CN115579876A - 一种风机功率特性曲线的辨识方法及系统 - Google Patents

一种风机功率特性曲线的辨识方法及系统 Download PDF

Info

Publication number
CN115579876A
CN115579876A CN202211313309.7A CN202211313309A CN115579876A CN 115579876 A CN115579876 A CN 115579876A CN 202211313309 A CN202211313309 A CN 202211313309A CN 115579876 A CN115579876 A CN 115579876A
Authority
CN
China
Prior art keywords
wind speed
speed interval
power
average
interval
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
Application number
CN202211313309.7A
Other languages
English (en)
Inventor
杨威
赵海亮
郎泽萌
刘东阳
张小雷
蒋成伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cgn Dongzhi New Energy Co ltd
Original Assignee
Cgn Dongzhi New Energy Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cgn Dongzhi New Energy Co ltd filed Critical Cgn Dongzhi New Energy Co ltd
Priority to CN202211313309.7A priority Critical patent/CN115579876A/zh
Publication of CN115579876A publication Critical patent/CN115579876A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种风机功率特性曲线的辨识方法及系统，本发明能够通过对风机功率特性曲线进行辨识识别出异常区间，并且针对风机功率特性曲线非线性的特点，将其进行离散化，通过分析内部的离散点进行辨识，并将离散点根据风速进行区间的划分，通过对多个区间的辨识判断风机的异常点，降低了对大量离散点进行处理的数据量，并且通过构造运行状态图能够十分方便的看出风机在不同的风速下的工作情况，直观的辨识出异常点或者异常区间。

