CN114033631B - 一种风电机组风能利用系数在线辨识方法 - Google Patents
一种风电机组风能利用系数在线辨识方法 Download PDFInfo
- Publication number
- CN114033631B CN114033631B CN202111314387.4A CN202111314387A CN114033631B CN 114033631 B CN114033631 B CN 114033631B CN 202111314387 A CN202111314387 A CN 202111314387A CN 114033631 B CN114033631 B CN 114033631B
- Authority
- CN
- China
- Prior art keywords
- energy utilization
- wind
- wind energy
- outlier
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013450 outlier detection Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims description 32
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 17
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000004140 cleaning Methods 0.000 abstract 2
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组风能利用系数在线辨识方法。该方法基于风电机组数据采集与监视控制***记录数据集,选取相关变量进行风能利用系数的计算,结合不同变量相关关系进行异常数据剔除,并设计利用滑窗的离群点检测方法量化离群程度,对风能利用系数进行数据清洗,进而选取变量估计模型拟合风能利用系数与相关变量等效模型,从而实现风能利用系数在线辨识。在本发明风能利用系数在线辨识方法中,结合不同变量相关关系可以以更精确的规则进行异常运行数据剔除,利用滑窗的离群点检测方法能以不同辨识精度需求进行离群点剔除,使数据清洗具有灵活性;通过风能利用系数的在线辨识输出风电机组实时运行状态,具有较强的理论性与实用性。
Description
技术领域
本发明涉及一种风电机组风能利用系数在线辨识方法,基于风机运行数据设计灵活的数据预处理流程,并选取变量估计模型拟合风能利用系数与相关变量等效数学模型,从而进行风机风能利用系数参数在线软测量。
背景技术
随着全球污染以及传统化石能源日益匮乏,清洁能源的发展引起了广泛的关注,风能以其清洁无污染的优势得以迅速发展,风电产业也由此成为国内外大力发展的新型可再生能源产业之一。目前,我国的风机装机总容量已位于世界前列,但近几年风力发电市场的快速发展也导致了研发时期的准备不足,以及风机运行环境的复杂多变导致了风机故障率高,风机的运行维护费用居高不下。
为了减少运维成本,需要对风力发电机组的运行状态进行实时监测,在发现异常时能够及时采取有效措施,避免停机造成的严重损失。风电机组的发电性能通常使用风能利用系数表征,风能利用系数反映了风电机组对风能的利用效率,是机组性能优劣的重要标志。然而,风电机组的运行数据包含各种异常数据,无法直接用于风能利用系数的在线辨识,且由于风电机组运行状态多变,如何设计灵活的离群点检测方法,从而实现能满足不同辨识精度需求的风能利用系数在线辨识,进而对风机状态进行实时监测便成为重中之重。
发明内容
本发明目的在于通过设计灵活的风能利用系数数据预处理方法,拟合风能利用系数与相关变量的等效数学模型,在线实时获取风能利用系数数值从而对风电机组运行状态进行实时监测,提出一种风电机组风能利用系数在线辨识方法。该方法选取风电机组SCADA***所记录运行数据集,结合不同变量相关关系进行异常数据剔除,并设计灵活的离群点检测方法,为变量估计模型的训练提供精确的数据基础。该方法能够实时获取风能利用系数数值,进而对风电机组运行状态进行实时监测,具有实用价值;且有利于通过数据分析对潜在故障进行检测,方法应用的扩展性高。
本发明的目的通过以下的技术方案实现:一种风电机组风能利用系数在线辨识方法,该方法包括以下步骤:
1)选取待进行风能利用系数在线辨识的风电机组,获取该风机数据采集与监视控制(SCADA)***中所记录的运行数据,选取运行数据中与风能利用系数相关的变量,包括风速v、空气密度ρ、有功功率P、转速ω、桨距角β和偏航角θ,将以上变量记为数据集X,即X={v,ρ,P,ω,β,θ},并获取该风机自身参数,包括风轮半径R和功率转换效率η;
