CN113569399A - 风电机组运行数据处理方法、系统、设备及存储介质 - Google Patents
风电机组运行数据处理方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113569399A CN113569399A CN202110818584.3A CN202110818584A CN113569399A CN 113569399 A CN113569399 A CN 113569399A CN 202110818584 A CN202110818584 A CN 202110818584A CN 113569399 A CN113569399 A CN 113569399A
- Authority
- CN
- China
- Prior art keywords
- data
- turbine generator
- wind speed
- wind turbine
- power
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims description 39
- 230000005611 electricity Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风电机组运行数据处理方法、系统、设备及存储介质,其方法包括获取风电机组的原始运行数据,所述原始运行数据包括风速‑功率数据;基于预设的识别规则对所述风速‑功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除;利用四分位法,将所述风速‑功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;利用聚类法,将所述风速‑功率数据中,风电机组为弃风限电状态的数据识别出并删除。本发明有效剔除全部不良的风速‑功率数据,有助于准确评价风电机组性能。
Description
技术领域
本申请涉及工业数据处理技术领域,尤其是涉及一种风电机组运行数据处理方法、系统、设备及存储介质。
背景技术
近年来,随着对可再生能源的研究发展,越来越来的风电项目兴建,风力发电作为一种可再生的环保能源,是非常值得开发建设的。一般风力发电场覆盖面积广,设备较分散,对风电机组进行数据采集和功能监测是十分有必要的。
目前,风电机组运行的风速-功率数据是通过安装在风电场的监视控制与数据采集(supervisory control and data acquisition,SCADA)系统采集得到的,但是,SCADA系统采集到的运行数据中存在大量的异常数据。产生异常数据的原因主要有三种。一是风电机组多位于风能资源丰富的区域,其运行环境较为恶劣,例如戈壁、荒野、高山等都会对风电机组造成一定的影响,导致传感器易产生故障,风电机组因检修故障计划停机也可能造成测量数据偏离正常值。二是由于SCADA系统的控制终端与风电场距离较远,数据传输过程中会产生噪声及外界电磁干扰,使运行数据产生异常。三是弃风限现象,弃风弃风限电是由于当地电网接纳能力不足和风电不稳定等导致的部分风电机组暂停的现象。弃风弃风限电会导致风电机组的输出功率长期维持在一个较低的水平,即使风速超过额定风速,输出功率也会低于额定功率,这就会造成原始数据中存在大量的异常数据,这些异常数据会直接影响预测模型的建模精度。
现有相关技术中,在用“bin法”构造实际功率曲线时,如果不对数据进行状态识别,大量停机、弃风限电数据的存在,会使每个风速区间的功率平均值严重偏离理论上正常数据的平均值,导致无法准确评估风电机组的运行性能,因此,本发明人认为现有对风电机组的异常运行数据的识别方式还有待进一步研究。
发明内容
有鉴于此,本申请提供一种风电机组运行数据处理方法、系统、设备及存储介质,用以解决如何有效识别出风电机组运行的全部异常功率数据的技术问题,从而有助于构造较为准确的风电机组实际功率曲线。
为了解决上述问题,第一方面,本发明提供一种风电机组运行数据处理方法,所述方法包括:
获取风电机组的原始运行数据,所述原始运行数据包括风速-功率数据;
基于预设的识别规则对所述风速-功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除;
利用四分位法,将所述风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
利用聚类法,将所述风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
可选的,所述原始运行数据还包括风电机组的桨距角数据;则所述基于预设的识别规则对所述风速-功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除,包括:
在所述风速-功率数据中,将风速大于切入风速,且功率小于预设功率阈值的数据识别出,并判定风电机组为停机状态;
结合所述风电机组的桨距角数据,将桨距角大于预设角阈值,且风速小于预设风速阈值的数据识别出,并判定风电机组为停机状态。
可选的,所述预设的识别规则中,所述预设功率阈值为4~7KW,预设角阈值为80~100°,预设风速阈值为5~7m/s。
可选的,所述利用四分位法,将所述风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除,包括:
将风速-功率数据按照功率从小到大排序;
以预设功率单位,将排序后预设功率区间对应的风速-功率数据划分为相等的子功率区间,所述预设功率区间为[0,Pe],其中Pe为风电机组的额定功率;
将每个子功率区间内对应的风速数据集合利用四分位法进行划分;
当风速数据小于第一分位点对应的风速值时,判定风电机组为超发状态;
