CN115249972B - 一种大数据下的风电场风力发电机组性能评估系统及方法 - Google Patents

Abstract

本发明公开了一种大数据下的风电场风力发电机组性能评估系统及方法，包括有效数据获取模块、估测输出功率预测模块、功率对比模块、客观误差率分析模块、目标抖动数据集获取模块、匹配模型分析模块和预警响应模块；有效数据获取模块获取有效数据；估测输出功率预测模块基于功率预测模型输出估测输出功率结果；功率对比模块将估测输出功率与实际输出功率进行比较；客观误差率分析模块分析历史第一监测周期中实际输出功率分析客观误差率；目标抖动数据集获取模块在剔除客观误差率后分析获取风险管控周期中的目标抖动数据集；匹配模型分析模块用于匹配分析故障因素；预警响应模块用于对匹配模型分析模块的匹配结果进行响应。

Description

一种大数据下的风电场风力发电机组性能评估系统及方法

技术领域

本发明涉及风电场风力发电机组技术领域，具体为一种大数据下的风电场风力发电机组性能评估系统及方法。

背景技术

风能是一种绿色、可再生能源，在很大程度上可以解决发电产生的环境污染问题，风电机组作为风电场运行的核心装置，由于通常地处沿海区域或环境恶劣、交通不便的偏远郊区，且机舱位于离地面上百米的高空，因此给风电机组日常运行维护造成一定难度；且现有记录风电场风力发电机组的相关数据多为输出功率、发电量以及环境参数等数据，一旦产生大的异常问题，系统通常会直接报警，但是针对一些小问题如叶片受到环境污染等原因增加叶片表面粗糙程度，虽然这些问题在短时间内并不会使得发电机组暂停工作，但是会使风力发电机组的性能下降，而最终导致损坏而不能工作；那么如何通过相关数据发现异常、分析异常原因并锁定异常范围是在风能技术领域所需要解决的一个问题。

发明内容

本发明的目的在于提供一种大数据下的风电场风力发电机组性能评估系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种大数据下的风电场风力发电机组性能评估方法，包括以下步骤：

步骤S1：获取历史第一监测周期中记录的风电场风力发电的有效数据，有效数据包括历史环境参数、历史机械参数和历史实际输出功率；

步骤S2：基于有效数据，建立功率预测模型来预测风险管控周期的风电场估测输出功率，风险管控周期的实际天数小于第一监测周期的实际天数；

步骤S3：获取风险管控周期中风电场的实际输出功率，将估测输出功率与实际输出功率进行对应比较，并基于历史第一监测周期中历史实际输出功率分析客观误差率，剔除客观误差率后分析获取风险管控周期中的目标抖动数据集；

步骤S4：提取目标抖动数据集中的影响参数作为风险影响参数集，并建立其与风电场风力发电机组故障因素的匹配模型；将匹配度大于等于匹配度阈值的故障因素传输信号到管控中心进行预警。

进一步的，步骤S2中建立功率预测模型来预测风险管控周期的风电场估测输出功率，包括以下步骤：

步骤S21：在现有气象数值预报模式的基础上，输入风电场测风塔观测资料，观测资料包括时间、风速、风向、温度和压强；

步骤S22：基于步骤S21，对风电场微观区进行时空加密计算；得到满足风电场出力预测需求的风力预测结果；

步骤S23：获取历史实际输出功率和历史环境参数，历史环境参数包括历史测风塔观测资料和历史风电机组环境数据；输入历史实际输出功率和历史测风塔观测资料，统计分析获得风电场的出力预测模型；

步骤S24：结合步骤S22中的风力预测结果和步骤S23中的出力预测模型得到功率预测模型并输出风电场全场估测输出功率结果。

进一步的，步骤S3包括以下步骤：

步骤S31：获取估测输出功率与实际输出功率对应比较后的差值数据为第一差值数据集，获取第一监测周期中风电场风力发电机组无异常预警时，工作的历史实际输出功率与历史估测输出功率的差值为第二差值数据集；

步骤S32：计算第二差值数据集的平均差值为p0，获取第二差值数据集中第i天的第二差值ri，i={1,2,...,k}，k表示第二差值数据集中差值所对应的总天数；利用公式：

计算客观误差率e0；其中r1i为第二差值数据集中大于等于平均差值p0的第二差值；在提取大于平均差值时对应的第二差值是为了保证平均差值与第二差值的比值小于1，且保持分析的总天数仍为k更能反应出整体的数据真实性和精确性；

步骤S33：提取第二差值数据集中的最大值max[ri]和最小值min[ri]，记作偏差阈值[max[ri],min[ri]]；计算第一差值数据集中第i天对应的校正实际输出功率wi，wi=gi-gi*e0，其中gi表示第一差值数据集中第i天对应的实时输出功率；

步骤S34：判断第一数据集中的校正实际输出功率wi是否属于偏差阈值[max[ri],min[ri]]，标记wi∉[max[ri],min[ri]]时的实际输出功率为第一抖动数据。分析第一抖动数据是标记在风险管控周期中可能存在的异常值，因为实际和估测数据在一定程度上会存在客观的偏差，那么在除去客观偏差的前提下分析获取历史数据中正常工作对应的偏差阈值，可以初步判断出后续工作对应的数据是否存在可能异常，方法简单有效。

进一步的，步骤S3还包括以下步骤；

步骤S3a：获取n个连续风险管控周期的第一差值数据集中标记的第一抖动数据，记录n个连续风险管控周期内第一抖动数据的个数N，获取第j个相邻第一抖动数据的天数间隔为mj，j≤N-1；

步骤S3b：获取N-1对数据组(j，mj)，建立相邻第一抖动数据的个数和相邻第一抖动数据对应的天数间隔的拟合曲线；

步骤S3c：标记拟合曲线中的起始点坐标a和终止点坐标b，以及按序标记拟合曲线中的极值点；

若存在极值点，记录相邻极值点所构成的曲线、起始点与相邻极值点构成的曲线以及终止点与相邻极值点构成曲线为区域曲线，对拟合曲线中第s个区域曲线进行求导并记录求导结果为区域值ds，标记区域值ds＞0时的区域曲线为第一区域曲线，标记区域值ds＜0时的区域曲线为第二区域曲线；计算区域比值f，f=u/v，u表示第一区域曲线的个数，v表示第二区域曲线的个数；当f＜1时，继续监测风险管控周期，当f≥1时，提取第二区域曲线对应的第一抖动数据为目标抖动数据；区域值小于0说明求导致值小于0，曲线的求导值表示曲线的趋势；

若不存在极值点，判断起始点坐标a与终止点坐标b对应坐标的大小关系，若a＞b，则标记拟合曲线上对应所有的第一抖动数据为目标抖动数据；若a＜b，继续监测风险管控周期；a大于b说明拟合曲线是呈下降趋势，说明相邻第一抖动数据出现的间隔天数越来越短，意味第一抖动数据的发生趋势较为急迫；a小于b说明拟合曲线呈上升趋势故异常数据间隔出现越来长说明趋势是向好的；

上述分析是在获取第一抖动数据的基础上进一步精确的获取目标抖动数据，因为数据的一次异常原因很难确定，但是存在规律性趋势的异常是需要值得重视能反应出风电场风力发电机组性能变化的；

步骤S3d：获取n个连续风险管控周期的所有目标抖动数据构成目标抖动数据集。

进一步的，步骤S4包括以下步骤：

步骤S41：提取目标抖动数据集中每一目标抖动数据对应当天的影响参数组，构成风险影响参数集；影响参数组包括环境参数和机械参数；

步骤S42：获取风电场风力发电机组故障因素，故障因素包括内源故障因素和外源故障因素，外源故障因素为叶片相关的故障因素，内源故障因素为除叶片外的所有装置对应的故障因素，

步骤S43：提取第一影响参数组，第一影响参数组为风险影响参数集中的影响参数组与相邻非目标抖动数据对应的影响参数组比较时，相似度小于相似度阈值对应风险影响参数集中的影响参数组；建立匹配模型：Y=(h0/h01)+{1/q[∑(h1/h11)]}，Y表示匹配度，q表示风险影响参数集中影响参数组的个数，

其中h0表示风险影响参数集中第一影响参数组的平均个数；h01表示风险影响参数集中的影响参数组的种类个数，h0/h01表示可能存在造成机组异常风险参数的比例；h1表示第一影响参数组中与外源故障因素相匹配的影响参数个数，h11表示第一影响参数组的个数；

步骤S44：设置匹配度阈值Y0，若Y≥Y0，则输出外源故障因素预警提示；若Y＜Y0，则输出内源故障因素预警提示。因为叶片的维护工序复杂、叶片损坏原因较多，叶片作为风电场风力发电最重要的零部件，它的运行状况影响着整个风电场的输出功率；所以在分析机组性能时，将叶片与其他部件进行区分，单独分析，提高机组性能评估人员及检修人员对叶片的可分析性以及风电场叶片维护的可预知性。

一种大数据下的风电场风力发电机组性能评估系统，包括有效数据获取模块、估测输出功率预测模块、功率对比模块、客观误差率分析模块、目标抖动数据集获取模块、匹配模型分析模块和预警响应模块；

有效数据获取模块用于获取有效数据，有效数据包括历史环境参数、历史机械参数和历史实际输出功率；

估测输出功率预测模块用于基于风力预测结果和出力预测模型得到功率预测模型并输出风电场全场估测输出功率结果；

功率对比模块用于将估测输出功率与实际输出功率进行对应比较；

客观误差率分析模块用于分析历史第一监测周期中历史实际输出功率分析客观误差率；

目标抖动数据集获取模块用于在剔除客观误差率后分析获取风险管控周期中的目标抖动数据集；

匹配模型分析模块用于匹配分析目标抖动数据集的影响参数和发电机组的故障因素，并根据匹配结果传输信号给预警响应模块；

预警响应模块用于对匹配模型分析模块的匹配结果进行响应。

进一步的，客观误差率分析模块包括第一差值数据集获取单元、第二差值数据集获取单元和客观误差率计算单元；

第一差值数据集获取单元用于获取估测输出功率与实际输出功率对应比较后的差值数据；

第二差值数据集获取单元用于获取第一监测周期中风电场风力发电机组无异常预警时，工作的历史实际输出功率与历史估测输出功率的差值；

客观误差率计算单元用于基于第二差值数据集的平均差值和第二差值数据集中大于等于平均差值的第二差值，计算客观误差率。

进一步的，目标抖动数据集获取模块包括校正实际输出功率计算单元、第一抖动数据确定单元、拟合曲线建立单元、拟合曲线分析单元和目标抖动数据集提取单元；

校正实际输出功率计算单元用于第一差值数据集中对应的校正实际输出功率；

第一抖动数据确定单元用于标记第一数据集中的校正实际输出功率不属于偏差阈值时的实际输出功率为第一抖动数据；

拟合曲线建立单元用于建立相邻第一抖动数据的个数和相邻第一抖动数据对应的天数间隔的拟合曲线；

拟合曲线分析单元用于分析拟合曲线的趋势变化关系；

目标抖动数据集提取单元用于提取拟合曲线中满足要求的目标抖动数据。

进一步的，匹配模型分析模块包括风险影响参数集提取单元、发电机组故障因素确定单元、第一影响参数组分析单元、匹配模型建立单元和信号传输单元；

风险影响参数集提取单元用于提取目标抖动数据集中每一目标抖动数据对应当天的影响参数组，构成风险影响参数集；

发电机组故障因素确定单元用于获取风电场风力发电机组故障因素；

第一影响参数组分析单元用于分析与非目标抖动数据对应影响参数相似度比较下的影响参数组；

匹配模型建立单元用于建立影响参数的匹配模型并输出匹配度；

信号传输单元用于基于匹配度阈值判断输出信号预警。

与现有技术相比，本发明所达到的有益效果是：本发明通过对风电场风力发电机的输出功率进行预测，在剔除通过历史数据所分析出的客观误差后对比预测期限内的实际输出功率，进一步将存在风险的数据通过趋势的判断分析来确认异常原因的稳定性；从而提取稳定异常数据对应的参数与风力发电机组故障因素进行匹配，从而确定异常的可能来源，本发明将叶片的故障因素与其他故障设备进行区分是因为风电机组中的叶片的维护工序复杂、叶片损坏原因较多，叶片作为风电场风力发电最重要的零部件，且其他设备存在于机身内部便于检修更换，除此之外本发明通过数据分析缩小了故障检修人员对故障原因的检修范围。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种大数据下的风电场风力发电机组性能评估系统的结构示意图。

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。

请参阅图1，本发明提供技术方案：一种大数据下的风电场风力发电机组性能评估方法，包括以下步骤：

步骤S1：获取历史第一监测周期中记录的风电场风力发电的有效数据，有效数据包括历史环境参数、历史机械参数和历史实际输出功率；

步骤S2：基于有效数据，建立功率预测模型来预测风险管控周期的风电场估测输出功率，风险管控周期的实际天数小于第一监测周期的实际天数；

步骤S3：获取风险管控周期中风电场的实际输出功率，将估测输出功率与实际输出功率进行对应比较，并基于历史第一监测周期中历史实际输出功率分析客观误差率，剔除客观误差率后分析获取风险管控周期中的目标抖动数据集；

步骤S4：提取目标抖动数据集中的影响参数作为风险影响参数集，并建立其与风电场风力发电机组故障因素的匹配模型；将匹配度大于等于匹配度阈值的故障因素传输信号到管控中心进行预警。

步骤S2中建立功率预测模型来预测风险管控周期的风电场估测输出功率，包括以下步骤：

步骤S21：在现有气象数值预报模式的基础上，输入风电场测风塔观测资料，观测资料包括时间、风速、风向、温度和压强；

步骤S22：基于步骤S21，对风电场微观区进行时空加密计算；得到满足风电场出力预测需求的风力预测结果；

步骤S23：获取历史实际输出功率和历史环境参数，历史环境参数包括历史测风塔观测资料和历史风电机组环境数据；输入历史实际输出功率和历史测风塔观测资料，统计分析获得风电场的出力预测模型；

步骤S24：结合步骤S22中的风力预测结果和步骤S23中的出力预测模型得到功率预测模型并输出风电场全场估测输出功率结果；历史实际输出功率和估测输出功率均以每天的总输出功率为基础进行分析，即历史实际输出功率包含历史第一天的实际总输出功率到第n天的实际总输出功率。

步骤S3包括以下步骤：

步骤S31：获取估测输出功率与实际输出功率对应比较后的差值数据为第一差值数据集，获取第一监测周期中风电场风力发电机组无异常预警时，工作的历史实际输出功率与历史估测输出功率的差值为第二差值数据集；

步骤S32：计算第二差值数据集的平均差值为p0，获取第二差值数据集中第i天的第二差值ri，i={1,2,...,k}，k表示第二差值数据集中差值所对应的总天数；利用公式：

计算客观误差率e0；其中r1i为第二差值数据集中大于等于平均差值p0的第二差值；在提取大于平均差值时对应的第二差值是为了保证平均差值与第二差值的比值小于1，且保持分析的总天数仍为k更能反应出整体的数据真实性和精确性；

步骤S33：提取第二差值数据集中的最大值max[ri]和最小值min[ri]，记作偏差阈值[max[ri],min[ri]]；计算第一差值数据集中第i天对应的校正实际输出功率wi，wi=gi-gi*e0，其中gi表示第一差值数据集中第i天对应的实时输出功率；

步骤S34：判断第一数据集中的校正实际输出功率wi是否属于偏差阈值[max[ri],min[ri]]，标记wi∉[max[ri],min[ri]]时的实际输出功率为第一抖动数据。分析第一抖动数据是标记在风险管控周期中可能存在的异常值，因为实际和估测数据在一定程度上会存在客观的偏差，那么在除去客观偏差的前提下分析获取历史数据中正常工作对应的偏差阈值，可以初步判断出后续工作对应的数据是否存在可能异常，方法简单有效。

步骤S3还包括以下步骤；

步骤S3a：获取n个连续风险管控周期的第一差值数据集中标记的第一抖动数据，记录n个连续风险管控周期内第一抖动数据的个数N，获取第j个相邻第一抖动数据的天数间隔为mj，j≤N-1；

步骤S3b：获取N-1对数据组(j，mj)，建立相邻第一抖动数据的个数和相邻第一抖动数据对应的天数间隔的拟合曲线；

步骤S3c：标记拟合曲线中的起始点坐标a和终止点坐标b，以及按序标记拟合曲线中的极值点；

若存在极值点，记录相邻极值点所构成的曲线、起始点与相邻极值点构成的曲线以及终止点与相邻极值点构成曲线为区域曲线，对拟合曲线中第s个区域曲线进行求导并记录求导结果为区域值ds，标记区域值ds＞0时的区域曲线为第一区域曲线，标记区域值ds＜0时的区域曲线为第二区域曲线；计算区域比值f，f=u/v，u表示第一区域曲线的个数，v表示第二区域曲线的个数；当f＜1时，继续监测风险管控周期，当f≥1时，提取第二区域曲线对应的第一抖动数据为目标抖动数据；区域值小于0说明求导致值小于0，曲线的求导值表示曲线的趋势；

若不存在极值点，判断起始点坐标a与终止点坐标b对应坐标的大小关系，若a＞b，则标记拟合曲线上对应所有的第一抖动数据为目标抖动数据；若a＜b，继续监测风险管控周期；a大于b说明拟合曲线是呈下降趋势，说明相邻第一抖动数据出现的间隔天数越来越短，意味第一抖动数据的发生趋势较为急迫；a小于b说明拟合曲线呈上升趋势故异常数据间隔出现越来长说明趋势是向好的；

上述分析是在获取第一抖动数据的基础上进一步精确的获取目标抖动数据，因为数据的一次异常原因很难确定，但是存在规律性趋势的异常是需要值得重视能反应出风电场风力发电机组性能变化的；

步骤S3d：获取n个连续风险管控周期的所有目标抖动数据构成目标抖动数据集。

步骤S4包括以下步骤：

步骤S41：提取目标抖动数据集中每一目标抖动数据对应当天的影响参数组，构成风险影响参数集；影响参数组包括环境参数和机械参数；如风险影响参数集为{8.2号的影响参数组，8.3号的影响参数组}

步骤S42：获取风电场风力发电机组故障因素，故障因素包括内源故障因素和外源故障因素，外源故障因素为叶片相关的故障因素，内源故障因素为除叶片外的所有装置对应的故障因素，所有装置包括如电动机、齿轮箱、变压器、变流器、控制器、传感器和执行装置；

步骤S43：提取第一影响参数组，第一影响参数组为风险影响参数集中的影响参数组与相邻非目标抖动数据对应的影响参数组比较时，相似度小于相似度阈值对应风险影响参数集中的影响参数组；建立匹配模型：Y=(h0/h01)+{1/q[∑(h1/h11)]}，Y表示匹配度，q表示风险影响参数集中影响参数组的个数，

其中h0表示风险影响参数集中第一影响参数组的平均个数；h01表示风险影响参数集中的影响参数组的种类个数，h0/h01表示可能存在造成机组异常风险参数的比例；h1表示第一影响参数组中与外源故障因素相匹配的影响参数个数，h11表示第一影响参数组的个数；

如：8.1号为非目标抖动数据对应的一天；

影响参数有：环境温度c1、机舱温度f1、齿轮箱温度x1、风速z1和风向t1；

8.2号、8.3号分别为目标抖动数据对应的一天；

8.2影响参数组为：环境温度c2、机舱温度f2、齿轮箱温度x2、风速z2和风向t2；

8.3影响参数组为：环境温度c3、机舱温度f3、齿轮箱温度x3、风速z3和风向t3；

第一影响参数组为：{8.2：机舱温度f2、风速z2}、{8.3：环境温度c3、风速z3}；

则h0=(2+2)/2=2，h01=5；

8.2：h1=1，h11=2，表示只有风速是与外源故障因素相匹配的；

8.3：h1=2，h11=2，表示环境温度和风速均是外源故障的影响因素；

则Y=(2/5)+{1/2[(1/2)+1]}=1.15；

步骤S44：设置匹配度阈值Y0，若Y≥Y0，则输出外源故障因素预警提示；若Y＜Y0，则输出内源故障因素预警提示。因为叶片的维护工序复杂、叶片损坏原因较多，叶片作为风电场风力发电最重要的零部件，它的运行状况影响着整个风电场的输出功率；所以在分析机组性能时，将叶片与其他部件进行区分，单独分析，提高机组性能评估人员及检修人员对叶片的可分析性以及风电场叶片维护的可预知性。

一种大数据下的风电场风力发电机组性能评估系统，包括有效数据获取模块、估测输出功率预测模块、功率对比模块、客观误差率分析模块、目标抖动数据集获取模块、匹配模型分析模块和预警响应模块；

有效数据获取模块用于获取有效数据，有效数据包括历史环境参数、历史机械参数和历史实际输出功率；

估测输出功率预测模块用于基于风力预测结果和出力预测模型得到功率预测模型并输出风电场全场估测输出功率结果；

功率对比模块用于将估测输出功率与实际输出功率进行对应比较；

客观误差率分析模块用于分析历史第一监测周期中历史实际输出功率分析客观误差率；

目标抖动数据集获取模块用于在剔除客观误差率后分析获取风险管控周期中的目标抖动数据集；

匹配模型分析模块用于匹配分析目标抖动数据集的影响参数和发电机组的故障因素，并根据匹配结果传输信号给预警响应模块；

预警响应模块用于对匹配模型分析模块的匹配结果进行响应。

客观误差率分析模块包括第一差值数据集获取单元、第二差值数据集获取单元和客观误差率计算单元；

第一差值数据集获取单元用于获取估测输出功率与实际输出功率对应比较后的差值数据；

第二差值数据集获取单元用于获取第一监测周期中风电场风力发电机组无异常预警时，工作的历史实际输出功率与历史估测输出功率的差值；

客观误差率计算单元用于基于第二差值数据集的平均差值和第二差值数据集中大于等于平均差值的第二差值，计算客观误差率。

目标抖动数据集获取模块包括校正实际输出功率计算单元、第一抖动数据确定单元、拟合曲线建立单元、拟合曲线分析单元和目标抖动数据集提取单元；

校正实际输出功率计算单元用于第一差值数据集中对应的校正实际输出功率；

第一抖动数据确定单元用于标记第一数据集中的校正实际输出功率不属于偏差阈值时的实际输出功率为第一抖动数据；

拟合曲线建立单元用于建立相邻第一抖动数据的个数和相邻第一抖动数据对应的天数间隔的拟合曲线；

拟合曲线分析单元用于分析拟合曲线的趋势变化关系；

目标抖动数据集提取单元用于提取拟合曲线中满足要求的目标抖动数据。

匹配模型分析模块包括风险影响参数集提取单元、发电机组故障因素确定单元、第一影响参数组分析单元、匹配模型建立单元和信号传输单元；

风险影响参数集提取单元用于提取目标抖动数据集中每一目标抖动数据对应当天的影响参数组，构成风险影响参数集；

发电机组故障因素确定单元用于获取风电场风力发电机组故障因素；

第一影响参数组分析单元用于分析与非目标抖动数据对应影响参数相似度比较下的影响参数组；

匹配模型建立单元用于建立影响参数的匹配模型并输出匹配度；

信号传输单元用于基于匹配度阈值判断输出信号预警。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种大数据下的风电场风力发电机组性能评估方法，其特征在于，包括以下步骤：

步骤S1：获取历史第一监测周期中记录的风电场风力发电的有效数据，所述有效数据包括历史环境参数、历史机械参数和历史实际输出功率；

步骤S2：基于有效数据，建立功率预测模型来预测风险管控周期的风电场估测输出功率，所述风险管控周期的实际天数小于第一监测周期的实际天数；

步骤S3：获取风险管控周期中风电场的实际输出功率，将估测输出功率与实际输出功率进行对应比较，并基于历史第一监测周期中历史实际输出功率分析客观误差率，剔除客观误差率后分析获取风险管控周期中的目标抖动数据集；

所述步骤S3包括以下步骤：

步骤S31：获取估测输出功率与实际输出功率对应比较后的差值数据为第一差值数据集，获取第一监测周期中风电场风力发电机组无异常预警时，工作的历史实际输出功率与历史估测输出功率的差值为第二差值数据集；

步骤S32：计算第二差值数据集的平均差值为p0，获取第二差值数据集中第i天的第二差值ri，i={1,2,...,k}，k表示第二差值数据集中差值所对应的总天数；利用公式：

计算客观误差率e0；其中r1i为第二差值数据集中大于等于平均差值p0的第二差值；

步骤S33：提取第二差值数据集中的最大值max[ri]和最小值min[ri]，记作偏差阈值[max[ri],min[ri]]；计算第一差值数据集中第i天对应的校正实际输出功率wi，wi=gi-gi*e0，其中gi表示第一差值数据集中第i天对应的实时输出功率；

步骤S34：判断第一数据集中的校正实际输出功率wi是否属于偏差阈值[max[ri],min[ri]]，标记wi∉[max[ri],min[ri]]时的实际输出功率为第一抖动数据；

步骤S4：提取目标抖动数据集中的影响参数作为风险影响参数集，并建立其与风电场风力发电机组故障因素的匹配模型；将匹配度大于等于匹配度阈值的故障因素传输信号到管控中心进行预警。

2.根据权利要求1所述的一种大数据下的风电场风力发电机组性能评估方法，其特征在于：所述步骤S2中建立功率预测模型来预测风险管控周期的风电场估测输出功率，包括以下步骤：

步骤S21：在现有气象数值预报模式的基础上，输入风电场测风塔观测资料，所述观测资料包括时间、风速、风向、温度和压强；

步骤S22：基于步骤S21，对风电场微观区进行时空加密计算；得到满足风电场出力预测需求的风力预测结果；

步骤S23：获取历史实际输出功率和历史环境参数，所述历史环境参数包括历史测风塔观测资料和历史风电机组环境数据；输入历史实际输出功率和历史测风塔观测资料，统计分析获得风电场的出力预测模型；

步骤S24：结合步骤S22中的风力预测结果和步骤S23中的出力预测模型得到功率预测模型并输出风电场全场估测输出功率结果。

3.根据权利要求2所述的一种大数据下的风电场风力发电机组性能评估方法，其特征在于：所述步骤S3还包括以下步骤；

步骤S3a：获取n个连续风险管控周期的第一差值数据集中标记的第一抖动数据，记录n个连续风险管控周期内第一抖动数据的个数N，获取第j个相邻第一抖动数据的天数间隔为mj，j≤N-1；

步骤S3b：获取N-1对数据组(j，mj)，建立相邻第一抖动数据的个数和相邻第一抖动数据对应的天数间隔的拟合曲线；

步骤S3c：标记拟合曲线中的起始点坐标a和终止点坐标b，以及按序标记拟合曲线中的极值点；

若存在极值点，记录相邻极值点所构成的曲线、起始点与相邻极值点构成的曲线以及终止点与相邻极值点构成曲线为区域曲线，对拟合曲线中第s个区域曲线进行求导并记录求导结果为区域值ds，标记区域值ds＞0时的区域曲线为第一区域曲线，标记区域值ds＜0时的区域曲线为第二区域曲线；计算区域比值f，f=u/v，u表示第一区域曲线的个数，v表示第二区域曲线的个数；当f＜1时，继续监测风险管控周期，当f≥1时，提取第二区域曲线对应的第一抖动数据为目标抖动数据；

若不存在极值点，判断起始点坐标a与终止点坐标b对应坐标的大小关系，若a＞b，则标记拟合曲线上对应所有的第一抖动数据为目标抖动数据；若a＜b，继续监测风险管控周期；

步骤S3d：获取n个连续风险管控周期的所有目标抖动数据构成目标抖动数据集。

4.根据权利要求3所述的一种大数据下的风电场风力发电机组性能评估方法，其特征在于：所述步骤S4包括以下步骤：

步骤S41：提取目标抖动数据集中每一目标抖动数据对应当天的影响参数组，构成风险影响参数集；所述影响参数组包括环境参数和机械参数；

步骤S42：获取风电场风力发电机组故障因素，所述故障因素包括内源故障因素和外源故障因素，所述外源故障因素为叶片相关的故障因素，所述内源故障因素为除叶片外的所有装置对应的故障因素；

