当前位置：文档之家 › 大型风电机组现场运行数据预处理与模型建立

大型风电机组现场运行数据预处理与模型建立

  • 格式：pdf
  • 大小：292.22 KB
  • 文档页数：5

为风 电机 组运 行过 程最 主要 影 响 因素 。 风速 直 接决 定 机 组运 行工 况 。风速 作 为变化 量 ， 在 时 间上 具有 连续 性 ， 而传统 评 价指标 如 方差 、 平 均差 ， 不 能 很好
地反 映 风速波 动 变化情 况 ， 因此 需 要 一 种 新 的 评 价
收 稿 日期 ： ２ ０ １ ５ — ０ ４ — ０ ２ 作者 简 介 ： 李大中（ １ ９ ６ １ 一 ） ， 男， 教授 。研 究方 向 ： 新能 源 发 电系 统控 制 ． 智 能优 化控 制理论 应用 。
本文 所讨 论风 电机 组为 大 型恒 速风 力机 ． 切 入
风速为 ３ ． ５ ｍ ／ ｓ ， 额定风速 为 １ ２ ． ５ ｍ／ ｓ 。 切 出 风 速 为 １ ０分 钟 平均 风 速 ２ ５ ｍ ／ ｓ 或 瞬 间风 速 ３ ０ ｍ／ ｓ 。该 机
系， 因此传 统模 型难 以与风 场运 行 数据 相 吻合 。作
对时（ ０ ＝ ０ ） 的ｃ ｏ ｓ ３ ０ 倍 。此 时 ， 风机 损 失功 率所 占 比
出功 率 与机 组 实 际输 出功 率 的 平 均 相 对 误 差 分 别 为 １ ２． ５ ６ ％、 １ ０． ５ ８ ％、 ８． ５ ５ 名、 ｌ １ ． ４ ％、 ６ ． ９ ３ ％ 和 ０． ５ ２ ６ ％ ； 整体模 型平均 相对 误差 为 ８． ４ ２ ４ ％， 说 明模 型 能够 较好 的跟踪 机 组 实际功
评价 指标 可 以有效 弥补传 统 方法 的不 足 。
１ 大 型 风 电 机 组 运 行 特 性 分 析
１ ． １ 机组 的启 动
别 提 出直 接转 矩控 制方 法 和模糊 控 制方法 。 传 统机
理模 型所 设定 风轮 和发 电机 的参 数 较理 想 化 ． 并且
无法 考 虑 风 向与机 舱 夹 角 与机 组 输 出功率 之 间关
李大中 许 炳坤 常 城 华北 电力 大 学 河北 保 定 ０ ７ ｌ ０ ０ ３
【 摘要 】 基 于某 大 型风 电机 组现场 运行 数据 ， 本 文通 过理 论 和数 据 分析 得到 了风 电机 组实 际运
行 特 性和 一 些 重要 影 响 因素 并提 出 了针 对 现场 运 行 数据 的预 处理 原 则 以及衡 量 风 速 波 动程
率 的变化 ， 具 有满 意 的拟合 效果 和泛 化能 力 。
【 关键词 】 大 型风 电机 组 平均 相对 误差 数 据预 处理 模 型 【 中 图分 类 号 】 Ｔ Ｍ３ １ ５ 【 文献标识码 】 Ａ 【 文章编号 】 ３ ７ — １ ４ ９ ６ ２ ０ １ ５ — ３ ０ ２
度 的评 价指 标一 平 均相 对 变化 量 。在 此基 础上 ， 运 用 支持 向量 机 算法建 立 了风 电机 组运 行过
程模 型 ， 依 据 现 场运 行 数据 对模 型进 行 了跟 踪 性 能及 泛 化 能力 验 证 。 结果 表 明 ： 取 该 机 组在
２ ０ １ ３年 ７月 至 １ ２月 ， 每 月任 一天连 续 ２ ４小 时正 常运行 数 据 作 为测 试样 本 ， 该 模 型 预 测输
０ 引 言
近 年 来 中 国风 力 发 电技 术 与 风 力 发 电 制造 业
指标 来 衡 量 风 速这 一 类 具有 连 续 变 化 特性 变 量 的 波动 情况 。 本 文 基 于大 型 风 电机 组 现 场 运 行数 据 建 立 的
得 到 了迅 速 的发展 。 为更 好 的认识 和 控制 风力 发 电 过程 ， 一个 准确 的机组 运行 模 型是 必不 可少 的 。文
度， 发 电机 逐 步增 速 ， 在 转 速 达 到 同步 转 速 ± ６ ％的
范围时， 转 速变 频 辅 助启 励 回路启 动 ， 调 节发 电机
国 网技 术学 院学报
第 １ ８卷第 ３期
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｓ ｔ ａ ｔ ｅ Ｇｒ ｉ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ
组 使 用 异 步 发 电机 ， 额定输 出功率 １ １ ０ ０ ｋ Ｗ， 额 定 电压 ６ ９ ０ Ｖ， 额 定频 率 ５ ０ Ｈｚ 。 若风 场 风速 连续 １ ２ ０ ｓ 超 过额 定 风速 ．机组 检
查偏 航 制 动 系统并 调 整 变桨 角 度 至 ７ ０ 。 ． 满 足上 述 条件 后 ，机 组控 制 系 统 根据 风 速 计算 设 定 变 桨 角
６
大型 风 电机组 现场 运行 数据 预处 理与 模 型建立
Ｖ ｏ １ ． １ ８ Ｎ ｏ ． ３
大 型风 电机 组 现 场 运 行 数 据 预 处 理 与模 型 建 立
Ｐｒ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ａ ｎ ｄ Ｍｏ ｄ ｅ ｌ ｉ ｎ ｇ ｏ ｆ Ｏｎ — — ｓ ｉ ｔ ｅ Ｏｐ ｅ ｒ ａ ｔ ｉ ｎ ｇ Ｄａ ｔ ａ ｏ ｆ Ｌａ ｒ ｇ ｅ Ｗｉ ｎ ｄ Ｔｕ ｒ ｂ ｉ ｎ ｅ Ｕｎ ｉ ｔ
献『 １ ］ 建 立 了风 电机组 暂态 模 型并 分析研 究 了系统 稳 定 性 和 电能 质量 。文 献 ［ ２ ］ 和 文献 ［ ３ ］ 分 别 通 过 ｓ ｉ ｍｕ ｌ ｉ ｎ ｋ模 块 和 数 学 机 理 建 立 风 电 机 组 模 型 并 分
过程 模 型 以及针 对 连 续 数据 波 动 变 化程 度 提 出 的
７
系统转矩 函数数 值与 系统 同期后 风机 主开 关并 网 ，
式（ 在 大
小 为 的偏 差 时 ， 风 力发 电机 获得 的风能 是风 轮正
连 接 到 电网 上输 出电功 率 。此 时启 动 程 序 全部 完 成， 风机处 于稳定 的工 作状 态 。

合集下载

风力发电机组数字孪生系统

风力发电机组数字孪生系统

风力发电机组数字孪生系统风力发电机组数字孪生系统是指基于数字孪生技术，通过收集风力发电机组在运行过程中的各种数据，建立数字孪生模型，实现对风力发电机组的实时监控、故障预测和优化运行。

数字孪生技术是一种将物理世界与数字世界相融合的技术，通过收集大量的数据，建立数字模型来模拟实际设备的运行状态和行为。

提高设备的可靠性和稳定性：通过对风力发电机组的实时监控和故障预测，可以及时发现潜在的故障和隐患，提高设备的可靠性和稳定性。

优化设备的运行效率：通过建立数字孪生模型，可以对风力发电机组的运行状态进行实时评估，优化设备的运行效率，提高发电量和降低能源成本。

实现设备的远程监控和管理：数字孪生技术可以实现设备的远程监控和管理，提高设备的可维护性和管理效率。

促进能源互联网的发展：风力发电机组数字孪生系统是能源互联网的重要组成部分。

通过建立数字孪生模型，可以实现与能源互联网其他设备的互联互通和信息共享，促进能源互联网的发展。

数据采集：建立风力发电机组数字孪生模型需要采集各种数据，包括风速、风向、转速、扭矩、温度、压力等数据。

这些数据可以通过各种传感器和监测设备进行采集和传输。

数据处理：采集到的数据需要进行处理和分析，以提取有用的信息和特征。

数据处理可以采用各种算法和模型，例如时序分析、统计分析、机器学习等。

建立数字孪生模型：基于处理后的数据，可以建立数字孪生模型来模拟风力发电机组的运行状态和行为。

数字孪生模型的建立可以采用各种仿真软件和建模工具，例如MATLAB、Simulink、ANSYS等。

实时监控和故障预测：通过实时监控和故障预测模块，可以实现对风力发电机组的实时监控和故障预测。

当发现潜在的故障和隐患时，可以及时采取措施进行预防和解决。

数据可视化：风力发电机组数字孪生系统需要实现数据可视化，以方便用户对数据进行分析、评估和决策。

数据可视化可以采用各种工具和技术，例如数据报表、图表、三维可视化等。

智能化：随着人工智能技术的发展，未来风力发电机组数字孪生系统将更加智能化，能够自动识别和预测设备的故障和隐患，提高系统的自主性和自适应性。

基于Matlab的大型兆瓦级风电机脉动风速时程数值模拟

基于Matlab的大型兆瓦级风电机脉动风速时程数值模拟

风 速时 程数值 模 拟也 是这项 基本 工作 的首 要 突破 。 采 用人 工方 法建 立风 场模 型得 到与 实 际风 速 变化 性 质 相 似 的时 程 数 据 ， 其 模 型建 立 方 法 主要 有 有 线性 滤 波方 法 （ Ａ Ｒ、 Ａ Ｒ Ｍ Ａ法 等 ， ） ， 其 特点 为将 均值 为 零 的 白噪声 随机 系列 通 过滤 波器 使 其输 出 为具 有 指定 谱特 征 的随 机过程 ， 计算 工作 量小 ， 运行 速 廖 陕但计算 精 度较 差 ； 三 角 级数 谐 波 叠加 法 ， 数 学基 础 严 密， 计算 效率较 低 ， 需要 相对 线性 滤 波法 较 长 的计 算 时 间 ， 但计 算 精 度 较 高¨Ｊ 。本 文基 于大 型 兆 瓦 级 水 平轴 风力 发 电机组 的结 构和运 动特 征 ， 结 合具 体 工程 实例 ， 采 用模 拟 精度 较 高 的谐 波 叠加 方 法 合成 风 速 谱， 进而 ， 生成 适用 于风 机动力 学 分析 时所 需要 的脉 动风速 时程 数据 。阐述 基 于 ｍ ａ ｔ ｌ ａ ｂ软件 二 次 开发 的
第 ４期
曹玉 生等
基于 Ｍ ａ ｔ ｌ ａ ｂ的大型兆瓦级风电机 脉动风 速时程数值模拟
２ ７９
作 用在 结构 上 的 自然风 可分 为顺 风 向风 力 、 横 风 向风力 和 垂直 向风 力 ， 而在 三 者 中顺 风 向风 力 又起 了决
定性作用 ， 垂直 向与横风 向风力对于高耸结构实际影响可忽略不计。对顺风向风力 ， 其可分解为周期在 １ ０ ｍ ｉ ｎ以上 的长周 期 部分 ， 即平 均 风 ； 还 有周 期在 几秒 至几 十 秒 区间 内的短周 期 部分 ， 即脉 动风 。在 进行
型风 电机得 到 了大规 模 的应 用 。 因此 ， 在 内陆 地 区普 及 大 型 兆 瓦 级 风 电 机组 是 风 能发 展 的必 然 趋 势 。 由于对大 型风 电机组 进行 实地 的数 据测 量及 周边环 境 分析工 作 的开展 是 极其 困难 的 ， 另外 ， 已有 强风 作
基于风功率数据的风电机组性能预测与健康状态评估

基于风功率数据的风电机组性能预测与健康状态评估

基于风功率数据的风电机组性能预测与健康状态评估马然;栗文义;齐咏生【摘要】为及时准确地预测风电机组整机性能,文章基于风功率数据提出了一种考虑工况波动的相似性度量算法,结合概率和模糊理论评估机组健康状态.该方法基于聚类思想对风功率数据进行数据预处理和工况划分,针对工况子空间的正常样本与测试样本,基于主成分分析法以第二主成分方向上投影变量的标准差作为样本相似性度量指标,依据概率不确定性融合得到综合健康状态指标,量化机组性能的退化程度.结合机组性能实际退化过程,依据模糊理论确定健康状态隶属度,基于隶属度最大原则和信度准则判断机组健康状态等级.将该方法应用于某具有小样本数据的实例中,可提前两周获知风电机组发生异常,对机组健康状态的过渡过程作出了准确评估,验证了所提方法的可行性.【期刊名称】《可再生能源》【年(卷),期】2019(037)008【总页数】8页(P1252-1259)【关键词】风电机组;风功率数据;聚类;主成分分析;模糊理论;性能预测;健康状态评估【作者】马然;栗文义;齐咏生【作者单位】内蒙古工业大学能源与动力工程学院, 内蒙古呼和浩特 010050;内蒙古工业大学能源与动力工程学院, 内蒙古呼和浩特 010050;内蒙古工业大学电力学院, 内蒙古呼和浩特 010080;内蒙古工业大学电力学院, 内蒙古呼和浩特010080【正文语种】中文【中图分类】TK830 引言目前，风电机组的故障预测与健康管理（PHM，prognostic and health management）受到了国内外学者的广泛关注，即借助各种算法和智能模型预测机组性能和剩余寿命、评估健康状态，实现视情维护。

其中，整机性能分析与运行状态评估是实现PHM 的关键，国际电工委员会就风力发电系统整机性能测量出台了相关标准，即IEC 61400-12-1 Ed.2[1]。

因风电机组属于复杂装置，机理建模困难，基于风电场 SCADA（supervisory control and data acquisition）系统的数据驱动法成为主要研究方法之一[2]。

基于气象数据的风力发电预测模型研究

基于气象数据的风力发电预测模型研究

基于气象数据的风力发电预测模型研究一、绪论随着环保意识日益提高和煤炭等传统能源的资源短缺，绿色能源的使用越发受到重视。

作为一种零排放的清洁能源，风力发电，已经在全球范围内得到了广泛的应用和推广。

但是，风能的不稳定性和不可控性也一直是制约风力发电行业发展的重要因素之一，必须采取有效的措施对这种不稳定性进行有效处理和预测。

气象数据是了解风能的关键因素，采用合理的数据处理和分析方法可以帮助我们更好的预测风能，为风力发电的运营和管理提供支持。

本文基于气象数据，从研究预测模型的角度出发，旨在深入研究风力发电预测模型。

二、相关工作众所周知，气象数据对风力发电预测有着至关重要的作用。

近年来，随着大数据和人工智能技术的不断发展，相应的风力发电预测方法不断涌现，如ARIMA、BP神经网络、Adaboost、支持向量机（SVM）、随机森林等。

这些算法都能够根据天气信息进行多个时段的预测，且具有较高的预测准确率，但是不同算法的预测效果也会有所差异。

三、模型设计1.数据预处理风力发电预测的关键之一就是准确获取风能的实时数据，以便为后续的预测模型提供有效的支持。

在数据预处理方面，我们主要需要考虑以下几个方面：1)数据来源：目前更多的数据来源于实时监测站点的数据采集，通过建立数据平台获取数据。

需要注意的是，站点的布局必须覆盖到风电场的区域，以保证数据的真实性和准确性。

2)数据格式：目前不同的站点数据格式存在差异，我们需要将这些格式统一转换为CSV文件或其他标准格式，以便进行后续的数据处理和分析。

3)数据清洗：数据来源方面难免会存在数据的缺失和不准确性，我们需要对这些数据进行处理和清洗，提高数据质量。

4)特征提取：在数据预处理中，我们需要从原始数据中提取出对预测有用的特征，例如温度、湿度、气压、风速等。

2.模型选择在模型选择方面，我们主要需要考虑几个方面：1)算法选择：风力发电预测模型的算法十分丰富，不同算法的预测效果也有所不同，我们需要根据数据的特性和预测目的来选择合适的算法。