一种基于DBSCAN的风电机组运行状态识别方法技术

本发明专利技术公开了一种基于DBSCAN的风电机组运行状态识别方法，该方法包括以下步骤,步骤1：采集风电机组运行数据和风电机组的基本参数；步骤2：机组运行数据归一化处理；步骤3：根据风速、功率数据筛选运行数据中的停机数据；步骤4：将步骤2归一化处理得到的风速、功率、桨距角数据作为DBSCAN模型的输入数据，并对DBSCAN聚类的模型参数进行优化；步骤5：根据步骤3和步骤4的数据分类结果，得到风电机组的运行状态识别结果。

A method for identifying the running state of wind turbines based on DBSCAN

The invention discloses a DBSCAN wind turbine running state recognition method based on the method comprises the following steps: Step 1: basic parameters of wind turbine operation data and wind turbines; step 2: unit operation data normalization; step 3: according to the data of wind speed, power down data screening in the operating data; step 4: Step 2 normalized to obtain power, wind speed, pitch angle data as input data of DBSCAN model, and the parameters of DBSCAN model clustering optimization; step 5: according to steps 3 and 4 of the data classification result, get the running state recognition results of wind turbine.

【技术实现步骤摘要】
一种基于DBSCAN的风电机组运行状态识别方法
本专利技术属于风力发电
，涉及风电机组运行状态识别方法，特别涉及一种基于DBSCAN的风电机组运行状态识别方法。
技术介绍
风电机组运行环境复杂、运行工况多样，从大量、多维、复杂的风电场运行历史数据中识别正常运行数据、限功率运行数据、故障停机数据和其他异常原因造成的欠功率运行数据，对风电机组理论发电量的计算、故障诊断、风电功率预测的准确性等具有重要意义。现有的风电机组运行状态识别方法，主要集中在对风电机组弃风数据的识别上，包括利用粘滞区间法剔除弃风数据、四分位和K-means聚类算法结合的弃风数据识别方法等。但此类方法在识别过程中人为设定数据区间，忽略了数据本身的分布特征，识别结果受到人为设定区间的影响，无法根据机组出力情况对实际的运行状态进行区分，风电机组运行数据分类单一化、运行状态识别不准确。
技术实现思路
本专利技术的目的是解决现有技术中对风电机组运行数据分类单一化、运行状态识别不准确的问题。提出一种基于DBSCAN的风电机组运行状态识别方法，根据机组运行数据自身特征，对机组运行状态识别分类。有利于提高风电机组功率预测、风电机组功率曲线建模、理论发电量计算、机组电量损失评估的准确性，并且为风电机组故障诊断提供数据支持。本专利技术的技术方案是：一种基于DBSCAN的风电机组运行状态识别方法，包括以下步骤：步骤1：采集风电机组运行数据和风电机组的基本参数。其中运行数据包括风速、功率、桨距角；基本参数包括风电机组的切入风速、额定风速、额定功率等。步骤2：机组运行数据归一化处理。其中式中x*——归一化处理后的数据；x——原始数据；max——待处理数据的最大值；min——待处理数据的最小值。其中，针对风速、功率、桨距角的最大最小值设定见表1。表1归一化参数选择步骤3：根据风速、功率数据,筛选运行数据中的停机数据。若风速v和功率p满足：vin＜v＜vout且p＝0时，将其判定为停机数据。步骤4：将归一化处理得到的风速、功率、桨距角数据(除已确定为停机的数据)作为DBSCAN模型的输入数据，并对DBSCAN聚类的模型参数进行优化。DBSCAN聚类算法使用Eps邻域半径和MinPts来控制簇的生成，直接影响聚类效果。通过调整Eps和MinPts邻域包含的最小数目，识别原始数据集中的内在特征与类别。步骤5：根据步骤3和步骤4的数据分类结果，得到风电机组的运行状态识别结果。根据数据的分布特征，识别得到不同状态下的运行数据。可将其分为正常运行数据、限功率运行数据、停机数据、其他非正常运行数据等。其中采用DBSCAN聚类模型得到的分组中，限功率运行数据会受到实际中限功率程度不同分为几类，可将其归为一类作为限功率运行数据。专利技术的效果本专利技术采用了基于密度的聚类模型(DBSCAN)对风电机组运行状态进行识别，DBSCAN模型根据输入数据的分布特征将机组不同运行状态下的数据进行分类，得到正常运行状态、限功率运行状态、停机状态、其他非正常运行状态下的数据集。该方法可将风电机组不同运行状态下数据(正常运行数据、限功率数据、停机数据、非正常运行数据等)进行区分,有利于准确筛选风电机组功率预测的训练样本，有利于提高风电机组功率曲线建模、机组电量损失评估的准确性，并且该方法得到的非正常运行状态数据有利于风电机组健康管理和故障诊断。附图说明图1为本专利技术基于DBSCAN的风电机组运行状态识别方法的流程图。图2为本专利技术具体实施例的原始数据功率-桨距角散点图。图3为本专利技术具体实施例中识别得到的正常运行状态下风速-功率散点图。图4为本专利技术具体实施例中的功率-桨距角数据聚类结果。图5为本专利技术具体实施例的风速-功率数据聚类结果。具体实施方式以北方地区某风电场为例，全场共有24台2MW机组，弃风现象较为严重。任意选择其中一台风电机组，提取2013年3月15日到2013年5月26日的运行数据进行算例分析。步骤1：采集风电机组运行数据和风电机组的基本参数。其中运行数据包括风速、功率、桨距角；风电机组的切入风速为3.5m/s、额定风速为12m/s、额定功率为2MW。步骤2：机组运行数据归一化处理。数据主要包括SCADA系统采集的风速、功率、桨距角等信息，数据间隔为10分钟。其中式中x*——归一化处理后的数据；x——原始数据；max——待处理数据的最大值；min——待处理数据的最小值。其中，针对风速、功率、桨距角的最大最小值设定见表2。表2归一化参数选择步骤3:根据风速、功率数据筛选运行数据中的停机数据。若风速v和功率p满足：3.5m/s<v<25m/s且p＝0时，将其判定为停机数据。步骤4：将归一化得到的风速、功率、桨距角数据(除已确定为停机的数据)作为DBSCAN模型的输入数据，并对DBSCAN聚类的模型参数进行优化。(1)确定Eps邻域半径。首先根据数据的实际分布情况、数据量进行调试选择。若Eps过小，将导致模型效率低，聚类结果过于分散，可能将大量正常运行数据分类为多个数据量较小的簇，而本应该同属于一类的数据被误识别为异常数据；若Eps过大，则对异常数据的识别能力降低。注意：当Eps取值小于0.01时，需要综合考虑归一化后数据的分辨率，如：数据的间隔距离等；选定的Eps应能保证模型在效率和准确性方面得到较好的平衡。(2)确定MinPts数值。MinPts取值过大会导致核心点数量减少，使包含对象数量较少的自然簇被丢弃；若MinPts过小则无法起到识别“噪点”的目的。采用遍历平面网格结点处Eps和MinPts数据的组合(根据数据量及分布情况，Eps取值为0-0.1；MinPts取值为1-10)，统计正常运行数据簇的数据量k和分类个数m，通过观察k和m值对MinPts的敏感性，确定参数Eps和MinPts数值的可选范围，并进一步将该区域网格细化，最终选择到最合适的Eps-MinPts数值的组合。步骤5：根据步骤3和步骤4的数据分类结果，得到风电机组不同运行状态下的数据分组。图2为该时间段内功率-桨距角分布图，由图可以看出，原始数据中桨距角大部分都分布5°以下；但在此桨距角范围之外，功率值呈现出两个分布范围(分别是功率值在300kW附近和500kW附近)，此时桨距角数据多分布在0-20°的范围内。在功率值达到额定功率附近时，图中出现了功率值为2000kW和2100kW两个数据带，该情况可能是由于控制策略的不同造成输出功率的差异。采用DBSCAN聚类算法对功率-桨距角进行聚类分析，图3为该方法识别出的核心点数据在风速-功率图中的表示，图4为聚类分析结果。图4中显示功率-桨距角数据集明显被划分为了五个主要部分：正常运行数据、三个不同程度的限功率数据、故障停机数据。图5为该聚类结果在风速-功率散点图中的展示。图中所示，大部分数据都集中于功率曲线附近(黑色)，识别为正常运行工况；限功率数据主要分为三个部分，在风速-功率散点图中均呈横向排布(紫色、绿色、浅蓝色)，本算例中限电主要将机组出力限定在100kW-500kW区域。此外，图5中还有部分由于故障停机导致出力为零的数据落在横坐标上，利用故障时间来帮助区分工况类型，并评判机组的可靠性。除了识别出的主要运行工况外，DBSCAN将散落无规则分布的数据当做噪点识别本文档来自技高网...

【技术保护点】
一种基于DBSCAN的风电机组运行状态识别方法，其特征在于，包括以下步骤：步骤1：采集风电机组运行数据和风电机组的基本参数；步骤2：机组运行数据归一化处理；步骤3：根据风速、功率数据筛选运行数据中的停机数据；步骤4：将步骤2归一化处理得到的风速、功率、桨距角数据作为DBSCAN模型的输入数据，并对DBSCAN聚类的模型参数进行优化；步骤5：根据步骤3和步骤4的数据分类结果，得到风电机组的运行状态识别结果。

【技术特征摘要】
1.一种基于DBSCAN的风电机组运行状态识别方法，其特征在于，包括以下步骤：步骤1：采集风电机组运行数据和风电机组的基本参数；步骤2：机组运行数据归一化处理；步骤3：根据风速、功率数据筛选运行数据中的停机数据；步骤4：将步骤2归一化处理得到的风速、功率、桨距角数据作为DBSCAN模型的输入数据，并对DBSCAN聚类的模型参数进行优化；步骤5：根据步骤3和步骤4的数据分类结果，得到风电机组的运行状态识别结果。2.根据权利要求1所述方法，其特征在于，步骤1所述运行数据包括风速、功率、桨距角；所述基本参数包括风电机组的切入风速、额定风速、额定功率。3.根据权利要求1所述方法，其特征在于...

【专利技术属性】
技术研发人员：韩爽，延平，张浩，刘永前，阎洁，曲烔辉，李莉，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11