CN103925155A - 一种风电机组输出功率异常的自适应检测方法 - Google Patents

Abstract

本发明涉及一种风电机组输出功率异常的自适应检测方法，其包括以下步骤：收集风电机组运行初期且运行状态良好时不同风速对应的风电机组输出功率，并将其作为标准样本数据，建立标准样本库；采用Shepard插值方法，建立基于风速信息的风电机组输出功率标准模型；将风电机组状态监测中的风速数据代入风电机组输出功率标准模型，计算得到当前风速下风电机组输出功率的标准值，根据该标准值和风电机组输出功率的实测值，计算风电机组当前风速下的功率偏差；将功率偏差与预设的功率偏差阈值进行比较，如果功率偏差大于预设的功率偏差阈值，则表明风电机组的输出功率异常并进行报警。本发明可以广泛应用于对风电机组发电功率的早期预警中。

Description

一种风电机组输出功率异常的自适应检测方法

技术领域

本发明涉及一种风电机组输出功率的检测方法，特别是关于一种风电机组输出功率异常的自适应检测方法。

背景技术

风能作为最具规模开发潜力的可再生新能源，近年来发展十分迅猛。据世界风能协会（WWEA）统计，截止到2013年底，全球风电总装机容量为318GW；中国风电总装机容量达到91GW，为全球头号风电大国。由于风电机组的运行环境较为恶劣，随着运行年限的增加，风电机组设备逐渐老化，性能、可靠性开始下降，机组在相同工况下的出力会出现下降，发电效益开始降低。因此，有必要对风力发电机组进行在线监测，以便及时地掌握机组运行状态，及时发现机组异常，确保安全稳定运行。及时发现机组实际发电功率异常，尽可能早地对相关部件进行排查，能进一步提高风电机组运行水平，实现风电场的经济运行。

当风电机组上的风轮叶片因沙尘、昆虫和漏油等原因被污染时，会改变风轮叶片表面的粗糙度，使翼型空气动力学特性发生变化，使得输出功率下降。为了提高风电机组的效率，需要进行跟风偏航。当风电机组偏航机构发生故障时，由于不能很好地跟踪风向变化，会导致风电机组的输出功率发生异常。当风电机组变桨距机构发生故障时，由于不能很好地改变叶片桨距角的大小来迎合风速变化，同样会导致风电机组的输出功率发生异常。目前风电机组状态监测系统已开始安装，然而由于缺乏故障样本，故障诊断研究成果还不能满足现场需求。如果能根据现有在线监测系统中监测数据，建立评估模型，获取能反映机组设备的运行状态信息，就能及时获取机组异常状态信息。

发明内容

针对上述问题，本发明的目的是提供一种能动态适应风电机组风速变化的基于Shepard插值的风电机组输出功率自适应异常检测方法。

为实现上述目的，本发明采取以下技术方案：一种风电机组输出功率异常的自适应检测方法，其包括以下步骤：1）建立标准样本库；收集风电机组运行初期且运行状态良好时不同风速对应的风电机组输出功率，并将其作为标准样本数据，建立标准样本库；2）建立风电机组输出功率标准模型；采用Shepard插值方法，将风速作为样本点，建立基于风速信息的风电机组输出功率标准模型：

$\hat{p}\left(v\right)=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{P}_t/\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t,$

式中，为新样本点v的响应值p(v)的估计值；ω_t为权重，表示新样本点v和试验样本点V_t对响应值的估计值的贡献大小；P_t为试验样本点V_t对应的响应值；3）对风电机组的输出功率进行检测并对异常情况进行报警，其具体包括以下步骤：①将风电机组状态监测中第i时刻的风速数据v_i代入风电机组输出功率标准模型，计算得到该时刻风速下风电机组输出功率的标准值为p(v_i)；②根据当前风速下风电机组输出功率的标准值p(v_i)和实测值r(v_i)，建立风电机组当前风速下的功率偏差O_d(v_i)：

$O_d\left(v_i\right)=\frac{r\left(v_i\right)-p\left(v_i\right)}{p\left(v_i\right)}\×100\%,$

③根据风电机组的实际运行情况，预设一功率偏差阈值Y，将功率偏差O_d(v_i)与Y进行比较，若|O_d(v_i)＞Y，则表明风电机组的输出功率异常并进行报警。

所述步骤2）中，将风速作为样本点，建立基于风速信息的风电机组输出功率标准模型，其具体包括以下步骤：①将标准样本库中的m个样本(P_t,V_t)中的风速V_t作为试验样本点，将风电机组的输出功率P_t作为试验样本点对应的响应值，其中t＝1,2,...,m，则m个样本(P_t,V_t)构成m×2维矩阵：

