CN113657786A - 基于风电机组运行性能评估指标体系的机群划分方法 - Google Patents
基于风电机组运行性能评估指标体系的机群划分方法 Download PDFInfo
- Publication number
- CN113657786A CN113657786A CN202110971287.2A CN202110971287A CN113657786A CN 113657786 A CN113657786 A CN 113657786A CN 202110971287 A CN202110971287 A CN 202110971287A CN 113657786 A CN113657786 A CN 113657786A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- power
- index
- wind
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 238000010248 power generation Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000008859 change Effects 0.000 claims description 30
- 238000012423 maintenance Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了基于风电机组运行性能评估指标体系的机群划分方法,其方法主要包括建立风电机组运行性能评估体系、对风电机组运行性能评估指标进行分类、确定风电机组各指标权重和根据指标权重对机组进行机群的划分。本发明利用已有实际数据进行指标计算,得到大量的影响风电机组运行的指标数据,在其基础上分类,将有类似特征的指标分为一类,便于使用。考虑到分类数主要由经验得来可能并不严谨,计算每次并类后的不一致系数来判断分类数,提升调度运行的分析决策能力。考虑到指标体系针对不同机群的适用性以及处理风电场模型的速度和精度,利用分类后的指标对所有风电机组进行分类,降低系统复杂度,提高精确度,便于管理者观察和控制。
Description
技术领域
本发明属于风电机群划分领域,特别涉及基于风电机组运行性能评估指标体系的机群划分方法。
背景技术
风电作为开发利用最广泛的可再生清洁能源,具备成熟的开发条件和广阔的应用前景。由于风机的随机性和波动性对电力系统的稳定和安全运行有一定威胁,并且大型风电场内可能会由很多型号的机组组成,因此需要构建准确又简便的模型。在构建模型时,一般将条件相似的机组划分在同一机群中,将其等值为一个机群统一进行处理,从而简化分析。当风电场地势较为平坦、机组排列较为规则时,机群划分一般按照机组类型和地理位置进行;机组排列不规则时,一般将运行点(有功功率、风速等指标)相近的机组划为一类,若各风机风速相近、机组型号相同,常采用单机等值,否则采用多机等值,研究表明,多机等值可以更好地模拟风场的整体特性。
目前风电机组运行性能评价指标体系方面的研究,可以大致的分为两类:指标类研究和体系类研究。在常规基础评价指标的基础上,国内外学者提出了一些改进型评价指标。这些自定义指标有的更加直观或准确、有的是从更高层次反映系统的某种运行特性、有的是针对风电发展新出现的问题。各基础指标、改进型指标各自都具有不同的侧重点及应用场景,然而这些不同的侧重点的指标混杂在一起,需要针对性地选取、分类和说明,才能清晰全面地反映风电场内的实际运行情况。
对于大型风电场的机群划分,有多种方法进行,常见的有K-means聚类算法、FCM(Fuzzy C-Means)、谱聚类等。作为最常用的方法之一,K-means聚类算法使用对风场进行聚类分群处理得到的结果精确度比较高,但由于k值不同得到的结果也会改变,通常情况下,k值往往由参考经验进行划分,结果不够精确和稳定。层次聚类法可以通过设置不同的相关参数值,得到不同粒度上的多层次聚类结构,但不需要多次进行聚类。
层次分析法是一种解决多目标复杂问题的定性与定量相结合的决策分析方法。在面对复杂的影响因素时,相对于最高层目标,层次分析法把系统归结到最下层进行深入分析,利用较少的定量信息使过程数学化,确定相对重要权值或相对优劣次序,提供了简便的决策方法。
