CN112032003B - 一种大型风电机组运行性能监测方法 - Google Patents

Abstract

本发明公开了一种大型风电机组运行性能监测方法，包括以下步骤：运行数据获取及数据预处理；风速区间划分；运行区域划分；性能异常判定。上述技术方案对容易出现低效数据点堆积的风速区间的数据散点图形状进行运行区域划分，将整个运行空间划分为正常运行区域和低效运行区域，并基于低效区域面积及低效数据占比两个量化指标判定机组运行性能异常状态。

Description

一种大型风电机组运行性能监测方法

技术领域

本发明涉及风力发电技术领域，尤其涉及一种大型风电机组运行性能监测方法。

背景技术

有资料显示，风电领域通常以功率曲线作为评估机组出力性能的主要依据，但通过IEC61400-12-1标准中按风速分隔数据bin求平均值的方法得到的功率差曲线仅代表了机组在评估周期内的平均出力水平，一些异常工况由于数据占比相对较小，在功率曲线拟合过程中，通常被大量正常数据中和、甚至在数据预处理阶段被强制剔除，造成运行信息缺失。因此，基于传统的功率曲线监测的方法无法有效识别机组在实际运行过程中的异常或低效工况。

根据风电工程现场的反馈，由于机组出力性能下降、控制参数设置不当、风况不稳定、空气密度变化等原因，造成“风速-有功功率”散点图在启动风速、临近额定风速附近容易出现低效数据点堆积。为了更加精确地监测机组出力异常状态，有必要对原始运行数据中的异常数据点进行专门监测。

中国专利文献CN110005580B公开了一种“风电机组运行状态监测方法”。采用了方法包括：获取风电机组历史运行的传感器数据，所述传感器数据包括风速信号、转速信号、变桨角信号、功率信号、应变信号和振动信号；根据风速信号、转速信号、变桨角信号、功率信号、应变信号和振动信号分别构建风速、转速、变桨角、功率匹配性监测模型和转速、功率、应变、振动频谱监测模型；采集风电机组的实时运行数据，将所述风电机组的实时运行数据分别与所述风速、转速、变桨角、功率匹配性监测模型、转速、功率、应变、振动频谱监测模型进行对比，确定所述风电机组的当前运行状态。上述技术方案求平均值的方法得到的功率差曲线仅代表了机组在评估周期内的平均出力水平，一些异常工况由于数据占比相对较小，在功率曲线拟合过程中，通常被大量正常数据中和、甚至在数据预处理阶段被强制剔除，造成运行信息缺失。因此，基于传统的功率曲线监测的方法无法有效识别机组在实际运行过程中的异常或低效工况。

发明内容

本发明主要解决原有的功率曲线监测的方法无法有效识别机组在实际运行过程中的异常或低效工况的技术问题，提供一种大型风电机组运行性能监测方法，对容易出现低效数据点堆积的风速区间的数据散点图形状进行运行区域划分，将整个运行空间划分为正常运行区域和低效运行区域，并基于低效区域面积及低效数据占比两个量化指标判定机组运行性能异常状态。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

(1)运行数据获取及数据预处理；在常规数据筛选的基础上采用聚类方法对机组运行数据进行深度清洗。

(2)风速区间划分；按照风速大小将机组风速区间划分为低风速段、高风速段，对两个风速区间分别进行性能监测。

(3)运行区域划分；基于数据散点图的形状进行运行区域划分，将整个运行空间划分为正常运行区域和低效运行区域。

(4)性能异常判定。基于低效区域面积大小及低效数据占比判定机组运行性能异常状态。

作为优选，所述的步骤1中运行数据获取包括按照评估周期从机组历史数据库中提取数据样本，评估周期1-6个月为宜，数据通道包括实时风速、有功功率、发电机转速、桨距角、机组运行状态标志位、限电标志位；数据预处理具体为在常规数据筛选的基础上采用参数自整定的DBSCAN聚类算法对运行数据散点图中的离群点和边缘点进行深度清洗。

作为优选，所述的步骤1中的常规数据筛选，筛选过程包括：按照机组运行状态标志位剔除停机数据及带病运行数据；按照限电标志位剔除限电数据；按照风速、有功功率、发电机转速剔除超出正常运行范围的数据。

作为优选，所述的步骤2风速区间划分为低风速段和高风速段，所述低风速段选择4-6m/s启动风速段，高风速段选择8-12m/s满发附近风速段。

作为优选，所述的步骤3运行区域划分基于“风速-有功功率”散点数据的空间分布特征计算正常区域和低效区域边界。

作为优选，所述的运行区域边界计算首先按照风速划分数据bin，bin间隔为0.5m/s，具体计算方法为：

低风速段：

edge_L_v＝median_L_v-W，v＝4，4.5，…6

W＝median_L₄-(Q1₄-1.5IQR₄)

IQR₄＝Q3₄-Q1₄

其中，Q3₄、Q1₄、median_L₄分别为风速4m/s的数据bin的上下四分位值及中位数，median_L_v为风速为v的数据bin的中位数；

高风速段：

edge_H_v＝Q1_v-1.5(Q3_v-Q1_v)，v＝8，8.5，…12

其中，Q3_v、Q1_v分别为风速v的数据bin的上下四分位值。

作为优选，所述的步骤4以低效区域面积、低效区域数据占比作机组运行状态异常程度评价指标，并根据同一机型该量指标的概率分布情况设定阈值，当指标超过阈值认为机组运行性能异常。

作为优选，所述的低效区域面积计算首先分别对低风速段、高风速段的原始数据及边界计算结果进行0-1归一化，低效面积的计算方法为：

其中，min_L_v、min_H_v为风速为v的数据bin的最小值。

作为优选，所述的DBSCAN算法的准确性与Eps和Minpts两参数的选择有关，一种Eps和Minpts两参数自整定方法，具体步骤为：

1)对数据样本进行标准化处理；

2)初始化设定，选择噪声数据的可接受占比ε-noise＝5％，并令k＝2；

3)计算数据样本中的每个对象与它的第k个最近对象之间的几何距离k-dis，数据集中n个对象k-dis集合记为Dist_k＝{k-dis₁,k-dis₂,…,k-dis_n}；

4)对Dist_k中的元素进行概率统计，根据累计概率分布结果，选择处在5％-95％概率范围内的m个元素形成新的集合Dist_k ^*，以Dist_k ^*的数学期望值作为Eps_k：

5)数据集中所有对象的Eps_k域内点的数目集合记为P_k＝{p₁,p₂,…,p_n}，对P_k中的元素进行概率统计，根据累计概率分布结果，选择处在5％-95％概率范围内的l个元素形成新的集合P_k ^*，将P_k ^*的数学期望值重新赋值给Minpts_k：

6)以Minpts_k和Eps_k对数据集进行聚类处理，根据聚类结果计算噪声数据占比Ratio-noise_k；

7)如果k>2，且Ratio-noise_k满足：|Ratio-noise_k-1-Ratio-noise_k|≤ε-noise，那么，Minpts＝Minpts_k，Eps＝Eps_k，结束；否则，令k＝k+1，返回3)重新执行。

本发明的有益效果是：

1.不需要进行平均化处理，能够保留机组全部的工况信息，对机组性能异常状态更敏感，监测精度更高。

2.数据预处理环节在常规数据筛选的基础上采用聚类方法对机组运行数据进行深度清洗，保证了数据样本的有效性。

3.针对风电机组在不同风速区间内运行规律不同的特点，将机组的全部运行空间划分为低风速段、高风速段两个区间进行分别监测，两个区间运行区域边界采用不同的计算方法，进一步提高了监测精度。

4.对于运行数据质量要求不高，不要求时间序列的完成性，方法涉及的计算量较小，不需要高配置的计算资源，可以很容易的应用到风电场现场，在线监测机组运行性能状态并对性能异常进行报警。

附图说明

图1是本发明的一种具体实施流程图。

图2是本发明的一种基于参数自整定方法的改进DBSCAN聚类算法流程图。

图3是本发明的一种数据预处理效果示例图。

图4是本发明的一种低风速段运行区域划分结果示例图。

图5是本发明的一种高风速段运行区域划分结果示例图。

图6是本发明的一种低风速段的低效区域面积示例图。

图7是本发明的一种高风速段的低效区域面积示例图。

图8是本发明的一种低效区域面积概率分布图。

图9是本发明的一种某机型低效区域数据占比概率分布图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：本实施例的一种大型风电机组运行性能监测方法，如图1所示，包括按照运行数据获取及预处理、风速区间划分、不同风速段运行区域划分、不同风速段运行状态判定4个基本步骤，每个步骤的详细描述如下：

S1，运行数据获取及预处理

首先按照评估周期从机组历史数据库中提取实时风速、有功功率、发电机转速、机组运行状态标志位、限电标志位共5个数据通道，评估周期1-6个月为宜。数据预处理包括常规数据筛选和数据深度清洗2个环节。

常规数据筛选按照如下条件对原始样本数据进行依次筛选：

1)按照机组运行状态标志位剔除停机数据及带病运行数据(机组运行状态标志位＝1)；

2)按照限电标志位剔除限电数据(限电标志位＝0)；

3)按照风速、有功功率、发电机转速剔除超出正常运行范围的数据(风速下限<风速<风速上限&有功功率下限<有功功率<有功功率上限&转速下限<发电机转速<转速上限)。

数据深度清洗，采用参数自整定的DBSCAN算法常规筛选后的数据进行聚类分析，识别并剔除离群数据及边缘毛刺数据。图2为基于参数自整定方法的改进DBSCAN聚类算法流程图，示出了对常规筛选后的数据样本进行聚类处理的具体实现过程。

DBSCAN算法是一种经典的基于密度的聚类算法，DBSCAN算法的准确性与Eps和Minpts两参数的选择有关，本发明提供一种Eps和Minpts两参数自整定方法，如图2所示，具体步骤为：

1)对数据样本进行标准化处理；

2)初始化设定，选择噪声数据的可接受占比ε-noise＝5％，并令k＝2；

3)计算数据样本中的每个对象与它的第k个最近对象之间的几何距离k-dis，数据集中n个对象k-dis集合记为Dist_k＝{k-dis₁,k-dis₂,…,k-dis_n}。

4)对Dist_k中的元素进行概率统计，根据累计概率分布结果，选择处在5％-95％概率范围内的m个元素形成新的集合

以

的数学期望值作为Eps_k：

5)数据集中所有对象的Eps_k域内点的数目集合记为P_k＝{p₁,p₂,…,p_n}，对P_k中的元素进行概率统计，根据累计概率分布结果，选择处在5％-95％概率范围内的l个元素形成新的集合

将

的数学期望值重新赋值给Minpts_k：

6)以Minpts_k和Eps_k对数据集进行聚类处理，根据聚类结果计算噪声数据占比Ratio-noise_k。

7)如果k>2，且Ratio-noise_k满足：|Ratio-noise_k-1-Ratio-noise_k|≤ε-noise，那么，Minpts＝Minpts_k，Eps＝Eps_k，结束；否则，令k＝k+1，返回3)重新执行。

图3为数据预处理效果示例图，示出了原始数据经过常规数据筛选、数据深度清洗后数据散点变化情况。

S2，风速区间划分

选择4-6m/s启动风速段作为低风速段，选择8-12m/s满发附近风速段作为高风速段。

S3，不同风速段运行区域划分

所述运行区域边界计算首先按照风速划分数据bin，bin间隔为0.5m/s。低风速段的数据bin区间边界为[3.75，4.25]，[4.25，4.75]，…，[5.75，6.25]。高风速段的数据bin区间边界为[7.75，8.25]，[8.25，8.75]，…，[11.75，12.25]。

图4为低风速段运行区域划分结果示例图，示出了某2MW机组在4-6m/s风速段运行区域边界位置。低风速段具体的运行区域边界计算方法为：

edge_L_v＝median_L_v-W，v＝4，4.5，…6

W＝median_L₄-(Q1₄-1.5IQR₄)

IQR₄＝Q3₄-Q1₄

其中，Q3₄、Q1₄、median_L₄分别为风速4m/s的数据bin的上下四分位值及中位数，median_L_v为风速为v的数据bin的中位数。

图5为高风速段运行区域划分结果示例图，示出了某2MW机组在8-12m/s风速段运行区域边界位置。高风速段具体的运行区域边界计算方法为：

edge_H_v＝Q1_v-1.5(Q3_v-Q1_v)，v＝8，8.5，…12

其中，Q3_v、Q1_v分别为风速v的数据bin的上下四分位值。

S4，不同风速段运行状态判定

以低效区域面积、低效区域数据占比作机组运行状态异常程度评价指标。

图6、图7为低效区域面积计算示例图，示出了某2MW机组低风速段、高风速段的低效区域面积。首先分别对低风速段、高风速段的原始数据及运行区域边界计算结果进行0-1归一化处理，低效区域面积的计算方法为：

其中，min_L_v、min_H_v为风速为v的数据bin的最小值。

低效区域数据占比计算方法为：

R_L＝低风速段低效区域数据量/低风速段总数据量×100％

R_H＝高风速段低效区域数据量/高风速段总数据量×100％

并根据同一机型该两指标的概率分布情况设定阈值，当指标超过阈值认为机组运行性能异常。

图8为2MW某机型低效区域面积概率分布图，以95％分位值作为低效区域面积阈值，本例示出的低风速段、高风速段机型低效区域面积阈值分别为S_L_threshold＝0.022、S_H_threshold＝0.058。

图9为2MW某机型低效数据占比概率分布图，以95％分位值作为低效数据占比阈值，本例示出的低风速段、高风速段机型低效数据占比阈值分别为R_L_threshold＝0.078、R_H_threshold＝0.116。

机组运行状态判定原则如下：

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了聚类算法、风速区间、运行区域等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (4)

1.一种大型风电机组运行性能监测方法，其特征在于，包括以下步骤：

(1)运行数据获取及数据预处理，在常规数据筛选的基础上采用聚类方法对机组运行数据进行深度清洗；

(2)风速区间划分为低风速段和高风速段，所述低风速段选择4-6m/s启动风速段，高风速段选择8-12m/s满发附近风速段；

(3)运行区域划分，基于“风速-有功功率”散点数据的空间分布特征计算正常区域和低效区域边界，所述运行区域边界计算首先按照风速划分数据bin，bin间隔为0.5m/s，具体计算方法为：

低风速段：

edge_L_v＝median_L_v-W，v＝4，4.5，…6

W＝median_L₄-(Q1₄-1.5IQR₄)

IQR₄＝Q3₄-Q1₄

其中，Q3₄、Q1₄、median_L₄分别为风速4m/s的数据bin的上下四分位值及中位数，median_L_v为风速为v的数据bin的中位数；

高风速段：

edge_H_v＝Q1_v-1.5(Q3_v-Q1_v)，v＝8，8.5，…12

其中，Q3_v、Q1_v分别为风速v的数据bin的上下四分位值；

(4)性能异常判定，以低效区域面积、低效区域数据占比作机组运行状态异常程度评价指标，并根据同一机型该两 指标的概率分布情况设定阈值，当指标超过阈值认为机组运行性能异常，低效区域面积计算首先分别对低风速段、高风速段的原始数据及边界计算结果进行0-1归一化，低效面积的计算方法为：

其中，min_L_v、min_H_v为风速为v的数据bin的最小值。

2.根据权利要求1所述的一种大型风电机组运行性能监测方法，其特征在于，所述步骤1中运行数据获取包括按照评估周期从机组历史数据库中提取数据样本，评估周期1-6个月为宜，数据通道包括实时风速、有功功率、发电机转速、桨距角、机组运行状态标志位、限电标志位；数据预处理具体为在常规数据筛选的基础上采用参数自整定的DBSCAN聚类算法对运行数据散点图中的离群点和边缘点进行深度清洗。

3.根据权利要求2所述的一种大型风电机组运行性能监测方法，其特征在于，所述步骤1中的常规数据筛选，筛选过程包括：按照机组运行状态标志位剔除停机数据及带病运行数据；按照限电标志位剔除限电数据；按照风速、有功功率、发电机转速剔除超出正常运行范围的数据。

4.根据权利要求2所述的一种大型风电机组运行性能监测方法，其特征在于，所述DBSCAN聚类 算法的准确性与Eps和Minpts两参数的选择有关，一种Eps和Minpts两参数自整定方法，具体步骤为：

1)对数据样本进行标准化处理；

2)初始化设定，选择噪声数据的可接受占比ε-noise＝5％，并令k＝2；

3)计算数据样本中的每个对象与它的第k个最近对象之间的几何距离k-dis，数据集中n个对象k-dis集合记为Dist_k＝{k-dis₁,k-dis₂,…,k-dis_n}；

4)对Dist_k中的元素进行概率统计，根据累计概率分布结果，选择处在5％-95％概率范围内的m个元素形成新的集合Dist_k ^*，以Dist_k ^*的数学期望值作为Eps_k：

5)数据集中所有对象的Eps_k域内点的数目集合记为P_k＝{p₁,p₂,…,p_n}，对P_k中的元素进行概率统计，根据累计概率分布结果，选择处在5％-95％概率范围内的l个元素形成新的集合P_k ^*，将P_k ^*的数学期望值重新赋值给Minpts_k：

6)以Minpts_k和Eps_k对数据集进行聚类处理，根据聚类结果计算噪声数据占比Ratio-noise_k；

7)如果k>2，且Ratio-noise_k满足：|Ratio-noise_k-1-Ratio-noise_k|≤ε-noise，那么，Minpts＝Minpts_k，Eps＝Eps_k，结束；否则，令k＝k+1，返回3)重新执行。

Images