CN107103175B - 一种风力发电机组异常数据识别方法及装置 - Google Patents

一种风力发电机组异常数据识别方法及装置 Download PDF

Info

Publication number
CN107103175B
CN107103175B CN201710063270.0A CN201710063270A CN107103175B CN 107103175 B CN107103175 B CN 107103175B CN 201710063270 A CN201710063270 A CN 201710063270A CN 107103175 B CN107103175 B CN 107103175B
Authority
CN
China
Prior art keywords
power
data
wind
air speed
interval
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710063270.0A
Other languages
English (en)
Other versions
CN107103175A (zh
Inventor
崔阳
宋鹏
白恺
邓春
柳玉
张扬帆
杨伟新
刘喜梅
王正宇
郑宇清
朱斯
臧鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STATE GRID XINYUAN ZHANGJIAKOU SCENERY STORAGE DEMONSTRATION POWER PLANT CO Ltd
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
State Grid Jibei Electric Power Co Ltd
Original Assignee
STATE GRID XINYUAN ZHANGJIAKOU SCENERY STORAGE DEMONSTRATION POWER PLANT CO Ltd
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
State Grid Jibei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by STATE GRID XINYUAN ZHANGJIAKOU SCENERY STORAGE DEMONSTRATION POWER PLANT CO Ltd, State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd, State Grid Jibei Electric Power Co Ltd filed Critical STATE GRID XINYUAN ZHANGJIAKOU SCENERY STORAGE DEMONSTRATION POWER PLANT CO Ltd
Priority to CN201710063270.0A priority Critical patent/CN107103175B/zh
Publication of CN107103175A publication Critical patent/CN107103175A/zh
Application granted granted Critical
Publication of CN107103175B publication Critical patent/CN107103175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Wind Motors (AREA)

Abstract

本发明提供了一种风力发电机组异常数据识别方法及装置，方法包括：获取风力发电机组的风速数据及对应的功率数据；确定包含于各预设的功率区间内的风力发电机组的功率数据；根据各功率区间中包含的功率数据确定各功率区间对应的风速数据；利用核密度函数拟合确定各功率区间对应的风速数据的概率密度；根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围；根据各功率区间的风速范围识别风力发电机组中的异常数据。通过本方案最终结果呈现为风电机组正常运行功率带，为风力发电机组功率特性曲线建模提供数据基础，进而为风机功率特性评价、风电场损失电量评估等提供支撑。