现有风电场等值方法主要存在以下问题:机群划分指标过少,导致机群划分结果仅针对于某个或某些物理量,不适用于大部分场景;机群划分指标过多,导致机群划分结果不能明显指出影响力大的指标并做出针对性的处理;在进行处理时,其等值风机台数并非科学处理得来,没有进行深入研究,一个恰当的聚类数,不仅可以提高机群的精度和速度,更利于模型间的对比,合理高效解决以上问题得方法对指导风电运行,为电网调度管理部门提供决策性支撑具有重要的意义。
发明内容
本发明旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择。为此,本发明的第一目的在于提出基于风电机组运行性能评估指标体系的机群划分方法。
根据本发明的实施例,基于风电机组运行性能评估指标体系的机群划分方法,所属该方法主要包括;
S101:建立风电机组运行性能评估体系;
S102:对风电机组运行性能评估指标进行分类;
S103:确定风电机组各指标权重;
S104:根据指标权重对机组进行机群的划分。
优选地,所述建立风电机组运行性能评估体系中包含基本发电性能指标、出力预测性能指标、出力间歇性指标和运行可靠性指标。
优选地,所述在基本发电性能指标中包含以下指标:
式中:理论功率为利用功率曲线和轮毂高度估算得到的功率,为统计时段内风电机组的理论发电量(kWh);t为统计时段内样本数量;Δt为时间分辨率(h);为风电机组第i个时刻的理论发电功率(kW)(i=1,2,…,t),选取统计时间为日、月、季节、年时,使理论发电量分别记为
式中:实发功率为风电机组实测输出功率,为统计时段内风电机组的实发电量(kWh);t为统计时段内样本数量;Δt为时间分辨率(h);为风电机组第i个时刻的实发功率(kW)(i=1,2,…,t),选取统计时间为日、月、季节、年时,使实发电量分别记为
平均发电功率年变化率αW;
式中:表示统计时段内风电场内第i台机组的实际可利用率;t表示统计时间(h);表示统计时段风电场第i台机组的故障时间(h);表示统计时间内风电场第i台机组的状态不明时间(h)。状态不明时间是指由于电网因素、风电场电气设备原因、例行维护和不可抗力导致的停机时间;
机组能量利用率δW,能量可利用率即在统计时段内,风电机组实际发电量占理论发电量的百分比,是对风电机组发电能力的综合考量,该指标是以风电机组自身的资源水平为标准衡量其实际发电水平,消除了由于风资源水平、风电场设计水平对运营风电场发电能力的影响,其表达式如下:
λ=Ω·r/v
式中:Ω为风轮机的旋转角速度(rad/s);r为风轮半径(m)。叶尖速比为风轮叶片尖端线速度与风速之比,叶片转速越快,同风速下的叶尖速比就越大;
峰值出力同时率kW,峰值出力同时率是指统计时段内风电场最大出力与所属各风电机组最大出力之和的比值,其表达式为:
优选地,所述出力预测性能指标中包含以下指标:
电量相对误差dW,其表达式如下:
优选地,所述在出力间歇性指标中包含以下指标:
式中:表示风电机组按大于50%装机容量出力的持续出力时间(h),为统计时间内出力大于50%装机容量的采样次数;为第i次的持续出力时间(h)。同理可得出力在其他范围的持续时间,例如,表示电场中发电机组的实际出力大于70%装机容量的持续出力时间(h),以此类推,可以选取月、季节、年不同时间尺度,使其分别记为
出力概率分布F(P)W,通过出力概率分布,可以了解风电机组主要的出力区间以及可能性较小的出力区间,从而揭示出力统计规律性,其表达式如下:
机组出力均衡度DPW,其表达式如下:
式中:DPW表示机组出力均衡度;为机组的第i个时刻的实发功率(kW)(i=1,2,…n);为机组第i个发电功率采样值所对应的概率(i=1,2,…n);n为风电场开机运行数量;EPW为机组出力期望E(P)W的简写,可用平均实际发电功率表示。
优选地,所述运行可靠性指标中包含如下指标:
式中:t表示统计时间(h);cW表示统计时间内风电机组维修次数。
优选地,所述对风电机组运行性能评估指标进行分类时具体步骤如下:
S201:处理机组的指标数据,形成风电机组时间序列运行性能指标矩阵;
S202:计算机组指标矩阵内所有指标之间的欧式距离,产生指标聚类树;
S203:计算不一致系数得到分类数,
所述风电机组时间序列运行性能指标矩阵如下:
式中:yij表示风电机组在第i个运行性能指标第j个时刻所采集到的数据,n为样本数量,t为样本长度;
所述使用欧式距离计算相似度量值,在Y矩阵中,任意两个指标(Yu,Yv)之间的欧式距离:
进行欧式距离计算时,两个指标的距离越小,说明相似度越高,则可将并为一类,则形成聚类树;
所述根据不一致系数来确定指标的分类数,其不一致系数计算方法如下:
式中:in(Yu,Yv)为两个指标样本组(Yu,Yv)并类后的不一致系数;d(Yu,Yv)为包含连续合并的两个集群之间的连接距离;r(Yu,Yv)为包含的所有链接的指标样本组(Yu,Yv)的高度平均值;s(Yu,Yv)为两个指标样本组(Yu,Yv)并类后高度的标准偏差;在整个并类过程中如果某一次并类对应的不一致系数较上一次有大幅增加,说明该次并类的效果不好,而它上一次的并类效果是比较好的,不一致系数增加的幅度越大,说明上一次的并类效果越好,参照不一致系数的变化,确定最终的分类个数。
优选地,所述在确定风电机组各指标权重时具体步骤如下:
S301:将指标体系分为上、中、下三层,先为下层指标构造判断矩阵;
S302:对每个判断矩阵做一致性检验;
S303:计算总排序量并做一致性检验,
所述判断矩阵A如下:
表1判断矩阵aij的1-9标度方法
所述对判断矩阵进行一致性检验,其一致性指标如下:
式中:CI等于0,有完全的一致性;CI接近于0,有满意的一致性;CI越大,不一致越严重,为衡量CI的大小,引入随机一致性指标RI,通过构造500个成对对比矩阵A1,A2,…,A500,则可得一致性指标CI1,CI2,…,CI500,由此可得:
由于不排除随机原因造成一致性偏离的可能性,在检验判断矩阵是否具有满意的一致性时需将CI和RI进行比较,得出检验系数CR:
一般,如果CR小于0.1,则认为该判断矩阵通过一致性检验,否则就不具有满意一致性,此时需要重新构造成对对比矩阵A,对aij加以调整;
中层对上层的指标权重计算方法与下层指标计算方法相同,若中层m个因素对上层总目标的排序为a1,a2,…,am,下层n个因素对中层总目标的排序为b1j,b2j,…,bnj,则下层第i个元素对上层的总排序的权重为:
所述对总排序量做一致性检验时,利用总排序一致性比率:
判断CR是否小于0.1进行检验,若CR小于0.1即通过,则可按照总排序权向量表示的结果进行决策,否则需要重新考虑模型或重新构造一致性比率CR较大的成对对比矩阵。
优选地,所述根据指标权重对机组进行机群的划分时基于基本指标数据计算得到各机群在一定时段内新的指标分类的结果,取标值后再进行数据标准化处理,将处理后的机组数据按行依次排列,组成机组矩阵;计算机组矩阵内所有机组之间的距离,根据距离的大小先后进行聚类,最终合为一类,产生机组聚类树;对比每个不一致系数及其两边的大小选择合理高效的聚类数,最终将机群进行划分。
本发明的有益效果在于:考虑到风电场运行性能评估指标体系的便利性,利用风机的特性将其分类,提升调度运行人员的对风电场内信息的感知能力,条理清晰便于管理。考虑到风电场内各指标的影响程度不同,利用最下层指标间的两两对比计算每个指标在最高层指标的权重。考虑到指标体系的实用性和简便性,利用已有实际数据进行指标计算,得到大量的影响风电机组运行的指标数据,在其基础上分类,将有类似特征的指标分为一类,便于使用。考虑到分类数主要由经验得来可能并不严谨,计算每次并类后的不一致系数来判断分类数,提升调度运行的分析决策能力。考虑到指标体系针对不同机群的适用性以及处理风电场模型的速度和精度,利用分类后的指标对所有风电机组进行分类,降低复杂度,提高精确度,便于观察和控制。
附图说明
图1为基于风电机组运行性能评估指标体系的机群划分方法流程图;
图2为风电机组运行性能评估指标体系模块分类图;
图3为风电机组运行性能评估指标的分类流程图;
图4为风电机组分类后指标权重的确定流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“理论”、“可用”、“实发”的功率和电量在本发明中有明确的规定:理论功率指在当前风况下场内所有风机均可正常运行时能够发出的功率,其积分电量为理论发电量;可用功率指在当前风况下考虑场内设备故障、缺陷或检修等原因引起受阻后能够发出的功率,其积分电量为可用发电量;实发功率是指在当前风况下所有风机实际发出的功率,其积分电量为实发电量。
如图1所示,风电机组运行性能评估指标体系的机群划分方法包括:步骤S101:建立风电机组运行性能评估体系;步骤S102:对风电机组运行性能评估指标进行分类;步骤S103:确定风电机组各指标权重;步骤S104:根据指标权重对机组进行机群的划分。
