CN114912807A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114912807A CN114912807A CN202210551645.9A CN202210551645A CN114912807A CN 114912807 A CN114912807 A CN 114912807A CN 202210551645 A CN202210551645 A CN 202210551645A CN 114912807 A CN114912807 A CN 114912807A
- Authority
- CN
- China
- Prior art keywords
- unit
- wind speed
- wind turbine
- technical
- 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 47
- 230000000694 effects Effects 0.000 title claims abstract description 30
- 238000012986 modification Methods 0.000 claims abstract description 87
- 230000004048 modification Effects 0.000 claims abstract description 87
- 230000006872 improvement Effects 0.000 claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 9
- 238000010248 power generation Methods 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009466 transformation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了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，提高了技改后发电量提升效果的评估精确性。该方法包括：采集多台风电机组在评估周期内的运行数据，并据此计算出各台风电机组的标准风速；所述多台风电机组包括技改机组和多台临近机组；所述评估周期为技改机组技改前后的预设时间段；所述标准风速是指标准空气密度下的风速；从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组，m≥1；对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出所述本台风电机组的风速‑有功功率曲线；综合所述每一台机组的风速‑有功功率曲线，计算出技改机组技改后发电量提升量。
Description
技术领域
本发明涉及风力发电技术领域，更具体地说，涉及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。
背景技术
随着风力发电技术的发展，风力发电机组(简称“风电机组”)逐渐向大型化和定制化设计发展。早期安装的风电机组由于受到风轮直径小、控制策略落后等因素的制约，发电能力不足和捕获风能能力差的现象愈发明显。为了提高存量机组发电量，对早期安装的风电机组进行技术改造已成为现阶段研究和应用的热点之一。作为技改优化项目，评价风电机组技改后是否达到预期目标(即评估风电机组技改后发电量提升效果)的重要性愈发突出。
但是由于风的随机性、季节变化、效果验证期内的检修等多种因素影响，特别是风速受来流影响发生较大变化时，精确评估风电机组技改后发电量提升效果的难度较大。
发明内容
有鉴于此，本发明提供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，以提高对风电机组技改后发电量提升效果的评估精确性。
一种风电机组技改后发电量提升效果评估方法，包括：
采集多台风电机组在评估周期内的运行数据，并据此计算出各台风电机组的标准风速；所述多台风电机组包括技改机组和多台临近机组；所述评估周期为技改机组技改前后的预设时间段；所述标准风速是指标准空气密度下的风速；
从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组，m≥1；
对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出所述本台风电机组的风速-有功功率曲线；
综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量。
可选的，对于所述多台风电机组中的每一台来说，根据本台风电机组在评估周期内的运行数据计算出本台风电机组的标准风速，包括：
根据本台风电机组在评估周期内的运行数据，计算出本台风电机组在评估周期内的实际空气密度；然后，将实际空气密度下的风速折算到标准空气密度下，得到本台风电机组的标准风速。
可选的，所述计算出本台风电机组在评估周期内的实际空气密度，包括：
采用下述公式计算出本台风电机组在评估周期内的实际空气密度：
pb＝2.05×10-8·exp(0.0631846·T)
式中，ρ表示实际空气密度，单位kg/m3；ρ0表示温度为0℃、压力0.1013MPa状态下的干空气密度，1.293kg/m3；t表示数据采集与监视控制系统SCADA数据记录的环境温度，单位℃；p表示实际空气压力，单位MPa；pb表示温度为t时，饱和空气中水蒸气的分压力，单位MPa；
表示相对湿度；T表示SCADA数据记录的环境温度，单位K；
或者，采用下述公式计算实际空气密度：
式中，Rd表示干空气气体常数0.287kJ/(kgK)；Rv表示水蒸气的气体常数0.461kJ/(kgK)；
当所述运行数据内的状态变量没有湿度和空气压力时，上述公式中的参数p的值用如下公式计算得到的空气压力计算值代替：
式中，H表示机位点海拔高度，单位m。
可选的，在筛选对比机组时，除参考标准风速相关性外，还同时参考其他若干个状态变量相关性，然后对包括标准风速相关性在内的多个状态变量相关性进行加权求和，加权求和结果最高的m台作为对比机组；其中，标准风速相关性的权重设为最高。
可选的，所述综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量，包括：
根据技改机组在技改前预设时间段内的风速-有功功率曲线推算出技改机组的年发电量AEP技改前；
根据技改机组在技改后预设时间段内的风速-有功功率曲线推算出技改机组的年发电量AEP技改后；
计算技改机组技改前后发电量变化为
根据对比机组在技改机组技改前预设时间段内的风速-有功功率曲线推算出对比机组的年发电量AEP'技改前；
根据对比机组在技改机组技改前预设时间段内的风速-有功功率曲线推算出对比机组的年发电量AEP'技改后；
计算对比机组发电量变化为
计算技改机组技改后发电量提升量为ΔAEP＝ΔAEP技改-ΔAEP'对比。
可选的，当技改机组在技改后存在风速仪更换、维修或者测量风速失真的情况下，所述从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组之后，还包括：
根据m个对比机组在标准空气密度下的风速，拟合出技改机组在标准空气密度下的风速，然后基于拟合后的风速执行后续操作。
可选的，当技改机组在技改后存在风速仪更换、维修或者测量风速失真的情况下，所述对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出所述本台风电机组的风速-有功功率曲线；综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量，替换为：
基于预先建立的机器学习模型预估技改机组技改后的发电量，再计算预估的发电量与技改机组技改后实际发电量的差值，得到技改机组技改后发电量提升量；其中，所述机器学习模型是利用对比机组的运行状态中除风速外的其他若干个状态变量训练出的、用于计算风电机组的功率的模型。
可选的，所述机器学习模型的建立过程，包括：
提取对比机组和技改机组在技改机组技改前预设时间段内的特征变量，其中不含风速；
将提取的所有变量数据进行标准化处理；
选择与技改机组有功功率相关性高于阈值的对比机组和技改机组的特征变量；
将选择出的特征变量合成一个数据集，对数据集进行切分，切分出训练集和测试集；
在训练集的基础上，通过网格搜寻方法确认多种机器学习模型的超参数值，对各种机器学习模型进行训练，然后采用k-交叉验证方法评估出精度最高的模型；
利用测试集对所述精度最高的模型进行误差验证，若误差不满足要求，调整测试集和训练集数据的占比，重复以上步骤直至满足为止。
可选的，所述计算出各台风电机组的标准风速后，还包括：对所述运行数据中含粗大误差的数据进行剔除。
一种风电机组技改后发电量提升效果评估系统，包括：
采集单元，用于采集多台风电机组在评估周期内的运行数据，并据此计算出各台风电机组的标准风速；所述多台风电机组包括技改机组和多台临近机组；所述评估周期为技改机组技改前后的预设时间段；所述标准风速是指标准空气密度下的风速；
筛选单元，用于从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组，m≥1；
风速分仓单元，用于对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出所述本台风电机组的风速-有功功率曲线；
计算单元，用于综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量。
从上述的技术方案可以看出，本发明基于技改机组和临近机组所对应的标准空气密度下的风速来评估技改机组技改后发电量提升效果，相较于现有技术直接基于实际空气密度下的风速做评估，本发明改善了实际空气密度下的风速受来流影响发生较大变化时，对评估精确性造成的干扰，也即提高了评估的精确性。
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，下面将对实施例或现有技术描述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为本发明实施例公开的一种风电机组技改后发电量提升效果评估方法流程图；
图2为本发明实施例公开的一种机器学习模型建立方法流程图；
图3为本发明实施例公开的一种风电机组技改后发电量提升效果评估系统结构示意图。
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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明实施例公开了一种风电机组技改后发电量提升效果评估方法，包括：
步骤S01：采集多台风电机组在评估周期内的运行数据，并据此计算出各台风电机组的标准风速；其中，所述多台风电机组包括技改机组(即已技改的风电机组)和多台临近机组(即位于对比机组周围预设范围内的、且未技改的风电机组)，所述评估周期为技改机组技改前后的预设时间段，所述标准风速是指标准空气密度下的风速。
具体的，风电机组的运行数据内的各状态变量一般包括：风电机组有功功率、三只叶片桨距角、发电机转速、叶轮转速、风速、风向、偏航误差、风电机组运行状态、变流器电流、发电机转矩、环境温度和振动加速度等。此外在某些应用场景下其状态变量还包括湿度和空气压力等。
对于所述多台风电机组中的每一台来说，采集本台风电机组在评估周期内的运行数据的过程，具体包括：导入本台风电机组在评估周期内的运行数据，若导入的运行数据的采样周期不等于预设采样周期，按所述预设周期对导入的运行数据进行重采样(对数据进行重采样时，默认计算出的是数据采样间隔时间内的数据均值)，然后对重采样后的运行数据进行合并操作，即合并成一个数据集。
在上述采集过程中，之所以要进行重采样，是因为：如果导入的运行数据仅在单个时间范围内可用，而后续分析必须在其他时间范围内进行，则必须按要求的采样周期对导入的运行数据进行重采样。重采样，指的是将时间序列从一个频率转化为另一个频率进行处理的过程。比如说，假设后续分析要求的预设采样周期为10min，而导入的运行数据为1s采集一次或每10s采集一次，则需要重采样；而若导入的运行数据为10min采集一次，则无需重采样。
在上述采集过程中，对重采样后的运行数据进行合并操作是用程序实现实际处理数据时的一个步骤，因为风电机组的运行数据可能是一天一个文件，这个合并操作表示的是将所有文件合并成一个文件。
在上述采集过程中，所述评估周期即技改机组技改前后预设时间段的选取并不局限，可以是技改机组技改前后的同期时间段(例如：技改机组今年9月1日技改，技改机组技改后的预设时间段设为今年9月1日～今年10月1日，技改机组技改前的预设时间段设为去年9月1日至去年10月1日)，也可以是技改机组技改前后不同期但同时长的时间段(例如：技改机组今年9月1日技改，技改机组技改后的预设时间段设为今年9月1日～今年10月1日，技改机组技改前的预设时间段设为今年8月1日～今年9月1日)。
另外，对于所述多台风电机组中的每一台来说，根据本台风电机组在评估周期内的运行数据计算出本台风电机组的标准风速，具体包括：首先，根据本台风电机组在评估周期内的运行数据，计算出本台风电机组在评估周期内的实际空气密度，然后为排除在技改机组技改前后预设时间段内的空气密度变化对风速的影响，将实际空气密度下的风速折算到标准空气密度下，得到本台风电机组的标准风速，折算公式为：
式(1)中，ρ表示实际空气密度；v表示实际空气密度下的风速；ρ标准表示标准空气密度；v标准表示标准空气密度下的风速。
所述实际空气密度ρ的计算公式基于所述运行数据内的状态变量的种类确定，具体描述如下：
当所述运行数据内的状态变量有环境温度、湿度和空气压力时，可采用式(2)和式(3)计算实际空气密度ρ：
pb＝2.05×10-8·exp(0.0631846·T) (3)
式(2)～式(3)中，ρ表示实际空气密度，单位kg/m3；ρ0表示温度为0℃、压力0.1013MPa状态下的干空气密度，1.293kg/m3；t表示SCADA(Supervisory Control AndData Acquisition，数据采集与监视控制系统)数据记录的环境温度，单位℃；p表示实际空气压力，单位MPa；pb表示温度为t时，饱和空气中水蒸气的分压力，单位MPa；
表示相对湿度；T表示SCADA数据记录的环境温度，单位K。
或者，当所述运行数据内的状态变量有环境温度、湿度和空气压力时，也可采用公式(4)计算实际空气密度ρ：
式(4)中，Rd表示干空气气体常数0.287kJ/(kgK)；Rv表示水蒸气的气体常数0.461kJ/(kgK)。式(2)～式(4)中的相同参数代表同一含义。
当所述运行数据内的状态变量有环境温度但没有湿度和空气压力时，式(2)和式(3)中的参数p可以用下式(5)计算得到的空气压力计算值代替：
式(5)中，H表示机位点海拔高度，单位m。
步骤S02：从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组，m≥1。
具体的，对于所述多台临近机组中的每一台，分别计算其与技改机组在所述评估周期内的标准风速相关性，并按照标准风速相关性由高到低的顺序对各临近机组进行排序，将排在前m位的作为对比机组。所述标准风速相关性的高低可采用线性回归方法进行判定(线性回归相关性系数越大，运行状态相关性越高)，也可以采用欧式距离、切比雪夫距离、马氏距离、闵可夫斯基距离或标准欧式距离等方法(距离越小，运行状态相关性越高)进行判定，并不局限。
上述内容是基于标准风速相关性来筛选对比机组，除此之外，还可以同时参考其他若干个状态变量相关性，对包括标准风速相关性在内的多个状态变量相关性进行加权求和，加权求和结果最高的m台作为对比机组，具体描述如下：计算第i(i＝1、2、3、…、s，s为临近机组的总数)台临近机组与技改机组在所述评估周期内的标准风速相关性、第二状态变量相关性、第三状态变量相关性、…、第x(x≥2)状态变量相关性，对第i台临近机组对应的标准风速相关性、第二状态变量相关性、第三状态变量相关性、…、第x状态变量相关性进行加权求和，然后将加权求和结果最高的m台临近机组作为对比机组。其中标准风速相关性的权重设为最高。
包括标准风速在内的不同状态变量的相关性的权重根据实际需要设置即可，标准风速相关性的权重最高，如果还引入了有功功率，则有功功率相关性的权重次之；如果还引入了风向、转速、桨距角，则风向相关性、转速相关性、桨距角相关性的权重次次之。
步骤S03：对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出本台风电机组的风速-有功功率曲线。
具体的，对一台风电机组按标准风速分仓，就是计算出本台风电机组每个风速段内的平均风速和平均有功功率，然后再进行后续分析，从而减少数据量，降低计算复杂度。对技改机组和m台对比机组中的任一台进行风速分仓处理时，风速段长度根据实际需要设置，并不局限。例如可设置为风速间隔为2ΔV，风速仓依次为(Vin-ΔV，Vin+ΔV]、(Vin+ΔV，Vin+2ΔV]、…、(Vout-ΔV，Vout+ΔV]，ΔV为一常数，例如设置ΔV∈[0.25，0.5]，Vin表示本台风电机组的切入风速、Vout表示本台风电机组的切出风速。不同风电机组的风速仓划分规格一致。
步骤S04：综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量。
具体的，首先给出任一台风电机组的年发电量计算公式
式(6)中，AEP表示本台风电机组的年发电量，单位kWh；P(Vi)表示本台风电机组的风速Vi对应的有功功率，单位kW；f(Vi)表示技改机组技改前一年内风速Vi对应的实际风频或拟合Weibull风频概率，无量纲。
所述步骤S04包括下述步骤1)～7)：
1)根据技改机组技改前预设时间段内的风速-有功功率曲线推算出技改机组的年发电量AEP技改前，为
2)根据技改机组技改后预设时间段内的风速-有功功率曲线推算出技改机组的年发电量AEP技改后，为
3)计算技改机组技改前后发电量变化为
4)根据对比机组在技改机组技改前预设时间段内的风速-有功功率曲线推算出对比机组的年发电量AEP'技改前，为
5)根据对比机组在技改机组技改前预设时间段内的风速-有功功率曲线推算出对比机组的年发电量AEP'技改后，为
6)计算对比机组发电量变化为
7)计算技改机组技改后发电量提升量为ΔAEP＝ΔAEP技改-ΔAEP'对比。
其中，P技改前(Vi)表示技改机组技改前的P(Vi)；P技改后(Vi)表示技改机组技改后的P(Vi)；P'技改前(Vi)表示对比机组在技改机组技改前的P(Vi)；P'技改后(Vi)表示对比机组在技改机组技改后的P(Vi)。
上一实施例是基于技改机组在实际空气密度下的风速折算出标准风速，继而进行发电量提升效果评估的，但考虑到技改后技改机组可能存在风速仪更换、维修或者测量风速失真，此时可采用拟合风速的方法进行发电量提升效果评估。具体描述如下，在所述步骤S03之前，还包括：
根据m个对比机组在标准空气密度下的风速，拟合出技改机组在标准空气密度下的风速，然后基于拟合后的风速执行后续步骤S03～步骤S04。同一时间节点下的风速拟合公式如下
y＝a1x1+a2x2+...+amxm+b (7)
式(7)中，y表示技改机组技改前某时间节点的标准空气密度下的风速；a1～am表示线性回归拟合系数；b表示线性回归拟合截距；x1～xm表示第1～m个对比机组在所述时间节点的标准空气密度下的风速。
或者，当技改机组在技改后存在风速仪更换、维修或者测量风速失真的情况下，不用拟合风速的方法，而是将上述步骤S03～步骤S04替换为：基于预先建立的机器学习模型预估技改机组技改后的发电量，再计算预估的发电量与技改机组技改后实际发电量的差值，得到技改后发电量提升量。其中，所述机器学习模型是利用对比机组的运行状态中除风速外的其他若干个状态变量训练出的、用于计算风电机组的功率的模型。
为屏蔽风速误差对风电机组技改后发电量提升效果的评估精确度的影响，也可以基于机器学习方法，通过对比机组和技改机组的其他非风速关键变量，训练出适用模型，然后基于该模型去做评估。参见图2，该模型建立方法如下：
步骤S011：提取对比机组和技改机组在技改机组技改前预设时间段内的特征变量，通常所述特征变量至少包括：对比机组的功率、风向、功率标准差、发电机转速、发电机转速标准差、单只叶片桨距角、单只叶片桨距角标准差、垂直于风轮旋转方向振动加速度、平行于风轮旋转方向振动加速度、空气密度；技改机组的功率、风向、功率标准差、空气密度、垂直于风轮旋转方向振动加速度、平行于风轮旋转方向振动加速度；
步骤S012：将提取的所有变量数据进行标准化处理(不同状态变量的量级不一样，所以需要进行标准化处理)，即映射为均值为0，标准差为1的数据分布；
