CN108443088A - 一种基于累计概率分布的风电机组状态判定方法 - Google Patents

一种基于累计概率分布的风电机组状态判定方法 Download PDF

Info

Publication number
CN108443088A
CN108443088A CN201810473599.9A CN201810473599A CN108443088A CN 108443088 A CN108443088 A CN 108443088A CN 201810473599 A CN201810473599 A CN 201810473599A CN 108443088 A CN108443088 A CN 108443088A
Authority
CN
China
Prior art keywords
data
unit
power
wind speed
probability distribution
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.)
Granted
Application number
CN201810473599.9A
Other languages
English (en)
Other versions
CN108443088B (zh
Inventor
王栋
周继威
张涵
刘宇星
陈晨
孔维兵
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.)
Zhongneng Power Tech Development Co Ltd
Original Assignee
Zhongneng Power Tech Development 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 Zhongneng Power Tech Development Co Ltd filed Critical Zhongneng Power Tech Development Co Ltd
Priority to CN201810473599.9A priority Critical patent/CN108443088B/zh
Publication of CN108443088A publication Critical patent/CN108443088A/zh
Application granted granted Critical
Publication of CN108443088B publication Critical patent/CN108443088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于累计概率分布的风电机组状态判定方法，该方法包括通过机组SCADA数据收集装置进行机组数据收集，经过数据清洗后，去除掉数据中的异常数据得到正常机组参数；将所述正常机组参数经过基于累计概率分布的机组状态判定算法给出机组状态结果；所述基于累计概率分布的机组状态判定算法包括通过建立正常机组参数的概率分布范围P。本申请提供的方法，通过收集机组SCADA运行的连续时序数据来对机组的状态进行高准确性实时判定，通过装置给出机组异常状态，从而有利于优化风电场的运维，提高风场发电量。该方法可以应用的场合有：风速‑功率曲线分布；风速‑转速曲线；风速‑桨距角曲线；功率‑转速曲线；功率‑扭矩曲线等。

Description

一种基于累计概率分布的风电机组状态判定方法
技术领域
本发明涉及风机状态判定技术领域，特别是涉及一种基于累计概率分布的风电机组状态判定方法。
背景技术
在风力发电快速发展的同时，实际运行中由于风力本身的随机、波动性以及机组自身等原因，风电场的发电过程会不可避免地存在发电量损失，电量损失主要有停机损失和降容损失。
当前，中国各风电场均存在较为严重的“弃风”现象，由此造成了较为严重的降容损失情况。目前对于风电机组停机损失的分析方法较多，有完善的停机损失分类与计算方案，对于机组异常出力的判定和异常处理导致的发电量损失计算则较少。机组的SCADA系统主要对机组进行监测和故障报警，很少对机组的性能和状态进行实时判定。
发明内容
本发明提供了一种基于累计概率分布的风电机组状态判定方法。
本发明提供了如下方案：
一种基于累计概率分布的风电机组状态判定方法，包括：
