CN111461565A - 一种电力调控下的电源侧发电性能评估方法 - Google Patents
一种电力调控下的电源侧发电性能评估方法 Download PDFInfo
- Publication number
- CN111461565A CN111461565A CN202010274131.4A CN202010274131A CN111461565A CN 111461565 A CN111461565 A CN 111461565A CN 202010274131 A CN202010274131 A CN 202010274131A CN 111461565 A CN111461565 A CN 111461565A
- Authority
- CN
- China
- Prior art keywords
- power generation
- data
- power
- fan
- performance
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 137
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000033228 biological regulation Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011056 performance test Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 30
- 239000002245 particle Substances 0.000 description 28
- 238000012549 training Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000003044 adaptive effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种电力调控下的电源侧发电性能评估方法，包括以下步骤：S1，对风电机组现场数据进行采集并处理；S2，将风电机组历史数据选出与风机输出功率相关性大的数据属性集，以表征风机的发电状态，将选出的属性集对应的数据集进行异常识别，输出正常数据集与异常数据集；S3，将输出的正常数据集建立回归函数；S4，计算风电机组损失发电量；S5，风机运行性能判断。本发明的方法能够准确分析风电机组历史发电性能，综合评价风电机组的发电性能，使电网调度人员对风电场的发电性能有准确的掌控与判断，可辅助电网调度人员根据电源侧的发电性能来优化能源结构，制定合理的电力调度计划，提高对新能源和清洁能源的消纳能力。
Description
技术领域
本发明涉及电源侧发电性能评估，具体涉及一种基于多维属性的电力调控下的电源侧发电性能评估方法。
背景技术
目前，电源侧发电的风电机组发电中有接近53%左右的风电机组存在发电性能欠佳的情况，由此可知，风场普遍存在风机发电性能低下的问题。目前对风机发电性能分析方法均通过人工提取相关属性的方法建立分析模型，没有考虑到其它属性的相关性，不能全面的分析风机的发电性能。
传统风机发电性能评估方法主要基于风速-功率二维属性数据，没有考虑其他属性的关联性，导致评估结果准确度不高。
发明内容
本发明的主要目的在于提供一种电力调控下的电源侧发电性能评估方法。
本发明采用的技术方案是：一种电力调控下的电源侧发电性能评估方法，包括以下步骤：
S1，对风电机组现场数据进行采集并处理；
S2，将风电机组历史数据选出与风机输出功率相关性大的数据属性集，以表征风机的发电状态，将选出的属性集对应的数据集进行异常识别，输出正常数据集与异常数据集；
S3，将输出的正常数据集建立回归函数；
S4，计算风电机组损失发电量；
S5，风机运行性能判断。
进一步地，所述步骤S1包括：
对现场数据进行采集，采集风电机组数据采集与监视***的多维数据，对采集的多维数据进行标准化，将数据折算到指定条件下的测量值，并对数据进行归一化处理。
更进一步地，所述步骤S4包括：
S41，识别风电机组正常数据集与异常数据集，得出异常数据点总数；
S42，以风电机组正常数据集建立风机发电回归模型，计算风电机组实际发电量值；
S43，以异常数据集计算理论应发电量值；
S44，计算异常数据集的损失电量：
利用降出力数据的理论应发电量减去实发电量，计算异常数据集的损失电量，如公式（1）所示：
式中
—折算后的理论应应发电量值；
—实际发电量值；—异常
数据点总数。
更进一步地，所述步骤S5包括：
通过对风机低性能判别条件与损失电量之间关系的分析，得出的风机发电性能判别条件，包括低性能判断检验条件和风机发电性能综合判别条件。
更进一步地，所述低性能判断检验条件包括：
以性能试验UPT作为判断风机运行是否低性能的检验量，当UPT>10%时，则判定待测机组为低性能机组，需要进行相关技改造或者维护，计算公式如式（2）所示：
式中
—数据识别后的正常发电数据记录数量，
—数据识别前的数据记录数量。
更进一步地，所述风机发电性能综合判别条件包括：
通过对风机多维数据的分析，同时考虑性能试验UPT和损失发电量，得出风机发电性能综合分析判别条件，综合评价指数CEI，计算公式如式（3）所示：
本发明的优点：
本发明的方法是基于多维属性的电力调控下的电源侧发电性能评估方法，能够准确分析风电机组历史发电性能，综合评价风电机组的发电性能；使电网调度人员对风电场的发电性能有准确的掌控与判断；
进而可以辅助维修人员制定良好的维修计划，为维护人员对风机设备的更换以及风电机组的维护提供有效的帮助，减少风电企业经济损失；同时，使电网调度人员对风电场的发电性能有准确的掌控与判断，可辅助电网调度人员根据电源侧的发电性能来优化能源结构，制定合理的电力调度计划，提高对新能源和清洁能源的消纳能力。
本发明的方法可以准确的、全面的对风机进行性能评估，降低维护成本与维护难度，指定完善的检修计划，实现风机最大出力并增加风电企业经济效益；能够更好的对电源侧发电***进行电力调控。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的方法流程图；
图2是本发明实施例的输出功率性能详细分析方法图；
图3是本发明实施例的损失电量计算框图；
图4是本发明实施例的损失发电量和UPT评价发电性能关系图；
图5是本发明实施例的 CEI三维曲线图；
图6是本发明实施例的机组数据预处理图；
图7是本发明实施例的异常识别图；
图8是本发明实施例的回归曲线图；
图9是本发明实施例的异常数据应发电量图；
图10是本发明实施例的 CEI计算结果图。
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，以下结合附图及实施例，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。
相关知识：
多维属性选择相关理论：
传统Relief方法的基本理论是：经过迭代计算，每一维属性将输出一个权值，以权值的大小表征该属性与数据类别相关性的大小。在计算每一个属性权值的过程中是经过选择每一条样本数据在相同运行状态和不同运行状态的最邻近样本
、
，即：假设样本数据
是正常运行状态，那么
为距离
最近的正常运行状态样本，
为距离
最近的故障运行状态样本。假设间隔(Hypotheses-Margin)的概念是对权值进行迭代计算，经过不断训练样本数据集，选取权值较大的属性构建特征属性集。其中，假设间隔是指在保持样本分类保持不变的情况下决策面可以挪动的最大间距，如式（4）所示：
式中
—距离
最近的正常运行状态样本；
具体步骤为：设有n个输入训练样本，每个样本有m个属性，H(xi)为距离样本最近的正常运行状态样本，M(xi)为距离样本最近的故障运行状态样本。对训练样本集的各维属性赋予初始权重值Wj=0，j=1，2，⋯，m,对输入样本集进行如下训练：
在n个训练样本中任意选择一个样本xi，i从1到n进行循环；
分别计算出与样本xi相同运行状态和不同运行状态的最邻近样本H(xi)、M(xi)及其距离，即：如果样本数据xi处于正常运行状态，那么H(xi)为距离xi正常运行状态最近的样本，M(xi)为距离xi故障运行状态最近的样本；
对于样本xi的每个属性pj，j从1到m迭代循环，按式（5）迭代其权值。
式中Y(即：数据属性)—代表与抽取样本；
xi—相同运行状态的样本子集；
S(即：数据集属性)—不同运行状态的样本子集。
其中函数diff定义为：
由式（2）和式（3）可知，基于Relief属性选择方法选择表征数据集运行状态的特征属性集，使得具有相同运行状态的样本之间间距较近，而不同运行状态样本之间的间距较远。
然而以每一条数据为基本计算单位时，随着数据量的不断增加，Relief算法的时间复杂度将显著提高。并且只有在数据量充足的情况下才能正确选择相关属性，所以传统的方法势必将会导致时间复杂度的提高。
回归模型相关理论：
此部分首先基于LS-SVM建立目标函数，应用粒子群算法迭代搜寻函数的最佳输入参数，以提高建立回归函数的准确性。
（1）LSSVM模型建立
LS-SVM是一种既能够做分类又能够做回归预测的算法，不仅学习速度快，而且泛化能力特别强，能够较好地处理非线性数据和多维数据等。因为以上优势SVM被认为有可能代替神经网络算法。LS-SVM是SVM的一种进化算法，它把传统SVM方法中的不等式约束变为等式约束，并且二次规划问题被转化为求解线性方程组的问题，从而提高求解问题的计算速度和收敛精度。
在此部分将基于LS-SVM函数建立回归模型。LS-SVM经过一个非线性映射把训练样本数据映射到多维属性空间，在这个多维属性空间中建立最优决策函数，计算如公式（7）所示:
式中
—从原空间到多维属性空间的非线性映射；
基于公式（7）就将非线性估计函数转化为多维空间的线性估量函数。依据构造风险最小化原理，基于LS-SVM法的回归问题能够表述为如下约束问题，计算如公式（8），（9）所示：
式中
—松弛因子。
依据拉格朗日法求解该问题，计算公式如（10）所示：
式中
—拉格朗日乘子；
根据优化条件可得公式（11）：
消去式（11）中的
和
可得到式（12）：
式中：
；
；
。
是一个
方阵，第
行
列元素为
。因为空间映射后导致维数增加，使得计算量和复杂度显著提高。因此，基于泛函数理论，可以在原空间输入一个等效核函数来计算多维空间的内积，直接采用该函数替代内积计算
，以处理多维空间复杂的计算问题。核函数是满足Mercer条件的任意对称函数，
和
能够经过最小二乘法式（12）求得，最后得到LS-SVM回归函数，公式如（13）所示：
（2）核函数和核参数的选取
LS-SVM中核函数的选择对模型的构建非常重要，它选取的好坏直接影响到算法实现的准确度。高斯径向核函数不仅实用领域最广而且具备很好的光滑性，它能够直观的反映两个数据之间的间距，所以选取该函数为LS-SVM核函数，公式如（14）所示:
式中
—高斯函数的方差；
核函数的Mercer条件确保了LS-SVM训练模型的二次规划问题是凸优化问题，即：得到的解为全局最优解。
在确定核函数之后，LS-SVM需要选择两个核参数，即超参数
和核参数
。其中，
对应支持向量机中的惩罚因子
，它决定了训练误差的大小和范化能力的强弱；
则反映了训练样本数据的分布特点。经过确定最佳的参数可选择出合适的支持向量，保证结果的准确性与有效性。
基于PSO优化算法确定LS-SVM核参数，粒子群算法是一种智能进化算法。算法经过初始化一组随机粒子（即：随机值）并在解空间迭代搜寻最优粒子，作为LS-SVM最佳输入核参数。在每一次迭代计算中，粒子经过跟踪两个“极值”进行更新，这两个极值分别是粒子自身找到的最优解，个体极值和种群找到的最优解，全局极值
。采用基于粒子群算法搜索参数的原因在于其具有结构简单、易于实现、收敛速度较快、搜索能力较强且不需要调整很多参数的优点。
经典的粒子群算法能够描述为：假设在d维搜索空间中的第i个微粒的速度和位置分别表示为
，
经过评估各微粒的目标函数，确定t时刻每个微粒所经过的最佳位置
以及群体所发现的最优位置
。再按下面公式分别更新各微粒的速度和位置。
式中w—为惯性权值系数；
c1和c2—为加速因子；
rand—为0到1之间的随机数。
基于粒子群方法选择LSSVM参数具体过程：
（1）初始化粒子群算法加速常数
和
，惯性权重
，种群规模
，最大进化次数
。
（2）将LS-SVM初始化的参数
和
映射为一组随机粒子，依据各粒子当前位置计算其适应值，并比较其适应度，将第
个粒子的当前位置设为最优位置
，所有粒子中最优者的位置设为种群最优位置
。
（3）更新各个粒子的速度和位置，并且产生新的种群。
（4）计算新种群中各个粒子新位置的适应值，并分别与该粒子历史最优位置和种群历史最优位置的适应值作比较，若更优，则替换，否则，保持不变。
（5）检查是否满足寻优结束条件，若满足则结束寻优，则输出LS-SVM最佳核参数，否则，转向上述步骤（2）。
基于P-Relief方法选择属性集：
设:有n个输入训练样本，每个样本有m个属性，H(xi)为距离样本最近的正常运行状态样本，M(xi)为距离样本最近的故障运行状态样本。
本发明提出方法选取属性集步骤如下：
（1）根据SCADA***日志文件，将样本分为正常数据集与故障数据集，将数据集标记分类标签。
（2）根据公式（4）求出每一子域平均值，以子域均值组成的数据集为计算权值输入训练样本；
计算方法如公式（14）所示：
式中
—子域的平均值；
（3）从n个训练样本中选择一个样本，进行n次迭代循环计算。
（4）分别找出与样本同运行状态和不同运行状态的最邻近样本H(xi)、M(xi)及其距离，即如果样本数据是正常运行状态，那么H(xi)为距离样本最近的正常运行状态样本，M(xi)为距离样本最近的故障运行状态样本；
（5）选择样本的第i个属性，i从1到m根据公式（2）迭代计算其权值，以权值的大小表征属性与风机出力关联性的大小。进而选出与风电机组功率特性相关权值较大的l个初选参量(l<p)。
（6）根据不同数据量，进行参数调优，确定输出关联性较大的l个属性集，作为多维聚类的输入属性集。
基于WPM-CLUS方法识别风机异常：
在此部分，首先，为消除数据值之间的纲量问题，对数据集进行归一化处理，并基于改进的Relief方法P-Relief识别多维聚类输入属性集；然后，将处理后的多维数据基于提出的多维聚类方法进行异常识别。
数据预处理：
（1）归一化处理：
由于输入的训练样本数据为有纲量的向量，会影响数据的分析结果，为了消除纲量间的影响，并且进一步反应输入向量的变化引起输出向量变化的情况，把输入数据归一化到[0,1]区间。归一化公式如下：
式中
为归一化后的初始训练样本数据；
（2）属性集选择
基于P-Relief方法选择与风机输出功率相关性较大的多维属性集，将多维属性集对应的数据作为风机多维聚类的输入数据集。根据实验分析，通过对参数调优，选择属性权重大于10的属性为多维聚类的输入属性集，其对应的数据集为多维聚类输入数据。
多维聚类输入属性集包括：{转子转速，发电机转速，风速，对风角度，叶片角度，风向，环境温度，机舱温度，齿箱温度，液压温度，U1绕组温度，齿箱轴1温度，齿箱轴2温度，电机轴承A温度，电机轴承B温度，U1电压，U2电压，U3电压}等18个属性。将属性集对应的数据集作为多维聚类异常识别的输入数据集。
WPM-CLUS方法异常识别过程：
风机多维异常数据具体识别过程如下：
（1）并根据对风机多维数据进行离散化预处理，将离散化处理后的数据作为求最大子空间的输入；
（2）将离散后的数据以FP-Tree形式存储，遍历FP-Tree，同一次遍历过程访问的节点所的对应的属性组成最大子空间；
（3）定义
个混合高斯模型，在每个子空间下对数据集进行聚类分析；
（4）根据用户指定的参数
，将大于参数
的聚类簇定义为正常数据，小于参数
的聚类簇和不属于任何簇的数据点定义为异常数据；
异常识别：
在子空间聚类部分，我们相对设置了较大的
值，也就是在每个子空间下有较多的聚类簇，这时需要设置较小的参数
以减少正常数据被误识别为异常数据的可能性。虽然这会导致每个子空间下只能识别一部分异常数据点，但通过多个子空间异常识别情况的叠加，就可以良好的识别机组异常运行状态。
（5）将所有子空间的正常数据和异常数据分别相加去冗余。如果正常数据与异常数据中仍存在冗余情况，则再次调用高斯模型(
=2)，识别冗余数据划分情况，最后输出机组的正常数据与异常数据。
参考图1和图2，如图1和图2所示，一种电力调控下的电源侧发电性能评估方法，包括以下步骤：
S1，对风电机组现场数据进行采集并处理；
S2，将风电机组历史数据选出与风机输出功率相关性大的数据属性集，以表征风机的发电状态，将选出的属性集对应的数据集进行异常识别，输出正常数据集与异常数据集；
S3，将输出的正常数据集建立回归函数；
S4，计算风电机组损失发电量；
S5，风机运行性能判断。
本发明的方法是基于多维属性的电力调控下的电源侧发电性能评估方法，能够准确分析风电机组历史发电性能，综合评价风电机组的发电性能；使电网调度人员对风电场的发电性能有准确的掌控与判断；
进而可以辅助维修人员制定良好的维修计划，为维护人员对风机设备的更换以及风电机组的维护提供有效的帮助，减少风电企业经济损失；同时，使电网调度人员对风电场的发电性能有准确的掌控与判断，可辅助电网调度人员根据电源侧的发电性能来优化能源结构，制定合理的电力调度计划，提高对新能源和清洁能源的消纳能力。
本发明的方法可以准确的、全面的对风机进行性能评估，降低维护成本与维护难度，指定完善的检修计划，实现风机最大出力并增加风电企业经济效益；能够更好的对电源侧发电***进行电力调控。
所述步骤S1包括：
对现场数据进行采集，采集风电机组数据采集与监视***的多维数据，对采集的多维数据进行标准化，由于机组的功率曲线受空气密度、湿度、温度、气压等因素的影响，将数据折算到指定条件下的测量值，并对数据进行归一化处理以消除纲量间的影响。
所述步骤S2包括：
将风电机组历史数据基于P-Relief方法选出与风机输出功率相关性大的数据属性集，以表征风机的发电状态。将选出的属性集对应的数据集基于多维数据聚类方法进行异常识别，输出正常数据集与异常数据集。
所述步骤S3包括：
根据上述多维聚类方法，将历史数据进行聚类，识别出异常功率数据。其中，异常发电状态是指因各种原因导致的机组降出力运行时的发电状态，也称为低性能状态或者发电性能欠佳状态；正常发电状态是指机组满发运行时的发电状态。首先，将正常运行状态数据集基于最小二乘支持向量法回归分析，以粒子群算法寻找最佳输入参数以建立最佳回归函数；然后，根据得到的函数关系式将异常运行状态的输出功率还原为应发功率值，进而评估风机的发电损失量。
回归函数建立方法如下：
（1）基于最小二乘支持向量机方法，通过非线性映射把训练样本数据映射到高维特征空间，根据公式（7）在这个高维特征空间中构造最优决策函数；
（2）根据结构风险最小化原理，将回归函数的约束问题表述为如公式（8）和公式（9）；
（3）根据公式（10），用拉格朗日法求解该回归函数；
（4）最后求得该回归函数为公式（13）。
（5）初始化粒子群算法加速常数
和
，惯性权重
，种群规模
，最大进化次数
。
（6）将LS-SVM初始化的
和
映射为一组随机粒子，根据当前位置计算各粒子的适应值并比较其适应度。
（7）根据公式（15）和（16）更新各个粒子的速度和位置，并且产生新的种群。
（8）计算新种群中各个粒子新位置的适应值，并分别与其历史最优位置和种群的历史最优位置作比较，若更优，则替换，否则，保持不变。
（9）检查是否满足寻优结束条件，若满足则结束寻优则输出LS-SVM最佳核参数，否则，转向步骤（6）。
参考图3，如图3所示，所述步骤S4包括：
S41，识别风电机组正常数据集与异常数据集，得出异常数据点总数；
S42，以风电机组正常数据集建立风机发电回归模型，计算风电机组实际发电量值；
S43，以异常数据集计算理论应发电量值；
S44，计算异常数据集的损失电量：
利用降出力数据的理论应发电量减去实发电量，计算异常数据集的损失电量，如公式（1）所示：
式中
—折算后的理论应应发电量值；
—实际发电量值；
—异常
数据点总数。
损失电量计算步骤：
Step1：基于WPM-CLUS多维聚类方法识别风机正常数据集与异常数据集；
Step2：将正常数据集基于回归模型相关理论方法建立风机发电回归模型；
Step3：将异常数据集基于回归模型相关理论模型，计算理论应发电量；
Step4：根据公式（1）计算异常数据集的损失电量。
所述步骤S5包括：
通过对风机低性能判别条件与损失电量之间关系的分析，提出的风机发电性能综合判别条件（Comprehensive Evaluation Index，CEI），以更准确判断风机的发电性能。
所述低性能判断检验条件包括：
以性能试验UPT（under performance test）作为判断风机运行是否低性能的检验量，当UPT>10%（即时间可用性差异超过72h）时，则判定待测机组为低性能机组，需要进行相关技改造或者维护，计算公式如式（2）所示：
式中
—数据识别后的正常发电数据记录数量，
—数据识别前的数据记录数量。
所述风机发电性能综合判别条件包括：
通过分析损失发电量和UPT对发电性能分析的变化关系可以看出，单纯从UPT或损失发电量评估风机发电性能存在不足，分析结果如图4所示。
从图4中可以看出，正常情况下，在区域C内，UPT和损失发电量符合正相关分布特性，根据其中任意一个条件评价风机的发电性能，其数值定义与物理意义表达一致。也就是说，在该区域内，当损失发电量或UPT数值越大时，此时所表达的物理意义为发电性能越低。相反的，在区域A或区域B内，损失发电量或UPT值所表达的含义与其物理意义并不相同。也就是说，一方面，当UPT极大，损失发电量较小时，说明该时刻风机的异常出力点集中在正常数据点附近，此时针对UPT评价发电性能就存在严重不足；另一方面，当损失发电量极大，UPT极小时，可能表明少量风机异常数据点在严重偏离正常数据曲线，此时针对UPT评价发电性能也存在严重不足。通过对风机多维数据的分析，同时考虑性能试验UPT和损失发电量，得出风机发电性能综合分析判别条件，综合评价指数CEI（Comprehensive EvaluationIndex），计算公式如式（3）所示：
为了更好的展示CEI对风机性能分析的结果，以UPT和损失发电量为输入参数，对CEI进行三维曲线图可视化展示，如图5所示。
从图5中可以看出，通过综合考虑UPT和损失发电量做为参考条件，计算CEI进行风机发电性能分析更为全面。随着CEI值的增加，即图中曲面爬升的方向，UPT和损失发电量的值也都在增加，其中包括了UPT单方面增加和损失发电量单方面增加。无论以单个值信息考虑还是两个值信息综合考虑，都验证了随着CEI值的增加，风机发电性能下降。
经过在某风场的调研分析，加之通过对风机数据进行实验验证，初步规定当CEI值小于0.24%时，该风机发电性能良好；相反，CEI值超过了0.24%，定义为风机发电性能较差，并且随着CEI值的增加，发电性能越差。
实例分析
为验证本发明所提出方法，选取某风场两组机组（每个机组各35台1.5MW型风机）进行运行状态评估。截取中央监控***2014年5月12日到2014年5月13日的机组数据进行分析，机组每隔10min采集一次数据，且实验数据包含23个属性。下面以第1组机组数据为例说明具体的分析与计算过程。
数据预处理：
数据的部分初始字段如表1所示。
表1 初始数据字段
对第1组机组剔除停机的数据点，并对SCADA数据并进行数据修正和归一化，绘制原始风速、功率散点图如图6所示。
图6为风电数据初步筛选及预处理结果。
属性选择与异常识别：
将经过处理的数据基于P-Relief方法，选出与风机输出功率关联性较的属性集，计算结果如表2所示。
表2 权重比较
如表2所示，为预处理后的数据经过属性选择的计算结果，根据参数调优结果，选取属性权重值大于10的属性集，将转子转速到U3电压等18个属性对应的数据集作为多维聚类的输入数据集。
基于属性选择的处理结果，对处理后的机组1数据进行做进一步作异常识别处理，处理结果如图7所示。
如图7所示为第1组机组基于WPM-CLUS方法对数据进行异常识别二维散点图。其中浅色数据点为正常数据，共有7533个数据点，深色为异常数据有2248个点。从图中可以看出本发明所提方法有较高的异常识别率。
回归分析：
对图7识别的正常数据基于回归理论方法做回归函数分析，计算结果如图8所示。
如图8可以看出，浅色线条部分为正常数据的回归曲线，经过对建立的回归模型算法中参数的调优，该回归曲线基本符合了风机发电性能S型曲线特性。
基于建立的回归模型，对多维聚类中识别出来的异常数据进行回归计算，还原出异常数据应发电量，如图9所示。
从图9中可以看出，深色数据点表示了机组异常数据，浅色数据点表示了对异常数据进行回归计算后的点，即应发电量。经过以上操作，可进一步计算异常数据的损失发电量。
评估结果分析：
通过对两组风电机组数据的计算分析，得到机组的损失发电量等其他数据结果，具体数据见表3。
表3 计算结果表
如表3所示，通过对历史数据中异常数据的多维聚类分析，可知风电机组1的异常数据量为2248个，计算出UPT值为23%。综合考虑损失发电量，通过对异常点回归分析，计算得出损失发电量为1539.64kW，进而计算出CEI值为2.49%，同样的，计算出风电机组2的CEI值为1.99%。其计算结果在CEI图中展示如图10所示。
从图10中可以看出，机组1和机组2的CEI值相比标准值差距较大，表明该时间段内风电机组发电性能较差，该结果对应了风速-功率二维散点图中所展示的结果，较好的验证了该评估方法的准确性。
本发明提出了基于多维属性的电力调控下的电源侧发电性能评估方法。通过研究风机发电的损失发电量，提出了发电性能综合分析的参考条件，以此来评价风机发电性能。
对风机发电损失电量与低性能风机判别条件UPT进行了计算，并且分析其两者之间的关联，针对不足提出了风机发电性能综合判别条件CEI。以更进一步准确的评估风机的发电性能。通过某风场35台风电机组数据的处理，所提出的方法能够准确计算损失发电量且有效的判别风机是否为低性能运行状态。
将该方法运行于Spark平台上展现了面向处理大数据集良好的扩展性，可以满足未来风电领域处理大数据的发展需求。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种电力调控下的电源侧发电性能评估方法，其特征在于，包括以
下步骤：
S1，对风电机组现场数据进行采集并处理；
S2，将风电机组历史数据选出与风机输出功率相关性大的数据属性集，以表征风机的发电状态，将选出的属性集对应的数据集进行异常识别，输出正常数据集与异常数据集；
S3，将输出的正常数据集建立回归函数；
S4，计算风电机组损失发电量；
S5，风机运行性能判断。
2.根据权利要求1所述的电力调控下的电源侧发电性能评估方法，其
特征在于，所述步骤S1包括：
对现场数据进行采集，采集风电机组数据采集与监视***的多维数据，对采集的多维数据进行标准化，将数据折算到指定条件下的测量值，并对数据进行归一化处理。
3.根据权利要求1所述的电力调控下的电源侧发电性能评估方法，其
特征在于，所述步骤S4包括：
S41，识别风电机组正常数据集与异常数据集，得出异常数据点总数；
S42，以风电机组正常数据集建立风机发电回归模型，计算风电机组实际发电量值；
S43，以异常数据集计算理论应发电量值；
S44，计算异常数据集的损失电量：
利用降出力数据的理论应发电量减去实发电量，计算异常数据集的损失电量，如公式（1）所示：
式中
— 折算后的理论应应发电量值；
— 实际发电量值；
— 异常
数据点总数。
4.根据权利要求1所述的电力调控下的电源侧发电性能评估方法，其
特征在于，所述步骤S5包括：
通过对风机低性能判别条件与损失电量之间关系的分析，得出的风机发电性能判别条件，包括低性能判断检验条件和风机发电性能综合判别条件。
5.根据权利要求4所述的电力调控下的电源侧发电性能评估方法，其
特征在于，所述低性能判断检验条件包括：
以性能试验UPT作为判断风机运行是否低性能的检验量，当UPT>10%时，则判定待测机组为低性能机组，需要进行相关技改造或者维护，计算公式如式（2）所示：
式中
— 数据识别后的正常发电数据记录数量，
— 数据识别前的数据记录数量。
6.根据权利要求4所述的电力调控下的电源侧发电性能评估方法，其
特征在于，所述风机发电性能综合判别条件包括：
通过对风机多维数据的分析，同时考虑性能试验UPT和损失发电量，得出风机发电性能综合分析判别条件，综合评价指数CEI，计算公式如式（3）所示：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010274131.4A CN111461565A (zh) | 2020-04-09 | 2020-04-09 | 一种电力调控下的电源侧发电性能评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010274131.4A CN111461565A (zh) | 2020-04-09 | 2020-04-09 | 一种电力调控下的电源侧发电性能评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461565A true CN111461565A (zh) | 2020-07-28 |
Family
ID=71682210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010274131.4A Pending CN111461565A (zh) | 2020-04-09 | 2020-04-09 | 一种电力调控下的电源侧发电性能评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461565A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240011A (zh) * | 2021-05-14 | 2021-08-10 | 烟台海颐软件股份有限公司 | 一种深度学习驱动的异常识别与修复方法及智能化*** |
-
2020
- 2020-04-09 CN CN202010274131.4A patent/CN111461565A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240011A (zh) * | 2021-05-14 | 2021-08-10 | 烟台海颐软件股份有限公司 | 一种深度学习驱动的异常识别与修复方法及智能化*** |
| CN113240011B (zh) * | 2021-05-14 | 2023-04-07 | 烟台海颐软件股份有限公司 | 一种深度学习驱动的异常识别与修复方法及智能化*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738512B (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
| CN113256066B (zh) | 基于PCA-XGBoost-IRF的作业车间实时调度方法 | |
| 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 | |
| CN109902953B (zh) | 一种基于自适应粒子群聚类的电力用户分类方法 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN111429034A (zh) | 一种配电网故障预测的方法 | |
| CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
| CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及*** | |
| Zheng et al. | Fault diagnosis method based on supervised particle swarm optimization classification algorithm | |
| CN111815054A (zh) | 基于大数据的工业蒸汽热网短期负荷预测方法 | |
| CN110795690A (zh) | 风电场运行异常数据检测方法 | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
| CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
| CN112101471A (zh) | 窃电概率预警分析方法 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
| CN111461565A (zh) | 一种电力调控下的电源侧发电性能评估方法 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
| 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 | |
| CN116401545A (zh) | 一种多模型融合的水轮机振摆分析方法 | |
| CN115544886A (zh) | 高速电梯的失效时间节点预测方法、***、设备和介质 |
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 |
|
| RJ01 | Rejection of invention patent application after publication |