当风速数据大于第三分位点对应的风速值时,判定风电机组为欠发状态。
可选的,利用四分位法,将所述风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除,还包括:
将风速-功率数据按照风速从小到大排序;
以预设风速单位,将排序后预设风速区间对应的风速-功率数据划分为相等的子风速区间,所述预设风速区间为[0,VS],其中VS为切出风速;
将每个子风速区间内对应的功率数据集合利用四分位法进行划分;
当功率数据大于第三分位点对应的功率值时,判定风电机组为超发状态。
可选的,利用聚类法,将所述风速-功率数据中,风电机组为停机状态的数据识别出并删除,包括:
所述风速-功率数据完成初步识别和四分位法识别后,采用K-子空间聚类法对剩余的风速-功率数据中位于低维子空间且成条带状分布的数据进行聚类,将聚类后的条带状态分布的数据,对应风电机组状态判定为弃风限电状态。
可选的,所述方法还包括:
利用删除后且风电机组为正常状态的风速-功率数据,生成风电机组的实际功率曲线。
第二方面,本申请提供的一种风电机组运行数据处理系统,所述系统包括:
数据获取模块,用于获取风电机组的原始运行数据,所述原始运行数据包括风速-功率数据;
初步识别模块,用于基于预设的识别规则对所述风速-功率数据中进行初步识别,将风电机组为停机状态的数据识别出并删除;
四分位识别模块,用于利用四分位法,将所述风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
聚类识别模块,用于利用聚类法,将所述风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
第三方面,本申请提供的一种计算机设备,采用如下的技术方案:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述风电机组运行数据处理方法的步骤。
第四方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述风电机组运行数据处理方法的步骤。
采用上述实施例的有益效果是:通过预设的识别规则、四分位法以及聚类法,分别将风电机组为停机状态、超发状态、欠发状态以及弃风限电状态的运行数据识别出并删除,从而有效剔除全部不良的风速-功率数据,有助于准确评价风电机组性能。
附图说明
图1为本发明提供的风电机组运行数据处理系统的应用场景示意图;
图2为本发明提供的风电机组运行数据处理方法一实施例的方法流程图;
图3为本发明提供的未经识别的风速-功率数据散点图和功率曲线的示意图;
图4为本发明提供的风电机组运行数据处理方法步骤S202一实施例的方法流程图;
图5为本发明提供的风电机组运行数据处理方法步骤S203一实施例的方法流程图;
图6为本发明提供的风电机组运行数据处理方法步骤S203另一实施例的方法流程图;
图7为本发明提供的风速-功率数据局部散点图;
图8为本发明提供的对风速-功率数据应用K-子空间聚类的聚类流程示意图;
图9(a)为本发明提供的风速-功率数据未识别前生成的功率曲线示意图;
图9(b)为本发明提供的风速-功率数据经过本实施例的方法识别后生成的实际功率曲线示意图;
图10为本发明提供的风电机组运行数据处理系统一种实施例的原理框图;
图11为本发明提供的计算机设备一实施例的原理框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种风电机组运行数据处理方法、系统、设备及存储介质,以下分别进行详细说明。
图1为本申请实施例所提供的风电机组运行数据处理系统的场景示意图,该系统可以包括服务器100,服务器100中集成有风电机组运行数据处理系统,如图1中的服务器。
本申请实施例中服务器100主要用于:
获取风电机组的原始运行数据,原始运行数据包括风速-功率数据;
基于预设的识别规则对风速-功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除;
利用四分位法,将风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
利用聚类法,将风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
本申请实施例中,该服务器100可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的服务器100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是,本申请实施例中所使用的终端200可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定终端200的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的终端,例如图1中仅示出2个终端,可以理解的,该风电机组运行数据处理系统还可以包括一个或多个其他终端,具体此处不作限定。
另外,参照图1所示,该风电机组运行数据处理系统还可以包括存储器200,用于存储数据,如风电机组的风速-功率数据、预设的识别规则等数据。
需要说明的是,图1所示的风电机组运行数据处理系统的场景示意图仅仅是一个示例,本申请实施例描述的风电机组运行数据处理系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着风电机组运行数据处理系统的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
参照图2,本申请提供的风电机组运行数据处理方法一种实施例的方法流程图,该方法包括下述步骤:
S201、获取风电机组的原始运行数据,原始运行数据包括风速-功率数据;
S202、基于预设的识别规则对风速-功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除;
S203、利用四分位法,将风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
S204、利用聚类法,将风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
在本实施例中,通过SCADA系统采集风电机组的原始运行数据,具体地,该原始运行数据包括风电机组的风速-功率数据,还包括风电机组的桨距角数据。
需要说明的是,参照图3,风速-功率数据中,主要包括四种类型的异常数据,其中第一类型为风速较小且功率较大的数据,包括风电机组为超发和欠发状态的运行数据;第二类型为曲线的中部数据,风速较大、功率较小或小于额定功率且呈现横向条带分布,即风电机组为弃风限电状态的运行数据;第三类型为曲线的中部数据,风速较大、功率较小或小于额定功率但不成横向条状分布,即风电机组为超发状态的运行数据;第四类型为曲线底部连续时间内风速较大但功率为零的数据,即风电机组为停机状态的运行数据。
本实施例通过预设的识别规则、四分位法以及聚类法,分别将风电机组为停机状态、超发状态、欠发状态以及弃风限电状态的运行数据识别出并删除,从而有效剔除了不良的风速-功率数据,有助于准确评价风电机组性能。
可选的,参照图4,本申请提供的风电机组运行数据处理方法步骤S202一种实施例的方法流程图,该步骤S202包括下述步骤:
S401、在风速-功率数据中,将风速大于切入风速,且功率小于预设功率阈值的数据识别出,并判定风电机组为停机状态;
S402、结合所述风电机组的桨距角数据,将桨距角大于预设角阈值,且风速小于预设风速阈值的数据识别出,并判定风电机组为停机状态。
在本实施例中,切入风速是指风电机组开始并网发电的最低风速。
通过本实施例的识别规则可以识别风电机组处于停机状态的运行数据,即第四类型的异常运行数据,从而有效剔除。在一实施例中,预设功率阈值为4~7KW,具体可以为5KW;预设角阈值为80~100°,具体可以为85°;预设风速阈值为5~7m/s,具体可以为6m/s;在其他实施例中,可以根据实际需求适应性修改预设参数,在此不做限定。
可选的,参照图5,本申请提供的风电机组运行数据处理方法步骤S203一种实施例的方法流程图,该步骤S203包括下述步骤:
S501、将风速-功率数据按照功率从小到大排序;
S502、以预设功率单位,将排序后预设功率区间对应的风速-功率数据划分为相等的子功率区间,预设功率区间为[0,Pe],其中Pe为风电机组的额定功率;
S503、将每个子功率区间内对应的风速数据集合利用四分位法进行划分;
S504、当风速数据小于第一分位点对应的风速值时,判定风电机组为超发状态;
S505、当风速数据大于第三分位点对应的风速值时,判定风电机组为欠发状态。
在本实施例中,以切出风速为25m/s,额定功率为2000KW的风电机组进行示例性说明,具体地,将风速-功率数据按照功率从小到大排序,并以25KW为间隔的功率单位,将[0,2000]KW的功率区间划分为相等的子功率区间;进一步地,对每个子功率区间内对应的风速数据集合采用四分位法,剔除掉位于风速数据集合内限[Fl,Fu]之外的数据,即第一类型的异常运行数据;其中F1表示当前四分完法划分的第一分位点对应的风速值,Fu表示当前四分位法划分的第三分位点对应的风速值;将风速<F1,识别风电机组为超发状态,将风速>Fu,识别风电机组为欠发状态。
需要说明的是,可以根据实际情况对预设功率单位和预设功率区间的具体数值进行适应性调整,在此不做限定。
可选的,参照图6,本申请提供的风电机组运行数据处理方法步骤S203一种实施例的方法流程图,该步骤S203还包括下述步骤:
S601、将风速-功率数据按照风速从小到大排序;
S602、以预设风速单位,将排序后预设风速区间对应的风速-功率数据划分为相等的子风速区间,预设风速区间为[0,VS],其中VS为切出风速;
S603、将每个子风速区间内对应的功率数据集合利用四分位法进行划分;
S604、当功率数据大于第三分位点对应的功率值时,判定风电机组为超发状态。
在本实施例中,以切出风速为25m/s,额定功率为2000KW的风电机组进行示例性说明,具体地,将风速-功率数据按照风速从小到大排序,并以0.5m/s为间隔的风速单位将[0,25]m/s的风速划分为相等的子风速区间;进一步地,对每个子风速区间内对应的功率数据集合采用四分位法,剔除掉功率数据大于第三分位点对应功率值的数据,即第三类型的异常运行数据,并确定风电机组为超发状态;在此需要解释的是,参照图3,可知第三类型的异常运行数据位于数据区域的下方,考虑到一个子风速区间内异常数据量可能与正常数据量相当甚至多于正常数据量,此时应用四分位法则会将正常数据当做异常数据剔除而造成大量的正常数据被误删除,因此不考虑当前第一分位点的下限数据。
需要说明的是,可以根据实际情况对预设风速单位和预设风速区间的具体数值进行适应性调整,在此不做限定。
可选的,本实施例中,步骤S204具体包括:
风速-功率数据完成初步识别和四分位法识别后,采用K-子空间聚类法对剩余的风速-功率数据中位于低维子空间且成条带状分布的数据进行聚类,将聚类后的条带状态分布的数据,对应风电机组状态判定为弃风限电状态。
在本实施例中,参照图7,经过步骤S202和S203的处理后,散点图左方和上方的异常数据已经被剔除,因此最终期望保留的正常数据必然已经聚集在散点图的最上部分和最左部分,而限电状态的异常数据应始终保持在正常数据的下方而成横向条带状分布,因此,限电状态的异常数据位于低维子空间。本实施例采用K-子空间聚类法,当需要计算数据点对象到聚类组的距离时,应该用数据点对象到子空间的垂直映射距离,而非计算数据点对象到子空间中某一点的距离,具体地,参照图8所示的聚类流程。通过本实施例的K-子空间聚类法对风速-功率数据进行处理,可以避免对风电机组弃风限电状态的识别失误。
