CN111062133A - 风电机组性能分析方法及系统 - Google Patents

Abstract

本发明提供了一种风电机组性能分析方法及系统。所述方法包括：使用图像识别算法及聚类算法，对风速功率曲线数据的异常情况进行识别，从而将风速功率曲线数据区分为正常曲线数据和劣化曲线数据；通过识别曲线特征上的劣化变现，识别劣化曲线数据中的不同劣化模式；提取正常曲线数据的特征，构建横向对比的特征信息；通过将劣化曲线数据与特征信息的比对，以及先验知识的指导，分析造成劣化曲线数据发生数据劣化的原因。本发明提供的风电机组性能分析方法及系统通过应用数学算法和风电功率曲线分析经验,结合图像识别的基本技术，基于在线和离线批量SCADA数据进行机组性能劣化预警的模型，该模型准确率和通用性满足现场需求。

Description

风电机组性能分析方法及系统

技术领域

本发明涉及风电系统技术领域，特别是涉及一种风电机组性能分析方法及系统。

背景技术

风电机组性能劣化的自动化预警是目前电力企业为适应市场经济、降低发电成本、提高经济效益的主要发展方向。目前行业普遍存在风电机组性能在较长时间内严重偏离设计曲线的情况，常用的方法是伴随定检进行抽查，该方法具有偶然性，而使用数据分析方法诊断又面临着机组数量多、人工工作量大、诊断结论无法标准化、无法区分正常的控制与劣化、诊断难以泛化的痛点问题。

因此，结合实际发展需求急需基于大量机组数据完成风电机组性能劣化自动诊断预警模型的开发与部署。

发明内容

本发明要解决的技术问题是提供一种风电机组性能分析方法及系统，通过应用数学算法和风电功率曲线分析经验,结合图像识别的基本技术，基于在线和离线批量SCADA数据进行机组性能劣化预警的模型，该模型准确率和通用性满足现场需求。

为解决上述技术问题，本发明提供了一种风电机组性能分析方法，所述方法包括：使用图像识别算法及聚类算法，对风速功率曲线数据的异常情况进行识别，从而将风速功率曲线数据区分为正常曲线数据和劣化曲线数据；通过识别曲线特征上的劣化变现，识别劣化曲线数据中的不同劣化模式；提取正常曲线数据的特征，构建横向对比的特征信息；通过将劣化曲线数据与特征信息的比对，以及先验知识的指导，分析造成劣化曲线数据发生数据劣化的原因。

在一些实施方式中，通过提取正常曲线数据的特征，所构建横向对比的特征信息包括：离线特征信息，以及在线特征信息。

在一些实施方式中，通过将劣化曲线数据与特征信息的比对，以及先验知识的指导，分析造成劣化曲线数据发生数据劣化的原因，包括：针对发现的不同劣化模式，在时间—功率序列上进行连续性验证；将构建的特征信息与劣化曲线数据的比对，给出控制类劣化原因；添加离散度与偏移度的劣化识别，给出统计类劣化原因及图像类劣化原因。

在一些实施方式中，特征信息包括：散点抽取特征信息、风速仪损坏特征信息、限功模式特征信息、桨叶角受限特征信息、故障频繁复位特征信息、齿轮箱油温过高特征信息、发电机转速受限特征信息、桨叶角波动特征信息。

在一些实施方式中，针对发现的不同劣化模式，在时间—功率序列上进行连续性验证，包括：通过直线检测算法，在时间—功率序列上进行连续性验证。

在一些实施方式中，通过将劣化曲线数据与特征信息的比对，以及先验知识的指导，分析造成劣化曲线数据发生数据劣化的原因，还包括：给出造成数据劣化的部件位置。

在一些实施方式中，还包括：利用先验知识，对原始风速功率曲线数据进行数据清洗。

在一些实施方式中，利用先验知识，对原始风速功率曲线数据进行数据清洗，包括：利用图像降噪算法，对原始风速功率曲线数据进行数据清洗。

在一些实施方式中，利用图像降噪算法，对原始风速功率曲线数据进行数据清洗，包括：利用图像降噪算法，对原始风速功率曲线中的散点进行清除。

此外，本发明还提供了一种风电机组性能分析系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的风电机组性能分析方法。

采用这样的设计后，本发明至少具有以下优点：

基于奥卡姆剃刀法则，能够简单、高速、准确的对造成数据劣化的原因给出结论。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是本发明实施例提供的风电机组性能分析方法的流程示意图；

图2是本发明实施例提供的离线模型运行流程的流程示意图；

图3是本发明实施例提供的在线模型运行流程的流程示意图；

图4是本发明实施例提供的风电机组性能分析系统的结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

该发明是通过应用数学算法和风电功率曲线分析经验,结合图像识别的基本技术，基于在线和离线批量SCADA数据进行机组性能劣化预警的模型，该模型准确率和通用性满足现场需求。

