基于风速升降特性及支持向量机理论的异常数据重构算法

风电机组历史功率数据是进行风电研究的重要基础,而风电机组实际采集到的数据中存在大量的异常数据,这给风电功率预测研究带来许多不利影响。对历史数据的风速-功率对应关系进行研究,识别并剔除异常数据。分析风速升降变化对功率的影响,建立SVM数据重构模型。根据风速升降特性及强相关风电机组的出力特性对数据重构模型加以改进。以风电机组的实测数据为例进行仿真计算,结果表明所述方法能够对异常数据进行有效地识别和重构。     

基于混合Copula函数的风电机组异常识别方法

风电机组的功率曲线是衡量风电机组运行性能的重要指标,其中存在大量异常数据直接影响风电机组运行维护,研究功率曲线异常识别方法对提高风电机组运行稳定性具有重大意义.本文通过对功率曲线的特性分析,分三种工况建立了基于概率分布函数(Copula函数)的功率曲线异常数据识别模型及影响因素Kendall秩相关分析,从而确定了与功率...     

基于云分段最优熵算法的风电机组异常数据识别研究

风电场的历史运行数据尤其是风速和功率数据是研究风电功率波动特性、风电功率预测、风电功率曲线计算和测试的重要基础。但风电场实际采集到的数据中通常会出现大量异常数据,而这些异常数据是由各机组的异常数据构成,故对风电机组进行异常数据识别具有重要意义。该文以风电机组的风速–功率曲线为研究基础,提出了用于机组异常数据识别的云分段最优熵算法,该算法基于云模型的熵识别机组发电异常的数据集,对数据进行分离。结果表明,该算法可以有效地识别出机组异常数据,提高异常数据的正确识别率,保证数据的准确性。     

基于功率曲线的风电机组数据清洗算法

针对风电机组性能分析过程繁琐低效、数据清洗不彻底以及传统方法难以有效识别复杂多变的异常发电状态的问题,提出一种用于风电机组功率曲线分析的数据清洗算法。通过分析风电机组数据采集与监控(SCADA)系统采集的风速功率数据,优化数据处理规则与数据分析过程,提出最优组内方差清洗算法,检测机组发电性能异常的状态,降低对检测工具和数据维度的硬性要求。实例分析表明该方法实用、高效,在不增加硬件设备投资的前提下,能准确清洗风电机组功率曲线数据并识别出机组异常运行状态,显著提高了风电机组性能分析的准确性。     

基于INNER-DBSCAN和功率曲线模型的风机异常状态检测

针对目前风电机组异常运行状态无法快速检测问题,提出一种基于INNER-DBSCAN算法和功率曲线模型的数据驱动实时检测方法。该方法先利用贝茨理论和RC模型构造一个新的约束来进行数据预处理,剔除机组极端异常运行数据;再基于提出的区间DBSCAN算法对数据进行聚类,得到正常数据和异常数据;最后利用区间邻域最值对正常数据进行边缘识别,构造风电机组正常运行时的功率曲线模型,并通过模式图的上下临界值识别风机异常运行状态。利用8台风电机组SCADA数据进行实验,结果表明,该方法能有效实时检测风机异常运行状态。     

风电机组健康状态预测中异常数据在线清洗

风电机组数据采集与监视控制系统(SCADA)运行数据中含有大量异常数据,对风电机组健康状态预测影响严重,为此针对实测风速-功率、转速-功率数据,提出一种异常数据在线清洗方法.由于机组性能退化过程中数据特征趋于复杂,基于经验Copula-互信息(ECMI)选择关键特征参量作为数据清洗对象,并基于Copula建立置信等效功率区间描述其非线性与不确定性.针对置信边界外的堆积点和离群点,结合其时序特征与密度分布建立Copula数据清洗模型(Copula-TFDD),依次进行在线清洗.最后,基于实际数据与人工模拟数据分析模型的精度、运算效率以及对机组健康状态预测的影响表明,Copula-TFDD能准确并实时地识别各类异常数据,有效提升风电机组健康状态预测的性能.     

风电场风功率异常数据识别与清洗研究综述

风电场中风机停机、传感器故障等会造成风功率数据中包含有大量异常值，影响到风电场状态监测、功率预测等工作的正常开展。针对风电场风功率异常数据识别与清洗技术开展了综述研究。首先，概述了风力发电运行大数据现状，分析了风电机组与风电场的风功率数据的分布特征，并对比了两者的不同；然后，分析了基于统计、机器学习和图像处理的各类异常数据识别方法的优缺点，结合基于物理特性、统计学和机器学习等数据重构技术，讨论了实现数据清洗的方法及其优劣；再次，概述了风电场异常数据识别与清洗技术在状态监测和功率预测等领域的应用情况；最后，对风电场异常数据识别与清洗技术存在的挑战和发展趋势进行了展望。     