Description

一种风机功率特性曲线的辨识方法及系统
技术领域
本发明涉及风电分析技术领域，具体为一种风机功率特性曲线的辨识方法及系统。
背景技术
风电机组输入的风速是影响其输出有功功率的主要因素，因此风机的内部特性可以被忽略，仅考虑输入风速和输出有功功率的关系，这种描述风速与风力发电机组输出有功功率之间对应关系的曲线称为风机的功率特性曲线，风机的实际运行功率曲线是根据风机运行时所采集记录的风机实际运行数据得到的，一般来说通过功率特性曲线能够识别出风机在不同风速下的工作情况，但是风机的功率特性曲线是非线性的，因此微小的异常点或者异常段曲线直接通过观测特性曲线是难以发现的，因此需要对功率特性曲线进行辨识，判断出风机的异常点，便于后期的维护。
传统的风机功率特性曲线的辨识基于录波数据实现，但是录波数据只有在大故障下才能触发，难以满足对不同工况进行在线辨识的需求，目前的风机功率特性曲线的研究主要是集中于对于风机功率特性曲线的纠正和校准，如公开号为CN105740595A提供的一种风机功率特性曲线的辨识方法及系统，其采用风机运行功率曲线分段和遗传算法计算，可以显著提高拟合曲线与实际曲线的符合度，使得求得的风机功率曲线能更加精确地反应风机特性，但是校准后的曲线仍旧难以通过曲线直接辨识出异常点和异常风速区间，因此针对于风机功率放入特性曲线，开发出一种能够直接通过曲线辨识出风机工作的异常点是十分必要的。
发明内容
本发明的目的在于提供一种风机功率特性曲线的辨识方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种风机功率特性曲线的辨识方法，其中，所述辨识方法包括：
S1：将功率特性曲线按照风速分隔成若干段曲线，将每一段曲线均离散成为相同数量的点的集合，每个集合为：
Ci＝{...(vij-1、pij-1)、(vij、pij)、(vij+1、pij+1)...}
式中，Ci为第i个风速区间的离散点集合，vij、pij分别表示第i个风速区间内第j个点的风速和功率；
S2：求取一个风速区间内的功率平均值，每一个风速区间内有n组数据，则风速区间内的功率平均值为：
Figure BDA0003907962220000011
式中，
Figure BDA0003907962220000012
为第i个风速区间内的功率平均值；
根据功率平均值，计算各个风速区间内各个点与功率平均值的偏差值和每个风速区间的标准差分别为：
Figure BDA0003907962220000013
Figure BDA0003907962220000021
式中，Δpij为第i个风速区间内第j个点在第i个风速区间内的偏差值，σi为第i个风速区间的标准差；
S3：将每个风速区间内的每个点的偏差值和对应区间的标准差相比较，剔除每个区间内的异常数据，剔除的标准为：
|Δpij|＞2σi；
S4：基于Logistic曲线，构建各个风速空间内的理论功率方程，构建的理论功率方程为：
Figure BDA0003907962220000022
式中，
Figure BDA0003907962220000023
为第i个风速区间内第j个点的理论功率，α、β、γ、τ分别为理论功率方程的矢量参数；
S5：针对于每个风速区间，选取多组样本数，每个样本数构成一个样本集合，每个样本集合内部由四个样本点，且每个样本点的之间的个数间距相同，即：
Yim＝{(vij-ε、pij-ε)、(vij、pij)、(vij+ε、pij+ε)、、(vij+2ε、pij+2ε)}
式中，Yim表示第i个风速区间内第m个样本点集，vij-ε、pij-ε第i个风速区间内第j-ε个点的风速和功率，ε表示样本点之间的个数间距；
S6：将每个样本集合代入到理论功率方程中，求解每个集合对应的α、β、γ、τ矢量参数的数值，计算多个α、β、γ、τ矢量参数的平均数，求得的平均数为αi、βi、γi、τi，其中αi、βi、γi、τi分别表示为第i个风速区间内理论功率方程的矢量参数；
S7：计算各个风速区间的平均残差和标准偏差，通过平均残差和标准偏差计算整个功率曲线的状态上限和状态下限，平均残差和标准偏差的计算公式为：
Figure BDA0003907962220000024
Figure BDA0003907962220000025
式中，
Figure BDA0003907962220000026
分别为第i个风速区间内的平均残差和标准偏差，计算整个功率曲线的状态上限和状态下限的计算公式为：
Figure BDA0003907962220000027
Figure BDA0003907962220000028
式中，H、L分别为整个功率曲线的状态上限和状态下限，N为分隔的风速区间的数目；
S8：构建运行状态图，将各个风速区间作为横坐标，按照各个风速区间的平均风速从低到高进行排序，将各个风速区间的平均残差、状态上限和状态下限作为纵坐标绘制在一张图中，若对应风速区间的平均残差超过状态上限或状态下限，判断该风速区间内风机运行状态异常。