可选的,本申请提供的风电机组运行数据处理方法步骤S204之后还包括:
利用删除后且风电机组为正常状态的风速-功率数据,生成风电机组的实际功率曲线。
在本实施例中,参照图9(a)为风速-功率数据未识别前生成的功率曲线,参照图9(b)为风速-功率数据经过本实施例的方法识别后的实际功率曲线,通过对比可知,本实施例的风电机组运行数据处理方法能够较准确地识别风电机组状态,从而将风电机组非正常状态的运行数据有效剔除,生成风电机组的实际功率曲线。
本实施例通过预设的识别规则、横向四分位法和纵向四分位法以及K-子空间聚类法,分别将风电机组为停机状态、超发状态、欠发状态以及弃风限电状态的运行数据识别出并删除,从而有效剔除了不良的风速-功率数据,有助于准确评价风电机组性能。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本实施例还提供一种风电机组运行数据处理系统,该风电机组运行数据处理系统与上述实施例中风电机组运行数据处理方法一一对应。如图10所示,该风电机组运行数据处理系统包括数据获取模块1001、特征初步识别模块1002、四分位识别模块1003和聚类识别模块1004。各功能模块详细说明如下:
数据获取模块1001,用于获取风电机组的原始运行数据,原始运行数据包括风速-功率数据;
初步识别模块1002,用于基于预设的识别规则对风速-功率数据中进行初步识别,将风电机组为停机状态的数据识别出并删除;
四分位识别模块1003,用于利用四分位法,将风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
聚类识别模块1004,用于利用聚类法,将风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
关于风电机组运行数据处理系统的具体限定可以参见上文中对于风电机组运行数据处理方法的限定,在此不再赘述。上述风电机组运行数据处理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
参照图11,本实施例还提供了一种计算机设备,该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器10、存储器20及显示器30。图11仅示出了计算机设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据,例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有计算机程序40。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行风电机组运行数据处理方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行存储器20中计算机程序40时实现以下步骤:
获取风电机组的原始运行数据,原始运行数据包括风速-功率数据;
基于预设的识别规则对风速-功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除;
利用四分位法,将风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
利用聚类法,将风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
本实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取风电机组的原始运行数据,原始运行数据包括风速-功率数据;
基于预设的识别规则对风速-功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除;
利用四分位法,将风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
利用聚类法,将风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种风电机组运行数据处理方法,其特征在于,所述方法包括:
获取风电机组的原始运行数据,所述原始运行数据包括风速-功率数据;
基于预设的识别规则对所述风速-功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除;
利用四分位法,将所述风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
利用聚类法,将所述风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
2.根据权利要求1所述的风电机组运行数据处理方法,其特征在于,所述原始运行数据还包括风电机组的桨距角数据;则所述基于预设的识别规则对所述风速-功率数据进行初步识别,将风电机组为停机状态的数据识别出并删除,包括:
在所述风速-功率数据中,将风速大于切入风速,且功率小于预设功率阈值的数据识别出,并判定风电机组为停机状态;
结合所述风电机组的桨距角数据,将桨距角大于预设角阈值,且风速小于预设风速阈值的数据识别出,并判定风电机组为停机状态。
3.根据权利要求2所述的风电机组运行数据处理方法,其特征在于,所述预设的识别规则中,所述预设功率阈值为4~7KW,预设角阈值为80~100°,预设风速阈值为5~7m/s。
4.根据权利要求1所述的风电机组运行数据处理方法,其特征在于,
