CN115951088B

CN115951088B - 一种风电机组风速仪异常分析方法

Info

Publication number: CN115951088B
Application number: CN202310230161.9A
Authority: CN
Inventors: 王照阳; 孙达康; 柏恩慈; 张世磊; 杜军; 朱辰泽; 张磊; 杨乘胜
Original assignee: Nanjing Nanzi Huadun Digital Technology Co ltd
Current assignee: Nanjing Nanzi Huadun Digital Technology Co ltd
Priority date: 2023-03-10
Filing date: 2023-03-10
Publication date: 2023-08-25
Anticipated expiration: 2043-03-10
Also published as: CN115951088A

Abstract

本发明公开了一种风电机组风速仪异常分析方法，包括：根据风电场中各风电机组的地理位置信息判断目标风电机组的邻近风电机组；获取目标风电机组及其邻近风电机组的运行数据；对目标风电机组及其邻近风电机组的运行数据进行预处理；根据预处理后的目标风电机组及其邻近风电机组的运行数据，利用风速仪异常识别模型分析目标风电机组的风速仪异常情况，并进行风速仪故障预警。本发明能够及时、准确的在线判断出风速仪异常情况，进行故障预警，减少发电量损失，避免风电机组因风速仪异常而产生的安全事故。

Description

一种风电机组风速仪异常分析方法

技术领域

本发明涉及一种风电机组风速仪异常分析方法，属于风速仪异常分析技术领域。

背景技术

风电机组是由多组件、多子系统组成的复杂系统，机组通常运行在远郊平原、山区、临海等偏远地区，运行环境恶劣多变，风电机组关键组件的故障会导致整机的停机检修，带来巨大的经济损失。

风速仪是风电机组中的关键组件之一，用于测量风电机组的风速，风速仪测量结果的准确性对风电机组控制策略影响很大，风电机组控制系统使用风速仪输出风速进行风力发电机组的控制，如果风速仪测量结果出现偏差，会影响控制系统对风机运行状态的判断，从而导致控制系统进行错误的控制操作，不仅会造成发电性能的严重损失，还会让风机长时间处于非稳定运行的状态，为发电企业带来难以估计的安全风险，严重时会造成安全事故。此外，风速仪输出结果存在偏差，会影响风电机组风速-功率曲线的准确性，风电机组风速-功率曲线是评估风电机组性能分析的重要手段，因此，风速仪异常会直接导致风电机组性能分析偏差，影响对机组发电能力的判断，从而导致制定错误的检修维护计划，浪费人力物力。

目前部分风电场通过定期拆卸检查的方式进行风电机组风速仪的异常分析，这种方法不能即使发现异常状态的风速仪，同时没有目的性的对所有风速仪进行检查，维护工作量大，操作难度大，高空作业同时伴随一定的安全风险，在风速仪拆卸、检查、安装过程中可能会造成风速仪的损坏。风速仪检查时，风电机组需要停机，会造成一定的风资源的浪费，检修维护损失发电量高。有研究学者提出基于决策树分类算法等机器学习方法的风速仪故障诊断技术，但是该方法对于数据样本的要求较高，需要机组满性能发电及不同故障下的大量样本数据，同时由于不同风电机组差异性，针对不同机型甚至同一机型不同品牌风电机组都要单独进行训练，不易于实际使用。

发明内容

针对现有的风速仪异常检测、分析方法存在的不足，本发明提出了一种风电机组风速仪异常分析方法，通过目标风电机组和邻近风电机组映射风速残差对风速仪进行异常分析，及时、准确的判断出风速仪异常情况，进行故障预警，减少发电量损失，避免风电机组因风速仪异常而产生的安全事故，对于风电机组的正常控制和性能分析都具有十分重要的意义。

