 6.549 11.404 4.601 5.316 8.682 8.682 4.553 14.926 4.934 3 7.711 15.338 8.012 6.449 11.315 4.505 5.306 8.571 8.571 4.532 14.730 4.872 4 7.644 15.251 7.912 6.744 11.858 4.688 5.331 8.598 8.598 4.478 14.443 4.788 5 7.674 15.323 7.939 7.353 12.969 4.997 5.460 8.766 8.766 4.421 14.229 4.755 6 7.618 15.312 7.969 7.579 13.206 5.208 5.641 8.991 8.991 4.500 14.472 4.872 7 7.747 15.730 8.152 7.829 13.502 5.413 5.911 9.361 9.361 4.775 15.188 5.213 8 8.140 16.657 8.501 8.085 13.950 5.658 5.855 9.425 9.425 5.127 16.167 5.637 9 8.810 17.957 9.252 8.231 14.118 5.785 6.003 9.750 9.750 5.620 17.848 6.211 10 9.280 18.590 9.591 8.229 14.233 5.793 6.194 10.156 10.156 6.220 19.691 6.790 11 9.842 19.332 10.309 8.355 14.464 5.853 6.494 10.685 10.685 6.736 21.455 7.257 12 10.591 20.647 11.152 8.317 14.432 5.796 6.891 11.286 11.286 7.031 22.352 7.520 13 11.968 23.267 12.449 8.427 14.814 5.864 7.263 11.836 11.836 7.292 22.568 7.639 14 12.890 25.433 13.383 8.610 15.168 6.013 7.977 12.848 12.848 7.674 22.968 7.936 15 13.059 25.331 13.584 8.704 15.388 6.141 7.883 12.827 12.827 8.146 23.452 8.423 16 14.072 26.942 14.886 9.034 15.901 6.422 8.045 13.036 13.036 8.627 24.461 8.829 17 13.607 25.731 14.647 9.428 16.464 6.762 8.462 13.613 13.613 8.440 23.332 8.432 18 13.042 24.306 14.045 10.186 17.584 7.312 8.601 13.710 13.710 8.534 22.889 8.355 19 13.098 24.205 14.089 10.055 17.285 7.258 8.578 13.823 13.823 8.918 23.067 8.585 20 13.292 24.449 14.198 10.285 17.626 7.453 8.756 14.300 14.300 8.786 21.985 8.495 21 13.740 25.289 14.883 10.783 18.253 7.772 9.182 15.181 15.181 8.954 22.006 8.740 22 13.757 25.237 14.869 10.628 18.060 7.722 9.662 16.071 16.071 9.087 21.890 8.988 23 13.977 25.423 15.135 10.412 17.667 7.644 10.011 16.600 16.600 9.457 22.350 9.440 24 13.755 25.003 14.834 10.342 17.657 7.651 10.421 17.371 17.371 10.029 23.166 9.975 表 3 不同方法的风向预测结果
Table 3 Wind direction forecast results of different methods
预测模型 季度 MAE/(°) RMSE/(°) MAPE ARMA 1 18.171 36.762 21.131 2 21.636 37.293 15.900 3 14.183 25.072 15.230 4 8.774 27.975 9.853 RF 1 33.897 52.224 30.148 2 28.189 45.544 19.395 3 18.734 28.462 19.032 4 46.554 56.749 56.749 VMD-RF 1 16.130 27.310 17.054 2 12.909 20.421 9.514 3 10.786 16.021 11.003 4 13.857 24.802 12.495 LSTM 1 41.677 61.162 34.512 2 38.968 59.598 28.449 3 23.140 33.851 22.536 4 48.877 65.171 34.266 VMD-LSTM 1 10.867 20.897 11.499 2 8.638 14.956 6.126 3 7.275 11.844 11.844 4 6.939 19.780 7.153 表 4 不同风机的风向预测结果MAE
Table 4 MAE of wind direction forecast for different wind turbines
(°) 风机 第1季度 第2季度 第3季度 第4季度 合计 1# 14.595 8.349 8.492 9.865 10.325 2# 13.345 8.231 9.750 8.927 10.063 3# 12.390 8.954 10.808 8.934 10.271 -
[1] 张东东, 崔新维. BP神经网络在风力发电机风向预测中的应用 [J]. 太阳能, 2015(3): 47-49. DOI: 10.3969/j.issn.1003-0417.2015.03.011. ZHANG D D, CUI X W. Application of BP neural network in wind direction forecast of wind turbine [J]. Solar Energy, 2015(3): 47-49. DOI: 10.3969/j.issn.1003-0417.2015.03.011.
[2] CHENG W Y, LIU Y B, BOURGEOIS A J, et al. Short-term wind forecast of a data assimilation/weather forecasting system with wind turbine anemometer measurement assimilation [J]. Renewable Energy, 2017, 107: 340-351. DOI: 10.1016/j.renene.2017.02.014.
[3] ERDEM E, SHI J. ARMA based approaches for forecasting the tuple of wind speed and direction [J]. Applied Energy, 2011, 88(4): 1405-1414. DOI: 10.1016/j.apenergy.2010.10.031.
[4] KAVASSERI R G, SEETHARAMAN K. Day-ahead wind speed forecasting using f-ARIMA models [J]. Renewable Energy, 2009, 34(5): 1388-1393. DOI: 10.1016/j.renene.2008.09.006.
[5] AMBACH D, SCHMID W. A new high-dimensional time series approach for wind speed, wind direction and air pressure forecasting [J]. Energy, 2017, 135(17): 833-850. DOI: 10.1016/j.energy.2017.06.137.
