基于运行数据的多维度风电机组运行状态辨识.pdfVIP

基于运行数据的多维度风电机组运行状态辨识

摘要：风电机组稳定运行是电力系统日常工作的一部分，针对当前大数据、信

息技术的提高，以运行数据为基础开展多维度风电机组运行状态辨识，能够为相

关工作提供有力依据。下面文章就对运行数据下风电机组运维状态辨识展开探讨。

关键词：运行数据；风电机组；机组运行；状态辨识

引言

随着大量的风电机组投入运行，由于风切变、塔影效应、风湍流和尾流效应

等，部分机组在运行期间发生了故障，很大程度上影响了风电场的经济效益。因

此，对风电机组进行实时的状态监测，及时准确的对异常风电机组进行维护变得

更为重要。

基于运行数据的多维度风电机组运行分析1

风力发电是目前最成熟、最具规模开发和商业化发展前景的可再生能源发电

方式之一，但风电特有的功率特性使其大规模集中接入,给电网调度运行带来显著

影响,海量风电数据采集带来的数据质量问题也亟待解决。一些风电资源丰富地区

电网调度机构采集的风电量测数量已经超过常规能源,但风电量测数据质量不高。

有效的数据是进行风电预测和调控管理的前提,为风电调度决策和统计分析提供基

础支撑。无效数据不仅影响调度人员对风电运行状态的判断,而且影响电网分析应

用的收敛性。当前普遍通过选取样板机的方式来判断风电场的总体情况,但是选取

的样板机数量占比小,难以反映风电场的实际情况,导致功率预测和分析计算结果

的精度不高,且样板机并不固定,会定期根据需要进行调整,因此有必要保证所有风

电机组数据的质量。目前电网调度自动化系统具备常规的数据采集和处理功能,但

是还缺乏有效的风电机组的实时数据质量检测方法。最常用的检测手段:一是从数

据通信的角度判别数据质量,如数据是否初始化、数据通道是否中断、数据是否长

时间不刷新等,这种方法不能从物理意义上判别测量数据的有效性;二是通过状态

估计软件对不良数据进行检测和辨识,但包含风电机组在内的电网模型维度极大,

程序难以收敛且执行效率较低。此外,调度主站人员与现场核对大规模风电集群每

个风机数据的正确性也是一项艰巨的任务。

数据质量及影响因2素

数据质量涉及数值大小、数据存储、数据使用和数据传输等几个方面,要求数

据必须准确地反映实际量测的大小,记录无重复或缺失,在需要的时间内有效,满足

已存在的约束条件,以及相互关联的数据在逻辑上一致等。影响数据质量的因素主

要有:场站端数据采集装置故障产生的数值错误、数据传输通道故障造成的数据缺

失或重复、主站系统故障造成的数据跳变和人为失误造成的数据错误等。电网运

行中的无效数据可以分为坏数据和可疑数据。坏数据主要是系统故障或数据采集

通道故障造成的错误数据,可疑数据是指违反相互之间关联关系的数据。

基于运行数据的多维度风电机组运行状态辨识方3法

性能3.1预测与健康状态评估

比较机组正常运行时和发生性能退化后某日构成的混合风功率曲线，利用主

成分分析法（PCA,principalcomponentanalysis）提取特征信息后发现，主元PC2

方向的数据分布特征发生了明显变化，由此通过判断性能变化前后数据分布的相

似性关系即可反映整机性能退化过程。由于风功率数据不服从某一特定分布，无

法直接计算测试数据与正常数据间的距离“”来反映样本偏差。因此，提取有效特

征、合理定义相似性度量指标是本算法的一个关键问题。针对通信故障、设备异

常、风机脱网、弃风限电、工况波动剧烈等原因造成的异常值，首先，通过分析

数据的物理规律进行人工初筛。其中，对于因电网运行调度要求而导致的功率波

动，并不代表机组性能发生退化，因此，依据桨距角控制机制筛除受电网运行机

制影响的数据。风电机组运行工况具有随机性和波动性，不同工况下数据所含性

能退化信息不同，因此，利用工况辨识提高小样本数据特征提取算法的精度。

风电机组状态监测分析3.2

偏度、峰度是统计学中度量随机变量密度曲线的统计量，主要用来描述数据

的分布状态。偏度是衡量频数分配不对称程度或偏斜程度的指标，峰度是衡量频

数分配的集中程度，即分布曲线的尖峭程度的指标。将一维偏度和峰度推广到多

维情形，即多元偏度和多元峰度，将功率特性的多元偏度和多元峰度应用到机组

的性能状态评估中，根据其偏离参考曲线的程度来判别风电机组运行性能。及时

通过实时状态监测数据，对风机状态进行评估，对故障风机或异常风机进行维护，

可有效降低和减少风机运行故障带