一种基于风功率预测的风电机组风险度评估方法技术

本发明专利技术公开了一种基于风功率预测的风电机组风险度评估方法，包括如下步骤：对风电机组历史数据进行预处理；计及风速、风向、温度、湿度四种气象因素，建立随机森林预测模型，对风电机组输出功率进行预测；计算风电机组输出功率预测的绝对误差，用于描述风电机组风险度；采用无监督的模糊C均值聚类算法构建风电机组输出功率预测绝对误差的离群点模型，将相似度较高的风险度进行聚类，实现对风电机组风险度的明确划分。本发明专利技术考虑了风速、风向、温度、湿度四种气象因素对风电机组输出功率的影响，基于采用随机森林算法的风功率预测，实现了对风电机组运行风险度的描述和划分，能够有效地为风电机组运行中的异常状态提供判断依据。据。据。

【技术实现步骤摘要】
一种基于风功率预测的风电机组风险度评估方法


[0001]本专利技术属于风力发电运维领域，涉及一种风电机组运行风险度评估方法，具体涉及一种基于风功率预测的风电机组风险度评估方法。

技术介绍

[0002]随着近年来风电行业的不断发展，风电的运行维护已成为风电产业新的增长点，也成为风电行业研究的重点问题。及时准确感知风电机组的运行状态是优化风电场运行及维修策略的基础，发展风电机组运行状态监测和评估，将大大促进风电机组状态检修管理的实施，进而降低风电场整体运维成本，对保证风电机组安全经济运行有着重要的理论意义和应用价值。目前，风电机组状态评估主要方案之一是通过建立一定的评价指标体系，基于已有的故障数据记录来对风电机组运行状态进行评估。
[0003]然而上述方案中模型的建立具有不确定性，同时依赖大量高质量的历史故障数据，这就要求在缺乏故障数据支撑的场景下，也要能够开展风电机组运行状态评估。
[0004]所以，需要一个新的技术方案来解决这个问题。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的在缺乏故障数据支撑条件下进行风电机组运行状态评估的问题，提供一种基于风功率预测的风电机组风险度评估方法，其在风功率预测过程中考虑了多种气象因素，基于残差的思想开展风电机组运行状态评估，给出了以功率预测的绝对误差描述风险度的模型，给出了风电机组风险度的划分方法。
[0006]技术方案：为实现上述目的，本专利技术提供一种基于风功率预测的风电机组风险度评估方法，包括如下步骤：
[0007]S1：对风电机组历史数据进行预处理；
[0008]S2：计及风速、风向、温度、湿度四种气象因素，建立随机森林预测模型，对风电机组输出功率进行预测；
[0009]S3：计算风电机组输出功率预测的绝对误差，用于描述风电机组风险度；
[0010]S4：采用无监督的模糊C均值聚类算法构建风电机组输出功率预测绝对误差的离群点模型，将相似度较高的风险度进行聚类，实现对风电机组风险度的明确划分。
[0011]进一步地，所述步骤S2中以风速、风向、温度、湿度作为随机森林预测模型输入的选取依据为：
[0012]风电机组功率计算公式如下：
[0013][0014]式(1)中，v表示风速；ρ表示空气密度；C
p
表示风能利用系数；A表示风轮扫掠面积；C
p
和A均由风机自身型号决定。
[0015]由式(1)可知，风速和空气密度是影响风电机组输出功率的重要因素。此外，风向
对风功率影响也较大。对于空气密度，其计算公式为：
[0016][0017]式(2)中，t表示气温；P
f
表示空气的全压力；P
b
表示温度下的饱和水蒸气压；表示空气的相对湿度；空气密度是由气温、湿度以及气压决定。因此，气温、湿度和气压也是风电机组输出功率的影响因素。
[0018]进一步地，所述步骤S2中采用随机森林预测模型进行风电机组输出功率预测的过程为：
[0019]A1：选取部分风电数据作为训练数据集，对该训练集进行随机有放回采样，从中得到新的样本集；
[0020]A2：基于新的随机样本集进行回归树的训练，每个样本集对应一个回归树；
[0021]A3：不断重复步骤A2，生成N个回归树，形成随机森林；
[0022]A4：对N个回归树的输出做平均，得到最终的功率预测结果。
[0023]进一步地，所述步骤S3中风电机组风险度描述方法为：
[0024]将风电机组输出功率实际值与预测值的绝对误差的定义如式(3)所示：
[0025]d＝|P
r
‑
P
p
|
ꢀꢀꢀ
(3)
[0026]式中，P
r
表示风电机组输出功率实际值；P
p
表示风电机组输出功率预测值；d表示风电机组输出功率预测的绝对误差；
[0027]除风电机组运行出现异常状况外，预测的绝对误差还可能由模型本身的误差和随机扰动等引起，利用布尔变量定义异常状态A：
[0028][0029]式(4)中，d
t
‑1表示t
‑
1时刻的风电机组输出功率预测的绝对误差，d
t
表示t时刻的风电机组输出功率预测的绝对误差，d
t+1
表示t+1时刻的风电机组输出功率预测的绝对误差，ε表示预测模型的精度误差；
[0030]上式表明，若t时刻前后风电机组输出功率绝对误差均超出预测模型精度误差范围，则t时刻该风电机组的状态记为1，即为异常状态、存在风险；反之，若绝对误差均处于预测模型精度误差范围内，则该风电机组的状态记为0，即为正常状态、不存在风险。
[0031]上述过程仅能够判断风电机组的运行状态是否存在风险，但未能为风险严重程度进行直观的反映。因此，本专利技术对输出功率的绝对误差进行量化，以d作为异常状态的表征量，用于描述风电机组的风险严重程度；风电机组风险严重度S定义为：
[0032][0033]式中，d
t
‑1、d
t
、d
t+1
分别表示t
‑
1、t、t+1时刻的风电机组输出功率预测的绝对误差，表示预测模型精度误差；式(5)表明，当t时刻前后风电机组输出功率绝对误差均超出预测模型精度误差范围，则t时刻该风电机组为异常状态、存在风险，且d值越大则风险严重程度越高。
[0034]进一步地，所述步骤S4中采用模糊c均值聚类算法对风电机组风险度进行聚类划分，方法如下：
[0035]已知数据样本集X＝{x1,x2,
···
,x
n
}，n为样本数，FCM算法将其分成k个模糊簇，并求得每个簇的聚类中心，使如下的目标函数最小：
[0036][0037]式中，C
i
为模糊簇i的聚类中心；m为加权指数；u
ij
为第j个样本对于第i簇的隶属度；d
ij
为第j个样本与第i个聚类中心之间的欧几里得距离；
[0038]引入拉格朗日算子：
[0039][0040]对所有输入参量求导，使得式(7)取得最小值的必要条件为：
[0041][0042][0043]FCM算法实质就是求能够使目标函数最小的聚类中心和隶属度矩阵的过程，基于FCM算法的风电机组风险严重度聚类步骤如下：
[0044]B1：初始化隶属度矩阵U，设定迭代次数l＝0；
[0045]B2：计算风电机组风险度数据集S＝{S1,S2,
···
,S
n
}中所有样本的聚类中心C；
[0046]B3：更新隶属度矩阵U；
[0047]B4：对于给定判别精度Δ，计算，若||U
l+1
‑
U
l
||＜Δ，则停止迭代；否则，l＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于风功率预测的风电机组风险度评估方法，其特征在于，包括如下步骤：S1：对风电机组历史数据进行预处理；S2：计及风速、风向、温度、湿度四种气象因素，建立随机森林预测模型，对风电机组输出功率进行预测；S3：计算风电机组输出功率预测的绝对误差，用于描述风电机组风险度；S4：采用无监督的模糊C均值聚类算法构建风电机组输出功率预测绝对误差的离群点模型，将相似度较高的风险度进行聚类，实现对风电机组风险度的明确划分。2.根据权利要求1所述的一种基于风功率预测的风电机组风险度评估方法，其特征在于，所述步骤S2中以风速、风向、温度、湿度作为随机森林预测模型输入的选取依据为：风电机组功率计算公式如下：式(1)中，v表示风速；ρ表示空气密度；C
p
表示风能利用系数；A表示风轮扫掠面积；C
p
和A均由风机自身型号决定。对于空气密度，其计算公式为：式(2)中，t表示气温；P
f
表示空气的全压力；P
b
表示温度下的饱和水蒸气压；表示空气的相对湿度；空气密度是由气温、湿度以及气压决定。3.根据权利要求1所述的一种基于风功率预测的风电机组风险度评估方法，其特征在于，所述步骤S2中采用随机森林预测模型进行风电机组输出功率预测的过程为：A1：选取部分风电数据作为训练数据集，对该训练集进行随机有放回采样，从中得到新的样本集；A2：基于新的随机样本集进行回归树的训练，每个样本集对应一个回归树；A3：不断重复步骤A2，生成N个回归树，形成随机森林；A4：对N个回归树的输出做平均，得到最终的功率预测结果。4.根据权利要求1所述的一种基于风功率预测的风电机组风险度评估方法，其特征在于，所述步骤S3中风电机组风险度描述方法为：将风电机组输出功率实际值与预测值的绝对误差的定义如式(3)所示：d＝|P
r
‑
P
p
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，P
r
表示风电机组输出功率实际值；P
p
表示风电机组输出功率预测值；d表示风电机组输出功率预测的绝对误差；利用布尔变量定义异常状态A：式(4)中，d
t
‑1表示t
‑
1时刻的风电机组输出功率预测的绝对误差，d
t
表示t时刻的风电机组输出功率预测的绝对误差，d
t+1
表示t+1时刻的风电机组输出功率预测的绝对误差，ε表示预测模型的精度误差；上式表明，若t时刻前后风电...

【专利技术属性】
技术研发人员：傅质馨，孙宁新，朱俊澎，袁越，
申请(专利权)人：河海大学，
类型：发明
国别省市：