所述利用四分位法,将所述风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除,包括:
将风速-功率数据按照功率从小到大排序;
以预设功率单位,将排序后预设功率区间对应的风速-功率数据划分为相等的子功率区间,所述预设功率区间为[0,Pe],其中Pe为风电机组的额定功率;
将每个子功率区间内对应的风速数据集合利用四分位法进行划分;
当风速数据小于第一分位点对应的风速值时,判定风电机组为超发状态;
当风速数据大于第三分位点对应的风速值时,判定风电机组为欠发状态。
5.根据权利要求1所述的风电机组运行数据处理方法,其特征在于,利用四分位法,将所述风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除,还包括:
将风速-功率数据按照风速从小到大排序;
以预设风速单位,将排序后预设风速区间对应的风速-功率数据划分为相等的子风速区间,所述预设风速区间为[0,VS],其中VS为切出风速;
将每个子风速区间内对应的功率数据集合利用四分位法进行划分;
当功率数据大于第三分位点对应的功率值时,判定风电机组为超发状态。
6.根据权利要求1所述的风电机组运行数据处理方法,其特征在于,利用聚类法,将所述风速-功率数据中,风电机组为停机状态的数据识别出并删除,包括:
所述风速-功率数据完成初步识别和四分位法识别后,采用K-子空间聚类法对剩余的风速-功率数据中位于低维子空间且成条带状分布的数据进行聚类,将聚类后的条带状态分布的数据,对应风电机组状态判定为弃风限电状态。
7.根据权利要求1所述的风电机组运行数据处理方法,其特征在于,所述方法还包括:
利用删除后且风电机组为正常状态的风速-功率数据,生成风电机组的实际功率曲线。
8.一种风电机组运行数据处理系统,其特征在于,所述系统包括:
数据获取模块,用于获取风电机组的原始运行数据,所述原始运行数据包括风速-功率数据;
初步识别模块,用于基于预设的识别规则对所述风速-功率数据中进行初步识别,将风电机组为停机状态的数据识别出并删除;
四分位识别模块,用于利用四分位法,将所述风速-功率数据中,风电机组为超发状态和欠发状态的数据识别出并删除;
聚类识别模块,用于利用聚类法,将所述风速-功率数据中,风电机组为弃风限电状态的数据识别出并删除。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述风电机组运行数据处理方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述风电机组运行数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110818584.3A CN113569399A (zh) | 2021-07-20 | 2021-07-20 | 风电机组运行数据处理方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110818584.3A CN113569399A (zh) | 2021-07-20 | 2021-07-20 | 风电机组运行数据处理方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569399A true CN113569399A (zh) | 2021-10-29 |
Family
ID=78165670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110818584.3A Pending CN113569399A (zh) | 2021-07-20 | 2021-07-20 | 风电机组运行数据处理方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569399A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444820A (zh) * | 2022-04-11 | 2022-05-06 | 南方电网数字电网研究院有限公司 | 基于气象-功率特性的新能源功率预测限电数据识别方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106368908A (zh) * | 2016-08-30 | 2017-02-01 | 华电电力科学研究院 | 一种基于scada系统风电机组功率曲线测试方法 |
CN107330183A (zh) * | 2017-06-29 | 2017-11-07 | 华北电力大学 | 一种基于运行数据的风电利用率计算方法 |
CN110795690A (zh) * | 2019-10-24 | 2020-02-14 | 大唐(赤峰)新能源有限公司 | 风电场运行异常数据检测方法 |
WO2020098893A1 (en) * | 2018-11-16 | 2020-05-22 | Vestas Wind Systems A/S | Monitoring operation of a wind turbine |
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
- 2021-07-20 CN CN202110818584.3A patent/CN113569399A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106368908A (zh) * | 2016-08-30 | 2017-02-01 | 华电电力科学研究院 | 一种基于scada系统风电机组功率曲线测试方法 |