[6] WANG S X, ZHANG N, WU L, et al. Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method [J]. Renewable Energy, 2016, 94: 629-636. DOI: 10.1016/j.renene.2016.03.103.
[7] KHOSRAVI A, KOURY R N N, MACHADO L, et al. Prediction of wind speed and wind direction using artificial neural network, support vector regression and adaptive neuro-fuzzy inference system [J]. Sustainable Energy Technologies and Assessments, 2018, 25: 146-160. DOI: 10.1016/j.seta.2018.01.001.
[8] 张亚超, 刘开培, 秦亮. 基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型 [J]. 电网技术, 2016, 40(5): 1334-1340. DOI: 10.13335/j.1000-3673.pst.2016.05.007. ZHANG Y C, LIU K P, QIN L. Short-term wind power multi-leveled combined forecasting model based on Variational Mode Decomposition-Sample entropy and machine learning algorithms [J]. Power System Technology, 2016, 40(5): 1334-1340. DOI: 10.13335/j.1000-3673.pst.2016.05.007.
[9] 唐振浩, 赵赓楠, 曹生现, 等. 一种基于数据解析的混合风向预测算法 [J]. 太阳能学报, 2021, 42(9): 349-356. DOI: 10.19912/j.0254-0096.tynxb.2020-0119. TANG Z H, ZHAO G N, CAO S X, et al. A data analystic based hybrid wind direction prediction algorithm [J]. Acta Energiae Solaris Sinica, 2021, 42(9): 349-356. DOI: 10.19912/j.0254-0096.tynxb.2020-0119.
[10] 林涛, 王建君, 张达. 基于VMD-BA-LSTM的短期风向预测研究 [J]. 高技术通讯, 2021, 31(6): 653-659. DOI: 10.3772/j.issn.1002-0470.2021.06.010. LIN T, WANG J J, ZHANG D. Short-term wind direction prediction research based on VMD-BA-LSTM [J]. Chinese High Technology Letters, 2021, 31(6): 653-659. DOI: 10.3772/j.issn.1002-0470.2021.06.010.
[11] 向玲, 李京蓄, 王朋鹤, 等. 基于VMD-FIG和参数优化GRU的风速多步区间预测 [J]. 太阳能学报, 2021, 42(10): 237-242. DOI: 10.19912/j.0254-0096.tynxb.2019-1083. XIANG L, LI J X, WANG P H, et al. Wind speed multistep interval forecasting based on VMD-FIG and parameter-optimized GRU [J]. Acta Energiae Solaris Sinica, 2021, 42(10): 237-242. DOI: 10.19912/j.0254-0096.tynxb.2019-1083.
[12] 吴迪, 刘怀西, 苗得胜. 尾流算法与风向变化对海上风机排布影响研究 [J]. 南方能源建设, 2019, 6(2): 54-58. DOI: 10.16516/j.gedi.issn2095-8676.2019.02.010. WU D, LIU H X, MIAO D S. Research on offshore wind farm units layout considering the algorithm of wake model and the change of wind direction [J]. Southern Energy Construction, 2019, 6(2): 54-58. DOI: 10.16516/j.gedi.issn2095-8676.2019.02.010.
[13] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition [J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544. DOI: 10.1109/tsp.2013.2288675.
[14] RICHMAN J S, LAKE D E, MOORMAN J R. Sample entropy [J]. Methods in Enzymology, 2004, 384: 172-184. DOI: 10.1016/S0076-6879(04)84011-4.
[15] ZHANG Y G, PAN G F. A hybrid prediction model for forecasting wind energy resources [J]. Environmental Science and Pollution Research, 2020, 27(16): 19428-19446. DOI: 10.1007/s11356-020-08452-6.
[16] GRAVES A. Long short-term memory [M]//GRAVES A. Supervised Sequence Labelling with Recurrent Neural Networks. Berlin, Heidelberg: Springer, 2012: 37-45. DOI: 10.1007/978-3-642-24797-2_4.
[17] 国家市场监督管理总局, 国家标准化管理委员会. 风电场气象观测资料审核、插补与订正技术规范: GB/T 37523—2019 [S]. 北京: 中国标准出版社, 2019. State Administration for Market Regulation, Standardization Administration. Specification for data inspection and correction of wind power plant meteorological observation: GB/T 37523—2019 [S]. Beijing: Standards Press of China, 2019.
-
期刊类型引用(7)
1. 罗浩东,林燕,李斌,向魁,朱光涛,曾涛. CFETR核聚变发电厂储热技术对比. 核技术. 2024(05): 131-139 . 百度学术
2. 许一泽,林睿,王思巍. 基于超级电容器的核聚变磁体电源系统环形场线圈电源设计. 南方能源建设. 2024(03): 117-125 . 本站查看
3. 李金海. 一种内离子源惯性静电约束聚变技术. 南方能源建设. 2024(03): 47-55 . 本站查看
4. 林燕,李斌,罗浩东,向魁,朱光涛. 热核聚变发电厂储能系统运行模式研究. 南方能源建设. 2024(03): 110-116 . 本站查看
5. 余珮炫,周红霞,万银祥. 基于PLC的HL-3装置中性束逻辑控制系统设计. 南方能源建设. 2024(03): 152-158 . 本站查看
6. 苏杭,李华,宋执权,徐猛,李振瀚,吴乾坤. 混合式新型聚变电源概念设计. 南方能源建设. 2024(03): 56-64 . 本站查看
7. 张豪磊,周涛,薛春辉,刘鹏. 聚变堆包层模块第一壁不同冷却剂传热性能研究. 南方能源建设. 2024(03): 75-80 . 本站查看
其他类型引用(1)