CN111242411B - 一种风电机组功率特性评价方法及系统 - Google Patents
一种风电机组功率特性评价方法及系统 Download PDFInfo
- Publication number
- CN111242411B CN111242411B CN201911374591.8A CN201911374591A CN111242411B CN 111242411 B CN111242411 B CN 111242411B CN 201911374591 A CN201911374591 A CN 201911374591A CN 111242411 B CN111242411 B CN 111242411B
- Authority
- CN
- China
- Prior art keywords
- power
- probability density
- power characteristic
- wind turbine
- turbine generator
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000007774 longterm Effects 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 22
- 230000006870 function Effects 0.000 description 44
- 238000004458 analytical method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 229910052731 fluorine Inorganic materials 0.000 description 3
- 125000001153 fluoro group Chemical group F* 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
一种风电机组功率特性评价方法及系统,所述方法包括基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集;基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型;基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价。本发明提供的技术方案采用核密度估计方法,合理划分的数据集,求解随机变量的分布密度函数,满足风电机组功率特性散点图在一定风速范围内即符合随机分布特征,避免信息损失,从而实现对风电机组功率特性的全面评价。
Description
技术领域
本发明涉及新能源发电领域,具体涉及一种风电机组功率特性评价方法及系统。
背景技术
风电机组功率特性是风电机组直接与发电量相关的重要性能指标之一,它反映了自由流风速与风电机组输出净功率之间的关系。风电机组功率特性差就表示相同容量的风电机组发电量低,意味着投资商得不到应有的回报,所以功率特性受到风电机组制造商和风电场开发商的极大关注。
风电机组功率特性测试是获得风电机组这一性能指标最直接的方法,一些标准中规定了开展风电机组功率特性测试的方法,依据标准开展功率特性测试至少需要3个月左右的时间,需要设立测风塔,成本较高,且测试报告给出的均为阶段性计算结果,难以实现对风电机组功率特性的长期监测。功率特性测试结果包括功率特性曲线、功率系数及年发电量,均为一段时间内发电功率的平均结果,不包括对功率曲线参数的全面评价和持续追踪分析。
目前,监控与数据采集(Supervisory Control and Data Acquisition,SCADA)系统在大型风电机组中得到了广泛应用,能够及时、全面地了解风电机组的运行状态。监控与数据采集系统可定期实时监控风电机组所有部件或子系统的运行状况,集信息采集、状态监测、参数调节于一体,为风电机组长期安全运行提供了技术支持。监控与数据采集系统提供的风电机组输出功率、运行状态及机舱风速等信息,能够实现对风电机组功率特性的全面、长期评价。但是风电机组功率特性曲线在长期运行过程中表现为散点图,单纯对散点进行分段平均会损失部分信息,从而影响对风电机组功率特性的评价。
传统方法对功率特性进行评价时,一般采用设计功率曲线和测试功率曲线进行对比的方式,以固定的风速区间宽度进行数据集划分,单纯对数据集中的散点进行分段平均来得到功率曲,无法实现功率特性的长期监测,且由于设计功率曲线考虑理想条件,在实际运行中评价精度较差,评价参数单一。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供一种风电机组功率特性评价方法及系统。
本发明提供的技术方案是:
一种风电机组功率特性评价方法,其改进之处在于,所述方法包括:
基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集;
