CN111461564A - 基于云模型和最优组合赋权的风电机组功率特性评估方法 - Google Patents

基于云模型和最优组合赋权的风电机组功率特性评估方法 Download PDF

Info

Publication number
CN111461564A
CN111461564A CN202010271443.XA CN202010271443A CN111461564A CN 111461564 A CN111461564 A CN 111461564A CN 202010271443 A CN202010271443 A CN 202010271443A CN 111461564 A CN111461564 A CN 111461564A
Authority
CN
China
Prior art keywords
power
wind speed
value
evaluation
weight
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
CN202010271443.XA
Other languages
English (en)
Inventor
高云鹏
邹同华
伊慧娟
吴聪
夏睿
曹一家
滕召胜
黎灿兵
朱彦卿
王娜
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202010271443.XA priority Critical patent/CN111461564A/zh
Publication of CN111461564A publication Critical patent/CN111461564A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于云模型和最优组合赋权的风电机组功率特性评估方法，步骤1：获取正常的风速‑功率数据集；步骤2：根据风速‑功率正常数据集，确定风电机组功率特性的评估因素集：机组的年发电量、额定风速以下的功率标准差平均值、额定风速以上的功率标准差平均值、额定风速以下的功率系数最大值；步骤3：获得综合评价结果。本发明方法易于实施，有利于保障风电场的科学有效合理运行。

Description

基于云模型和最优组合赋权的风电机组功率特性评估方法
技术领域
本发明涉及一种基于云模型和最优组合赋权的风电机组功率特性评估方法。
背景技术
随着风电装机容量逐年增大和单个风电场装机的不断扩大，以及风力发电自身的结构和特点，风力发电场对电网的影响将会越来越明显。风力发电机组面临着运行环境恶劣和维护成本较高等问题，及时准确地监测和评估机组的运行状态，有效避免故障发生，对于风电场的优化维修和实现大规模风电场安全并网具有重要的现实意义。由于风电机组长期工作在交变载荷的作用下，工作环境恶劣，从而使得机组在运行过程中难免发生故障，导致机组的性能下降，发电量减少。并且，随着运行时间的增长，风电机组的可靠性也在不断下降，从而增加了故障发生的可能性，提高了运行、维护费用，降低了风电机组的经济性，甚至对于其安全性也有一定影响。
开展对风电机组的性能评估，了解风电场风电机组的运行特性是十分必要的，这项工作的意义如下：
(1)风电场的运行特性直接决定了其对电力***的贡献和影响，通过对反映风电机组特性的实际运行参数进行分析，可判断风电机组在长期运行过程中机组性能的变化趋势，从而分析确定风电机组的运行状况变化等问题，方便运行调度人员及时、合理地制定和修改运行规划，保证风电场的科学有效合理运行。
(2)风力发电具有显著的随机性和波动性，对电力***原有调度模式提出了挑战。随着风电场大规模并入电网，电网运行调度中备用的配置和控制越来越困难。由此，把握风电的运行规律，对保证电网安全经济运行，显现风电价值是极为关键的问题。
因此，有必要设计一种基于云模型和最优组合赋权的风电机组功率特性评估方法。
发明内容
本发明所要解决的技术问题是提供一种基于云模型和最优组合赋权的风电机组功率特性评估方法，本发明方法易于实施，有利于保障风电场的科学有效合理运行。本发明基于风电机组风速-功率历史运行数据，利用Thompson tau-四分位法和多点插值法对历史运行数据中的异常值进行处理，采用云模型确定各评价指标隶属于各评价等级的隶属度，利用对比评分法与熵权法确定模糊综合评价的主客观权重，采用灰色关联度和主客观偏好值的理念求取最优权重，能够解决在综合评价过程中评价指标过于主观的技术问题。
发明的技术解决方案如下：
一种基于云模型和最优组合赋权的风电机组功率特性评估方法，包括以下步骤：
步骤1：获取正常的风速-功率数据集；
步骤2：根据风速-功率正常数据集，确定风电机组功率特性的评估因素集：机组的年发电量、额定风速以下的功率标准差平均值、额定风速以上的功率标准差平均值、额定风速以下的功率系数最大值；
步骤3：获得综合评价结果；
(1)计算因素集中各个指标对应的劣化度，利用正态隶属云生成算法和相对劣化度确定风电机组各项指标相对于各状态等级的隶属度，得到隶属度矩阵；
(2)采用熵权法和对比打分法分别确定状态评估指标的客观和主观权重，所采用的组合赋权法引入灰色关联度和偏好值的概念，使得尽量满足决策的主观与客观总偏好最大，得到组合权重；
(3)将组合权重和隶属度矩阵相乘，得到综合评价结果。
步骤1中，采用Thompsontau-四分位法对风电机组风速-功率异常运行数据进行识别清洗，而后基于正常运行数据，利用四点插值算法对误删、缺失数据进行重构，得到完整的风速-功率数据集。
步骤2中的各参数的具体计算方法为：
(1)机组的年发电量
Figure BDA0002443247500000021
式中，AEP为机组的年发电量；Nh为全年小时数8760小时；N为bin区间总数；Vi为bin区间i内的平均风速；Pi为bin区间i内的平均输出功率；对筛选后的数据采用bin方法，风速每0.5m/s为一个bin区间；
另有
Figure BDA0002443247500000022
式中，F(V)为风速瑞利分布的概率分布函数；Vave为轮毂高度处的年平均风速；V为当前bin区间内的平均风速；
(2)额定风速以下的功率标准差平均值
设bin区间内功率数据个数为m，额定风速以下的bin区间个数为N1，额定风速以上的bin区间个数为N2，数据集合为{p1，p2，p3，…pm}，样本平均值为/p，残差定义为样本值与平均值之差，k1＝p1-/p，k2＝p2-/p，k3＝p3-/p，…，km＝pm-/p，则残差集合为{k1，k2，k3，…，km)，
额定风速以下的功率标准差平均值为
Figure BDA0002443247500000023
其中，
Figure BDA0002443247500000024
[额定风速以下各bin区间的功率标准差计算式为平均值]
式中，t为bin区间内的功率数据个数；ki为残差；σ1，j为额定风速以下第j个bin区间的功率标准差；j＝1，2，…N1，N1为额定风速以下bin区间的个数；
(3)额定风速以上的功率标准差平均值计算式为：
Figure BDA0002443247500000031
其中，
Figure BDA0002443247500000032
式中，t为bin区间内的功率数据个数；ki为残差；σ2，j为额定风速以上各bin区间的功率标准差；j＝1，2，…N2，N2为额定风速以上bin区间的个数；
(4)额定风速以下的功率系数最大值；
对筛选后的数据采用bin方法，风速每0.5m/s为一个bin区间，计算每个bin区间内的风速平均值Vi和输出功率的平均值Pi，计算公式如下：
Figure BDA0002443247500000033
Figure BDA0002443247500000034
功率系数的表达式为：
Figure BDA0002443247500000035
式中，Vi和Pi为bin区间i内的平均风速和平均输出功率值；Vn，i，j和Pn，i，j为bin区间i内数据点j的风速值和功率值；Ni为bin区间i内的数据点数；ρ为空气密度，A为机组风轮的扫掠面积；
额定风速以下功率系数最大值的计算式为：
Figure BDA0002443247500000036
式中，CPi为各bin区间内的功率系数；N1为额定风速以下的bin区间个数。
步骤3中，
隶属度矩阵计算方法：
(1)依据风电机组功率特性四项指标的值(即评估因素集中的4个值)计算相对劣化度l(x)，将四项指标计算后的劣化度向量记为li＝{11，12，13，14}；记风电场中风电机组的台数为m，各风电机组四个评价指标计算的劣化度值构成的矩阵记为Lm×n其中n＝4，为评价指标个数；
劣化度的计算公式：
额定风速以下的功率标准差平均值，额定风速以上的功率标准差平均值，劣化度计算公式为：
Figure BDA0002443247500000037
Figure BDA0002443247500000041
年发电量，额定风速以下的功率系数最大值，劣化度计算公式为：
Figure BDA0002443247500000042
式中，x为指标参数的实际计算值；[xmin，xmax]为指标参数的正常范围；
(2)生成各状态等级的正态隶属云，过l(x)＝li作一条平行于纵坐标轴的直线，与隶属云有M个交点，取M个交点对应的隶属度r的平均值作为该评估指标隶属于某状态等级的隶属度；li即为待评价机组四个评价指标计算的劣化度值{I1，I2，I3，I4}，隶属度函数采用的是正态隶属云，即前文已述的正态隶属云生成算法。
(3)重复步骤(2)，按照同样的方法，得到评估指标隶属于各个状态等级的隶属度；
依据评估因素集中的4个对象的隶属度形成隶属度矩阵。
步骤3中的组合权重为组合权重向量ω，
具体计算步骤为：
(1)将待评价机组的决策矩阵进行规范化的矩阵记为l′，把它看成决策者对评价指标i的决策值；
Figure BDA0002443247500000043
式中，i＝1，2，…，m，m为对象数，对象数分别对应因素集中的4个数值；
(2)利用对比评分法求出属性的权重向量记为主观权重ω′；利用熵权法得到属性的权重向量记为客观权重ω″；
主观权重ω′＝[0.0668 0.3087 0.1495 0.4750]；
具体求取方法如下：
对于主观权重的确定，采用对比评分法确定，按照两两对象的相对重要程度进行打分，分析权重情况。因素相对重要程度评分规则表如下表所示。
因素相对重要程度评分规则表
Figure BDA0002443247500000044
根据本发明中确定的功率特性评估的因素集：机组的年发电量、额定风速以下的功率标准差平均值、额定风速以上的功率标准差平均值、额定风速以下的功率系数最大值，结合上表的评分参考规则，给出相对重要程度矩阵，即评分结果：
Figure BDA0002443247500000051
矩阵中各元素表示为因素1相对于因素2的重要程度；对相对重要程度矩阵求取特性值及特征向量，对最大特征值对应的特征向量进行归一化，得到各个因素的主观权重ω′；主观权重的确定是根据因素相对重要程度评分表，依次两两对比得出相对重要矩阵，对相对重要程度矩阵求取特性值及特征向量，对最大特征值对应的特征向量进行归一化，得到的就是主观权重。在本发明中，可以确定主观权重ω′＝[0.0668 0.3087 0.14950.4750]。
对于客观权重ω″的确定，采用熵权法确定客观权重；步骤如下：
(1)对于具有m个对象n项指标的评价矩阵：X＝(xii)m×n，i＝1，…，m；j＝1，…，n；其中，在功率评估中，n＝4，为选取的4个因素集(机组的年发电量、额定风速以下的功率标准差平均值、额定风速以上的功率标准差平均值、额定风速以下的功率系数最大值)；m为风电场中风电机组台数；X为通过计算风电场中所有风电机组各项评价指标劣化度得到的评价矩阵，X＝(xii)m×n＝′m×n
单台机组的四个评价指标劣化度计算构成一个1*4的矩阵，风电场中有m台时，放在一个矩阵中记为Lm×n，其中n＝4，这里的L′m×n是风电场中每台机组的劣化度向量规范化后得到的矩阵，此处用于熵权法求取客观权重，熵权法适用于m个样本，n个指标的权重求取，所以在此利用所有风机的劣化度规范化后构成L′m×n。
(2)标准化指标矩阵
Figure BDA0002443247500000052
(3)求各指标的熵Ej，
Figure BDA0002443247500000053
如果pij＝0，则pijlnpij＝0；
(4)求取各状态评估指标的权重wj，
Figure BDA0002443247500000054
求得各方案主观偏好值Z′和客观偏好值Z″；
Z′＝ω′·l′i
…………………(公式26)
Z″＝ω″·l′i
…………………(公式27)
(3)分别计算各方案主观偏好值和客观偏好值与决策值的灰色关联系数：
Figure BDA0002443247500000055
式中，ρ为分辨系数，ρ∈[0，1]，取ρ＝0.5；δi为灰色关联系数，反映决策者对指标i的主观偏好和客观偏好与决策值的相似度；i＝＝1，2，…，m，m为评价属性个数，且m＝4。此处使用的是改进后的灰色关联法计算关联系数。
通过求取主观偏好值Z′和客观偏好值Z″以及上述求得的主观权重ω′、主观权重ω″，代入上式，即ω′，Z′和l′待入上式中，得到δ′i，Z″，ω″和l′待入上式中，得到δ″i，求得客观偏好值和主观偏好值与决策值的灰色关联系数分别为δ′i、δ″i；δ′i为主观偏好值与决策值的灰色关联系数，δ″ij为客观偏好值与决策值的灰色关联系数；
(4)建立如下目标最优化模型：
Figure BDA0002443247500000061
Figure BDA0002443247500000062
求得组合权重向量ω。W是ω的取值范围。ω中四个值的大小分别处于ω′、ω″的四个值之间，比方说ω′＝[0.2 0.4 0.1 0.3]，ω″＝[0.1 0.2 0.3 0.4]，那ω中四个值的取值范围就是[0.1～0.2，0.2～0.4，0.1～0.3，0.3～0.4]，ωi是ω中的各元素。
采用Thompson tau-四分位法对风电机组风速-功率异常运行数据进行识别清洗，得到风速-功率正常数据集。
首先，对数据进行预处理：对于风速大于切入风速小于切出风速，而功率小于等于零的点，其在风速-功率散点图中表现为底部堆积型异常数据簇，将该部分的数据予以剔除。
对于其他异常数据，首先利用Thompsontau法进行首次识别、剔除其他异常数据，其特征在于，将风速按一定大小划分成n个区间，记第i个风速-功率区间的功率数据样本为Pi＝[Pi，1，Pi，2，Pi，3，…，Pi，m]，其中i＝1，2，…，n，Pi，1≤Pi，2≤Pi，3≤…≤Pi，m，对各区间的异常功率数据点使用Thompsontau法进行首次识别、剔除。使用Thompsontau法进行风速-功率异常数据进行识别的步骤如下：
计算区间内功率数据的均值
Figure BDA0002443247500000063
式中，m为风速-功率区间内功率点的个数；Pj为区间内的各个功率值，j＝1，2，…，m。
计算区间内功率数据的标准差为：
Figure BDA0002443247500000064
每一个功率样本数据偏差的绝对值为：
Figure BDA0002443247500000065
若δ最大，则这一点很可能是要被剔除的异常值。
Thompsontau值通过功率样本数据的T分布值计算出来：
Figure BDA0002443247500000071
式中，m是区间内功率数据样本的个数，取α＝0.01。
当δ＞τ*S时，则所检测的功率值为异常点；反之，若δ＜τ*S时，则所检测的功率值为正常点。利用Thompsontau方法在每个区间每次可以检测出1个异常点，如果δj被检测为异常值，则将该功率值予以剔除，并重新计算平均值和标准差，一直到没有发现新的功率异常值。
经过Thompsontau法对风速-功率异常数据进行首次识别后，对剩余数据继续利用四分位法进行二次识别、剔除。其特征在于，记第i个风速-功率区间的功率数据样本为Pi＝[Pi，1，Pi，2，Pi，3，…，Pi，m]，其中i＝＝1，2，…，n，Pi，1≤Pi，2≤Pi，3≤…≤pi，m。第二分位数Mi表示样本数据Pi的中位数，计算公式为
Figure BDA0002443247500000072
式中，m为一个风速-功率区间内功率点的个数。
第一、三分位数表示Pi中分割前、后25％数据点的位置所表示的数值。区间内数据点总量m不同，计算公式略有差异。
当m为偶数时，Mi将Pi分成长度相同的两个子序列，记为Pi_1＝[Pi，1，Pi，2，…，Pi，(m-1)/2]和Pi_2＝[Pi，(m+1)/2，Pi，(m+3)/2，…，Pi，m]，Q1，i、Q3，i分别表示子序列Pi_1和Pi_2的中位数。
当m＝4k+3(k＝0，1，2，…)时，计算式为
Figure BDA0002443247500000073
当m＝4k+1(k＝0，1，2，…)时，计算式为
Figure BDA0002443247500000074
根据公式6和公式7的计算结果，可以得到Pi的四分位间距IQRi为
IQRi＝Q3，i-Q1，i
…………………(公式8)
四分位法中，用上限Wu，i、下限Wd，i来排除数据中的异常值，计算公式为
Figure BDA0002443247500000081
根据公式9的计算结果，定义功率数据样本Pi中处于Wu，i和Wd，i之间的数据为正常值，之外的数据点为异常值。
通过风速区间划分，对各区间内的异常运行数据进行分段识别后，对识别出的数据予以删除，将全部风速-功率数据集划分成正常数据和异常数据两部分如下
Figure BDA0002443247500000082
式中，D为全部v-p风速-功率数据集；Dn为正常v-p数据集；D0为异常v-p数据集；n为全部v-p数据对个数。
通过Thompson tau-四分位法对异常数据识别、剔除后，可能会存在被误删的正常数据，破坏了数据的完整性，因此需要对清洗后的数据进行数据重构。四点插值细分算法利用相邻的四个控制点来计算新控制点，在每次“***”时都使用相同的运算规则。
因为功率与风速的三次方成正比，输出功率对风速变化的敏感性较强，通过寻找与待插补风速相近的四个风速点，利用四点插值算法进行缺失数据插值具有理论可行性。四点插值细分算法只依赖于相邻的四个风速-功率数据点，生成的曲线多边形连线最终可收敛于一条一阶连续曲线。对于异常风速-功率数据集D0，通过寻找Dn数据集中与异常功率数据对应风速相近的四个v-p数据，利用四点插值细分算法，得到各异常点的重构风速-功率数据集Dr。四点插值算法的具体公式如下：
Figure BDA0002443247500000083
式中，P2i+1为待插补功率点；Pi-1，Pi，Pi+1，Pi+2为与待插补功率点最接近的四个风速对应的功率值；ω为张量参数，当ω∈[0，0.125]时，可以得到较满意的插值点，本发明取区间中点ω＝1/16，此时具有最佳的Holder正则性。
整理得：
Figure BDA0002443247500000084
Figure BDA0002443247500000085
将公式13代入公式12得：
Figure BDA0002443247500000091
采用熵权法和对比打分法分别确定状态评估指标的客观和主观权重，所采用的组合赋权法引入灰色关联度和偏好值的概念，兼顾决策者对各指标的偏好，同时又减少赋权的主观随意性，达到主观和客观的统一。
引入相对劣化度表征风电机组当前实际状态与故障状态相比的相对劣化程度，其取值范围为[0，1]，其中0代表最佳，1代表最差。
本发明将风电机组状态划分为4个等级：优秀、良好、中等、差，分别表示b1、b2、b3、b4。风电机组运行状态与相对劣化度之间的对应关系如表1所示。
表1相对劣化度与状态的对应关系
Figure BDA0002443247500000092
根据四个因素的计算值得到其对应的劣化度，将劣化度组成的矩阵记为决策矩阵L。
更优选地，引入正态隶属云来确定评估指标的隶属度。正态隶属云生成算法流程如下。
(1)生成以En为期望、方差为H2 e的正态随机数E′ni，E′ni＝RANDN(En，He)；
(2)生成以Ex为期望、标准差为E′ni 2的正态随机数xi＝RANDN(Ex，Enn)；
(3)计算μi＝exp{-(xi-Ex)2/(2E2 nn)}，令(xi，μi)作为云滴；
(4)重复步骤(1)～(3)，并借助经验与反复试验，云滴数为1500时此云模型综合反映随机样本数值和隶属程度的不确定性，能有效呈现随机性和模糊性间的关联。
结合正态隶属云生成算法和相对劣化度就可以确定风电机组各项指标相对于各状态等级的隶属度。
更优选地，在正态隶属云中，定义横坐标为相对劣化度L(x)，纵坐标为隶属度r，风电机组功率特性评估各指标对于各状态等级的隶属度的确定方法如下：
(1)计算风电机组功率特性四项指标的值，经归一化处理后，得到相对劣化度l(x)＝{l1，l2，l3，l4}；
(2)生成各状态等级的正态隶属云，如图4，过g(x)＝li，i＝1，2，3，4，作一条平行于纵坐标轴的直线，与隶属云有M个交点，取M个交点对应的隶属度r的平均值作为该评估指标隶属于某状态等级的隶属度；
(3)重复步骤(2)，按照同样的方法，得到评估指标隶属于各个状态等级的隶属度。
更优选地，基于灰色关联度分析的组合赋权方法，该方法以主观偏好值和客观偏好值与决策值之间的灰色关联度最大为原则，进行组合赋权。
针对主、客观赋权法各自的优缺点，为了兼顾决策者对各指标的偏好，同时又力争减少赋权的主观随意性，达到主观与客观的统一，依据灰色***理论基本思想，采用基于灰色关联度的组合赋权方法。
本发明规定限值矩阵为：
θ＝[0.8 0.6 0.4 0.2]
将模糊变换后的矩阵与限制矩阵相乘后，可以得到一个评价结果的定量值，根据定量值所在的区间对风电机组的功率特性水平进行评估。
由上述本发明的技术方案可以看出，本发明具有如下技术效果：提供一种风电机组功率特性评估方法，其基于对比评分法与熵权法确定模糊综合评价的主客观权重，采用灰色关联度和主客观偏好值的理念求取最优权重，能够解决在综合评价过程中评价指标过于主观的技术问题
有益效果：
本发明的基于云模型和最优组合赋权的风电机组功率特性评估方法，步骤1，采用Thompsontau-四分位法对风电机组风速-功率异常运行数据进行识别清洗，而后基于正常运行数据，利用四点插值算法对误删、缺失数据进行重构，得到完整的风速-功率数据集；步骤2，根据风速-功率正常数据集，确定风电机组功率特性的评估因素集，计算机组的年发电量、额定风速以下的功率标准差平均值、额定风速以上的功率标准差平均值、额定风速以下的功率系数最大值；步骤3，计算因素集中各个指标对应的劣化度，利用正态隶属云生成算法和相对劣化度确定风电机组各项指标相对于各状态等级的隶属度，采用熵权法和对比打分法分别确定状态评估指标的客观和主观权重，所采用的组合赋权法引入灰色关联度和偏好值的概念，使得尽量满足决策的主观与客观总偏好最大，得到组合权重，将组合权重和隶属度矩阵相乘后，得到综合评价矩阵，最终通过限值矩阵的转换得到综合评估值，通过此值所在的等级区间得到风电机组功率特性水平评估结果。本发明通过对反映风电机组特性的实际运行参数进行分析，可判断风电机组在长期运行过程中机组性能的变化趋势，从而分析确定风电机组的运行状况变化等问题，方便运行调度人员及时、合理地制定和修改运行规划，保证风电场的科学有效合理运行。
附图说明
图1为本发明的实施流程图；
图2为功率特性综合评估方法流程图；
图3为正态隶属云生成流程图；
图4为功率特性评估指标的正态隶属云图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明：
实施例1：
以下将结合图1-图3对本发明的技术方案做进一步详细说明。
步骤S1，采用Thompsontau-四分位法对风电机组风速-功率异常运行数据进行识别清洗，得到风速-功率正常数据集。
步骤S2，根据风速-功率正常数据散点图，计算机组的年发电量、额定风速以下的功率标准差平均值、额定风速以上的功率标准差平均值、额定风速以下的功率系数最大值。
以额定功率为1500kw风电机组为例，以下为风电机组实测数据及相关参数。
表1风电机组各评价指标参数
Figure BDA0002443247500000111
步骤S3，采用熵权法和对比打分法分别确定状态评估指标的客观和主观权重，所采用的组合赋权法引入灰色关联度和偏好值的概念，兼顾决策者对各指标的偏好，同时又减少赋权的主观随意性，达到主观和客观的统一。
引入相对劣化度表征风电机组当前实际状态与故障状态相比的相对劣化程度，其取值范围为[0，1]，其中0代表最佳，1代表最差。功率特性评估主要涉及到以下2种指标劣化度计算：
越小越优型指标，如额定风速以下的功率标准差平均值，额定风速以上的功率标准差平均值，劣化度计算公式为：
Figure BDA0002443247500000112
越大越优型指标，如年发电量，额定风速以下的功率系数最大值，劣化度计算公式为：
Figure BDA0002443247500000113
式中，x为指标参数的实测值；[xmin，xmax]为指标参数的正常范围。
本发明将风电机组状态划分为4个等级：优秀、良好、中等、差，分别表示b1、b2、b3、b4。风电机组运行状态与相对劣化度之间的对应关系如表2所示。
表2相对劣化度与状态的对应关系
Figure BDA0002443247500000114
根据四个因素的计算值得到其对应的劣化度，将劣化度组成的矩阵记为决策矩阵L，由此得L＝[0.5 0.2 0 0.0667]
引入正态隶属云来确定评估指标的隶属度。结合正态隶属云生成算法和相对劣化度就可以确定风电机组各项指标相对于各状态等级的隶属度。根据隶属度形成隶属度矩阵，并将其进行归一化，得到隶属度矩阵为：
Figure BDA0002443247500000121
采用对比评分法对主观权进行确定，对相对重要程度矩阵求取特性值及特征向量，对最大特征值对应的特征向量进行归一化，得到各个因素的主观权重。
对于客观权重的确定，采用熵权法确定客观权重，针对主、客观赋权法各自的优缺点，为了兼顾决策者对各指标的偏好，同时又力争减少赋权的主观随意性，达到主观与客观的统一，依据灰色***理论基本思想，采用基于灰色关联度的组合赋权方法。
求得组合权重向量：[0.24 0.22 0.29 0.25]。
将组合权重值与隶属度矩阵相乘得到得到模糊变换的矩阵为：[0.65 0.23 0.120]。
采用限值矩阵对模糊变换后的矩阵进行评价。
本发明规定限值矩阵为：
θ＝[0.8 0.6 0.4 0.2]
根据限值矩阵进行转换后，可以得到一个评价结果的定量值，根据定量值所在的区间对风电机组的功率特性水平进行评估。
模糊综合评判的评价值为0.7073，因为0.6＜0.7073＜0.8，所以最终的评价等级为“良好”。
虽然本发明已以较佳实施例公开如上，但实施例并不限定本发明。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (5)

1.一种基于云模型和最优组合赋权的风电机组功率特性评估方法，其特征在于，包括以下步骤：
步骤1：获取正常的风速-功率数据集；
步骤2：根据风速-功率正常数据集，确定风电机组功率特性的评估因素集：机组的年发电量、额定风速以下的功率标准差平均值、额定风速以上的功率标准差平均值、额定风速以下的功率系数最大值；
步骤3：获得综合评价结果；
(1)计算因素集中各个指标对应的劣化度，利用正态隶属云生成算法和相对劣化度确定风电机组各项指标相对于各状态等级的隶属度，得到隶属度矩阵；
(2)采用熵权法和对比打分法分别确定状态评估指标的客观和主观权重，所采用的组合赋权法引入灰色关联度和偏好值的概念，使得尽量满足决策的主观与客观总偏好最大，得到组合权重；
(3)将组合权重和隶属度矩阵相乘，得到综合评价结果。
2.根据权利要求1所述的基于云模型和最优组合赋权的风电机组功率特性评估方法，其特征在于，步骤1中，采用Thompsontau-四分位法对风电机组风速-功率异常运行数据进行识别清洗，而后基于正常运行数据，利用四点插值算法对误删、缺失数据进行重构，得到完整的风速-功率数据集。
3.根据权利要求1所述的基于云模型和最优组合赋权的风电机组功率特性评估方法，其特征在于，步骤2中的各参数的具体计算方法为：
(1)机组的年发电量
Figure FDA0002443247490000011
式中，AEP为机组的年发电量；Nh为全年小时数8760小时；N为bin区间总数；Vi为bin区间i内的平均风速；Pi为bin区间i内的平均输出功率；
另有
Figure FDA0002443247490000012
式中，F(V)为风速瑞利分布的概率分布函数；Vave为轮毂高度处的年平均风速；V为当前bin区间内的平均风速；
(2)额定风速以下的功率标准差平均值
设bin区间内功率数据个数为m，额定风速以下的bin区间个数为N1，额定风速以上的bin区间个数为N2，数据集合为{p1，p2，p3，...pm}，样本平均值为/p，残差定义为样本值与平均值之差，k1＝p1-/p，k2＝p2-/p，k3＝p3-/p，...，km＝Pm-/p，则残差集合为{k1，k2，k3，...，km}，额定风速以下的功率标准差平均值为
Figure FDA0002443247490000013
其中，
Figure FDA0002443247490000021
式中，t为bin区间内的功率数据个数；ki为残差；σ1，j为额定风速以下第j个bin区间的功率标准差；j＝1，2，...N1，N1为额定风速以下bin区间的个数；
(3)额定风速以上的功率标准差平均值计算式为：
Figure FDA0002443247490000022
其中，
Figure FDA0002443247490000023
式中，t为bin区间内的功率数据个数；ki为残差；σ2，j为额定风速以上各bin区间的功率标准差；j＝1，2，...N2，N2为额定风速以上bin区间的个数；
(4)额定风速以下的功率系数最大值；
对筛选后的数据采用bin方法，风速每0.5m/s为一个bin区间，计算每个bin区间内的风速平均值Vi和输出功率的平均值Pi，计算公式如下：
Figure FDA0002443247490000024
Figure FDA0002443247490000025
功率系数的表达式为：
Figure FDA0002443247490000026
式中，Vi和Pi为bin区间i内的平均风速和平均输出功率值；Vn，i，j和Pn，i，j为bin区间i内数据点j的风速值和功率值；Ni为bin区间i内的数据点数；ρ为空气密度，A为机组风轮的扫掠面积；
额定风速以下功率系数最大值的计算式为：
Figure FDA0002443247490000027
式中，CPi为各bin区间内的功率系数；N1为额定风速以下的bin区间个数。
4.根据权利要求3所述的基于云模型和最优组合赋权的风电机组功率特性评估方法，其特征在于，步骤3中，
隶属度矩阵计算方法：
(1)依据风电机组功率特性四项指标的值计算相对劣化度l(x)，将四项指标计算后的劣化度向量记为li＝{l1，l2，l3，l4}；记风电场中风电机组的台数为m，各风电机组四个评价指标计算的劣化度值构成的矩阵记为Lm×n，其中n＝4，为评价指标个数；
劣化度的计算公式：
额定风速以下的功率标准差平均值，额定风速以上的功率标准差平均值，劣化度计算公式为：
Figure FDA0002443247490000031
年发电量，额定风速以下的功率系数最大值，劣化度计算公式为：
Figure FDA0002443247490000032
式中，x为指标参数的实际计算值；[xmin，xmax]为指标参数的正常范围；
(2)生成各状态等级的正态隶属云，过l(x)＝li作一条平行于纵坐标轴的直线，与隶属云有M个交点，取M个交点对应的隶属度r的平均值作为该评估指标隶属于某状态等级的隶属度；li即为待评价机组四个评价指标计算的劣化度值{I1，I2，I3，I4}；
(3)重复步骤(2)，按照同样的方法，得到评估指标隶属于各个状态等级的隶属度；
依据评估因素集中的4个对象的隶属度形成隶属度矩阵。
5.根据权利要求4所述的基于云模型和最优组合赋权的风电机组功率特性评估方法，其特征在于，步骤3中的组合权重为组合权重向量ω，
具体计算步骤为：
(1)将待评价机组的决策矩阵进行规范化的矩阵记为l′，把它看成决策者对评价指标i的决策值；
Figure FDA0002443247490000033
式中，i＝1，2，...，m，m为对象数，对象数分别对应因素集中的4个数值；
(2)利用对比评分法求出属性的权重向量记为主观权重ω′；利用熵权法得到属性的权重向量记为客观权重ω″；
主观权重ω′＝[0.0668 0.3087 0.1495 0.4750]；
客观权重ω″采用熵权法确定；步骤如下：
(1)对于具有m个对象n项指标的评价矩阵：X＝(xij)m×n，i＝1，...，m；j＝1，...，n；其中，在功率评估中，n＝4，为选取的4个因素集(机组的年发电量、额定风速以下的功率标准差平均值、额定风速以上的功率标准差平均值、额定风速以下的功率系数最大值)；m为风电场中风电机组台数；X为通过计算风电场中所有风电机组各项评价指标劣化度得到的评价矩阵，X＝(xij)m×n＝L′m×n
单台机组的四个评价指标劣化度计算构成一个1*4的矩阵，风电场中有m台时，放在一个矩阵中记为Lm×n，其中n＝4，这里的L′m×n是风电场中每台机组的劣化度向量规范化后得到的矩阵，此处用于熵权法求取客观权重，熵权法适用于m个样本，n个指标的权重求取，所以在此利用所有风机的劣化度规范化后构成L′m×n。
(2)标准化指标矩阵
Figure FDA0002443247490000041
i＝1，...，m，j＝1，...，n；
(3)求各指标的熵Ej，
Figure FDA0002443247490000042
如果pij＝0，则pijlnpij＝0；
(4)求取各状态评估指标的权重wj，
Figure FDA0002443247490000043
求得各方案主观偏好值Z′和客观偏好值Z″；
Z′＝ω′·l′
Z″＝ω″·l′
(3)分别计算各方案主观偏好值和客观偏好值与决策值的灰色关联系数：
Figure FDA0002443247490000044
式中，p为分辨系数，ρ∈[0，1]，取ρ＝0.5；δi为灰色关联系数，反映决策者对指标i的主观偏好和客观偏好与决策值的相似度；i＝1，2，...，m，m为评价属性个数，且m＝4。
通过求取主观偏好值Z′和客观偏好值Z″以及上述求得的主观权重ω′、主观权重ω″，代入上式，即ω′，Z′和l′待入上式中，得到δ′i，Z″，ω″和l′待入上式中，得到δ″i，求得客观偏好值和主观偏好值与决策值的灰色关联系数分别为δ′i、δ″i；
(4)建立如下目标最优化模型：
Figure FDA0002443247490000045
求得组合权重向量ω。W是ω的取值范围。
CN202010271443.XA 2020-04-08 2020-04-08 基于云模型和最优组合赋权的风电机组功率特性评估方法 Pending CN111461564A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010271443.XA CN111461564A (zh) 2020-04-08 2020-04-08 基于云模型和最优组合赋权的风电机组功率特性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010271443.XA CN111461564A (zh) 2020-04-08 2020-04-08 基于云模型和最优组合赋权的风电机组功率特性评估方法

Publications (1)

Publication Number Publication Date
CN111461564A true CN111461564A (zh) 2020-07-28

Family

ID=71683676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010271443.XA Pending CN111461564A (zh) 2020-04-08 2020-04-08 基于云模型和最优组合赋权的风电机组功率特性评估方法

Country Status (1)

Country Link
CN (1) CN111461564A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112302976A (zh) * 2020-09-18 2021-02-02 河北建投新能源有限公司 一种基于熵权法的风机叶片故障预警方法
CN112380206A (zh) * 2020-11-25 2021-02-19 浙江浙大中控信息技术有限公司 一种交通时序数据的诊断和修复方法
CN112580940A (zh) * 2020-12-03 2021-03-30 北京华能新锐控制技术有限公司 一种风电机组运行状态在线评价方法
CN112883019A (zh) * 2021-02-20 2021-06-01 上海电气风电集团股份有限公司 数据处理方法及***
CN113610401A (zh) * 2021-08-09 2021-11-05 上海应用技术大学 牵引供电变压器的状态评估方法
CN116227245A (zh) * 2023-05-09 2023-06-06 华北电力科学研究院有限责任公司 基于运行数据的风电机组多目标控制性能评估方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017200558A1 (en) * 2016-05-20 2017-11-23 Informatica Llc Method, apparatus, and computer-readable medium for detecting anomalous user behavior
CN109740953A (zh) * 2019-01-09 2019-05-10 华北电力大学（保定） 一种风电机组的实时状态评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017200558A1 (en) * 2016-05-20 2017-11-23 Informatica Llc Method, apparatus, and computer-readable medium for detecting anomalous user behavior
CN109740953A (zh) * 2019-01-09 2019-05-10 华北电力大学（保定） 一种风电机组的实时状态评估方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JOHN GRIFFIN等: "Application of multivariate outlier detection to fluid velocity measurements" *
万书亭等: "基于灰色理论和变权模糊综合评判的风电机组性能评估" *
杜俊慧等: "基于灰色关联度的组合赋权方法研究" *
杨天时: "大型风电机组综合性能评估***研究" *
董兴辉;张鑫淼;张光;王帅;: "基于云模型的风电机组输出功率特性分析" *
董兴辉;张鑫淼;郑凯;王帅;: "基于组合赋权和云模型的风电机组健康状态评估" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112302976A (zh) * 2020-09-18 2021-02-02 河北建投新能源有限公司 一种基于熵权法的风机叶片故障预警方法
CN112380206A (zh) * 2020-11-25 2021-02-19 浙江浙大中控信息技术有限公司 一种交通时序数据的诊断和修复方法
CN112580940A (zh) * 2020-12-03 2021-03-30 北京华能新锐控制技术有限公司 一种风电机组运行状态在线评价方法
CN112883019A (zh) * 2021-02-20 2021-06-01 上海电气风电集团股份有限公司 数据处理方法及***
CN113610401A (zh) * 2021-08-09 2021-11-05 上海应用技术大学 牵引供电变压器的状态评估方法
CN113610401B (zh) * 2021-08-09 2023-08-11 上海应用技术大学 牵引供电变压器的状态评估方法
CN116227245A (zh) * 2023-05-09 2023-06-06 华北电力科学研究院有限责任公司 基于运行数据的风电机组多目标控制性能评估方法及装置
CN116227245B (zh) * 2023-05-09 2023-08-04 华北电力科学研究院有限责任公司 基于运行数据的风电机组多目标控制性能评估方法及装置

Similar Documents

Publication Publication Date Title
CN111461564A (zh) 基于云模型和最优组合赋权的风电机组功率特性评估方法
CN111709490B (zh) 一种基于gru神经网络的风机健康状态评估方法
CN105117602B (zh) 一种计量装置运行状态预警方法
CN112179655B (zh) 一种基于阈值分级的汽轮发电机故障预警方法
CN106779200A (zh) 基于在历史数据中进行相似搜索的风电机组状态预测方法
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
CN110533331B (zh) 一种基于输电线路数据挖掘的故障预警方法和***
CN107728059B (zh) 一种变桨***状态评估方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
CN114118789B (zh) 基于模糊综合评判和综合赋权的雷达发射机状态评估方法
CN112990627B (zh) 电能质量评估方法
CN114943475A (zh) 基于配电网关键要素数据的配电运行风险评估方法、***
CN112746934A (zh) 一种自联想神经网络诊断风机故障方法
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
CN116771610A (zh) 一种调整风电机组变桨***故障评估值的方法
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
CN114429238A (zh) 一种基于时空特征提取的风电机组故障预警方法
CN111192163B (zh) 基于风电机组运行数据的发电机可靠度中短期预测方法
CN116070669B (zh) 一种基于改进深度置信网络的车间能耗预测方法与管理***
CN116928038A (zh) 基于海上风电机组主轴承温度的故障预警方法及装置
CN117232809A (zh) 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法
CN113496255B (zh) 基于深度学习与决策树驱动的配电网混合观测布点方法
CN114240069A (zh) 一种基于回归学习与特征挖掘的电网在线风险计算方法
CN111461565A (zh) 一种电力调控下的电源侧发电性能评估方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200728