2)依据风电机组在不同风速下的控制策略,结合不同变量的相关关系筛选出非正常运行数据,对满足以下非正常运行判据的数据点进行剔除;
a)风速v<vcut-in的数据点,其中vcut-in为风机切入风速;
b)风速v>vcut-in,功率P<Pthres的数据点,其中Pthres为有功功率阈值;
c)风速vcut-in<v<vrated,桨距角|β|>βthres的数据点,其中vrated为额定风速,βthres为桨距角阈值;
d)风速vrated<v<vcut-out,功率P<Prated-Pthres的数据点,其中vcut-out为风机切出风速,Prated为额定功率;
e)风速v>vcut-out的数据点;
依据以上判据进行非正常运行数据剔除之后,计算风能利用系数Cp,计算公式为将风能利用系数数据计入数据集中,得到数据集X′={v,ρ,P,ω,β,θ,Cp};
3)基于数据集X′,选取风速变量与风能利用系数变量进行灵活的离群点检测算法设计,首先进行风速区间划分,风速区间长度设置为Iv,所划分风速区间个数为同时设置风速滑窗长度Wv为k1倍的风速区间长度,表示为Wv=k1·Iv,滑窗自风机切入风速vcut-in移动至风机切出风速vcut-out,在每个滑窗中,对风能利用系数进行升序排序,并采用四分位法进行离群点检测;之后进行风能利用系数区间划分,区间长度设置为/>所划分风能利用系数区间个数为/>其中/>为数据集中风能利用系数的最大值向上保留一位小数,同时设置风能利用系数滑窗长度/>为k2倍的风能利用系数区间长度,表示为/>滑窗自0移动至/>在每个滑窗中,对风速进行升序排序,并采用四分位法进行离群点检测;
4)对于每个区间内的每个数据点,能够在多个滑窗内进行检测,得到多个是否为离群点的检测结果,检测结果认定是离群点的次数与总检测次数比值作为该数据点的离群程度;
5)统计所有数据点的离群程度,并设置离群程度阈值h,离群程度大于阈值h的数据点判定为最终的离群点,并予以剔除,离群点剔除后得到数据集X″,通过离群程度阈值h设置实现灵活的离群点检测;
6)基于数据集X″,选取变量估计模型拟合风能利用系数与相关变量风速v、偏航角θ、叶尖速比λ、桨距角β的等效模型Cp(v,θ,λ,β),其中叶尖速比
7)在线应用时,通过SCADA***中实时获取及计算的风速、偏航角、叶尖速比以及桨距角等参数数值,基于步骤6)中训练完成的变量估计模型Cp(v,θ,λ,β),实时获取风电机组的风能利用系数,实现风能利用系数的在线软测量。
进一步地,所述步骤3)中,每个滑窗内所需升序排序的变量记为x,滑窗内数据点个数为NW,四分位法离群点检测过程为:
a)将所需划分变量划分为四个部分,三个分隔阈值为:
b)计算分位距离IQR,计算公式为:
IQR=Q3-Q1
c)设置本滑窗内离群点检测上下限为:
[xd,xu]=[Q1-IQR,Q3+IQR],
每个滑窗内所需排序变量x小于下限xd或大于上限xu的数据点,在本滑窗内检测结果判定为离群点。
进一步地,所述步骤4)中,进行风速区间划分时,在区间i∈[k1,Nv-k1+1]内的每个数据点进行k1次离群点检测,在区间i∈[1,k1-1]内的每个数据点进行i次检测,区间[Nv,Nv-k1+2]内数据点检测次数与区间[1,k1-1]对应相同;进行风能利用系数区间划分时,在区间j∈[k2,NCp-k2+1]内的每个数据点进行k2次离群点检测,在区间j∈[1,k2-1]内的每个数据点进行j次检测,区间[NCp,NCp-k2+2]内数据点检测次数与区间[1,k2-1]对应相同。
进一步地,所述步骤4)中,对于数据点d,在进行风速变量划分时,离群点检测的总次数记为Q1(d),检测结果中判定为是离群点的次数记为c1(d);在进行风能利用系数变量划分时,离群点检测的总次数记为Q2(d),检测结果中判定为是离群点的次数记为c2(d),则最终该数据点d的离群程度为
进一步地,所述步骤5)中,离群程度阈值h取值范围为h∈[0,1),取值越小,剔除数据越多,对风能利用系数曲线要求越严格,取值越大,剔除数据越少,对风能利用系数波动的容忍程度越高,通过对离群程度阈值h的设置实现灵活的离群点检测。
与现有技术相比,本发明具有以下创新优势及显著效果:
1)针对风电机组SCADA***所记录数据,结合不同变量的相关关系进行异常运行数据的剔除,相比于现有方法针对单变量进行阈值设置,并进行超限数据剔除的异常数据检测方法规则更加全面,从而保证更精确地检测异常运行数据;
2)设计灵活的离群点检测方法,通过滑窗技术,对每个数据点进行多次检测,并设计离群程度表征数据点归类为离群点的概率,避免了现有离群点检测方法对于每个数据点是否为离群点的0-1判断,从而能够满足不同的辨识精度需求,提供更加灵活的风能利用系数训练数据集;