基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型;
基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价。
优选地,所述基于预先构建的基准数据集构建功率特性基准概率密度模型包括:
基于预先设置的基准数据集,将风速划分为多个风速区间;
采用核密度估计方法计算每个风速区间的输出功率概率分布;
基于所述输出功率概率分布的最大值生成概率密度功率曲线,若所述概率密度功率曲线的精度不满足预先设置的精度要求,则调整风速区间的宽度,重新划分风速区间,并计算每个风速区间的输出功率概率分布,生成基准概率密度功率曲线,直至所述基准概率密度功率曲线的精度满足预先设置的精度要求;
基于所述重新划分的风速区间、每个风速区间的输出功率概率分布和基准概率密度功率曲线建立功率特性基准概率密度模型。
优选地,所述基准数据集为风电机组从装机之后m年内的原始运行数据进行数据清洗后的数据集合,其中m<=2;
所述精度要求为相邻风速区间的所述概率密度功率曲线变化不大于额定功率的10%的宽度。
优选地,所述基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型包括:
基于所述待测数据集,在所述功率特性基准概率密度模型中重新划分的每个风速区间内,计算得到每个风速区间的输出功率概率分布;
选择所述每个风速区间输出功率概率分布的最大值生成实际概率密度功率曲线;
基于所述重新划分的风速区间、每个风速区间的输出功率概率分布和实际概率密度功率曲线,建立功率特性实际概率密度模型。
优选地,所述基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价包括:
基于所述功率特性基准概率密度模型中的功率特性基准概率密度功率曲线和功率特性实际概率密度模型中的功率特性实际概率密度功率曲线,对风电机组运行过程中的功率曲线控制准确率、功率特性曲线概率密度中心偏离、能量损失率进行评价。
优选地,所述输出功率概率分布按下式进行计算:
其中,缩放核函数Kh(x)按下式进行计算:
Kh(x)=1/h K(x/h)。
所述核函数K(x)按下式进行计算:
优选地,所述带宽h按下式进行计算:
优选地,所述功率曲线控制准确率按下式进行计算:
式中,Rcontrol:功率曲线控制准确率;Ad:输出功率基准概率分布和实际概率分布的符合区域;AF:输出功率基准概率分布;
所述功率特性曲线概率密度中心偏离按下式进行计算:
Dcentre=Pp-PF
式中,Dcentre:功率特性曲线概率密度中心偏离;Pp:待评价数据集输出功率概率分布的最大值;PF:基准概率密度模型最大概率功率;
所述能量损失率按下式进行计算:
式中,Elose:能量损失率;AF:输出功率基准概率分布;AP:输出功率实际概率分布。
优选地,所述基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集包括:
对风电机组数据采集与监视控制系统的运行数据进行清洗,筛选风电机组正常发电状态的数据,构建待测数据集成;
所述对风电机组数据采集与监视控制系统的运行数据进行清洗包括:删除明显错误值、缺失值、异常值和可疑数据;筛选风电机组正常发电状态的数据;删除电网限电、风电机组维护、调试和非正常模式运行状态下的运行数据;删除湍流强度大于0.2,气温高于40摄氏度或低于2摄氏度,风速大于20m/s,以及有降水时的运行数据。
一种风电机组功率特性评价系统,包括:数据模块、模型模块和评价模块;
数据模块:用于基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集;
模型模块:用于基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型;
评价模块:用于基于所述功率特性基准概率密度模型和功率特性实际密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价。
与现有技术相比,本发明的有益效果为:
本发明提供的技术方案对监控与数据采集系统的运行数据进行清洗,采用核密度估计方法,合理划分的数据集,求解随机变量的分布密度函数,建立功率特性基准概率密度模型和功率特性实际概率密度模型,采用对比的方法,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价,满足风电机组功率特性散点图在一定风速范围内即符合随机分布特征,避免信息损失,实现对风电机组功率特性的全面评价。
本发明提供的技术方案采用可变的风速区间划分方式,解决固定宽度风速区间划分可能无法满足分析精度的问题。
本发明提供的技术方案无需设立测风塔,成本低,计算效率高,能够方便快捷地实现对风电机组功率特性的长期监测。
附图说明
图1为本发明风电机组功率特性评价方法示意图;
图2为本发明风电机组功率特性评价系统示意图;
