一种风电机组对风误差自动校准方法及装置的制造方法
【专利摘要】本申请提供了一种风电机组对风误差自动校准方法及装置，方法包括：获取预设时段内目标机组的历史运行数据；从目标机组的历史运行数据中剔除异常数据；对目标数据进行降维处理，通过降维处理后的数据确定对风误差与出力性能的关系曲线；通过对风误差与出力性能的关系曲线确定固有对风误差；通过固有对风误差校正目标机组的偏航系统中的零位参数。本申请充分利用风电机组的历史运行数据，通过对其进行数据挖掘和分析自动辨识出目标机组偏航系统的固有对风误差，进而能根据该固有对风误差自动调整偏航系统中的零位参数，这使得机组偏航系统的自适应能力得到了增强，且机组的实际出力性能得到了提升。
【专利说明】
一种风电机组对风误差自动校准方法及装置
技术领域
[0001]本发明涉及数据处理技术领域，尤其涉及一种风电机组对风误差自动校准方法及
目.0
【背景技术】
[0002]近年来，风电行业中机舱尾部的风向标测风失准的问题逐渐引起了业内关注。风向标安装时校准方法不当、运维人员的操作误差、台风等极限工况扰动等诸多因素都可能造成风向标的绝对零位与机舱中心线不平行，使得偏航系统存在“固有对风误差”，从而导致机组输出功率达不到设计要求。
【发明内容】
[0003]有鉴于此，本发明提供了一种风电机组对风误差自动校准方法及装置，用以解决现有技术中，由于诸多原因导致风向标的绝对零位与机舱中心线不平行，使得偏航系统存在“固有对风误差”，进而导致机组输出功率达不到设计要求的问题，其技术方案如下:
[0004]—种风电机组对风误差自动校准方法，所述方法包括:
[0005]获取预设时段内目标机组的历史运行数据；
[0006]从所述目标机组的历史运行数据中剔除异常数据，获得目标数据；
[0007]对所述目标数据进行降维处理，并通过所述降维处理后的数据确定对风误差与出力性能的关系曲线；
[0008]通过所述对风误差与出力性能的关系曲线确定固有对风误差；
[0009]通过所述固有对风误差校正所述目标机组的偏航系统中的零位参数。
[0010]其中，所述从所述目标机组的历史运行数据中剔除异常数据，包括:
[0011]对所述历史运行数据进行聚类处理，并基于所述聚类处理的聚类结果剔除所述异常数据。
[0012]其中，所述对所述历史运行数据进行聚类处理，包括:
[0013]对所述历史运行数据进行标准化处理，获得目标历史运行数据；
[0014]根据所述目标历史运行数据中数据对象的数量确定目标噪声数据占比ε-noise;
[0015]计算所述目标历史运行数据中每个数据对象与目标对象的几何距离，获得距离集合，其中，所述目标对象为所述目标历史数据中与所述数据对象的几何距离第k近的数据对象，所述k的初始取值为2;
[0016]对所述距离集合中的各个元素进行概率统计，将所述距离集合中概率值在预设概率范围内的元素组成新的距离集合；
[0017]确定所述新的距离集合的数学期望值作为DBSCAN聚类算法的参数Epsk;
[0018]确定所述目标历史运行数据中所有数据对象的Epsk域内点的数目集合；
[0019]对所述数目集合中的元素进行概率统计，将所述数目集合中概率值在预设概率范围内的元素组成新的数目集合；
[0020]确定所述新的数目集合的数学期望值作为所述DBSCAN聚类算法的参数Minptsk;[0021 ] 以参数Minptsk和Epsk对所述目标历史运行数据进行DBSCAN聚类处理；
[0022]根据所述DBSCAN聚类处理的聚类结果计算当前噪声数据占比Rat1-noisek;
[0023]当k>2，且Rat1-noisek满足I Rat1-noisek-ι-Rat1-noisek | < ε-noise时，结束聚类处理，否则，将k+Ι赋值给k，然后返回执行所述计算所述目标历史运行数据中每个数据对象与目标对象的几何距离这一步骤。
[0024]其中，所述对所述目标数据进行降维处理，并通过所述降维处理后的数据确定对风误差与出力性能的关系曲线，包括:
[0025]对所述目标数据中的对风误差进行概率统计，并基于概率统计结果确定目标对风误差范围；
[0026]从所述目标数据中剔除对风误差不在所述目标对风误差范围内的数据，获得第一目标数据；
[0027]利用所述第一目标数据确定与各个对风误差对应的风功率曲线，风功率曲线为风速与有功功率的关系曲线；
[0028]将所述风功率曲线处理成对风误差与出力性能的关系曲线。
[0029]优选地，所述方法还包括:
[0030]基于运行数据深度净化技术评估校正前后所述目标机组的出力性能的变化情况。
[0031]其中，所述基于运行数据深度净化技术评估校正前后所述目标机组的出力性能的变化情况，包括:
[0032]获取目标机组的校正前运行数据以及校正后运行数据；
[0033]以额定风速为界分别将所述校正前运行数据和所述校正后运行数据分成两组；
[0034]从两组校正前运行数据中剔除异常数据，将剔除异常数据后的两组校正前运行数据合并得到校正前目标运行数据，并从两组校正后运行数据中剔除异常数据，将剔除异常数据后的两组校正后运行数据合并得到校正后目标运行数据；