CN107330183A (zh) * | 2017-06-29 | 2017-11-07 | 华北电力大学 | 一种基于运行数据的风电利用率计算方法 |
WO2020098893A1 (en) * | 2018-11-16 | 2020-05-22 | Vestas Wind Systems A/S | Monitoring operation of a wind turbine |
CN110795690A (zh) * | 2019-10-24 | 2020-02-14 | 大唐(赤峰)新能源有限公司 | 风电场运行异常数据检测方法 |
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 (3)
Title |
---|
沈小军;付雪姣;周冲成;王伟;: "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, no. 14 * |
许昌 等: "风电场工程后评估与风电机组状态评价", 31 December 2020, 中国水利水电出版社, pages: 23 - 28 * |
郭丹;朴在林;胡博;张志霞;吕强强;梁永志;: "风电场运行数据分析", 电网与清洁能源, no. 04 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114444820A (zh) * | 2022-04-11 | 2022-05-06 | 南方电网数字电网研究院有限公司 | 基于气象-功率特性的新能源功率预测限电数据识别方法 |
CN114444820B (zh) * | 2022-04-11 | 2022-10-18 | 南方电网数字电网研究院有限公司 | 基于气象-功率特性的新能源功率预测限电数据识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569399A (zh) | 风电机组运行数据处理方法、系统、设备及存储介质 | |
WO2020140022A1 (en) | System and method for fault detection of components using information fusion technique | |
CN102413186B (zh) | 基于私有云计算的资源调度方法、装置和云管理服务器 | |
CN102682185A (zh) | 单风力发电机的风电功率预测方法 | |
CN110783963A (zh) | 电力系统优化调度方法、装置、计算机设备和存储介质 | |
Gao et al. | Spectral clustering based demand-oriented representative days selection method for power system expansion planning | |
Yan et al. | Insecurity early warning for large scale hybrid AC/DC grids based on decision tree and semi-supervised deep learning | |
CN109240460A (zh) | 一种服务器散热方法、装置、设备及计算机存储介质 | |
CN111859812A (zh) | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 | |
CN114221353B (zh) | 电网调控方法、装置、设备、存储介质和计算机程序产品 | |
CN115357450A (zh) | 基于人工智能的节点维护方法、装置、计算机设备及介质 | |
CN115603331A (zh) | 基于统一潮流控制器的运行优化方法、系统及介质 | |
Ren et al. | Online multi-fault power system dynamic security assessment driven by hybrid information of anticipated faults and pre-fault power flow | |
CN111223007A (zh) | 用户异常用电行为分析预警方法、装置、设备和介质 | |
CN108471137B (zh) | 一种风功率预测中风速功率概率性映射方法 | |
CN111190890B (zh) | 用户日用电量数据清洗方法、装置、设备和介质 | |
CN110838940A (zh) | 地下电缆巡检任务配置方法和装置 | |
CN115604353A (zh) | 电力监控系统中数据处理方法、系统和计算机设备 | |
Huo et al. | Horizontal pod autoscaling based on kubernetes with fast response and slow shrinkage | |
CN113653609B (zh) | 风电机组风向标故障识别方法、系统、设备和存储介质 | |
CN114416885A (zh) | 基于drbd的数据同步方法、装置、计算机设备及存储介质 | |
CN113850500A (zh) | 基于de-bp神经网络的物流风险预警方法、装置及电子设备 | |
CN111476493B (zh) | 机组经济持留行为的检测方法、装置和计算机设备 | |
CN113807211A (zh) | 设备运行状态预警方法、计算机设备及存储介质 | |
CN112799783B (zh) | 一种云平台资源碎片优化的虚拟机放置方法及系统 |
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 |