CN112800103A - 一种scada数据挖掘的风电机组功率曲线的获取系统及方法 - Google Patents

一种scada数据挖掘的风电机组功率曲线的获取系统及方法 Download PDF

Info

Publication number
CN112800103A
CN112800103A CN202011431644.8A CN202011431644A CN112800103A CN 112800103 A CN112800103 A CN 112800103A CN 202011431644 A CN202011431644 A CN 202011431644A CN 112800103 A CN112800103 A CN 112800103A
Authority
CN
China
Prior art keywords
data
effective
mining
wind speed
data set
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
CN202011431644.8A
Other languages
English (en)
Other versions
CN112800103B (zh
Inventor
文乐
高彦飞
曾德勇
张望宏
史章峰
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.)
Huaneng Shaanxi Power Generation Co ltd
Original Assignee
Huaneng Shaanxi Power Generation 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 Huaneng Shaanxi Power Generation Co ltd filed Critical Huaneng Shaanxi Power Generation Co ltd
Priority to CN202011431644.8A priority Critical patent/CN112800103B/zh
Publication of CN112800103A publication Critical patent/CN112800103A/zh
Application granted granted Critical
Publication of CN112800103B publication Critical patent/CN112800103B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Combustion & Propulsion (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Operations Research (AREA)
  • Sustainable Development (AREA)
  • Algebra (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供的一种SCADA数据挖掘的风电机组功率曲线获取系统及方法，包括以下步骤：步骤1，从风电机组的SCADA数据库中获取挖掘数据集；步骤2，从挖掘数据集中获取有效挖掘数据集；步骤3，将有效挖掘数据集进行划分，得到多个有效挖掘子数据集；步骤4，得到多个有效子数据集；步骤5，得到多个反归一化处理后的有效子数据集；步骤6，得到有效数据集；步骤7，计算得到网格点集；步骤8，根据网格点集获取风电机组功率曲线；本发明在计算过程中排除了风向与机舱方向不一致影响，并采用密度聚类方法严格提出机组运行异常工况参数，以机组运行最多的工况为拟合对象，联合机舱传递函数构建了其机舱轮毂前自由流风速与机组功率的关系曲线。

Description

一种SCADA数据挖掘的风电机组功率曲线的获取系统及方法
技术领域
本发明涉及风力机发电领域，尤其涉及一种SCADA数据挖掘的风电机组功率曲线的获取系统及方法。
背景技术
风电机组采用功率曲线描述实际出力特性，其表征了风力机轮毂高度处风速与发电机输出功率之间的函数关系，是评价风电机组性能的重要指标之一。针对单台风电机组，国际电工委员会(IEC)出台了61400-12性能试验标准，通过性能试验可获得置信度高、能直接用于考核与评价的功率曲线，但性能试验需要安装测风装置长期测量等导致成本较高，国内主要通过采集SCADA数据分析绘制机组功率曲线，SCADA数据中风速测点安装在机舱顶部以采集机舱风速，风轮和机舱使得该风速测点处风流严重畸变，因此机舱风速不能准确反映轮毂处自由流风速，一般通过建立机舱传递函数(NTF，nacelletransfer function)法获得机舱风速与自由流风速的实际对应关系，提供基于预测自由流风速的功率曲线。由于SCADA数据中异常点较多，之前的功率曲线拟合计算结果极易受异常点影响导致其代表性不足、准确度不够。
发明内容
本发明的目的在于提供一种SCADA数据挖掘的风电机组功率曲线的获取系统及方法，解决了现有的SCADA数据中异常点较多，导致拟合结果准确度不够的缺陷。
为了达到上述目的，本发明采用的技术方案是：
本发明提供的一种SCADA数据挖掘的风电机组功率曲线获取方法，包括以下步骤：
步骤1，以风电机组运行负荷全范围为采样范围，从风电机组的SCADA数据库中以预设的采样周期获取挖掘数据集，所述挖掘数据集包括若干组观测数据，每组观测数据包括有功功率、机舱风速以及风向标与机舱中轴线之间的夹角；
步骤2，根据步骤1得到风向标与机舱中轴线之间夹角，从挖掘数据集中获取有效挖掘数据集；
步骤3，根据获取得到的机舱风速，将步骤2得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集；
步骤4，对步骤3中得到的每个有效挖掘子数据集进行归一化处理，得到归一化处理后的有效挖掘子数据集；
对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类；
统计归一化处理后的每个有效挖掘子数据集中每个子类的观测数据量，将最大观测数据量对应的子类作为该归一化处理后的有效挖掘子数据集的子类，得到多个有效子数据集；
步骤5，对步骤4中得到的每个有效子数据集中的每个观测数据的机舱风速和有功功率进行反归一化处理，得到多个反归一化处理后的有效子数据集；
步骤6，将步骤5中得到的多个反归一化处理后的有效子数据集中的所有观测数据进行合并，得到有效数据集；
步骤7，根据步骤6中得到的有效数据集，结合移动平均法计算得到网格点集；
步骤8，根据步骤7中得到的网格点集获取风电机组功率曲线。
优选地，步骤2中，根据步骤1得到风向标与机舱中轴线之间夹角，从挖掘数据集中获取有效挖掘数据集，具体方法是：
从步骤1中得到的挖掘数据集中删除非数、空白或有功功率小于零的观测数据，得到剩余的数据集；
计算剩余的数据集中所有的风向标与机舱中轴线之间夹角的均值α；
获取厂家提供的自动对风偏航控制逻辑中的动作角度θ；设置风向标与机舱中轴线夹角区间为[α-θ,α+θ]；从剩余的数据集中获取风向标与机舱中轴线之间夹角在风向标与机舱中轴线夹角区间内的观测数据，得到有效挖掘数据集。
优选地，步骤3中，根据获取得到的机舱风速，将步骤2得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集，具体方法是：
设定风速区间为[0米/秒,25米/秒]，以预设的步长，将风速区间进行等分，得到多个风速子区间；
将步骤2中得到的有效挖掘数据集中每组观测数据的机舱风速对应至相应的风速子区间，进而实现对有效挖掘数据进行划分，得到多个有效挖掘子数据集。
优选地，步骤4中，对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类，具体方法是：
利用基于密度的聚类算法DBSCAN对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类。
优选地步骤7中，根据步骤6中得到的有效数据集，结合移动平均法计算得到网格点集，具体方法是：
S701，计算步骤6中有效数据集中各个特征参数的极差，并将该极差进行等分，得到多个大小为L的等分极差；建立长度为L的数据窗口；
S702，设数据窗口的初始定位点为l点，以预设的L/2步长从该特征参数的最小值开始移动至该特征参数的最大值，当数据窗口以预设的
Figure BDA0002826168390000031
步长每移动一次，计算该特征参数落在
Figure BDA0002826168390000032
区间范围内的特征参数均值；
S703，重复执行S702，得到多个定位点及其对应的特征参数均值；将每个定位点及其对应的特征参数均值作为一组样本，得到网格点集。
优选地，步骤8中，根据步骤7中得到的网格点集获取风电机组功率曲线，具体方法是：
S801，以步骤7中得到的网格点集中的每组样本的机舱风速为自变量，结合机舱传递函数获取得到机舱轮毂前自由流风速；
S802，以该机舱轮毂前自由流风速为横坐标、网格点集中的有功功率为纵坐标，连接网格点集的二维点，得到风电机组功率曲线。
一种SCADA数据挖掘的风电机组功率曲线的获取系统，该系统能够用于实现任一项所述的一种SCADA数据挖掘的风电机组功率曲线的获取方法，包括数据采集模块、数据挖掘模块、数据划分模块、数据分析处理模块、数据反归一化处理模块、数据合并处理模块、数据处理模块以及数据统计模块，其中，
数据采集模块用于以风电机组运行负荷全范围为采样范围，从风电机组的SCADA数据库中以预设的采样周期获取挖掘数据集，所述挖掘数据集包括若干组观测数据，每组观测数据包括有功功率、机舱风速以及风向标与机舱中轴线之间的夹角；
数据挖掘模块用于根据得到风向标与机舱中轴线之间夹角，从挖掘数据集中获取有效挖掘数据集；
数据划分模块用于根据获取得到的机舱风速，将得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集；
数据分析处理模块用于对得到的每个有效挖掘子数据集进行归一化处理，得到归一化处理后的有效挖掘子数据集；
对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类；
统计归一化处理后的每个有效挖掘子数据集中每个子类的观测数据量，将最大观测数据量对应的子类作为该归一化处理后的有效挖掘子数据集的子类，得到多个有效子数据集；
数据反归一化处理模块用于对得到的每个有效子数据集中的每个观测数据的机舱风速和有功功率进行反归一化处理，得到多个反归一化处理后的有效子数据集；
数据合并处理模块用于将得到的多个反归一化处理后的有效子数据集中的所有观测数据进行合并，得到有效数据集；
数据处理模块用于根据得到的有效数据集，结合移动平均法计算得到网格点集；
数据统计模块用于根据中得到的网格点集获取风电机组功率曲线。
与现有技术相比，本发明的有益效果是：
本发明提供的一种SCADA数据挖掘的风电机组功率曲线的获取方法，在计算过程中排除了风向与机舱方向不一致影响，并采用密度聚类方法严格提出机组运行异常工况参数，以机组运行最多的工况为拟合对象，联合机舱传递函数构建了其机舱轮毂前自由流风速与机组功率的关系曲线，即为反映机组实际运行状态的风电机组功率特性曲线，该曲线可应用于不限于以下场景：
一是为风机控制参数整定提供依据。该曲线表示的是机舱风速与机组功率的关系，因机舱测点的风速作为控制系统输入参数，其与机组功率对应关系可直接用于计算功率控制逻辑参数，参数整定后能够提升机组控制的精确程度。
二是对风机性能诊断提供依据。通过对比不同机组之间功率特性曲线的差别分析性能较差的机组是否存在风速仪测量不准确、风资源不符合设计等问题，通过对比同一机组与其设计功率曲线之间的差别分析是否存在主部件性能不达标、机舱传递函数不准确等问题，以便开展机组性能优化工作。
三是为风功率预测提供参考。在基于机舱风速进行风功率预测软件中，采用本发明定期获取功率曲线并对该软件的预测结果进行修正，可提高场站风功率预测的准确程度，从而避免受电网考核。
附图说明
图1为本发明的流程示意图；
图2为步骤1中的挖掘数据集的内的所有观测数据；
图3是风向标与机舱中轴线夹角测点数据落在[α-θ,α+θ]区间内的所有观测数据；
图4为DBSCAN算法对某一子观测集的聚类结果；
图5为本发明方法计算得到的风电机组功率曲线。
具体实施方式
下面结合附图对本发明进一步详细说明。
如图1至图4所示，本发明提供的一种SCADA数据挖掘的风电机组功率曲线的获取方法，包括以下步骤：
步骤1，以风电机组运行负荷全范围为采样范围，从风电机组的SCADA数据库中以预设的采样周期获取挖掘数据集，所述挖掘数据集包括若干组观测数据，每组观测数据包括有功功率、机舱风速以及风向标与机舱中轴线之间的夹角；其中，机舱风速为机舱传递函数对应的机械式机舱风速或机舱传递函数对应的超声波式机舱风速；
步骤2，根据步骤1得到风向标与机舱中轴线之间夹角，从挖掘数据集中获取有效挖掘数据集；
步骤3，根据获取得到的机舱风速，将步骤2得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集；
步骤4，对步骤3中得到的每个有效挖掘子数据集进行归一化处理，得到归一化处理后的有效挖掘子数据集；
对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类；
统计归一化处理后的每个有效挖掘子数据集中每个子类的观测数据量，将最大观测数据量对应的子类作为该归一化处理后的有效挖掘子数据集的子类，得到多个有效子数据集；
步骤5，对步骤4中得到的每个有效子数据集中的每个观测数据的机舱风速和有功功率进行反归一化处理，得到多个反归一化处理后的有效子数据集；
步骤6，将步骤5中得到的多个反归一化处理后的有效子数据集中的所有观测数据进行合并，得到有效数据集；
步骤7，根据步骤6中得到的有效数据集，结合移动平均法计算得到网格点集；
步骤8，根据步骤7中得到的网格点集获取风电机组功率曲线。
以网格点集的风速数据为自变量，在机舱传递函数中查找计算的机舱轮毂前自由流风速，并以此替换网格点集的风速数据，再以该机舱轮毂前自由流风速为横坐标、网格点集中的有功功率为纵坐标，连接网格点集的(自由流风速，有功功率)二维点即为风电机组功率曲线。
具体地：
进一步的，步骤1中，设定采样周期为10分钟，所述挖掘数据集如图2所示；
进一步的，步骤2中，根据步骤1得到风向标与机舱中轴线之间夹角；从挖掘数据集中获取有效挖掘数据集，具体方法是：
从步骤1中得到的挖掘数据集中删除非数、空白或有功功率小于零的观测数据，得到剩余的数据集；
计算剩余的数据集中所有的风向标与机舱中轴线之间夹角的均值α；本实施例中α＝0.1979°；
获取厂家提供的自动对风偏航控制逻辑中的动作角度θ，本实施例中，θ＝5°；
设置风向标与机舱中轴线夹角区间为[α-θ,α+θ]；从剩余的数据集中获取风向标与机舱中轴线之间夹角在风向标与机舱中轴线夹角区间内的观测数据，得到有效挖掘数据集。
如图3所示，可见图3比图2测点更集中、异常值更少；
进一步的，步骤3中，根据获取得到的机舱风速，将步骤2得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集，具体方法是：
设定风速区间为[0米/秒,25米/秒]，以预设的步长，将风速区间进行等分，得到多个风速子区间；
将步骤2中得到的有效挖掘数据集中每组观测数据的机舱风速对应至相应的风速子区间，进而实现对有效挖掘数据进行划分，得到多个有效挖掘子数据集。
本实施例的预设步长为0.5米/秒，将这些观测数据分割为50个有效挖掘子数据集。
进一步的，步骤4中，对步骤3中得到的每个有效挖掘子数据集进行归一化处理，得到归一化处理后的有效挖掘子数据集，具体方法是：
删除步骤3中得到的多个有效挖掘子数据集中为空集的有效挖掘子数据集；
通过下式分别对剩余每个有效挖掘子观测集中每组观测数据的机舱风速和有功功率进行归一化处理：
Figure BDA0002826168390000081
式中：Si、si分别为归一化前、后子观测集的机舱风速，max(S)表示某一子观测集中所有归一化前的机舱风速的最大值，min(S)表示某一子观测集中所有归一化前的机舱风速的最小值； Pi、pi分别为归一化前、后子观测集的的有功功率，max(P)表示某一子观测集中所有归一化前的有功功率的最大值，min(P)表示某一子观测集中所有归一化前的有功功率的最小值。
利用基于密度的聚类算法DBSCAN对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类；
统计归一化处理后的每个有效挖掘子数据集中每个子类的观测数据量，将最大观测数据量对应的子类作为该归一化处理后的有效挖掘子数据集的子类，得到多个有效子数据集。
DBSCAN算法对某一子观测集的聚类结果如图4所示，可见DBSCAN算法以密度为界限，识别出了大概率是非正常工况下的SCADA数据。
进一步的，步骤5中，对步骤4中得到的有效子数据集中的每个观测数据的机舱风速和有功功率进行反归一化处理，得到多个反归一化处理后的有效子数据集，具体方法是：
通过下式对步骤4中得到的有效子数据集中的每个观测数据的机舱风速和有功功率进行反归一化处理：
Figure BDA0002826168390000091
式中：sj、Sj分别为反归一化前、后的每个有效子数据集中每组观测数据的机舱风速，pj、 Pj分别为反归一化前、后的每个有效子数据集中每组观测数据的有功功率。
步骤7中，根据步骤6中得到的有效数据集，结合移动平均法计算得到网格点集，具体方法是：
S701，计算步骤6中有效数据集中特征参数的极差，并将该极差进行等分，得到多个大小为L的等分极差；建立长度为L的数据窗口；其中，特征参数为机舱风速或有功功率；
S702，设数据窗口的初始定位点为l点，以预设的
Figure BDA0002826168390000092
步长从该特征参数的最小值开始移动至该特征参数的最大值，同时，计算数据窗口以预设的
Figure BDA0002826168390000093
步长每移动一次，该特征参数落在
Figure BDA0002826168390000094
区间范围内的特征参数均值；
S703，重复执行S702，得到多个定位点及其对应的特征参数均值；将每个定位点及其对应的特征参数均值作为一组样本，得到网格点集。
实施例
S701，计算步骤6中有效数据集中机舱风速的极差，并将该极差进行100等分，得到多个等分极差；每个等分的极差为0.1688米/秒，建立长度为0.1688米/秒的数据窗口；
S702，数据窗口的定位点为l点，以0.0844米/秒为预设步长从机舱风速最小值开始移动至机舱风速最大值，依次计算机舱风速在[l-0.0844,l+0.0844]区间范围内的所有观测数据的特征参数均值；
S703，重复执行S702，得到多个定位点及其对应的特征参数均值；将每个定位点及其对应的特征参数均值作为一组样本，得到网格点集。
进一步的，步骤8中，根据步骤7中得到的网格点集获取风电机组功率曲线，具体方法是：
S801，以步骤7中得到的网格点集中的每组样本的机舱风速为自变量，结合机舱传递函数获取得到机舱轮毂前自由流风速；
S802，以该机舱轮毂前自由流风速为横坐标、网格点集中的有功功率为纵坐标，连接网格点集的(机舱轮毂前自由流风速，有功功率)二维点即为风电机组功率曲线，如图5所示。
一种SCADA数据挖掘的风电机组功率曲线的获取系统，该系统能够用于实现任一项所述的一种SCADA数据挖掘的风电机组功率曲线的获取方法，包括数据采集模块、数据挖掘模块、数据划分模块、数据分析处理模块、数据反归一化处理模块、数据合并处理模块、数据处理模块以及数据统计模块，其中，
数据采集模块用于以风电机组运行负荷全范围为采样范围，从风电机组的SCADA数据库中以预设的采样周期获取挖掘数据集，所述挖掘数据集包括若干组观测数据，每组观测数据包括有功功率、机舱风速以及风向标与机舱中轴线之间的夹角；
数据挖掘模块用于根据得到风向标与机舱中轴线之间夹角，从挖掘数据集中获取有效挖掘数据集；
数据划分模块用于根据获取得到的机舱风速，将得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集；
数据分析处理模块用于对得到的每个有效挖掘子数据集进行归一化处理，得到归一化处理后的有效挖掘子数据集；
对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类；
统计归一化处理后的每个有效挖掘子数据集中每个子类的观测数据量，将最大观测数据量对应的子类作为该归一化处理后的有效挖掘子数据集的子类，得到多个有效子数据集；
数据反归一化处理模块用于对得到的每个有效子数据集中的每个观测数据的机舱风速和有功功率进行反归一化处理，得到多个反归一化处理后的有效子数据集；
数据合并处理模块用于将得到的多个反归一化处理后的有效子数据集中的所有观测数据进行合并，得到有效数据集；
数据处理模块用于根据得到的有效数据集，结合移动平均法计算得到网格点集；
数据统计模块用于根据中得到的网格点集获取风电机组功率曲线。
机舱传递函数反映了在机舱、叶片、障碍物、空气密度、大气稳定度等诸多因素影响下，轮毂前自由流风速与机舱上风速测点测量风速之间的关系，图5给出了基于机舱风速和机舱轮毂前自由流风速的功率曲线，可见经机舱传递函数修正后得到的风电机组功率曲线，风电机组在风度达到12m/s时出力可达到额定，与设计值相当，通过与设计功率曲线对比可以发现并诊断机组出力降低的原因，从而开展消缺维护工作以提升风电机组发电量。

Claims (7)

1.一种SCADA数据挖掘的风电机组功率曲线的获取方法，其特征在于，包括以下步骤：
步骤1，以风电机组运行负荷全范围为采样范围，从风电机组的SCADA数据库中以预设的采样周期获取挖掘数据集，所述挖掘数据集包括若干组观测数据，每组观测数据包括有功功率、机舱风速以及风向标与机舱中轴线之间的夹角；
步骤2，根据步骤1得到风向标与机舱中轴线之间夹角，从挖掘数据集中获取有效挖掘数据集；
步骤3，根据获取得到的机舱风速，将步骤2得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集；
步骤4，对步骤3中得到的每个有效挖掘子数据集进行归一化处理，得到归一化处理后的有效挖掘子数据集；
对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类；
统计归一化处理后的每个有效挖掘子数据集中每个子类的观测数据量，将最大观测数据量对应的子类作为该归一化处理后的有效挖掘子数据集的子类，得到多个有效子数据集；
步骤5，对步骤4中得到的每个有效子数据集中的每个观测数据的机舱风速和有功功率进行反归一化处理，得到多个反归一化处理后的有效子数据集；
步骤6，将步骤5中得到的多个反归一化处理后的有效子数据集中的所有观测数据进行合并，得到有效数据集；
步骤7，根据步骤6中得到的有效数据集，结合移动平均法计算得到网格点集；
步骤8，根据步骤7中得到的网格点集获取风电机组功率曲线。
2.根据权利要求1所述的一种SCADA数据挖掘的风电机组功率曲线的获取方法，其特征在于，步骤2中，根据步骤1得到风向标与机舱中轴线之间夹角，从挖掘数据集中获取有效挖掘数据集，具体方法是：
从步骤1中得到的挖掘数据集中删除非数、空白或有功功率小于零的观测数据，得到剩余的数据集；
计算剩余的数据集中所有的风向标与机舱中轴线之间夹角的均值α；
获取厂家提供的自动对风偏航控制逻辑中的动作角度θ；设置风向标与机舱中轴线夹角区间为[α-θ,α+θ]；从剩余的数据集中获取风向标与机舱中轴线之间夹角在风向标与机舱中轴线夹角区间内的观测数据，得到有效挖掘数据集。
3.根据权利要求1所述的一种SCADA数据挖掘的风电机组功率曲线的获取方法，其特征在于，步骤3中，根据获取得到的机舱风速，将步骤2得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集，具体方法是：
设定风速区间为[0米/秒,25米/秒]，以预设的步长，将风速区间进行等分，得到多个风速子区间；
将步骤2中得到的有效挖掘数据集中每组观测数据的机舱风速对应至相应的风速子区间，进而实现对有效挖掘数据进行划分，得到多个有效挖掘子数据集。
4.根据权利要求1所述的一种SCADA数据挖掘的风电机组功率曲线的获取方法，其特征在于，步骤4中，对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类，具体方法是：
利用基于密度的聚类算法DBSCAN对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类。
5.根据权利要求1所述的一种SCADA数据挖掘的风电机组功率曲线的获取方法，其特征在于，步骤7中，根据步骤6中得到的有效数据集，结合移动平均法计算得到网格点集，具体方法是：
S701，计算步骤6中有效数据集中特征参数的极差，并将该极差进行等分，得到多个大小为L的等分极差；建立长度为L的数据窗口；
S702，设数据窗口的初始定位点为l点，以预设的L/2步长从该特征参数的最小值开始移动至该特征参数的最大值，当数据窗口以预设的
Figure FDA0002826168380000031
步长每移动一次，计算该特征参数落在
Figure FDA0002826168380000032
区间范围内的特征参数均值；
S703，重复执行S702，得到多个定位点及其对应的特征参数均值；将每个定位点及其对应的特征参数均值作为一组样本，得到网格点集。
6.根据权利要求1所述的一种SCADA数据挖掘的风电机组功率曲线的获取方法，其特征在于，步骤8中，根据步骤7中得到的网格点集获取风电机组功率曲线，具体方法是：
S801，以步骤7中得到的网格点集中的每组样本的机舱风速为自变量，结合机舱传递函数获取得到机舱轮毂前自由流风速；
S802，以该机舱轮毂前自由流风速为横坐标、网格点集中的有功功率为纵坐标，连接网格点集的二维点，得到风电机组功率曲线。
7.一种SCADA数据挖掘的风电机组功率曲线的获取系统，其特征在于，该系统能够用于实现权利要求1-6中任一项所述的一种SCADA数据挖掘的风电机组功率曲线的获取方法，包括数据采集模块、数据挖掘模块、数据划分模块、数据分析处理模块、数据反归一化处理模块、数据合并处理模块、数据处理模块以及数据统计模块，其中，
数据采集模块用于以风电机组运行负荷全范围为采样范围，从风电机组的SCADA数据库中以预设的采样周期获取挖掘数据集，所述挖掘数据集包括若干组观测数据，每组观测数据包括有功功率、机舱风速以及风向标与机舱中轴线之间的夹角；
数据挖掘模块用于根据得到风向标与机舱中轴线之间夹角，从挖掘数据集中获取有效挖掘数据集；
数据划分模块用于根据获取得到的机舱风速，将得到有效挖掘数据集进行划分，得到多个有效挖掘子数据集；
数据分析处理模块用于对得到的每个有效挖掘子数据集进行归一化处理，得到归一化处理后的有效挖掘子数据集；
对归一化处理后的每个有效挖掘子数据集中每组观测数据的有功功率、机舱风速进行二维聚类，获得归一化处理后的每个有效挖掘子数据集的不同子类；
统计归一化处理后的每个有效挖掘子数据集中每个子类的观测数据量，将最大观测数据量对应的子类作为该归一化处理后的有效挖掘子数据集的子类，得到多个有效子数据集；
数据反归一化处理模块用于对得到的每个有效子数据集中的每个观测数据的机舱风速和有功功率进行反归一化处理，得到多个反归一化处理后的有效子数据集；
数据合并处理模块用于将得到的多个反归一化处理后的有效子数据集中的所有观测数据进行合并，得到有效数据集；
数据处理模块用于根据得到的有效数据集，结合移动平均法计算得到网格点集；
数据统计模块用于根据中得到的网格点集获取风电机组功率曲线。
CN202011431644.8A 2020-12-09 2020-12-09 一种scada数据挖掘的风电机组功率曲线的获取系统及方法 Active CN112800103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011431644.8A CN112800103B (zh) 2020-12-09 2020-12-09 一种scada数据挖掘的风电机组功率曲线的获取系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011431644.8A CN112800103B (zh) 2020-12-09 2020-12-09 一种scada数据挖掘的风电机组功率曲线的获取系统及方法

Publications (2)

Publication Number Publication Date
CN112800103A true CN112800103A (zh) 2021-05-14
CN112800103B CN112800103B (zh) 2023-03-03

Family

ID=75806358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011431644.8A Active CN112800103B (zh) 2020-12-09 2020-12-09 一种scada数据挖掘的风电机组功率曲线的获取系统及方法

Country Status (1)

Country Link
CN (1) CN112800103B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117887A (zh) * 2021-10-28 2022-03-01 华能利津风力发电有限公司 风电机组的在线发电性能的实时评估方法、系统及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102759755A (zh) * 2011-04-29 2012-10-31 黄桂芝 采用旋转tin网和非剖面法直接制作平、立面图的地质勘查方法
CN105930933A (zh) * 2016-04-26 2016-09-07 华北电力科学研究院有限责任公司 风电场理论功率曲线确定方法及装置
CN106089328A (zh) * 2016-08-10 2016-11-09 西安热工研究院有限公司 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法
CN106815773A (zh) * 2015-12-02 2017-06-09 中国电力科学研究院 一种风电场功率特性评估方法
CN108646560A (zh) * 2018-05-11 2018-10-12 河北工业大学 基于灰狼算法改进的风机功率模型参数寻优方法
US20180308269A1 (en) * 2017-04-24 2018-10-25 Intel Corporation Hdr enhancement with temporal multiplex
CN109667727A (zh) * 2018-11-18 2019-04-23 浙江大学 一种基于功率曲线分析的风电机组偏航误差固有偏差辨识及补偿方法
CN109740175A (zh) * 2018-11-18 2019-05-10 浙江大学 一种面向风电机组功率曲线数据的离群点判别方法
CN110400019A (zh) * 2019-07-29 2019-11-01 南京工程学院 一种基于数据挖掘的风电场功率预测优化方法
CN110535118A (zh) * 2019-08-07 2019-12-03 上海电力大学 基于改进递归有序聚类的有源配电网多时段动态重构方法
CN111125895A (zh) * 2019-12-13 2020-05-08 湖南科技大学 一种风力发电机整机服役功率特性在线评估方法
WO2020097944A1 (zh) * 2018-11-18 2020-05-22 浙江大学 一种基于真实功率曲线的风电机组偏航误差固有偏差辨识及补偿方法
CN111260503A (zh) * 2020-01-13 2020-06-09 浙江大学 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

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102759755A (zh) * 2011-04-29 2012-10-31 黄桂芝 采用旋转tin网和非剖面法直接制作平、立面图的地质勘查方法
CN106815773A (zh) * 2015-12-02 2017-06-09 中国电力科学研究院 一种风电场功率特性评估方法
CN105930933A (zh) * 2016-04-26 2016-09-07 华北电力科学研究院有限责任公司 风电场理论功率曲线确定方法及装置
CN106089328A (zh) * 2016-08-10 2016-11-09 西安热工研究院有限公司 基于dcs数据挖掘的汽轮机调门流量特性曲线辨识方法
US20180308269A1 (en) * 2017-04-24 2018-10-25 Intel Corporation Hdr enhancement with temporal multiplex
CN108646560A (zh) * 2018-05-11 2018-10-12 河北工业大学 基于灰狼算法改进的风机功率模型参数寻优方法
CN109667727A (zh) * 2018-11-18 2019-04-23 浙江大学 一种基于功率曲线分析的风电机组偏航误差固有偏差辨识及补偿方法
CN109740175A (zh) * 2018-11-18 2019-05-10 浙江大学 一种面向风电机组功率曲线数据的离群点判别方法
WO2020097944A1 (zh) * 2018-11-18 2020-05-22 浙江大学 一种基于真实功率曲线的风电机组偏航误差固有偏差辨识及补偿方法
CN110400019A (zh) * 2019-07-29 2019-11-01 南京工程学院 一种基于数据挖掘的风电场功率预测优化方法
CN110535118A (zh) * 2019-08-07 2019-12-03 上海电力大学 基于改进递归有序聚类的有源配电网多时段动态重构方法
CN111125895A (zh) * 2019-12-13 2020-05-08 湖南科技大学 一种风力发电机整机服役功率特性在线评估方法
CN111260503A (zh) * 2020-01-13 2020-06-09 浙江大学 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAODONG LIANG ET AL.: "Measurement-Based Characteristic Curves for Voltage Stability and Control at the Point of Interconnection of Wind Power Plants", 《CANADIAN JOURNAL OF ELECTRICAL AND COMPUTER ENGINEERING》 *
杨茂 等: "风电机组风速-功率特性曲线建模研究综述", 《电力自动化设备》 *
管霖等: "基于多尺度聚类分析的光伏功率特性建模及预测应用", 《电力系统自动化》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117887A (zh) * 2021-10-28 2022-03-01 华能利津风力发电有限公司 风电机组的在线发电性能的实时评估方法、系统及介质

Also Published As

Publication number Publication date
CN112800103B (zh) 2023-03-03

Similar Documents

Publication Publication Date Title
CN103291544B (zh) 数字化风电机组功率曲线绘制方法
US20210262439A1 (en) Method of identification and compensation of inherent deviation of yaw error of wind turbine based on true power curve
CN103631681B (zh) 一种在线修复风电场异常数据的方法
CN117093879A (zh) 一种数据中心智能化运营管理方法及系统
CN106355512A (zh) 一种基于概率密度极大值优化的风电机组功率曲线拟合方法
CN110094310B (zh) 一种识别风力发电机偏航对风不正的方法
CN112598539B (zh) 一种风力发电机组风功率曲线优化计算及异常值检测方法
CN112267972B (zh) 一种风电机组功率曲线异常智能判定方法
CN106529741B (zh) 一种基于空间相关特征的超短期风电功率预测方法
CN110761958B (zh) 风力发电机组的叶片失速诊断方法及装置
CN112800103B (zh) 一种scada数据挖掘的风电机组功率曲线的获取系统及方法
CN108932554B (zh) 一种风电场流场量测点的配置优化方法及装置
CN110578659A (zh) 一种用于对风电机组scada数据进行处理的系统和方法
CN114285091B (zh) 一种包含多个光伏发电的区域电网数据采集异常检测方法
CN112668807B (zh) 一种用于风电场功率预测的风速预测方法
CN114398842A (zh) 一种在运行风电场发电量评估方法
CN111980853B (zh) 变桨控制方法、装置及计算机可读存储介质
CN114595989A (zh) 一种风电机组性能评估方法及装置
CN113848347A (zh) 一种风力发电机测风仪健康状态检测方法
CN112253403A (zh) 一种风电机组多功能雷电流及振动监测系统及装置
CN111738556A (zh) 一种基于机头微气候评估风机发电能力的方法
CN115422503B (zh) 风力发电机组功率曲线绘制方法
CN113309661B (zh) 一种提升风力发电机组发电量的方法
Qiang et al. Online faults diagnosis of wind turbine blades based on support vector machines
CN115951088B (zh) 一种风电机组风速仪异常分析方法

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