$\left(\begin{array}{cc}{P}_1& V_1\\ P_2& V_2\\ .& .\\ .& .\\ .& .\\ P_m& V_m\end{array}\right);$

对于新样本点v，基于m个样本(P_t,V_t)构成的m×2维矩阵，采用Shepard插值方法计算新样本点v对应的响应值p(v)，即对应的风电机组的输出功率；基于(v,p(v))与m个试验样本点V_t之间的关系，计算响应值p(v)的估计值使得欧氏距离E最小；其中，欧氏距离E为：

$E=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{[\hat{p}\left(v\right)-P_t]}^2,$

式中，ω_t为权重，表示新样本点v和试验样本点V_t对响应值的估计值的贡献大小，参数α通常选1～3；γ_t＝|v-V_t|表示新样本点v与试验样本点V_t之间的距离；②计算使欧氏距离E最小的新样本点v的响应值p(v)的估计值即：为满足

$\min E=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{[\hat{p}\left(v\right)-P_t]}^2,$

对欧氏距离求导数并令其为0，即：

$\frac{\mathrm{dE}}{d\hat{p}\left(v\right)}=2\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t[\hat{p}\left(v\right)-P_t]=0,$

计算得到新样本点v与估计值之间的映射关系，即风电机组输出功率标准模型为：

$\hat{p}\left(v\right)=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{P}_t/\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t.$

所述步骤3）中，功率偏差阈值Y预设为20%～30%。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于只需收集风电机组运行初期且运行状态良好时不同风速对应的风电机组输出功率，并将其作为标准样本数据，就能建立标准样本库；并根据建立的标准样本库建立风电机组输出功率标准模型，根据风电机组输出功率的标准值、实测值和功率偏差阈值对风电机组的输出功率是否异常进行判断，因此本发明能够动态适应风电机组的风速变化，能够追踪风电机组运行过程中输出功率的变化趋势，对输出功率异常状态进行及时报警，具有很好的实用性。2、本发明采用Shepard插值方法建立的基于风速信息的风电机组输出功率标准模型，充分考虑了风速对风电机组输出功率的影响，有机地实现了风电机组运行工况参数的耦合，能够实时地、充分地考虑风电机组运行工况的变化过程，该模型具有很高的精度和计算速度并具有很好的自适应性。3、采用本发明能够追踪风电机组运行状态随时间的演化过程，从对风电机组运行监测参数的异常现象中挖掘出设备状态与潜在故障的关系，将异常参数隐含信息显性化。根据风电机组运行状态的变化规律，及时进行异常状态预警，从而提高风电机组运行维护的水平，减少故障导致的停机损失。基于以上优点，本发明可以广泛应用于对风电机组发电功率的早期预警中。

附图说明

图1是本发明的流程图；

图2是风电机组输出功率实测值与标准值的比较图；其中，“·”表示实测值，“*”表示标准值；

图3是风电机组输出功率异常检测结果图；其中，“·”表示功率偏差，“--”表示功率偏差阈值。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明风电机组输出功率异常的自适应检测方法，其具体包括以下步骤：

1）建立标准样本库；

收集风电机组运行初期且运行状态良好时不同风速对应的风电机组输出功率，并将其作为标准样本数据，建立标准样本库。

2）建立风电机组输出功率标准模型；

采用Shepard插值方法，将风速作为样本点，建立风速与风电机组输出功率之间的映射关系，即建立基于风速信息的风电机组输出功率标准模型，其具体包括以下步骤：

①将标准样本库中的m个样本(P_t,V_t)中的风速V_t作为试验样本点，将风电机组的输出功率P_t作为试验样本点对应的响应值，其中t＝1,2,...,m，则m个样本(P_t,V_t)构成m×2维矩阵：

$\left(\begin{array}{cc}{P}_1& V_1\\ P_2& V_2\\ .& .\\ .& .\\ .& .\\ P_m& V_m\end{array}\right).$

对于新样本点v，基于m个样本(P_t,V_t)构成的m×2维矩阵，采用Shepard插值方法计算新样本点v对应的响应值p(v)，即对应的风电机组的输出功率。

基于(v,p(v))与m个试验样本点V_t之间的关系，计算响应值p(v)的估计值使得欧氏距离E最小。其中，欧氏距离E为：

$E=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{[\hat{p}\left(v\right)-P_t]}^2---\left(1\right)$

