CN113536198A - 一种风电机组功率曲线异常散点识别系统及方法 - Google Patents
一种风电机组功率曲线异常散点识别系统及方法 Download PDFInfo
- Publication number
- CN113536198A CN113536198A CN202110790702.4A CN202110790702A CN113536198A CN 113536198 A CN113536198 A CN 113536198A CN 202110790702 A CN202110790702 A CN 202110790702A CN 113536198 A CN113536198 A CN 113536198A
- Authority
- CN
- China
- Prior art keywords
- power
- wind speed
- data
- point
- abnormal
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000008030 elimination Effects 0.000 claims description 18
- 238000003379 elimination reaction Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
Abstract
本发明属于风力发电技术领域,涉及一种风电机组功率曲线异常散点识别方法,根据机组的设计功率曲线确定每个风速中心点对应的功率波动范围;对机组的风速‑功率数据进行分风速段处理;其次,对每个风速段内的数据,根据优化后的功率数据,提取中位数对应的功率值作为参考功率,进而依据对应风速段的功率波动范围及经验值得出上下限功率值;依据得出的功率限值,对风速‑功率散点数据集进行自适应加窗处理,识别并剔除异常散点数据;得到剔除掉异常散点的风速‑功率数据,进而绘制功率曲线,确定其准确性。该方法简单实用,大大减小了固定比例加窗筛选数据的误差,准确性高且计算量小,具有很大实际意义。
Description
技术领域
本发明属于风力发电技术领域,特别涉及一种风电机组功率曲线异常散点识别系统及方法。
背景技术
在利用机组运行数据,依据《GBT 18451.2-2012风力发电机组功率特性测试》标准绘制功率曲线过程中,在机组的功率散点图中会出现很多异常的散点,如图2所示。其原因可分为三种:第一,由于电网调度指令,风电场实行限功率措施;第二,在所计算的时段内,机组有启/停机的动作,在计算平均功率的过程中,导致不能反映真实的情况,拉低了功率值;第三,风速风向变化大或者湍流等的影响,风速仪测得的数据与机组实际面对的风况不符。
目前,在剔除这类数据的过程中,有根据桨距角、发电机转速和转矩等之间的对应关系判断机组是否出力异常来判断异常散点的,这种方法需要借助额外的参量,增加了数据的维度,并且需要掌握机组内在的控制逻辑,通用性不强。还有通过于均值距离判别(AVDC)、局部异常因子(LOF)以及考虑噪声的基于密度的聚类(DBSCAN)等方法识别异常散点,达到剔除异常点,保证功率曲线准确性的目的,但该方法所涉及的算法较复杂,计算量大,效率低。
发明内容
本发明的目的在于提供一种风电机组功率曲线异常散点识别系统及方法,解决了现有算法复杂、计算量大及效率低的问题。
本发明是通过以下技术方案来实现:
一种风电机组功率曲线异常散点识别方法,包括以下步骤:
S1、根据风电机组的设计功率曲线,确定每个风速中心点的功率波动范围;
S2、根据采集的某时间段内的风速和功率数据,建立风速-功率散点数据集,对风速-功率散点数据集进行分风速段处理,形成多个分风速段的风速-功率散点集合;
S3、对风速-功率散点集合中额定风速前的功率数据进行异常散点识别及剔除;对风速-功率散点集合中额定风速后的功率数据异常散点识别及剔除;
对剔除完成后的功率数据取中位数,作为该风速区间的参考功率,进而依据S1中对应风速段的功率波动范围及经验值得出该风速段的上限功率值和下限功率值,进而得到该风速中心点的功率散点变化范围;
S4、依据得出的风速中心点的功率散点变化范围,对风速-功率散点数据集进行自适应加窗处理,识别并剔除异常散点数据;
S5、得到剔除掉异常散点的风速-功率数据,进而得到风电机组实测功率曲线。
进一步,S1具体包括以下步骤:
S1.1、对设计功率曲线上的功率提升段内的风速段进行分风速段处理,得到若干个风速中心点;
S1.2、确定出每个风速中心点的上限风速和下限风速,据风电机组的设计功率曲线得到每个风速中心点对应的风速中心点功率、上限风速功率和下限风速功率;
S1.3、根据风速中心点功率、上限风速功率和下限风速功率计算出该风速中心点在上下限风速内的功率变化率。
进一步,S2具体为:以一定的时间间隔T,按时间序列计算平均风速和平均功率,进而得到风速-功率散点数据集[WSn,Pn],n为总的点的个数;WSn代表风速数据,Pn代表功率数据;
以间隔WSt划分风速段,WSt的值与风速间隔对应,形成分风速段的风速-功率散点集合[TWSx,TPx],x为对应的风速中心点的值,TWSx代表风速中心点为xm/s的风速的集合,TPx代表风速中心点为xm/s的功率的集合。
进一步,S3中异常散点识别及剔除具体为:将风速-功率散点集合中的功率值由小到大排序,删除一部分高数据和一部分低数据。
进一步,删除一部分高数据和一部分低数据,具体为:将最低的后10%的数据和最高的前2%的数据删除。
进一步,S3中,对剔除完成后的功率数据取中位数,取中位数作为该风速区间的参考功率SPowerx;考虑到散点的波动,在确定的Vx-和Vx+的基础上增加10%作为功率的上下限值,即:
SPowerx-=SPowerx*[1-(Vx-)-10%]
SPowerx+=SPowerx*[1+(Vx+)+10%]
式中:
SPowerx-—风速中心为x m/s风速段的功率下限值;
SPowerx+—风速中心为x m/s风速段的功率上限值。
进一步,S4具体为:依据得出的x m/s风速中心点的功率散点变化范围(SPowerx-,SPowerx+],以该限值对风速-功率散点集合[TWSx,TPx]中的数据进行识别和剔除,超出(SPowerx-,SPowerx+]中的认为是异常点,将其剔除。
一种风电机组功率曲线异常散点识别系统,包括数据采集模块、分风速段处理模块、异常散点识别模块、功率值计算模块、自适应加窗处理模块和风电机组实测功率曲线生成模块;
数据采集模块,用于采集某时间段内的风速和功率数据,建立风速-功率散点数据集;
分风速段处理模块,用于对风速-功率散点数据集进行分风速段处理,形成多个分风速段的风速-功率散点集合;
异常散点识别模块,用于对风速-功率散点集合中额定风速前的功率数据进行异常散点识别及剔除,对风速-功率散点集合中额定风速后的功率数据进行异常散点识别及剔除;
功率值计算模块,用于对剔除完成后的功率数据取中位数,作为该风速区间的参考功率,进而依据对应风速段的功率波动范围及经验值得出该风速段的上限功率值和下限功率值,进而得到该风速中心点的功率散点变化范围;
自适应加窗处理模块,用于根据风速中心点的功率散点变化范围,对风速-功率散点数据集进行自适应加窗处理,识别并剔除异常散点数据;
风电机组实测功率曲线生成模块,用于根据得到的剔除掉异常散点的风速-功率数据生成风电机组实测功率曲线。
与现有技术相比,本发明具有以下有益的技术效果:
本发明根据风电机组的设计功率曲线,通过计算风速中心点对应的功率上下限范围,确定该风速区间的功率波动范围,相当于自适应加窗的过程,进而将功率散点数据中的异常数据剔除,减少了异常数据的干扰,保证了功率曲线的准确性。该方法简单实用,大大减小了固定比例加窗筛选数据的误差,准确性高且计算量小,具有很大实际意义。
附图说明
图1是设计功率曲线图;
图2是采样间隔为1S的风速和功率的原始数据,图2(a)为风速随时间变化的原始数据,图2(b)为功率随时间变化的原始数据;
图3是以时间间隔T处理后的风速-功率数据,图3(a)为风速随时间变化的平均数据,图3(b)为功率随时间变化的平均数据;
图4为异常功率散点及加窗过程示意图;
图5是固定加窗后的示意图;
图6是本发明的一种风电机组功率曲线异常散点识别方法处理流程图;
图7为异常功率散点及加窗过程示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
如图6所示,本发明公开了一种风电机组功率曲线异常散点识别方法,包括以下步骤:
S1.根据图1所示的机组的设计功率曲线,确定不同风速中心点功率的波动范围,该步骤的目的是确定在不同风速中心点功率的变化范围,为后续筛选异常的离散功率点提供依据。
S2.参考《GBT 18451.2-2012风力发电机组功率特性测试》标准,以一定的时间间隔T,按时间序列计算平均风速和平均功率,进而得到风速-功率散点数据集,如图4中的所有功率散点。
S3.得到风速-功率散点数据集[WSn,Pn](n为总的点的个数)后,以间隔WSt划分风速段,WSt的值与表1中的风速间隔对应(例如0.5m/s),形成分风速段的风速-功率散点集合[TWSx,TPx](x为对应的风速中心点的值,例如3、3.5、4等)。例如,[TWS5,TP5]中包含是数据情况是,风速集合TWS5在(4.75,5.25]范围内及其对应的功率值集合TP5。
S4.对风速-功率散点集合[TWSx,TPx]中额定风速前的每一组进行异常散点识别及剔除处理。
1)得出风速中心点的功率散点变化范围(SPoweri-,SPoweri+],以该限值对风速-功率散点集合[TWSi,TPi]中的数据进行识别和剔除,超出(SPoweri-,SPoweri+]中的认为是异常点,将其剔除。
对风速-功率散点集合[TWSx,TPx]中额定风速前的每一组进行上述操作,得出剔除掉异常散点的风速-功率散点集合。
上述步骤1)—5)中提到的10%和2%等数据,可以根据实际处理效果进行优化。
由于功率曲线中功率提升段的功率变化是非线性的,每一段的变化率不一样,因此,在原设计功率曲线的基础上得到功率变化率进而确定功率上下限值的过程是一种自适应加窗过程,可以更加准确的识别异常散点,同时也不会像图5中那样固定限值导致散点图出现锯齿状,结果更加异常且失准。
S5.风速-功率散点集合[TWSx,TPx]中额定风速后的异常散点识别及剔除。由于额定风速后,机组的功率值是确定的,因此可以根据机组正常的功率波动设置一个固定的变化率,一般取5%(经验值)即可。
S6.根据S4和S5的方法,得到最终正常的风速-功率散点的数据[NWSx,NPx]绘制功率曲线。
以下给一个具体的实施例来说明:
S1.以某2MW级别机型的机组为例说明,设计的数据如下表所示:
根据该表格建立如图1所示的机组的设计功率曲线,此处的风速间隔是0.5m/s,可通过软件计算或者插值的方法得到风速间隔更小的数据,例如0.25m/s。
如图1,由于在功率提升段(3m/s-10m/s范围)功率曲线的斜率是变化的,因此,按照风速段(表1中以0.5m/s为间隔举例)划分风速中心点,计算在风速中心点上下限风速内功率的波动范围。
表1设计功率曲线波动范围计算
根据设计的功率曲线,计算功率曲线波动范围,此处以5m/s风速中心的数据举例分析。
此时,得到的V5-=|P5-(P5-)|/P5=0.1445、V5+=|P5-(P5+)|/P5=0.1678即为5m/s的风速中心处,功率的波动范围。
当到达额定功率以后,即使风速再增加,功率也会稳定在一个范围内,不会再继续上升,因此,这一部分的异常数据剔除就相对简单,在额定功率的基础上设定一个固定的波动范围就可以,这里选择5%,这个值可以根据实际的情况调整。
S2.以某机组运行约1个月的数据举例
图3是在图2的基础上,每T时间分别对风速和功率做平均(T可以是2~10分钟)。例如,原始数据是1S采集一个数,得到图2的风速-时间图(见图2(a))和功率-时间图(见图2(b))。但是,鉴于风速的波动性太大,且数据量太多,因此,按时间顺序,每2分钟对风速和功率做一个平均,这样,平抑了风速的波动,同时减少了数据量,得到了图3所示的风速-时间图(见图3(a))和功率-时间图(见图3(b))。这是《GBT 18451.2-2012风力发电机组功率特性测试》标准中的通用方法。
把图2转换成横坐标是风速,纵坐标是功率的形式就可以得到功率散点图,如图4所示,对应的数据集就是[WSn,Pn]。
其中,WSn—T时间间隔平均处理后的风速,ws(wind speed);
Pn—T时间间隔平均处理后的功率,p(power)。
S3.以间隔0.5m/s划分风速段,与表1中的风速间隔对应,形成分风速段的风速-功率散点集合[TWSx,TPx](x为对应的风速中心点的值,例如3、3.5、4等)。例如,[TWS5,TP5]中包含是数据情况,以图4黑色方框内的5m/s为例,风速中心点为5m/s的风速-功率散点集合[TWS5,TP5],其中,TWS5—风速中心点为5m/s的风速的集合;TP5—风速中心点为5m/s的功率的集合。
S4.风速中心点为5m/s的风速-功率散点集合[TWS5,TP5]为例进行处理说明。
(1)对风速-功率散点集合[TWS5,TP5],按功率的值进行由小到大的排序;
(2)排完序的功率值,将最低的后10%的数据和最高的前2%的数据删除;
(3)删除完成后的数据,取其中位数作为该风速区间的参考功率SPower5;
(4)考虑到散点的波动,在步骤S1的表1中确定的V5-和V5+的基础上增加10%
(该数值可根据具体情况进行优化)作为功率的上下限值,即:SPower5-=SPower5*[1-(V5-)-10%]
SPower5+=SPower5*[1+(V5+)+10%]
式中:
SPower5-—风速中心为5m/s风速段的功率下限值;
SPower5+—风速中心为5m/s风速段的功率上限值。
(5)得出5m/s风速中心点的功率散点变化范围(SPower5-,SPower5+],以该限值对风速-功率散点集合[TWS5,TP5]中的数据进行识别和剔除,超出(SPower5-,SPower5+]中的认为是异常点,将其剔除。
S5.风速-功率散点集合[TWSx,TPx]中额定风速后的异常散点识别及剔除。由于额定风速后,机组的功率值是确定的,因此可以根据机组正常的功率波动设置一个固定的变化率,一般取5%(经验值)即可,如图7中横向方框内所示,在这个范围,机组到达额定功率,即使风速上升,功率也不会线性增加,而是维持在一个比较稳定的状态。
S6.根据S4和S5的方法,得到最终正常的风速-功率散点的数据[NWSx,NPm],进而绘制功率曲线,其中,NWSx—剔除完异常数据的风速的集合;NPx—剔除完异常数据的功率的集合。
本发明还公开了一种风电机组功率曲线异常散点识别系统,包括数据采集模块、分风速段处理模块、异常散点识别模块、功率值计算模块、自适应加窗处理模块和风电机组实测功率曲线生成模块;
数据采集模块,用于采集某时间段内的风速和功率数据,建立风速-功率散点数据集;
分风速段处理模块,用于对风速-功率散点数据集进行分风速段处理,形成多个分风速段的风速-功率散点集合;
异常散点识别模块,用于对风速-功率散点集合中额定风速前的功率数据进行异常散点识别及剔除,对风速-功率散点集合中额定风速后的功率数据进行异常散点识别及剔除;
功率值计算模块,用于对剔除完成后的功率数据取中位数,作为该风速区间的参考功率,进而依据对应风速段的功率波动范围及经验值得出该风速段的上限功率值和下限功率值,进而得到该风速中心点的功率散点变化范围;
自适应加窗处理模块,用于根据风速中心点的功率散点变化范围,对风速-功率散点数据集进行自适应加窗处理,识别并剔除异常散点数据;
风电机组实测功率曲线生成模块,用于根据得到的剔除掉异常散点的风速-功率数据生成风电机组实测功率曲线。
Claims (9)
1.一种风电机组功率曲线异常散点识别方法,其特征在于,包括以下步骤:
S1、根据风电机组的设计功率曲线,确定每个风速中心点的功率波动范围;
S2、根据采集的某时间段内的风速和功率数据,建立风速-功率散点数据集,对风速-功率散点数据集进行分风速段处理,形成多个分风速段的风速-功率散点集合;
S3、对风速-功率散点集合中额定风速前的功率数据进行异常散点识别及剔除;对风速-功率散点集合中额定风速后的功率数据进行异常散点识别及剔除;
对剔除完成后的功率数据取中位数,作为该风速区间的参考功率,进而依据S1中对应风速段的功率波动范围及经验值得出该风速段的上限功率值和下限功率值,进而得到该风速中心点的功率散点变化范围;
S4、根据得出的风速中心点的功率散点变化范围,对风速-功率散点数据集进行自适应加窗处理,识别并剔除异常散点数据;
S5、得到剔除掉异常散点的风速-功率数据,进而得到风电机组实测功率曲线。
2.根据权利要求1所述的一种风电机组功率曲线异常散点识别方法,其特征在于,S1具体包括以下步骤:
S1.1、对设计功率曲线上的功率提升段内的风速段进行分风速段处理,得到若干个风速中心点;
S1.2、确定出每个风速中心点的上限风速和下限风速,据风电机组的设计功率曲线得到每个风速中心点对应的风速中心点功率、上限风速功率和下限风速功率;
S1.3、根据风速中心点功率、上限风速功率和下限风速功率计算出该风速中心点在上下限风速内的功率变化率。
4.根据权利要求1所述的一种风电机组功率曲线异常散点识别方法,其特征在于,S2具体为:以一定的时间间隔T,按时间序列计算平均风速和平均功率,进而得到风速-功率散点数据集[WSn,Pn],n为总的点的个数;WSn代表风速数据,Pn代表功率数据;
以间隔WSt划分风速段,WSt的值与风速间隔对应,形成分风速段的风速-功率散点集合[TWSx,TPx],x为对应的风速中心点的值,TWSx代表风速中心点为xm/s的风速的集合,TPx代表风速中心点为xm/s的功率的集合。
5.根据权利要求1所述的一种风电机组功率曲线异常散点识别方法,其特征在于,S3中异常散点识别及剔除具体为:将风速-功率散点集合中的功率值由小到大排序,删除一部分高数据和一部分低数据。
6.根据权利要求5所述的一种风电机组功率曲线异常散点识别方法,其特征在于,删除一部分高数据和一部分低数据,具体为:将最低的后10%的数据和最高的前2%的数据删除。
7.根据权利要求1所述的一种风电机组功率曲线异常散点识别方法,其特征在于,S3中,对剔除完成后的功率数据取中位数,取中位数作为该风速区间的参考功率SPowerx;考虑到散点的波动,在确定的Vx-和Vx+的基础上增加10%作为功率的上下限值,即:
SPowerx-=SPowerx*[1-(Vx-)-10%]
SPowerx+=SPowerx*[1+(Vx+)+10%]
式中:
SPowerx-—风速中心为x m/s风速段的功率下限值;
SPowerx+—风速中心为x m/s风速段的功率上限值。
8.根据权利要求7所述的一种风电机组功率曲线异常散点识别方法,其特征在于,S4具体为:依据得出的x m/s风速中心点的功率散点变化范围(SPowerx-,SPowerx+],以该限值对风速-功率散点集合[TWSx,TPx]中的数据进行识别和剔除,超出(SPowerx-,SPowerx+]中的认为是异常点,将其剔除。
9.基于权利要求1-8任意一项所述风电机组功率曲线异常散点识别方法的风电机组功率曲线异常散点识别系统,其特征在于,包括数据采集模块、分风速段处理模块、异常散点识别模块、功率值计算模块、自适应加窗处理模块和风电机组实测功率曲线生成模块;
数据采集模块,用于采集某时间段内的风速和功率数据,建立风速-功率散点数据集;
分风速段处理模块,用于对风速-功率散点数据集进行分风速段处理,形成多个分风速段的风速-功率散点集合;
异常散点识别模块,用于对风速-功率散点集合中额定风速前的功率数据进行异常散点识别及剔除,对风速-功率散点集合中额定风速后的功率数据进行异常散点识别及剔除;
功率值计算模块,用于对剔除完成后的功率数据取中位数,作为该风速区间的参考功率,进而依据对应风速段的功率波动范围及经验值得出该风速段的上限功率值和下限功率值,进而得到该风速中心点的功率散点变化范围;
自适应加窗处理模块,用于根据风速中心点的功率散点变化范围,对风速-功率散点数据集进行自适应加窗处理,识别并剔除异常散点数据;
风电机组实测功率曲线生成模块,用于根据得到的剔除掉异常散点的风速-功率数据生成风电机组实测功率曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790702.4A CN113536198B (zh) | 2021-07-13 | 2021-07-13 | 一种风电机组功率曲线异常散点识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790702.4A CN113536198B (zh) | 2021-07-13 | 2021-07-13 | 一种风电机组功率曲线异常散点识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536198A true CN113536198A (zh) | 2021-10-22 |
CN113536198B CN113536198B (zh) | 2022-12-13 |
Family
ID=78098860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790702.4A Active CN113536198B (zh) | 2021-07-13 | 2021-07-13 | 一种风电机组功率曲线异常散点识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536198B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595989A (zh) * | 2022-03-15 | 2022-06-07 | 北京博数智源人工智能科技有限公司 | 一种风电机组性能评估方法及装置 |
CN114638312A (zh) * | 2022-03-24 | 2022-06-17 | 申能新能源(青海)有限公司 | 一种风电功率无监督式学习分类算法 |
CN114817228A (zh) * | 2022-06-01 | 2022-07-29 | 武汉大学 | 一种湖泊水位长时间序列监测数据的异常值剔除方法 |
CN115422503A (zh) * | 2022-07-22 | 2022-12-02 | 中广核新能源(定远)有限公司 | 风力发电机组功率曲线绘制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111522808A (zh) * | 2020-04-29 | 2020-08-11 | 贵州电网有限责任公司 | 一种风电机组异常运行数据处理方法 |
-
2021
- 2021-07-13 CN CN202110790702.4A patent/CN113536198B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111522808A (zh) * | 2020-04-29 | 2020-08-11 | 贵州电网有限责任公司 | 一种风电机组异常运行数据处理方法 |
Non-Patent Citations (2)
Title |
---|
杨茂等: "基于云分段最优熵算法的风电机组异常数据识别研究", 《中国电机工程学报》 * |
沈小军等: "风电机组风速-功率异常运行数据特征及清洗方法", 《电工技术学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595989A (zh) * | 2022-03-15 | 2022-06-07 | 北京博数智源人工智能科技有限公司 | 一种风电机组性能评估方法及装置 |
CN114638312A (zh) * | 2022-03-24 | 2022-06-17 | 申能新能源(青海)有限公司 | 一种风电功率无监督式学习分类算法 |
CN114817228A (zh) * | 2022-06-01 | 2022-07-29 | 武汉大学 | 一种湖泊水位长时间序列监测数据的异常值剔除方法 |
CN115422503A (zh) * | 2022-07-22 | 2022-12-02 | 中广核新能源(定远)有限公司 | 风力发电机组功率曲线绘制方法 |
CN115422503B (zh) * | 2022-07-22 | 2023-10-17 | 中广核新能源(定远)有限公司 | 风力发电机组功率曲线绘制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113536198B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536198B (zh) | 一种风电机组功率曲线异常散点识别系统及方法 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN106815771B (zh) | 一种风电场载荷的长期评估方法 | |
CN103291544B (zh) | 数字化风电机组功率曲线绘制方法 | |
CN111794909A (zh) | 面向扇区调控的风电场级偏航动态优化方法和系统 | |
CN107588947B (zh) | 考虑运行工况和信息简化的风电机组传动链状态监测方法 | |
CN110365053B (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
CN112145373B (zh) | 一种风力发电机测风仪风速的校正方法 | |
CN112267972A (zh) | 一种风电机组功率曲线异常智能判定方法 | |
CN113339207B (zh) | 一种风电机组主传动系统的运行工况划分方法及系统 | |
CN108197843B (zh) | 一种平坦地形风电出力特性评估方法 | |
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 | |
CN115829411A (zh) | 一种海上风电机组运行状态评估方法及评估系统 | |
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 | |
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 | |
CN114547829A (zh) | 一种风电场理论功率计算方法及系统 | |
CN114020729A (zh) | 一种基于风机功率曲线的风电场功率数据清洗方法 | |
CN110334951B (zh) | 一种风电机组高温降容状态的智能评估方法及系统 | |
Qiao et al. | Research on SCADA data preprocessing method of Wind Turbine | |
CN112348244A (zh) | 一种基于风资源评估的风电场发电机组检修方法 | |
CN111460360A (zh) | 基于密度分布的功率曲线拟合数据预处理方法及装置 | |
CN112861301A (zh) | 一种基于风机实时数据的风电场理论功率智能计算方法 | |
CN113309661B (zh) | 一种提升风力发电机组发电量的方法 | |
CN113468767B (zh) | 一种海上风电机组发电量评估方法与系统 | |
CN116498502A (zh) | 基于机舱控制测风雷达的风电机组功率曲线计算方法及系统 |
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 |