Description

一种风力发电机组异常数据识别方法及装置
技术领域
本发明涉及风电技术，具体的讲是一种风力发电机组异常数据识别方法及装置。
背景技术
随着环境污染日益严重和传统化石能源消耗逐渐增加，新能源呈现蓬勃发展态势。风力发电作为目前最具商业化应用前景的新能源发电形式，在全世界范围内发展迅速。风力发电机组是风力发电的基本发电单元，其相关技术也在不断发展。
目前，风力发电机组在实际运行过程中，由于受到诸多因素的影响，实际功率特性曲线和理论功率特性曲线并非完全一致。为了实现风电机组实际功率特性曲线的合理建模，需要处理大量的异常数据。能否准确高效识别异常数据决定着最终模型的合理性。
现有技术中，将风速区间内概率密度函数最大值对应的功率作为该风速段的功率，存在两处弊端：由于大量限功率数据存在，概率密度函数最大值对应的功率可能并非风机正常运行时功率值；用单一功率值代替风机的其余运行状态，结果过于片面。
发明内容
为识别并剔除风速-功率散点图的异常数据，为风力发电机组功率特性曲线建模提供数据基础，进而为风机功率特性评价、风电场损失电量评估等提供支撑，本发明提供了一种风力发电机组异常数据识别方法，包括：
获取风力发电机组的风速数据及对应的功率数据；
确定包含于各预设的功率区间内的风力发电机组的功率数据；
根据各功率区间中包含的功率数据确定各功率区间对应的风速数据；
利用核密度函数拟合确定各功率区间对应的风速数据的概率密度；
根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围；
根据各功率区间的风速范围识别风力发电机组中的异常数据。
本发明实施中，所述的确定包含于各预设的功率区间内的功率数据包括：
以预设的区间长度从零到额定功率划分区间确定预设的功率区间；
确定包含于各功率区间内的风力发电机组的功率数据。
本发明实施例中，利用核密度函数拟合确定各功率区间对应的风速数据的概率密度包括：
利用式(1)的核密度函数拟合各风速数据的概率密度；
其中，各风速数据的概率密度，h为带宽，可根据已有文献确定带宽，并非常数。n为功率区间对应的风速数据的个数，K(﹒)为核函数，xi为区间内对应的风速数据。
本发明实施例中，核函数为高斯核函数。
本发明实施例中，所述的根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围包括：
步骤1，将核密度函数拟合结果对应的风速数据从小到大排列生成风速序列[v1，v2，…，vn]，该风速序列对应的概率密度为[P1，P2，…，Pn]，v1<v2<…<vn，确定概率密度中的最大值Pk及对应的风速vk，1≤k≤n；
步骤2，从风速vk开始，按vk→vn方向，依序判断|Pk+a-Pk|<|Pk+a+1-Pk+a|是否成立，其中，1≤a≤n-k-1，a为整数，将不满足该判断条件时的风速作为最大风速vmax；
步骤3，从风速vk开始，按vk→v1方向，依序判断|Pk-Pk-b|<|Pk-b-Pk-b-1|是否成立，其中，1≤b≤k-2，b为整数，将不满足该判断条件时的风速作为最小风速vmin；
步骤4，确定各功率区间的风速v的合理范围为vmin≤v≤vmax。
本发明实施例中，所述的根据各功率区间的风速范围识别风力发电机组中的异常数据包括：
将各功率区间对应的风速数据中不符合所述风速范围的风速数据识别为异常风速数据；
将所述异常风速数据对应的功率数据识别为异常功率数据。
同时，本发明还公开一种风力发电机组异常数据识别装置，包括：
数据获取模块，用于获取风力发电机组的风速数据及对应的功率数据；
区间功率数据确定模块，用于以预设的区间长度从零到额定功率按序划分功率区间，确定包含于各功率区间内的风力发电机组的功率数据；
区间风速数据确定模块，用于根据各功率区间中包含的功率数据确定对应的风速数据；
概率密度确定模块，利用核密度函数拟合确定各功率区间对应的风速数据的概率密度；
区间风速范围确定模块，用于根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围；
识别模块，用于根据各功率区间的风速范围识别风力发电机组中的异常数据。
本发明实施例中，区间功率数据确定模块包括：
区间划分单元，用于以预设的区间长度从零到额定功率划分区间确定预设的功率区间；
功率数据确定单元，用于确定包含于各功率区间内的风力发电机组的功率数据。
本发明实施例中，所述的区间风速范围确定模块包括：