基于运行数据的风电机组建模方法

为了准确分析风电机组的动态特性,针对定速风电机组,给出一种基于运行数据的风电机组建模方法。利用数理统计方法分析了风电场中风电机组的运行数据,得出风电机组的实测功率曲线,并给出利用实测功率曲线搭建定速风电机组的建模方法。利用该方法对额定容量为750 kW的风电机组进行建模,并与风电场的实测数据和利用厂家提供的标准功率曲线搭建的风电机组模型以及常用风电机组建模方法进行了比较分析。仿真结果表明,基于实测运行数据的风电机组建模方法是有效和实用的,该模型能准确反映风电机组的实际运行特性,从而提高仿真模型的精确性。     

基于支持向量数据描述和XGBoost的风电机组异常工况预警研究

该文提出一种基于支持向量数据描述（SVDD）和XGBoost模型的风电机组异常工况预警方法。从机组监控与数据采集系统（SCADA）数据中选择与转速和发电功率密切相关的特征变量,利用SVDD算法对建模数据进行预处理,采用XGBoost建立风机正常性能预测模型。以所建预测模型为基础,构建时间滑动窗计算性能评价指标,并根据统计学的区间估计理论合理确定风机性能异常预警指标阈值。采用某风电场1.5MW风电机组SCADA系统记录的若干真实故障案例,开展异常工况预警仿真试验。结果表明：基于SVDD和XGBoost的风机异常工况预警方法,可以有效地清洗数据,及时识别风电机组异常状态,对于提高风电机组运行的安全性具有较好的工程实用意义。     

基于运行数据的风电机组建模方法

为了准确分析风电机组的动态特性,针对定速风电机组,给出一种基于运行数据的风电机组建模方法.利用数理统计方法分析了风电场中风电机组的运行数据,得出风电机组的实测功率曲线,并给出利用实测功率曲线搭建定速风电机组的建模方法.利用该方法对额定容量为750 kW的风电机组进行建模,并与风电场的实测数据和利用厂家提供的标准功率曲线搭建的风电机组模型以及常用风电机组建模方法进行了比较分析.仿真结果表明,基于实测运行数据的风电机组建模方法是有效和实用的,该模型能准确反映风电机组的实际运行特性,从而提高仿真模型的精确性.     

风电机组风速-功率异常运行数据特征及清洗方法

风功率曲线是考核风电机组发电性能的重要指标,对风电场的运行管理和电力系统的运行调度都具有重要意义。实际运行过程的设备故障及人为控制因素会导致风速-功率曲线中存在大量的异常数据,给风功率曲线的后续应用带来严重影响。本文在分析风电机组风速-功率异常运行数据特征的基础上,根据空间分布位置和形态将异常数据分为曲线底部、中部、上部堆积型异常数据和曲线周围分散型异常数据等四类,提出了基于变点分组法与四分位法组合的异常数据识别清洗方法及流程,与四分位-变点分组法以及局部离群因子算法的对比算例验证结果表明,提出的变点分组-四分位法可有效识别四种类型的异常数据,流程合理,清洗效果好,效率高,并具有较强的通用性。     

多变量风电机组功率曲线建模与监测研究

功率曲线能够反映风电机组的发电效率和运行状态,采用运行数据对其进行建模和监测能够及时发现机组运行异常和性能劣化。国际标准IEC61400-12-1中的比恩斯方法,仅将风速作为功率的影响因素且采用风速分区求风速功率平均值,建模精度较低。详细分析了影响风电机组风能捕获的因素,并将其作为功率曲线模型的输入变量。采用适合随机数据建模的Cholesky分解改进高斯过程方法建立多变量功率曲线模型,并进行了验证。引入序贯概率比检验方法,在监测阶段分析和捕捉模型预测功率残差的异常变化,并及时发出机组运行异常报警,然后通过机组自身数据纵向比对和不同机组之间数据横向比对,分析排查确定风电机组运行异常原因。以安徽某风电场1.5 MW实验机组为例,采用所提方法及时准确发现了由于风速计故障导致的机组发电性能异常,验证了所提方法的有效性。     

基于运行数据的风力发电机组功率特性分析

针对实际1.5 MW风电机组,通过获取反映机组运行性能的实测风速、功率等数据,采用Bin方法对数据进行处理后,获得风电机组的功率曲线,并将其推广到机组风能利用曲线的提取。通过计算得到了2台机组的实际运行功率曲线、风能利用曲线及其标准差值,对风电机组的运行性能进行了对比分析和评估     

双馈风电机组参与持续调频的双向功率约束及其影响

风电机组参与调频是解决高比例可再生能源电力系统调节能力不足的手段之一,双馈风电机组可通过转子超速预留部分功率而获得双向调频能力。风电机组的双向可调频功率受额定转速制约,本文根据风电机组的基本运行方程,推导了双馈风电机组转子超速时最大调节功率表达式,指出风电机组的双向可调频功率受功率预留系数和最大调节功率约束。分析风电机组参与持续调频时双向功率约束的影响,给出了风电机组可实现的调差系数域。以某风电场24h实测数据,在实际频率变化过程中仿真计算风电机组调频功率达到调差系数水平的程度,实证分析了功率预留系数对系统频率质量、风电机组调频功率、风功率利用情况的影响。研究结果表明评估风电机组参与持续调频的效果时必须考虑双向功率约束的影响。     

风电场有功功率聚合特性分析及控制策略优化

以内蒙古某风电场为研究对象,分析聚合风电机组数量及风电机组间功率相关性对风电聚合功率波动的影响,并根据风电场实际风速、机组位置与机组功率之间的关系,得出风电场机组间的功率相关性数据序列.通过不进行任何爬坡控制、风电机组按14％额定容量设定功率爬坡量以及考虑聚合特性的机组互补三种控制办法进行计算对比,表明本文提出的风电场...     

基于运行数据的风电机组间风速相关性统计分析

统计分析风电机组间的风速相关性对风电场的等值建模、风速/风功率预测及机组集群控制优化均具有指导意义。鉴于风电机组间的风速相关性研究工作开展较少,首先构建基于风电机组输出功率为索引的风电机组实际运行数据清洗方法与流程,然后基于Copula函数理论建立风电机组间风速相关性计算方法,最后基于张北地区某风电场风电机组运行数据进行案例应用分析。案例分析结果表明,提出的数据清洗整定方法可有效消除异常数据,提高风速相关性分析基础数据的质量;不同的时间尺度、风速、风向下的相同风电机组间的风速相关系数差异较大,案例中相同两台风电机组不同条件下风速运行数据相关性最大可达0.96,最小则降为0.55,风电机组间的风速相关系数表现出的时变性和差异性对基于风速相关性的风电场等值建模、风速/风功率预测精度影响较大。     

考虑运行状态相似性的风电机组数据异常检测方法

文中提出一种利用风电场内运行状态相似的风电机组数据采集与监控（SCADA）数据提升异常检测结果准确性的方法。首先,基于实际数据的分析结果,提出了风电机组运行状态的相似性比较原则,进而提出了基于互信息特征选择算法和迭代自组织数据分析聚类算法的运行状态相似性评估方法。然后,在考虑状态变量短时相依性的基础上,利用待检测风电机组的历史SCADA数据构建了基于支持向量机的确定性估计模型,利用相似风电机组的历史SCADA数据构建了基于核密度估计的组合概率估计模型。进一步,利用确定型估计模型和组合概率估计模型分别对目标变量的异常状态进行自检测和外部检测,通过2次检测结果的互相印证来提升异常检测结果的准确性和可靠性。最后,基于一个实际风电场内所有风电机组的SCADA数据和对比实验验证了所提方法的可行性和准确性。     

基于Thompson tau-四分位和多点插值的风电功率异常数据处理

针对传统风电机组风速-功率异常运行数据处理清洗时间长、模型复杂的问题,提出一种基于Thompson tau-四分位法和多点插值的异常数据处理算法。首先,对切入风速与切出风速间等于或小于零的异常功率数据点予以剔除,通过划分风速区间,采用Thompson tau-四分位法对异常运行数据进行分段精细化清洗,降低异常点辨识的模型复杂度;然后,通过四点插值细分算法对清洗后的异常数据进行重构,获得完整的风速-功率有效数据;最后,以风电机组实际风速-功率数据为算例进行对比分析。结果表明所述方法实现简单、效率更高,尤其在临近风电场数据缺失、异常、不可用情况下,所提出的重构方法能有效提高重构数据质量,且重构效果更优。     

基于实测数据的风电场风速-功率模型的研究

建立准确的风电场模型是风电接入系统相关研究的基础。首先通过对某双馈风电机组的标准功率特性曲线和实测风速-功率散点图进行对比,针对它们之间的差异问题,建立基于实测运行数据的风电机组风速-功率模型。其次,针对地形复杂、机组排列不规则的大型风电场风速差异性问题,利用K-means聚类算法对风电场内所有风电机组按实测风速数据进行聚类划分,建立了整个风电场的等效风速模型,进而给出了基于实测运行数据的风电场风速-功率模型。然后,以某实际风电场为例,对该风电场内的风电机组按风速进行K-means聚类划分,结果显示该划分结果与简单按地理位置的机群划分结果有明显差异。最后,对传统的风速-功率模型和所提出的风速-功率模型输出结果进行比较,结果证明所提出的模型相对于传统模型而言,准确性有了较大的提高。     

采用信息熵和组合模型的风电机组异常检测方法

充分利用现有数据采集与监控系统的数据是当前提高风电机组运行可靠性最迅速、有效的方式。首先根据风电场数据采集与监控数据,确定了风电机组状态参数和监测数据的风速范围;其次,建立了分别基于反向传播神经网络和最小二乘支持向量机的单项模型,分析了各单项模型的权重分布,并建立了较优的组合预测模型;最后,引入信息熵的概念对残差数据进行了处理,提出了风电机组状态参数的异常检测方法。验证结果表明,所提方法能准确检测出不同风电机组的发电机轴承温度异常,同时为风电机组的异常识别、故障预警奠定了基础,可为风电场工作人员制定维修策略提供参考信息,具有重要的工程价值。