CN109800931A - 基于风机scada数据的风电场发电量损失测量方法及系统 - Google Patents

Abstract

本发明公开了一种基于风机SCADA数据的风电场发电量损失测量方法及系统，方法为：获得风机SCADA数据和现场测风塔数据；对风机SCADA数据和现场测风塔数据进行筛选处理，筛选风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；根据数据集，建立风机性能评价指标；通过风机性能评价指标，计算得到风电场的发电量损失。本发明通过结合神经网络技术和随机过程理论，对风机SCADA数据进行分析，建立了风机运行行为模型，提出了评估风机运行性能的指标，计算得到了风机发电量损失，通过数据驱动的风机性能评估方法用来提高风机运维效率，降低维护成本。

Description

基于风机SCADA数据的风电场发电量损失测量方法及系统

技术领域：

本发明涉及风电领域，尤其涉及基于风机SCADA数据的风电场发电量损失测量方法及系统领域。

背景技术：

风电场属于资本密集型项目，其中建筑投资、风机制造与安装以及并网系统占比为80％，运行和维护成本占20％。因此，保持风机以相对高的效率工作并制定最佳维修策略符合投资者的主要利益，特别是在海上风电场复杂且恶劣的工作环境下，保持风机高性能稳定运行更加重要。

降低运维成本的主要途径在于提高风机性能的和优化维护策略。为实现风机高性能稳定运行，首先需要对风机运行性能进行评估，然后利用评估结果优化运维策略。现有技术中，通过建立故障预测模型，并将分析结果与故障模式进行匹配来解决该问题。然而，这些模型大都具一定程度的不确定性；以及由建模过程中的简化带来的对风机运行复杂性的忽略。此外，这些研究需要大量的高质量的历史故障数据，这对该类方法的研究和应用带来了巨大的挑战。

因此，现有技术中的缺陷是：现有的风机发电量评估方法考虑影响风机性能的因素不够全面，不能对风机性能进行精准的评价，进而不能有效地对风机进行维护啊，降低了风机运行效率，同时，大量单叶轮风力发电机的使用令整个风电场难以降低运维成本和提高发电效率。

发明内容：

本发明的目的在于提供一种基于风机SCADA数据的风电场发电量损失测量方法及系统，通过结合神经网络技术和随机过程理论，对风机SCADA数据进行分析，建立了风机运行行为模型，提出了评估风机运行性能的指标，计算得到了风机发电量损失，通过数据驱动的风机性能评估方法用来提高风机运维效率，降低维护成本。同时在另一方面，通过提出一种新型的双叶轮风力发电机的机构，进一步提高风机的发电效率，使得上述基于风机SCADA数据的风电场发电量损失测量方法及系统能够更好提升风电场运营效率。

本发明由如下技术方案实施：

第一方面，本发明提供一种基于风机SCADA数据的风电场发电量损失测量方法，包括：

步骤S1，获得风机SCADA数据和现场测风塔数据；

步骤S2，对所述风机SCADA数据和现场测风塔数据进行筛选处理，筛选所述风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；

步骤S3,根据所述数据集，建立风机性能评价指标；

步骤S4，通过所述风机性能评价指标，计算得到风电场的发电量损失。

本发明提供的基于风机SCADA数据的风电场发电量损失测量方法，其技术方案为：获得风机SCADA数据和现场测风塔数据；对所述风机SCADA数据和现场测风塔数据进行筛选处理，筛选所述风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；根据所述数据集，建立风机性能评价指标；通过所述风机性能评价指标，计算得到风电场的发电量损失。

本发明提供的基于风机SCADA数据的风电场发电量损失测量方法，通过结合神经网络技术和随机过程理论，对风机SCADA数据进行分析，建立了风机运行行为模型，提出了评估风机运行性能的指标，计算得到了风机发电量损失，通过数据驱动的风机性能评估方法用来提高风机运维效率，降低维护成本。

进一步地，所述步骤S3，具体为：

根据所述数据集中的数据，通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差；

通过自组织映射，对所述偏差信号进行聚类，得到系统状态；

通过预先建立的基于MC的状态转移模型，得到风机性能评价指标。

进一步地，步骤S4，具体为：

通过所述风机性能评价指标，将每台风机周围分为若干个扇区，从风机SCADA数据获得每台风机每个扇区的实际发电量，将风电场分为若干个扇区，并计算每个扇区的参考发电量；

根据所述实际发电量和所述参考发电量，计算得到风电场的发电量损失。

进一步地，通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差，具体为：

在所述预处理后的SCADA数据中，选择WS，AT，GT，桨角数据和RS数据作为输入参数，输入至所述预先建立的基于神经网络的风机运行模型，计算得到风机输出功率预测值与实测值的偏差。