图3为本发明实施例3中风电机组功率特性评价流程图;
图4为本发明实施例3中原始数据直接得到的功率特性散点图;
图5为本发明实施例3中使用清洗后的数据得到的功率特性散点图;
图6为本发明实施例3中概率密度功率曲线示意图;
图7为本发明实施例3中功率曲线控制准确率示意图;
图8为本发明实施例3中功率曲线控制准确率Rcontrol的计算结果示例;
图9为本发明实施例3中功率特性曲线概率密度中心偏离Dcentre的计算结果示例;
图10为本发明实施例3中能量损失率Elose的计算结果示例。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1、
一种风电机组功率特性评价方法,所述方法包括:
步骤1:基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集;
步骤2:基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型;
步骤3:基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价。
步骤1:基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集,包括:
对风电机组数据采集与监视控制系统的运行数据进行清洗,筛选风电机组正常发电状态的数据,构建待测数据集成;
所述对风电机组数据采集与监视控制系统的运行数据进行清洗包括:删除明显错误值、缺失值、异常值和可疑数据;筛选风电机组正常发电状态的数据;删除电网限电、风电机组维护、调试和非正常模式运行状态下的运行数据;删除湍流强度大于0.2,气温高于40摄氏度或低于2摄氏度,风速大于20m/s,以及有降水时的运行数据。
步骤2:基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型。
具体地,所述基于预先构建的基准数据集构建功率特性基准概率密度模型包括:
基于预先设置的基准数据集,将风速划分为多个风速区间;
采用核密度估计方法计算每个风速区间的输出功率概率分布;
基于所述输出功率概率分布的最大值生成概率密度功率曲线,若所述概率密度功率曲线的精度不满足预先设置的精度要求,则调整风速区间的宽度,重新划分风速区间,并计算每个风速区间的输出功率概率分布,生成基准概率密度功率曲线,直至所述基准概率密度功率曲线的精度满足预先设置的精度要求;
基于所述重新划分的风速区间、每个风速区间的输出功率概率分布和基准概率密度功率曲线建立功率特性基准概率密度模型。
具体地,所述基准数据集为风电机组从装机之后m年内的原始运行数据进行数据清洗后的数据集合,其中m<=2;
所述精度要求为相邻风速区间的所述概率密度功率曲线变化不大于额定功率的10%的宽度。
具体地,所述基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型包括:
基于所述待测数据集,在所述功率特性基准概率密度模型中重新划分的每个风速区间内,计算得到每个风速区间的输出功率概率分布;
选择所述每个风速区间输出功率概率分布的最大值生成实际概率密度功率曲线;
基于所述重新划分的风速区间、每个风速区间的输出功率概率分布和实际概率密度功率曲线,建立功率特性实际概率密度模型。
具体地,所述输出功率概率分布按下式进行计算:
其中,缩放核函数Kh(x)按下式进行计算:
Kh(x)=1/h K(x/h);
所述核函数K(x)按下式进行计算:
具体地,所述带宽h按下式进行计算:
步骤3,所述基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价包括:
基于所述功率特性基准概率密度模型中的功率特性基准概率密度功率曲线和功率特性实际概率密度模型中的功率特性实际概率密度功率曲线,对风电机组运行过程中的功率曲线控制准确率、功率特性曲线概率密度中心偏离、能量损失率进行评价。
具体地,所述功率曲线控制准确率按下式进行计算:
式中,Rcontrol:功率曲线控制准确率;Ad:输出功率基准概率分布和实际概率分布的符合区域;AF:输出功率基准概率分布;
所述功率特性曲线概率密度中心偏离按下式进行计算:
Dcentre=Pp-PF
式中,Dcentre:功率特性曲线概率密度中心偏离;Pp:待评价数据集输出功率概率分布的最大值;PF:基准概率密度模型最大概率功率;
所述能量损失率按下式进行计算:
式中,Elose:能量损失率;AF:输出功率基准概率分布;AP:输出功率实际概率分布。
实施例2、
一种风电机组功率特性评价系统,包括:数据模块、模型模块和评价模块;
数据模块:用于基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集;
模型模块:用于基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型;