优选的，所述步骤S1中每个风速区间内的相邻离散点的风速差相同，即：
Δvi＝vij+1-vij＝vij-vij-1
式中，Δvi为第第i个风速区间内相邻离散点的风速差值。
优选的，所述步骤S3中每个风速区间剔除的异常数据值相同，若某个风速区间内剔除的异常数据较少，则按照|Δpij|从大到小的顺序进行剔除，直至每个风速区间内剔除的异常点数目相同。
优选的，所述步骤S5中同一个风速区间内选取的样本集和之间的个数间距均不相同，且每个风速区间选取的样本数不少于五组。
优选的，所述步骤S6中计算多个α、β、γ、τ矢量参数的平均数时，去除对应矢量参数的最高值和最低值，剩下的数值计算平均数获得αi、βi、γi、τi的数值。
本发明另外还提供一种风机功率特性曲线的辨识系统，所述辨识系统适用于上述的风机功率特性曲线的辨识方法，所述辨识系统包括：
曲线分隔离散模块，用于将功率特性曲线按照风速分隔成若干段曲线，将每一段曲线均离散成为相同数量的点的集合；
差值计算模块，用于求取一个风速区间内的功率平均值，并根据功率平均值，计算各个风速区间内各个点与功率平均值的偏差值和每个风速区间的标准差；
异常数据剔除模块，用于将每个风速区间内的每个点的偏差值和对应区间的标准差相比较，若偏差值的绝对值大于两倍的标准差，则判断为异常数据进行剔除；
理论功率方程构建模块，用于基于Logistic曲线，构建各个风速空间内的理论功率方程；
样本选取模块，用于针对于每个风速区间，选取多组样本数，每个样本数构成一个样本集合，每个样本集合内部由四个样本点，且每个样本点的之间的个数间距相同；
矢量参数求解模块，用于将每个样本集合代入到理论功率方程中，求解每个集合对应的矢量参数的数值，计算多个矢量参数的平均数，求得的平均数作为对应风速区间内理论功率方程的矢量参数；
上下限计算模块，用于计算各个风速区间的平均残差和标准偏差，通过平均残差和标准偏差计算整个功率曲线的状态上限和状态下限；
运行状态图构建模块，用于将各个风速区间作为横坐标，按照各个风速区间的平均风速从低到高进行排序，将各个风速区间的平均残差、状态上限和状态下限作为纵坐标绘制在一张图中，若对应风速区间的平均残差超过状态上限或状态下限，判断该风速区间内风机运行状态异常。
优选的，所述曲线分隔离散模块构建的每个风速区间内的相邻离散点的风速差相同。
优选的，所述异常数据剔除模块在每个风速区间剔除的异常数据值相同，若某个风速区间内剔除的异常数据较少，则按照偏差值的绝对值从大到小的顺序进行剔除，直至每个风速区间内剔除的异常点数目相同。
优选的，所述样本选取模块选取的同一个风速区间内选取的样本集和之间的个数间距均不相同，且每个风速区间选取的样本数不少于五组。
优选的，所述矢量参数求解模块计算多个矢量参数的平均数时，去除对应矢量参数的最高值和最低值，剩下的数值计算平均数获得对应矢量参数的平均数值。
与现有技术相比，本发明的有益效果是：
本发明能够通过对风机功率特性曲线进行辨识识别出异常区间，并且针对风机功率特性曲线非线性的特点，将其进行离散化，通过分析内部的离散点进行辨识，并将离散点根据风速进行区间的划分，通过对多个区间的辨识判断风机的异常点，降低了对大量离散点进行处理的数据量，并且通过构造运行状态图能够十分方便的看出风机在不同的风速下的工作情况，直观的辨识出异常点或者异常区间。
附图说明
图1为本发明的辨识方法的流程示意图；
图2为本发明的辨识系统的结构示意图。
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。
实施例：
请参阅图1，本发明提供一种技术方案：
一种风机功率特性曲线的辨识方法，其中，所述辨识方法包括：
S1：将功率特性曲线按照风速分隔成若干段曲线，每段曲线对应一个风速区间，将每一段曲线均离散成为相同数量的点的集合，每个集合为：
Ci＝{...(vij-1、pij-1)、(vij、pij)、(vij+1、pij+1)...}
式中，Ci为第i个风速区间的离散点集合，vij、pij分别表示第i个风速区间内第j个点的风速和功率。其中，每个风速区间内的相邻离散点的风速差相同，即：
Δvi＝vij+1-vij＝vij-vij-1
式中，Δvi为第第i个风速区间内相邻离散点的风速差值；每段曲线对应的风速区间的宽度可以相同，也可以不同，曲线分隔的越密集，则相应的风速空间也越密集，相应的后期确定异曲线段就越准确。
通过将功率特性曲线分割成段，并离散成有数点的方式，构成了二阶的分析样本，首先是多个区间的样本，其次是每个风速区间的点的样本，区别于难以分析的非线性曲线，本实施例如此处理，让对于整个曲线的辨识成为了可能，而且降低了对大量离散点进行处理的数据量。
S2：求取一个风速区间内的功率平均值，每一个风速区间内有n组数据，即n个数据点，则风速区间内的功率平均值为：
Figure BDA0003907962220000041
式中，
Figure BDA0003907962220000042
为第i个风速区间内的功率平均值；
根据功率平均值，计算各个风速区间内各个点与功率平均值的偏差值和每个风速区间的标准差分别为：
Figure BDA0003907962220000043
Figure BDA0003907962220000044
式中，Δpij为第i个风速区间内第j个点在第i个风速区间内的偏差值，σi为第i个风速区间的标准差。
其中，上述步骤主要为识别风速区间内的非正常数据，非正常数据并不是风机工作的异常数据，而是非正常采集的数据，或者说错误的数据，通过此步骤主要是对错误的数据进行识别，便于后面的清除，让数据的有效性得到保障。
S3：将每个风速区间内的每个点的偏差值和对应区间的标准差相比较，剔除每个区间内的异常数据，剔除的标准为：
|Δpij|＞2σi。
其中，每个风速区间剔除的异常数据值相同，若某个风速区间内剔除的异常数据较少，则按照|Δpij|从大到小的顺序进行剔除，直至每个风速区间内剔除的异常点数目相同，保证每个区间内部数据的协调性，剔除风速区间内的非正常数据，让数据的有效性得到保障，避免将错误的数据当作异常数据进行分析。
S4：基于Logistic曲线，构建各个风速空间内的理论功率方程，构建的理论功率方程为：
Figure BDA0003907962220000051
式中，
Figure BDA0003907962220000052
为第i个风速区间内第j个点的理论功率，α、β、γ、τ分别为理论功率方程的矢量参数，它决定理论功率方程对应的曲线形状，通过构建Logistic曲线对于各个点进行重新参数化，重新参数化后的非线性函数不仅保留了S形的非线性特征，而且某些情况下降低非线性的强度，在提高各个点的理论功率的拟合能力和拟合效果上能够起到重要作用。
S5：针对于每个风速区间，选取多组样本数，每个样本数构成一个样本集合，每个样本集合内部由四个样本点，且每个样本点的之间的个数间距相同，即：
Yim＝{(vij-ε、pij-ε)、(vij、pij)、(vij+ε、pij+ε)、、(vij+2ε、pij+2ε)}；
式中，Yim表示第i个风速区间内第m个样本点集，vij-ε、pij-ε第i个风速区间内第j-ε个点的风速和功率，ε表示样本点之间的个数间距。
其中，同一个风速区间内选取的样本集和之间的个数间距均不相同，且每个风速区间选取的样本数不少于五组。
S6：将每个样本集合代入到理论功率方程中，求解每个集合对应的α、β、γ、τ矢量参数的数值，计算多个α、β、γ、τ矢量参数的平均数，求得的平均数为αi、βi、γi、τi，其中αi、βi、γi、τi分别表示为第i个风速区间内理论功率方程的矢量参数。
其中，计算多个α、β、γ、τ矢量参数的平均数时，去除对应矢量参数的最高值和最低值，剩下的数值计算平均数获得αi、βi、γi、τi的数值，通过采用统计学的方式获取αi、βi、γi、τi的数值，能够最大程度降低异常点对于适量参数的影响，让αi、βi、γi、τi的数值更加趋近于实际值，降低异常点的影响。
S7：计算各个风速区间的平均残差和标准偏差，通过平均残差和标准偏差计算整个功率曲线的状态上限和状态下限，平均残差和标准偏差的计算公式为：
Figure BDA0003907962220000053
Figure BDA0003907962220000061
式中，
Figure BDA0003907962220000062
分别为第i个风速区间内的平均残差和标准偏差，计算整个功率曲线的状态上限和状态下限的计算公式为：
Figure BDA0003907962220000063
Figure BDA0003907962220000064
式中，H、L分别为整个功率曲线的状态上限和状态下限，N为分隔的风速区间的数目。
其中，平均残差能够反映出某个风速区间相对于整个风机功率曲线的偏移程度，整个功率曲线的状态上限和状态下限可以看作整个风机功率曲线的偏移阈值，一旦某个风速区间的平均残差超出状态上限或状态下限，则认为该风速区间为异常段。
S8：构建运行状态图，将各个风速区间作为横坐标，按照各个风速区间的平均风速从低到高进行排序，将各个风速区间内平均残差、状态上限和状态下限作为纵坐标绘制在一张图中，若对应风速区间的平均残差超过状态上限或状态下限，判断该风速区间内风机运行状态异常。
通过构造运行状态图能够十分方便的看出风机在不同的风速下的工作情况，直观的辨识出异常点或者异常区间，能够直接对风机功率特性曲线进行辨识识别出异常区间，若是将本实施例的风速区间设置的足够小的话，已成区间识别的会更加准确，但是相应的计算量会增大，风速区间的宽度选择可根据实际需求进行设定。
请参阅图2，本发明另外还提供一种风机功率特性曲线的辨识系统，所述辨识系统适用于上述的风机功率特性曲线的辨识方法，所述辨识系统包括：
曲线分隔离散模块，用于将功率特性曲线按照风速分隔成若干段曲线，将每一段曲线均离散成为相同数量的点的集合，其中，所述曲线分隔离散模块构建的每个风速区间内的相邻离散点的风速差相同。
差值计算模块，用于求取一个风速区间内的功率平均值，并根据功率平均值，计算各个风速区间内各个点与功率平均值的偏差值和每个风速区间的标准差。
异常数据剔除模块，用于将每个风速区间内的每个点的偏差值和对应区间的标准差相比较，若偏差值的绝对值大于两倍的标准差，则判断为异常数据进行剔除，其中，所述异常数据剔除模块在每个风速区间剔除的异常数据值相同，若某个风速区间内剔除的异常数据较少，则按照偏差值的绝对值从大到小的顺序进行剔除，直至每个风速区间内剔除的异常点数目相同。
理论功率方程构建模块，用于基于Logistic曲线，构建各个风速空间内的理论功率方程。
样本选取模块，用于针对于每个风速区间，选取多组样本数，每个样本数构成一个样本集合，每个样本集合内部由四个样本点，且每个样本点的之间的个数间距相同，其中，所述样本选取模块选取的同一个风速区间内选取的样本集和之间的个数间距均不相同，且每个风速区间选取的样本数不少于五组。
矢量参数求解模块，用于将每个样本集合代入到理论功率方程中，求解每个集合对应的矢量参数的数值，计算多个矢量参数的平均数，求得的平均数作为对应风速区间内理论功率方程的矢量参数，其中，所述矢量参数求解模块计算多个矢量参数的平均数时，去除对应矢量参数的最高值和最低值，剩下的数值计算平均数获得对应矢量参数的平均数值。
上下限计算模块，用于计算各个风速区间的平均残差和标准偏差，通过平均残差和标准偏差计算整个功率曲线的状态上限和状态下限。
运行状态图构建模块，用于将各个风速区间作为横坐标，按照各个风速区间的平均风速从低到高进行排序，将各个风速区间的平均残差、状态上限和状态下限作为纵坐标绘制在一张图中，若对应风速区间的平均残差超过状态上限或状态下限，判断该风速区间内风机运行状态异常。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种风机功率特性曲线的辨识方法，其特征在于，所述辨识方法包括：
S1：将功率特性曲线按照风速分隔成若干段曲线，将每一段曲线均离散成为相同数量的点的集合，每个集合为：
Ci＝{...(vij-1、pij-1)、(vij、pij)、(vij+1、pij+1)...}
式中，Ci为第i个风速区间的离散点集合，vij、pij分别表示第i个风速区间内第j个点的风速和功率；
S2：求取一个风速区间内的功率平均值，每一个风速区间内有n组数据，则风速区间内的功率平均值为：
Figure FDA0003907962210000011
式中，
Figure FDA0003907962210000012
为第i个风速区间内的功率平均值；
根据功率平均值，计算各个风速区间内各个点与功率平均值的偏差值和每个风速区间的标准差分别为：
Figure FDA0003907962210000013
Figure FDA0003907962210000014
式中，Δpij为第i个风速区间内第j个点在第i个风速区间内的偏差值，σi为第i个风速区间的标准差；
S3：将每个风速区间内的每个点的偏差值和对应区间的标准差相比较，剔除每个区间内的异常数据，剔除的标准为：
|Δpij|＞2σi；
S4：基于Logistic曲线，构建各个风速空间内的理论功率方程，构建的理论功率方程为：
Figure FDA0003907962210000015
式中，
Figure FDA0003907962210000016
为第i个风速区间内第j个点的理论功率，α、β、γ、τ分别为理论功率方程的矢量参数；
s5：针对于每个风速区间，选取多组样本数，每个样本数构成一个样本集合，每个样本集合内部由四个样本点，且每个样本点的之间的个数间距相同，即：
Yim＝{(vij-ε、pij-ε)、(vij、pij)、(vij+ε、pij+ε)、、(vij+2ε、pij+2ε)}
式中，Yim表示第i个风速区间内第m个样本点集，vij-ε、pij-ε第i个风速区间内第j-ε个点的风速和功率，ε表示样本点之间的个数间距；
S6：将每个样本集合代入到理论功率方程中，求解每个集合对应的α、β、γ、τ矢量参数的数值，计算多个α、β、γ、τ矢量参数的平均数，求得的平均数为αi、βi、γi、τi，其中αi、βi、γi、τi分别表示为第i个风速区间内理论功率方程的矢量参数；
S7：计算各个风速区间的平均残差和标准偏差，通过平均残差和标准偏差计算整个功率曲线的状态上限和状态下限，平均残差和标准偏差的计算公式为：
Figure FDA0003907962210000017
Figure FDA0003907962210000021
式中，
Figure FDA0003907962210000022
分别为第i个风速区间内的平均残差和标准偏差，计算整个功率曲线的状态上限和状态下限的计算公式为：
Figure FDA0003907962210000023
Figure FDA0003907962210000024
式中，H、L分别为整个功率曲线的状态上限和状态下限，N为分隔的风速区间的数目；
S8：构建运行状态图，将各个风速区间作为横坐标，按照各个风速区间的平均风速从低到高进行排序，将各个风速区间的平均残差、状态上限和状态下限作为纵坐标绘制在一张图中，若对应风速区间的平均残差超过状态上限或状态下限，判断该风速区间内风机运行状态异常。
2.根据权利要求1所述的一种风机功率特性曲线的辨识方法，其特征在于：所述步骤S1中每个风速区间内的相邻离散点的风速差相同，即：
Δvi＝vij+1-vij＝vij-vij-1
式中，Δvi为第第i个风速区间内相邻离散点的风速差值。
3.根据权利要求1所述的一种风机功率特性曲线的辨识方法，其特征在于：所述步骤S3中每个风速区间剔除的异常数据值相同，若某个风速区间内剔除的异常数据较少，则按照|Δpij|从大到小的顺序进行剔除，直至每个风速区间内剔除的异常点数目相同。
4.根据权利要求1所述的一种风机功率特性曲线的辨识方法，其特征在于：所述步骤S5中同一个风速区间内选取的样本集和之间的个数间距均不相同，且每个风速区间选取的样本数不少于五组。
5.根据权利要求4所述的一种风机功率特性曲线的辨识方法，其特征在于：所述步骤S6中计算多个口、β、γ、τ矢量参数的平均数时，去除对应矢量参数的最高值和最低值，剩下的数值计算平均数获得αi、βi、γi、τi的数值。
6.一种风机功率特性曲线的辨识系统，其特征在于：所述辨识系统适用于权利要求1-5任一项所述的风机功率特性曲线的辨识方法，所述辨识系统包括：
曲线分隔离散模块，用于将功率特性曲线按照风速分隔成若干段曲线，将每一段曲线均离散成为相同数量的点的集合；
差值计算模块，用于求取一个风速区间内的功率平均值，并根据功率平均值，计算各个风速区间内各个点与功率平均值的偏差值和每个风速区间的标准差；
异常数据剔除模块，用于将每个风速区间内的每个点的偏差值和对应区间的标准差相比较，若偏差值的绝对值大于两倍的标准差，则判断为异常数据进行剔除；
理论功率方程构建模块，用于基于Logistic曲线，构建各个风速空间内的理论功率方程；
样本选取模块，用于针对于每个风速区间，选取多组样本数，每个样本数构成一个样本集合，每个样本集合内部由四个样本点，且每个样本点的之间的个数间距相同；
矢量参数求解模块，用于将每个样本集合代入到理论功率方程中，求解每个集合对应的矢量参数的数值，计算多个矢量参数的平均数，求得的平均数作为对应风速区间内理论功率方程的矢量参数；
上下限计算模块，用于计算各个风速区间的平均残差和标准偏差，通过平均残差和标准偏差计算整个功率曲线的状态上限和状态下限；
运行状态图构建模块，用于将各个风速区间作为横坐标，按照各个风速区间的平均风速从低到高进行排序，将各个风速区间的平均残差、状态上限和状态下限作为纵坐标绘制在一张图中，若对应风速区间的平均残差超过状态上限或状态下限，判断该风速区间内风机运行状态异常。
7.根据权利要求5所述的一种风机功率特性曲线的辨识系统，其特征在于：所述曲线分隔离散模块构建的每个风速区间内的相邻离散点的风速差相同。
8.根据权利要求5所述的一种风机功率特性曲线的辨识系统，其特征在于：所述异常数据剔除模块在每个风速区间剔除的异常数据值相同，若某个风速区间内剔除的异常数据较少，则按照偏差值的绝对值从大到小的顺序进行剔除，直至每个风速区间内剔除的异常点数目相同。
9.根据权利要求5所述的一种风机功率特性曲线的辨识系统，其特征在于：所述样本选取模块选取的同一个风速区间内选取的样本集和之间的个数间距均不相同，且每个风速区间选取的样本数不少于五组。
10.根据权利要求9所述的一种风机功率特性曲线的辨识系统，其特征在于：所述矢量参数求解模块计算多个矢量参数的平均数时，去除对应矢量参数的最高值和最低值，剩下的数值计算平均数获得对应矢量参数的平均数值。
CN202211313309.7A 2022-10-25 2022-10-25 一种风机功率特性曲线的辨识方法及系统 Pending CN115579876A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211313309.7A CN115579876A (zh) 2022-10-25 2022-10-25 一种风机功率特性曲线的辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211313309.7A CN115579876A (zh) 2022-10-25 2022-10-25 一种风机功率特性曲线的辨识方法及系统