进一步地，通过自组织映射，对所述偏差信号进行聚类，得到系统状态，具体为：

选取所述偏差信号中的若干个数据点和包含n个状态的状态空间，所述状态空间为聚类偏差信号的结果；

将所述偏差信号到所述状态空间的映射形成自组织映射；

根据所述聚类偏差信号的结果，建立马尔可夫模型，作为系统状态。

在另一实施方式中，所述风电场中的风机为双叶轮风力发电机，该双叶轮风力发电机包括：

一级叶轮、二级叶轮和叶轮转速合并机构；所述叶轮转速合并机构具有第一输入轴、第二输入轴、第一输出轴和第二输出轴，所述一级叶轮与所述第一输入轴驱动连接，所述二级叶轮与所述第二输入轴驱动连接，所述第一输出轴通过第一离合器与第一发电机的输入轴驱动连接，所述第二输出轴通过第二离合器与所述第二发电机的输入轴驱动连接；

所述一级叶轮与所述二级叶轮同轴连接，所述一级叶轮的叶片长度大于所述二级叶轮的叶片长度，且工作时的旋转方向相反，所述一级叶轮位于所述二级叶轮的前方；

所述叶轮转速合并机构包括同轴设置的太阳轮、齿圈和行星架，所述行星架上设有多个行星轮，所述齿圈设有内齿和外齿，所述行星轮啮合在所述齿圈的内齿和所述太阳轮之间，所述第一输入轴设有驱动齿轮，所述驱动齿轮与所述齿圈的外齿啮合，所述第二输入轴与所述太阳轮的转轴连接，所述行星架的转轴通过中间轴与输出轴驱动连接，所述输出轴的一端形成所述第一输出轴，另一端形成所述第二输出轴；

当风速小于第一阈值时，对一级叶轮和二级叶轮的叶片进行变桨，使一级叶轮停止发电状态，二级叶轮处于旋转发电状态，第一离合器处于啮合状态，第二离合器出去分离状态；

当风速不小于第一阈值且不大于第二阈值时，对一级叶轮和二级叶轮的叶片进行变桨，使一级叶轮和二级叶轮均处于旋转发电状态，第一离合器处于啮合状态，第二离合器处于分离状态；

当风速大于第二阈值时，一级叶轮和二级叶轮均处于旋转发电状态，第一离合器和第二离合器均处于啮合状态。

第二方面，本发明提供一种基于风机SCADA数据的风电场发电量损失测量系统，包括：

数据获取模块，用于获得风机SCADA数据和现场测风塔数据；

数据预处理模块，用于对所述风机SCADA数据和现场测风塔数据进行筛选处理，筛选所述风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；

评价指标生成模块,用于根据所述数据集，建立风机性能评价指标；

发电量算是计算模块，用于通过所述风机性能评价指标，计算得到风电场的发电量损失。

本发明提供的基于风机SCADA数据的风电场发电量损失测量系统，其技术方案为：通过多数据获取模块，获得风机SCADA数据和现场测风塔数据；通过数据预处理模块，对所述风机SCADA数据和现场测风塔数据进行筛选处理，筛选所述风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；通过评价指标生成模块,根据所述数据集，建立风机性能评价指标；通过发电量算是计算模块，通过所述风机性能评价指标，计算得到风电场的发电量损失。

本发明提供的基于风机SCADA数据的风电场发电量损失测量系统，通过结合神经网络技术和随机过程理论，对风机SCADA数据进行分析，建立了风机运行行为模型，提出了评估风机运行性能的指标，计算得到了风机发电量损失，通过数据驱动的风机性能评估方法用来提高风机运维效率，降低维护成本。

进一步地，所述评价指标生成模块，具体用于：

根据所述数据集中的数据，通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差；

通过自组织映射，对所述偏差信号进行聚类，得到系统状态；

通过预先建立的基于MC的状态转移模型，得到风机性能评价指标。

进一步地，所述发电量算是计算模块，具体用于：

通过所述风机性能评价指标，将每台风机周围分为若干个扇区，从风机SCADA数据获得每台风机每个扇区的实际发电量，将风电场分为若干个扇区，并计算每个扇区的参考发电量；

根据所述实际发电量和所述参考发电量，计算得到风电场的发电量损失。

进一步地，所述发电量算是计算模块，具体用于通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差：

在所述预处理后的SCADA数据中，选择WS，AT，GT，桨角数据和RS数据作为输入参数，输入至所述预先建立的基于神经网络的风机运行模型，计算得到风机输出功率预测值与实测值的偏差。

进一步地，所述发电量算是计算模块，具体用于通过自组织映射，对所述偏差信号进行聚类，得到系统状态：

选取所述偏差信号中的若干个数据点和包含n个状态的状态空间，所述状态空间为聚类偏差信号的结果；

将所述偏差信号到所述状态空间的映射形成自组织映射；

根据所述聚类偏差信号的结果，建立马尔可夫模型，作为系统状态。

本发明的优点：

通过结合神经网络技术和随机过程理论，对风机SCADA数据进行分析，建立了风机运行行为模型，提出了评估风机运行性能的指标，计算得到了风机发电量损失，通过数据驱动的风机性能评估方法用来提高风机运维效率，降低维护成本。

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为本发明实施例所提供的一种基于风机SCADA数据的风电场发电量损失测量方法的流程图；