[0035]分别将所述校正前目标运行数据和所述校正后目标运行数据拟合到所述风功率曲线，并分别对所述校正前目标运行数据和所述校正后目标运行数据中的风速以所述风功率曲线为节点进行线性插值，获得与每个风速对应的理论有功功率；
[0036]分别计算所述校正前目标运行数据和所述校正后目标运行数据中每个数据点的实际有功功率与理论有功功率间的功率偏差，获得与各个数据点对应的功率偏差；
[0037]对所述与各个数据点对应的功率偏差进行概率统计；
[0038]根据概率统计结果，将概率密度不在预设范围内的数据点剔除，然后返回所述以额定风速为界将所述校正前运行数据分成两组，并以额定风速为界将所述校正后运行数据分成两组这一步骤，直至拟合得到的风功率曲线不再变化；
[0039]通过分别对校正前后的风功率曲线进行积分处理，将所述校正前后的风功率曲线转换为校正前后的出力性能指标量化值；
[0040]对比校正前后的出力性能指标量化值的大小，获得校正前后所述目标机组出力性能的变化情况。
[0041 ] 一种风电机组对风误差自动校准装置，所述装置包括:
[0042]数据获取模块，用于获取预设时段内目标机组的历史运行数据；
[0043]数据剔除模块，用于从所述数据获取模块获取的所述历史运行数据中剔除异常数据，获得目标数据；
[0044]降维处理模块，用于对所述数据剔除模块剔除异常数据后所得到的所述目标数据进行降维处理；
[0045]曲线确定模块，用于通过所述降维处理模块降维处理后的数据确定对风误差与出力性能的关系曲线；
[0046]固有对风误差确定模块，用于通过所述曲线确定模块确定出的所述对风误差与出力性能的关系曲线确定固有对风误差；
[0047]校正模块，用于通过所述固有对风误差确定模块确定的所述固有对风误差校正所述目标机组的偏航系统中的零位参数。
[0048]其中，所述数据剔除模块包括:
[0049]聚类模块，用于对所述历史运行数据进行聚类处理，获得聚类结果；
[0050]剔除模块，用于基于所述聚类处理的聚类结果剔除所述异常数据。
[0051 ]其中，所述降维处理模块包括:
[0052]所述概率统计子模块，用于对所述目标数据中的对风误差进行概率统计，并基于概率统计结果确定目标对风误差范围；
[0053]所述数据剔除子模块，用于从所述目标数据中剔除对风误差不在所述目标对风误差范围内的数据，获得第一目标数据；
[0054]所述曲线确定模块包括:第一曲线确定子模块和第二曲线确定子模块；
[0055]所述第一曲线确定子模块，用于利用所述第一目标数据确定与各个对风误差对应的风功率曲线，风功率曲线为风速与有功功率的关系曲线；
[0056]所述第二曲线确定子模块，用于将所述风功率曲线处理成对风误差与出力性能的关系曲线。
[0057]所述装置还包括:
[0058]评估模块，用于基于运行数据深度净化技术评估校正前后所述目标机组的出力性能的变化情况；
[0059]所述评估模块包括:
[0060]数据获取子模块，用于获取目标机组的校正前运行数据以及校正后运行数据；
[0061]数据分组模子块，用于以额定风速为界分别将所述校正前运行数据和所述校正后运行数据分成两组；
[0062]异常数据剔除子模块，用于从两组校正前运行数据中剔除异常数据，并从两组校正后运行数据中剔除异常数据；
[0063]数据合并子模块，用于将剔除异常数据后的两组校正前运行数据合并得到校正前目标运行数据，并将剔除异常数据后的两组校正后运行数据合并得到校正后目标运行数据；
[0064]数据拟合子模块，用于分别将所述校正前目标运行数据和所述校正后目标运行数据拟合到所述风功率曲线；
[0065]数据插值子模块，用于分别对所述校正前目标运行数据和所述校正后目标运行数据中的风速以所述风功率曲线为节点进行线性插值，获得与每个风速对应的理论有功功率；
[0066]功率偏差计算子模块，用于分别计算所述校正前目标运行数据和所述校正后目标运行数据中每个数据点的实际有功功率与理论有功功率间的功率偏差，获得与各个数据点对应的功率偏差；
[0067]异常数据剔除子模块，用于对所述与各个数据点对应的功率偏差进行概率统计，并根据概率统计结果将概率密度不在预设范围内的数据点剔除，获得新的校正前的运行数据和新的校正后的运行数据，然后触发数据分组模子块所述以额定风速为界将所述校正前运行数据分成两组，直至拟合得到的风功率曲线不再变化；
[0068]风功率曲线处理子模块，用于分别对校正前后的风功率曲线进行积分处理，将所述校正前后的风功率曲线转换为校正前后的出力性能指标量化值；
[0069]对比子模块，用于对比校正前后的出力性能指标量化值的大小，获得校正前后所述目标机组出力性能的变化情况。
[0070]上述技术方案具有如下有益效果:
[0071]本发明提供的风电机组对风误差自动校准方法及装置，充分利用风电机组的历史运行数据，通过对风电机组的历史运行数据进行数据挖掘和分析自动辨识出风电机组的偏航系统的固有对风误差，进而能够根据该固有对风误差自动调整偏航控制系统中的零位参数，这使得机组偏航系统的自适应能力得到增强，并且机组的实际出力性能得到提升，使机组输出功率能够达到设计要求。
【附图说明】