风速序列生成单元，用于将核密度函数拟合结果对应的风速数据从小到大排列生成风速序列[v1，v2，…，vn]，该风速序列对应的概率密度为[P1，P2，…，Pn]，v1<v2<…<vn，并确定概率密度中的最大值Pk及对应的风速vk，1≤k≤n；
最大风速确定单元，从风速vk开始，按vk→vn方向，
依序判断|Pk+a-Pk|<|Pk+a+1-Pk+a|是否成立，其中，1≤a≤n-k-1，a为整数，将不满足该判断条件时的风速作为最大风速vmax；
最小风速确定单元，从风速vk开始，按vk→v1方向，
依序判断|Pk-Pk-b|<|Pk-b-Pk-b-1|是否成立，其中，1≤b≤k-2，b为整数，将不满足该判断条件时的风速作为最小风速vmin；
范围确定单元，确定各功率区间的风速v的风速范围为vmin≤v≤vmax。
本发明实施例中，所述的识别模块包括：
异常风速识别单元，将各功率区间对应的风速数据中不在对应的风速范围的风速数据识别为异常风速数据；
异常功率数据识别单元，将所述异常风速数据对应的风力发电机组的功率数据识别为异常功率数据。
通过本方案风力发电机组的异常数据得以有效识别并剔除，最终结果呈现为风电机组正常运行功率带，为风力发电机组功率特性曲线建模提供数据基础，进而为风机功率特性评价、风电场损失电量评估等提供支撑。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种风力发电机组异常数据识别方法流程图；
图2为本发明一实施方式的流程图；
图3为本发明公开的一种风力发电机组异常数据识别装置的框图；
图4为本发明实施例中原始的风速-功率散点图；
图5为本发明一实施例中一区间的原始散点图；
图6为本发明实施例中功率区间内风速数据的核密度函数拟合结果；
图7为本发明实施例中识别并剔除异常数据后的功率区间散点图；
图8为本发明实施例中全功率区段识别并剔除异常数据后的风速-功率散点图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明公开一种风力发电机组异常数据识别方法，如图1所示，包括：
步骤S101，获取风力发电机组的风速数据及对应的功率数据；
步骤S102，确定包含于各预设的功率区间内的风力发电机组的功率数据；本发明实施例中，以预设的区间长度从零到额定功率划分区间确定预设的功率区间，确定包含于各功率区间内的风力发电机组的功率数据；
步骤S103，根据各功率区间中包含的功率数据确定各功率区间对应的风速数据；
步骤S104，利用核密度函数拟合确定各功率区间对应的风速数据的概率密度；
步骤S105，根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围；
步骤S106，根据各功率区间的风速范围识别风力发电机组中的异常数据。
本发明主要包含功率分区间、建立风速核密度函数、异常数据识别、功率特性建模等环节。
如图2所示，为本发明一实施方式的流程图。
第一步：获取风力发电机组风速和功率数据，本发明实施例中，风速和其对应功率数据在时标上必须完全对应，例如ti时刻风速为vi，功率为pi，tj时刻风速为vj，功率为pj。
第二步：将风机功率数据按照从0到额定功率划分为多个区间，区间长度可以设置为25kW、20kW、10kW等。以20kW为例，各功率区间为[0,20]、[20,40]、…、[p-20,p]、…、[Pe-20,Pe]。(Pe为额定功率)
第三步：以[p-20,p]功率区间为例，从第一步的风机数据中找到介于该区间内的功率数据以及对应的风速数据，利用该区间内的风速数据得到风速的概率密度。采用核密度函数拟合风速的概率密度，表达式如下：
式中为区间内的风速数据x对应的核密度函数拟合风速的概率密度，h为带宽，n为区间内风速数据个数，xi为区间内风速数据，K(﹒)为核函数。
本发明实施例中核函数选用下式所示的高斯核函数：
核密度函数拟合的结果是一系列风速数据以及对应的概率密度。
第四步：以[p-20,p]功率区间为例，假设该区间内风速的核密度函数拟合结果为：风速序列[v1,v2,…,vn]，(序列内风速v1<v2<…<vn)对应概率密度为[P1,P2,…,Pn]。
本发明实施例中，异常数据识别方法如下：
1)找到概率密度最大值Pk及其对应的风速vk；
2)从风速vk开始，沿着风速序列增大的方向，即vk→vn方向，判断|Pk+a-Pk|<|Pk+a+1-Pk+a|是否成立，其中，1≤a≤n-k-1，a为整数，判断成立，则继续判断，直到不满足该判断条件，确定最大风速vmax；