通过机组SCADA数据收集装置进行机组数据收集，经过数据清洗后，去除掉数据中的异常数据得到正常机组参数；
将所述正常机组参数经过基于累计概率分布的机组状态判定算法给出机组状态结果；所述基于累计概率分布的机组状态判定算法包括通过建立正常机组参数的概率分布范围P，利用概率分布得出参数的累计概率分布F，根据不同机组不同参数的性能设定其累计概率分布的二项分布判定值W1，从而确定判定的范围集R；然后通过分析一段连续时序信号在R中的累计值的概率分布，确定连续时序信号的判定标准W2；根据所述判定标准W2确定机组状态结果；
将所述机组状态结果由显示器显示以便传递给用户。
优选的：根据实际运行的机组判定时，对范围集R进行偏移调整得到实际判定范围集Rz。
优选的：通过机组SCADA数据收集装置收集到的数据为风速-功率曲线分布数据、风速-转速曲线分布数据、风速-桨距角曲线分布数据、功率-转速曲线分布数据、功率-扭矩曲线分布数据中的任意一种。
优选的：所述数据为风速-功率曲线分布数据；所述数据清洗包括：
风速预处理，将风速小于切入风速或者大于切出风速的数据去除；
机组异常状态处理，将机组处于报警、故障、维修状态的记录去除；
超限数据处理，机组参数有参考浮动范围，超出范围意味着传感器失常或者数据出现异常；
数据完备性，每一条机组记录的各参数应该是完整的，将残缺记录去除。
优选的：建立正常机组参数的概率分布范围P；包括：将风速v等间隔地分为M组，如每组数据风速宽度为0.1m/s，即对于其中某一小区间(vi，vi+1)， vi+1-vi＝0.1m/s。风速小区间宽度远小于整个风速范围(风电场风速一般在 25m/s以内)，所以区间内功率视为一个点值vi；
同理，将此小区间内的有功功率p等间隔分为N组，每组有功功率宽度为 1KW，其中某一小区间(pj，pj+1)，p-pj＝1KW，有功功率区间宽度远小于整个功率范围，所以区间内功率视为一个点值pj。设(vi，pj)内的状态点数量为r，(vi，vi+1) 区间内的状态点总数为s，则
优选的：求出在(vi，vi+1)切片区间内有功功率的累积概率分布：
在Fi(pj)的分布范围内设定宽度阈值W1(vi)对正常集中数据进行正常标定时，正常数据区间的累计概率区间E(vi)为
优选的：通过Fi(pj)和E(vi)，可得到每个(vi，vi+1)区间里的正常功率区间R(vi)；
R(ri):(pdown，pup)
(pdown，pup)为E(vi)的区间在Fi(pj)上所对应的功率区间；R(vi)组成了正常运行状态下风速-功率散点分布的范围集R，作为判定的依据判定测试数据的正常与否。
优选的：连续时序数据(d1，d2，...di...，dn),di在R的二项分布为其平均累计概率Fd,
范围集R属于二项分布的判定集，根据中心极限定理对二项分布进行连续随机取值后的累积量符合正太分布。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
通过本发明，可以实现一种基于累计概率分布的风电机组状态判定方法，在一种实现方式下，该方法可以包括通过机组SCADA数据收集装置进行机组数据收集，经过数据清洗后，去除掉数据中的异常数据得到正常机组参数；将所述正常机组参数经过基于累计概率分布的机组状态判定算法给出机组状态结果；所述基于累计概率分布的机组状态判定算法包括通过建立正常机组参数的概率分布范围P，利用概率分布得出参数的累计概率分布F，根据不同机组不同参数的性能设定其累计概率分布的二项分布判定值W1，从而确定判定的范围集R；然后通过分析一段连续时序信号在R中的累计值的概率分布，确定连续时序信号的判定标准W2；根据所述判定标准W2确定机组状态结果；将所述机组状态结果由显示器显示以便传递给用户。本申请提供的方法，通过收集机组SCADA运行的连续时序数据来对机组的状态进行高准确性实时判定，通过装置给出机组异常状态，从而有利于优化风电场的运维，提高风场发电量。该方法可以应用的场合有：风速-功率曲线分布；风速-转速曲线；风速-桨距角曲线；功率-转速曲线；功率-扭矩曲线等。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
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是本发明实施例提供的方法的流程图；
图2是本发明实施例提供的基于累计概率分布的风电机组状态判定算法流程图；
图3是标准风速-功率曲线；
图4是某风电场风电机组实测风速-功率散点图；
图5是某风电机组存在降容限电情况的风速-功率散点图；
图6是机组正常状态建模流程；
图7是数据预处理流程；
图8是7m/s切片内功率宽度阈值w1＝0.8的累积概率分布图；
图9是实际风速-功率曲线偏移校准流程；
图10是连续时序数据判定流程；
图11是正常数据的抽样100点累计图；
图12是某机组2015年11月风速-功率异常点测试图；
图13是某机组2015年5月风速-功率异常点测试图；
图14是某机组2015年6月风速-功率异常点测试图。
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所获得的所有其他实施例，都属于本发明保护的范围。
实施例
参见图1、图2、图3，为本发明实施例提供的一种基于累计概率分布的风电机组状态判定方法，如图1、图2、图3所示，该方法包括通过机组SCADA 数据收集装置进行机组数据收集，经过数据清洗后，去除掉数据中的异常数据得到正常机组参数；
将所述正常机组参数经过基于累计概率分布的机组状态判定算法给出机组状态结果；所述基于累计概率分布的机组状态判定算法包括通过建立正常机组参数的概率分布范围P，利用概率分布得出参数的累计概率分布F，根据不同机组不同参数的性能设定其累计概率分布的二项分布判定值W1，从而确定判定的范围集R；然后通过分析一段连续时序信号在R中的累计值的概率分布，确定连续时序信号的判定标准W2；根据所述判定标准W2确定机组状态结果；
将所述机组状态结果由显示器显示以便传递给用户。
在实际运行中，由于机组本身的特性以及环境因素等影响，对于同一机组，其本身的风速-功率对应关系范围也不一定是完全不变的，同时为了获得更大的发电量，机组在不同时间、不同工况下的控制策略可能会发生变化，风速- 功率对应关系也会随之产生偏移可能，这需要在对机组的异常判断时进行考虑分析。具体的，根据实际运行的机组判定时，对范围集R进行偏移调整得到实际判定范围集Rz。
通过机组SCADA数据收集装置收集到的数据为风速-功率曲线分布数据、风速-转速曲线分布数据、风速-桨距角曲线分布数据、功率-转速曲线分布数据、功率-扭矩曲线分布数据中的任意一种。
所述数据为风速-功率曲线分布数据；所述数据清洗包括：
风速预处理，将风速小于切入风速或者大于切出风速的数据去除；
机组异常状态处理，将机组处于报警、故障、维修状态的记录去除；
超限数据处理，机组参数有参考浮动范围，超出范围意味着传感器失常或者数据出现异常；
数据完备性，每一条机组记录的各参数应该是完整的，将残缺记录去除。
建立正常机组参数的概率分布范围P；包括：将风速v等间隔地分为M组，如每组数据风速宽度为0.1m/s，即对于其中某一小区间(vi，vi+1)， vi+1＝vi＝0.1m/s。风速小区间宽度远小于整个风速范围(风电场风速一般在 25m/s以内)，所以区间内功率视为一个点值vi；
同理，将此小区间内的有功功率p等间隔分为N组，每组有功功率宽度为 1KW，其中某一小区间(pj，pj+1)，p-pj＝1KW，有功功率区间宽度远小于整个功率范围，所以区间内功率视为一个点值pj。设(vi，pj)内的状态点数量为r，(vi，vi+1) 区间内的状态点总数为s，则
求出在(vi，vi+1)切片区间内有功功率的累积概率分布：
在Fi(pj)的分布范围内设定宽度阈值W1(vi)对正常集中数据进行正常标定时，正常数据区间的累计概率区间E(vi)为
通过Fi(pj)和E(vi)，可得到每个(vi，vi+1)区间里的正常功率区间R(vi)；
R(vi):(pdown，pup)
(pdown，pup)为E(vi)的区间在Fi(pj)上所对应的功率区间；R(vi)组成了正常运行状态下风速-功率散点分布的范围集R，作为判定的依据判定测试数据的正常与否。
连续时序数据(d1，d2，...di...，dn),di在R的二项分布为其平均累计概率Fd,
范围集R属于二项分布的判定集，根据中心极限定理对二项分布进行连续随机取值后的累积量符合正太分布。
为了详细说明本算法的计算流程，下面以风速-功率曲线的状态判定为例来说明。
风电机组在运行过程中输入量为风速，输出量为有功功率，并以风速- 功率曲线表示两者之间的对应关系，如图3所示(标准状态下测定15℃， 101.3kPa)。实际功率曲线由于受到机组自身的原因以及外界环境的影响，实际风速-功率对应关系参见图4。如果功率受限的情况，或者机组出现齿轮箱高温异常，机组风速-功率对应关系会发生变化，参见图5.
