基于速度-关联约束的风电机组风速感知异常数据识别方法.pdfVIP

2023 年 4 月 电 工 技 术 学 报 Vol.38 No. 7 第 38 卷第 7 期 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Apr. 2023 DOI: 10.19595/ki.1000-6753.tces.211893 基于速度-关联约束的风电机组风速感知 异常数据识别方法 1 1 2,3 2,3 李 阳 沈小军 张扬帆 王 玙 （1. 同济大学电子与信息工程学院 上海 200092 2. 国网冀北电力有限公司电力科学研究院 北京 100045 3.风光储并网运行技术国家电网公司重点实验室 北京 100045 ） 摘要 该文以风速时空关联特性为理论依据，针对风速数据单独清洗构建一种基于速度-关联 约束的异常风速数据识别方法。分析了风电场典型异常风速的产生原因和分布特征，根据数据的 变化趋势，将异常风速概括为突变型异常数据和渐近型异常数据两类；为提升风速数据清洗方法 的准确性，提出一种基于二元形态分割算法的风速数据时序区间分割方法，将全局风速序列在时 序上划分为多段分布独立的局部风速子序列，分别对每段风速子序列构建速度-关联约束条件，实 现异常风速数据的识别。验证结果表明，所提方法能够有效识别风电场各类异常风速数据，清洗 效果好、效率高，具有普适性和鲁棒性。 关键词：风电机组 异常风速 数据清洗 二元形态分割 速度-关联约束 中图分类号：TK83 0 引言 [12] ，以及不同业务应用对异常数据的敏感性差异[13] ， 面向风电机组发电性能考核构建的数据清洗模型难 “双碳”背景下，风力发电以其清洁、可再生等 优点已成为我国能源战略的重要组成部分[1] 。由 以全面满足其他应用对数据质量的需求，以风速传 感器运行性能评估和健康管理为例，若以风功率曲 于目前风电机组在对运行数据采集、管理、分析和 线特性作为异常判据，某机组功率值为 1 000kW 的 挖掘等方面仍存在诸多不足，数据质量难以得到保 [2] [3] 点对应的正常风速区间为 5.5~9.1m/s ，区间宽度达 障 ，数据清洗已成为风电设备性能评估 、参数 [4] [5] 3.6m/s ，而对于风速传感器性能评估应用中，若单 预测 、控制策略制定 等多维数字化应用过程中 点测量值偏差达到 3.6m/s ，则已被定义为异常数据， 不可或缺的环节。 从而造成位于风功率曲线内部由于风速传感器性能 研究学者对有关风电场数据清洗的研究已开展 下降产生的弱故障风速数据被误认为是正常数据， 了大量的工作并取得了诸多成果，总结发现，现有 影响评估的准确性。鉴于不同应用服务对数据质量 的风电场数据清洗方法大多围绕风速-功率曲线特性 需求和异常数据的敏感度均不同，在构建风电场数 展开，分析不同类别异常数据在风功率曲线上分布 据清洗方法时，有必要综合考虑应用端对数据质量 的空间位置和形态特征开展数据清洗工作，例如： [6]