CN111881420A - 一种风电机组运行数据插补方法 - Google Patents

一种风电机组运行数据插补方法 Download PDF

Info

Publication number
CN111881420A
CN111881420A CN202010775485.7A CN202010775485A CN111881420A CN 111881420 A CN111881420 A CN 111881420A CN 202010775485 A CN202010775485 A CN 202010775485A CN 111881420 A CN111881420 A CN 111881420A
Authority
CN
China
Prior art keywords
data
interpolation
generator
time window
wind
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
CN202010775485.7A
Other languages
English (en)
Other versions
CN111881420B (zh
Inventor
尹诗
侯国莲
朱志成
迟岩
周继威
胡晓东
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.)
North China Electric Power University
Zhongneng Power Tech Development Co Ltd
Original Assignee
North China Electric Power University
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 North China Electric Power University, Zhongneng Power Tech Development Co Ltd filed Critical North China Electric Power University
Priority to CN202010775485.7A priority Critical patent/CN111881420B/zh
Publication of CN111881420A publication Critical patent/CN111881420A/zh
Application granted granted Critical
Publication of CN111881420B publication Critical patent/CN111881420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • F03D7/00—Controlling wind motors 
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Sustainable Energy (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Combustion & Propulsion (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Sustainable Development (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种风电机组运行数据插补方法，该方法包括确定待插补缺失数据的数据类型以及所述待插补缺失数据的时间窗口，所述数据类型包括环境类数据和/或机组类数据；根据数据类型确定与该数据类型对应的插补策略完成缺失数据的插补；该方法利用多元时间序列数据分析、工况辨识及深度学习的基础上形成的运行数据插补方法，方法切实可行，结论合理，有助于提升风电机组运行数据完整度，对后续数据分析挖掘提供了准确可靠的数据基础。