如图2所示风电机组运行性能评估体系中包含基本发电性能指标、出力预测性能指标、出力间歇性指标和运行可靠性指标。
其中在基本发电性能指标中包含以下指标:
式中:理论功率为利用功率曲线和轮毂高度估算得到的功率,为统计时段内风电机组的理论发电量(kWh);t为统计时段内样本数量;Δt为时间分辨率(h);为风电机组第i个时刻的理论发电功率(kW)(i=1,2,…,t),选取统计时间为日、月、季节、年时,使理论发电量分别记为
式中:实发功率为风电机组实测输出功率,为统计时段内风电机组的实发电量(kWh);t为统计时段内样本数量;Δt为时间分辨率(h);为风电机组第i个时刻的实发功率(kW)(i=1,2,…,t),选取统计时间为日、月、季节、年时,使实发电量分别记为
平均发电功率年变化率αW;
式中:表示统计时段内风电场内第i台机组的实际可利用率;t表示统计时间(h);表示统计时段风电场第i台机组的故障时间(h);表示统计时间内风电场第i台机组的状态不明时间(h)。状态不明时间是指由于电网因素、风电场电气设备原因、例行维护和不可抗力导致的停机时间;
机组能量利用率δW,能量可利用率即在统计时段内,风电机组实际发电量占理论发电量的百分比,是对风电机组发电能力的综合考量,该指标是以风电机组自身的资源水平为标准衡量其实际发电水平,消除了由于风资源水平、风电场设计水平对运营风电场发电能力的影响,其表达式如下:
λ=Ω·r/v
式中:Ω为风轮机的旋转角速度(rad/s);r为风轮半径(m)。叶尖速比为风轮叶片尖端线速度与风速之比,叶片转速越快,同风速下的叶尖速比就越大;
峰值出力同时率kW,峰值出力同时率是指统计时段内风电场最大出力与所属各风电机组最大出力之和的比值,其表达式为:
其中出力预测性能指标中包含以下指标:
电量相对误差dW,其表达式如下:
其中出力间歇性指标中包含以下指标:
式中:表示风电机组按大于50%装机容量出力的持续出力时间(h),为统计时间内出力大于50%装机容量的采样次数;为第i次的持续出力时间(h)。同理可得出力在其他范围的持续时间,例如,表示电场中发电机组的实际出力大于70%装机容量的持续出力时间(h),以此类推,可以选取月、季节、年不同时间尺度,使其分别记为
出力概率分布F(P)W,通过出力概率分布,可以了解风电机组主要的出力区间以及可能性较小的出力区间,从而揭示出力统计规律性,其表达式如下:
机组出力均衡度DPW,其表达式如下:
式中:DPW表示机组出力均衡度;为机组的第i个时刻的实发功率(kW)(i=1,2,…n);为机组第i个发电功率采样值所对应的概率(i=1,2,…n);n为风电场开机运行数量;EPW为机组出力期望E(P)W的简写,可用平均实际发电功率表示。
其中运行可靠性指标中包含如下指标:
式中:t表示统计时间(h);cW表示统计时间内风电机组维修次数。
2)每次风电机组控制器的维护键(钥匙)切换到“LOCAL(本地)”时记为一次检修;
3)如果维护键(钥匙)同一天切换多次,则只记为一次检修;
4)如果一次维护持续连续几天,则仍视为一次单一事件;
5)强制的和业主要求的检查不计在内。
如图3所示,风电机组运行性能评估指标进行分类时具体步骤如下:
S201:处理机组的指标数据,形成风电机组时间序列运行性能指标矩阵;
S202:计算机组指标矩阵内所有指标之间的欧式距离,产生指标聚类树;
S203:计算不一致系数得到分类数,
所述风电机组时间序列运行性能指标矩阵如下:
式中:yij表示风电机组在第i个运行性能指标第j个时刻所采集到的数据,n为样本数量,t为样本长度;
所述使用欧式距离计算相似度量值,在Y矩阵中,任意两个指标(Yu,Yv)之间的欧式距离:
进行欧式距离计算时,两个指标的距离越小,说明相似度越高,则可将并为一类,则形成聚类树;
所述根据不一致系数来确定指标的分类数,其不一致系数计算方法如下:
式中:in(Yu,Yv)为两个指标样本组(Yu,Yv)并类后的不一致系数;d(Yu,Yv)为包含连续合并的两个集群之间的连接距离;r(Yu,Yv)为包含的所有链接的指标样本组(Yu,Yv)的高度平均值;s(Yu,Yv)为两个指标样本组(Yu,Yv)并类后高度的标准偏差;在整个并类过程中如果某一次并类对应的不一致系数较上一次有大幅增加,说明该次并类的效果不好,而它上一次的并类效果是比较好的,不一致系数增加的幅度越大,说明上一次的并类效果越好,参照不一致系数的变化,确定最终的分类个数。
如图4所示,确定风电机组各指标权重时具体步骤如下:
S301:将指标体系分为上、中、下三层,先为下层指标构造判断矩阵;
S302:对每个判断矩阵做一致性检验;
S303:计算总排序量并做一致性检验,
所述判断矩阵A如下:
表1判断矩阵aij的1-9标度方法
所述对判断矩阵进行一致性检验,其一致性指标如下:
式中:CI等于0,有完全的一致性;CI接近于0,有满意的一致性;CI越大,不一致越严重,为衡量CI的大小,引入随机一致性指标RI,通过构造500个成对对比矩阵A1,A2,…,A500,则可得一致性指标CI1,CI2,…,CI500,由此可得:
由于不排除随机原因造成一致性偏离的可能性,在检验判断矩阵是否具有满意的一致性时需将CI和RI进行比较,得出检验系数CR:
一般,如果CR小于0.1,则认为该判断矩阵通过一致性检验,否则就不具有满意一致性,此时需要重新构造成对对比矩阵A,对aij加以调整;
中层对上层的指标权重计算方法与下层指标计算方法相同,若中层m个因素对上层总目标的排序为a1,a2,…,am,下层n个因素对中层总目标的排序为b1j,b2j,…,bnj,则下层第i个元素对上层的总排序的权重为:
所述对总排序量做一致性检验时,利用总排序一致性比率:
判断CR是否小于0.1进行检验,若CR小于0.1即通过,则可按照总排序权向量表示的结果进行决策,否则需要重新考虑模型或重新构造一致性比率CR较大的成对对比矩阵。
指标权重对机组进行机群的划分时基于基本指标数据计算得到各机群在一定时段内新的指标分类的结果,取标值后再进行数据标准化处理,将处理后的机组数据按行依次排列,组成机组矩阵;计算机组矩阵内所有机组之间的距离,根据距离的大小先后进行聚类,最终合为一类,产生机组聚类树;对比每个不一致系数及其两边的大小选择合理高效的聚类数,最终将机群进行划分。
需要说明的是,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.基于风电机组运行性能评估指标体系的机群划分方法,其特征在于,所书该方法包括:
S101:建立风电机组运行性能评估体系;
S102:对风电机组运行性能评估指标进行分类;
S103:确定风电机组各指标权重;
S104:根据指标权重对机组进行机群的划分。
2.根据权利要求1所述的方法,其特征在于,所述建立风电机组运行性能评估体系中包含基本发电性能指标、出力预测性能指标、出力间歇性指标和运行可靠性指标。
3.根据权利要求2所述的方法,其特征在于,所述在基本发电性能指标中包含以下指标:
式中:理论功率为利用功率曲线和轮毂高度估算得到的功率,为统计时段内风电机组的理论发电量(kWh);t为统计时段内样本数量;Δt为时间分辨率(h);为风电机组第i个时刻的理论发电功率(kW)(i=1,2,…,t),选取统计时间为日、月、季节、年时,使理论发电量分别记为
式中:实发功率为风电机组实测输出功率,为统计时段内风电机组的实发电量(kWh);t为统计时段内样本数量;Δt为时间分辨率(h);为风电机组第i个时刻的实发功率(kW)(i=1,2,…,t),选取统计时间为日、月、季节、年时,使实发电量分别记为
平均发电功率年变化率αW;
式中:表示统计时段内风电场内第i台机组的实际可利用率;t表示统计时间(h);表示统计时段风电场第i台机组的故障时间(h);表示统计时间内风电场第i台机组的状态不明时间(h)。状态不明时间是指由于电网因素、风电场电气设备原因、例行维护和不可抗力导致的停机时间;
机组能量利用率δW,能量可利用率即在统计时段内,风电机组实际发电量占理论发电量的百分比,是对风电机组发电能力的综合考量,该指标是以风电机组自身的资源水平为标准衡量其实际发电水平,消除了由于风资源水平、风电场设计水平对运营风电场发电能力的影响,其表达式如下:
λ=Ω·r/v
式中:Ω为风轮机的旋转角速度(rad/s);r为风轮半径(m)。叶尖速比为风轮叶片尖端线速度与风速之比,叶片转速越快,同风速下的叶尖速比就越大;
峰值出力同时率kW,峰值出力同时率是指统计时段内风电场最大出力与所属各风电机组最大出力之和的比值,其表达式为:
4.根据权利要求2所述的方法,其特征在于,所述出力预测性能指标中包含以下指标:
电量相对误差dW,其表达式如下:
5.根据权利要求2所述的方法,其特征在于,所述在出力间歇性指标中包含以下指标:
式中:表示风电机组按大于50%装机容量出力的持续出力时间(h),为统计时间内出力大于50%装机容量的采样次数;为第i次的持续出力时间(h)。同理可得出力在其他范围的持续时间,例如,表示电场中发电机组的实际出力大于70%装机容量的持续出力时间(h),以此类推,可以选取月、季节、年不同时间尺度,使其分别记为
出力概率分布F(P)W,通过出力概率分布,可以了解风电机组主要的出力区间以及可能性较小的出力区间,从而揭示出力统计规律性,其表达式如下:
机组出力均衡度DPW,其表达式如下:
7.根据权利要求1所述的方法,其特征在于,所述对风电机组运行性能评估指标进行分类时具体步骤如下:
S201:处理机组的指标数据,形成风电机组时间序列运行性能指标矩阵;
S202:计算机组指标矩阵内所有指标之间的欧式距离,产生指标聚类树;
S203:计算不一致系数得到分类数,
所述风电机组时间序列运行性能指标矩阵如下:
式中:yij表示风电机组在第i个运行性能指标第j个时刻所采集到的数据,n为样本数量,t为样本长度;
所述使用欧式距离计算相似度量值,在Y矩阵中,任意两个指标(Yu,Yv)之间的欧式距离:
进行欧式距离计算时,两个指标的距离越小,说明相似度越高,则可将并为一类,则形成聚类树;
所述根据不一致系数来确定指标的分类数,其不一致系数计算方法如下:
式中:in(Yu,Yv)为两个指标样本组(Yu,Yv)并类后的不一致系数;d(Yu,Yv)为包含连续合并的两个集群之间的连接距离;r(Yu,Yv)为包含的所有链接的指标样本组(Yu,Yv)的高度平均值;s(Yu,Yv)为两个指标样本组(Yu,Yv)并类后高度的标准偏差;在整个并类过程中如果某一次并类对应的不一致系数较上一次有大幅增加,说明该次并类的效果不好,而它上一次的并类效果是比较好的,不一致系数增加的幅度越大,说明上一次的并类效果越好,参照不一致系数的变化,确定最终的分类个数。
8.根据权利要求1所述的方法,其特征在于,所述在确定风电机组各指标权重时具体步骤如下:
S301:将指标体系分为上、中、下三层,先为下层指标构造判断矩阵;
S302:对每个判断矩阵做一致性检验;
S303:计算总排序量并做一致性检验,
所述判断矩阵A如下:
所述对判断矩阵进行一致性检验,其一致性指标如下:
式中:CI等于0,有完全的一致性;CI接近于0,有满意的一致性;CI越大,不一致越严重,为衡量CI的大小,引入随机一致性指标RI,通过构造500个成对对比矩阵A1,A2,…,A500,则可得一致性指标CI1,CI2,…,CI500,由此可得:
由于不排除随机原因造成一致性偏离的可能性,在检验判断矩阵是否具有满意的一致性时需将CI和RI进行比较,得出检验系数CR:
一般,如果CR小于0.1,则认为该判断矩阵通过一致性检验,否则就不具有满意一致性,此时需要重新构造成对对比矩阵A,对aij加以调整;
中层对上层的指标权重计算方法与下层指标计算方法相同,若中层m个因素对上层总目标的排序为a1,a2,…,am,下层n个因素对中层总目标的排序为b1j,b2j,…,bnj,则下层第i个元素对上层的总排序的权重为:
所述对总排序量做一致性检验时,利用总排序一致性比率:
判断CR是否小于0.1进行检验,若CR小于0.1即通过,则可按照总排序权向量表示的结果进行决策,否则需要重新考虑模型或重新构造一致性比率CR较大的成对对比矩阵。
9.根据权利要求1所述的方法,其特征在于,所述根据指标权重对机组进行机群的划分时基于基本指标数据计算得到各机群在一定时段内新的指标分类的结果,取标值后再进行数据标准化处理,将处理后的机组数据按行依次排列,组成机组矩阵;计算机组矩阵内所有机组之间的距离,根据距离的大小先后进行聚类,最终合为一类,产生机组聚类树;对比每个不一致系数及其两边的大小选择合理高效的聚类数,最终将机群进行划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971287.2A CN113657786A (zh) | 2021-08-24 | 2021-08-24 | 基于风电机组运行性能评估指标体系的机群划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110971287.2A CN113657786A (zh) | 2021-08-24 | 2021-08-24 | 基于风电机组运行性能评估指标体系的机群划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657786A true CN113657786A (zh) | 2021-11-16 |