评价模块:用于基于所述功率特性基准概率密度模型和功率特性实际密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价。
构建模块中,所述基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集包括:
对风电机组数据采集与监视控制系统的运行数据进行清洗,筛选风电机组正常发电状态的数据,构建待测数据集成;
所述对风电机组数据采集与监视控制系统的运行数据进行清洗包括:删除风电机组数据采集与监视控制系统的运行数据中的明显错误值、缺失值、异常值和可疑数据;筛选风电机组正常发电状态的数据;删除电网限电、风电机组维护、调试和非正常模式运行状态下的运行数据;删除湍流强度大于0.2,气温高于40摄氏度或低于2摄氏度,风速大于20m/s,以及有降水时的运行数据。
模型模块,所述基于预先构建的基准数据集构建功率特性基准概率密度模型包括:
基于预先设置的基准数据集,将风速划分为多个风速区间;
采用核密度估计方法计算每个风速区间的输出功率概率分布;
基于所述输出功率概率分布的最大值生成概率密度功率曲线,若所述概率密度功率曲线的精度不满足预先设置的精度要求,则调整风速区间的宽度,重新划分风速区间,并计算每个风速区间的输出功率概率分布,生成基准概率密度功率曲线,直至所述基准概率密度功率曲线的精度满足预先设置的精度要求;
基于所述重新划分的风速区间、每个风速区间的输出功率概率分布和基准概率密度功率曲线建立功率特性基准概率密度模型。
具体地,所述基准数据集为风电机组从装机之后m年内的原始运行数据进行数据清洗后的数据集合,其中m<=2;
所述精度要求为相邻风速区间的所述概率密度功率曲线变化不大于额定功率的10%的宽度。
具体地,所述基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型包括:
基于所述待测数据集,在所述功率特性基准概率密度模型中重新划分的每个风速区间内,计算得到每个风速区间的输出功率概率分布;
选择所述每个风速区间输出功率概率分布的最大值生成实际概率密度功率曲线;
基于所述重新划分的风速区间、每个风速区间的输出功率概率分布和实际概率密度功率曲线,建立功率特性实际概率密度模型。
具体地,所述输出功率概率分布按下式进行计算:
其中,缩放核函数Kh(x)按下式进行计算:
Kh(x)=1/h K(x/h);
具体地,所述核函数K(x)按下式进行计算:
具体地,所述带宽h按下式进行计算:
评价模块中,所述基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价包括:
基于所述功率特性基准概率密度模型中的功率特性基准概率密度功率曲线和功率特性实际概率密度模型中的功率特性实际概率密度功率曲线,对风电机组运行过程中的功率曲线控制准确率、功率特性曲线概率密度中心偏离、能量损失率进行评价。
具体地,所述功率曲线控制准确率按下式进行计算:
式中,Rcontrol:功率曲线控制准确率;Ad:输出功率基准概率分布和实际概率分布的符合区域;AF:输出功率基准概率分布;
所述功率特性曲线概率密度中心偏离按下式进行计算:
Dcentre=Pp-PF
式中,Dcentre:功率特性曲线概率密度中心偏离;Pp:待评价数据集输出功率概率分布的最大值;PF:基准概率密度模型最大概率功率;
所述能量损失率按下式进行计算:
式中,Elose:能量损失率;AF:输出功率基准概率分布;AP:输出功率实际概率分布。
实施例3、
风电机组功率特性曲线在长期运行过程中表现为散点图,单纯对散点进行分段平均会损失部分信息,因此需要引入概率统计学方法。由给定样本集合求解随机变量的分布密度函数问题是概率统计学的基本问题之一,风电机组功率特性散点图在一定风速范围内即符合随机分布特征,解决这一问题的方法包括参数估计和非参数估计。
参数估计又可分为参数回归分析和参数判别分析。在参数回归分析中,人们假定数据分布符合某种特定的性态,如线性、可化线性或指数性态等,然后在目标函数族中寻找特定的解,即确定回归模型中的未知参数。在参数判别分析中,人们需要假定作为判别依据的、随机取值的数据样本在各个可能的类别中都服从特定的分布。经验和理论说明,参数模型的这种基本假定与实际的物理模型之间常常存在较大的差距,这些方法并非总能取得令人满意的结果。
由于上述缺陷,Rosenblatt和Parzen提出了非参数估计方法,即核密度估计方法。由于核密度估计方法不利用有关数据分布的先验知识,对数据分布不附加任何假定,是一种从数据样本本身出发研究数据分布特征的方法,因而,在统计学理论和应用领域均受到高度的重视。核密度估计Kernel Density Estimation(KDE)是在概率论中用来估计未知的密度函数,属于非参数检验方法之一。对于解决一系列空间点数据,核密度估计较好的可视化方法。
风电机组功率特性评价方法的具体流程如图3所示,下面进行详细说明:
步骤1:基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集。
数据清洗是发现并纠正数据文件中可识别错误的一道程序,该步骤针对数据审查过程中发现的明显错误值、缺失值、异常值、可疑数据,选用适当方法进行“清理”,使“脏”数据变为“干净”数据,有利于后续的统计分析得出可靠的结论。
风电机组运行条件较为复杂,在长期运行过程中受天气条件变化、电网条件变化、维护检修、运行程序调整等因素的影响,采集监控与数据采集系统的运行数据包括风电机组在所有运行工况和气象条件下的数据,直接使用原始数据得到的功率特性散点图,将导致功率特性评价结果存在很大偏差。因此,需要对原始数据进行清洗,使用原始数据直接得到的功率特性散点图见图4,使用清洗后的数据得到的功率特性散点图见图5。
运行数据的清洗包括:
异常值筛选:对监控与数据采集系统运行数据进行核查,删除核查过程中发现的明显错误值、缺失值、异常值、可疑数据;
运行状态筛选:根据监控与数据采集系统给出的风电机组运行状态,筛选风电机组正常发电状态的数据;
故障状态筛选:根据现场运行记录,删除电网限电、风电机组维护、调试、非正常模式运行等状态的数据;
气象条件筛选:根据气象数据,删除湍流强度大于0.2,气温高于40摄氏度或低于2摄氏度,风速大于20m/s,以及有降水时的数据。
步骤2:基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型。
在风电机组实际运行中,难以长期设立测风塔进行功率特性监测,使用监控与数据采集系统的运行数据进行功率特性评价是一种较为合理的方式。
然而,监控与数据采集系统测得的机舱风速,和功率特性测试过程中由测风塔上风速计测得的风速之间存在差异;风电机组实际运行功率曲线和设计功率曲线之间也存在差异。设计功率曲线和测试功率曲线都无法在使用风电机组监控与数据采集系统数据进行功率特性评价时作为基准模型。
因此,需要选取风电机组一段平稳运行的时期,对监控与数据采集系统的运行数据进行清洗后,经过概率密度统计,得到功率特性基准模型。选择风电机组从装机之后1年内的数据作为基准数据集,因为这一时间段内的风电机组故障率和检修率较低,运行状态相对较好。
在风电机组平稳运行时,将功率特性散点按一定的风速区间进行划分,在较小范围的风速区间范围内,输出功率的概率分布接近正态分布,可以使用核密度估计(KernelDensity Estimation,KDE)的方法,采用平滑的峰值函数作为核函数来拟合观察到的数据点,从而对真实的概率分布曲线进行模拟。
KDE是一种用于估计概率密度函数的非参数方法,x1,x2……xn为独立的n个样本点,设其风速区间i概率密度函数为fi,核密度估计输出功率概率分布按下式进行计算:
其中,缩放核函数Kh(x)按下式进行计算:
Kh(x)=1/h K(x/h)
式中,K为核函数,非负、积分为1,符合概率密度性质,并且均值为0。核函数有多种:uniform,triangular,biweight,triweight,Epanechnikov,normal。
使用Epanechnikov内核,其在均方误差意义下是最优的,效率损失也很小。所述核函数K(x)按下式进行计算:
带宽h为一个大于0的平滑参数,称作带宽。带宽反映了核密度估计曲线整体的平坦程度,也即观察到的数据点在核密度估计曲线形成过程中所占的比重。带宽越大,观察到的数据点在最终形成的曲线形状中所占比重越小,核密度估计整体曲线就越平坦;带宽越小,观察到的数据点在最终形成的曲线形状中所占比重越大,KDE整体曲线就越陡峭。带宽的选择以使误差最小为目标,用平均积分平方误差(mean intergrated squared error,MISE)的大小来衡量h的优劣。
定义每个风速区间i内,输出功率概率分布的最大值作为该风速区间的最大概率功率,如图6(a)所示。由所有风速区间的最大概率功率得到概率密度功率曲线,概率密度功率曲线及其与使用风速区间输出功率平均值得到的“均值功率曲线”的对比见图6(b)。
风电机组功率特性是风速和输出功率的函数,要对功率分布进行概率密度分析,需要先合理划分风速区间。传统的方法是依据IEC61400-12-1:2017标准进行划分。但在实际分析中,使用该划分方法往往不能满足分析精度要求。
采用可变的风速区间划分方式,从风电机组切入风速起,到运行数据收集到的最高风速为止,区间宽度的设定要能够满足概率密度功率曲线分析精度要求。
功率特性基准概率密度模型的建立步骤如下:
将风速划分为以0.5m/s的整数倍为中心,宽度为0.5m/s的风速区间;
基于基准数据集,采用核密度估计方法计算每个风速区间的输出功率概率分布;
基于所述输出功率概率分布的最大值生成概率密度功率曲线,若所述概率密度功率曲线的精度不满足预先设置的精度要求,则重新划分风速区间,并计算每个风速区间的输出功率概率分布,生成基准概率密度功率曲线,直至所述基准概率密度功率曲线的精度满足预先设置的精度要求,建立功率特性基准概率密度模型;
所述预先设置的精度要求为相邻风速区间的所述概率密度功率曲线变化不大于额定功率的10%的宽度。
基于所述待测数据集,在所述功率特性基准概率密度模型的每个风速区间内,计算得到每个风速区间的输出功率概率分布;
选择所述每个风速区间输出功率概率分布的最大值生成实际概率密度功率曲线,建立功率特性实际概率密度模型。
步骤3,所述基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价包括:
基于所述功率特性基准概率密度模型中的功率特性基准概率密度功率曲线和功率特性实际概率密度模型中的功率特性实际概率密度功率曲线,对风电机组运行过程中的功率曲线控制准确率、功率特性曲线概率密度中心偏离、能量损失率进行评价。
将所述功率特性基准概率密度模型的基准概率密度功率曲线与实际概率密度功率曲线进行比较、计算,评价风电机组长期运行过程中功率特性参数相对变化情况。
功率曲线控制准确率Rcontrol
在每个风速区间内,功率特性基准概率密度模型给出的输出功率概率分布为基准概率分布,即包络面积为AF,由待评价数据得到的输出功率概率分布为实际概率分布,功率曲线控制准确率Rcontrol是指基准概率分布和实际概率分布的符合区域Ad所占比例,如图7所示。功率曲线控制准确率Rcontrol的计算结果示例见图8。
式中,Rcontrol:功率曲线控制准确率;Ad:输出功率基准概率分布和实际概率分布的符合区域;AF:输出功率基准概率分布;
功率特性曲线概率密度中心偏离Dcentre
每个风速区间内,待评价数据输出功率概率分布的最大值,即实际最大概率功率Pp和基准概率密度模型最大概率功率PF的差值。功率特性曲线概率密度中心偏离Dcentre的计算结果示例见图9。
Dcentre=Pp-PF
式中,Dcentre:功率特性曲线概率密度中心偏离;Pp:待评价数据集输出功率概率分布的最大值;PF:基准概率密度模型最大概率功率;
能量损失率Elose
每个风速区间内的能量损失率Elose为输出功率基准概率分布,即包络面积AF,与实际概率分布,即包络面积AP差值所占比例。能量损失率Elose的计算结果示例见图10。
式中,Elose:能量损失率;AF:输出功率基准概率分布;AP:输出功率实际概率分布。
上述事实说明,本发明提供的技术方案,采用核密度估计方法,合理划分的数据集,求解随机变量的分布密度函数,建立功率特性基准概率密度模型和功率特性实际概率密度模型,采用对比的方法,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价,满足风电机组功率特性散点图在一定风速范围内即符合随机分布特征,避免信息损失,能够实现对风电机组功率特性的全面评价。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (6)
1.一种风电机组功率特性评价方法,其特征在于,所述方法包括:
基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集;
所述基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集包括:
对风电机组数据采集与监视控制系统的运行数据进行清洗,筛选风电机组正常发电状态的数据,构建待测数据集;
所述对风电机组数据采集与监视控制系统的运行数据进行清洗包括:删除明显错误值、缺失值、异常值和可疑数据;筛选风电机组正常发电状态的数据;删除电网限电、风电机组维护、调试和非正常模式运行状态下的运行数据;删除湍流强度大于0.2,气温高于40摄氏度或低于2摄氏度,风速大于20m/s,以及有降水时的运行数据;
基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型;
所述基于预先构建的基准数据集构建功率特性基准概率密度模型包括:
基于预先设置的基准数据集,将风速划分为多个风速区间;
采用核密度估计方法计算每个风速区间的输出功率概率分布;
基于所述输出功率概率分布的最大值生成概率密度功率曲线,若所述概率密度功率曲线的精度不满足预先设置的精度要求,则调整风速区间宽度,重新划分风速区间,并计算每个风速区间的输出功率概率分布,生成基准概率密度功率曲线,直至所述基准概率密度功率曲线的精度满足预先设置的精度要求;
基于所述重新划分的风速区间、每个风速区间的输出功率概率分布和基准概率密度功率曲线建立功率特性基准概率密度模型;
所述基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型包括:
基于所述待测数据集,在所述功率特性基准概率密度模型中重新划分的每个风速区间内,计算得到每个风速区间的输出功率概率分布;
选择所述每个风速区间的输出功率概率分布的最大值生成实际概率密度功率曲线;
基于所述重新划分的风速区间、每个风速区间的输出功率概率分布和实际概率密度功率曲线,建立功率特性实际概率密度模型;
基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化的情况进行评价;
所述基于所述功率特性基准概率密度模型和功率特性实际概率密度模型,对风电机组长期运行过程中功率特性参数相对变化情况的进行评价包括:
基于所述功率特性基准概率密度模型中的功率特性基准概率密度功率曲线和功率特性实际概率密度模型中的功率特性实际概率密度功率曲线,对风电机组运行过程中的功率曲线控制准确率、功率特性曲线概率密度中心偏离、能量损失率进行评价。
2.如权利要求1所述的风电机组功率特性评价方法,其特征在于,
所述基准数据集为风电机组从装机之后m年内的原始运行数据进行数据清洗后的数据集合,其中m<=2;
所述精度要求为相邻风速区间的所述概率密度功率曲线变化不大于额定功率的10%的宽度。
6.一种采用如权利要求1-5任一项所述风电机组功率特性评价方法的系统,其特征在于,所述系统包括:数据模块、模型模块和评价模块;
数据模块:用于基于风电机组的监控与数据采集系统中的运行数据,构建待测数据集;
模型模块:用于基于预先构建的基准数据集构建功率特性基准概率密度模型;基于所述待测数据集和所述功率特性基准概率密度模型构建功率特性实际概率密度模型;
评价模块:用于基于所述功率特性基准概率密度模型和功率特性实际密度模型,对风电机组长期运行过程中功率特性参数相对变化的情况进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374591.8A CN111242411B (zh) | 2019-12-27 | 2019-12-27 | 一种风电机组功率特性评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374591.8A CN111242411B (zh) | 2019-12-27 | 2019-12-27 | 一种风电机组功率特性评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242411A CN111242411A (zh) | 2020-06-05 |
CN111242411B true CN111242411B (zh) | 2022-08-19 |
Family
ID=70874117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911374591.8A Active CN111242411B (zh) | 2019-12-27 | 2019-12-27 | 一种风电机组功率特性评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242411B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7374868B2 (ja) * | 2020-08-28 | 2023-11-07 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005240785A (ja) * | 2004-02-27 | 2005-09-08 | Mitsubishi Heavy Ind Ltd | 浮体式風力発電装置の設計方法及び浮体式風力発電装置の設計用プログラム |
CN103758696A (zh) * | 2014-01-09 | 2014-04-30 | 华北电力大学 | 基于scada温度参数的风电机组安全状况评价方法 |
CN105911467A (zh) * | 2016-04-21 | 2016-08-31 | 华电电力科学研究院 | 复杂地形下的风电机组功率曲线考核评估方法 |
CN108418204A (zh) * | 2018-02-12 | 2018-08-17 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
CN110083896A (zh) * | 2019-04-12 | 2019-08-02 | 沈阳工业大学 | 风电机组运行功率曲线达标符合度评价方法 |
-
2019
- 2019-12-27 CN CN201911374591.8A patent/CN111242411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005240785A (ja) * | 2004-02-27 | 2005-09-08 | Mitsubishi Heavy Ind Ltd | 浮体式風力発電装置の設計方法及び浮体式風力発電装置の設計用プログラム |
CN103758696A (zh) * | 2014-01-09 | 2014-04-30 | 华北电力大学 | 基于scada温度参数的风电机组安全状况评价方法 |
CN105911467A (zh) * | 2016-04-21 | 2016-08-31 | 华电电力科学研究院 | 复杂地形下的风电机组功率曲线考核评估方法 |
CN108418204A (zh) * | 2018-02-12 | 2018-08-17 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
CN110083896A (zh) * | 2019-04-12 | 2019-08-02 | 沈阳工业大学 | 风电机组运行功率曲线达标符合度评价方法 |
Non-Patent Citations (4)
Title |
---|
一种改进的风电功率预测误差分布模型;刘斌等;《华东电力》;20120224;全文 * |
用于含风电场的电力系统概率潮流计算的高斯混合模型;叶林等;《中国电机工程学报》;20170217(第15期);全文 * |
风电功率预测误差分段指数分布模型;刘芳等;《电力系统自动化》;20130925(第18期);全文 * |
风电机组功率曲线建模方法对比研究;齐霞,安磊,张妍,李芬花,张浩,阎洁,韩爽,李莉;《可再生能源》;20180420;580-585 * |
Also Published As
Publication number | Publication date |
---|---|
CN111242411A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375476B (zh) | 一种水电机组健康评估方法 | |
Reder et al. | Data-driven learning framework for associating weather conditions and wind turbine failures | |
CN104123682B (zh) | 一种基于气象影响因素的配网故障风险评估方法 | |
CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN108443088B (zh) | 一种基于累计概率分布的风电机组状态判定方法 | |
Yun et al. | Probabilistic estimation model of power curve to enhance power output forecasting of wind generating resources | |
CN104252649A (zh) | 一种计及多风电场相关性的区域风电出力预测方法 | |
KR20110116378A (ko) | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 | |
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 | |
CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
CN113626767B (zh) | 一种风机限电识别方法、系统、设备和存储介质 | |
CN110457821A (zh) | 风功率曲线多目标综合评价方法、装置及服务器 | |
CN111242411B (zh) | 一种风电机组功率特性评价方法及系统 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
Huang et al. | Wind turbine health assessment framework based on power analysis using machine learning method | |
CN110273818B (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
BR112021013153A2 (pt) | Método, sistema e produto de programa de computador para avaliação de consumo de energia em ambientes industriais | |
Qu et al. | A data cleaning model for electric power big data based on spark framework | |
CN115898787A (zh) | 一种风电机组静态偏航误差动态识别方法及装置 | |
Pandit et al. | Comparison of binned and Gaussian Process based wind turbine power curves for condition monitoring purposes | |
CN115545966A (zh) | 一种光伏组串电量损失分析与识别方法及其存储介质 | |
CN111950131B (zh) | 一种考虑限电因素的风电场出力等值聚合模型构建方法 | |
CN111738556B (zh) | 一种基于机头微气候评估风机发电能力的方法 |
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 |