3)本发明所设计的预处理流程所得数据集适用于各种变量估计模型,从而拟合风能利用系数与相关变量的等效数学模型,实现风能利用系数的在线软测量,并可扩展到状态监测与故障预警方面的研究中,具有较强的扩展性。
附图说明
图1是本发明的风电机组风能利用系数在线辨识方法流程图;
图2是本发明实施例中原始数据集风速-风能利用系数散点图;
图3是本发明异常运行数据剔除后的风速-风能利用系数散点图;
图4是本发明实施例中数据集的离群程度图;
图5是本发明所设计的离群点剔除后的风速-风能利用系数散点图;
图6是本发明预处理后风能利用系数图;
图7是本发明实施例所选变量估计模型的拟合结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
实施例
本实施例针对某风电场的某风力发电机组SCADA***在2016至2017年采集到的数据进行风机风能利用系数在线辨识,其中风力发电机SCADA***的数据采样间隔为5min,数据信息为期13个月,时间范围为2016.02.01 00:00:00至2017.02.28 23:55:00。数据集具体变量以及相关数据信息如表1所示:
表1某风电场某风机SCADA***数据集部分数据
数据序号 | 时间 | 桨距角 | 风速 | 有功功率 | 转速 |
1 | 2016-02-01 00:00:00 | 0 | 5.987 | 967 | 1639 |
2 | 2016-02-01 00:05:00 | 0 | 4.606 | 776 | 1508 |
… | … | … | … | … | … |
76101 | 2017-02-28 23:45:00 | 0.498 | 6.624 | 1218 | 1750 |
76102 | 2017-02-28 23:50:00 | 0.498 | 7.799 | 1354 | 1754 |
76103 | 2017-02-28 23:55:00 | 0.498 | 6.314 | 960 | 1707 |
… | … | … | … | … | … |
本实施例中风电机组风能利用系数在线辨识方法的实施数据集即为上述某风电机组13个月的运行数据,方法实施步骤具体如下:
1)选取待进行风能利用系数在线辨识的风电机组,获取该风机数据采集与监视控制(SCADA)***中所记录的运行数据,选取运行数据中与风能利用系数相关的变量,包括风速v、空气密度ρ、有功功率P、转速ω、桨距角β和偏航角θ,将以上变量记为数据集X,即X={v,ρ,P,ω,β,θ},并获取该风机自身参数,包括风轮半径R和功率转换效率η;本实例中,运行数据共8928条,该风电机组功率转换效率90%,风轮半径38.5m,采用标准空气密度ρ=1.225kg/m3;
2)依据风电机组在不同风速下的控制策略,结合不同变量的相关关系筛选出非正常运行数据并剔除,对满足以下非正常运行判据的数据点进行剔除;
a)风速v<vcut-in的数据点,其中vcut-in为风机切入风速;
b)风速v>vcut-in,功率P<Pthres的数据点,其中Pthres为有功功率阈值;
c)风速vcut-in<v<vrated,桨距角|β|>βthres的数据点,其中vrated为额定风速,βthres为桨距角阈值;
d)风速vrated<v<vcut-out,功率P<Prated-Pthres的数据点,其中vcut-out为风机切出风速,Prated为额定功率;
e)风速v>vcut-out的数据点;
在本实例中,额定功率Prated=1500kW,切入风速vcut-in=2m/s,额定风速vrated=14m/s,切出风速vcut-out=25m/s,有功功率阈值Pthres=10kW,桨距角阈值βthres=4°,依据以上判据进行非正常运行数据剔除之后,计算风能利用系数值Cp,计算公式为将风能利用系数数据计入数据集中,得到数据集X′={v,ρ,P,ω,β,θ,Cp},图2为异常运行数据剔除之前的原始数据集风速-风能利用系数散点图,图3为本步骤异常运行数据剔除之后的风速-风能利用系数散点图;
3)基于数据集X′,选取风速变量与风能利用系数变量进行灵活的离群点检测算法设计,首先进行风速区间划分,本实施例中风速区间长度设置为Iv=0.5m/s,所划分风速区间个数为同时设置风速滑窗长度Wv=k1·Iv,本实施例中k1=4,滑窗自风机切入风速vcut-in移动至风机切出风速vcut-out,在每个滑窗中,对风能利用系数进行升序排序,并采用四分位法进行离群点检测;之后进行风能利用系数区间划分,本实施例中区间长度设置为/>所划分风能利用系数区间个数为/>其中/>为数据集中风能利用系数的最大值向上保留一位小数(例如当数据集中风能利用系数的最大值为0.53时,取/>同时设置风能利用系数滑窗长度/>本实施例中k2=4,滑窗自0移动至/>在每个滑窗中,对风速进行升序排序,并采用四分位法进行离群点检测;每个滑窗内所需升序排序的变量记为x,滑窗内数据点个数为NW,四分位法离群点检测过程为:
a)将所需划分变量划分为四个部分,三个分隔阈值为:
b)计算分位距离IQR,计算公式为:
IQR=Q3-Q1
c)设置本滑窗内离群点检测上下限为:
[xd,xu]=[Q1-IQR,Q3+IQR],
每个滑窗内所需排序变量x小于下限xd或大于上限xu的数据点,在本滑窗内检测结果判定为离群点;
4)对于每个区间内的每个数据点,能够在多个滑窗内进行检测,得到多个是否为离群点的检测结果;进行风速区间划分时,在区间i∈[k1,Nv-k1+1]内的每个数据点进行k1次离群点检测,在区间i∈[1,k1-1]内的每个数据点进行i次检测,区间[Nv,Nv-k1+2]内数据点检测次数与区间[1,k1-1]对应相同;进行风能利用系数区间划分时,在区间内的每个数据点进行k2次离群点检测,在区间j∈[1,k2-1]内的每个数据点进行j次检测,区间/>内数据点检测次数与区间[1,k2-1]对应相同;检测结果中认定是离群点的次数与总检测次数比值作为该数据点的离群程度;
5)统计所有数据点的离群程度,对于数据点d,在进行风速变量划分时,离群点检测的总次数记为Q1(d),检测结果中判定为是离群点的次数记为c1(d);在进行风能利用系数变量划分时,离群点检测的总次数记为Q2(d),检测结果中判定为是离群点的次数记为c2(d),则最终该数据点d的离群程度为设置离群程度阈值h,离群程度大于阈值h的数据点判定为最终的离群点,并予以剔除,所有数据点的离群程度如图4所示,本实施例中离群程度阈值设置为h=0.5,离群点剔除后的风速-风能利用系数散点图如图5所示,离群程度阈值h取值范围为h∈[0,1),取值越小,剔除数据越多,对风能利用系数曲线要求越严格,取值越大,剔除数据越少,对风能利用系数波动的容忍程度越高,通过对离群程度阈值h的设置实现灵活的离群点检测,离群点剔除后得到数据集X″;
6)基于数据集X″,选取变量估计模型拟合风能利用系数与相关变量风速v、偏航角θ,叶尖速比λ、桨距角β的等效模型Cp(v,θ,λ,β),其中叶尖速比本实施例中选择梯度提升回归树GBRT作为变量估计模型,本发明预处理后风能利用系数如图6所示,变量估计模型的拟合结果如图7所示,拟合指标均方根误差RMSE=0.0337;
7)在线应用时,通过SCADA***中实时获取及计算的风速、偏航角、叶尖速比以及桨距角等参数数值,基于步骤6)中训练完成的变量估计模型Cp(v,θ,λ,β),实时获取风电机组的风能利用系数,实现风能利用系数的在线软测量。
本发明风电机组风能利用系数在线辨识,主要包括风能利用系数相关变量选取,异常运行数据剔除,离群点剔除,变量估计模型训练以及在线应用等环节。图1为本发明的风能利用系数在线辨识方法流程图,图2为本发明实施例中原始数据集风速-风能利用系数散点图,图3为本发明异常运行数据剔除后的风速-风能利用系数散点图,图4为本发明实施例中数据集的离群程度图,图5为本发明所设计的离群点剔除后的风速-风能利用系数散点图,图6为本发明预处理后风能利用系数图,图7是本发明实施例所选变量估计模型的拟合结果图,该结果显示,本发明得到的等效数学模型能较好地拟合风电机组风能利用系数,结果具有有效性与可靠性,能够用于后续风电机组的状态监测与故障检测。
以上所述仅是本发明的优选实施方式,虽然本发明已以较佳实施例披露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (5)
1.一种风电机组风能利用系数在线辨识方法,其特征在于,该方法包括以下步骤:
1)选取待进行风能利用系数在线辨识的风电机组,获取该风机SCADA***中所记录的运行数据,选取运行数据中与风能利用系数相关的变量,包括风速v、空气密度ρ、有功功率P、转速ω、桨距角β和偏航角θ,将以上变量记为数据集X,即X={v,ρ,P,ω,β,θ},并获取该风机自身参数,包括风轮半径R和功率转换效率η;
2)依据风电机组在不同风速下的控制策略,结合不同变量的相关关系筛选出非正常运行数据,对满足以下非正常运行判据的数据点进行剔除;
a)风速v<vcut-in的数据点,其中vcut-in为风机切入风速;
b)风速v>vcut-in,功率P<Pthres的数据点,其中Pthres为有功功率阈值;
c)风速vcut-in<v<vrated,桨距角|β|>βthres的数据点,其中vrated为额定风速,βthres为桨距角阈值;
d)风速vrated<v<vcut-out,功率P<Prated-Pthres的数据点,其中vcut-out为风机切出风速,Prated为额定功率;
e)风速v>vcut-out的数据点;
依据以上判据进行非正常运行数据剔除之后,计算风能利用系数Cp,计算公式为将风能利用系数数据计入数据集中,得到数据集X′={v,ρ,P,ω,β,θ,Cp};