图2为本发明实施例所提供的一种基于风机SCADA数据的风电场发电量损失测量方法中1号风机SOM中各神经元的权重分布示意图；

图3为本发明实施例所提供的一种基于风机SCADA数据的风电场发电量损失测量方法中1号风机4状态马尔可夫模型示意图；

图4为本发明实施例所提供的一种基于风机SCADA数据的风电场发电量损失测量系统的示意图；

图5为本实施例三提供的双叶轮风力发电机的结构示意图；

图6为本实施例三提供的叶轮转速合并机构的原理图。

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作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。

实施例一

第一方面，图1示出了本发明实施例所提供的一种基于风机SCADA数据的风电场发电量损失测量方法的流程图；如图1所示，实施例一提供一种基于风机SCADA数据的风电场发电量损失测量方法，包括：

步骤S1，获得风机SCADA数据和现场测风塔数据；

步骤S2，对风机SCADA数据和现场测风塔数据进行筛选处理，筛选风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；

步骤S3,根据数据集，建立风机性能评价指标；

步骤S4，通过风机性能评价指标，计算得到风电场的发电量损失。

本发明提供的基于风机SCADA数据的风电场发电量损失测量方法，其技术方案为：获得风机SCADA数据和现场测风塔数据；对风机SCADA数据和现场测风塔数据进行筛选处理，筛选风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；根据数据集，建立风机性能评价指标；通过风机性能评价指标，计算得到风电场的发电量损失。

本发明提供的基于风机SCADA数据的风电场发电量损失测量方法，通过结合神经网络技术和随机过程理论，对风机SCADA数据进行分析，建立了风机运行行为模型，提出了评估风机运行性能的指标，计算得到了风机发电量损失，通过数据驱动的风机性能评估方法用来提高风机运维效率，降低维护成本。

作为本发明的优选实施例，对风机SCADA数据进行预处理，还包括：

对风机SCADA数据中的缺省值替换为缺省值前后数据点的平均值，排除不符合实际常识的数据点；

将风机SCADA数据映射到统一范围。

在进行建模之前，需要对原始SCADA数据进行预处理。首先，为了保持数据的一致性，将缺省值替换为其前后数据点的平均值。排除不符合实际常识的数据点(例如含有负值的有功功率)。其次，为了进行对比研究，将各个物理参数映射到统一范围。例如，将风机运行参数中的风速(Wind Speed，WS)和功率(Active Power,AP)统一到在[0,25](m/s)和[0,2000](kW)。其他参数范围及其相应的单位是：转了转速(Rotor Speed,RS)[0,20](rpm)，环境温度(Ambient Temperature,AT)[0,45](℃)，齿轮箱温度(Gearbox Temperature,GT)[0,90](℃)。

神经网络(Neural Network，NN)是一种被广泛使用的非线性建模技术。近年来，基于正常行为的偏差信号经常用于风机的故障和异常检测。此外，为了捕获偏差的行为模式，本实施例采用白组织映射(self-Organizing Map，SOM)来对偏差数据进行聚类分析。SOM是为数据聚类设计的NN的变体。SOM被训练用以对风功率的波动特性进行聚类分析。

基于NN的方法面临的重要问题之一是为基于人工神经网络的结果提供合理的解释。为了解释聚类结果之问的关系，并提供用于风机性能的信息，本实施例中提出了基于马尔科夫链(Markov Chain,MC)的性能指标及其计算模型。

作为本发明的优选实施例，通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差，具体为：

在预处理后的SCADA数据中，选择WS，AT，GT，桨角数据和RS数据作为输入参数，输入至预先建立的基于神经网络的风机运行模型，计算得到风机输出功率预测值与实测值的偏差。

建立基于NN的风机运行行为模型。将WS，AT，GT，桨角(Pitch Angle,PA)和RS作为输入参数训练NN并预测AP。上述参数通过采用皮尔森相关系数作为参数选择标准。风机性能指标“偏差(Deviation,Dev.)”被定义为：

Dev.＝|AP_measured-AP_predicted| (1)

将Dev.信号作为异常状态的表征量。偏差可能是由于模型本身的不准确性，风机故障，随机扰动或风机异常运行状态导致的。为减小误差，当连续三个数据点中的两个在所得动态置信区问之外，则认为该预测值有误，作为误差处理。

作为本发明的优选实施例，通过自组织映射，对偏差信号进行聚类，得到系统状态，具体为：

选取偏差信号中的若干个数据点和包含n个状态的状态空间，状态空间为聚类偏差信号的结果；

将偏差信号到状态空间的映射形成自组织映射；

根据聚类偏差信号的结果，建立马尔可夫模型，作为系统状态。

其中，状态空间中每个状态空间表示聚类到状态i的偏差值。

由于所得偏差信号数量大，模式重复度高，采用基于无监督学习的聚类工具，自组织映射(SOM)对偏差信号进行聚类分析。公式(2)表示偏差序列Dev.的t个数据点，公式(3)表示状态空问S含有n个状态，其中每个又表示聚类到状态i的偏差值。SOM可以看作是集合D到S的一个映射过程。

D＝{d₁,d₁,…,d_t} (2)

S＝{S₁，S₂，…,S_n} (3)

以聚类结果为基础建立马尔可夫模型。状态转移的驱动力包括是风机运行中的异常状态，故障，控制措施和采用的维修策略。

作为本发明的优选实施例，步骤S3，具体为：

根据数据集中的数据，通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差；

通过自组织映射，对偏差信号进行聚类，得到系统状态；

通过预先建立的基于MC的状态转移模型，得到风机性能评价指标。

通过建立有限状态空问的离散马尔可夫模型来描述风机性能状态。在风机运行在相对稳定的环境中时，马尔可夫模型可以用来对风机状态进行预测。通过统计聚类结果及其时问序列，可以计算风机状态转移概率矩阵T和初始状态概率i.