[0072]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0073]图1为存在固有对风误差时实际风向与机舱位置关系示意图；
[0074]图2为本发明实施例提供的风电机组对风误差自动校准方法的一流程示意图；
[0075]图3为本发明实施例提供的风电机组对风误差自动校准方法的另一流程示意图；
[0076]图4为本发明实施例提供的风电机组对风误差自动校准方法中，对历史运行数据进行聚类处理的实现过程的流程示意图；
[0077]图5为聚类处理前历史运行数据的散点图，以及采用改进的DBSCAN聚类算法对历史运行数据进行聚类处理后剔除异常数据后的散点图；
[0078]图6为本发明实施例提供的风电机组对风误差自动校准方法中，对目标数据进行降维处理，并通过降维处理后的数据确定对风误差与出力性能的关系曲线的实现方式的流程不意图；
[0079]图7为本发明实施例提供的对风误差的概率统计及目标对风误差范围的示意图；
[0080]图8为本发明实施例提供的不同对风误差下的风功率曲线；
[0081]图9为本发明实施例提供的对风误差与出力性能的关系曲线；
[0082]图10为本发明实施例提供的数据点的实际有功功率与理论有功功率间的功率偏差不意图；
[0083]图11为本发明实施例提供的额定风速以下以及额定风速以上功率偏差的统计结果示意图；
[0084]图12为本发明实施例提供的校正前后机组的风功率曲线对比图；
[0085]图13为本发明实施例提供的校正前后目标机组出力性能评估结果图；
[0086]图14为本发明实施例提供的风电机组对风误差自动校准装置的一结构示意图。
【具体实施方式】
[0087]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0088]风向标安装在机舱罩顶部后端的气象架上，用来测量风向与机舱中心线的偏差角，即对风误差。由于风向标特征尺寸与机舱罩顶部平面的特征尺寸存在量级差异，通过工作人员目测或采用简单的风向标找零工装很难保证风向标零刻线与机舱中心线平行。根据工程经验，在风电场运行期间，还存在很多因素会导致风向标发生偏移或松动。如图1所示，假设风向标零刻线与机舱中心线夹角为α0，风向标测量的对风误差为α，那么机舱中心线与来流风向的夹角β = α+αΟ，αΟ被看作偏航系统的“固有对风误差”。由于“固有对风误差”的存在使机舱不能准确对风，将直接影响机组的实际出力性能。
[0089]同时，大数据处理和云计算技术的迅速崛起和应用对风电行业产生了巨大的冲击。考虑到风电场具备数量庞大的数据信息，但这些数据很大程度上都停留在无序的源数据形态，目前这些“闲置”数据并没有为风电场的运营过程提供更多的价值。
[0090]从上述考虑出发，本发明实施例提供的风电机组对风误差自动校准方法充分利用风电机组的历史运行数据，通过对这些数据进行数据挖掘和分析自动确定出风电机组的偏航系统的固有对风误差，进而根据该固有对风误差自动调整偏航控制系统中的零位参数，这使得机组偏航系统的自适应能力得到增强，机组的实际出力性能得到提升。
[0091]请参阅图2，示出了本发明实施例提供的风电机组对风误差自动校准方法的一流程示意图，该方法可以包括:
[0092]步骤S201:获取预设时段内目标机组的历史运行数据。
[0093]其中，目标机组的历史运行数据可以包括数据的采样时间、风机状态、风速、有功功率、发电机转速、桨叶桨距角及对风误差。
[0094]步骤S202:从目标机组的历史运行数据中剔除异常数据，获得目标数据。
[0095]步骤S203:对目标数据进行降维处理，并通过降维处理后的数据确定对风误差与出力性能的关系曲线。
[0096]步骤S204:通过对风误差与出力性能的关系曲线确定固有对风误差。
[0097]在本实施例中，以对风误差与出力性能的关系曲线中最高点对应的对风误差作为目标机组的固有对风误差。
[0098]步骤S205:通过固有对风误差校正目标机组的偏航系统中的零位参数。
[0099]本发明提供的风电机组对风误差自动校准方法，在获取到机组的历史运行数据，先剔除异常数据，然后通过对剔除异常数据后的数据进行降维处理确定对风误差与出力性能的关系曲线，接着通过对风误差与出力性能的关系曲线确定出固有对风误差，进而通过固有对风误差校正目标机组的偏航系统中的零位参数。本发明实施例提供的方法能够通过对历史运行数据进行聚类、降维等处理确定出风电机组的偏航系统的固有对风误差，进而能够根据该固有对风误差自动调整偏航控制系统中的零位参数，这使得机组偏航系统的自适应能力得到增强，机组的实际出力性能得到提升。
[0100]请参阅图3，示出了本发明实施例提供的风电机组对风误差自动校准方法的另一流程示意图，该方法可以包括:
[0101]步骤S301:获取预设时段内目标机组的历史运行数据。
[0102]其中，目标机组的历史运行数据可以包括数据的采样时间、风机状态、风速、有功功率、发电机转速、桨叶桨距角及对风误差。
[0103]步骤S302:从目标机组的历史运行数据中剔除异常数据，获得目标数据。
[0104]步骤S303:对目标数据进行降维处理，并通过降维处理后的数据确定对风误差与出力性能的关系曲线。
[0105]步骤S304:通过对风误差与出力性能的关系曲线确定固有对风误差。
[0106]在本实施例中，以对风误差与出力性能的关系曲线中最高点对应的对风误差作为目标机组的固有对风误差。
[0107]步骤S305:通过固有对风误差校正目标机组的偏航系统中的零位参数。
[0108]步骤S306:基于运行数据深度净化技术评估校正前后目标机组的出力性能的变化情况。
[0109]本发明实施例提供的风电机组对风误差自动校准方法，在获取到机组的历史运行数据，先剔除异常数据，然后通过对剔除异常数据后的数据进行降维处理确定对风误差与出力性能的关系曲线，接着通过对风误差与出力性能的关系曲线确定出固有对风误差，进而通过固有对风误差校正目标机组的偏航系统中的零位参数，最后还可对校正前后目标机组的出力性能进行评估。本发明实施例提供的方法能够通过对历史运行数据进行聚类、降维等处理确定出风电机组的偏航系统的固有对风误差，进而能够根据该固有对风误差自动调整偏航控制系统中的零位参数，这使得机组偏航系统的自适应能力得到增强，并且通过评估结果确定出机组的实际出力性能得到了提升。
[0110]通常情况下，风电机组的历史运行数据存在一些异常数据，而这些异常数据会对固有对风误差的确定产生的不利影响，为了避免异常数据对固有对风误差的确定产生的不利影响，本发明实施例将异常数据从风电机组的历史运行数据中剔除。剔除异常数据的实现方式有多种，在一种可能的实现方式中，可对历史运行数据进行聚类处理，并基于所述聚类处理的聚类结果剔除所述异常数据。优选的，可采用改进的DBSCAN聚类算法对目标机组的历史运行数据进行聚类处理，并通过聚类结果剔除异常数据。请参阅图4，示出了对历史运行数据进行聚类处理的具体实现过程的流程示意图，可以包括:
[0?11 ]步骤S401:对历史运行数据进行标准化处理，获得目标历史运行数据。
[0112]需要说明的是，不同类型的运行数据量纲不同，取值范围差异较大，在基于数据密度的聚类算法(即DBSCAN聚类算法)进行聚类处理时，通常需要预先对其进行标准化处理，将数据折算到0-1之间。
[0113]步骤S402:根据目标历史运行数据中数据对象的数量确定目标噪声数据占比ε-noise0
[0114]步骤S403:计算目标历史运行数据中每个数据对象与目标对象的几何距离，获得距离集合。
[0115]其中，目标对象为目标历史数据中与数据对象的几何距离第k近的数据对象，k的初始取值为2。
[0116]假设目标历史运行数据中有η个对象，每个数据对象与目标对象的几何距离为k-dis，那么，距离集合为Distk= {k-disi ,k-dis2,...,k-disn}。
[0117]步骤S404:对距离集合中的各个元素进行概率统计，将距离集合中概率值在预设概率范围内的元素组成新的距离集合。
[0118]在本实施例中，可将距离集合中概率值在5% -95 %这一概率范围内的元素组成新的距离集合。
[0119]步骤S405:确定新的距离集合的数学期望值作为DBSCAN聚类算法的参数Epsk。
[0? 20]步骤S406:确定目标历史运行数据中所有数据对象的Epsk域内点的数目集合Pk =
{pi,p2,...,Pnl。
[0121 ]步骤S407:对数目集合中的元素进行概率统计，并将数目集合中概率值在预设概率范围内的元素组成新的数目集合。
[0122]步骤S408:确定新的数目集合的数学期望值作为DBSCAN聚类算法的参数Minptsk。
[0123]在本实施例中，可将数目集合中概率值在5%_95%这一概率范围内的素组成新的数目集合Pk*，将Pk*的数学期望值赋值给Minptsk。
[0124]步骤S409:以参数Minptsk和Epsk对目标历史运行数据进行DBSCAN聚类处理。
[0125]步骤S410:根据DBSCAN聚类处理的聚类结果计算当前噪声数据占比Rat1-noiseko
[0126]步骤S411:判断k是否满足k>2，且Rat1-noisek是否满足:
[0127]I Rat1-noisek-ι-Rat1-noisek | ε-noise
[0128]如果是，则结束聚类处理，否则，将k+1赋值给k，然后返回步骤S403。
[0129]请参阅图5，图5-a示出了聚类处理前历史运行数据的散点图，图5-b为采用改进的DBSCAN聚类算法对历史运行数据进行聚类处理后剔除异常数据后的散点图。DBSCAN聚类算法是一种经典的基于密度的聚类算法，该算法聚类速度快，能在带有异常数据的数据集中发现任意形状的聚类，DBSCAN聚类算法的准确性与Eps和Minpts这两个参数的选择有关，本发明实施例在聚类处理过程中通过自适应整定DBSCAN算法的Eps和Minpt参数，以便保证聚类结果的可靠性及准确性，进而能够充分消除异常数据在风电机组偏航系统的固有对风误差的确定过程中所产生的不利影响。
[0130]需要说明的是，除了通过上述改进的DBSCAN聚类算法剔除异常数据之外，还可基于历史运行数据中主要参数的正常变化范围对数据进行筛选，然后通过线性插值的方法对数据进行重构，获得目标数据。另外，也可基于四分位法、k-means聚类算法等剔除异常数据的方法，获得目标数据。
