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。
1基于运行数据的多维度风电机组运行分析
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。
2数据质量及影响因素
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。
3基于运行数据的多维度风电机组运行状态辨识方法
3.1性能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,principal component analysis）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。
期刊文章分类查询,尽在期刊图书馆
3.2风电机组状态监测分析
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来的损失。大数据技术下实时状态监测的实现：1)配置kafka消息中间件来获取SCADA系统状态监测流数据，并将其作为Storm拓扑结构中Spout的数据来源。2)在Storm的拓扑结构中，对所需数据进行筛选、构建其实际功率曲线，并计算其多元峰度和多元偏度。将其与对应风机的峰度偏度参考点进行对比，根据其偏离程度，将风机状态分为正常、异常、故障。最后将计算结果存放到HDFS中。3)由Sqoop连接器将HDFS中的风机状态数据导出到SCADA系统关系数据库中，由SCADA系统读取相应的文件，根据其状态分类进行故障报警。
3.3基于状态曲线的运行工况分析
风力发电机组是利用叶轮从风中获取能量通过传动系统带动发电机发电，从而产生电能。目前并网运行的风力发电机组均采用变速恒频的方式，能够最大限度地吸收风能，提高机组的利用效率，该机组在整个运行过程中包括空载、并网、最大风能捕获、恒转速运行和恒功率运行几个阶段。由于风速的随机性，风电机组的运行状态在最大功率追踪、恒转速控制和恒功率控制、停机和启动几个阶段之间切换。为了加强识别的精度，应根据不同阶段的特点确定对应转速-功率、转速-桨距角的偏离阈值。利用状态曲线进行机组的异常情况监测时能够知道异常发生的机理和过程。对不同的运行工况分别建立评价阈值，可提高运行状态异常识别的精度。
4数据判断的方法和依据
第一，基于质量码的判断,当某量测质量码存在问题或数值长期不发生变化时,该量测为无效量测。这是电网调度自动化系统最基本的数据质量判据。第二，基于多源数据的判断,当某个量测具有多数据源,且各数据源数值偏差较大时,则该量测数据无效。当优先级最高的数据源出现质量码问题时,系统自动切换数据源。第三，基于网络拓扑的判断,当网络拓扑分析结果显示设备状态与运行参数存在矛盾时,则设备间连接关系或相关参数存在错误。第四，基于电气设备物理模型的判断,该方法主要通过状态估计软件实现。目前国内电网220kV以上量测的合格率已达99%以上,但是包括风电机组在内的低电压等级的数据质量还无法与之相比。对于具有特定属性的量测,常采用以下方法:第一，基于线路首末端量测偏差的判断,当某线路首端和末端分别采集的量测绝对值偏差大大超出线路损耗时,说明该线路的某端量测存在问题。第二，基于设备容量约束的判断,当风电场(或风机)出力严重超出其装机容量(或额定容量)时,该出力量测无效。第三，基于电气功率平衡的判断,当电气系统(场站、母线、变压器等)输入功率和输出功率严重不平衡时,相关量测无效。
结语
综上所述，基于运行数据多维度风机运行状态辨识方法，可有效解决在风电场监控数据缺失风机运行状态的问题；通过对机组进行准确的状态分类，并由此产生机组工况识别的标准训练集，通过对标准训练样本的学习，实现对未知数据样本进行诊断和预警，为风电场的经济安全运行和优化控制策略提供技术支撑。
参考文献
[1]郭鹏,姜漫利,李航涛.基于运行数据和高斯过程回归的风电机组发电性能分析与监测[J].电力自动化设备,2016,36(8):10-15,25.
[2]周湶,徐清鹏,李剑,等.融合集对分析和证据理论的风电机组运行状态评估[J].电力自动化设备,2017,37(7):38-45.
[3]董玉亮,李亚琼,曹海斌,等.基于运行工况辨识的风电机组健康状态实时评价方法[J].中国电机工程学报,2013,33(11):88-95.
论文作者:于永波
论文发表刊物:《中国电业》2019年第11期
论文发表时间:2019/9/29
标签：数据论文; 机组论文; 风电论文; 状态论文; 风机论文; 多维论文; 量测论文; 《中国电业》2019年第11期论文;