风电机组劣化识别模型方案围绕微观与宏观两方面，结合时空信息，以微观单台机组的劣化点识别出发，通过使用风场信息，捕捉机组间发电差异，对整个风场的性能进行监控及比较。整体方案流程如图1所示。

参见图1，本发明提供的风电机组性能分析方法包括：

阶段1：数据清洗。针对原始数据，首先对其进行数据清理，通过先验知识排除明显偏离正常值范围的数据，同时删除缺失数据，对部分异于正常范围的数据(如温度过高、风速数据异常等问题)进行分析，直接对应到部分劣化类型。

阶段2：使用图像识别、聚类等算法，针对风速功率曲线的异常情况进行识别，将数据识别为正常数据和劣化数据，其中劣化数据通过风速、功率、桨叶角、发电机转速等特征进行识别。

阶段3：对识别出的劣化模式进行分类，从数据特征层面识别其具体的劣化表现，如：双线、散点多等特征。

阶段4：针对发现的不同劣化模式，在时间—功率序列上进行连续性验证，保证劣化具有一定的时间段信息，确保劣化在时间上是连续的。

阶段5：通过正常风电机组的判别结果，提取特征(如切入风速、恒转风速等)，构建横向比对的特征库，提供修正判别结果的标准依据。

阶段6：利用阶段5中所提取出的特征信息，对阶段4中得到的劣化数据进行进一步检验。添加离散度与偏移度的劣化识别，探索更多的劣化问题。

阶段7：通过反复的特征比对与先验知识的指导，采用算法自动地追溯劣化发生的原因，并根据数据特征的分布找到问题数据所在的部件，给出劣化原因。

阶段8：结果校验，输出最终的劣化分析结果。

通过以上全部识别后，生成对应的结果文件，供相关人员参考。

具体算法如下：

a)直线检测算法

直线检测算法用于发现功率曲线中的限功率模式，各变量与风速、功率的恒定模式，判断劣化模式是否在时间上连续。基本思想为利用数据密度变化，构造密度梯度，比较数据极差及robust标准差，按照一定参数设置实现对二维图像上存在的直线进行检测。经前期验证，数据层面的直线检测较图像层面的直线检测效果好，且通过时间上的连续性判断后能够有效减少错误识别的概率，给予每一条数据正确的劣化标签。

b)图像降噪

图像降噪主要用于数据清洗阶段，数据清洗阶段可较为容易得识别出风速仪问题。排除不合理的风速功率值后，再使用局部卷积的降噪算法(使用一个形状为[[-1,0],[-1,0]],步长为1的卷积核对数据进行卷积运算，类似差分)，即可消除大多数散点，发现功率曲线的主体部分。

风速仪问题通过垂直线检测识别，如果在栅格化后的功率曲线上发现风速垂直线，则认为风速仪可能出现问题。噪点则通过按风速排序转换为二维关系后，取差分排除不连续的点，可有效减少噪点数量。

c)数据知识库

已发生的劣化模式及对根源的经验判断对于劣化识别的准确性至关重要。因此，在整个模型架构之外，存在专家知识库或知识图谱，能够让算法快速找到需要调用的参数，在更改模型配置，重新训练模型时可通过快速配置，实现不同风场间的模型迁移。

模型会自动判断数据相应的字段，选取其中可进行劣化识别的模式。部分数据规则也添加到相应的流程中，例如去除异常值明显的数据、按照传动比将叶轮转速转换为发电机转速等流程。

离线分析模式下，总体的判定流程如图2所示。

整个离线模型执行完毕后，会针对三种输出——控制类劣化输出、统计类劣化输出、图形类劣化输出进行结果重新整理。

在线数据使用基本与离线模型的具体算法逻辑一致，区别在于数据的接口区别。流程图如图3所示。

在线模型针对不同的劣化输出结果采用不同的ETL频率，其中控制类劣化输出按照周进行抽取，控制类劣化输出结果只提供近一周的劣化问题，确保模型能够满足7天内误差期的要求。而图形类、统计类输出按月进行抽取，并且使用经过控制类劣化识别后的数据，能够有效发现离散度、偏移度及机组健康状态的月度评估，用以作为参数调整的参考等。

通过劣化点抽取和根源判别后，即可对数据进行一些统计指标的构建。统计指标构建方面，构建一些比率值，计算每一台机组的性能指标，可用于风电机组间的比较。具体的比率指标如下：

实际利用率：机组发电点的数量与数据总数的比值，即发电点的数量/该机组数据总体数量。

数据可用率：以10分钟为计量单位，机组真实数据点数量与机组在该月应有的点数的比值，即实际数据总量/理论数据数量。

性能优度：机组正常发电的点与机组非停机点数量的比值，即正常发电数据量/非停机数据量。

此外，算法也会自动检测机组是否能满发，并给出大致的满发风速，输出指标包含满发风速、满发功率上限、满发功率下限等指标。

切入风速与满发风速为桨叶角小于1度的功率上升段两个端点风速值。相较于切入风速而言，由于越接近满发功率，曲线离散度越大，所以满发风速较为难找。由于机组进入满发状态后，其风速功率曲线呈现出一条水平线，所以在风速-功率曲线散点图中采用水平线检测算法找满发功率。再通过满发功率索引满发转速。同时，为了排除噪点干扰，算法采用分位数代替极值。

接下来将使用满发功率的水平线检测结果，寻找出的满发功率为一个有波动的功率范围(可反映满发功率水平线粗细程度)。

以上全部指标反映了风电机组的实际运行状况，从不同角度对同一风场的机组进行客观评价。

通过对劣化点识别后可有效提取风速-功率曲线中的主成分，针对无法提取散点的劣化模式，还可以通过数据点的分布，结合历史数据中曾经表现出的劣化问题进行识别。而这些特征会体现在功率曲线的图形类特征当中。

图形类识别将围绕两个角度进行，两个角度分别是：偏移度及离散度。

偏移度：按照风速切割功率区间，采用类似BIN方法进行统计，计算同一风场不同机组间的发电性能差异。

离散度：按照功率切割风速区间，采用类似BIN方法进行统计，计算同一风场不同机组间的数据分布方差。

偏移度和离散度的识别中，为了避免已在纵向识别中选取的劣化点作为噪声影响数据分布，选取scatter_po i nt标记为0的数据，并去除在数据清洗过程中被删除的数据，保证偏移度和离散度算法的稳健性。

图4示出了本发明风电机组性能分析系统的结构图。参见图4，风电机组性能分析系统包括：中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (10)

1.一种风电机组性能分析方法，其特征在于，包括：

使用图像识别算法及聚类算法，对风速功率曲线数据的异常情况进行识别，从而将风速功率曲线数据区分为正常曲线数据和劣化曲线数据；

通过识别曲线特征上的劣化变现，识别劣化曲线数据中的不同劣化模式；

提取正常曲线数据的特征，构建横向对比的特征信息；

通过将劣化曲线数据与特征信息的比对，以及先验知识的指导，分析造成劣化曲线数据发生数据劣化的原因。

2.根据权利要求1所述的风电机组性能分析方法，其特征在于，通过提取正常曲线数据的特征，所构建横向对比的特征信息包括：离线特征信息，以及在线特征信息。

3.根据权利要求1所述的风电机组性能分析方法，其特征在于，通过将劣化曲线数据与特征信息的比对，以及先验知识的指导，分析造成劣化曲线数据发生数据劣化的原因，包括：

针对发现的不同劣化模式，在时间—功率序列上进行连续性验证；

将构建的特征信息与劣化曲线数据的比对，给出控制类劣化原因；

添加离散度与偏移度的劣化识别，给出统计类劣化原因及图像类劣化原因。

4.根据权利要求3所述的风电机组性能分析方法，其特征在于，特征信息包括：散点抽取特征信息、风速仪损坏特征信息、限功模式特征信息、桨叶角受限特征信息、故障频繁复位特征信息、齿轮箱油温过高特征信息、发电机转速受限特征信息、桨叶角波动特征信息。

5.根据权利要求3所述的风电机组性能分析方法，其特征在于，针对发现的不同劣化模式，在时间—功率序列上进行连续性验证，包括：

通过直线检测算法，在时间—功率序列上进行连续性验证。

6.根据权利要求3所述的风电机组性能分析方法，其特征在于，通过将劣化曲线数据与特征信息的比对，以及先验知识的指导，分析造成劣化曲线数据发生数据劣化的原因，还包括：

给出造成数据劣化的部件位置。

7.根据权利要求1所述的风电机组性能分析方法，其特征在于，还包括：

利用先验知识，对原始风速功率曲线数据进行数据清洗。

8.根据权利要求1所述的风电机组性能分析方法，其特征在于，利用先验知识，对原始风速功率曲线数据进行数据清洗，包括：

利用图像降噪算法，对原始风速功率曲线数据进行数据清洗。

9.根据权利要求1所述的风电机组性能分析方法，其特征在于，利用图像降噪算法，对原始风速功率曲线数据进行数据清洗，包括：

利用图像降噪算法，对原始风速功率曲线中的散点进行清除。

10.一种风电机组性能分析系统，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的风电机组性能分析方法。

Images