3)基于数据集X′,选取风速变量与风能利用系数变量进行灵活的离群点检测算法设计,首先进行风速区间划分,风速区间长度设置为Iv,所划分风速区间个数为同时设置风速滑窗长度Wv为k1倍的风速区间长度,表示为Wv=k1·Iv,滑窗自风机切入风速vcut-in移动至风机切出风速vcut-out,在每个滑窗中,对风能利用系数进行升序排序,并采用四分位法进行离群点检测;之后进行风能利用系数区间划分,区间长度设置所划分风能利用系数区间个数为/>其中Cpmax为数据集中风能利用系数的最大值向上保留一位小数,同时设置风能利用系数滑窗长度/>为k2倍的风能利用系数区间长度,表示为/>滑窗自0移动至/>在每个滑窗中,对风速进行升序排序,并采用四分位法进行离群点检测;
4)对于每个区间内的每个数据点,能够在多个滑窗内进行检测,得到多个是否为离群点的检测结果,检测结果认定是离群点的次数与总检测次数比值作为该数据点的离群程度;
5)统计所有数据点的离群程度,并设置离群程度阈值h,离群程度大于阈值h的数据点判定为最终的离群点,并予以剔除,离群点剔除后得到数据集X″;
6)基于数据集X″,选取变量估计模型拟合风能利用系数与相关变量风速v、偏航角θ、叶尖速比λ、桨距角β的等效模型Cp(v,θ,λ,β),其中叶尖速比
7)在线应用时,通过SCADA***中实时获取及计算的风速、偏航角、叶尖速比以及桨距角参数数值,基于步骤6)中训练完成的变量估计模型Cp(v,θ,λ,β),实时获取风电机组的风能利用系数,实现风能利用系数的在线软测量。
2.根据权利要求1所述的一种风电机组风能利用系数在线辨识方法,其特征在于,所述步骤3)中,每个滑窗内所需升序排序的变量记为x,滑窗内数据点个数为NW,四分位法离群点检测过程为:
a)将所需划分变量划分为四个部分,三个分隔阈值为:
b)计算分位距离IQR,计算公式为:
IQR=Q3-Q1
c)设置本滑窗内离群点检测上下限为:
[xd,xu]=[Q1-IQR,Q3+IQR]
每个滑窗内所需排序变量x小于下限xd或大于上限xu的数据点,在本滑窗内检测结果判定为离群点。
3.根据权利要求1所述的一种风电机组风能利用系数在线辨识方法,其特征在于,所述步骤4)中,进行风速区间划分时,在区间i∈[k1,Nv-k1+1]内的每个数据点进行k1次离群点检测,在区间i∈[1,k1-1]内的每个数据点进行i次检测,区间[Nv,Nv-k1+2]内数据点检测次数与区间[1,k1-1]对应相同;进行风能利用系数区间划分时,在区间内的每个数据点进行k2次离群点检测,在区间j∈[1,k2-1]内的每个数据点进行j次检测,区间内数据点检测次数与区间[1,k2-1]对应相同。
4.根据权利要求1所述的一种风电机组风能利用系数在线辨识方法,其特征在于,所述步骤4)中,对于数据点d,在进行风速变量划分时,离群点检测的总次数记为Q1(d),检测结果中判定为是离群点的次数记为c1(d);在进行风能利用系数变量划分时,离群点检测的总次数记为Q2(d),检测结果中判定为是离群点的次数记为c2(d),则最终该数据点d的离群程度为
5.根据权利要求1所述的一种风电机组风能利用系数在线辨识方法,其特征在于,所述步骤5)中,离群程度阈值h取值范围为h∈[0,1),取值越小,剔除数据越多,对风能利用系数曲线要求越严格,取值越大,剔除数据越少,对风能利用系数波动的容忍程度越高,通过对离群程度阈值h的设置实现灵活的离群点检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314387.4A CN114033631B (zh) | 2021-11-08 | 2021-11-08 | 一种风电机组风能利用系数在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314387.4A CN114033631B (zh) | 2021-11-08 | 2021-11-08 | 一种风电机组风能利用系数在线辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114033631A CN114033631A (zh) | 2022-02-11 |
CN114033631B true CN114033631B (zh) | 2023-08-01 |
Family
ID=80143395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111314387.4A Active CN114033631B (zh) | 2021-11-08 | 2021-11-08 | 一种风电机组风能利用系数在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114033631B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101425016B1 (ko) * | 2012-09-18 | 2014-08-01 | 한국전력공사 | 풍력터빈의 파워커브 모니터링을 위한 파워커브 리미트 자동 산출 방법 |