[0131]请参阅图6，示出了上述实施例提供的风电机组对风误差自动校准方法中，对目标数据进行降维处理，并通过降维处理后的数据确定对风误差与出力性能的关系曲线的实现方式的流程示意图，可以包括:
[0132]步骤S601:对目标数据中的对风误差进行概率统计，并基于概率统计结果确定目标对风误差范围。
[0133]在本实施例中，可将概率值在10%?90%这一概率范围内的对风误差所确定的对风误差范围确定为目标对风误差范围，如图7所示。
[0134]步骤S602:从目标数据中剔除对风误差不在目标对风误差范围内的数据，获得第一目标数据。
[0135]步骤S603:利用第一目标数据确定与各个对风误差对应的风功率曲线。
[0136]其中，风功率曲线为风速与有功功率的关系曲线。
[0137]在本实施例中，在目标对风误差范围，采用Bin法对数据进行降维处理，拟合得到如图8所示的不同对风误差下的风功率曲线，风功率曲线拟合方法可参照IEC 61400-12-1-2005标准执行。
[0138]步骤S604:将风功率曲线处理成对风误差与出力性能的关系曲线。
[0139]具体的，对不同对风误差下的风功率曲线进行积分处理，折算为出力性能指标量化值EOH(理论年等效满发小时数)，得到如图9所示的对风误差与出力性能的关系曲线，以曲线最高点对应的对风误差作为目标机组的固有对风误差。
[0140]在确定出固有对风误差过后，可通过固有对风误差校正目标机组的偏航系统中的零位参数。为了确定校正效果，本发明实施例进一步基于运行数据深度净化技术评估校正前后目标机组的出力性能的变化情况。
[0141 ]具体的，基于运行数据深度净化技术评估校正前后目标机组的出力性能的变化情况的具体过程包括:
[0142](I)获取目标机组的校正前运行数据以及校正后运行数据。
[0143](2)以额定风速为界分别将校正前运行数据和所述校正后运行数据分成两组。
[0144](3)从两组校正前运行数据中剔除异常数据，将剔除异常数据后的两组校正前运行数据合并得到校正前目标运行数据，并从两组校正后运行数据中剔除异常数据，将剔除异常数据后的两组校正后运行数据合并得到校正后目标运行数据。
[0145](4)分别将校正前目标运行数据和校正后目标运行数据拟合到风功率曲线，并分别对校正前目标运行数据和校正后目标运行数据中的风速以风功率曲线为节点进行线性插值，获得与每个风速对应的理论有功功率。
[0146](5)分别计算校正前目标运行数据和校正后目标运行数据中每个数据点的实际有功功率与理论有功功率间的功率偏差，获得与各个数据点对应的功率偏差。图10示出了一数据点的实际有功功率与理论有功功率间的功率偏差。
[0147](6)对与各个数据点对应的功率偏差进行概率统计。图ΙΙ-a、图ΙΙ-b分别示出了额定风速以下以及额定风速以上功率偏差的统计结果。
[0148](7)根据概率统计结果，将概率密度不在预设范围内的数据点剔除，得到新的校正前目标运行数据和新的校正后目标运行数据，然后转入步骤(2)，直至拟合得到的风功率曲线不再变化。具体的，将概率密度小于10%以及概率密度大于90%的数据点视为离群数据和边缘数据，将这些数据剔除。
[0149](8)通过分别对校正前后的风功率曲线进行积分处理，将校正前后的风功率曲线转换为校正前后的出力性能指标量化值。图12为校正前后机组的风功率曲线对比图。
[0150](9)对比校正前后的出力性能指标量化值的大小，获得校正前后目标机组出力性能的变化情况。图13为校正前后目标机组出力性能评估结果图。
[0151]与上述方法相对应，本发明实施例还提供了一种风电机组对风误差自动校准装置，请参阅图14，示出了该装置的结构示意图，该装置可以包括:数据获取模块1401、异常数据剔除模块1402、降维处理模块1403、曲线确定模块1404、固有对风误差确定模块1405和校正模块1406。
[0152]数据获取模块1401，用于获取预设时段内目标机组的历史运行数据。
[0153]数据剔除模块1402，用于从历史运行数据中剔除异常数据，获得目标数据。
[0154]降维处理模块1403，用于对数据剔除模块1402剔除异常数据后所得到的目标数据进行降维处理。
[0155]曲线确定模块1404，用于通过降维处理模块1403降维处理后的数据确定对风误差与出力性能的关系曲线。
[0156]固有对风误差确定模块1405，用于通过曲线确定模块1404确定出的对风误差与出力性能的关系曲线确定固有对风误差。
[0?57]校正模块1406，用于通过固有对风误差确定模块1405确定的固有对风误差校正目标机组的偏航系统中的零位参数。
[0158]本发明提供的风电机组对风误差自动校准装置，在获取到机组的历史运行数据，先剔除异常数据，然后通过对剔除异常数据后的数据进行降维处理确定对风误差与出力性能的关系曲线，接着通过对风误差与出力性能的关系曲线确定出固有对风误差，进而通过固有对风误差校正目标机组的偏航系统中的零位参数。本发明实施例提供的装置能够通过对历史运行数据进行聚类、降维等处理确定出风电机组的偏航系统的固有对风误差，进而能够根据该固有对风误差自动调整偏航控制系统中的零位参数，这使得机组偏航系统的自适应能力得到增强，机组的实际出力性能得到提升。
