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。     

基于边缘检测与方差变点的风功率数据清洗方法

风电场SCADA系统中存在大量异常监测数据,不利于风功率曲线的准确建模和风能预测等后续研究的开展.为此,根据负值点以及分散型、堆积型异常数据的分布特征,提出一种基于边缘检测与方差变点的风功率数据清洗方法.首先进行数据预清洗,以识别负值点;接着基于边缘检测识别曲线主体,以清洗分散型异常数据;然后通过方差变点分区间获得风速...     

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。     

风电场弃风异常数据簇的特征及处理方法

风电场的历史运行数据尤其是风速和风电功率数据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。在实际运行中,风电场的弃风现象较为严重,弃风会导致风速—功率散点图中存在大量横向分布的堆积型异常数据,这会对构造风电场的等值功率曲线产生较大的影响,从而降低风电功率预测精度,进而对风电场的运行管理和电力系统的运行调度造成不利影响。文中在分析风电场弃风异常数据特征的基础上,提出一种基于四分位法和聚类分析的异常数据组合筛选模型,首先采用两次四分位法剔除常规的分散型异常数据,再使用聚类法剔除堆积型异常数据,并采用二次聚类的思想来解决k-means聚类中k的取值问题。算例分析表明,该模型可有效剔除弃风造成的异常数据簇,对不同的风电机组和风电场有较强的通用性,具有一定的工程实用价值。     

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...     

基于方差变化率判据-四分位的风电场功率异常数据识别

风电场运行中产生了数量巨大的历史数据,而提升历史数据的质量是实现风电场高效智能运维的前提。为此,文中分析了风电场风功率数据的分布特征和形成机理,提出基于方差变化率判据-四分位法组合的风电场风功率异常数据识别方法。首先,利用物理规则对原始风功率曲线进行预处理,剔除明显异常的数据;然后,利用风功率方差变化率判据法识别并清洗风功率曲线的堆积型异常功率数据点,判据的阈值借助箱型图自动获取;同时,利用四分位法识别并清洗剩余的离散型异常数据点;最后,通过算例验证了所提算法的可行性。研究结果表明所提算法具有易实现、效率高和通用性强的优点,其异常识别效果优于局部离群因子(local outlier factor,LOF)算法和Thompson tau-四分位算法,其耗时比LOF和Thompson tau-四分位算法分别减少9.6 s和0.49 s,且在5个不同位置的风电场验证了所提算法的通用性。     

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.     

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。     

基于风特征分析的风电机组异常数据识别算法

对风电的研究往往要依托于历史功率数据,而风电机组采集到的历史数据中往往含有大量的异常数据,这严重影响了对风电功率规律特性的分析。针对风电机组的实测功率数据进行研究,分析风速升降特征与风向特征对风电机组输出功率的影响。将不同的风特征的数据分开讨论,分别利用Copula函数得到概率功率曲线,结合异常数据的时序特征归纳出三类异常数据,建立异常数据识别模型。利用风电机组的实际数据和人工生成数据进行仿真分析,结果表明,该方法能够高效地识别各类异常数据,对风电研究有着重要的意义。     

基于周期性最大功率点检测的风电机组功率备用控制方法

风电机组通常运行于最大功率输出模式,无法为受扰电网提供紧急功率支撑。稳态时预留部分出力可提高风电机组主动电网支撑能力,为此提出一种基于周期性最大功率点(MPP)检测的风电机组功率备用控制(PRC)方法。通过周期性执行最大功率点跟踪程序检测风电机组实时MPP,一旦检测到MPP即可确定PRC模式参考值并切换为直接功率控制。设置伪单调转速-机械功率曲线使风电机组稳定运行在超速功率备用点,并通过储能装置平抑MPP检测产生的峰值功率波动。仿真结果表明提出的控制方法在定风速和变风速情况下均可以准确控制检测风电机组MPP并实现PRC,并且使得风电机组一次调频效果优于传统PRC。     

风功率异常数据检测方法对比研究

风电机组风功率预测和功率曲线建模等工作的开展依赖于历史运行数据.然而,历史数据中积累了大量的异常数据,导致上述工作难以有效开展.国内外学者已经提出了多种异常数据检测方法,然而对不同方法的优缺点与适用场合还缺少整体认识.为此,本文对基于密度的聚类算法、局部离群因子算法、Thompson-tau四分位法和孤立森林四种常用的...     

基于置信等效边界模型的风功率数据清洗方法

针对风电运行数据中存在的大量异常数据,结合风机运行过程与数据不确定性统计提出了一种基于置信等效边界模型的风功率数据清洗方法。首先,基于风机运行机理及运行策略提出了风速、风轮转速和功率三维关联性关系,依照风速对异常数据进行分段精细化剔除;在此基础上,结合Copula理论分运行区间建立了风速条件下风机输出功率的条件概率分布,进而求得功率在一定置信度水平下的等效边界模型,可直接用于异常数据识别剔除,提高有效数据占比;然后,采用分段三次Hermite插值法重构缺失数据,得到完整风速、功率有效数据;最后,定义置信度带宽比等数据清洗质量评价指标,采用k折交叉验证置信等效边界模型性能。选取某型号风机实际运行数据进行实例分析,结果显示清洗后数据具有更高的置信度带宽比、更适中的偏度及更高的峰度,进而表明有效数据占比大大增加且分布更加集中,表明了所提方法的有效性和合理性。     

基于改进光滑样条的风电机组功率曲线建模方法

风功率曲线是风电机组的重要性能指标,准确高效地建立风功率曲线模型对风电场的运行管理具有重要意义。为此,在分析风功率曲线模型工程应用典型需求的基础上,提出了一种基于改进光滑样条的风功率曲线建模方法,并开展了案例验证。所提方法采用三次样条对风速-功率数据进行拟合,利用粗糙度惩罚对拟合函数的系数进行正则化,并通过交叉验证求取最优光滑参数,以实现风功率曲线平滑、高精度的建模。案例分析结果表明:提出的基于改进光滑样条的风功率曲线建模方法可以有效对风功率曲线进行拟合,具有准确度高、平滑度和普适性好的特点。研究成果可为风电机组风功率曲线建模提供参考。     

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     

基于误差聚类及时空性风电预测研究

为了提高风电功率的预测精度,针对风电数据间歇性与时空性的特点,以风力发电的历史数据为基础,首先对风速功率散点图的离散型异常数据采用四分位法进行识别和剔除,对弃风造成的堆积型异常数据采用K-means聚类算法进行处理;然后从时间、空间、时空对风电场自身及风电场之间的功率变化进行统计分析,引入相关系数、输出功率标准差、空间持续误差等指标,得到集群风电场功率变化规律及相关性;最后采用BP神经网络通过对数据进行多次的训练提高风电功率预测精度。     

考虑实际运行数据的风电场稳态建模

为建立准确的风电场稳态模型,该文分区域分析了风电机组的稳态运行特性,提出一种基于实测数据的三机等效风电场稳态建模方法。首先,分析了风电机组在4个不同运行区域的稳态输出特性;然后,根据风电场内各风电机组的实测风速,采用改进型最大树法将其分类,并建立各类机群的实际风速-功率特性曲线;最后,由风电机组各区域稳态输出特性建立各类机群的风速-功率分段函数关系。在此基础上,计算各类机群的等值风速,从而建立三机等效风电场稳态模型。仿真结果表明三机等效模型可有效提高风电场稳态建模的精度。     

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。