CN106014858B (zh) * | 2016-07-21 | 2019-11-22 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
CN107330183B (zh) * | 2017-06-29 | 2020-04-17 | 华北电力大学 | 一种基于运行数据的风电利用率计算方法 |
CN108412710B (zh) * | 2018-01-30 | 2019-08-06 | 同济大学 | 一种风电机组风功率数据清洗方法 |
CN111275570A (zh) * | 2020-01-13 | 2020-06-12 | 浙江大学 | 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法 |
CN112032003B (zh) * | 2020-09-01 | 2021-08-17 | 浙江运达风电股份有限公司 | 一种大型风电机组运行性能监测方法 |
-
2021
- 2021-11-08 CN CN202111314387.4A patent/CN114033631B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114033631A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN108412710B (zh) | 一种风电机组风功率数据清洗方法 | |
CN114444382B (zh) | 基于机器学习算法的风电机组齿轮箱故障诊断分析方法 | |
CN111260503B (zh) | 一种基于聚类中心优化的风电机组功率曲线离群点检测方法 | |
CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
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 | |
CN107728059B (zh) | 一种变桨***状态评估方法 | |
CN108443088B (zh) | 一种基于累计概率分布的风电机组状态判定方法 | |
CN111275570A (zh) | 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法 | |
CN111814848B (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
CN114215706A (zh) | 一种风电机组叶片开裂故障预警方法和装置 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN113339207B (zh) | 一种风电机组主传动***的运行工况划分方法及*** | |
CN114033631B (zh) | 一种风电机组风能利用系数在线辨识方法 | |
CN117365869A (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
CN114169681B (zh) | 一种考虑时空离群点检测的风电机组功率曲线数据预处理方法 | |
CN110273818B (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
CN115271423A (zh) | 基于混合相似度的风力发电机组运行状态评估方法 | |
CN114237206A (zh) | 一种面向复杂运行工况的风电变桨***故障检测方法 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
CN114912807A (zh) | 一种风电机组技改后发电量提升效果评估方法和评估*** | |
CN115310746A (zh) | 一种风力发电机组主传动***状态评估方法及*** | |
Qiao et al. | Research on SCADA data preprocessing method of Wind Turbine | |
CN114065618A (zh) | 一种基于微分进化的参数模型拟合风机功率曲线的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |