风电场监控系统的实时监测与数据分析方法研究

2019

年7

月第22

卷第7

期电力大数据大数据专题

July.2019，Vol.22，No.7POWEＲSYSTEMSANDBIGDATABigDataSpecialＲeports

智能电网监控运行大数据分析系统

统一建模方法研究

冷喜武1

，

李平1

，

霍雪松2

，

张誉龄3

，

张琦兵2

，

封波4

（1.

国家电网有限公司，

北京100031；2.

国网江苏省电力公司，

江苏南京210024；

3.

国网无锡供电公司，

江苏无锡214000；4.

国网连云港供电公司，

江苏连云港，222002）

摘要：

随着电网监控运行一体化运行趋势愈发明显，

大数据技术应用的不断成熟、

普及，

为具有多源、

高维、

异构等

特征的电网监控大数据的分析与应用提供了解决方案。

本文提出了面向智能电网监控运行大数据分析系统的统一

建模方法，

分析了监控大数据的数据源、

数据范围及现状与存在问题，

指出了数据建模所需解决的问题与思路，

采用

元数据思想构建了公共模型，

基于业务需要构建了应用模型，

对于数据接入与存储管理方面，

定义了元数据模型，

其

目的是在接入、

汇总监控业务相关数据源的基础上，

构建以设备为中心的监控数据关联模型，

实现数据对象统一建

模，

为实现多源数据高效、

规范接入提供了模型支撑，

同时定义了符合该建模思路的元模型，

元模型约束了建模行

为，

保证建立的模型遵行领域约束，

为上层智能监控大数据分析应用奠定了基础。

关键词：

智能电网；

监控大数据；

统一建模

文章编号：2096－4633（2019）07－0048－07

中图分类号：C39

文献标志码：B

电力行业信息化和工业化融合发展促使电力数

据迅速增长和不断融合，

电力大数据时代已经到来。

大运行实施后，

调控中心负责无人值守变电站的集

中监控，

变电站监控信息按要求上传到调控中心监

控系统，

监控信息量巨大。

在十三五期间，

国家电网

公司的发展规划中重点支持大数据技术在电网领域

的应用，

作为支撑电网安全、

稳定、

运行的调控领域，

急需对海量的电网数据进行深入挖掘和智能分

析［1－4］

风电场毫米波雷达技术研究及应用

摘要：现阶段，“碳达峰，碳中和”发展战略的执行效果越发显著，再加上电力体制的改革工作持续深入，对我国风电行业的发展具有良好的推动作用。本文以上述内容为基础，针对风电场毫米波雷达技术展开研究，分析毫米波雷达技术的关键作用，整理相关经验，给出针对性发展建议，希望能够为同领域工作者提供合理参考作用。

关键词：风电场；毫米波雷达技术；新能源开发与应用

前言：风能作为重要的可再生清洁能源之一，在现代化电力系统中承载着越来越重要的电力支持任务。其中，风场信息测量工作作为风电行业保持良好发展状态的重要内容，属于风电场内不可或缺的重要组成结构。在风力发电机工作并获取风能的过程中，为进一步提升电能的实际生产效率，需借助传感技术，主动感知风速、风向信息，并辅助完成风机控制任务，及时校正偏航误差问题，通过这种方式准确控制风机的最终指向，达到提升发电总量的效果。

一、米波雷达测风基本原理

常规情况下，风资源评估、风功率预测系统、风电场运营管理等内容均属于风力发电系统中的重要内容，因此，需要对300m范围内的所有风速风向信息进行全面探测[1]。在传统类型的风场中，测风塔作为主要测量工具，发挥着重要作用，但是，因其建设成本相对较高，并且灵活度不足，在风场测量工作中存在较多不便，所以，需要找出一种更加便捷且准确的探测技术，完成测风任务。基于此，以激光和声波技术为主的测风雷达设备在风力发电行业中的应用正变得越发广泛，但是，在实际使用过程中，同样存在一些问题会对探测效果造成影响，需要得到妥善处理。

本文以上述内容为背景，对现有新型测风技术及其产品进行详细说明，即毫米波测风雷达设备，该设备不仅可以在不同高度内准确测得风力信息，同时还可以保证自身在各种不良环境下保持稳定工作状态，保证最终测得数据的准确性。在此期间，在实际使用的过程中还具有天候、雨天性能好、无噪声、低功耗等诸多使用优势，可以为相关企业和技术人员提供更为优质的辅助效果。

风电场中的风力预测模型研究

随着全球对可再生能源的需求不断增加，风电场的建设和运营也日益重要。然而，风力发电的一个关键问题是风速的不稳定性。风速的波动性使得风电场的运营和电力调度变得困难，因此需要准确且可靠的风力预测模型来优化风电场的效益。

风力预测模型是基于历史风速数据和气象因素的分析和建模，通过预测未来风速来帮助风电场合理安排发电计划。然而，由于风力的复杂性和不确定性，开发准确的风力预测模型并不容易。以下是针对风电场中的风力预测模型研究所做的探索和分析。

首先，为了建立准确的风力预测模型，需要收集和分析大量历史风速数据。这些数据包括风速、风向、温度和湿度等因素。通过对这些因素的综合分析，可以发现风力变化的模式和规律，并构建相应的预测模型。同时，采集实时数据并与历史数据进行对比和验证，可以提高预测模型的精确性和可靠性。 其次，气象因素是影响风力的重要因素之一。温度、湿度、大气压力等气象因素对风速的分布和波动起着重要作用。因此，在建立风力预测模型时，需要考虑这些因素的影响，并进行合理的数据处理和参数调整。例如，通过分析温度和湿度与风速之间的关系，可以建立温度-风速和湿度-风速模型，从而更准确地预测未来的风力。

另外，风向也是风力预测模型中的一个重要因素。风向在风电场的风力预测和发电计划中起着决定性的作用。通过分析风向和风速之间的关系，可以预测特定风向下的风速变化，从而更好地安排风电场的发电计划。同时，考虑到地形和地理因素对风向的影响也是非常重要的，因为这些因素可能会改变风场的气象特征。

此外，在开发风力预测模型时，还需要考虑到风力的瞬时性和周期性。风力的瞬时变化和周期性的波动性使得风力预测变得更加复杂和有挑战性。因此，建立合适的数学模型来捕捉风力的这些特性是非常重要的。例如，采用时间序列分析方法（如ARIMA模型）可以预测风力的短期变化。而通过频谱分析等方法，可以揭示风力的周期性特征，并进一步优化预测模型。 最后，机器学习算法在风力预测模型中的应用也是研究的重点之一。机器学习算法可以通过对大量历史数据的学习和模式识别来提高预测模型的准确性和可靠性。例如，支持向量机（SVM）、神经网络和随机森林等算法已经被广泛应用于风力预测模型的开发中。这些算法可以自适应地调整模型参数，并根据实时数据不断优化预测结果。

新能源场站智能监控系统设计与实践

近年来，随着能源问题日益凸显，新能源场站的建设与运营愈发受到关注。在这个背景下，为了提高新能源场站的运行效率和安全性，智能监控系统成为了必不可少的一部分。本文将探讨新能源场站智能监控系统的设计与实践，包括其架构、功能、应用及未来发展趋势。

**1. 智能监控系统架构**

新能源场站智能监控系统的架构主要包括传感器网络、数据采集与传输、数据处理与分析以及远程监控与控制四个主要部分。

传感器网络负责采集场站各项运行数据，如风力发电机组的转速、太阳能电池板的发电功率等。数据采集与传输模块将采集到的数据传输至数据处理与分析模块，进行数据清洗、处理和分析，生成运行状态报告、预警信息等。最后，远程监控与控制模块允许运维人员远程监控场站运行情况，并进行远程控制和调度。

**2. 智能监控系统功能**

新能源场站智能监控系统具有多项功能，包括实时监测、故障预警、智能诊断、远程控制等。

实时监测功能能够实时采集场站运行数据，并及时反馈到监控中心，使运维人员可以实时了解场站的运行状态。故障预警功能通过对数据进行实时分析，能够及时发现设备异常，并提前预警，有助于减少故障损失。智能诊断功能基于数据分析和人工智能技术，能够识别设备运行中的潜在问题，并提供相应的解决方案。远程控制功能使运维人员可以远程操作设备，进行调度和维护，提高了场站运行的灵活性和效率。

**3. 智能监控系统应用**

智能监控系统已经在各类新能源场站中得到了广泛应用，如风电场、光伏电站等。

在风电场中，智能监控系统可以实时监测风力发电机组的转速、叶片角度等参数，预警可能的故障，提高了风电场的可靠性和稳定性。在光伏电站中，智能监控系统可以监测太阳能电池板的发电功率、温度等数据，及时发现异常，保障光伏电站的正常运行。

**4. 智能监控系统的未来发展趋势**

随着物联网、大数据、人工智能等技术的发展，新能源场站智能监控系统也将不断完善和发展。