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IKLIEP-四分位模型的风电场异常数据识别算法

风电场功率数据中包含大量异常数据,难以反映风电场真实的风能情况,会影响风电功率预测的精度,从而影响电网决策。针对该问题,通过分析风电场异常数据特征,将其分为堆积型和分散型,并基于时间序列变点检测理论,将密度比是否为恒值作为剔除堆积型异常数据的判断准则,采用改进Kullback Leibler重要性估计程序(improved Kullback Leibler importance estimation program,IKLIEP)剔除堆积型异常数据;再采用四分位法剔除分散型异常数据。最后将所提方法应用于国内蒙西某130.5MW的风电场,实验结果表明所提方法能够更有效地识别并剔除异常数据,平均识别率提高了6.19%,误识别率降低了2.92%,验证了所提方法的有效性。     

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。     

风电场输出功率异常数据识别与重构方法研究

电力大数据是电力发展的重要资源,数据来源于电力生产和电能使用的各个环节。风电运行数据是电力大数据的重要组成部分,随着风电穿透功率的增大,风电数据的采集、处理、分析对风电场运行、控制与并网研究有重要意义。然而,从风电场收集到的大量数据中通常包含异常数据点,这样的异常点给风电功率波动特性、风电功率预测等方面研究带来负面影响。分析了风电场历史运行数据中存在的异常数据的主要来源,并针对该实际问题,采用基于四分位算法的数学模型对异常数据进行识别。在数据缺失的情况下,以可用历史数据为基础,采用基于临近风电场出力模式性的方法和多点三次样条插值方法重构出完整的时间序列。算例分析给出了两种重构方法的重构效果以及各自的适应性,结果表明采用所提出的方法能够有效识别、剔除异常数据并重构缺失数据,对不同风电场有较强的通用性,具有一定的工程实用价值。     

基于Copula理论的光伏功率高比例异常数据机器识别算法

目前很多在运光伏电站由于通信故障、设备异常、人为限电等问题导致功率实测数据含高比例异常数据,极大阻碍了电站性能分析和功率数据的深化应用。基于Copula函数建立了描述辐照度与光伏功率间相关关系的概率功率曲线模型,进而针对光伏实测数据分散度、随机性强,异常数据比例高的特点,结合工程经验归纳了三类典型异常数据特征并提出了相应的异常数据机器识别模型。利用实测光伏电站数据和人工生成数据集进行仿真分析表明,采用该异常数据机器识别模型能适应高比例异常数据条件,有效识别各种类型异常数据,具有比常规3-sigma识别法更好的适应性和识别率。     

基于四分位与CFSFDP的风电机组异常数据清洗方法

在分析风机功率曲线异常数据的类型及产生原因的基础上,将异常数据划分为堆积型和离散型;在进行简单的异常数据剔除后,分别利用四分位–快速密度峰值聚类、快速密度峰值聚类–四分位这2种不同的组合方法进行数据清洗。将取自数据采集与监视控制系统的4台风机历史运行数据用于实验验证,并采用数据剔除率以及相关性指标来判断异常数据的清洗效果。实验结果表明所提算法可行、有效。     

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...     

基于实测数据分析的大型风电场风电功率预测研究

针对风力发电具有波动性、间歇性的特点以及大容量风力发电接入电网对电力系统的安全、经济运行带来严重影响的问题,阐述了风电功率的预测方法,并在分析风电场实测数据基础上,应用混沌时间相空间理论建立了超短期风电功率预测一阶局域模型,对某风电场未来5 min、15 min、30 min内的风电功率进行预测.对预测结果进行了评价,...     

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。     

与风电场并网的变电站无功补偿的优化

针对风电场并网变电站电压波动较大的问题,通过对其产生的原因及影响因素进行分析,提出优化无功补偿的策略。结果表明:在风电场并网变电站装设动态无功补偿装置,可有效改善风电接入电网系统的电压质量,达到电压综合控制要求。     

风电场功率控制策略的研究*

风速的不稳定性和间歇性使得风电机组的输出功率具有随机性和波动性。随着风电场容量的急剧增加,导致电力系统的稳定性和电能质量受到严重影响。文中搭建了双馈风力发电机组的数学模型和控制模型,采用了磁链定向矢量控制技术和电压定向矢量控制技术,针对风电机组的功率调控能力进行了深入研究与分析,提出了双馈风力发电机组的有功和无功控制策略。仿真结果表明该控制策略是合理的、可行的。     

含风电场的电力系统最优潮流算法综述

风机出力的随机性,计算含风电的最优潮流算法应能够实时反应对系统潮流影响;计算速度快、收敛性更好、鲁棒性更强,精度高,算法要充分利用分布式处理和并行计算等现代计算机技术是改善算法性能提高效率的有效手段。     

风电场集电线路导线选型分析

风电场工程除关键的风资源分析、风机布置外,较为重要的设计内容就是场内的输变电工程设计。不同于一般的电网送电线路工程,风电场集电线路工程(等同于送电线路)是将各台风电机组所发的电量由联络线路组接后分送至场内升压站低压侧,经集中升压后通过接入系统线路与电网并网。由于风电场为分散式新能源工程,风机设备投资远比一般的发电电源项目昂贵。为节约工程的造价,有必要对风电场内采用架空线方式时的集电线路导线选型进行技术、经济分析,以提高风电场工程建设的合理性。     

含大规模风电集群电网的在线计算数据生成技术

风电机组大规模接入导致电网的稳定形态更加复杂,迫切需要通过在线安全分析提高电网的新能源消纳能力和运行效率。针对在线安全分析难以准确模拟风电场动态特性的问题,提出了一种含大规模风电集群电网的在线计算数据生成技术。首先,融合状态估计、SCADA和安控系统等多源实时数据辨识低电压网络的运行状态,形成包含风电集群的电网运行方式数据。其中,根据量测数据的时空关联校正模型,识别和校正未经过状态估计量测中的不良数据。然后,依次依据风电机组的静态特征信息和运行状态进行分群,采用基于层次分析的聚类方法确定风电场的动态等值模型。最后,通过实际电网的算例分析验证了所提出方法的有效性。     

含风电场的配电网无功优化策略研究

针对传统的配电网无功优化调节手段离散化、难以实现电压的连续调节等问题,研究了含风电场的配电网无功优化模型和算法,分析了双馈感应电机的无功发生能力,将风电场作为连续的无功调节手段参与配电网无功优化。并针对风电出力随机性的特点,用场景功率描述风电的随机出力,使之更具代表性。考虑了配电网的网损、电压偏差以及电压稳定性指标,建立了多目标无功优化模型。提出了基于量子粒子群算法(QPSO)的无功优化方法,该算法通过波函数描述粒子的状态,增加了种群的多样性,有效地避免了种群早熟等问题。用该算法对改进的IEEE33节点进     

基于局部极差变化率的风电功率波动定量刻画

针对目前风电功率波动性研究中缺乏对其时序演进特征定量刻画的问题,对风电场实测功率数据样本进行分析,提出一种基于局部极差变化率的风电功率持续波动状态的识别方法,提取风电若干个持续出力状态以描述风电功率的持续波动特征。以用来衡量局部极差变化率的幅值和相角为模型输入量,建立灰色多目标决策模型,通过兼顾幅值的变化和相角的变化以寻找模型次优解的方法挖掘出具有代表性的幅值和相角,进而定义表征波动的量即波动系数,并以此来量化风电功率在某一时间段内的波动。给出了使用波动系数修正现行风电场预测预报考核指标的方法。