步骤S013：选择与技改机组有功功率相关性高于阈值ΔR的对比机组和技改机组的特征变量，例如设置ΔR>10％；该选择可基于随机森林或随机树回归模型实现；
步骤S014：将选择出的特征变量合成一个数据集，对数据集进行切分，切分出训练集和测试集，其中训练集数据量占比70％～80％、测试集占比20％～30％，但并不局限。
步骤S015:在训练集的基础上，通过网格搜寻方法确认多种机器学习模型(例如包括线性回归、k近邻、决策树、极端随机树、随机森林等)的超参数值，对各种机器学习模型进行训练，然后采用k-交叉验证方法评估出精度最高的模型，评估标准例如为均方误差最小。
步骤S016：利用测试集对所述精度最高的模型进行误差验证，若误差不满足要求，调整测试集和训练集数据的占比，重复以上步骤直至满足为止。
具体的，将测试集中特征变量代入所述精度最高的模型中，计算出技改机组的预测功率Ppredict，判断依据为测试集误差应<0.5％(并不局限)；
若测试集误差>0.5％，调整步骤S014中测试集和训练集数据的占比，重复以上步骤直至满足为止。
在测试通过后，使用该模型在使用预先建立的机器学习模型估算技改机组技改后的发电量，将技改机组和对比机组技改后的运行数据代入模型中，即可得到用模型计算出来的技改机组技改后的功率∑Ppredict-post(模型计算出来的功率相当于预测功率)，然后计算技改机组技改后的发电量提升量为
其中，∑P技改后实际功率表示的是技改机组技改后的实际功率。
可选的，基于上述公开的任一实施例，所述步骤S01后，还包括：对所述运行数据中含粗大误差的数据进行剔除。
具体的，可以按照所述运行数据中的任意一项或任意多项状态变量的组合是否符合预设要求，来设置对所述运行数据中含粗大误差的数据进行剔除的剔除规则，从而将所述运行数据中的明显粗大误差数据进行在线剔除。例如：
按照风电机组运行状态是否为正常发电状态设置剔除规则，即保证风电机组为正常发电状态，剔除电网限电、自身主控限电、故障、待机、停机、振动等异常运行状态下对应的所述运行数据；
或者，按照是否有偏航动作进行清理，首选采样周期内无偏航动作的数据；
或者，按照风电机组有功功率是否大于P0设置剔除规则，通常设置P0∈[0,0.03Pr]，Pr为机组额定功率；保证风电机组有功功率大于P0，剔除风电机组有功功率小于等于P0时对应的运行数据。
或者，按照三只叶片桨距角、风电机组有功功率、叶轮转速中的任意两项状态变量的组合设置剔除规则；
或者，当可以确定风电机组的真北方向时，按照技改前后风电机组主风向进行清理，规则为保证主风向位于θ±Δθ之间，剔除主风向超出该范围时对应的运行数据，θ为平均风向，Δθ≤60°。
可选的，在对所述运行数据中含粗大误差的数据进行剔除后，还可以按照n西格玛准则进一步进行数据剔除，n∈[1.5，3]。
需要说明的是，若进行了清理，则需要对技改机组和所述多台临近机组进行时间标定，即只保留相同时间节点的运行数据(只保留所述多台风电机组均未发生状态变量清理的时间节点下的运行状态)，再去计算运行状态相关性。
与上述方法实施例相对应的，参见图3，本发明实施例还公开了一种风电机组技改后发电量提升效果评估系统，包括：
采集单元100，用于采集多台风电机组在评估周期内的运行数据，并据此计算出各台风电机组的标准风速；所述多台风电机组包括技改机组和多台临近机组；所述评估周期为技改机组技改前后的预设时间段；所述标准风速是指标准空气密度下的风速；
筛选单元200，用于从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组，m≥1；
风速分仓单元300，用于对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出所述本台风电机组的风速-有功功率曲线；
计算单元400，用于综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明实施例的精神或范围的情况下，在其它实施例中实现。因此，本发明实施例将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种风电机组技改后发电量提升效果评估方法，其特征在于，包括：
采集多台风电机组在评估周期内的运行数据，并据此计算出各台风电机组的标准风速；所述多台风电机组包括技改机组和多台临近机组；所述评估周期为技改机组技改前后的预设时间段；所述标准风速是指标准空气密度下的风速；
从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组，m≥1；
对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出所述本台风电机组的风速-有功功率曲线；
综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量。
2.根据权利要求1所述的风电机组技改后发电量提升效果评估方法，其特征在于，对于所述多台风电机组中的每一台来说，根据本台风电机组在评估周期内的运行数据计算出本台风电机组的标准风速，包括：
根据本台风电机组在评估周期内的运行数据，计算出本台风电机组在评估周期内的实际空气密度；然后，将实际空气密度下的风速折算到标准空气密度下，得到本台风电机组的标准风速。
3.根据权利要求2所述的风电机组技改后发电量提升效果评估方法，其特征在于，所述计算出本台风电机组在评估周期内的实际空气密度，包括：
采用下述公式计算出本台风电机组在评估周期内的实际空气密度：
pb＝2.05×10-8·exp(0.0631846·T)
式中，ρ表示实际空气密度，单位kg/m3；ρ0表示温度为0℃、压力0.1013MPa状态下的干空气密度，1.293kg/m3；t表示数据采集与监视控制系统SCADA数据记录的环境温度，单位℃；p表示实际空气压力，单位MPa；pb表示温度为t时，饱和空气中水蒸气的分压力，单位MPa；
表示相对湿度；T表示SCADA数据记录的环境温度，单位K；
或者，采用下述公式计算实际空气密度：
式中，Rd表示干空气气体常数0.287kJ/(kgK)；Rv表示水蒸气的气体常数0.461kJ/(kgK)；
当所述运行数据内的状态变量没有湿度和空气压力时，上述公式中的参数p的值用如下公式计算得到的空气压力计算值代替：
式中，H表示机位点海拔高度，单位m。
4.根据权利要求1所述的风电机组技改后发电量提升效果评估方法，其特征在于，在筛选对比机组时，除参考标准风速相关性外，还同时参考其他若干个状态变量相关性，然后对包括标准风速相关性在内的多个状态变量相关性进行加权求和，加权求和结果最高的m台作为对比机组；其中，标准风速相关性的权重设为最高。
5.根据权利要求1所述的风电机组技改后发电量提升效果评估方法，其特征在于，所述综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量，包括：
根据技改机组在技改前预设时间段内的风速-有功功率曲线推算出技改机组的年发电量AEP技改前；
根据技改机组在技改后预设时间段内的风速-有功功率曲线推算出技改机组的年发电量AEP技改后；
计算技改机组技改前后发电量变化为
根据对比机组在技改机组技改前预设时间段内的风速-有功功率曲线推算出对比机组的年发电量AEP'技改前；
根据对比机组在技改机组技改前预设时间段内的风速-有功功率曲线推算出对比机组的年发电量AEP'技改后；
计算对比机组发电量变化为
计算技改机组技改后发电量提升量为ΔAEP＝ΔAEP技改-ΔAEP'对比。
6.根据权利要求1所述的风电机组技改后发电量提升效果评估方法，其特征在于，当技改机组在技改后存在风速仪更换、维修或者测量风速失真的情况下，所述从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组之后，还包括：
根据m个对比机组在标准空气密度下的风速，拟合出技改机组在标准空气密度下的风速，然后基于拟合后的风速执行后续操作。
7.根据权利要求1所述的风电机组技改后发电量提升效果评估方法，其特征在于，当技改机组在技改后存在风速仪更换、维修或者测量风速失真的情况下，所述对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出所述本台风电机组的风速-有功功率曲线；综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量，替换为：
基于预先建立的机器学习模型预估技改机组技改后的发电量，再计算预估的发电量与技改机组技改后实际发电量的差值，得到技改机组技改后发电量提升量；其中，所述机器学习模型是利用对比机组的运行状态中除风速外的其他若干个状态变量训练出的、用于计算风电机组的功率的模型。
8.根据权利要求7所述的风电机组技改后发电量提升效果评估方法，其特征在于，所述机器学习模型的建立过程，包括：
提取对比机组和技改机组在技改机组技改前预设时间段内的特征变量，其中不含风速；
将提取的所有变量数据进行标准化处理；
选择与技改机组有功功率相关性高于阈值的对比机组和技改机组的特征变量；
将选择出的特征变量合成一个数据集，对数据集进行切分，切分出训练集和测试集；
在训练集的基础上，通过网格搜寻方法确认多种机器学习模型的超参数值，对各种机器学习模型进行训练，然后采用k-交叉验证方法评估出精度最高的模型；
利用测试集对所述精度最高的模型进行误差验证，若误差不满足要求，调整测试集和训练集数据的占比，重复以上步骤直至满足为止。
9.根据权利要求1～8中任一项所述的风电机组技改后发电量提升效果评估方法，其特征在于，所述计算出各台风电机组的标准风速后，还包括：对所述运行数据中含粗大误差的数据进行剔除。
10.一种风电机组技改后发电量提升效果评估系统，其特征在于，包括：
采集单元，用于采集多台风电机组在评估周期内的运行数据，并据此计算出各台风电机组的标准风速；所述多台风电机组包括技改机组和多台临近机组；所述评估周期为技改机组技改前后的预设时间段；所述标准风速是指标准空气密度下的风速；
筛选单元，用于从所述多台临近机组中筛选出与技改机组的标准风速相关性最高的m台作为对比机组，m≥1；
风速分仓单元，用于对于技改机组和m台对比机组中的每一台，分别按标准风速分仓，然后根据分仓结果拟合出所述本台风电机组的风速-有功功率曲线；
计算单元，用于综合所述每一台机组的风速-有功功率曲线，计算出技改机组技改后发电量提升量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210551645.9A CN114912807A (zh) | 2022-05-20 | 2022-05-20 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210551645.9A CN114912807A (zh) | 2022-05-20 | 2022-05-20 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114912807A true CN114912807A (zh) | 2022-08-16 |
Family
ID=82769299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210551645.9A Pending CN114912807A (zh) | 2022-05-20 | 2022-05-20 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912807A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349602A (zh) * | 2023-12-06 | 2024-01-05 | 江西省水投江河信息技术有限公司 | 一种水利设施运行状态预测方法、系统及计算机 |
-
2022
- 2022-05-20 CN CN202210551645.9A patent/CN114912807A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349602A (zh) * | 2023-12-06 | 2024-01-05 | 江西省水投江河信息技术有限公司 | 一种水利设施运行状态预测方法、系统及计算机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112231361B (zh) | 一种基于风机运行数据的风电项目发电量评估方法 | |
| 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 | |
| CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
| CN102165187B (zh) | 用于估计和控制风轮机效率的系统 | |
| CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
| Hu et al. | Using domain knowledge features for wind turbine diagnostics | |
| CN110094310B (zh) | 一种识别风力发电机偏航对风不正的方法 | |
| CN114165392B (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN111260503A (zh) | 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 | |
| CN112632749B (zh) | 一种风力发电机发电性能的评价方法及装置 | |
| 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 | |
| CN104574221B (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
| 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 | |
| CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
| CN117592799A (zh) | 一种在役风电项目资源后评估系统 | |
| CN112855458B (zh) | 一种风力发电机组的风速仪故障诊断方法、系统及介质 | |
| CN117610449A (zh) | 一种基于GRA-XGBoost的风电机组入流风速估计方法 | |
| CN115829411A (zh) | 一种海上风电机组运行状态评估方法及评估系统 | |
| CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
| CN116186620A (zh) | 一种能效诊断方法、装置及终端设备 | |
| CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
| CN113007038B (zh) | 发电设备间的发电性能比较方法、装置及电子设备 | |
| CN114547829A (zh) | 一种风电场理论功率计算方法及系统 | |
| Qiao et al. | Research on SCADA data preprocessing method of Wind Turbine |
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 |