一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置制造方法及图纸

本发明专利技术涉及一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置。本发明专利技术方法基于数据驱动，首先从风电机组正常运行的数据中提取出和风电机组理论功率曲线相关的特征，随后通过数据探索，依据不通数据分布，选用相应的数学解析式；进一步通过使用随机采样一致性，结合非线性最小二乘算法对数据进行自适应拟合来获得风电机组风速

【技术实现步骤摘要】
一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置


[0001]本专利技术涉及风电机组理论功率曲线分析领域，具体为一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置。

技术介绍

[0002]风力发电可将风能转化为电能，是人类利用风能这一清洁能源的主要手段。目前，风力发电在电力能源领域所占比例逐年提高。风力发电系统中，风电机组是核心设备，承担着将风能转化为电能的重要角色。随着风电机组服役时间增长，机组故障逐渐增多，尤其是机组大部件，例如叶轮、主轴承、齿轮箱、发电机等主要部件的故障不仅会造成机组的长时间停机，影响发电量，甚至会因大部件严重故障引发安全生产事故，如风机倒塔、叶片断裂等。
[0003]为解决上述问题，也为了进一步改进管理效率、增加精细化水平，增加运营效率、降低生产成本、增加经济效益，各风电企业均在积极探索并成立集控中心，实现智能化、远程化的风电生产运行模式。伴随着行业运维水平的提升，传统的故障诊断所带来的增益已逐渐封顶，风场运营的“降本增效”需要进一步明确损失的来源。
[0004]然而，由于风电机组自身技术差异以及地理环境不同，其风速
‑
理论功率曲线难以确定显式的数学解析式。此外，风功率曲线的拟合依赖于风速
‑
功率散点图，现有技术在对离散点拟合时会出现失真问题，导致无法获得预期的平滑的风功率曲线。即使预先对SCADA(Supervisory Control And Data Acquisition，即监视控制与数据采集)系统中的叶片角度、温度、转速等变量进行工况过滤，也会有适用范围限制，不能覆盖整个工况。因此，通过拟合理论功率曲线来合理衡量风电机组损失电量是进一步提升风场运维效率的关键。

技术实现思路

[0005]为了克服现有风电机组理论功率曲线解析式缺失、拟合困难、拟合结果受外界因素影响较大等问题，本专利技术提供一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置。
[0006]本专利技术的风电机组理论功率曲线识别，基于随机采样一致性对风速
‑
功率散点实现曲线拟合。该方法基于SCADA系统采集的风速、功率数据进行。通过风电机组已知的风速阈值、功率阈值，剔除原始数据中严重不符合实际情况的散点。然后，针对经过筛选的风速、功率数据，观测数据散点图内的分布，分别选用包括二次多项式、三次多项式、Sigmoid函数在内的多种函数作为解析式，应用基于随机采样一致性的非线性最小二乘拟合算法，迭代多次，计算得到风速对应的理论功率。对已得到的风速
‑
理论功率数据，将其按照风速数值大小等间隔分桶，计算每一分桶内的功率平均值，最终得到风电机组的理论功率曲线。
[0007]本专利技术解决其技术问题所采用的技术方案是：
[0008]一种基于随机采样一致性的风电机组理论功率曲线识别方法，包括以下步骤：
[0009]从原始SCADA数据集中选择风速、有功功率两个变量，形成原始数据集；
[0010]对于原始数据集，根据风电机组出厂设定的阈值进行数值筛选，以去除严重不符合实际情况的数据；
[0011]对于已筛选的数据集，绘制风速
‑
有功功率散点图，观测其数据形态与分布；
[0012]选择风速
‑
理论功率曲线的数学解析式，其中风速为自变量，功率为因变量；
[0013]采用随机采样一致性算法，基于选择的数学解析式对风速
‑
有功功率散点图中的数据进行拟合；
[0014]根据随机采样一致性算法输出的最优参数以及选择的数学解析式，确定明确的风速
‑
理论功率关系；
[0015]将风速代入至数学解析式内，得到每一个风速点对应的理论功率值；
[0016]将风速分桶，根据分桶结果进行分组，计算每一组别下风速以及理论功率的平均值，将根据风速以及理论功率的平均值得到的曲线作为风速
‑
理论功率曲线。
[0017]进一步地，所述阈值包括切入风速、切出风速、额定风速、额定功率。
[0018]进一步地，所述选择风速
‑
理论功率曲线的数学解析式，是分别选择二次多项式、三次多项式、Sigmoid函数作为风速
‑
理论功率曲线的数学解析式。
[0019]进一步地，采用随机采样一致性算法(RANSAC算法)，基于上述不同的数学解析式，按照如下步骤对风速
‑
有功功率散点图中的数据进行拟合：
[0020](1)设置初始参数，初始参数数量与数学解析式相关，如二次多项式则包含三个参数，三次多项式则包含四个参数，Sigmoid函数包含五个参数；
[0021](2)对数据集进行随机的划分，将数据集分为内点数据集与外点数据集两份；
[0022](3)设置随机采样一致性算法的超参数，包括：内点数量阈值、内点数量占比、最小允许误差、迭代次数；
[0023](4)选用内点数据集作为非线性最小二乘法的输入，拟合选定的任一数学解析式，根据拟合误差是否小于最小允许误差判断所选数据集是否为内点，并记录对应的参数结果作为最优参数，当前的内点数量作为最优内点数量；
[0024](5)每轮迭代后，对目前的参数和最优参数进行对比，若当前新一轮的内点数量大于最优内点数量，则更新内点数据集以及最优参数；
[0025](6)每轮迭代结束后，若满足条件(内点数量大于阈值或内点数量占比大于阈值)或达到迭代次数上限后，完成数据拟合，输出最优参数以及内点数据集。否则，循环重复步骤(4)和步骤(5)，直到满足条件或达到迭代次数上限。
[0026]进一步地，所述将风速分桶，是将风速的下限设置为0m/s，风速的上限设置为30m/s，间隔为0.5m/s。
[0027]一种基于随机采样一致性的风电机组理论功率曲线识别装置，其包括：
[0028]原始数据集获取模块，用于从原始SCADA数据集中选择风速、有功功率两个变量，形成原始数据集；
[0029]数值筛选模块，用于对于原始数据集，根据风电机组出厂设定的阈值进行数值筛选，以去除严重不符合实际情况的数据；
[0030]风速
‑
有功功率散点图绘制模块，用于对于已筛选的数据集，绘制风速
‑
有功功率散点图，观测其数据形态与分布；
[0031]数学解析式选择模块，用于选择风速
‑
理论功率曲线的数学解析式，其中风速为自变量，功率为因变量；
[0032]数据拟合模块，用于采用随机采样一致性算法，基于选择的数学解析式对风速
‑
有功功率散点图中的数据进行拟合；
[0033]风速
‑
理论功率关系确定模块，用于根据随机采样一致性算法输出的最优参数以及选择的数学解析式，确定明确的风速
‑
理论功率关系；
[0034]理论功率值获取模块，用于将风速代入至数学解析式内，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机采样一致性的风电机组理论功率曲线识别方法，其特征在于，包括以下步骤：从原始SCADA数据集中选择风速、有功功率两个变量，形成原始数据集；对于原始数据集，根据风电机组出厂设定的阈值进行数值筛选，以去除严重不符合实际情况的数据；对于已筛选的数据集，绘制风速
‑
有功功率散点图，观测其数据形态与分布；选择风速
‑
理论功率曲线的数学解析式，其中风速为自变量，功率为因变量；采用随机采样一致性算法，基于选择的数学解析式对风速
‑
有功功率散点图中的数据进行拟合；根据随机采样一致性算法输出的最优参数以及选择的数学解析式，确定明确的风速
‑
理论功率关系；将风速代入至数学解析式内，得到每一个风速点对应的理论功率值；将风速分桶，根据分桶结果进行分组，计算每一组别下风速以及理论功率的平均值，将根据风速以及理论功率的平均值得到的曲线作为风速
‑
理论功率曲线。2.根据权利要求1所述的方法，其特征在于，所述阈值包括切入风速V
cut
‑
in
、切出风速V
cut
‑
out
、额定风速V
rated
、额定功率P
rated
。3.根据权利要求2所述的方法，其特征在于，所述根据风电机组出厂设定的阈值进行数值筛选，包括：对于任意样本点，当实际风速V
实际
<V
cut
‑
in
且P
有功功率
>P
rated
时，删除该数据点；对于任意样本点，当V
实际
>V
cut
‑
out
时，删除该数据点；对于任意样本点，当V
实际
>V
cut
‑
in
，V
实际
<V
rated
，且P
有功功率
>P
rated
时，删除该数据点。4.根据权利要求1所述的方法，其特征在于，所述选择风速
‑
理论功率曲线的数学解析式，是分别选择二次多项式、三次多项式、Sigmoid函数作为风速
‑
理论功率曲线的数学解析式。5.根据权利要求1所述的方法，其特征在于，所述采用随机采样一致性算法，基于选择的数学解析式对风速
‑
有功功率散点图中的数据进行拟合，包括：(1)设置...

【专利技术属性】
技术研发人员：安鸯，闫相臣，钟晓刚，钱峰，
申请(专利权)人：中国软件与技术服务股份有限公司，
类型：发明
国别省市：