T和i分别表示为：

其中，p_ij＝p(s_j|s_i)，q_i＝p(s_i)，T表示从一个状态移动到另一个状态的概率，而I表示在开始处于每个状态的概率。Markov模型的无记忆性可由如下公式所示:

p(s_n|s_n-1,s_n-2,…s₁)＝p(s_n|s_n-1) (6)

定义异常等级指数(Anomaly Level Index,ALI)，为风机运行过程各参数变化的区间阈值提供参考。为了描述和计算异常状态指数，基于马尔可夫模型，将状态转移路径的概率定义为异常指数(AI)。其数学定义如下：

对于每个上标表示时问序列，下标表示系统所处的状态。计算此概率的方法及其证明如下：

根据条件概率可以得到公式(8)：

对于其中的每一条状态转移路径，可以按公式(9)进行描述：

由于马尔可夫模型具有无记忆性，如公式(6)所示。因此公式(9)可以进一步简化为：

其中是状态S_n和S_n-1之问的状态转移概率。可以通过统计各状态中包含的数据点的出现频率计算。根据状态转移步长和跨越阶数可以定义多个异常指数，具体情况需要结合实际数据进行判断。

作为本发明的优选实施例，步骤S4，具体为：

通过风机性能评价指标，将每台风机周围分为若干个扇区，从风机SCADA数据获得每台风机每个扇区的实际发电量，将风电场分为若干个扇区，并计算每个扇区的参考发电量；

根据实际发电量和参考发电量，计算得到风电场的发电量损失。

本实施例中基于上述方法，对9台风机的SCADA数据进行分析。其中1-4号风机和5-9号风机的数据时问跨度分别为2年和5年。采用周期均为10分钟。

本实施例中采用的NN共含有神经元50个，采用比例共轭梯度反向传播算法进行训练。此外，以平方误差和(SSE)指标作为性能函数，并且最大遍历次数设置为5000次迭代。训练结果显示，所有9个NN模型的精确度约为99％，这意味着它们能够以99％的准确度预测风机的正常行为。

本实施例中使用的SOM有24个神经元，以均方差(MSE)作为其性能指数。对风机1进行聚类，得到的聚类结果中，偏差信号共分为4类。参见图2中这24个神经元的权重曲线可得到相同的分类结果。基于聚类结果定义了风机4个性能状态State 1-4。

在得到聚类状态后，调查各状态中数据对应输入参数是否存在异常来明确各状态的含义。为此，从每个状态抽取儿个样本，对应实际运行中各参数的值及故障记录来检查是否存在异常。抽查结果表明，Statel和State2中选择的样本没有显示任何物理问题；State3中极少部分数据，State4几乎所有数据均在实际运行记录中找到对应的异常记录。

其中，State4的样本数据中包含了大约两个小时的操作时段，11个连续数据点。其中(Expected Power by NN,EPNN)和Dev.分别代表通过NN预测值和偏差信号。该时段WS稳定保持在较高水平。然而AP却出现明显下降。观察到当WS接近切出速度时导致PA行为异常。在正常运行情况下，变桨系统应该是小幅度的调节，保持输出平滑功率。实验得到PA异常行为导致了约60％的生产损失。因此，基于NN的模型和偏差信号可以有效的描述异常行为。

表1给出了1号风机的状态转移矩阵。

表1 1号风机状态转移矩阵

状态	State1	State2	State3	State4
					State1	0.99400	0.00497	0.00101	0.00002
State2	0.62901	0.27755	0.09066	0.00279
					State3	0.33865	0.27092	0.36255	0.02789
State4	0.35714	0.14286	0.28571	0.21429

图3为风机1的马尔可夫模型，其中数值代表各状态问的转移概率。考虑到前面的分析，绝大部分State4中的观察值都对应了风机的异常装态。从图3中可以得到从其他状态转移到State4的概率和路径。并且可以看出从State3到State4的转移概率最高，这意味着State4中的大多数观察值是从State3转移过来的。因此，监测过程中当偏差值到进入State3的范围时，需要密切注意风机运行状况以避免故障的发生。本实施例中也为其他8台风机创建了相应的MC模型。

对风机1而言，PA系统的异常是导致其偏差信号进入State4的主要原因之一。实际运行中需要对PA系统进行故障排查。基于MC模型提供的信息，经实验数据得知，PA系统的问题平均每20天发生一次。值得注意的是，该问题每出现一次将带来至少5OOkW的功率损失。这不仅导致利润损失，而且当风电场达到一定规模后还会给电网带来稳定性问题。