式中，ω_t为权重，表示新样本点v和试验样本点V_t对响应值的估计值的贡献大小，参数α通常选1～3；γ_t＝|v-V_t|表示新样本点v与试验样本点V_t之间的距离。

②计算使欧氏距离E最小的新样本点v的响应值p(v)的估计值即：

为满足 $\min E=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{[\hat{p}\left(v\right)-P_t]}^2---\left(2\right)$

对欧氏距离求导数并令其为0，即：

$\frac{\mathrm{dE}}{d\hat{p}\left(v\right)}=2\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t[\hat{p}\left(v\right)-P_t]=0---\left(3\right)$

对式（3）进行计算，得到新样本点v与估计值之间的映射关系，即风电机组输出功率标准模型为：

$\hat{p}\left(v\right)=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{P}_t/\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t---\left(4\right)$

3）对风电机组的输出功率进行检测并对异常情况进行报警，其具体包括以下步骤：

①将风电机组状态监测中第i时刻的风速数据v_i代入式（4），计算得到第i时刻风速下风电机组输出功率的标准值为p(v_i)。

②根据当前风速下风电机组输出功率的标准值p(v_i)和实测值r(v_i)，计算风电机组当前风速下的功率偏差O_d(v_i)：

$O_d\left(v_i\right)=\frac{r\left(v_i\right)-p\left(v_i\right)}{p\left(v_i\right)}\×100\%---\left(5\right)$

③根据风电机组的实际运行情况，预设一功率偏差阈值Y，将功率偏差O_d(v_i)与Y进行比较，若|O_d(v_i)|＞Y，则表明风电机组的输出功率异常并进行报警。其中，功率偏差阈值Y预设为20%～30%。

实施例：将2008年江苏某风场额定功率1500kW的风电机组的在线监测数据作为样本，检验本发明风电机组输出功率异常的自适应检测方法的有效性，其具体包括以下步骤：

1）建立标准样本库；

收集江苏某风场额定功率1500kW的风电机组运行初期且运行状态良好时不同风速对应的风电机组输出功率，并将其作为标准样本数据，建立标准样本库。

2）采用Shepard插值方法，建立风电机组输出功率标准模型；

在标准样本库中选取600组样本数据，抽取其中400组样本数据，采用Shepard插值方法，建立基于风速信息的风电机组输出功率标准模型；其余200组样本数据作为测试样本，用于验证基于Shepard插值方法的风电机组输出功率标准模型的性能。为了能使Shepard插值方法具有很好的异常检测能力，所选取的600组标准样本数据要尽量覆盖机组可能的风速变化区间。

将其余200组样本数据作为测试样本输入采用Shepard插值方法建立的风电机组输出功率标准模型即式（4）中，计算得到风电机组输出功率的标准值为p(v_i)。对风电机组输出功率的标准值p(v_i)和相同风速下风电机组输出功率的实测值r(v_i)进行比较。如表1所示，计算得到风电机组输出功率标准模型平均相对误差为4.45%，由此可以看出，风电机组输出功率的标准值p(v_i)与实测值r(v_i)基本吻合，所建立的风电机组输出功率标准模型具有较高的精度。

3）对基于Shepard插值方法的风电机组输出功率标准模型、基于RBF神经网络的风电机组输出功率标准模型和基于最小二乘支持向量机（LS-SVM）的风电机组输出功率标准模型的计算精度和计算时间分别进行比较；

将步骤2）中抽取的400组样本数据中的风速作为RBF神经网络模型的输入，将风电机组的输出功率作为输出，对RBF神经网络模型进行训练，训练完成后，将步骤2）中的其余200组样本数据作为测试样本，将测试样本中的风速代入训练后的RBF神经网络模型，计算得到不同风速下风电机组的输出功率。如表1所示，给出了采用RBF神经网络的风电机组输出功率标准模型对200组样本数据进行计算的计算精度和计算时间。

将步骤2）中抽取的400组样本数据中的风速作为LS-SVM模型的输入，将风电机组的输出功率作为输出，对LS-SVM模型进行训练，训练完成后，将步骤2）中的其余200组样本数据作为测试样本，将测试样本中的风速代入训练后的LS-SVM模型，计算得到不同风速下风电机组的输出功率。如表1所示，给出了采用LS-SVM的风电机组输出功率标准模型对200组样本数据进行计算的计算精度和计算时间。

比较采用Shepard插值方法、基于RBF神经网络模型和最小二乘支持向量机（LS-SVM）模型建立的风电机组输出功率标准模型的计算精度和计算时间，比较结果如表1所示。表1计算精度和计算时间比较结果

