CN112347655B - 一种基于机组运行性能评估的风电场理论功率计算方法 - Google Patents

Abstract

一种基于机组运行性能评估的风电场理论功率计算方法，涉及新能源发电技术领域，其结构为：数据识别阶段，对在数据采集或通信等环节发生故障或受到干扰导致的异常数据进行识别；数据修复阶段，针对数据识别阶段识别出来异常数据的特点，分三个类别对新能源运行数据实现异常数据重构；非样板机分组及各组出力比例系数识别阶段，动态识别每组的出力比例系数；风电场的理论功率计算阶段，根据式统计时间内理论发电功率的计算式计算风电场的理论功率。本发明的有益效果在于：易操作，建模简单，并且能够准确识别各组非样板机和样板机之间的出力比例系数，从而有效提高风电场理论功率的计算精度。

Description

一种基于机组运行性能评估的风电场理论功率计算方法

技术领域

本发明涉及新能源发电技术领域，具体涉及一种基于机组运行性能评估的风电场理论功率计算方法。

背景技术

随着风力发电技术的逐渐成熟，风电可再生能源的关注度大大提高，然而由于风电场大规模的快速无序投运以及电网架构建设的相对滞后，造成电网对风电接纳能力受限，使得弃风现象时有发生。因此开展风电场理论发电功率的研究十分必要，它能够对风电场的弃风电量进行科学、准确的评估，缓解网厂矛盾，有利于调度部门评估风电场的实际出力水平，为科学统计风电场限电电量提供参考。

目前，风电场的理论功率计算主要采用样板机法，即选择性能良好、运行稳定和故障相对较少的单机设备作为样板机，通过其实际功率推算出风电场的理论功率，但是这种方法由于默认样板机组和非样板机组的出力比例系数为1，而未考虑受地理位置、排布方式以及气象等因素所造成的样板机和非样板机出力比例系数的不确定性，使得原有样板机法计算的理论功率会出现较大误差。

发明内容

由于地理位置、排布方式以及气象等因素所造成的样板机和非样板机出力比例系数的不确定性，使得原有样板机法计算的理论功率会出现较大误差，为了克服现有技术存在的缺陷，本发明提出了一种基于机组运行性能评估的风电场理论功率计算方法。

本发明提供一种基于机组运行性能评估的风电场理论功率计算方法，具体包括：数据识别阶段、数据修复阶段、非样板机分组及各组出力比例系数识别阶段和风电场的理论功率计算阶段。

数据识别阶段。对在数据采集或通信等环节发生故障或受到干扰导致的异常进行识别，步骤如下：

步骤1：根据空缺值识别准则，对所有新能源风电机组时序功率数据中某个时间点或时间段出现的空值进行识别，并将该异常数据剔除。

步骤2：根据越限值识别准则，对所有新能源风电机组时序功率数据中超出合理范围的越限值进行识别，并将该异常数据剔除。

步骤3：根据不刷新值识别准则，对所有新能源风电机组时序功率数据中连续一段时间不刷新的数据值进行识别，并将该异常数据剔除。

步骤4：根据畸变数据识别准则，对所有新能源风电机组时序功率数据中产生的畸变数据进行识别，并将该异常数据剔除。

数据修复阶段。针对步骤1-4识别出来异常数据的特点，分三个类别，包括单点异常、多点异常和连续异常，对新能源运行数据实现异常数据重构，步骤如下：

步骤5：对于新能源风电机组时序功率数据中的单点异常数据，采用常量/均值的方法对其进行填充。

步骤6：对于新能源风电机组时序功率数据中不超4h的多点异常数据，采用基于ARMA模型预测的重构方法对异常数据进行重构，并建立平均可信度γ_p计算加权重构值时刻k正向预测值

和反向预测值

从而提高k时刻重构结果的可靠性；对于超过4h的多点异常则作为连续异常数据，数据重构过程转至步骤7。

步骤7：对于新能源风电机组时序功率数据中的连续异常数据，采用基于序列时延相关性的重构方法首先找出与新能源风电机组W_y时延相关性最大的风电机组W_x(x＝1,2,...,N，N为新能源风电机组的个数)，利用W_x的出力曲线对W_y的连续异常运行数据进行数据重构。

非样板机分组及各组出力比例系数识别阶段。该阶段基于机组运行性能对新能源电站中同型号的非样板机进行分组后，再动态识别每组的出力比例系数，从而更准确的掌握非样板机的相对出力情况，步骤如下：

步骤8：通过对风电场中第i台非样板机的基本出力性能特征向量W_i和样板机的基本出力性能平均特征向量

的Pearson相关系数R_is以0.1为一个区间单位进行划分，并将每个区间单位的非样板机划分为一组，记为第g组，其中非样板机数量为

共计20组。

步骤9：通过计算k型号风机第g组非样板机在统计时间内的实际出力平均值序列

与样板机在统计时间内的实际出力平均值序列

的功率差率

得出第g组非样板机相对于样板机出力的比例系数为

以此动态识别各组的出力比例系数。

风电场的理论功率计算阶段。

步骤10：通过计算得到风电场k型号风机中各组非样板机相对样板机的出力比例系数

非样板机数量

以及样板机的实际出力平均值

根据式统计时间内理论发电功率的计算式计算风电场的理论功率。

本发明的有益效果在于：考虑到新能源风电机组在数据采集或通信等环节发生故障或受到干扰而导致的数据异常，建立了不同类型的异常数据识别准则对新能源风电机组的时序出力数据进行异常数据识别与剔除；考虑到剔除异常数据后会破坏数据的完整性以及影响数据的可用性，采用不同的方法分别对单点、多点和连续异常数据进行重构，从而有效减小后续对新能源电站理论功率计算带来的误差；考虑到原有样板机法在计算理论功率时未能准确计算样板机和非样板机之间的出力比例系数，基于风电机组运行性能评估的非样板机分组方法，相较于考虑地形和尾流效应的分组方法，具有易操作，建模简单，并且能够准确识别各组非样板机和样板机之间的出力比例系数，从而有效提高风电场理论功率的计算精度。

附图说明

图1为本发明风电场的理论功率计算流程框图。

具体实施方式

实施例1，如图1所示，本发明提供一种基于机组运行性能评估的风电场理论功率计算方法，其包括四个阶段，数据识别阶段、数据修复阶段、非样板机分组及各组出力比例系数识别阶段和风电场的理论功率计算阶段；包括以下步骤如下：

步骤1：根据空缺值识别准则，对所有新能源风电机组时序功率数据中某个时间点或时间段出现的空缺值进行识别，并将该异常数据剔除；

步骤2：根据越限值识别准则，对所有新能源风电机组时序功率数据中超出合理范围的越限值进行识别，并将该异常数据剔除；

步骤3：根据不刷新值识别准则，对所有新能源风电机组时序功率数据中连续一段时间不刷新的数据值进行识别，并将该异常数据剔除；

步骤4：根据畸变数据识别准则，对所有新能源风电机组时序功率数据中产生的畸变数据进行识别，并将该异常数据剔除；

步骤5：对于新能源风电机组时序功率数据中的单点异常数据，采用常量/均值的方法对其进行填充；

步骤6：对于新能源风电机组时序功率数据中不超4h的多点异常数据，采用基于ARMA模型预测的重构方法对异常数据进行重构，并建立平均可信度γ_p计算加权重构值时刻k正向预测值

和反向预测值

从而提高k时刻重构结果的可靠性；对于超过4h的多点异常则作为连续异常数据，数据重构过程转至步骤7；

步骤7：对于新能源风电机组时序功率数据中的连续异常数据，采用基于序列时延相关性的重构方法首先找出与新能源风电机组W_y时延相关性最大的风电机组W_x(x＝1,2,...,N，N为新能源风电机组的个数)，利用W_x的出力曲线对W_y的连续异常运行数据进行数据重构；

步骤8：通过对风电场中第i台非样板机的基本出力性能特征向量W_i和样板机的基本出力性能平均特征向量

的Pearson相关系数R_is以0.1为一个区间单位进行划分，并将每个区间单位的非样板机划分为一组，记为第g组，其中非样板机数量为

共计20组；

步骤9：通过计算k型号风机第g组非样板机在统计时间内的实际出力平均值序列

与样板机在统计时间内的实际出力平均值序列

的功率差率

得出第g组非样板机相对于样板机出力的比例系数为

以此动态识别各组的出力比例系数；

步骤10：通过计算得到风电场k型号风机中各组非样板机相对样板机的出力比例系数

非样板机数量

以及样板机的实际出力平均值

根据式统计时间内理论发电功率的计算式计算风电场的理论功率。

对风电场的理论功率改进计算具体包括以下步骤：

对所有新能源风电机组的时序出力数据X＝{x₁,x₂,...,x_n}进行异常数据识别及重构。

不同类型异常数据的识别准则如下：

(1)空缺值的识别

若存在x_i满足：

则判断x_i存在数据丢失。

(2)越限值的识别

若存在x_i满足下式关系，则判断x_i超出正常数值范围。

x_i＞x_h|x_i＜x_l (2)

式中，x_h,x_l分别为正常数值范围上限和下限。

(3)不刷新值的识别

若数据连续一段时间不刷新，则除去第一个数据点外均辨识为不刷新值。

(4)畸变数据的识别

相邻风电机组的功率通常具有相似趋势，故基于相邻风电机组出力空间相关性，利用N个与风电机组A具有空间相关性的相邻风电机组的功率数据X_M＝{x_M1,x_M2,...,x_Mn}(M＝1,2,…,N)，对观测风电机组的功率数据X_A＝{x_A1,x_A2,...,x_An}进行校验，识别异常数据。具体如下：基于式(3)对功率进行归一化，得到观测风电机组的功率归一化数据X_A ^*＝{x_A1 ^*,x_A2 ^*,...,x_An ^*}和相邻风电机组的功率归一化数据X_M ^*＝{x_M1 ^*,x_M2 ^*,...,x_Mn ^*}，二者在每个采样点的差值为式(4)。

e_Ai-Mi＝|x_Ai ^*-x_Mi ^*| (4)

风电机组A和M的功率差值和平均值分别为：

E_A-M＝{e_A1-M1,e_A2-M2,…,e_An-Mn} (5)

因为不同风电机组、不同时间段获得的功率数据异常情况不同，为得到较高可信度的识别结果，对于已剔除数据缺失、不刷新以及数据越限的待识别数据集，需计算观测风电机组与相邻风电机组归一化后输出功率差的平均值和标准差。由于不能事先确定相邻风电机组出力数据的正确性，所以令

根据莱以特准则判断异常数据，即当

时，则认为x_i为畸变数据。

不同异常数据的重构方法如下：

(1)单点异常

对于单点异常数据可以采用填充法对异常数据进行工程化重构，即选择一个经验常量或者按照某种规则对异常数据进行替换，该过程简单省时，且具有可观的精确性。

1)常量填充：基于人工经验，对单点异常数据采用同一个指定的常量值进行填充。

2)均值填充：可采用数据序列的均值或异常数据前后数据的均值对单点异常数据进行填充。

(2)多点异常

对于多点异常，由于异常数据两侧均存在完好的实际运行数据，因此可以根据两侧实际运行数据，采用基于ARMA模型预测的重构方法对异常数据进行重构。

1)假设时段[t_m,t_n]为缺失数据时段，基于完好的新能源机组运行数据

采用ARMA模型从两侧进行m步预测。

P_t＝β₁P_t-1+β₂P_t-2+…+β_pP_t-p+Z_t (7)

Z_t＝ε_t+λ₁ε_t-1+λ₂ε_t-2+…+λ₁ε_t-1 (8)