[0159]在上述实施例提供的风电机组对风误差自动校准装置中，数据剔除模块包括:聚类模块和剔除模块。其中:
[0160]聚类模块，用于对历史运行数据进行聚类处理，获得聚类结果。
[0161]剔除模块，用于基于聚类处理的聚类结果剔除异常数据。
[0162]进一步的，聚类模块包括:标准化处理子模块、噪声数据占比确定子模块、距离计算子模块、第一概率统计子模块、距离集合确定子模块、第一参数确定子模块、数目集合确定子模块、第二概率统计模块、第一数目集合确定子模块、第二概率统计子模块、第二数目集合确定子模块、第二参数确定子模块、聚类处理子模块、噪声数据占比计算子模块、判断子模块和赋值子模块。其中:
[0163]标准化处理子模块，用于对历史运行数据进行标准化处理，获得目标历史运行数据。
[0164]噪声数据占比确定子模块，用于根据目标历史运行数据中数据对象的数量确定目标噪声数据占比ε-noise。
[0165]距离计算子模块，用于计算目标历史运行数据中每个数据对象与目标对象的几何距离，获得距离集合。其中，目标对象为目标历史数据中与数据对象的几何距离第k近的数据对象，k的初始取值为2。
[0166]第一概率统计子模块，用于对距离集合中的各个元素进行概率统计；
[0167]距离集合确定子模块，用于将距离集合中概率值在预设概率范围内的元素组成新的距离集合。
[0168]第一参数确定子模块，用于确定新的距离集合的数学期望值作为DBSCAN聚类算法的参数Epsk。
[0169]第一数目集合确定子模块，用于确定目标历史运行数据中所有数据对象的Epsk域内点的数目集合。
[0170]第二概率统计子模块，用于对数目集合中的元素进行概率统计。
[0171 ]第二数目集合确定子模块，用于将数目集合中概率值在预设概率范围内的元素组成新的数目集合。
[0172]第二参数确定子模块，用于确定新的数目集合的数学期望值作为DBSCAN聚类算法的参数Minptsk。
[0173]聚类处理子模块，用于以参数Minptsk和Epsk对目标历史运行数据进行DBSCAN聚类处理。
[0174]噪声数据占比计算子模块，用于根据DBSCAN聚类处理的聚类结果计算当前噪声数据占比 Rat1-noisek。
[0175]判断子模块，用于判断k是否大于2且Rat1-noisek满足| Rat1-noisek-ι-Rat1n-oisek I (εη-oise，如果是，则结束聚类处理，如果否则触发赋值子模块将k+Ι赋值给k，并触发距离计算子模块计算目标历史运行数据中每个数据对象与目标对象的几何距离。
[0176]在上述实施例提供的风电机组对风误差自动校准装置中，降维处理模块包括:概率统计子模块和数据剔除子模块。其中:
[0177]概率统计子模块，用于对目标数据中的对风误差进行概率统计，并基于概率统计结果确定目标对风误差范围。
[0178]数据剔除子模块，用于从目标数据中剔除对风误差不在目标对风误差范围内的数据，获得第一目标数据。
[0179]曲线确定模块包括:第一曲线确定子模块和第二曲线确定子模块。其中:
[0180]第一曲线确定子模块，用于利用第一目标数据确定与各个对风误差对应的风功率曲线，风功率曲线为风速与有功功率的关系曲线。
[0181]第二曲线确定子模块，用于将风功率曲线处理成对风误差与出力性能的关系曲线。
[0182]在上述实施例提供的风电机组对风误差自动校准装置还包括:评估模块。其中:
[0183]评估模块，用于按预设评估方法评估校正前后目标机组的出力性能的变化情况。
[0184]进一步的评估模块包括:数据获取子模块、数据分组模子块、异常数据剔除子模块、数据合并子模块、数据拟合子模块、数据插值子模块、功率偏差计算子模块、异常数据剔除子模块、风功率曲线处理子模块和对比子模块。
[0185]数据获取子模块，用于获取目标机组的校正前运行数据以及校正后运行数据。
[0186]数据分组模子块，用于以额定风速为界分别将所述校正前运行数据和校正后运行数据分成两组。
[0187]异常数据剔除子模块，用于从两组校正前运行数据中剔除异常数据，并从两组校正后运行数据中剔除异常数据。
[0188]数据合并子模块，用于将剔除异常数据后的两组校正前运行数据合并得到校正前目标运行数据，并将剔除异常数据后的两组校正后运行数据合并得到校正后目标运行数据。
[0189]数据拟合子模块，用于分别将校正前目标运行数据和所述校正后目标运行数据拟合到所述风功率曲线。
[0190]数据插值子模块，用于分别对校正前目标运行数据和校正后目标运行数据中的风速以风功率曲线为节点进行线性插值，获得与每个风速对应的理论有功功率。
[0191 ]功率偏差计算子模块，用于分别计算校正前目标运行数据和校正后目标运行数据中每个数据点的实际有功功率与理论有功功率间的功率偏差，获得与各个数据点对应的功率偏差。
[0192]异常数据剔除子模块，用于对与各个数据点对应的功率偏差进行概率统计，并根据概率统计结果将概率密度不在预设范围内的数据点剔除，获得新的校正前的运行数据和新的校正后的运行数据，然后触发数据分组模子块以额定风速为界将所述校正前运行数据分成两组，直至拟合得到的风功率曲线不再变化。
[0193]风功率曲线处理子模块，用于分别对校正前后的风功率曲线进行积分处理，将校正前后的风功率曲线转换为校正前后的出力性能指标量化值。
[0194]对比子模块，用于对比校正前后的出力性能指标量化值的大小，获得校正前后目标机组出力性能的变化情况。
[0195]本发明提供的风电机组对风误差自动校准方法及装置，通过改进的DBSCAN算法对机组的运行数据进行聚类处理，剔除异常数据，充分消除了异常数据在风电机组偏航系统固有对风误差自动辨识过程中的不利影响;通过概率统计和降维处理提高了对偏航系统的固有对风误差进行在线辨识的辨识精度，并且当风向标受外部扰动再次发生偏移时，能够做到及时反馈;根据固有对风误差自动调整偏航控制系统中的零位参数，可以增强机组偏航系统的自适应水平，提高对风效率，同时还能免除运维人员对风向标的定期复核工作，减少人为误差，提高机组偏航系统的可靠性;基于运行数据深度净化技术对校正前后风电机组的出力性能进行评估时，由于剔除了异常数据，保留了能够表征机组稳态性能的纯净数据，因此可以实现对风电机组出力性能的准确评估。
[0196]本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0197]在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和设备，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0198]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0199]所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(R0M，Read-0nly Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0200]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
【主权项】
1.一种风电机组对风误差自动校准方法，其特征在于，所述方法包括: 获取预设时段内目标机组的历史运行数据； 从所述目标机组的历史运行数据中剔除异常数据，获得目标数据； 对所述目标数据进行降维处理，并通过所述降维处理后的数据确定对风误差与出力性能的关系曲线； 通过所述对风误差与出力性能的关系曲线确定固有对风误差； 通过所述固有对风误差校正所述目标机组的偏航系统中的零位参数。2.根据权利要求1所述的自动校准方法，其特征在于，所述从所述目标机组的历史运行数据中剔除异常数据，包括: 对所述历史运行数据进行聚类处理，并基于所述聚类处理的聚类结果剔除所述异常数据。3.根据权利要求2所述的方法，其特征在于，所述对所述历史运行数据进行聚类处理，包括: 对所述历史运行数据进行标准化处理，获得目标历史运行数据； 根据所述目标历史运行数据中数据对象的数量确定目标噪声数据占比ε-noise; 计算所述目标历史运行数据中每个数据对象与目标对象的几何距离，获得距离集合，其中，所述目标对象为所述目标历史数据中与所述数据对象的几何距离第k近的数据对象，所述k的初始取值为2; 对所述距离集合中的各个元素进行概率统计，将所述距离集合中概率值在预设概率范围内的元素组成新的距离集合； 确定所述新的距离集合的数学期望值作为DBSCAN聚类算法的参数Epsk; 确定所述目标历史运行数据中所有数据对象的Epsk域内点的数目集合； 对所述数目集合中的元素进行概率统计，将所述数目集合中概率值在预设概率范围内的元素组成新的数目集合； 确定所述新的数目集合的数学期望值作为所述DBSCAN聚类算法的参数Minptsk; 以参数Minptsk和Epsk对所述目标历史运行数据进行DBSCAN聚类处理； 根据所述DBSCAN聚类处理的聚类结果计算当前噪声数据占比Rat1-noisek; 当k>2，且Rat1-noisek满足 I Rat1-noisek-ι-Rat1-noisek | < ε-noise时，结束聚类处理，否则，将k+Ι赋值给k，然后返回执行所述计算所述目标历史运行数据中每个数据对象与目标对象的几何距离这一步骤。4.根据权利要求1所述的方法，其特征在于，所述对所述目标数据进行降维处理，并通过所述降维处理后的数据确定对风误差与出力性能的关系曲线，包括: 对所述目标数据中的对风误差进行概率统计，并基于概率统计结果确定目标对风误差范围； 从所述目标数据中剔除对风误差不在所述目标对风误差范围内的数据，获得第一目标数据； 利用所述第一目标数据确定与各个对风误差对应的风功率曲线，风功率曲线为风速与有功功率的关系曲线； 将所述风功率曲线处理成对风误差与出力性能的关系曲线。5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述方法还包括: 基于运行数据深度净化技术评估校正前后所述目标机组的出力性能的变化情况。6.根据权利要求5所述的方法，其特征在于，所述基于运行数据深度净化技术评估校正前后所述目标机组的出力性能的变化情况，包括: 获取目标机组的校正前运行数据以及校正后运行数据； 以额定风速为界分别将所述校正前运行数据和所述校正后运行数据分成两组； 从两组校正前运行数据中剔除异常数据，将剔除异常数据后的两组校正前运行数据合并得到校正前目标运行数据，并从两组校正后运行数据中剔除异常数据，将剔除异常数据后的两组校正后运行数据合并得到校正后目标运行数据； 分别将所述校正前目标运行数据和所述校正后目标运行数据拟合到所述风功率曲线，并分别对所述校正前目标运行数据和所述校正后目标运行数据中的风速以所述风功率曲线为节点进行线性插值，获得与每个风速对应的理论有功功率； 分别计算所述校正前目标运行数据和所述校正后目标运行数据中每个数据点的实际有功功率与理论有功功率间的功率偏差，获得与各个数据点对应的功率偏差； 对所述与各个数据点对应的功率偏差进行概率统计； 根据概率统计结果，将概率密度不在预设范围内的数据点剔除，然后返回所述以额定风速为界将所述校正前运行数据分成两组，并以额定风速为界将所述校正后运行数据分成两组这一步骤，直至拟合得到的风功率曲线不再变化； 通过分别对校正前后的风功率曲线进行积分处理，将所述校正前后的风功率曲线转换为校正前后的出力性能指标量化值； 对比校正前后的出力性能指标量化值的大小，获得校正前后所述目标机组出力性能的变化情况。7.一种风电机组对风误差自动校准装置，其特征在于，所述装置包括: 数据获取模块，用于获取预设时段内目标机组的历史运行数据； 数据剔除模块，用于从所述数据获取模块获取的所述历史运行数据中剔除异常数据，获得目标数据； 降维处理模块，用于对所述数据剔除模块剔除异常数据后所得到的所述目标数据进行降维处理； 曲线确定模块，用于通过所述降维处理模块降维处理后的数据确定对风误差与出力性能的关系曲线； 固有对风误差确定模块，用于通过所述曲线确定模块确定出的所述对风误差与出力性能的关系曲线确定固有对风误差； 校正模块，用于通过所述固有对风误差确定模块确定的所述固有对风误差校正所述目标机组的偏航系统中的零位参数。8.根据权利要求7所述的自动校准装置，其特征在于，所述数据剔除模块包括: 聚类模块，用于对所述历史运行数据进行聚类处理，获得聚类结果； 剔除模块，用于基于所述聚类处理的聚类结果剔除所述异常数据。9.根据权利要求7所述的装置，其特征在于，所述降维处理模块包括: 所述概率统计子模块，用于对所述目标数据中的对风误差进行概率统计，并基于概率统计结果确定目标对风误差范围； 所述数据剔除子模块，用于从所述目标数据中剔除对风误差不在所述目标对风误差范围内的数据，获得第一目标数据； 所述曲线确定模块包括:第一曲线确定子模块和第二曲线确定子模块； 所述第一曲线确定子模块，用于利用所述第一目标数据确定与各个对风误差对应的风功率曲线，风功率曲线为风速与有功功率的关系曲线； 所述第二曲线确定子模块，用于将所述风功率曲线处理成对风误差与出力性能的关系曲线。10.根据权利要求7-9中任意一项所述的装置，其特征在于，所述装置还包括: 评估模块，用于基于运行数据深度净化技术评估校正前后所述目标机组的出力性能的变化情况； 所述评估模块包括: 数据获取子模块，用于获取目标机组的校正前运行数据以及校正后运行数据； 数据分组模子块，用于以额定风速为界分别将所述校正前运行数据和所述校正后运行数据分成两组； 异常数据剔除子模块，用于从两组校正前运行数据中剔除异常数据，并从两组校正后运行数据中剔除异常数据； 数据合并子模块，用于将剔除异常数据后的两组校正前运行数据合并得到校正前目标运行数据，并将剔除异常数据后的两组校正后运行数据合并得到校正后目标运行数据； 数据拟合子模块，用于分别将所述校正前目标运行数据和所述校正后目标运行数据拟合到所述风功率曲线； 数据插值子模块，用于分别对所述校正前目标运行数据和所述校正后目标运行数据中的风速以所述风功率曲线为节点进行线性插值，获得与每个风速对应的理论有功功率；功率偏差计算子模块，用于分别计算所述校正前目标运行数据和所述校正后目标运行数据中每个数据点的实际有功功率与理论有功功率间的功率偏差，获得与各个数据点对应的功率偏差； 异常数据剔除子模块，用于对所述与各个数据点对应的功率偏差进行概率统计，并根据概率统计结果将概率密度不在预设范围内的数据点剔除，获得新的校正前的运行数据和新的校正后的运行数据，然后触发数据分组模子块所述以额定风速为界将所述校正前运行数据分成两组，直至拟合得到的风功率曲线不再变化； 风功率曲线处理子模块，用于分别对校正前后的风功率曲线进行积分处理，将所述校正前后的风功率曲线转换为校正前后的出力性能指标量化值； 对比子模块，用于对比校正前后的出力性能指标量化值的大小，获得校正前后所述目标机组出力性能的变化情况。
【文档编号】F03D7/02GK106014858SQ201610579606
【公开日】2016年10月12日
【申请日】2016年7月21日
【发明人】叶杭冶, 潘东浩, 王欣, 吴根勇, 应有
【申请人】浙江运达风电股份有限公司