风电机组运行数据中异常值识别方法的研究

摘要

风电场风速和功率预测的准确性由多种因素决定，其中风电运行数据的有效性、可靠性影响预测方法的实际应用效果。在实际运行过程中，由于弃风限电、传感器故障、表计误差及风机叶片受到污垢和冰等环境因素的影响，风电场采集到的实测数据中，异常数据很难避免。若将其直接作为风电预测模型的原始输入数据和分析风电对系统影响的基础数据，则会影响预测的准确性和分析结果的可靠性。本文以风电场为研究对象，对风电机组运行数据中的异常数据进行有效识别，从而为风电并网的安全、可靠运行提供有效的数据支撑。 通过数据采集与监控系统（SCADA）得到的实测风速和功率数据是评估风电场经济技术水平的重要依据。从风电场收集到的实测数据中通常包含表现为数据缺失、堆积、越限等特征的异常数据点。导致数据异常的因素有在数据采集、测量、存储等过程中发生干扰或故障以及计划外检修机组、弃风限电引起的风机停机。 针对风电场采集到的历史风速数据随时间呈现非平稳性变化的特征，为保证风速数据的准确性和有效性，提出了一种基于差分自回归滑动平均（auto regressive integrated moving average,ARIMA）、小波分解(wavelet decomposition,WD)和隐马尔科夫(hidden Markov model,HMM)组合算法对异常风速数据进行识别的方法。采用ARIMA模型对待采样时间序列进行拟合，得到反映风速值异常情况的拟合残差，而后对拟合残差进行小波分解，利用HMM算法的双重随机过程描述风速异常情况。通过对酒泉风电场实测风速数据分析计算，结果表明，所提算法对数据量较大的非平稳风速时间序列中异常值的识别具有有效性和可行性，可为提升风电功率预测精度和风电场优化运行提供参考。 针对实测风速-功率曲线中存在的大量异常点会对风电机组的运行特性分析产生影响，利用风速和功率间存在一定的相关性，提出了基于Copula理论的风电机组异常数据识别方法。利用Copula函数建立风速和功率间相关关系的概率功率曲线，结合三类异常数据特征得到了相应异常数据识别模型。根据酒泉风电场的实测数据进行算例分析，验证了该方法的有效性。

目录

声明

插图索引

附表索引

第1章 绪 论

1.1 课题的研究背景及意义

1.2 课题的研究现状

1.2.1数理统计的识别方法

1.2.2基于学习方法的数据识别方法

1.2.3基于密度和距离的数据识别方法

1.3本文的主要研究内容

第2章 风电机组的异常数据

2.1 风力发电机工作特性

2.2 风电风速与功率的关系

2.3 风电机组异常数据分类及其产生原因

2.4 本章小结

第3章 风电机组风速异常数据识别方法

3.1 风速时间序列模型

3.1.1 ARIMA模型

3.1.2 模型定阶

3.1.3 参数估计

3.2 异常风速特征的提取

3.2.1 小波变换

3.2.2 基于小波变换的异常风速特征提取

3.3 隐马尔科夫模型识别方法

3.3.1马尔科夫链

3.3.2 隐马尔科夫结构

3.3.3 Viterbi检验方法

3.4 异常风速数据的重构方法

3.5 RBF预测算法

3.5.1 RBF神经网络的结构

3.5.2 RBF神经网络的工作原理

3.6 算例分析

3.6.1 异常值识别与分析

3.6.2 误差分析

3.7 本章小结

第4章 基于Copula理论风电机组异常数据识别方法

4.1 Copula理论概述

4.1.1 Copula函数及其类型

4.1.2 Copula理论的相关性度量

4.1.3 Copula函数的参数估计

4.1.4 模型评价

4.2异常数据识别过程

4.2.1 异常数据识别原理

4.2.2 异常数据特征分析

4.2.3 异常数据识别准则

4.3 算例分析

4.3.1 Copula函数选择

4.3.2 实测数据异常数据识别

4.3.3 人工生成异常数据识别

4.4本章小结

结论及展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录