式中，β_i为自回归参数；λ_i为滑动平均参数；ε_i为预测误差。

2)对于第p步预测结果，如果预测误差小于误差阈值ε₀时，则认为该预测结果可信。通过对大量完好运行数据进行预测，确定数据序列第p步预测的平均可信度γ_p：

式中，Count(·)为次数统计；E_p为第p步预测误差；N为总次数。

3)计算加权重构值时刻k正向预测值

的预测时间长度为k-t_m+1，可接受率为

而反向预测值

的预测时间长度为t_n-k+1，可接受率为

因此，时刻k的最终重构结果为：

基于自身出力规律的重构方法考虑到ARMA的预测效果，一般重构时间长度限制在4h以内。

(3)连续异常

随着异常数据时间尺度增加，对于基于ARMA模型预测的重构方法，其正确率将会显著降低。由于各类新能源运行数据间存在一定的相关性，因此对于连续异常数据，可以采用基于序列时延相关性的重构方法对异常数据进行重构。

1)时延相关性

假设有两个时间序列X＝{x₁,x₂,…,x_n}和Y＝{y₁,y₂,…,y_n}，Y相对于X延迟l时刻的相关系数R(l)计算公式为：

式中，

l最大取值为n/2，当l从0变化到n/2时，得到R(0),R(1),…,R(n/2)。

取最大值时对应的延迟为(最大时延相关点)，如果(为相关性阈值)，则X和Y具有时延相关性。(可采用三点预测探查法，从最有可能出现最大时延相关点的地方设置第1个探查点(采用三角法确定)，在该探查点左右两侧分别以“几何渐进”的方式设置其他探查点。

2)基于新能源风电机组出力时延相关性的重构

假设缺失数据时间段为[t_m,t_n]，待重构风电机组为W₀，其余风电机组为W₁,W₂,…。取各风电机组在时段[t_m-t₀,t_m]内的出力数据。首先计算W₀与W₁在该时段内出力的最大时延相关点和相应的时延相关系数，若R(l₁')＝max(R(l₁'),R(l₂'),…)，则W₀与W₁相对应的最大时延相关点为l₁'，，相应的时延相关系数为R(l₁')；之后再按此分别计算W₀与W₂,W₃…在该时段内出力的最大时延相关点和相应的时延相关系数；若有W₀与W₁的时延相关性系数最大，则利用W₁的出力曲线对W₀的历史运行数据进行重构。即W₀和W₁的出力关系可用线性回归拟合为：

式中，

和

分别为W₀和W₁在第t_m和t_m+l₁'时刻的出力值；a和b为待确定的系数，可用最小二乘法求得。

对风电场非样板机的分组及各组出力比例系数的动态识别和理论功率的计算如下：

(1)基于机组运行性能评估的非样板机分组

首先，建立风电机组的基本发电性能指标(非限电情况)，如下：

a)月最大功率w₁

月最大功率w₁(kW)为观察日前30天风电机组实发功率P_r＝{p₁,p₂,…,p_n}中的最大值，即：

w₁＝max{p_i}, i＝1,2,…,n (13)

式中,n为样本采样点数。

b)月平均发电功率w₂

式中，P_r,j,t为观察日前30天第j日第t个采样点的实发功率(kW)。

c)平均发电功率年变化率w₃

机组平均发电功率年变化率反映机组发电水平随时间变化的趋势：

式中，P_r,av,y为机组观察日前第一个365天内的平均实际发电功率(kW)；P_r'_,av,y为机组观察日前第二个365天内的平均实际发电功率(kW)；P'_r,j,t为观察日前第一个365天内第j日第t个采样点的实发功率(kW)；P_r'_,'_j,t为观察日前第二个365天内第j日第t个采样点的实发功率(kW)；M为每日采样点个数。

d)月满发时数w₄

月满发时数w₄(h)为观察日前30天风电机组实发电量与额定功率之比，可用于不同装机容量发电***的比较，其计算式如下：

式中，P_n为观察日前30天风电机组额定功率(kW)，E_r为观察日前30天的实发电量。

利用风电机组基本发电性能指标，建立统计时间内风电机组基本出力性能特征向量W＝{w₁,w₂,w₃,w₄}。设k型号风机第i台非样板机在统计时间内的基本出力性能特征向量为

k型号样板机在统计时间内的基本出力性能平均特征向量为

其中，M_k为k型号样板机全风电场的总数量；

为k型号风机第m台样板机在统计时间内的基本出力性能特征向量。

则在统计时间内，第i台非样板机的基本出力性能特征向量

和样板机的基本出力性能平均特征向量

的Pearson相关系数为：

式中，

设以0.1为一个区间单位对R_is进行划分，通常R_is∈[0.1×(g-11),0.1×(g-10))，g为整数，且g∈[1,20]。将每个区间单位的非样板机划分为一组，设第g组非样板机数量为

(为了提高计算精度，可以减少区间单位的长度)。

(2)各组出力比例系数的动态识别

设第g组非样板机在统计时间内的实际出力平均值序列为：

式中，

为k型号风机第g组第i台非样板机在统计时间内的实际出力序列。

设k型号风机样板机在统计时间内的实际出力平均值序列为：

式中，

为k型号下第i台样板机在统计时间内的实际出力序列。

则在统计时间内，

与

功率差率的平均值为：

式中，n为在统计时间内的采样点个数。

因此，第g组非样板机相对于样板机出力的比例系数可取为

理想情况下，当风电场内所有机组的理论出力都相等时，

此时g＝10，非样板机相对于样板机出力的比例系数均为1，电站的理论功率计算公式与目前理想的计算公式完全相符。

(3)风电场的理论功率计算如下：

利用样板机的实际出力，分别计算各组非样板机的理论发电功率，最终得到新能源电站在统计时间内理论发电功率的计算式：

式中，

为统计时间内新能源电站型号k所有机组改进后的理论功率；

为统计时间内新能源电站的理论功率；K为新能源电站机组的型号数量。

Claims (4)

1.一种基于机组运行性能评估的风电场理论功率计算方法，其特征在于：包括四个阶段，数据识别阶段、数据修复阶段、非样板机分组及各组出力比例系数识别阶段和风电场的理论功率计算阶段；

数据识别阶段，对在数据采集或通信环节发生故障或受到干扰导致的异常数据进行识别，步骤如下：

步骤1：根据空缺值识别准则，对所有新能源风电机组时序功率数据中某个时间点或时间段出现的空缺值进行识别，并将该异常数据剔除；

步骤2：根据越限值识别准则，对所有新能源风电机组时序功率数据中超出合理范围的越限值进行识别，并将该异常数据剔除；

步骤3：根据不刷新值识别准则，对所有新能源风电机组时序功率数据中连续一段时间不刷新的数据值进行识别，并将该异常数据剔除；

步骤4：根据畸变数据识别准则，对所有新能源风电机组时序功率数据中产生的畸变数据进行识别，并将该异常数据剔除；

数据修复阶段，针对步骤1-4识别出来异常数据的特点，分三个类别，包括单点异常、多点异常和连续异常，对新能源运行数据实现异常数据重构，步骤如下：

步骤5：对于新能源风电机组时序功率数据中的单点异常数据，采用常量/均值的方法对其进行填充；

步骤6：对于新能源风电机组时序功率数据中不超4h的多点异常数据，采用基于ARMA模型预测的重构方法对异常数据进行重构，并建立平均可信度γ_p计算加权重构值时刻k正向预测值

和反向预测值

从而提高k时刻重构结果的可靠性；对于超过4h的多点异常则作为连续异常数据，数据重构过程转至步骤7；

步骤7：对于新能源风电机组时序功率数据中的连续异常数据，采用基于序列时延相关性的重构方法首先找出与新能源风电机组W_y时延相关性最大的风电机组W_x，x＝1,2,...,N，N为新能源风电机组的个数，利用W_x的出力曲线对W_y的连续异常运行数据进行数据重构；

非样板机分组及各组出力比例系数识别阶段，基于机组运行性能对新能源电站中同型号的非样板机进行分组后，再动态识别每组的出力比例系数，从而更准确的掌握非样板机的相对出力情况，步骤如下：

步骤8：通过对风电场中第i台非样板机的基本出力性能特征向量W_i和样板机的基本出力性能平均特征向量

的Pearson相关系数R_is以0.1为一个区间单位进行划分，并将每个区间单位的非样板机划分为一组，记为第g组，其中非样板机数量为

共计20组；

步骤9：通过计算k型号风机第g组非样板机在统计时间内的实际出力平均值序列

与样板机在统计时间内的实际出力平均值序列

的功率差率

得出第g组非样板机相对于样板机出力的比例系数为

以此动态识别各组的出力比例系数；

风电场的理论功率计算阶段，步骤如下：

步骤10：通过计算得到风电场k型号风机中各组非样板机相对样板机的出力比例系数

非样板机数量

以及样板机的实际出力平均值

根据式统计时间内理论发电功率的计算式计算风电场的理论功率；所述非样板机分组，首先，在非限电情况下，建立风电机组的基本发电性能指标；

月最大功率w₁(kW)为观察日前30天内风电机组实发功率P_r＝{p₁,p₂,…,p_n}中的最大值，即：

w₁＝max{p_i},i＝1,2,…,n (13)

式中,n为样本采样点数；

月平均发电功率w₂

式中，P_r,j,t为观察日前30天内第j日第t个采样点的实发功率(kW)；

平均发电功率年变化率w₃，机组平均发电功率年变化率反映机组发电水平随时间变化的趋势：

式中，P_r,av,y为机组观察日前第一个365天内的平均实际发电功率(kW)；P′_r,av,y为机组观察日前第二个365天内的平均实际发电功率(kW)；P′_r,j,t为观察日前第一个365天内第j日第t个采样点的实发功率(kW)；P″_r,j,t为观察日前第二个365天内第j日第t个采样点的实发功率(kW)；M为每日采样点个数；

月满发时数w₄(h)为观察日前30天内风电机组实发电量与额定功率之比，可用于不同装机容量发电***的比较，其计算式如下：

式中，P_n为观察日前30天内风电机组额定功率(kW)，E_r为观察日前30天内的实发电量；

利用风电机组基本发电性能指标，建立统计时间内风电机组基本出力性能特征向量W＝{w₁,w₂,w₃,w₄}，设k型号风机第i台非样板机在统计时间内的基本出力性能特征向量为

k型号样板机在统计时间内的基本出力性能平均特征向量为

其中，M_k为k型号样板机全风电场的总数量；

为k型号风机第m台样板机在统计时间内的基本出力性能特征向量；

则在统计时间内，第i台非样板机的基本出力性能特征向量

和样板机的基本出力性能平均特征向量

的Pearson相关系数为：

式中，

设以0.1为一个区间单位对R_is进行划分，通常R_is∈[0.1×(g-11),0.1×(g-10))，g为整数，且g∈[1,20]，将每个区间单位的非样板机划分为一组，设第g组非样板机数量为

各组出力比例系数的动态识别，设第g组非样板机在统计时间内的实际出力平均值序列为：

式中，

为k型号风机第g组第i台非样板机在统计时间内的实际出力序列；

设k型号风机样板机在统计时间内的实际出力平均值序列为：

式中，

为k型号下第i台样板机在统计时间内的实际出力序列；

则在统计时间内，

与

功率差率的平均值为：

式中，n为在统计时间内的采样点个数。

2.根据权利要求1所述的一种基于机组运行性能评估的风电场理论功率计算方法，其特征在于：所述异常数据识别具体包括：

空缺值的识别：设X＝{x₁,x₂,...,x_n}为风电机组在统计时间内的实际功率，若存在x_i满足：

则判断x_i存在数据丢失；

越限值的识别：若存在x_i满足下式关系，则判断x_i超出正常数值范围：

x_i＞x_h|x_i＜x₁ (2)

式中，x_h,x₁分别为正常数值范围上限和下限；

不刷新值的识别：若数据连续一段时间不刷新，则除去第一个数据点外均辨识为不刷新值；

畸变数据的识别：相邻风电机组的功率通常具有相似趋势，故基于相邻风电机组出力空间相关性，利用N个与风电机组A具有空间相关性的相邻风电机组的功率数据X_M＝{x_M1,x_M2,...,x_Mn}，M＝1,2,…,N，对观测风电机组的功率数据X_A＝{x_A1,x_A2,...,x_An}进行校验，识别异常数据，具体如下：