Publications (1)

Publication Number Publication Date
CN115579876A true CN115579876A (zh) 2023-01-06

Family

ID=84586032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211313309.7A Pending CN115579876A (zh) 2022-10-25 2022-10-25 一种风机功率特性曲线的辨识方法及系统

Country Status (1)

Country Link
CN (1) CN115579876A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030654A (zh) * 2023-10-10 2023-11-10 武汉怡特环保科技有限公司 一种空气中痕量级二氧化硫浓度测量方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117030654A (zh) * 2023-10-10 2023-11-10 武汉怡特环保科技有限公司 一种空气中痕量级二氧化硫浓度测量方法
CN117030654B (zh) * 2023-10-10 2023-12-29 武汉怡特环保科技有限公司 一种空气中痕量级二氧化硫浓度测量方法

Similar Documents

Publication Publication Date Title
CN110991786B (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN106055918B (zh) 一种电力系统负荷数据的辨识及修正方法
CN111177650B (zh) 一种配电网电能质量监测与综合评估系统及方法
CN111722046B (zh) 一种基于深度森林模型的变压器故障诊断方法
CN110895526A (zh) 一种大气监测系统中数据异常的修正方法
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN115579876A (zh) 一种风机功率特性曲线的辨识方法及系统
CN114114039A (zh) 一种电池系统的单体电芯一致性的评估方法和装置
CN111967717A (zh) 一种基于信息熵值的数据质量评价方法
CN108830006B (zh) 基于线性评价因子的线性-非线性工业过程故障检测方法
CN109947815A (zh) 一种基于离群点算法的窃电辨识方法
CN116448161A (zh) 一种基于人工智能的环境监测设备故障诊断方法
CN115021679A (zh) 一种基于多维离群点检测的光伏设备故障检测方法
CN111126449A (zh) 一种基于聚类分析的电池故障分类诊断方法
CN112329868B (zh) 基于clara聚类的制造加工设备群能效状态评价方法
CN109214268B (zh) 一种基于集成流形学习的填料塔液泛状态在线监测方法
CN110163437B (zh) 基于DPK-means的日前光伏发电功率预测方法
CN116298984A (zh) 一种锂离子电池容量跳水点和电池衰减程度识别方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN115034443A (zh) 一种基于工况划分与神经网络的锅炉性能预测方法
CN111931861B (zh) 一种异质性数据集的异常检测方法及计算机可读存储介质
CN115081798A (zh) 基于pls算法的板带热精轧过程分机架联合监控与诊断方法
CN110929800B (zh) 一种基于sax算法的商业体异常用电检测方法
CN114970311A (zh) 一种远端模块寿命预测模型的建立方法与寿命预测方法
CN114357667A (zh) 一种基于resid递归结构识别的发动机起动状态故障检测方法

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