基于閾值篩選器的風機出力結構模型研究

婁建樓 單凱 胥佳

摘 要：針對風電機組出力情況難以精細量化分析問題，文章提出了基于閾值篩選器方法的出力結構模型。根據閾值篩選器對機組多種運行狀態進行識別，構建出機組出力結構模型，然后利用該模型對風機出力進行分析。實驗結果表明，該模型能夠有效分析機組出力情況，有助于實現機組的精維護。

關鍵詞：風電機組；閾值篩選器；出力結構模型

風電是最有前景的可再生能源之一，根據GWEC的預測顯示，未來五年內風電將繼續保持增長勢頭。由于風電機組工作環境的惡劣性（嚴寒、酷暑、沙塵、降雪等），導致風電機組在很多情況下處于異常運行狀態[1-2]，包括降出力、停機或超發狀態。對機組出力情況進行量化分析，有助于風場運維人員實現機組精維護，具有很高的經濟價值。文中利用基于風速-功率閾值篩選器算法進行數據分類并多次迭代，得到機組基于正常數據的實測功率曲線，基于該功率曲線識別正常數據和異常數據，進而構建出風機出力結構模型。

1 閾值篩選器

檢測停機數據。為了保證閾值篩選器的效果，首先需要根據機組有功功率小于零來篩選出停機數據。

閾值篩選器數據分類思想。以廠家提供的保證功率曲線為基礎，識別正常數據域，根據正常數據域得到優化的功率曲線；基于優化的功率曲線，進一步得到優化的正常數據域，根據優化的正常數據域得到進一步的優化功率曲線。如此，多次迭代后，可得到最終的正常數據與降出力數據（文章中，考慮到超發數據較少，降出力數據實際上是降出力數據與超發數據的融合數據）。

閾值篩選器數據分類數學原理。基于Bin方法，按照風速0.5m/s為區間對SCADA歷史數據U分類。得到每個區間數據集

（1）

式中，Ui為第i個區間的數據集，（v，p）為落在第i個區間的二維數據元素。假設U最大風速為vmax，則最大風速區間為n=[vmax/0.5]。

對任意數據點（vi，pi），基于參考功率曲線可以計算出vi對應的正常功率pnormal，給定兩個上下限系數？姿down和？姿up，即可得到判斷正常域的方法，即如果 ，則點（vi，pi）為正常運行數據。

利用閾值篩選器進行數據分類效果取決于迭代次數。圖1為閾值篩選器迭代1次的分類結果，圖2為閾值篩選器迭代3次的分類結果。經過大量實驗驗證，迭代2-3次效果最佳。

2 出力結構模型構建

基于風電機組的實際功率性能情況，將風機出力劃分為正常運行、降出力運行、停機狀態，基于這個定義進行構建機組出力結構模型，如圖3所示。

3 工程實踐

利用我國某風場A機組6月份SCADA的10min數據進行實驗驗證。得到該機組的出力情況，如表1所示。

從表1中可知，該機組降出力損失電量約占理論發電量的26.5%，機組停機損失電量約占理論發電量的3%。這說明如果改善該機組的降出力情況，能大大提高機組的能量利用率。

4 結束語

文章提出了利用一個新型閾值篩選器來對機組運行數據進行分類，得到了正常運行數據、停機數據、降出力數據，進而構建出機組出力結構模型，從而能夠對機組出力情況進行分析。該方法簡單有效，對風電場運維人員對風機的精維護提供了很好的指導方案。

參考文獻

[1]Tchakoua P，Wamkeue R，Ouhrouche M，et al.Wind turbine condition monitoring：State-of-the-art review，new trends，and future challenges[J].Energies，2014，7（4）：2595-2630.

[2]趙永寧，葉林，朱倩雯.風電場棄風異常數據簇的特征及處理方法[J].電力系統自動化，2014，21：39-46.