基于式(3)对功率进行归一化，得到观测风电机组的功率归一化数据X_A ^*＝{x_A1 ^*,x_A2 ^*,...,x_An ^*}和相邻风电机组的功率归一化数据X_M ^*＝{x_M1 ^*,x_M2 ^*,...,x_Mn ^*}，二者在每个采样点的差值为式；

e_Ai-Mi＝|x_Ai ^*-x_Mi ^*| (4)

风电机组A和M的功率差值和平均值分别为：

E_A-M＝{e_A1-M1,e_A2-M2,…,e_An-Mn} (5)

3.根据权利要求1所述的一种基于机组运行性能评估的风电场理论功率计算方法，其特征在于：所述异常数据重构具体包括：

单点异常：对于单点异常数据可以采用填充法对异常数据进行工程化重构，即选择一个经验常量或者按照某种规则对异常数据进行替换填充；常量填充：基于人工经验，对单点异常数据采用同一个指定的常量值进行填充；均值填充：可采用数据序列的均值或异常数据前后数据的均值对单点异常数据进行填充；

多点异常：对于多点异常，由于异常数据两侧均存在完好的实际运行数据，因此可以根据两侧实际运行数据，采用基于ARMA模型预测的重构方法对异常数据进行重构；

首先假设时段[t_m,t_n]为缺失数据时段，基于完好的风电机组运行数据

采用ARMA模型从两侧进行预测；

P_t＝β₁P_t-1+β₂P_t-2+…+β_pP_t-p+Z_t (7)

Z_t＝ε_t+λ₁ε_t-1+λ₂ε_t-2+…+λ₁ε_t-1 (8)

式中，β_i为自回归参数；λ_i为滑动平均参数；ε_i为预测误差；

其次对于第p步预测结果，如果预测误差小于误差阈值ε₀时，则认为该预测结果可信；通过对大量完好运行数据进行预测，确定数据序列预测的平均可信度γ_p：

式中，Count(·)为次数统计；E_p为数据序列预测误差；N为总次数；

最后计算加权重构值时刻k正向预测值

的预测时间长度为k-t_m+1，可接受率为

而反向预测值

的预测时间长度为t_n-k+1，可接受率为

因此，时刻k的最终重构结果为：

连续异常：随着异常数据时间尺度增加，对于基于ARMA模型预测的重构方法，其正确率将会显著降低，由于风电机组运行数据间存在一定的相关性，因此对于连续异常数据，可以采用基于序列时延相关性的重构方法对异常数据进行重构；

时延相关性，假设有两个时间序列X＝{x₁,x₂,…,x_n}和Y＝{y₁,y₂,…,y_n}，Y相对于X延迟l时刻的相关系数R(l)计算公式为：

式中，

l最大取值为n/2，当l从0变化到n/2时，得到R(0),R(1),…,R(n/2)；

基于新能源风电机组出力时延相关性的重构，假设缺失数据时间段为[t_m,t_n]，待重构风电机组为W₀，其余风电机组为W₁,W₂,…，取各风电机组在时段[t_m-t₀,t_m]内的出力数据，首先计算W₀与W₁在该时段内出力的最大时延相关点和相应的时延相关系数，若R(l₁')＝max(R(l₁'),R(l₂'),…)，则W₀与W₁相对应的最大时延相关点为l₁'，相应的时延相关系数为R(l₁')；之后再按此分别计算W₀与W₂,W₃…在该时段内出力的最大时延相关点和相应的时延相关系数；若有W₀与W₁的时延相关性系数最大，则利用W₁的出力曲线对W₀的历史运行数据进行重构，即W₀和W₁的出力关系可用线性回归拟合为：

式中，

和

分别为W₀和W₁在第t_m和t_m+l₁'时刻的出力值；a和b为待确定的系数，可用最小二乘法求得。

4.根据权利要求1所述的一种基于机组运行性能评估的风电场理论功率计算方法，其特征在于：所述风电场的理论功率计算如下：

利用样板机的实际出力，分别计算各组非样板机的理论发电功率，最终得到新能源电站在统计时间内理论发电功率的计算式：

式中，

为统计时间内新能源电站型号k所有机组改进后的理论功率；

为统计时间内新能源电站的理论功率；K为新能源电站机组的型号数量。

Images