即判断Pk+1-Pk的绝对值小于Pk+2-Pk+1的绝对值是否成立，如果成立，继续判断Pk+2-Pk+1的绝对值小于Pk+3-Pk+2的绝对值是否成立，以此类推，直到不满足判断条件为止，设此时的风速为vmax。
3)从风速vk开始，沿着风速序列减小的方向，即vk→v1方向，判断|Pk-Pk-b|<|Pk-b-Pk-b-1|是否成立，其中，1≤b≤k-2，b为整数，判断成立，则继续判断，直到不满足判断条件，确定最小风速vmin；
即判断Pk-Pk-1的绝对值小于Pk-1-Pk-2的绝对值是否成立，如果成立，继续判断Pk-1-Pk-2的绝对值小于Pk-2-Pk-3的绝对值是否成立，以此类推，直到不满足判断条件为止，设此时的风速为vmin。
4)[p-20,p]功率区间内，介于vmin和vmax之间的风速及其对应的功率为正常数据，其余数据为需要剔除的异常数据。
第五步：步骤二的所有功率区间分别按照步骤三和步骤四的过程进行，所有功率区间的异常数据识别并剔除后，即可得到全功率段的正常数据。
第六步：利用正常数据进行功率特性曲线建模。
同时，如图3所示，本发明还公开一种风力发电机组异常数据识别装置，包括：
数据获取模块301，用于获取风力发电机组的风速数据及对应的功率数据；
区间功率数据确定模块302，用于以预设的区间长度从零到额定功率按序划分功率区间，确定包含于各功率区间内的风力发电机组的功率数据；
区间风速数据确定模块302，用于根据各功率区间中包含的功率数据确定对应的风速数据；
概率密度确定模块304，利用核密度函数拟合确定各功率区间对应的风速数据的概率密度；
区间风速范围确定模块305，用于根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围；
识别模块306，用于根据各功率区间的风速范围识别风力发电机组中的异常数据。
本发明公开的装置解决问题的原理与上述方法的实现相似，不再赘述。
以某风力发电机组实际运行数据为例，本方案的完整实施过程如下：
原始的风速-功率散点图如图4所示。
原始图中风电机组正常数据应为两条线401、402之间部分，表现为风速-功率区间带，但风速-功率区间带外的大量异常数据湮没了所需的正常数据。
以750kW～760kW功率区间为例，该区间的原始散点图如图5所示。该功率区间内的风速数据范围为5m/s～21m/s，从图5中初步观察可知，正常数据集中于7m/s～12m/s区间，因此需要精确识别并剔除其它异常数据。
750kW～760kW功率区间内风速数据的核密度函数拟合结果如图6所示。
采用本方案识别并剔除异常数据后的750kW～760kW功率区间散点图如图7所示。识别并剔除异常数据后，风速区间缩短为7.5m/s～10m/s。全功率区段识别并剔除异常数据后的风速-功率散点图如图8所示。由图8和原始散点图图4对比可知，通过本方案的实施，异常数据得以有效识别并剔除，最终结果呈现为风电机组正常运行功率带。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种风力发电机组异常数据识别方法，其特征在于，所述的方法包括：
获取风力发电机组的风速数据及对应的功率数据；
确定包含于各预设的功率区间内的风力发电机组的功率数据；
根据各功率区间中包含的功率数据确定各功率区间对应的风速数据；
利用核密度函数拟合确定各功率区间对应的风速数据的概率密度；
根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围；
根据各功率区间的风速范围识别风力发电机组中的异常数据；其中，
所述的根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围包括：
步骤1，将核密度函数拟合结果的风速数据从小到大排列生成风速序列[v1，v2，…，vn]，所述风速序列对应的概率密度为[P1，P2，…，Pn]，v1<v2<…<vn，确定概率密度中的最大值Pk及对应的风速vk，1≤k≤n；
步骤2，从风速vk开始，按vk→vn方向，依序判断|Pk+a-Pk|＜|Pk+a+1-Pk+a|是否成立，其中，1≤a≤n-k-1，a为整数，将不满足该判断条件时的风速作为最大风速vmax；
步骤3，从风速vk开始，按vk→v1方向，依序判断|Pk-Pk-b|＜|Pk-b-Pk-b-1|是否成立，其中，1≤b≤k-2，b为整数，将不满足该判断条件时的风速作为最小风速vmin；
步骤4，确定各功率区间对应的风速v的合理范围为vmin≤v≤vmax。
2.如权利要求1所述的风力发电机组异常数据识别方法，其特征在于，所述的确定包含于各预设的功率区间内的风力发电机组的功率数据包括：
以预设的区间长度从零到额定功率划分区间确定预设的功率区间；
确定包含于各功率区间内的风力发电机组的功率数据。
3.如权利要求1所述的风力发电机组异常数据识别方法，其特征在于，所述的利用核密度函数拟合确定各功率区间对应的风速数据的概率密度包括：
利用式(1)的核密度函数拟合各风速数据的概率密度；
其中，各风速数据x的概率密度，h为带宽，n为功率区间对应的风速数据的个数，K(﹒)为核函数，xi为区间内对应的风速数据。
4.如权利要求3所述的风力发电机组异常数据识别方法，其特征在于，所述的核函数为高斯核函数。
5.如权利要求1所述的风力发电机组异常数据识别方法，其特征在于，所述的根据各功率区间的风速范围识别风力发电机组中的异常数据包括：
将各功率区间对应的风速数据中不在对应的风速范围的风速数据识别为异常风速数据；
将所述异常风速数据对应的功率数据识别为异常功率数据。
6.一种风力发电机组异常数据识别装置，其特征在于，所述的装置包括：
数据获取模块，用于获取风力发电机组的风速数据及对应的功率数据；
区间功率数据确定模块，用于确定包含于各预设的功率区间内的风力发电机组的功率数据；
区间风速数据确定模块，用于根据各功率区间中包含的功率数据确定各功率区间对应的风速数据；
概率密度确定模块，利用核密度函数拟合确定各功率区间对应的风速数据的概率密度；
区间风速范围确定模块，用于根据各功率区间对应的风速数据及各风速数据对应的概率密度确定各功率区间的风速范围；
识别模块，用于根据各功率区间的风速范围识别风力发电机组中的异常数据；
所述的区间风速范围确定模块包括：
风速序列生成单元，用于将核密度函数拟合结果对应的风速数据从小到大排列生成风速序列[v1，v2，…，vn]，所述风速序列对应的概率密度为[P1，P2，…，Pn]，v1<v2<…<vn，并确定概率密度中的最大值Pk及对应的风速vk，1≤k≤n；
最大风速确定单元，从风速vk开始，按vk→vn方向，
依序判断|Pk+a-Pk|＜|Pk+a+1-Pk+a|是否成立，其中，1≤a≤n-k-1，a为整数，将不满足该判断条件时的风速作为最大风速vmax；
最小风速确定单元，从风速vk开始，按vk→v1方向，
依序判断|Pk-Pk-b|＜|Pk-b-Pk-b-1|是否成立，其中，1≤b≤k-2，b为整数，将不满足该判断条件时的风速作为最小风速vmin；
范围确定单元，确定各功率区间对应的风速v的合理范围为vmin≤v≤vmax。
7.如权利要求6所述的风力发电机组异常数据识别装置，其特征在于，所述的区间功率数据确定模块包括：
区间划分单元，用于以预设的区间长度从零到额定功率划分区间确定预设的功率区间；
功率数据确定单元，用于确定包含于各功率区间内的风力发电机组的功率数据。
8.如权利要求6所述的风力发电机组异常数据识别装置，其特征在于，所述的概率密度确定模块利用式(1)的核密度函数拟合各风速数据的概率密度；
其中，各风速数据x的概率密度，h为带宽，n为功率区间对应的风速数据的个数，K(﹒)为核函数，xi为区间内对应的风速数据。
9.如权利要求8所述的风力发电机组异常数据识别装置，其特征在于，所述的核函数为高斯核函数。
10.如权利要求6所述的风力发电机组异常数据识别装置，其特征在于，所述的识别模块包括：
异常风速识别单元，将各功率区间对应的风力发电机组的风速数据中不在对应的风速范围的风速数据识别为异常风速数据；
异常功率数据识别单元，将所述异常风速数据对应的风力发电机组的功率数据识别为异常功率数据。
CN201710063270.0A 2017-02-03 2017-02-03 一种风力发电机组异常数据识别方法及装置 Active CN107103175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710063270.0A CN107103175B (zh) 2017-02-03 2017-02-03 一种风力发电机组异常数据识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710063270.0A CN107103175B (zh) 2017-02-03 2017-02-03 一种风力发电机组异常数据识别方法及装置

Publications (2)

Publication Number Publication Date
CN107103175A CN107103175A (zh) 2017-08-29
CN107103175B true CN107103175B (zh) 2019-11-12

Family

ID=59676500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710063270.0A Active CN107103175B (zh) 2017-02-03 2017-02-03 一种风力发电机组异常数据识别方法及装置

Country Status (1)

Country Link
CN (1) CN107103175B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527057B (zh) * 2017-09-07 2020-03-31 国能日新科技股份有限公司 一种风速功率异常数据剔除方法及装置
CN107843745B (zh) * 2017-09-20 2020-02-07 新疆金风科技股份有限公司 风力发电机组的风速仪的故障诊断方法和装置、存储介质
CN107742053B (zh) * 2017-11-28 2020-11-27 国华（河北）新能源有限公司 风电机组异常识别方法及装置
CN108131247B (zh) * 2017-12-20 2020-09-29 北京金风科创风电设备有限公司 用于风力发电机组的数据处理方法和装置
CN109472040B (zh) * 2018-08-31 2022-11-11 北京优利康达科技股份有限公司 一种动态校正风电机组偏航对风偏差的方法和装置
CN109146323B (zh) * 2018-09-12 2021-08-03 国网辽宁省电力有限公司 风机效率评估方法、装置及计算机存储介质
CN109253056B (zh) * 2018-09-14 2020-06-02 华润电力投资有限公司北方分公司 一种风电数据分析方法及系统
CN109859069B (zh) * 2018-12-28 2021-05-28 新奥数能科技有限公司 一种发电机组的能耗报警管理方法及装置
CN110826904B (zh) * 2019-11-01 2022-08-02 三一重能股份有限公司 风机的数据处理方法、装置、处理设备及可读存储介质
CN111828248B (zh) * 2020-07-28 2021-07-23 中国华能集团清洁能源技术研究院有限公司 一种风力发电机组的参考功率曲线生成方法、系统及装置
CN112131703A (zh) * 2020-08-13 2020-12-25 国网新源张家口风光储示范电站有限公司 一种基于matlab功能模块的风机运行特性分析系统
CN115828439B (zh) * 2021-09-17 2024-02-02 北京金风科创风电设备有限公司 风力发电机组异常损耗的识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102588210A (zh) * 2011-12-21 2012-07-18 中能电力科技开发有限公司 一种用于功率曲线拟合数据预处理的滤波方法
CN104485665A (zh) * 2014-12-17 2015-04-01 河海大学 计及风速预测误差时空相关性的动态概率潮流计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102588210A (zh) * 2011-12-21 2012-07-18 中能电力科技开发有限公司 一种用于功率曲线拟合数据预处理的滤波方法
CN104485665A (zh) * 2014-12-17 2015-04-01 河海大学 计及风速预测误差时空相关性的动态概率潮流计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于偏度指标的风机功率曲线拟合数据滤波方法;李闯等;《2013年中国电机工程学会年会论文集》;20131120;第1页右栏第1段-第4页右栏第2段，附图1-5(b) *

Also Published As

Publication number Publication date
CN107103175A (zh) 2017-08-29

Similar Documents

Publication Publication Date Title
CN107103175B (zh) 一种风力发电机组异常数据识别方法及装置
CN109488528A (zh) 一种风机偏航系统的调整方法及装置
CN108488038B (zh) 一种风力发电机组的偏航控制方法
CA2770637A1 (en) Wind power prediction method of single wind turbine generator
JP2017187371A (ja) 気象予測装置及び風力発電所
de Prada Gil et al. Analysis of a multi turbine offshore wind farm connected to a single large power converter operated with variable frequency
CN110289631A (zh) 一种风电场储能装置容量的计算方法及系统
CN104795828A (zh) 基于遗传算法的风储容量配置方法
CN106487024A (zh) 风电场无功补偿装置和风电机组的无功置换方法及装置
Japar et al. Estimating the wake losses in large wind farms: A machine learning approach
CN111917111A (zh) 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质
KR20160025060A (ko) 풍력발전단지 제어 시스템 및 이를 이용한 풍력발전단지 제어방법
CN109521693A (zh) 一种风电场电磁暂态实时仿真方法和装置
CN106485603A (zh) 一种应用于风力发电的短期风速预测方法
CN103618339A (zh) 自动发电控制中总调节功率分配方法
Zou et al. A multi-objective optimization approach to active power control of wind farm
CN103473607B (zh) 按轨迹特征优化和匹配外推模型的风电超短期预测方法
CN108988381A (zh) 风力发电机组低电压穿越控制方法、装置及系统
CN107587982A (zh) 一种风电机组运行状态划分方法及装置
Shensi et al. Grid code for wind power fluctuation in China and particle swarm optimization-based power dispatch solution
CN109783881A (zh) 一种风电机组发电功率确定方法及装置
Wei et al. Ultra-short-term/short-term wind power continuous prediction based on fuzzy clustering analysis
CN108108995A (zh) 一种基于新能源功率预测的火电机组报价方法和装置
Yoon et al. Power curve of a wind generator suitable for a low wind speed site to achieve a high capacity factor
CN112348244A (zh) 一种基于风资源评估的风电场发电机组检修方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant