CN111522808B - 一种风电机组异常运行数据处理方法 - Google Patents

Abstract

本发明公开了一种风电机组异常运行数据处理方法，它包括：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风速‑功率异常数据，将该部分的数据予以剔除；利用Thompsontau法对预处理后的风速‑功率异常数据进行首次识别和剔除；利用四分位法对首次识别和剔除后的风速‑功率异常数据进行二次识别和剔除；采用四点插值细分算法对误删和缺失数据进行插值重构；解决了风电机组异常运行数据处理存在的在风电场风机类型较多情况下不适用、对相邻风电场可用数据的依赖性太高、随着风机距离的增大，误差逐渐增大，准确度降低、重构结果依赖于风电场的相关程度、在数据量较多时，模型求解复杂等技术问题。

Description

一种风电机组异常运行数据处理方法

技术领域

本发明属于电力***技术领域，尤其涉及一种风电机组异常运行数据处理方法。

背景技术

随着近年来我国风电装机容量的日益增长，国家对于风力发电也有相应的政策支持，发电成本降低、技术日趋成熟，为了更好地利用风能，建立高效、准确的风电监测模型成为当务之急。但是，风力发电本身的随机性和波动性对电力***安全、稳定产生了不可忽视的影响，风电机组在实际运行过程中由于测量、传输、控制、弃风等因素，会产生大量的异常数据，受到干扰和影响的数据不能反映风电机组的真实性能，需要对这些数据进行识别和剔除。

现有研究的识别清洗方法具有清洗时间过长，在风电机组台数较多时不具备工程应用性、等效功率边界线需要多台风机的运行数据不断修正，数据剔除的比例较高、对有些机组存在过识别现象，可能导致正常数据删除过多等缺点。

通过对风速-功率异常数据的识别、剔除，不可避免对运行数据的完整性造成了一定的破坏，同时可能有部分正常运行数据被删除，不利于后续的研究应用，因此需要对剔除数据进行插值重构。现有研究的插值重构方法具有在风电场风机类型较多情况下不适用、对相邻风电场可用数据的依赖性太高、随着风机距离的增大，误差逐渐增大，准确度降低、重构结果依赖于风电场的相关程度、在数据量较多时，模型求解复杂等缺点。

发明内容

本发明要解决的技术问题是：提供一种风电机组异常运行数据处理方法，以解决现有技术对风电机组异常运行数据处理存在的在风电场风机类型较多情况下不适用、对相邻风电场可用数据的依赖性太高、随着风机距离的增大，误差逐渐增大，准确度降低、重构结果依赖于风电场的相关程度、在数据量较多时，模型求解复杂等技术问题。

本发明的技术方案是：

一种风电机组异常运行数据处理方法，它包括：

步骤S201，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风速-功率异常数据，将该部分的数据予以剔除；

步骤S202，利用Thompsontau法对预处理后的风速-功率异常数据进行首次识别和剔除；

步骤S203，利用四分位法对首次识别和剔除后的风速-功率异常数据进行二次识别和剔除；

步骤S204，采用四点插值细分算法对误删和缺失数据进行插值重构。

步骤S201所述功率的计算方法为：

式中，C_P为风能利用系数；ρ₀为参考空气密度；A为风轮扫掠面积；v为风速；P_e为风电机组的实际功率。

步骤S202所述利用Thompsontau法对预处理后的风速-功率异常数据进行首次识别和剔除的方法包括：首先将风速按大小划分成n个区间，记第i个风速-功率区间的功率数据样本为P_i＝[P_i,1,P_i,2,P_i,3,…,P_i,m]，其中i＝1,2,…,n，P_i,1≤P_i,2≤P_i,3≤…≤P_i,m；

使用Thompson tau法进行风速-功率异常数据首次识别的步骤如下：

计算区间内功率数据的均值

式中，m为风速-功率区间内功率点的个数；P_j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：

每一个功率样本数据偏差的绝对值为：

若δ最大，则这一点是要被剔除的异常值；

Thompson tau值通过功率样本数据的T分布值计算出来：

式中，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δ_j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。

步骤S203所述利用四分位法对首次识别和剔除后的风速-功率异常数据进行二次识别和剔除的方法包括：

首先，记首次识别和剔除完成后，第i个风速-功率区间的功率数据样本为P'_i＝[P'_i,1,P'_i,2,P'_i,3,…,P'_i,m]，其中i＝1,2,…,n，P'_i,1≤P'_i,2≤P'_i,3≤…≤P'_i,m；第二分位数M_i表示样本数据P'_i的中位数；

第一、三分位数表示P'_i中分割前、后25％数据点的位置所表示的数值；当m为偶数时，M_i将P'_i分成长度相同的两个子序列，记为P'_{i_1}＝[P'_i,1,P'_i,2,…,P'_i,(m-1)/2]和P'_{i_2}＝[P'_i,(m+1)/2,P'_i,(m+3)/2,…,P'_i,m]，Q_1,i、Q_3,i分别表示子序列P'_{i_1}和P'_{i_2}的中位数；

当m＝4k+3(k＝0,1,2，…)时，计算式为

当m＝4k+1(k＝0,1,2，…)时，计算式为

根据公式6和公式7的计算结果，可以得到P'_i的四分位间距IQR_i为

IQR_i＝Q_3,i-Q_1,i

…………………(公式8)四分位法中，用上限W_u,i、下限W_d,i来排除数据中的异常值，计算公式为

根据公式9的计算结果，定义功率数据样本P'_i中处于W_u,i和W_d,i之间的数据为正常值，之外的数据点为异常值。

步骤S204所述采用四点插值细分算法对误删和缺失数据进行插值重构的方法为：通过寻找与待插补风速最接近的四个风速点，利用四点插值算法进行缺失数据插值。

所述四点插值算法的公式为：

式中，P_2i+1为待插补功率点；P_i-1,P_i,P_i+1,P_i+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，ω∈[0,0.125]。

取ω＝1/16，整理得：

令

将公式12代入公式11得：

第二分位数M_i的计算公式为

式中，m为一个风速-功率区间内功率点的个数。

本发明有益效果：

本发明基于Thompson tau-四分位法对异常数据进行识别、剔除，然后基于风电机组历史风速-功率运行数据，采用四点插值细分算法对误删数据进行插值重构。相比常用处理方法，提出的清洗方法实现简单、清洗效率更高，提出的重构方法在临近风电场数据缺失、不可用的情况下，能有效提高重构数据的质量，且重构效果更优，一定程度上改善了数据的完整性，有利于后续研究的再利用；解决了现有技术对风电机组异常运行数据处理存在的在风电场风机类型较多情况下不适用、对相邻风电场可用数据的依赖性太高、随着风机距离的增大，误差逐渐增大，准确度降低、重构结果依赖于风电场的相关程度、在数据量较多时，模型求解复杂等技术问题。

附图说明

图1为本发明流程示意图；

图2为本发明异常数据识别清洗流程图；

图3为具体实施方式中1、14、23号机组数据清洗效果；

图4为具体实施方式中1、14、23号机组异常数据识别结果。

具体实施方式

风电机组功率曲线是对风电机组功率特性最直观最常用的描述方式，风电机组功率曲线精确刻画了风电机组功率和风速之间的相关关系，本质上反映了风电机组的性能。准确的实测风电功率曲线可以为风电机组性能评估、风电功率曲线监测、风电功率预测、风电场数值建模等工作提供重要的参考依据。风电机组在实际运行过程中，因为外部环境和控制策略的不同，使得风电机组实际测试的功率曲线与标准功率曲线存在较大偏差。当电网弃风限电时，异常数据在风速-功率散点图往往表现为横向堆积型数据，功率低于正常运行状态时的值，而分散状分布的散点则是由于数据的采集、测量等原因。受到干扰和影响的数据不能反映风电机组的真实性能，不将这些异常数据进行识别、剔除，对后续风电机组相关问题的研究产生了严重影响，因此对风电机组风速-功率异常数据识别和剔除方法的研究显得至关重要。

如图2所示为一种基于Thompson tau-四分位法和多点插值的风电机组异常运行数据处理方法，该方法包括如下步骤：

(1)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。

(2)利用Thompson tau法进行首次识别、剔除异常数据。

(3)利用四分位法进行二次识别、剔除异常数据。

(4)基于风电机组历史风速-功率运行数据，采用四点插值细分算法对误删数据进行插值重构。

步骤S101，首先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P_i＝[P_i,1,P_i,2,P_i,3,…,P_i,m]，其中i＝1,2,…,n，P_i,1≤P_i,2≤P_i,3≤…≤P_i,m，使用Thompson tau法进行风速-功率异常数据进行首次识别的步骤如下：

计算区间内功率数据的均值

式中，m为风速-功率区间内功率点的个数；P_j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：

每一个功率样本数据偏差的绝对值为：

若δ最大，则这一点很可能是要被剔除的异常值；d_j表示每一个功率样本数据偏差的绝对值。

Thompson tau值通过功率样本数据的T分布值计算出来：

式中，m是区间内功率数据样本的个数；t为功率样本数据的t分布值，α为显著性水平，其值影响功率数据的充裕度，本发明取舍弃水平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δ_j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。

步骤S102，对于首次识别后的剩余数据，利用四分位法进行二次识别。首先，记首次识别完成后，第i个风速-功率区间的功率数据样本为P'_i＝[P'_i,1,P'_i,2,P'_i,3,…,P'_i,m]，其中i＝1,2,…,n，P'_i,1≤P'_i,2≤P'_i,3≤…≤P'_i,m。第二分位数M_i表示样本数据P'_i的中位数，计算公式为

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P'_i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，M_i将P'_i分成长度相同的两个子序列，记为P'_{i_1}＝[P'_i,1,P'_i,2,…,P'_i,(m-1)/2]和P'_{i_2}＝[P'_i,(m+1)/2,P'_i,(m+3)/2,…,P'_i,m]，Q_1,i、Q_3,i分别表示子序列P'_{i_1}和P'_{i_2}的中位数。

当m＝4k+3(k＝0,1,2，…)时，计算式为

当m＝4k+1(k＝0,1,2，…)时，计算式为

根据公式6和公式7的计算结果，可以得到P'_i的四分位间距IQR_i为

IQR_i＝Q_3,i-Q_1,i

…………………(公式8)

四分位法中，用上限W_u,i、下限W_d,i来排除数据中的异常值，计算公式为

根据公式9的计算结果，定义功率数据样本P'_i中处于W_u,i和W_d,i之间的数据为正常值，之外的数据点为异常值。

步骤S103，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，会破坏数据的完整性，因此需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。

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。四点插值算法的具体公式如下：

式中，P_2i+1为待插补功率点；P_i-1,P_i,P_i+1,P_i+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：

令

将公式12代入公式11得：

为了验证所提风电机组风速-功率异常数据识别和重构方法和流程的有效性，以国内某风电场的风电机组为例，取2017年8月到2018年7月的10min级风速-功率数据进行分析。风电机组的切入风速3.5m/s，额定风速12m/s，切出风速25m/s，额定功率2000kW，以1、14、23号机组为研究对象，测试所提出方法对各台风电机组风速-功率异常数据的识别清洗效果。

对1、14、23号机组使用Thompsontau法清洗风速-功率异常数据结果如图所示，识别、剔除的异常数据如图4所示。

由图4可知，使用Thompson tau-四分位法可以对3台机组的风速-功率异常数据进行很好的识别、剔除，较完整的保留了机组常规发电状态下的运行数据，对由于其他原因引起的异常数据予以剔除，能为后续分析风机真实运行状态提供有效的研究数据集，实用性高。为进一步说明本文更具一定的工程应用性，将本文方法与现有的变点分组-四分位法在数据删除率和清洗时间上进行比较，异常数据识别对比效果如表1所示。由表1可知，本文方法在异常数据删除率上与变点分组-四分位法相当，但在清洗效率上有大幅提升，三台机组清洗时间均在1s左右。在实际应用中，风电场风电机组台数往往较多，使用本文方法能够更快得到风电场各风电机组的正常运行数据集，更加适合在实际工程中推广应用。

表1不同方法数据清洗效果

由图4可知，进行风速-功率异常数据识别清洗不可避免的造成了部分正常数据的误删，使正常数据的完整性遭到了破坏。因此需要对剔除的数据进行重构，以恢复数据的完整性。

在1号风电机组采集到的10min级风速、功率数据序列中，删除部分风速-功率数据，模拟功率数据缺失情况，对缺失的功率数据进行重构来验证本发明方法的有效性。选用平均相对误差E_MRE和重构准确率r作为数据重构的评价指标。

式中，P_ip为i时刻的重构功率；P_i为i时刻的实际功率；P_N为风电机组的额定功率；n为缺失的功率数据个数。

选取1号风机2017年9月3日0点～9月6日0点的10min级风速-功率数据，共计433个风速-功率数据。随机删除50、100、200个风速-功率数据，模拟数据缺失情况，将本文方法与分段线性插值、三次样条插值、三次Hermite插值作对比。重构对比结果如表2所示。

表2重构方法对比

由表2可知，在风速-功率数据缺失50、100、200时，本文提出的数据重构方法在平均相对误差和重构准确率上均优于其余三种方法。分段线性插值效果与本文方法较为接近，三次Hermite插值次之，三次样条插值重构效果最差。本文方法基于单机历史运行数据对数据进行重构，不依赖于其他风电场或风电机组的运行数据，更具一定的实际工程应用性。

Claims (5)

1.一种风电机组异常运行数据处理方法，它包括：

步骤S201，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风速-功率异常数据，将该部分的数据予以剔除；

步骤S202，利用Thompsontau法对预处理后的风速-功率异常数据进行首次识别和剔除；

步骤S202所述利用Thompsontau法对预处理后的风速-功率异常数据进行首次识别和剔除的方法包括：首先将风速按大小划分成n个区间，记第i个风速-功率区间的功率数据样本为P_i＝[P_i,1,P_i,2,P_i,3,…,P_i,m]，其中i＝1,2,…,n，P_i,1≤P_i,2≤P_i,3≤…≤P_i,m；

使用Thompson tau法进行风速-功率异常数据首次识别的步骤如下：计算区间内功率数据的均值

式中，m为风速-功率区间内功率点的个数；P_j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：

每一个功率样本数据偏差的绝对值为：

若δ最大，则这一点是要被剔除的异常值；

Thompson tau值通过功率样本数据的T分布值计算出来：

式中，取α＝0.01；

当时，则所检测的功率值为异常点；反之，若/>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δ_j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；

步骤S203，利用四分位法对首次识别和剔除后的风速-功率异常数据进行二次识别和剔除；

步骤S204，采用四点插值细分算法对误删和缺失数据进行插值重构；

步骤S204所述采用四点插值细分算法对误删和缺失数据进行插值重构的方法为：通过寻找与待插补风速最接近的四个风速点，利用四点插值算法进行缺失数据插值；

所述四点插值算法的公式为：

式中，P_2i+1为待插补功率点；P_i-1,P_i,P_i+1,P_i+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，ω∈[0,0.125]。

2.根据权利要求1所述的一种风电机组异常运行数据处理方法，其特征在于：取ω＝1/16，整理得：

令

将公式12代入公式11得：

3.根据权利要求1所述的一种风电机组异常运行数据处理方法，其特征在于：步骤S201所述功率的计算方法为：式中，C_P为风能利用系数；ρ₀为参考空气密度；A为风轮扫掠面积；v为风速；P_e为风电机组的实际功率。

4.根据权利要求1所述的一种风电机组异常运行数据处理方法，其特征在于：步骤S203所述利用四分位法对首次识别和剔除后的风速-功率异常数据进行二次识别和剔除的方法包括：

首先，记首次识别和剔除完成后，第i个风速-功率区间的功率数据样本为P'_i＝[P'_i,1,P'_i,2,P'_i,3,…,P'_i,m]，其中i＝1,2,…,n，P'_i,1≤P'_i,2≤P'_i,3≤…≤P'_i,m；第二分位数M_i表示样本数据P'_i的中位数；

第一、三分位数表示P'_i中分割前、后25％数据点的位置所表示的数值；当m为偶数时，M_i将P'_i分成长度相同的两个子序列，记为P'_{i_1}＝[P'_i,1,P'_i,2,…,P'_i,(m-1)/2]和P'_{i_2}＝[P'_i,(m+1)/2,P'_i,(m+3)/2,…,P'_i,m]，Q_1,i、Q_3,i分别表示子序列P'_{i_1}和P'_{i_2}的中位数；

当m＝4k+3(k＝0,1,2，…)时，计算式为

当m＝4k+1(k＝0,1,2，…)时，计算式为

根据公式6和公式7的计算结果，可以得到P'_i的四分位间距IQR_i为

IQR_i＝Q_3,i-Q_1,i

…………………(公式8)

四分位法中，用上限W_u,i、下限W_d,i来排除数据中的异常值，计算公式为

根据公式9的计算结果，定义功率数据样本P'_i中处于W_u,i和W_d,i之间的数据为正常值，之外的数据点为异常值。

5.根据权利要求1所述的一种风电机组异常运行数据处理方法，其特征在于：第二分位数M_i的计算公式为

式中，m为一个风速-功率区间内功率点的个数。