CN115034128A - 一种智慧风电场智慧风电场风电机组评价方法 - Google Patents

Abstract

本发明属于风电场数据处理领域，具体地而言为一种智慧风电场智慧风电场风电机组评价方法，将风电场数据进行数据抽取以及清洗融合，清洗融合后的数据进行风电大数据的关联分析，保留与状态评估密切相关的数据特征，删减与具体业务不关联或弱关联的维度；基于风轮、机舱和塔筒的机组模型结构划分，分析叶片、变桨系统、塔筒、发电机以及齿轮箱的运行状态；采用关联分析后的数据，按部件级建立安全性指标，按照整机级建立经济性、可靠性指标，其中安全性指标为智慧风电场的实时状态评估模型做支撑，经济性与可靠性从长期角度判断机组状态下降情况。解决大量风电数据处理以及评价繁琐的问题。

Description

一种智慧风电场智慧风电场风电机组评价方法

技术领域

本发明属于风电场数据处理领域，具体地而言为一种智慧风电场智慧风电 场风电机组评价方法。

背景技术

随着风电场系统智能化和信息化的不断推进，风电系统中采集的数据信息量 不断增加，而以往的风电系统在收集数据时没有采用统一的格式化标准对数据 进行定义，导致数据的种类和格式多种多样。这些数据通常以文本、视频等非 结构化方式进行存储，只有少量的数据是按结构化处理，这导致风电场产生的 数据管理混乱，而且大量数据得不到有效的挖掘。如何利用知识图谱来描述和 管理智慧风电场领域的大量多源异构数据成为一个亟待解决的问题。

风电场产生的数据正以前所未有的速度增长，但由于各级风电中心在建设信 息化平台过程中缺乏标准化的数据输出格式的规定，使得数据来源种类不一， 导致数据表示格式多样。除了结构化的数据格式外，大部分数据以文本、音频、 视频等非结构化的形式存储。此外，由于在风电场生产和电力服务的各个环节 都会产生数据，导致电力数据的维度很多。这些数据一起构成了庞大、零散、 多源、异构、多维、多形式的电力数据资源，长期以来风电行业跨越式粗放发 展，大量风电数据不能得到有效利用。

发明内容

本发明提供一种智慧风电场智慧风电场风电机组评价方法，解决大量风电 数据处理以及评价繁琐的问题。

本发明是这样实现的，

一种智慧风电场智慧风电场风电机组评价方法，

将风电场数据进行数据抽取以及清洗融合，清洗融合后的数据进行风电大 数据的关联分析，保留与状态评估密切相关的数据特征，删减与具体业务不关 联或弱关联的维度；

基于风轮、机舱和塔筒的机组模型结构划分，分析叶片、变桨系统、塔筒、 发电机以及齿轮箱的运行状态；采用关联分析后的数据，按部件级建立安全性 指标，按照整机级建立经济性、可靠性指标，其中安全性指标为智慧风电场的 实时状态评估模型做支撑，经济性与可靠性从长期角度判断机组状态下降情况。

进一步地，数据抽取包括：首先根据具体的规划业务场景，确定与该类业 务相关的数据和对应的业务系统，对大数据进行抽取，应用ETL技术对不同抽 取数据源、格式进行定义，然后再对抽取的转换规则进行定义，最后再将数据 加载规则进行定义，保存数据到HBASE数据库中，完成整个数据的抽取。

进一步地，所述清洗融合包括：将抽取的数据进行数值化和标准化处理， 然后进行降维处理。

进一步地，所述安全性指标所需数据包括温度数据、风速风向数据、电网 数据、转速数据、报警记录和停机记录，提取表征各部件性能的特征参数，采 用相关系数法计算与部件特征参数的相关性大的影响因素，建立安全性层级指 标体系。

进一步地，相关系数的计算公式：

其中r_xy表示样本相关系数，S_xy表示样本协方差，S_x表示x的样本标准差，S_y表示y的样本标准差，S_xy样本协方差计算公式：

本发明与现有技术相比，有益效果在于：

本发明基于风轮、机舱和塔筒的机组模型结构划分，分析叶片、变桨系统、 塔筒、发电机、齿轮箱等关键部件的运行状态；结合三层过滤机制处理后的高 信息价值密度非机理风电大数据，按部件级建立安全性指标，按照整机级建立 经济性、可靠性指标，其中安全性指标为智慧风电场的实时状态评估模型做支 撑，经济性与可靠性从长期角度判断机组状态下降情况，可以提高大量的风电 数据的处理效率。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。

一种智慧风电场智慧风电场风电机组评价方法，包括：

将风电场数据进行数据抽取以及清洗融合，清洗融合后的数据进行风电大 数据的关联分析，保留与状态评估密切相关的数据特征，删减与具体业务不关 联或弱关联的维度；

基于风轮、机舱和塔筒的机组模型结构划分，分析叶片、变桨系统、塔筒、 发电机以及齿轮箱的运行状态；采用关联分析后的数据，按部件级建立安全性 指标，按照整机级建立经济性、可靠性指标，其中安全性指标为智慧风电场的 实时状态评估模型做支撑，经济性与可靠性从长期角度判断机组状态下降情况。

数据抽取包括：首先根据具体的规划业务场景，确定与该类业务相关的数 据和对应的业务系统，对大数据进行抽取，应用ETL技术对不同抽取数据源、 格式进行定义，然后再对抽取的转换规则进行定义，最后再将数据加载规则进 行定义，保存数据到HBASE数据库中，完成整个数据的抽取。

所述清洗融合包括：将抽取的数据进行数值化和标准化处理，然后进行降 维处理。

1)数值化。由于原始数据往往存在各种不同格式的数据形式，比如要处理 的数据是数值型，但是原始数据也许有字符型或者其他，那就要对其进行标准 化操作。对字符串取值，可以按照ANSI码值求和得到字符串的值，如果值太 大，可以取一个适当的质数对其求模，本质上就是映射到一个区间了进而得到 数值型的数据。

2)标准化。由于原始数据各个维度之间的数值往往相差很大，比如一个维 度的最小值是0.01，另一个维度最小值却是1000，那么也许在数据分析的时候， 计算相关性或者方差啥的指标，后者会掩盖了前者的作用。因此有必要对整体 数据进行归一化工作，也就是将它们都映射到一个指定的数值区间，这样就不 会对后续的数据分析产生重大影响。采取过的一个做法是min-max标准化。

3)降维。由于原始数据往往含有很多维度，这些维度之间往往不是独立的， 也就是说也许其中若干的维度之间存在关联，因此可以使用数据的相关性分析 来降低数据维度。PCA(主成分分析)是一种常用的降维方法，通过正交变换 将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变 量叫主成分。

PCA把原先的n个特征用数目更少的m个特征取代，新的m个特征一要 保证最大化样本方差，二保证相互独立的。PCA的算法步骤：

设有m条n维数据，m个样本，对原始数据标准化(减去对应变量的均值， 再除以其方差)，每个样本对应p个变量，x＝(x*1，x*2，…，x*n)。

1.求出自变量的协方差矩阵(或相关系数矩阵)；

2.求出协方差矩阵(或性关系数矩阵)的特征值及对应的特征向量；

3.将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成 矩a(为k*p维)；

4.Y＝aT*X(Y为k*1维)即为降维到k维后的数据，此步算出每个样本 的主成分得分；

5.可将每个样本的主成分得分画散点图及聚类，或将主成分得分看成新的 因变量，对其做线性回归等。

系统在运行过程中其数据质量原因导致很多异常点或缺失点，需要通过对 正常数据分布特征进行提取，进而针对性的对应用特征值分析方法对算法分析 所需的数据进行处理，处理对像主要包括运行、失效、运行时间、检修与成本 相关数据。

为保证正常业务开展的同时，尽可能的减少数据的体量，从风电大数据中 抽取与状态评估相关的数据，并对大数据进行预处理操作，本次研究提出基于 风电运行大数据建设的三层过滤机制。

第一层过滤：风电大数据具有类型多、数据源多样的特点，面向不同的业 务，必须有针对性的过滤数据库。首先根据具体的规划业务场景，确定与该类 业务相关的数据和对应的业务系统，对大数据进行抽取，应用ETL技术对不同 抽取数据源、格式进行定义，然后再对抽取的转换规则进行定义，最后再将数 据加载规则进行定义，保存数据到HBASE数据库中，完成整个数据的抽取。

第二层过滤：风电大数据由于信道错误、远程终端故障、干扰信号影响等 会产生一定的“脏数据”，显然这部分数据降低了价值密度，甚至会影响最终 业务结果的准确性。因此需要对“脏数据”进行处理，消除数据缺失、数据异 常、数据不同步、数据冗余等问题。

第三层过滤：通过对于风电大数据的关联分析，可以分析研究与状态评估 密切相关的数据特征，删减与具体业务不关联或弱关联的维度。

安全性指标所需数据包括温度数据、风速风向数据、电网数据、转速数据、 报警记录和停机记录，提取表征各部件性能的特征参数，采用相关系数法计算 与部件特征参数的相关性大的影响因素，建立安全性层级指标体系。相关系数 的计算公式：

其中r_xy表示样本相关系数，S_xy表示样本协方差，S_x表示x的样本标准差，S_y表示y的样本标准差，S_xy样本协方差计算公式：

可靠性指标，对整机设备的运行可靠性下降状态划分，为中长期月度可靠 性曲线预测做数据支撑。将可靠性等级划分为4个(根据实际需要确定，等级 划分越多，可靠性评估结果就会越精密)，通过设备工作的环境、功能原理及故 障机理等因素，结合历史故障记录中不同运行状态的可靠性水平确定评价可靠 性水平阈值标准。

风机经济性，指的是风机全生命周期的发电效率，分析发电效率的全部影 响因素如风速、有效风能、平均故障时间、机组可利用率等，结合机组运行数 据，构建风电机组经济性指标体系，针对整机设备的运行经济性进行状态划分， 为中长期月度经济性曲线预测做数据支撑。将与可靠性类似，将经济性等级划 分为4个(根据实际需要确定，等级划分越多，经济性评估结果就会越精密)， 通过设备工作的环境、发电效率、功能原理及故障机理等因素，确定评价经济 性水平阈值标准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。

Claims (5)

1.一种智慧风电场智慧风电场风电机组评价方法，其特征在于，

将风电场数据进行数据抽取以及清洗融合，清洗融合后的数据进行风电大数据的关联分析，保留与状态评估密切相关的数据特征，删减与具体业务不关联或弱关联的维度；

基于风轮、机舱和塔筒的机组模型结构划分，分析叶片、变桨系统、塔筒、发电机以及齿轮箱的运行状态；采用关联分析后的数据，按部件级建立安全性指标，按照整机级建立经济性、可靠性指标，其中安全性指标为智慧风电场的实时状态评估模型做支撑，经济性与可靠性从长期角度判断机组状态下降情况。

2.按照权利要求1所述的智慧风电场多源异构大数据优化方法，其特征在于，数据抽取包括：首先根据具体的规划业务场景，确定与该类业务相关的数据和对应的业务系统，对大数据进行抽取，应用ETL技术对不同抽取数据源、格式进行定义，然后再对抽取的转换规则进行定义，最后再将数据加载规则进行定义，保存数据到HBASE数据库中，完成整个数据的抽取。

3.按照权利要求1所述的智慧风电场多源异构大数据优化方法，其特征在于，所述清洗融合包括：将抽取的数据进行数值化和标准化处理，然后进行降维处理。

4.按照权利要求1所述的智慧风电场多源异构大数据优化方法，其特征在于，所述安全性指标所需数据包括温度数据、风速风向数据、电网数据、转速数据、报警记录和停机记录，提取表征各部件性能的特征参数，采用相关系数法计算与部件特征参数的相关性大的影响因素，建立安全性层级指标体系。

5.按照权利要求4所述的智慧风电场多源异构大数据优化方法，其特征在于，相关系数的计算公式：

其中r_xy表示样本相关系数，S_xy表示样本协方差，S_x表示x的样本标准差，S_y表示y的样本标准差，S_xy样本协方差计算公式：