风电机组数据采集与监控系统异常数据识别方法

为了解决原始的风电机组数据采集与监控系统(SCADA)中包含大量异常记录的数据、难以准确反映机组运行状态的问题,提出了一种带噪声基于密度的空间聚类(DBSCAN)模型的风电机组SCADA异常数据识别方法。该方法从分析风速-功率曲线的特点出发,采用预测误差和分类准确度来选取关键聚类参数邻域半径和邻域最小样本点数,避免了人工确定聚类参数的主观性,且参数选择过程可以完全自动化,实现了风电机组SCADA异常数据的有效识别。通过某风场中风电机组的监测数据进行实例验证,结果表明：所提方法能够在保证异常数据被剔除的前提下,保留尽可能多的正常数据,异常识别效果好于现有的k-dist图法和基于k-平均最近邻算法的改进算法(KANN-DBSCAN)。该研究可为开展风电机组状态分析提供参考。     

风电场功率曲线异常数据的清洗与建模

风电场风速功率数据中通常包含大量异常数据,难以反映风机的真实工作情况,影响风电功率预测的准确性,进而造成一定的经济损失.针对该问题,分析异常数据的特征,提出滑差-四分位异常数据剔除方法,并利用高次多项式和Logistic函数对剔除后的数据进行风速-功率曲线建模,最后用和方差、均方根误差和确定系数验证该方法的适用性和有效性.实例分析表明,该方法简单高效、通用性强,可显著提高风电机组功率特性分析的准确度.     

生成对抗网络在风电功率预测中的应用

针对极端气象条件所产生的异常数据使得预测结果在极端气象情况下存在预测精度低和异常识别错误等问题,提出一种基于对抗生成式网络的风电功率预测方法.该方法基于联合分布KL散度,分析并明确正常数据与异常数据的联合分布,经过不同模式下的对抗训练,生成风电功率数据集,实现多种气象条件下风电功率预测.研究结果表明:本文所采用的对抗生成网络采用了ReLU激活函数,其预测误差具有更好的收敛性.结论证明多任务学习可适用于多种气象条件下的风电功率预测,并且在减少数据清洗的同时,提高风电功率的预测精度.     

基于数据的风功率特性评估平台设计及实验研究

随着风电装机容量的迅猛增长,对风电机组的功率特性评估需求越来越高。基于数据挖掘技术,结合IEC标准的评估方法,设计了风电机组功率特性评估实验平台。该实验平台既涵盖了常规的数据清洗、数据插补、环境因素修正、 Bin方法等常规评估手段,又包括了贝叶斯岭回归、决策树回归等专业功率曲线评估方法。通过系列实验结果表明,实验平台评估分析得出的风功率曲线特性、发电量情况与风电机组实际运行情况基本吻合。同时,该实验平台对开展风电机组健康评估和风速、功率预测等进一步研究具有重要指导作用。     

基于改进孤立森林算法的风电机组异常数据清洗

风电机组的风速、功率数据是衡量风电机组正常运行的关键参数,然而其中包含大量的异常数据,需要进行清洗。该文提出一种改进的孤立森林算法,先使用四分位法确定孤立森林正常数据评分与异常数据评分的分界线,再划分风速区间改变边缘数据的异常性,最后使用最小二乘法曲线拟合去误差去除小概率离散型和小概率堆积型异常数据的改进方法来对风速、功率的异常数据进行清洗。结果表明：与传统的孤立森林算法相比,改进的孤立森林算法能够正确界定正常数据评分与异常数据评分的分界线,可以去除堆积型异常数据,且对于数据主带边缘的离散型异常数据具有更好的清洗效果。     

基于数据特征提取和SSA-BiLSTM的短期风电功率预测

为提高风电功率预测的准确性，提出了一种基于数据特征提取和麻雀算法优化双向长短期记忆网络（sparrow search algorithm optimised bi-directional long and short-term memory network,SSA-BiLSTM）短期风电功率预测模型。首先根据皮尔逊相关系数（Pearson correlation coefficient,PCC）分析风电数据中各影响因素与风电功率之间的相关性，根据计算结果将功率无关的因素去除。然后，采用自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）将原始风电功率序列进行分解，得到一系列子序列分量。再将所有子序列输入麻雀算法（sparrow search algorithm,SSA）优化的双向长短期记忆（bi-directional long short-term memory,BiLSTM）模型中进行预测，根据所得预测值对风速序列进行修正。将修正所得的风速序列与风电功率...     

基于椭圆轨道模型的风电功率超短期预测

随着风电装机容量的持续增长,风力发电的间歇性和随机性对电网造成的不利影响越来越明显.因此,有效的风电功率预测是解决大规模风电并网的关键问题之一.文章提出一种椭圆轨道模型对风电功率进行超短期预测.首先,采用去趋势波动分析法对样本数据进行平滑处理,解决风电功率数据突变的问题;然后,应用椭圆轨道模型对风电功率进行超短期预测.采用湖南某风电厂实际运行的4组数据进行验证,实验结果表明:椭圆轨道模型的预测误差在可接受范围之内,为超短期风电功率预测提供了一种有效方法.     

基于风速与功率关系的风电机组 运行状态健康指标

风电机组状态识别对于风电机组安全可靠经济运行具有重要现实意义.从风电机组能量转换分析出发,提出和分析了4种基于风速与输出功率关系的风电机组运行状态健康指标的物理力学内涵和计算方法;然后,以2 MW风电机组SCADA数据为基础,对比分析4种健康指标的识别性能,结果表明:基于欧式距离的风电机组运行状态健康指标的识别性能最佳.这为风电机组实时在线运行状态识别提供了一种新途径.     

基于IVMD-CS-LSTM的超短期风电功率预测算法设计

功率预测对提高风电电能质量、减少风电并网时对电网的冲击起着重要作用.针对风电功率数据特征，提出一种基于改进变分模态分解（Improved Variational Mode Decomposition,IVMD）的长短期记忆神经网络（Long-Short Term Memory Network,LSTM）的风电功率预测算法，并利用布谷鸟（Cuckoo Search,CS）算法对LSTM进行超参数寻优.首先，通过相关性分析，对风电场10类数据进行特征筛选，确定与功率相关性最大的两类数据作为模型的输入数据.接着，利用IVMD计算最大包络线峰度，确定变分模态分解的最佳分解参数，将原始风速序列进行分解，得到时间尺度各异的本征模态分量（Intrinsic Mode Functions,IMF）.最后，针对LSTM神经网络模型的超参数优化困难、难以得到最优解等问题，提出采用CS算法对关键超参数进行寻优，建立了IVMD-CS-LSTM预测模型，得到了风电功率短期预测结果.采用实际风电场数据对算法进行测试，与常用预测算法比较，预测结果有更高的精度.     

基于统计分析和多支持向量机的风电功率坡度事件分类预测

为准确评估风电功率变化行为的影响,优化风电系统控制,提出了基于统计分析和多支持向量机的风电功率坡度事件分类预测方法.通过对风电功率坡度事件进行定义和分类,利用风电场的实际运行数据,对不同统计周期和不同方向的坡度事件幅度分布和时间段分布进行了统计分析,找到了功率坡度事件变化的内在规律.在此基础上,将二元支持向量机（Support Vector Machine,SVM) 拓展到多支持向量机 (Multiple Support Vector Machines,MSVMs),建立了对功率坡度事件类别的一步和多步预测.实验结果表明,所提方法具有较高的坡度事件预测精度和稳定性,可以对风电功率变化进行准确的风险预测,有利于风电系统的优化控制.     

基于广义回归神经网络的风电机组性能预测模型及状态预警

提出了一种基于广义回归神经网络（GRNN）的风力发电机组性能预测及异常状态预警方法。通过分析运行中影响风机主轴转速和发电功率的主要因素,确定了性能预测模型的输入和输出参数。运用SCADA系统的真实历史数据,采用广义回归神经网络（GRNN）建立了风电机组的性能预测模型,通过比较模型的预测精度对GRNN的平滑因子进行了优选。以此模型为基础,采用滑动数据窗方法实时计算风电机组转速和功率的残差评价指标,当评价指标连续超过预先设定的阈值时,则可判断风电机组状态异常。采用某实际风电机组若干历史故障发生前后的真实SCADA数据进行模拟,验证了方法的有效性。     

风电时序动态修正的实时调度计划研究

针对风电功率预测偏差影响电力系统发电计划准确性的问题,提出了一种超短期内风电时序动态修正的实时调度模型.该模型采用马尔科夫链时序预测方法,以5~15min为周期动态修正风电超短期预测功率的时间序列,并以煤耗增量最小和弃风最小为双重优化目标,同步修正风电场及常规机组的发电计划,最后将模型转化为凸二次规划及其拉格朗日对偶问题,并基于原-对偶内点法构建求解算法.通过对含风电场的10机组系统的仿真分析表明:所提模型在日内调度过程中进一步优化了系统的运行成本,同时提高了系统跟踪风电功率波动和消纳风电的能力,所采用的求解算法收敛迅速、鲁棒性强,可适应于实时调度的计算需要.     

基于VMD分解与MIC特征分析的风电功率组合预测

风力出电预测结果的准确性直接影响电力系统的调度安全,故提出一种基于变分模态分解(VMD)和最大信息系数(MIC)的风电功率组合预测方法.针对风力发电功率时间序列的随机性和波动性,利用VMD将原始风电功率序列分解为具有不同波动特性的模态分量;然后考虑气象信息与风电机组运行条件,采用MIC在考虑时间尺度后对各分量进行特征选...     

定桨距与变桨距两种风电机组在某地的功率曲线和发电量比较

在某地对定桨距及变浆距两种风电机组的功率曲线和发电量进行比较。变桨距风电机组的风能利用系数高,发电性能好,优越性比较明显。本文通过在某风电厂搜集了几十台风电机组的有关数据,重点对定桨距与变桨距两种风电机组的功率曲线和发电量进行了分析比较。     

基于滑动窗双边CUSUM算法的风电爬坡事件检测方法

随着新能源并网进程的推进,风电装机规模逐年扩大。受区域内天气变化影响,风机出力的间歇性和波动性特征对电网的威胁亦越发显著。极端天气所引发的风电出力异常爬坡事件,易导致电网功率失衡,对电力系统机组调度、源荷平衡造成了极大压力。合理的风电爬坡事件检测以及精准的风电功率预测能为风电场运维及电力系统调度提供先验指导,有力缓解风电不确定性带来的危害。首先讨论了目前主流风电爬坡事件定义的盲点,分类并分析了3种风电爬坡场景的功率变化特性,据此提出基于滑动窗双边累计和(cumulative sum, CUSUM)算法的风电爬坡事件检测方法,提取时序耦合信息,捕捉短时间窗口内风电功率数据的异常波动,提高风电爬坡事件检测精度。其次,采用贝叶斯优化的长短期记忆(long short term memory, LSTM)神经网络,最优化模型超参数,提高模型对于爬坡事件发生时风机出力的预测性能。进一步应用所提风电爬坡事件检测方法,对模型预测区间内的风电爬坡事件进行检测实验,验证了所提方法的有效性。     

基于指数平滑法的平抑风电功率波动储能控制策略

随着风电并网渗透率不断提高,风电并网的功率波动对电网产生的不利影响逐渐显现.本文将储能系统(ESS)用于抑制风电发电系统的功率波动性.同时考虑ESS荷电状态(SOC)和风电功率波动率的情况下设计了一种基于指数平滑法(ES)的平抑风电功率波动的储能控制策略方法.算例结果验证了该控制策略的正确性和有效性.     

风机功率曲线和功率保证值计算研究

本文介绍了一种利用风机实际运行数据,依据"IEC61400-12:功率特性测试",计算风机功率曲线和功率保证值的方法.本文采用了我国内蒙地区的实际风速、风况以及风机运行数据,采用bin方法对这些数据进行处理,整理出一套适合我国风电运营单位应用的风机功率曲线和功率保证值的考核方法.     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于CNN-LSTM和lightGBM组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用华北某风电场的风电数据集,以未来4小时风电功率为预测目标,验证了组合模型的有效性。预测结果表明,相较于其他三种单一模型,组合模型具有更高的预测精度。     

大规模风电并网条件下水电机组辅助AGC协调策略研究

随着风电渗透率增加,其不确定性带来的功率波动也将变大.由于常规火电机组的减少,此时系统中参与自动发电控制(AGC)的火电机组将没有充足的容量调节风电功率波动从而引起系统频率稳定问题.基于此,提出了协调因子的概念,利用水电机组辅助协调参与AGC的策略,从而协调更多优质调节资源进行协调控制,以抑制风电不确定性带来的影响.仿真算例表明,所提策略能适应现有调度控制框架,对风电功率波动有很好的协调控制效果.     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM和XGboost的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他四种单一预测模型,组合模型具有更高的预测精度。