在实际运行中，由于机组本身的特性以及环境因素等影响，对于同一机组，其本身的风速-功率对应关系范围也不一定是完全不变的，同时为了获得更大的发电量，机组在不同时间、不同工况下的控制策略可能会发生变化，风速-功率对应关系也会随之产生偏移可能，这需要在对机组的异常判断时进行考虑分析。
机组风速-功率状态判定模型
下面以某1.5MW机组为例说明算法流程，该机组性能为：额定功率1550KW，切入风速3m/s，切出风速25m/s。
如图6，机组正常状态建模流程。
数据前置处理
由于机组本身的特性以及环境因素等影响，需要对每台机组进行建模。数据颗粒度为秒级。选用数据时，先要进行预处理，剔除掉非正常运行数据或者异常记录。
风速预处理：将风速小于切入风速或者大于切出风速的数据去除。
机组异常状态处理：将机组处于报警、故障、维修状态的记录去除。
超限数据处理：机组参数有参考浮动范围，超出范围意味着传感器失常或者数据出现异常。
数据完备性：每一条机组记录的各参数应该是完整的，将残缺记录去除。
如图7，数据预处理流程
计算概率分布
将风速v等间隔地分为M组，如每组数据风速宽度为0.1m/s，即对于其中某一小区间(vi，vi+1)，vi+1-vi＝0.1m/s。风速小区间宽度远小于整个风速范围 (风电场风速一般在25m/s以内)，所以区间内功率视为一个点值vi。
同理，将此小区间内的有功功率p等间隔分为N组，每组有功功率宽度为 1KW，其中某一小区间(pj，pj+1)，p-pj＝1KW，有功功率区间宽度远小于整个功率范围，所以区间内功率视为一个点值pj。设(vi，pj)内的状态点数量为r，(vi，vi+1) 区间内的状态点总数为s，则
累计概率分布和二项分布判定
求出在(vi，vi+1)切片区间内有功功率的累积概率分布：
Fi(pj)的取值范围为[0，1]，反映了风速切片内有功功率的集中分布程度，在 Fi(pj)的分布范围内设定宽度阈值W1(vi)对正常集中数据进行正常标定时，正常数据区间的累计概率区间E(vi)为
比如当W1i＝0.8时，选择有功功率的累积概率在[0.1，0.9]范围内的为正常数据，标签为1，范围外的则为异常，标签为0。这样对每个风速小区间(vi，vi+1)，进行有功功率累积概率分布的求取以及正常、异常的二项标定。
对于E(vi)区间的选择，式3是一个便于计算的方法。E(vi)的选择原则为：在最小的区间内集中最多的数据。(7m/s,7.1m/s)切片内，W1i＝0.8时，对累计概率范围进行遍历可得出表1。可看出最佳累计概率范围为(0.06,0.86)。所以E(vi)的第二种最优区间求取的方法是进行累计概率范围的遍历，选取功率范围值最小的区间为E(vi)的最佳区间。
表1
表17m/s切片中0.8概率所覆盖的功率范围
风速-功率分布范围集R
通过Fi(pj)和E(vi)，可得到每个(vi，vi+1)区间里的正常功率区间R(vi)。
R(vi)：(pdown，pup) (式4)
(pdown，pup)为E(vi)的区间在Fi(pj)上所对应的功率区间。R(vi)组成了正常运行状态下风速-功率散点分布的范围集R，作为判定的依据判定测试数据的正常与否。
如图8，是(7m/s,7.1m/s)切片内，分别取W1＝0.8为例的累计概率分布图，深色部分为正常，浅色部分为异常。按照式3计算得出有功功率的累积概率在 [0.1，0.9]此时的功率的上下限[4411078]，即在此范围内数据标签为1，范围外则标签为0；
如图8，宽度阈值W1＝0.8
偏移校准范围集Rz
实际风机运行过程中，即使同一机组由于控制策略以及外界环境等影响，会有曲线偏移的情况，不同机组之间的情况更是会有所差别。当发生功率曲线偏移时，以某一机组某阶段的数据进行训练得到的范围集R就不会再适用，因此需要对偏移情况进行修正。
以风速-功率曲线为例，功率曲线的偏移通常为整体的左移或右移，即在风速与功率的对应上有变化。计算训练数据和实际测试数据的偏移量，需要对已经进行了风速切片(假设风速颗粒度为x)的训练数据集与测试数据集分别进行较大区间的功率划分(pt，pt+1)(t＝1，2，...，T)，比如每100KW功率划分一个区间对区间，对每个区间内的风速求取其中位值vt训、vt实，得到两组数据集间的风速偏移差dt。
dt＝(vt训-vt实)， (式5)
最终得到偏移度Dt
对于实际测试数据的范围集R实中，(vt实，vt+1实)之间的风速进行Dt偏移，调整得到Rz。
如图9，实际风速-功率曲线偏移校准流程
连续时序数据状态判定
对于多点时序数据的判定流程见图8.
连续时序数据(d1，d2，...di...，dn),di在Rz中的二项分布为其平均累计概率Fd,
范围集Rz属于二项分布的判定集，根据中心极限定理对二项分布进行连续随机取值后的累积量符合正太分布。
例如对图8，用(7m/s,7.1m/s)切片中的功率值进行连续100次随机采样，计算其平均概率值，采样5000次后的概率分布见图9。
通过设置阈值W2t，可对连续时序数据(d1，d2，...di...，dn)的平均累计概率Fd进行是否异常的判定。
如图10连续时序数据判定流程。
如图11正常数据的抽样100点累计
举例
利用风电场机组正常运行的风速-功率散点的累积概率二项标定，得到了正常情况下的功率范围集R，接下来利用训练结果对其他机组的运行情况进行单点异常判断与降容时间段(每10点进行一次)判断以及高温降容判断，并结合功率曲线偏移度D对范围集进行调整。
正常运行机组判断
首先利用调整范围集对同一风电场同机型正常运行机组进行判断验证。选定某机组2015年11月运行数据进行分析，得到其Rz，W1i＝0.9，设定整体判断阈值W2i＝0.6(即连续10点超过60％异常)。测试结果如图9，只存在单点异常，没有连续异常及高温异常，机组运行正常，没有降容发生。
图12某机组2015年11月风速-功率异常点测试图
降容运行机组判断
利用调整范围集对存在降容运行机组进行判断判断验证。选定某机组 2015年5月运行数据进行分析，得到其Rz，W1i＝0.9，设定整体判断阈值 W2i＝0.6(即连续10点超过60％异常)。测试结果如图11所示。机组运行不只存在单点异常，还出现连续异常段(每连续10点标注一种颜色)，机组存在降容运行情况。
图13某机组2015年5月风速-功率异常点测试图
高温降容运行机组判断
利用调整范围集对存在降容运行机组进行判断判断验证。选定某机组 2015年6月运行数据进行分析，得到其Rz，W1i＝0.9，设定整体判断阈值 W2i＝0.6(即连续10点超过60％异常)。高温阈值W3＝75℃(即异常点如果齿轮箱油温超过75°判断为高温降容)测试结果如图12所示。机组运行不只存在单点异常，还出现连续异常段(每连续10点标注一种颜色)，机组存在高温降容运行情况。如图14某机组2015年6月风速-功率异常点测试图。
全场机组运行情况判断统计
利用累积概率进行二项标定的单台机组降容异常能够有效识别，为了验证方案的整场适用性，对陕西某风电场同一机型的17台运行机组从2015年1 月到12月共178个月的数据进行判断并统计结果如下表1所示。
表2风电场整场机组运行判定统计
异常类别 正常运行 降容异常 高温降容
月数统计 129 38 11
判断准确率 98.4％ 100％ 100％
由表2可以看出整场机组的降容异常包括高温降容异常判断正确率均为 100％，利用累积概率二项标定可以准确地判断机组的降容运行异常，对于正常运行机组的判断准确率为98.4％。
总之，本申请提供的方法，通过收集机组SCADA运行的连续时序数据来对机组的状态进行高准确性实时判定，通过装置给出机组异常状态，从而有利于优化风电场的运维，提高风场发电量。该方法可以应用的场合有：风速-功率曲线分布；风速-转速曲线；风速-桨距角曲线；功率-转速曲线；功率-扭矩曲线等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种基于累计概率分布的风电机组状态判定方法，其特征在于，所述方法包括：
通过机组SCADA数据收集装置进行机组数据收集，经过数据清洗后，去除掉数据中的异常数据得到正常机组参数；
将所述正常机组参数经过基于累计概率分布的机组状态判定算法给出机组状态结果；所述基于累计概率分布的机组状态判定算法包括通过建立正常机组参数的概率分布范围P，利用概率分布得出参数的累计概率分布F，根据不同机组不同参数的性能设定其累计概率分布的二项分布判定值W1，从而确定判定的范围集R；然后通过分析一段连续时序信号在R中的累计值的概率分布，确定连续时序信号的判定标准W2；根据所述判定标准W2确定机组状态结果；