根据研究结果，定义当风机在从State3变为State4时，风机的性能存在微小的异常，即异常指数1(AI1)。定义当风机在Statel停留至少两个时问步长然后直接转移到State4时，风机存在严重异常状态，即异常指数2(AI2)。这两个指标对应风机实际运行中两个不同的安全级别，不同安全级别对应了采取措施的优先级排序，可以为决策提供参考依据。

根据公式(7)，可以AI1表示为：

AI2可以表示为：

表2给出了9台风机初始状态概率的计算结果；表3给出了基于上述两个假设提出的异常判断指标应用到9台风机的计算结果。

表2 9台风机的初始状态概率

表3 9台风机的异常指标技术结果

根据AI2比较各风机的性能状态。在风机1-风机4之问，风机2具有更高的轻微异常的风险；而在风机5-风机9之问，风机7的AI2值最大，相应面临的风险就越高。根据AI1来看，风机2和风机7同样排在高风险的前列。从中可以得出风机2和风机7相比其他风机的运行载荷更高。

对表3的另一种解读，可以通过比较每台风机两个指数的值来推断当前风机的性能状态。例如，如果AI2的值大于AIl的值，则风机在运行过程的风险将会更高。因此，在实际运行中，对于出现这种情况的风机应进行详细的潜在故障排查，以提前维修，降低故障风险。例如，风机7的当前预防性维护策略是每三个月的计划维护，由于风机7的AI2值大于AIl值，建议结合未来的风资源情况，风机出力安排，提前进行计划维修或安排额外的故障检查以排除隐患，提高运行可靠性。

因此，基于对风机性能的准确评价，可了解风机的发电量损失，进一步提高对风机的维护，提高风机运行稳定性，减少发电量损失。

其中，风机SCADA数据包括：风机轮毂高度，以及风机时间序列数据。

优选地，步骤S1中还包括如下数据：风电场竣工坐标，风机状态计数器数据，每台风机的事件数据，以及距离风电场20公里范围内已运行风机的数据。

其中，现场测风塔数据包括：测风塔竣工坐标，测风塔现场测量数据，测风塔结构信息，测风塔安装信息，测风塔维护信息，测风塔传感器配置信息，风速计独立校准报告。

其中，步骤S2中，针对每台风机，使用状态计数参数剔除可利用率低于100％的时段，基于具体事件的含义来移除由于功率曲线功率下降、风迟滞或异常风速值所引起的额外散点数据，移除由于电网造成的停机影响发电量可利用率的数据。

其中，步骤S2中，测风塔数据分析结合如下要素：

核查安装报告、独立校准报告以及维护报告来评估测风塔质量好坏及其安装配置是否符合IEC标准；现场测风塔风资源数据彻底筛选并建立一个完整的数据集；对数据进行独立校准；如果测风塔高度与风机轮毂高度不同，则需要使用风廓线来获取轮毂高度风速，在计算风廓线时应正确的考虑塔影对风速计的影响。

具体地，步骤S4中，风电场按照30°划分扇区，分为12个扇区，某扇区参考发电量为该扇区所有自由流风机发电量的平均值。参见图4，第二方面，本发明提供一种基于风机SCADA数据的风电场发电量损失测量系10，包括：

数据获取模块101，用于获得风机SCADA数据和现场测风塔数据；

数据预处理模块102，用于对风机SCADA数据和现场测风塔数据进行筛选处理，筛选风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；

评价指标生成模块103,用于根据数据集，建立风机性能评价指标；

发电量算是计算模块104，用于通过风机性能评价指标，计算得到风电场的发电量损失。

本发明提供的基于风机SCADA数据的风电场发电量损失测量系统100，其技术方案为：通过数据获取模块101，获得风机SCADA数据和现场测风塔数据；通过数据预处理模块102，对风机SCADA数据和现场测风塔数据进行筛选处理，筛选风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；通过评价指标生成模块103,根据数据集，建立风机性能评价指标；通过发电量算是计算模块104，通过风机性能评价指标，计算得到风电场的发电量损失。

本发明提供的基于风机SCADA数据的风电场发电量损失测量系统100，通过结合神经网络技术和随机过程理论，对风机SCADA数据进行分析，建立了风机运行行为模型，提出了评估风机运行性能的指标，计算得到了风机发电量损失，通过数据驱动的风机性能评估方法用来提高风机运维效率，降低维护成本。

作为本发明的优选实施例，评价指标生成模块103，具体用于：

根据数据集中的数据，通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差；

通过自组织映射，对偏差信号进行聚类，得到系统状态；

通过预先建立的基于MC的状态转移模型，得到风机性能评价指标。

作为本发明的优选实施例，发电量算是计算模块104，具体用于：

通过风机性能评价指标，将每台风机周围分为若干个扇区，从风机SCADA数据获得每台风机每个扇区的实际发电量，将风电场分为若干个扇区，并计算每个扇区的参考发电量；

根据实际发电量和参考发电量，计算得到风电场的发电量损失。

作为本发明的优选实施例，发电量算是计算模块104，具体用于通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差：

在预处理后的SCADA数据中，选择WS，AT，GT，桨角数据和RS数据作为输入参数，输入至预先建立的基于神经网络的风机运行模型，计算得到风机输出功率预测值与实测值的偏差。

作为本发明的优选实施例，发电量算是计算模块104，具体用于通过自组织映射，对偏差信号进行聚类，得到系统状态：

选取偏差信号中的若干个数据点和包含n个状态的状态空间，状态空间为聚类偏差信号的结果；

将偏差信号到状态空间的映射形成自组织映射；

根据聚类偏差信号的结果，建立马尔可夫模型，作为系统状态。

实施例二

作为本发明的优选实施例，实施例一中风机SCADA数据往往含有大量不符合风机正常出力特性的异常运行点，如在较大的实测风速下，风机功率低于标准值很多甚至为0。其原因是多方面的。如风机组出现故障、维护停机、机组限出力运行、风速传感器失灵等。这将直接影响风机性能评价的稳定性及准确性，基于此，本实施例对风机SCADA数据中的异常数据进行自动识别和处理，具体方案如下：

对异常数据进行分类，其中异常数据主要标记为三类：底端有风停机异常数据，中部限功率异常数据，其余分散异常数据。

以某风场某台双馈机组为例，该风机额定风速12m/s，额定功率为1500kW。从风电场SCADA系统中导出某年1-6月10min内的平均风速和功率数据，绘制风速(WS)-功率(WP)曲线散点图。

对底端有风停机异常数据进行智能识别；

底端异常数据产生的原因是有风停机，限功率等。底部异常数据常见于单条或多条密集的异常数据线，异常数据线一般在功率为零的附近。根据工程经验，如果发现某一类风电机组的底端异常数据都为零值附近，可以采用“直接设功率上限值法”，以零值为上限值，将零值以下的所有点全部标记出来；在没有工程经验指导的情况下，本实施例中设计了一种基于百分位数极差的自动寻功率上限值的算法，可自动寻找到有风停机异常数据的功率上限值，将功率上限值以下的所有数据全部标记，简称“自动寻功率上限值法”。该算法认为底端异常功率点为功率分布密度较大，且低于该点功率分位数距也很大。简要过程如下：

(1)限定一个较小的功率上限值P_h，建立该功率以下的功率分布F_p。

(2)寻找功率分布密度最高点，并考察该点以下的功率分位数距是否超过限值D。如果超过则将该功率点定为搜索下限P₁。如果没有超过则终止。

(3)在上限值P_h和下限P₁之间重复步骤2，直到终止。

对中部限功率异常数据进行智能识别；

风速(WS)-功率(WP)曲线在限功率后，会存在中部的异常数据，当限功率点密集的时候会形成多条线。限功率时，WS仍然会随时问T波动变化，而WP不会随时间T变化，限定在某一个值，限功率是随着时间T连续发生的现象。

根据以上原理，设计了一种基于连续时间识别功率变化率的算法，核心是找到满足设定条件的连续不发生变化的功率片段，且该功率片段随风速变化不发生明显改变。其基本思想如下:

(1)将整个功率划分成多个连续的功率区问，区间的宽度不宜过高，一般为6kW。

(2)在每个区问内寻找时间序列上连续功率片段，这些点为潜在可能发生限电的功率点，即为P₀。

(3〕对上述2中每个连续的功率片段，拟合对应时间序列上的功率，判定对应的功率风速数据的拟合曲线斜率是否接近于0。如果是，则说明其发生了限电。

(4)重复步骤2，遍历所有划分的功率区间，标记出符合条件的数据。

对其余分散异常数据进行智能识别；

完成上述2个步骤后，最后在风速(WS)-功率(WP)曲线左右两侧还存在许多异常的散点，可能是由于风电机组满发或者亏发、机组故障、风速传感器失灵等原因造成的，本实施例设计了一种基于Stepwise的预测值置信区间的算法进行识别，主要思想是：

(1)采取拟合样条曲线，设定预测值的置信区间，区间大小通过c统计量确定，标记区间曲线以外的点为异常工况。

(2)采用正常工况点重新拟合样条曲线并更新置信区间，同时对之前标记为异常工况的点重新判定。

(3)重复步骤1.，2直到没有新的点标记为异常，或者没有已标记为异常的重新判定为正常的情况出现。

本实施例从风速(WS)一功率(WP)曲线散点图的异常数据原理出发，通过分析了风机SCADA系统的风速功率曲线中异常数据的来源以及产生机理，采用三次分步智能识别算法，依次将不同类型异常数据自动标记出来，从而为后续研究风电功率波动特性、风电功率预测等风电相关问题提供有效的数据集，保证数据的有效性。

实施例三

在本实施例中，实施例一中所述的基于风机SCADA数据的风电场发电量损失测量方法，其所适用的风机可以是下述特定结构的双叶轮风力发电机，该结构的风力发电机对发电效率有较为显著的提升。

参见图5、6，其中图5为本实施例提供的双叶轮风力发电机的结构示意图，图6为本实施例提供的叶轮转速合并机构的原理图。

为了有效利用风能，提高发电功率，本实施例提供了下述风力发电机，包括：一级叶轮1、二级叶轮2和叶轮转速合并机构；所述叶轮转速合并机构具有第一输入轴31、第二输入轴32、第一输出轴41和第二输出轴42，所述一级叶轮1与所述第一输入轴31驱动连接，所述二级叶轮2与所述第二输入轴32驱动连接，所述第一输出轴41通过第一离合器与第一发电机的输入轴驱动连接，所述第二输出轴42通过第二离合器与所述第二发电机的输入轴驱动连接。