为解决上述技术问题，本发明采用了如下技术手段：

本发明提出了一种风电机组风速仪异常分析方法，包括如下步骤：

根据风电场中各风电机组的地理位置信息判断目标风电机组的邻近风电机组；

获取目标风电机组及其邻近风电机组的运行数据；

对目标风电机组及其邻近风电机组的运行数据进行预处理；

根据预处理后的目标风电机组及其邻近风电机组的运行数据，利用风速仪异常识别模型分析目标风电机组的风速仪异常情况，并进行风速仪故障预警。

进一步的，地理位置信息为经纬度坐标；根据风电场中各风电机组的地理位置信息判断目标风电机组的邻近风电机组，包括：

根据各风电机组的经纬度坐标，计算目标风电机组与风电场中其它风电机组的空间距离；

根据目标风电机组与风电场中其它风电机组的空间距离，按照从小到大的顺序选取M台邻近风电机组，其中，M为预设的邻近风电机组数量。

进一步的，风电机组的运行数据包括风电机组运行状态、瞬时风速和风电机组负荷。

进一步的，预处理包括数据对齐、风电机组运行状态筛选、稳态风速筛选、邻近风机风速修正计算。

进一步的，数据对齐的方法为：

从SCADA系统中获取目标风电机组及其邻近风电机组前一日的风电机组运行状态、瞬时风速和风电机组负荷；

将风电机组运行状态、瞬时风速和风电机组负荷按照时间顺序对齐至秒级；

针对对齐后瞬时风速和风电机组负荷中的空值，通过拉格朗日插值法进行插值处理；

针对对齐后风电机组运行状态中的空值，利用该空值之前的非空值进行填补处理。

进一步的，对数据对齐后的目标风电机组及其邻近风电机组的运行数据进行风电机组运行状态筛选和稳态风速筛选，得到筛选后的目标风电机组及其邻近风电机组的运行数据；

风电机组运行状态筛选的方法为：将风电机组运行状态不是正常运行的运行数据剔除；

稳态风速筛选的方法为：根据预设的稳态判定条件将风电机组的运行数据划分为稳态运行数据和非稳态运行数据，将非稳态运行数据剔除；

稳态判定条件为：t为稳态判定时刻，在时间段内，风电机组的瞬时风速满足/>且功率满足/>，其中，/>和/>分别为稳态判定时刻前2分钟的时间段内风电机组的最大瞬时风速和最小瞬时风速，/>和/>分别为稳态判定时刻前2分钟的时间段内风电机组的最大功率和最小功率，/>表示风电机组额定功率。

进一步的，邻近风机风速修正计算的方法为：

，

其中，表示修正后的邻近风电机组风速，/>为目标风电机组海拔高度，/>为邻近风电机组海拔高速，/>为修正前邻近风电机组风速。

进一步的，利用风速仪异常识别模型分析目标风电机组的风速仪异常情况，并进行风速仪故障预警的方法为：

将目标风电机组预处理后的瞬时风速依次与同一时刻下每个邻近风电机组预处理后的瞬时风速进行残差计算，得到个残差序列，每个残差序列中有/>个残差值，其中，为预设的邻近风电机组数量，/>为每个风电机组的运行数据中瞬时风速数量；

根据风速仪正常情况下目标风电机组与邻近风电机组的运行数据，计算每个邻近风电机组和目标风电机组的残差阈值，得到阈值矩阵；

根据阈值矩阵对个残差序列进行异常值识别；

根据每个残差序列中异常值数量计算每个残差序列的异常值占比；

根据个残差序列的异常值占比得到目标风电机组的风速仪异常指标；

当目标风电机组的风速仪异常指标大于预设的指标阈值时，进行风速仪故障预警。

进一步的，阈值矩阵为，其中，/>表示目标风电机组与第/>个邻近风电机组/>之间的残差阈值上限，/>表示目标风电机组/>与第/>个邻近风电机组/>之间的残差阈值下限，/>；

，

其中，表示风速仪正常情况下目标风电机组/>与第/>个邻近风电机组/>的残差序列的均值，/>表示风速仪正常情况下目标风电机组/>与第/>个邻近风电机组/>的残差序列的标准差。