将所述机组状态结果由显示器显示以便传递给用户。
2.根据权利要求1所述的基于累计概率分布的风电机组状态判定方法，其特征在于，根据实际运行的机组判定时，对范围集R进行偏移调整得到实际判定范围集Rz。
3.根据权利要求1所述的基于累计概率分布的风电机组状态判定方法，其特征在于，通过机组SCADA数据收集装置收集到的数据为风速-功率曲线分布数据、风速-转速曲线分布数据、风速-桨距角曲线分布数据、功率-转速曲线分布数据、功率-扭矩曲线分布数据中的任意一种。
4.根据权利要求2所述的基于累计概率分布的风电机组状态判定方法，其特征在于，所述数据为风速-功率曲线分布数据；所述数据清洗包括：
风速预处理，将风速小于切入风速或者大于切出风速的数据去除；
机组异常状态处理，将机组处于报警、故障、维修状态的记录去除；
超限数据处理，机组参数有参考浮动范围，超出范围意味着传感器失常或者数据出现异常；
数据完备性，每一条机组记录的各参数应该是完整的，将残缺记录去除。
5.根据权利要求4所述的基于累计概率分布的风电机组状态判定方法，其特征在于，建立正常机组参数的概率分布范围P；包括：将风速v等间隔地分为M组，如每组数据风速宽度为0.1m/s，即对于其中某一小区间(vi，vi+1)，vi+1-vi＝0.1m/s。风速小区间宽度远小于整个风速范围(风电场风速一般在25m/s以内)，所以区间内功率视为一个点值vi；
同理，将此小区间内的有功功率p等间隔分为N组，每组有功功率宽度为1KW，其中某一小区间(pj，pj+1)，p-pj＝1KW，有功功率区间宽度远小于整个功率范围，所以区间内功率视为一个点值pj。设(vi，pj)内的状态点数量为r，(vi，vi+1)区间内的状态点总数为s，则
6.根据权利要求5所述的基于累计概率分布的风电机组状态判定方法，其特征在于，求出在(vi，vi+1)切片区间内有功功率的累积概率分布：
在Fi(pj)的分布范围内设定宽度阈值W1(vi)对正常集中数据进行正常标定时，正常数据区间的累计概率区间E(vi)为
7.根据权利要求6所述的基于累计概率分布的风电机组状态判定方法，其特征在于，通过Fi(pj)和E(vi)，可得到每个(vi，vi+1)区间里的正常功率区间R(vi)；
R(vi)：(pdown，pup)
为E(uj)的区间在Fi(pj)上所对应的功率区间；R(vi)组成了正常运行状态下风速-功率散点分布的范围集R，作为判定的依据判定测试数据的正常与否。
8.根据权利要求7所述的基于累计概率分布的风电机组状态判定方法，其特征在于，连续时序数据(d1，d2，…di…，dn)，di在R的二项分布为其平均累计概率Fd，
范围集R属于二项分布的判定集，根据中心极限定理对二项分布进行连续随机取值后的累积量符合正太分布。
CN201810473599.9A 2018-05-17 2018-05-17 一种基于累计概率分布的风电机组状态判定方法 Active CN108443088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810473599.9A CN108443088B (zh) 2018-05-17 2018-05-17 一种基于累计概率分布的风电机组状态判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810473599.9A CN108443088B (zh) 2018-05-17 2018-05-17 一种基于累计概率分布的风电机组状态判定方法

Publications (2)

Publication Number Publication Date
CN108443088A true CN108443088A (zh) 2018-08-24
CN108443088B CN108443088B (zh) 2024-01-16

Family

ID=63203873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810473599.9A Active CN108443088B (zh) 2018-05-17 2018-05-17 一种基于累计概率分布的风电机组状态判定方法

Country Status (1)

Country Link
CN (1) CN108443088B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816552A (zh) * 2019-01-22 2019-05-28 上海燃气工程设计研究有限公司 一种计算居民燃气灶具的同时工作系数的方法
CN110533314A (zh) * 2019-08-23 2019-12-03 西安交通大学 一种基于概率密度分布的风电场异常机组识别方法
CN110967187A (zh) * 2019-12-11 2020-04-07 积成电子股份有限公司 一种变桨轴承失效的预警方法及系统
CN112240267A (zh) * 2019-07-17 2021-01-19 成都信息工程大学 基于风速相关性与风功率曲线的风机监测方法
CN112267972A (zh) * 2020-10-22 2021-01-26 华能国际电力股份有限公司 一种风电机组功率曲线异常智能判定方法
CN112597136A (zh) * 2020-05-28 2021-04-02 河北新天科创新能源技术有限公司 一种用于风力发电机的数据清洗方法
CN112879216A (zh) * 2019-11-29 2021-06-01 北京金风科创风电设备有限公司 风电场的风速修正方法和装置
CN116447089A (zh) * 2023-06-19 2023-07-18 华电电力科学研究院有限公司 一种风电机组的运行状态检测方法、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011127461A (ja) * 2009-12-16 2011-06-30 Hitachi Ltd 風力発電システム、風力発電制御装置、及び風力発電制御方法
CN103746370A (zh) * 2013-12-20 2014-04-23 河海大学 一种风电场可靠性建模方法
CN104595112A (zh) * 2013-10-30 2015-05-06 通用电气公司 风力涡轮机及评估其上叶片健康状态的方法
CN107587982A (zh) * 2017-07-17 2018-01-16 中国电力科学研究院 一种风电机组运行状态划分方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011127461A (ja) * 2009-12-16 2011-06-30 Hitachi Ltd 風力発電システム、風力発電制御装置、及び風力発電制御方法
CN104595112A (zh) * 2013-10-30 2015-05-06 通用电气公司 风力涡轮机及评估其上叶片健康状态的方法
CN103746370A (zh) * 2013-12-20 2014-04-23 河海大学 一种风电场可靠性建模方法
CN107587982A (zh) * 2017-07-17 2018-01-16 中国电力科学研究院 一种风电机组运行状态划分方法及装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816552A (zh) * 2019-01-22 2019-05-28 上海燃气工程设计研究有限公司 一种计算居民燃气灶具的同时工作系数的方法
CN112240267A (zh) * 2019-07-17 2021-01-19 成都信息工程大学 基于风速相关性与风功率曲线的风机监测方法
CN112240267B (zh) * 2019-07-17 2021-11-19 成都信息工程大学 基于风速相关性与风功率曲线的风机监测方法
CN110533314A (zh) * 2019-08-23 2019-12-03 西安交通大学 一种基于概率密度分布的风电场异常机组识别方法
CN112879216A (zh) * 2019-11-29 2021-06-01 北京金风科创风电设备有限公司 风电场的风速修正方法和装置
CN110967187A (zh) * 2019-12-11 2020-04-07 积成电子股份有限公司 一种变桨轴承失效的预警方法及系统
CN110967187B (zh) * 2019-12-11 2021-11-09 积成电子股份有限公司 一种变桨轴承失效的预警方法及系统
CN112597136A (zh) * 2020-05-28 2021-04-02 河北新天科创新能源技术有限公司 一种用于风力发电机的数据清洗方法
CN112267972A (zh) * 2020-10-22 2021-01-26 华能国际电力股份有限公司 一种风电机组功率曲线异常智能判定方法
CN112267972B (zh) * 2020-10-22 2023-05-05 华能国际电力股份有限公司 一种风电机组功率曲线异常智能判定方法
CN116447089A (zh) * 2023-06-19 2023-07-18 华电电力科学研究院有限公司 一种风电机组的运行状态检测方法、装置及介质
CN116447089B (zh) * 2023-06-19 2023-08-25 华电电力科学研究院有限公司 一种风电机组的运行状态检测方法、装置及介质

Also Published As

Publication number Publication date
CN108443088B (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
CN108443088A (zh) 一种基于累计概率分布的风电机组状态判定方法
CN108412710B (zh) 一种风电机组风功率数据清洗方法
CN104819107B (zh) 一种风电机组功率曲线异常漂移的诊断方法及系统
CN109751206B (zh) 风机叶片结冰故障预测方法、装置及存储介质
CN102682222B (zh) 一种基于风电波动规律的连续潮流计算方法
CN107846014B (zh) 一种基于随机特征和级数计算的电网概率脆弱性评估方法
CN106777984A (zh) 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
CN110067708B (zh) 一种使用功率曲线识别偏航对风不正的方法
CN109918364B (zh) 一种基于二维概率密度估计和四分位法的数据清洗方法
CN107728059B (zh) 一种变桨系统状态评估方法
CN105891546A (zh) 基于大数据的风电机组偏航系统中风向标故障诊断的方法
CN108053128A (zh) 一种基于elm和tf的电网暂态稳定快速评估方法
CN111091298B (zh) 一种风电场流场耦合特性评估与智能分群方法及系统
CN109408849B (zh) 一种基于同调机组分群的风电场动态等值方法
CN103912448A (zh) 一种区域风电场机组功率特性监测方法
CN106570779A (zh) 一种直流配电网可靠性分析的方法及系统
CN107869420B (zh) 风力涡轮机发电场的风力涡轮机偏航控制方法及系统
CN112065668A (zh) 一种风电机组状态异常评估方法及系统
CN109543083B (zh) 一种多元电网实时数据中异常数据的检测方法
CN115081346B (zh) 一种风电机组尾流效应下的健康度判断方法、装置及介质
CN110705887A (zh) 一种基于神经网络模型的低压台区运行状态综合评价方法
CN116660672B (zh) 基于大数据的电网设备故障诊断方法及系统
CN111260503A (zh) 一种基于聚类中心优化的风电机组功率曲线离群点检测方法
KR101466099B1 (ko) 풍력발전단지 운영 시스템 및 그 방법
CN113236508B (zh) 一种用于风力发电机组风速-功率异常数据检测的方法

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