Description

一种风电机组运行数据插补方法
技术领域
本发明涉及数据插补技术领域，特别是涉及一种利用多元时间序列数据分析、工况辨识及深度学习的基础上形成的风电机组运行数据插补方法。
背景技术
在当前的能源环境背景下，新能源发电特别是风力发电的发展受到了广泛的关注。发展风电成为了减少国民经济对化石能源的依赖、解决能源生产与消费之间的矛盾和减少温室气体排放保持生态平衡的重要途径。随着资源与环境双重压力的持续增大，发展风力发电已成为我国甚至是国际未来能源利用的发展方向。
在风电机组实际运行过程中，因传感器故障、光纤环网通讯故障、机组掉电、数据采集接口故障、采集软硬件宕机等情况影响，造成数据不完整、不一致、冗余、冲突、错误等问题，数据的质量问题对信息监视、业务处理和数据分析带来了潜在的隐患。在多元时间序列中，由于经过数据质量清洗、传输、接口等原因造成数据缺失，为提升数据质量，将缺失的数据进行插补，为后续基于数据的分析应用奠定了基础。
发明内容
本发明提供了一种风电机组运行数据插补方法。
本发明提供了如下方案：
一种风电机组运行数据插补方法，包括：
确定待插补缺失数据的数据类型以及所述待插补缺失数据的时间窗口，所述数据类型包括环境类数据和/或机组类数据；
根据数据类型确定与该数据类型对应的插补策略完成缺失数据的插补。
优选地：所述数据类型为环境类数据，所述插补策略包括第一插补策略，所述第一插补策略包括：
利用基于双向群相似机组的方法获取所述时间窗口前一段时间的环境类数据以及所述时间窗口后一段时间的环境类数据。
优选地：所述基于双向群相似机组的方法，包括：
根据所述时间窗口前一段时间和所述时间窗口后一段时间的环境类数据分别确定相关性最高的同一风电场的其他机组；
获取相似性最高的两台机组在所述时间窗口内的环境类数据的均值作为所述时间窗口的环境类插补数据。
优选地：所述数据类型为机组类数据，所述插补策略包括第二插补策略，所述第二插补策略包括：
对机组类数据中包含的强相关性机组类数据进行插补获得插补完成的强相关性机组类数据；
建立基于GMM的机组运行工况辨识模型，利用所述插补完成的强相关性机组类数据以及所述工况辨识模型对工况进行识别；
在相同工况下选取对应非强相关性机组类数据并建立基于双向的GAN网络模型获取所述时间窗口前一段时间的非强相关性机组类插补数据以及所述时间窗口后一段时间的非强相关性机组类插补数据。
优选地：所述强相关性机组类数据包括发电机转速和有功功率；所述对机组类数据中包含的强相关性机组类数据进行插补，包括：
利用基于风速功率拟合曲线和风速发电机转速拟合曲线获取所述时间窗口的有功功率和发电机转速插补数据。
优选地：所述利用基于风速功率拟合曲线和风速发电机转速拟合曲线获取所述时间窗口的有功功率和发电机转速插补数据，包括：
利用历史SCADA数据建立拟合的风速功率拟合曲线和风速发电机转速曲线，包括按拉依达准则将SCADA数据去除离奇值，并在此基础上进行中值滤波，利用分风速段求均值后再利用多项式拟合算法得到风速有功功率曲线和风速发电机转速曲线，以便利用获得的基于风速功率拟合曲线和风速发电机转速拟合曲线获取所述时间窗口的有功功率和发电机转速插补数据。
优选地：所述强相关性机组类数据包括叶轮转速、无功功率；根据获得的发电机转速数据利用发电机转速与叶轮转速的对应关系获得叶轮转速的缺失数据；根据获得的有功功率的数据利用有功功率与无功功率的对应关系获得无功功率的缺失数据。
优选地：所述发电机转速与叶轮转速的对应关系，包括：
若是双馈风力发电机组或半直驱风力发电机组，发电机转速等于叶轮转速除以齿轮箱传动比；
若是直驱风力发电机组，发电机转速等于叶轮转速；
所述有功功率与无功功率的对应关系包括：
Figure BDA0002618207650000031
式中：p是有功功率，Q是无功功率，
Figure BDA0002618207650000032
是功率因数。
优选地：所述建立基于GMM的机组运行工况辨识模型，包括：
建立基于GMM的机组运行工况辨识模型，建立3个子工况空间，分别对应机组运行中的最大风能追踪区、恒转速区、恒功率区。
优选地：所述在相同工况下选取对应非强相关性机组类数据并建立基于双向的GAN网络模型，包括：
选取需数据插补的机组在时间窗口前一段同一工况下非强相关性机组类数据和时间窗口后一段时间同一工况下非强相关性机组类数据分别获得前向数据以及后向数据；
对所述前向数据和所述后向数据分别建立基于GAN算法对缺失数据进行回归重建；利用循环神经网络作为GAN的生成器和判别器；获取所述时间窗口前一段时间的非强相关性机组类插补数据以及所述时间窗口后一段时间的非强相关性机组类插补数据，将所述时间窗口前一段时间的插补数据以及所述时间窗口后一段时间的插补数据求均值作为插补的缺失数据。
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，可以实现一种风电机组运行数据插补方法，在一种实现方式下，该方法可以包括确定待插补缺失数据的数据类型以及所述待插补缺失数据的时间窗口，所述数据类型包括环境类数据和/或机组类数据；根据数据类型确定与该数据类型对应的插补策略完成缺失数据的插补；本申请提供的风电机组运行数据插补方法，利用多元时间序列数据分析、工况辨识及深度学习的基础上形成的运行数据插补方法，方法切实可行，结论合理，有助于提升风电机组运行数据完整度，对后续数据分析挖掘提供了准确可靠的数据基础。
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一种风电机组运行数据插补方法的流程图；
图2是本发明实施例提供的基于双向群相似机组环境类数据(以风速为例)插补结果图；
图3是本发明实施例提供的强相关性机组类数据(叶轮转速-发电机转速)插补结果图；
图4是本发明实施例提供的风速-功率曲线拟合效果图；
图5是本发明实施例提供的风速-发电机转速拟合效果图；
图6是本发明实施例提供的基于GMM的机组运行工况辨识结果图；
图7是本发明实施例提供的基于双向GAN非强相关性机组类数据(以齿轮箱油温为例)插补结果图。
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，为本发明实施例提供的一种风电机组运行数据插补方法，如图1所示，该方法包括确定待插补缺失数据的数据类型以及所述待插补缺失数据的时间窗口，所述数据类型包括环境类数据和/或机组类数据；
根据数据类型确定与该数据类型对应的插补策略完成缺失数据的插补；具体的，所述数据类型为环境类数据，所述插补策略包括第一插补策略，所述第一插补策略包括：
利用基于双向群相似机组的方法获取所述时间窗口前一段时间的环境类数据以及所述时间窗口后一段时间的环境类数据。
进一步的，根据所述时间窗口前一段时间和所述时间窗口后一段时间的环境类数据分别确定相关性最高的同一风电场的其他机组；
获取相似性最高的两台机组在所述时间窗口内的环境类数据的均值作为所述时间窗口的环境类插补数据。
其中，环境类数据可以包括风速、环境温度、机舱温度等等。本申请通过提供的第一插补策略可以完成对环境类数据的快速准确的插补。
进一步的，所述数据类型为机组类数据，所述插补策略包括第二插补策略，所述第二插补策略包括：
对机组类数据中包含的强相关性机组类数据进行插补获得插补完成的强相关性机组类数据；
建立基于GMM的机组运行工况辨识模型，利用所述插补完成的强相关性机组类数据以及所述工况辨识模型对工况进行识别；
在相同工况下选取对应非强相关性机组类数据并建立基于双向的GAN网络模型获取所述时间窗口前一段时间的非强相关性机组类插补数据以及所述时间窗口后一段时间的非强相关性机组类插补数据。
本申请中首先对机组数据中包含的强相关性机组类数据进行插补，强相关性机组类数据插补完成后将强相关性机组类数据作为基础数据对非强相关性机组类数据。当然可以想到的是，当对机组数据进行检测时，如果发现强相关性机组类数据不存在缺失，那么可以直接进行非强相关性机组类数据的插补工序。
在实际应用中，强相关性机组类数据包含的数据有A相电流、B相电流、C相电流、A相电压、B相电压、C相电压、叶轮转速、发电机转速、有功功率、无功功率、功率因数等等。非强相关性机组类数据包含的数据有风向、电网频率、齿轮箱轴承温度、偏航角度、发电机驱动端轴承温度、发电机非驱动端轴承温度、齿轮箱油温度等等。
对于不同的强相关性机组类数据可以采用不同的插补策略进行，例如：
所述强相关性机组类数据包括发电机转速和有功功率；所述对机组类数据中包含的强相关性机组类数据进行插补，包括：
利用基于风速功率拟合曲线和风速发电机转速拟合曲线获取所述时间窗口的有功功率和发电机转速插补数据。具体的，利用历史SCADA数据建立拟合的风速功率拟合曲线和风速发电机转速曲线，包括按拉依达准则将SCADA数据去除离奇值，并在此基础上进行中值滤波，利用分风速段求均值后再利用多项式拟合算法得到风速有功功率曲线和风速发电机转速曲线，以便利用获得的基于风速功率拟合曲线和风速发电机转速拟合曲线获取所述时间窗口的有功功率和发电机转速插补数据。
所述强相关性机组类数据包括叶轮转速、无功功率；根据获得的发电机转速数据利用发电机转速与叶轮转速的对应关系获得叶轮转速的缺失数据；根据获得的有功功率数据利用有功功率与无功功率的对应关系获得无功功率的缺失数据。
所述发电机转速与叶轮转速的对应关系，包括：
若是双馈风力发电机组或半直驱风力发电机组，发电机转速等于叶轮转速除以齿轮箱传动比。
若是直驱风力发电机组，发电机转速等于叶轮转速；
所述功功率与无功功率的对应关系包括：
Figure BDA0002618207650000071
式中：p是有功功率，Q是无功功率，
Figure BDA0002618207650000072
是功率因数。
进一步的，所述建立基于GMM的机组运行工况辨识模型，包括：
建立基于GMM的机组运行工况辨识模型，建立3个子工况空间，分别对应机组运行中的最大风能追踪区、恒转速区、恒功率区。
所述在相同工况下选取对应非强相关性机组类数据并建立基于双向的GAN网络模型，包括：
选取需数据插补的机组在时间窗口前一段同一工况下非强相关性机组类数据和时间窗口后一段时间同一工况下非强相关性机组类数据分别获得前向数据以及后向数据；
对所述前向数据和所述后向数据分别建立基于GAN算法对缺失数据进行回归重建；利用循环神经网络作为GAN的生成器和判别器；获取所述时间窗口前一段时间的非强相关性机组类插补数据以及所述时间窗口后一段时间的非强相关性机组类插补数据，将所述时间窗口前一段时间的插补数据以及所述时间窗口后一段时间的插补数据求均值作为插补的缺失数据。
为了验证本申请提供的方法的有效性和合理行，采取某风电场某风机的数据进行分析验证。具体方法步骤如下所示：
步骤1：将数据缺失分为环境类数据(风速、环境温度、机舱温度)缺失和机组类数据(有功功率、发电机转速、叶轮转速、电流、电压等)缺失，由于风向标安装在风电机组机舱上，风向标测量的值为自然风向与机舱中轴线的夹角，因此风向同样作为机组类数据进行处理。
首先，判断环境类数据是否缺失，若有缺失的话，利用数据缺失前一段时间和数据缺失后一段时间的数据，利用基于双向群相似机组的方法进行数据插补。具体包括如下步骤：
步骤1.1：利用环境类数据缺失前一段时间和缺失后一段时间的数据分别找到相关性最高的同一风电场的其他机组。
设环境类数据{xt}，其中t＝1,2,3,...,n，假如需要插补i时刻到(i+m)时刻连续m个缺失值，选取数据缺失前(i-m)时刻到i时刻m个数据和数据缺失后(i+m)时刻到(i+2m)时刻m个数据，并分别计算m个时序数据的相关性得到相关性最高的机组A和机组B。
步骤1.2：将相似性最高的两台机组在需插补的数据时间段内的环境数据计算均值用来插补该时间段内环境类数据。
分别选取A机组和B机组i时刻到(i+m)时刻连续m个缺失值，{xA|i≤A≤(i+m)}和{xB|i≤B≤(i+m)}，插补的m的时间序列数据为
Figure BDA0002618207650000081
参见图2，以风速为例形成的插补结果。
步骤2：在机组数据中利用强相关性进行数据插补，结果参见图3、图4、图5，强相关性机组类数据包含的数据有：
1)A相电流、B相电流、C相电流
若A相电流、B相电流缺失，C相电流未缺失，则A相电流＝B相电流＝C相电流，若A相电流缺失，B相电流、C相电流未缺失，则A相电流等于B相电流和C相电流的均值。其他相电流同理计算。
2)A相电压、B相电压、C相电压
若A相电压、B相电压缺失，C相电压未缺失，则A相电压＝B相电压＝C相电压，若A相电压缺失，B相电压、C相电压未缺失，则A相电压等于B相电压和C相电压的均值。其他相电压同理计算。
3)叶轮转速、发电机转速
若是双馈风力发电机组或半直驱风力发电机组，发电机转速＝叶轮转速/齿轮箱传动比。
若是直驱风力发电机组，发电机转速＝叶轮转速。
4)有功功率、无功功率、功率因数
Figure BDA0002618207650000091
其中，P是有功功率，Q是无功功率，
Figure BDA0002618207650000092
是功率因数。
步骤3：判断发电机转速和有功功率是否缺失，若有缺失的，利用基于风速功率拟合曲线和风速发电机转速拟合曲线进行插补。具体包括如下步骤：
步骤3.1：判断发电机转速和有功功率是否缺失，如果无缺失，则进行下一环节。
步骤3.2：若发电机转速和有功功率转速缺失，利用历史SCADA数据建立拟合的风速功率拟合曲线和风速发电机转速曲线，具体方法为：按拉依达准则(3σ准则)将SCADA数据去除离奇值，并在此基础上进行中值滤波，利用分风速段求均值后再利用多项式拟合算法得到风速有功功率曲线和风速发电机转速曲线，从而根据拟合曲线进行发电机转速和有功功率插补。
分风速段选用0.2m/s。
风速-有功功率多项式拟合函数为：
y＝0.0911x5-3.9303x4+61.1721x3-419.0549x2+1403.5069x-1717.9218
风速-发电机转速多项式拟合函数为：
y＝-0.2833x5+12.567x4-214.1933x3+1725.3109x2-6359.3382x+9664.4422
步骤4：建立基于GMM的机组运行工况辨识模型，建立3个子工况空间，分别对应机组运行中的最大风能追踪区、恒转速区、恒功率区。结果参见图6。
基于GMM的机组运行工况辨识模型输入为：风速、发电机转速、有功功率。
表1 GMM生成的机组运行工况的多维特征点
多维特征点 风速(m·s<sup>-1</sup>) 发电机转速(r·min<sup>-1</sup>) 有功功率(kW)
工况1 7.14 1360 315
工况2 10.42 1634 796
工况3 15.9 1769 1460
步骤5：在相同工况下选取对应数据，建立基于双向的GAN网络模型进行数据插补，具体方法为：
步骤5.1：选取需数据插补的机组在数据缺失前一段同一工况下数据和缺失后一段时间同一工况下数据。
设机组类缺失的数据{xt}，其中t＝1,2,3,...,n。
在数据缺失前同一工况下的
Figure BDA0002618207650000101
其中k＝1,2,3,...,n。
在数据缺失后同一工况下的
Figure BDA0002618207650000102
其中k＝1,2,3,...,n。
步骤5.2：对前向数据和后向数据分别建立基于GAN算法对缺失数据进行回归重建。模型输入的是含有缺失值的时间序列数据，输出是完整的时间序列数据，考虑数据的时间属性，利用循环神经网络(Recurrent Neural Network,RNN)作为GAN的生成器和判别器。
模型前向输入是：
Figure BDA0002618207650000111
其中k＝1,2,3,...,n
GAN算法前向生成器输出的数据：{xk}，其中k＝1,2,3,...,n
模型后向输入是：
Figure BDA0002618207650000112
其中k＝1,2,3,...,n。
GAN算法后向生成器输出的数据：{yn-k}，其中k＝1,2,3,...,n
步骤5.3：将前一段时间生成的插补数据和用后一段时间生成的插补数据求均值作为需要插补的缺失数据。结果参见图7。
插补的数据为：
Figure BDA0002618207650000113
其中k＝1,2,3,...,n。
总之，本申请提供的风电机组运行数据插补方法，利用多元时间序列数据分析、工况辨识及深度学习的基础上形成的运行数据插补方法，方法切实可行，结论合理，有助于提升风电机组运行数据完整度，对后续数据分析挖掘提供了准确可靠的数据基础。
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 (10)

1.一种风电机组运行数据插补方法，其特征在于，所述方法包括：
确定待插补缺失数据的数据类型以及所述待插补缺失数据的时间窗口；所述数据类型包括环境类数据和/或机组类数据；
根据数据类型确定与该数据类型对应的插补策略完成缺失数据的插补。
2.根据权利要求1所述的风电机组运行数据插补方法，其特征在于，所述数据类型为环境类数据，所述插补策略包括第一插补策略，所述第一插补策略包括：
利用基于双向群相似机组的方法获取所述时间窗口前一段时间的环境类数据以及所述时间窗口后一段时间的环境类数据。
3.根据权利要求2所述的风电机组运行数据插补方法，其特征在于，所述基于双向群相似机组的方法，包括：
根据所述时间窗口前一段时间和所述时间窗口后一段时间的环境类数据分别确定相关性最高的同一风电场的其他机组；
获取相似性最高的两台机组在所述时间窗口内的环境类数据的均值作为所述时间窗口的环境类插补数据。
4.根据权利要求1所述的风电机组运行数据插补方法，其特征在于，所述数据类型为机组类数据，所述插补策略包括第二插补策略，所述第二插补策略包括：
对机组类数据中包含的强相关性机组类数据进行插补获得插补完成的强相关性机组类数据；
建立基于GMM的机组运行工况辨识模型，利用所述插补完成的强相关性机组类数据以及所述工况辨识模型对工况进行识别；
在相同工况下选取对应非强相关性机组类数据并建立基于双向的GAN网络模型获取所述时间窗口前一段时间的非强相关性机组类插补数据以及所述时间窗口后一段时间的非强相关性机组类插补数据。
5.根据权利要求4所述的风电机组运行数据插补方法，其特征在于，所述强相关性机组类数据包括发电机转速和有功功率；所述对机组类数据中包含的强相关性机组类数据进行插补，包括：
利用基于风速功率拟合曲线和风速发电机转速拟合曲线获取所述时间窗口的插补数据。
6.根据权利要求5所述的风电机组运行数据插补方法，其特征在于，所述利用基于风速功率拟合曲线和风速发电机转速拟合曲线获取所述时间窗口的有功功率和发电机转速的插补数据，包括：
利用历史SCADA数据建立拟合的风速功率拟合曲线和风速发电机转速曲线，包括按拉依达准则将SCADA数据去除离奇值，并在此基础上进行中值滤波，利用分风速段求均值后再利用多项式拟合算法得到风速有功功率曲线和风速发电机转速曲线，以便利用获得的基于风速功率拟合曲线和风速发电机转速拟合曲线获取所述时间窗口的有功功率和发电机转速的插补数据。
7.根据权利要求5所述的风电机组运行数据插补方法，其特征在于，所述强相关性机组类数据包括叶轮转速、无功功率；根据获得的发电机转速数据利用发电机转速与叶轮转速的对应关系获得叶轮转速的缺失数据；根据获得的有功功率数据利用有功功率与无功功率的对应关系获得无功功率的缺失数据。
8.根据权利要求7所述的风电机组运行数据插补方法，其特征在于，所述发电机转速与叶轮转速的对应关系，包括：
若是双馈风力发电机组或半直驱风力发电机组，发电机转速等于叶轮转速除以齿轮箱传动比；
若是直驱风力发电机组，发电机转速等于叶轮转速；
所述有功功率与无功功率的对应关系包括：
Figure FDA0002618207640000021
式中：p是有功功率，Q是无功功率，
Figure FDA0002618207640000031
是功率因数。
9.根据权利要求4所述的风电机组运行数据插补方法，其特征在于，所述建立基于GMM的机组运行工况辨识模型，包括：
建立基于GMM的机组运行工况辨识模型，建立3个子工况空间，分别对应机组运行中的最大风能追踪区、恒转速区、恒功率区。
10.根据权利要求9所述的风电机组运行数据插补方法，其特征在于，所述在相同工况下选取对应非强相关性机组类数据并建立基于双向的GAN网络模型，包括：
选取需数据插补的机组在时间窗口前一段同一工况下非强相关性机组类数据和时间窗口后一段时间同一工况下非强相关性机组类数据分别获得前向数据以及后向数据；
对所述前向数据和所述后向数据分别建立基于GAN算法对缺失数据进行回归重建；利用循环神经网络作为GAN的生成器和判别器；获取所述时间窗口前一段时间的非强相关性机组类插补数据以及所述时间窗口后一段时间的非强相关性机组类插补数据，将所述时间窗口前一段时间的插补数据以及所述时间窗口后一段时间的插补数据求均值作为插补的缺失数据。
CN202010775485.7A 2020-08-05 2020-08-05 一种风电机组运行数据插补方法 Active CN111881420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010775485.7A CN111881420B (zh) 2020-08-05 2020-08-05 一种风电机组运行数据插补方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010775485.7A CN111881420B (zh) 2020-08-05 2020-08-05 一种风电机组运行数据插补方法

Publications (2)

Publication Number Publication Date
CN111881420A true CN111881420A (zh) 2020-11-03
CN111881420B CN111881420B (zh) 2024-01-23

Family

ID=73210164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010775485.7A Active CN111881420B (zh) 2020-08-05 2020-08-05 一种风电机组运行数据插补方法

Country Status (1)

Country Link
CN (1) CN111881420B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112286924A (zh) * 2020-11-20 2021-01-29 中国水利水电科学研究院 一种数据异常动态识别与多模式自匹配的数据清洗技术
CN112632047A (zh) * 2020-12-02 2021-04-09 北京华能新锐控制技术有限公司 一种基于变窗口模式识别的时间序列数据处理方法
CN113377508A (zh) * 2021-05-28 2021-09-10 张燕 一种海量数据快速传输方法
CN113781259A (zh) * 2021-09-10 2021-12-10 中能电力科技开发有限公司 一种风电场测风塔数据插补方法及系统
CN113822344A (zh) * 2021-08-30 2021-12-21 中能电力科技开发有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN115800398A (zh) * 2022-11-29 2023-03-14 盛东如东海上风力发电有限责任公司 纵向相邻风电机组中上游风电机组的功率优化方法及系统
WO2023080365A1 (ko) * 2021-11-08 2023-05-11 (주) 위세아이텍 순환신경망 기반 이중 딥러닝 모델을 활용한 시계열 데이터 결측치 보간 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030014280A1 (en) * 2001-03-01 2003-01-16 Pharmetrics, Inc. Healthcare claims data analysis
WO2018107775A1 (zh) * 2016-12-12 2018-06-21 北京金风科创风电设备有限公司 用于风电场的控制方法、装置和风力发电系统
CN108197079A (zh) * 2016-12-08 2018-06-22 广东精点数据科技股份有限公司 一种改进的对缺失值插补的算法
CN110532518A (zh) * 2019-08-30 2019-12-03 中国电力工程顾问集团西北电力设计院有限公司 一种空冷对比观测待插补数据插补方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030014280A1 (en) * 2001-03-01 2003-01-16 Pharmetrics, Inc. Healthcare claims data analysis
CN108197079A (zh) * 2016-12-08 2018-06-22 广东精点数据科技股份有限公司 一种改进的对缺失值插补的算法
WO2018107775A1 (zh) * 2016-12-12 2018-06-21 北京金风科创风电设备有限公司 用于风电场的控制方法、装置和风力发电系统
CN110532518A (zh) * 2019-08-30 2019-12-03 中国电力工程顾问集团西北电力设计院有限公司 一种空冷对比观测待插补数据插补方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
尹诗等: "风电机组发电机前轴承健康度预测方法及实现", 《系统仿真学报》, vol. 33, no. 6, pages 1323 - 1333 *
熊中敏等: "缺失数据处理方法研究综述", 《计算机工程与应用》, vol. 57, no. 14, pages 27 - 38 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112286924A (zh) * 2020-11-20 2021-01-29 中国水利水电科学研究院 一种数据异常动态识别与多模式自匹配的数据清洗技术
CN112632047A (zh) * 2020-12-02 2021-04-09 北京华能新锐控制技术有限公司 一种基于变窗口模式识别的时间序列数据处理方法
CN112632047B (zh) * 2020-12-02 2023-08-01 北京华能新锐控制技术有限公司 一种基于变窗口模式识别的时间序列数据处理方法
CN113377508A (zh) * 2021-05-28 2021-09-10 张燕 一种海量数据快速传输方法
CN113377508B (zh) * 2021-05-28 2023-08-22 张燕 一种海量数据快速传输方法
CN113822344A (zh) * 2021-08-30 2021-12-21 中能电力科技开发有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN113822344B (zh) * 2021-08-30 2024-05-31 龙源(北京)新能源工程技术有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN113781259A (zh) * 2021-09-10 2021-12-10 中能电力科技开发有限公司 一种风电场测风塔数据插补方法及系统
CN113781259B (zh) * 2021-09-10 2023-12-01 中能电力科技开发有限公司 一种风电场测风塔数据插补方法及系统
WO2023080365A1 (ko) * 2021-11-08 2023-05-11 (주) 위세아이텍 순환신경망 기반 이중 딥러닝 모델을 활용한 시계열 데이터 결측치 보간 시스템
CN115800398A (zh) * 2022-11-29 2023-03-14 盛东如东海上风力发电有限责任公司 纵向相邻风电机组中上游风电机组的功率优化方法及系统

Also Published As

Publication number Publication date
CN111881420B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN111881420A (zh) 一种风电机组运行数据插补方法
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN110544184A (zh) 一种基于运行参数的风机性能分析方法
CN111311021A (zh) 一种风电场理论功率预测方法、装置、设备和存储介质
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN112417612A (zh) 风电齿轮箱退化状态跟踪与失效聚集风险评估方法
CN103699804B (zh) 一种实时监测风电机组运行时的功率出力偏差的方法
CN112736927B (zh) 一种基于概率盒理论的风电场不确定性潮流建模方法
CN103696913B (zh) 一种实时监测风电机组运行时的风能利用偏差的方法
CN106251238B (zh) 风电场建模序列离散化步长的选取及模型误差分析方法
CN114912807A (zh) 一种风电机组技改后发电量提升效果评估方法和评估系统
CN116050072A (zh) 一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置
CN115345370A (zh) 一种基于Vine Copula模型的风电机组运行联动性分析方法
CN114065618A (zh) 一种基于微分进化的参数模型拟合风机功率曲线的方法
CN115115137A (zh) 基于匹配统计子波的光伏功率预测方法及装置
CN113781259B (zh) 一种风电场测风塔数据插补方法及系统
Aksan et al. Multivariate Multi-step Forecasting for Cable Pooling Applications
Penfield Ultra long-term wind farm generation forecast by combining numerical weather prediction with gated recurrent units
Nemes et al. Reliability consideration on wind farms energy production
CN111414573A (zh) 一种工程应用领域的输入输出数据处理方法和系统
CN116596194B (zh) 光伏阵列运行状态划分方法、系统及装置
Sabitha et al. Identification of Potential Regions for Wind Power Development Using Data Mining
Yuan et al. Abnormal state analysis of wind turbines based on the power curve
Cardoso Filho et al. Wind Power Curve Modeling Through Data-driven Approaches: Evaluating Piecewise Linear Fitting and Machine Learning Applications in a Real-Unit Case

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