进一步的，目标风电机组的风速仪异常指标的表达式如下：

，

其中，表示目标风电机组的风速仪异常指标，/>表示第/>个残差序列的异常值占比，/>，/>表示第/>个残差序列中异常值数量。

采用以上技术手段后可以获得以下优势：

本发明提出了一种风电机组风速仪异常分析方法，给出了目标风电机组的邻近风电机组的确定方法，并对目标风电机组与其邻近风电机组的运行数据进行数据预处理，从而提高数据的可靠性，然后利用风速仪异常识别模型分析运行数据，判断目标风电机组的运行状态，及时、有效的在线识别风速仪异常的风力发电机组，并进行故障预警，能够有效减少发电量损失，避免风电机组因风速仪异常而产生的安全事故。

本发明能够实时、在线分析风速仪异常，具有数据样本收集方便，计算简单，易于实现，异常识别准确性高等特点。根据本发明故障预警信息指导现场运维人员对风速仪进行排查，有利于降低风速仪运维成本，确保风速仪正常运行，提高风电机组性能分析的准确性和风电机组控制系统的控制可靠性。

附图说明

图1为本发明一种风电机组风速仪异常分析方法的步骤流程图。

实施方式

下面结合附图对本发明的技术方案作进一步说明：

本发明提出了一种风电机组风速仪异常分析方法，如图1所示，具体包括如下步骤：

步骤A、根据风电场中各风电机组的地理位置信息判断目标风电机组的邻近风电机组。

步骤A01、获取风电场中各风电机组的地理位置信息，包括经度、纬度、海拔高度等数据。

步骤A02、根据各风电机组的经纬度坐标计算目标风电机组与风电场中其它风电机组的空间距离：

，

其中，D表示空间距离，表示目标风电机组的经纬度坐标，/>表示风电场中除目标风电机组之外另一个风电机组的经纬度坐标，/>为目标风电机组海拔高度，为风电场中除目标风电机组之外另一个风电机组的海拔高度。

步骤A03、根据目标风电机组与风电场中其它风电机组的空间距离，按照从小到大的顺序选取台邻近风电机组，即选择/>台最接近目标风电机组的风电机组作为邻近风电机组，其中，/>为预设的邻近风电机组数量。

步骤B、获取目标风电机组及其邻近风电机组的运行数据，风电机组的运行数据包括风电机组运行状态、瞬时风速和风电机组负荷等数据。

步骤C、对目标风电机组及其邻近风电机组的运行数据进行预处理。运行数据进行预处理主要是为了剔除影响模型准确度的样本数据，并对风速进行修正计算，以提高本发明方法对风速仪异常分析结果的准确性。预处理包括数据对齐、风电机组运行状态筛选、稳态风速筛选、邻近风机风速修正计算。

步骤C01、从SCADA系统中获取目标风电机组及其邻近风电机组前一日的风电机组运行状态、瞬时风速和风电机组负荷。

步骤C02、由于SCADA数据采样频率不一致，不同特征（风电机组运行状态、瞬时风速和风电机组负荷等）的数据密度不同，甚至同一个特征在不同时间段的采样频率均可能不一致，因此需要进行数据对齐。将风电机组运行状态、瞬时风速和风电机组负荷按照时间顺序对齐至秒级，然后对连续型特征（风速、负荷）和离散型特征（风电机组运行状态）的空值进行插值，保证每个秒级片段都包含上述全部数据，具体的：

1）针对对齐后瞬时风速和风电机组负荷中的空值，通过拉格朗日插值法进行插值处理，根据前后邻近点非空数值进行插值计算填补；

2）针对对齐后风电机组运行状态中的空值，利用该空值之前的非空值进行填补处理，假设t时刻风电机组运行状态为空，t-1时刻风电机组运行状态为正常运行，则将“正常运行”填补到t时刻的风电机组运行状态中。

步骤C03、对数据对齐后的目标风电机组及其邻近风电机组的运行数据进行风电机组运行状态筛选和稳态风速筛选，得到筛选后的目标风电机组及其邻近风电机组的运行数据。

风电机组运行状态筛选的方法为：将风电机组运行状态不是正常运行的运行数据剔除，例如停机、限负荷等状态，只保留风机运行状态为正常运行的数据。

稳态风速筛选的方法为：根据预设的稳态判定条件将风电机组的运行数据划分为稳态运行数据和非稳态运行数据，将非稳态运行数据剔除。

在本发明实施例中，稳态判定条件为：设t为稳态判定时刻，在时间段内，风电机组的瞬时风速满足/>且功率满足/>，其中，和/>分别为稳态判定时刻前2分钟的时间段内风电机组的最大瞬时风速和最小瞬时风速，/>和/>分别为稳态判定时刻前2分钟的时间段内风电机组的最大功率和最小功率，/>表示风电机组额定功率。

经过步骤C01~C03，假设有个时刻的数据符合风电机组稳态判定条件，即，可以得到筛选后的目标风电机组及其邻近风电机组的风速数据，其中，/>表示目标风电机组在窗口/>内的风速数据，，/>表示目标风电机组在第个时刻的瞬时风速，表示第/>个邻近风电机组在窗口/>内的风速数据。

步骤C04、以目标风电机组为基准，使用风速廓线对邻近风电机组风速进行修正。风速廓线是风速随高度的分布曲线，受地形、层结稳定度、大型天气形势的影响，在铅直方向上呈不同的分布规律，一般近地层风速廓线可用幂次律。则邻近风机风速修正计算公式如下：

，

其中，表示修正后的邻近风电机组风速，/>为目标风电机组海拔高度，为邻近风电机组海拔高速，/>为修正前邻近风电机组风速。

风速修正后，得到筛选后的目标风电机组风速数据和修正后的邻近风电机组风速数据。

步骤D、根据预处理后的目标风电机组及其邻近风电机组的运行数据，利用风速仪异常识别模型分析目标风电机组的风速仪异常情况，并进行风速仪故障预警。

步骤D01、将目标风电机组预处理后的瞬时风速依次与同一时刻下每个邻近风电机组预处理后的瞬时风速进行残差计算，得到个残差序列，每个残差序列中有/>个残差值，其中，/>为预设的邻近风电机组数量，/>为每个风电机组的运行数据中瞬时风速数量。

设目标风电机组与邻近风电机组残差序列为，其中，/>表示目标风电机组/>和第1个邻近风电机组/>之间的残差序列，以此类推。，/>表示残差序列/>中第1个时刻的残差值。

步骤D02、根据风速仪正常情况下目标风电机组与邻近风电机组的运行数据，计算每个邻近风电机组和目标风电机组的残差阈值，得到阈值矩阵。

获取最近一次全场风速仪检查校准后三天的目标风电机组和邻近风电机组的运行数据，利用步骤C进行运行数据预处理，之后利用步骤D01的方法进行残差计算，得到风速仪正常情况下目标风电机组与邻近风电机组的残差序列：，根据该残差序列计算残差阈值，具体计算公式如下：

，

其中，表示目标风电机组/>与第/>个邻近风电机组/>之间的残差阈值上限，/>表示目标风电机组/>与第/>个邻近风电机组/>之间的残差阈值下限，，/>表示风速仪正常情况下目标风电机组/>与第/>个邻近风电机组/>的残差序列/>的均值，/>表示风速仪正常情况下目标风电机组/>与第/>个邻近风电机组/>的残差序列/>的标准差。

处理完所有残差序列，得到阈值矩阵。

步骤D03、根据阈值矩阵对个残差序列进行异常值识别，将所有高于阈值上限或阈值下限的残差值标记为异常值。

步骤D04、根据每个残差序列中异常值数量计算每个残差序列的异常值占比，计算公式如下：

，

其中，表示第/>个残差序列的异常值占比，/>表示第/>个残差序列中异常值数量。

步骤D05、根据个残差序列的异常值占比得到目标风电机组的风速仪异常指标，计算公式如下：

，

其中，R表示目标风电机组的风速仪异常指标。

步骤D06、当目标风电机组的风速仪异常指标大于预设的指标阈值T时，则认为目标风机风速仪存在故障或运行情况发生了劣化，进行风速仪故障预警，建议对该风速仪进行检修维护操作。一般地，认为T=0.5。

本发明方法根据风电场中风电机组的运行数据可以在线进行风速仪异常分析，给出了目标风电机组的邻近风电机组的确定方法，通过数据预处理提高数据的可靠性，进而提高异常分析的准确性。本发明中的风速仪异常识别模型根据风速残差异常值占比积进行异常状态判断，计算方法简单，异常分析结果准确，且不需要积累长时间的运行数据。

与现有技术相比，本发明一方面解决了目前风速仪定期人工检查方法工作量大、安全风险高、延迟性高、对风资源浪费等问题，提高了风速仪异常分析的效率和准确性；另一方面解决了现有的风速仪故障诊断技术对数据样本要求过高、不宜与实际使用的问题。本发明能够快速识别风速仪异常的风力发电机组，并有针对性的进行故障预警，检修人员可以直接根据预警对指定风速仪进行检修，减少发电量损失，避免风电机组因风速仪异常而产生的安全事故。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims

1.一种风电机组风速仪异常分析方法，其特征在于，包括如下步骤：

获取目标风电机组及其邻近风电机组的运行数据；

对目标风电机组及其邻近风电机组的运行数据进行预处理；

根据预处理后的目标风电机组及其邻近风电机组的运行数据，利用风速仪异常识别模型分析目标风电机组的风速仪异常情况，并进行风速仪故障预警；

风电机组的运行数据包括风电机组运行状态、瞬时风速和风电机组负荷；

预处理包括数据对齐、风电机组运行状态筛选、稳态风速筛选、邻近风机风速修正计算；

对数据对齐后的目标风电机组及其邻近风电机组的运行数据进行风电机组运行状态筛选和稳态风速筛选，得到筛选后的目标风电机组及其邻近风电机组的运行数据；

稳态判定条件为：t为稳态判定时刻，在[t-2min,t]时间段内，风电机组的瞬时风速满足V_max-V_min＜2m/s且功率满足P_max-P_min＜20％P_PR，其中，V_max和V_min分别为稳态判定时刻前2分钟的时间段内风电机组的最大瞬时风速和最小瞬时风速，P_max和P_min分别为稳态判定时刻前2分钟的时间段内风电机组的最大功率和最小功率，P_PR表示风电机组额定功率；

利用风速仪异常识别模型分析目标风电机组的风速仪异常情况，并进行风速仪故障预警的方法为：

将目标风电机组预处理后的瞬时风速依次与同一时刻下每个邻近风电机组预处理后的瞬时风速进行残差计算，得到M个残差序列，每个残差序列中有n个残差值，其中，M为预设的邻近风电机组数量，n为每个风电机组的运行数据中瞬时风速数量；

根据阈值矩阵对M个残差序列进行异常值识别；

根据M个残差序列的异常值占比得到目标风电机组的风速仪异常指标；

当目标风电机组的风速仪异常指标大于预设的指标阈值时，进行风速仪故障预警；

阈值矩阵为其中，U_0m表示目标风电机组W₀与第m个邻近风电机组W_m之间的残差阈值上限，L_0m表示目标风电机组W₀与第m个邻近风电机组W_m之间的残差阈值下限，m＝1,2,…,M；

U_0m＝μ_0m+3σ_0m

L_0m＝μ_0m-3σ_0m

其中，μ_0m表示风速仪正常情况下目标风电机组W₀与第m个邻近风电机组W_m的残差序列的均值，σ_0m表示风速仪正常情况下目标风电机组W₀与第m个邻近风电机组W_m的残差序列的标准差。

2.根据权利要求1所述的一种风电机组风速仪异常分析方法，其特征在于，地理位置信息为经纬度坐标；根据风电场中各风电机组的地理位置信息判断目标风电机组的邻近风电机组，包括：

3.根据权利要求1所述的一种风电机组风速仪异常分析方法，其特征在于，数据对齐的方法为：

4.根据权利要求1所述的一种风电机组风速仪异常分析方法，其特征在于，邻近风机风速修正计算的方法为：

其中，V_r表示修正后的邻近风电机组风速，Z₀为目标风电机组海拔高度，Z为邻近风电机组海拔高速，V为修正前邻近风电机组风速。

5.根据权利要求1所述的一种风电机组风速仪异常分析方法，其特征在于，目标风电机组的风速仪异常指标的表达式如下：

其中，R表示目标风电机组的风速仪异常指标，R_0m表示第m个残差序列的异常值占比，R_0m＝N_0m/n，N_0m表示第m个残差序列中异常值数量。