Family
ID=78481714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110971287.2A Pending CN113657786A (zh) | 2021-08-24 | 2021-08-24 | 基于风电机组运行性能评估指标体系的机群划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657786A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860278A (zh) * | 2023-02-27 | 2023-03-28 | 深圳市利和兴股份有限公司 | 一种基于数据分析的电机组装生产管理方法及系统 |
CN117477648A (zh) * | 2023-11-09 | 2024-01-30 | 商运(江苏)科创发展有限公司 | 基于数字孪生技术的风电装备建模及性能评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960688A (zh) * | 2018-08-30 | 2018-12-07 | 北京光耀电力科技股份有限公司 | 一种风电机组的综合管理系统 |
CN110852544A (zh) * | 2018-08-21 | 2020-02-28 | 新疆金风科技股份有限公司 | 风力发电机组的可靠性评估方法及装置 |
CN112116262A (zh) * | 2020-09-24 | 2020-12-22 | 华能盐城大丰新能源发电有限责任公司 | 一种风力发电机组设备健康度的评价方法 |
CN112184008A (zh) * | 2020-09-27 | 2021-01-05 | 科大国创云网科技有限公司 | 一种基于层次分析法的基站智慧节能模型评估方法及系统 |
CN112436541A (zh) * | 2019-08-25 | 2021-03-02 | 南京理工大学 | 基于熵值决策法的风电主动参与调度能力评估方法 |
CN112581315A (zh) * | 2020-12-25 | 2021-03-30 | 东北电力大学 | 一种基于极端梯度动态密度聚类的风电场内分群方法 |
WO2022022101A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网甘肃省电力公司电力科学研究院 | 一种送端电网故障状态下紧急源网协调调峰控制方法 |
-
2021
- 2021-08-24 CN CN202110971287.2A patent/CN113657786A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852544A (zh) * | 2018-08-21 | 2020-02-28 | 新疆金风科技股份有限公司 | 风力发电机组的可靠性评估方法及装置 |
CN108960688A (zh) * | 2018-08-30 | 2018-12-07 | 北京光耀电力科技股份有限公司 | 一种风电机组的综合管理系统 |
CN112436541A (zh) * | 2019-08-25 | 2021-03-02 | 南京理工大学 | 基于熵值决策法的风电主动参与调度能力评估方法 |
WO2022022101A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网甘肃省电力公司电力科学研究院 | 一种送端电网故障状态下紧急源网协调调峰控制方法 |
CN112116262A (zh) * | 2020-09-24 | 2020-12-22 | 华能盐城大丰新能源发电有限责任公司 | 一种风力发电机组设备健康度的评价方法 |
CN112184008A (zh) * | 2020-09-27 | 2021-01-05 | 科大国创云网科技有限公司 | 一种基于层次分析法的基站智慧节能模型评估方法及系统 |
CN112581315A (zh) * | 2020-12-25 | 2021-03-30 | 东北电力大学 | 一种基于极端梯度动态密度聚类的风电场内分群方法 |
Non-Patent Citations (1)
Title |
---|
李增楠: "层次分析方法在同调机组识别应用中的完善与改进", 中国优秀硕士论文工程科技Ⅱ辑, no. 2015, pages 1 - 58 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860278A (zh) * | 2023-02-27 | 2023-03-28 | 深圳市利和兴股份有限公司 | 一种基于数据分析的电机组装生产管理方法及系统 |
CN115860278B (zh) * | 2023-02-27 | 2023-04-28 | 深圳市利和兴股份有限公司 | 一种基于数据分析的电机组装生产管理方法及系统 |
CN117477648A (zh) * | 2023-11-09 | 2024-01-30 | 商运(江苏)科创发展有限公司 | 基于数字孪生技术的风电装备建模及性能评估方法 |
CN117477648B (zh) * | 2023-11-09 | 2024-03-08 | 商运(江苏)科创发展有限公司 | 基于数字孪生技术的风电装备建模及性能评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
US10815972B2 (en) | System and method for assessing and validating wind turbine and wind farm performance | |
CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
CN113657786A (zh) | 基于风电机组运行性能评估指标体系的机群划分方法 | |
US11460003B2 (en) | Wind turbine damage detection system using machine learning | |
CN104978608A (zh) | 一种风电功率预测装置及预测方法 | |
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 | |
CN109188227A (zh) | 一种双馈型风力发电机绝缘状态评估方法及系统 | |
Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
CN112065668A (zh) | 一种风电机组状态异常评估方法及系统 | |
CN115526401A (zh) | 一种基于数字孪生的新型电力系统电源最优规划方法 | |
CN114611842B (zh) | 一种整县屋顶分布式光伏功率预测方法 | |
CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN113205210A (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
CN114240003A (zh) | 一种新能源出力预测方法、系统、存储介质及设备 | |
CN115221785A (zh) | 一种神经网络预测模型的构建方法、预测方法、系统 | |
CN117421926A (zh) | 一种基于数字孪生技术的风电设备智能管控方法及系统 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
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 | |
CN113343562A (zh) | 一种基于混合建模策略的风机功率预测方法及系统 | |
CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
KR102665051B1 (ko) | 기상 데이터를 이용한 풍력발전기 시계열 출력예측 방법 | |
CN111062509A (zh) | 一种基于改进神经网络的风功率中短期预测方法及系统 |
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 |