步骤S43：提取第一影响参数组，所述第一影响参数组为风险影响参数集中的影响参数组与相邻非目标抖动数据对应的影响参数组比较时，相似度小于相似度阈值对应风险影响参数集中的影响参数组；建立匹配模型：Y=(h0/h01)+{1/q[∑(h1/h11)]}，Y表示匹配度，q表示风险影响参数集中影响参数组的个数，

其中h0表示风险影响参数集中第一影响参数组的平均个数；h01表示风险影响参数集中的影响参数组的种类个数，h0/h01表示可能存在造成机组异常风险参数的比例；h1表示第一影响参数组中与外源故障因素相匹配的影响参数个数，h11表示第一影响参数组的个数；

步骤S44：设置匹配度阈值Y0，若Y≥Y0，则输出外源故障因素预警提示；若Y＜Y0，则输出内源故障因素预警提示。

5.应用权利要求1-4中任一项所述的一种大数据下的风电场风力发电机组性能评估方法的一种大数据下的风电场风力发电机组性能评估系统，其特征在于，包括有效数据获取模块、估测输出功率预测模块、功率对比模块、客观误差率分析模块、目标抖动数据集获取模块、匹配模型分析模块和预警响应模块；

所述有效数据获取模块用于获取有效数据，所述有效数据包括历史环境参数、历史机械参数和历史实际输出功率；

所述估测输出功率预测模块用于基于风力预测结果和出力预测模型得到功率预测模型并输出风电场全场估测输出功率结果；

所述功率对比模块用于将估测输出功率与实际输出功率进行对应比较；

所述客观误差率分析模块用于分析历史第一监测周期中历史实际输出功率分析客观误差率；

所述客观误差率分析模块包括第一差值数据集获取单元、第二差值数据集获取单元和客观误差率计算单元；

所述第一差值数据集获取单元用于获取估测输出功率与实际输出功率对应比较后的差值数据；

所述第二差值数据集获取单元用于获取第一监测周期中风电场风力发电机组无异常预警时，工作的历史实际输出功率与历史估测输出功率的差值；

所述客观误差率计算单元用于基于第二差值数据集的平均差值和第二差值数据集中大于等于平均差值的第二差值，计算客观误差率；

所述目标抖动数据集获取模块用于在剔除客观误差率后分析获取风险管控周期中的目标抖动数据集；

所述匹配模型分析模块用于匹配分析目标抖动数据集的影响参数和发电机组的故障因素，并根据匹配结果传输信号给所述预警响应模块；

所述预警响应模块用于对所述匹配模型分析模块的匹配结果进行响应。

6.根据权利要求5所述的一种大数据下的风电场风力发电机组性能评估系统，其特征在于：所述目标抖动数据集获取模块包括校正实际输出功率计算单元、第一抖动数据确定单元、拟合曲线建立单元、拟合曲线分析单元和目标抖动数据集提取单元；

所述校正实际输出功率计算单元用于第一差值数据集中对应的校正实际输出功率；

所述第一抖动数据确定单元用于标记第一数据集中的校正实际输出功率不属于偏差阈值时的实际输出功率为第一抖动数据；

所述拟合曲线建立单元用于建立相邻第一抖动数据的个数和相邻第一抖动数据对应的天数间隔的拟合曲线；

所述拟合曲线分析单元用于分析拟合曲线的趋势变化关系；

所述目标抖动数据集提取单元用于提取拟合曲线中满足要求的目标抖动数据。

7.根据权利要求6所述的一种大数据下的风电场风力发电机组性能评估系统，其特征在于：所述匹配模型分析模块包括风险影响参数集提取单元、发电机组故障因素确定单元、第一影响参数组分析单元、匹配模型建立单元和信号传输单元；

所述风险影响参数集提取单元用于提取目标抖动数据集中每一目标抖动数据对应当天的影响参数组，构成风险影响参数集；

所述发电机组故障因素确定单元用于获取风电场风力发电机组故障因素；

所述第一影响参数组分析单元用于分析与非目标抖动数据对应影响参数相似度比较下的影响参数组；

所述匹配模型建立单元用于建立影响参数的匹配模型并输出匹配度；

所述信号传输单元用于基于匹配度阈值判断输出信号预警。

Images