所述一级叶轮1与所述二级叶轮2同轴连接，所述一级叶轮1的叶片长度大于所述二级叶轮2的叶片长度，且工作时的旋转方向相反，所述一级叶轮1位于所述二级叶轮2的前方。

工作时，气流先通过一级叶轮1，再通过二级叶轮2，二级叶轮2的直径小于一级叶轮1，因此，二级叶轮2工作所需的最低风速也小于一级叶轮1。为了增加机头工作时的稳定性，一级叶轮1与二级叶轮2的转动方向相反，从而抵消扭矩。

其中，叶轮转速合并机构能够将一级叶轮1和二级叶轮2的转速合并，从而获得更大的输出转速，驱动发电机工作，从而有效利用剩余风能，提高发电效率。

所述叶轮转速合并机构包括同轴设置的太阳轮51、齿圈52和行星架53，所述行星架53上设有多个行星轮54，所述齿圈52设有内齿和外齿，所述行星轮54啮合在所述齿圈52的内齿和所述太阳轮51之间，所述第一输入轴31设有驱动齿轮55，所述驱动齿轮55与所述齿圈52的外齿啮合，所述第二输入轴32与所述太阳轮51的转轴连接，所述行星架53的转轴通过中间轴6与输出轴驱动连接，所述输出轴的一端形成所述第一输出轴41，另一端形成所述第二输出轴42。

例如，太阳轮51的转速为n1，齿圈52的转速为n2，行星架53的转速为n3，齿圈52内齿和太阳轮51的齿数比值为a，n3＝(n1+a*n2)/(1+a)。从而实现转速和力矩的叠加。

在一个示例中，一级叶轮的叶片长度75m，二级叶轮的叶片长度35m。在一个发电机工作的情况下，且当仅有一级叶轮工作时，风机的启动风速4m/s，额定风速15m/s，安全风速25m/s，额定功率3MW，当仅有二级叶轮工作时，风机的启动风速3m/s，额定风速10m/s，安全风速25m/s，额定功率1.5MW。

由于低风速工作中，第一叶轮工作中的能量损耗较大，且功率低，为了使该风力发电机能够适应较大范围的风速，有效利用风资源，上述风力发电机的控制中涉及两个阈值，第一阈值为6m/s，第二阈值为10m/s。

具体控制方法如下：获得风速，当风速小于第一阈值时，对一级叶轮1和二级叶轮2的叶片进行变桨，使一级叶轮1停止发电状态，二级叶轮2处于旋转发电状态，第一离合器处于啮合状态，第二离合器处于分离状态。从而在低风速时启动风机进行发电，并减小风机发电过程中的内耗，提高发电效率。

当风速不小于第一阈值且不大于第二阈值时，对一级叶轮1和二级叶轮2的叶片进行变桨，使一级叶轮1和二级叶轮2均处于旋转发电状态，第一离合器处于啮合状态，第二离合器处于分离状态。从而通过第一叶轮进行高功率发电，并通过第二叶轮有效利用剩余风能。在该模式下，风机的最大功率能够达到4MW。

当风速大于第二阈值时，一级叶轮1和二级叶轮2均处于旋转发电状态，第一离合器和第二离合器均处于啮合状态。风速较大超过单台发电机所需的额定风速10m/s时，利用两台发电机同时发电，可达到最大发电功率为8MW，能够有效利用风能，提高发电功率，且不会增加叶轮的直径，避免叶片太长，增加制造、运输、和安装维护成本。

由于一级叶轮1的直径较大，当风力小于第一阈值时无法驱动一级叶轮1转动，因此调节一级叶轮1的桨叶，减小迎风面积，使气流经过一级叶轮1，直接驱动二级叶轮2转动，且为了减小启动风速，第二离合器处于分离状态，仅第一发电机工作。

当风力增大到第一阈值和第二阈值时，第一叶轮也开始转动，并通过第二叶轮有效利用剩余风能，第一叶轮和第二叶轮的转速经叶轮转速合并机构叠加后驱动第一发电机工作。

当风力继续增大到大于第二阈值后，由于叶轮的转速不能无限提升，但驱动力提高，将第二离合器啮合，同时驱动第一发电机和第二发电机发电，提高发电效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (10)

1.基于风机SCADA数据的风电场发电量损失测量方法，其特征在于，所述方法包括以下步骤：

步骤S1，获得风机SCADA数据和现场测风塔数据；

步骤S2，对所述风机SCADA数据和现场测风塔数据进行筛选处理，筛选所述风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；

步骤S3,根据所述数据集，建立风机性能评价指标；

步骤S4，通过所述风机性能评价指标，计算得到风电场的发电量损失。

2.根据权利要求1所述的基于风机SCADA数据的风电场发电量损失测量方法，其特征在于，

所述步骤S3，具体为：

根据所述数据集中的数据，通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差；

通过自组织映射，对所述偏差信号进行聚类，得到系统状态；

通过预先建立的基于MC的状态转移模型，得到风机性能评价指标。

3.根据权利要求1所述的基于风机SCADA数据的风电场发电量损失测量方法，其特征在于，

步骤S4，具体为：

通过所述风机性能评价指标，将每台风机周围分为若干个扇区，从风机SCADA数据获得每台风机每个扇区的实际发电量，将风电场分为若干个扇区，并计算每个扇区的参考发电量；