由表1可以看出，采用Shepard插值方法建立的风电机组输出功率标准模型具有最高的计算精度和最少的计算时间。

4）对风电机组输出功率进行检测；

如图2所示，选取江苏某风场额定功率1500kW的风电机组某运行时段一个完整发电过程中210组实测状态监测数据，进行风电机组输出功率异常检测。将210组实测状态监测数据中的风速输入采用Shepard插值方法建立的风电机组输出功率标准模型，即式（4）中，计算得到风电机组输出功率的标准值为p(v_i)。对风电机组输出功率的标准值p(v_i)和相同风速下风电机组输出功率的实测值r(v_i)进行比较，210组待检测样本的输出功率标准值和实测值分布如图2所示。

根据式（5）计算得到210组待检测样本的功率偏差，如图3所示，预设功率偏差阈值为：Y＝30%，从图3中可以看出，210组待检测样本的输出功率正常，该风电机组可以继续正常运行。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和方法步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种风电机组输出功率异常的自适应检测方法，其包括以下步骤：

1）建立标准样本库；

收集风电机组运行初期且运行状态良好时不同风速对应的风电机组输出功率，并将其作为标准样本数据，建立标准样本库；

2）建立风电机组输出功率标准模型；

采用Shepard插值方法，将风速作为样本点，建立基于风速信息的风电机组输出功率标准模型：

$\hat{p}\left(v\right)=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{P}_t/\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t,$

式中，为新样本点v的响应值p(v)的估计值；ω_t为权重，表示新样本点v和试验样本点V_t对响应值的估计值的贡献大小；P_t为试验样本点V_t对应的响应值；

3）对风电机组的输出功率进行检测并对异常情况进行报警，其具体包括以下步骤：

①将风电机组状态监测中第i时刻的风速数据v_i代入风电机组输出功率标准模型，计算得到该时刻风速下风电机组输出功率的标准值为p(v_i)；

②根据当前风速下风电机组输出功率的标准值p(v_i)和实测值r(v_i)，建立风电机组当前风速下的功率偏差O_d(v_i)：

$O_d\left(v_i\right)=\frac{r\left(v_i\right)-p\left(v_i\right)}{p\left(v_i\right)}\×100\%,$

③根据风电机组的实际运行情况，预设一功率偏差阈值Y，将功率偏差O_d(v_i)与Y进行比较，若|O_d(v_i)|＞Y，则表明风电机组的输出功率异常并进行报警。

2.如权利要求1所述的一种风电机组输出功率异常的自适应检测方法，其特征在于：所述步骤2）中，将风速作为样本点，建立基于风速信息的风电机组输出功率标准模型，其具体包括以下步骤：

①将标准样本库中的m个样本(P_t,V_t)中的风速V_t作为试验样本点，将风电机组的输出功率P_t作为试验样本点对应的响应值，其中t＝1,2,...,m，则m个样本(P_t,V_t)构成m×2维矩阵：

$\left(\begin{array}{cc}{P}_1& V_1\\ P_2& V_2\\ .& .\\ .& .\\ .& .\\ P_m& V_m\end{array}\right);$

对于新样本点v，基于m个样本(P_t,V_t)构成的m×2维矩阵，采用Shepard插值方法计算新样本点v对应的响应值p(v)，即对应的风电机组的输出功率；

基于(v,p(v))与m个试验样本点V_t之间的关系，计算响应值p(v)的估计值使得欧氏距离E最小；其中，欧氏距离E为：

$E=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{[\hat{p}\left(v\right)-P_t]}^2,$

式中，ω_t为权重，表示新样本点v和试验样本点V_t对响应值的估计值的贡献大小，参数α通常选1～3；γ_t＝|v-V_t|表示新样本点v与试验样本点V_t之间的距离；

②计算使欧氏距离E最小的新样本点v的响应值p(v)的估计值即：

为满足 $\min E=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{[\hat{p}\left(v\right)-P_t]}^2,$

对欧氏距离求导数并令其为0，即：

$\frac{\mathrm{dE}}{d\hat{p}\left(v\right)}=2\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t[\hat{p}\left(v\right)-P_t]=0,$

计算得到新样本点v与估计值之间的映射关系，即风电机组输出功率标准模型为：

$\hat{p}\left(v\right)=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{P}_t/\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t.$

3.如权利要求1或2所述的一种风电机组输出功率异常的自适应检测方法，其特征在于：所述步骤3）中，功率偏差阈值Y预设为20%～30%。