根据所述实际发电量和所述参考发电量，计算得到风电场的发电量损失。

4.根据权利要求2所述的基于风机SCADA数据的风电场发电量损失测量方法，其特征在于，

通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差，具体为：

在所述预处理后的SCADA数据中，选择WS，AT，GT，桨角数据和RS数据作为输入参数，输入至所述预先建立的基于神经网络的风机运行模型，计算得到风机输出功率预测值与实测值的偏差。

5.根据权利要求2所述的基于风机SCADA数据的风电场发电量损失测量方法，其特征在于，

通过自组织映射，对所述偏差信号进行聚类，得到系统状态，具体为：

选取所述偏差信号中的若干个数据点和包含n个状态的状态空间，所述状态空间为聚类偏差信号的结果；

将所述偏差信号到所述状态空间的映射形成自组织映射；

根据所述聚类偏差信号的结果，建立马尔可夫模型，作为系统状态。

6.根据权利要求1所述的基于风机SCADA数据的风电场发电量损失测量方法，其特征在于，

所述风电场中的风机为双叶轮风力发电机，该双叶轮风力发电机包括：

一级叶轮、二级叶轮和叶轮转速合并机构；所述叶轮转速合并机构具有第一输入轴、第二输入轴、第一输出轴和第二输出轴，所述一级叶轮与所述第一输入轴驱动连接，所述二级叶轮与所述第二输入轴驱动连接，所述第一输出轴通过第一离合器与第一发电机的输入轴驱动连接，所述第二输出轴通过第二离合器与所述第二发电机的输入轴驱动连接；

所述一级叶轮与所述二级叶轮同轴连接，所述一级叶轮的叶片长度大于所述二级叶轮的叶片长度，且工作时的旋转方向相反，所述一级叶轮位于所述二级叶轮的前方；

所述叶轮转速合并机构包括同轴设置的太阳轮、齿圈和行星架，所述行星架上设有多个行星轮，所述齿圈设有内齿和外齿，所述行星轮啮合在所述齿圈的内齿和所述太阳轮之间，所述第一输入轴设有驱动齿轮，所述驱动齿轮与所述齿圈的外齿啮合，所述第二输入轴与所述太阳轮的转轴连接，所述行星架的转轴通过中间轴与输出轴驱动连接，所述输出轴的一端形成所述第一输出轴，另一端形成所述第二输出轴；

当风速小于第一阈值时，对一级叶轮和二级叶轮的叶片进行变桨，使一级叶轮停止发电状态，二级叶轮处于旋转发电状态，第一离合器处于啮合状态，第二离合器出去分离状态；

当风速不小于第一阈值且不大于第二阈值时，对一级叶轮和二级叶轮的叶片进行变桨，使一级叶轮和二级叶轮均处于旋转发电状态，第一离合器处于啮合状态，第二离合器处于分离状态；

当风速大于第二阈值时，一级叶轮和二级叶轮均处于旋转发电状态，第一离合器和第二离合器均处于啮合状态。

7.基于风机SCADA数据的风电场发电量损失测量系统，其特征在于，包括：

数据获取模块，用于获得风机SCADA数据和现场测风塔数据；

数据预处理模块，用于对所述风机SCADA数据和现场测风塔数据进行筛选处理，筛选所述风机SCADA数据中异常的记录值及停机时间，并建立一个完整的数据集；

评价指标生成模块,用于根据所述数据集，建立风机性能评价指标；

发电量算是计算模块，用于通过所述风机性能评价指标，计算得到风电场的发电量损失。

8.根据权利要求7所述的基于风机SCADA数据的风电场发电量损失测量系统，其特征在于，

所述评价指标生成模块，具体用于：

根据所述数据集中的数据，通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差；

通过自组织映射，对所述偏差信号进行聚类，得到系统状态；

通过预先建立的基于MC的状态转移模型，得到风机性能评价指标。

9.根据权利要求7所述的基于风机SCADA数据的风电场发电量损失测量系统，其特征在于，

所述发电量算是计算模块，具体用于：

通过所述风机性能评价指标，将每台风机周围分为若干个扇区，从风机SCADA数据获得每台风机每个扇区的实际发电量，将风电场分为若干个扇区，并计算每个扇区的参考发电量；

根据所述实际发电量和所述参考发电量，计算得到风电场的发电量损失。

10.根据权利要求8所述的基于风机SCADA数据的风电场发电量损失测量系统，其特征在于，

所述发电量算是计算模块，具体用于通过预先建立的基于神经网络的风机运行模型，计算风机输出功率预测值与实测值的偏差：

在所述预处理后的SCADA数据中，选择WS，AT，GT，桨角数据和RS数据作为输入参数，输入至所述预先建立的基于神经网络的风机运行模型，计算得到风机输出功率预测值与实测值的偏差。