基于数模联动的风力发电机组老化评估方法系统及设备

1.本发明涉及风力发电设备评估技术领域，具体为一种基于数模联动的风力发电机组老化评估方法系统及设备。


背景技术：

2.目前在中国乃至世界范围内，早期的风电机组已经运行了大约二十年左右，接近或已超过机组的设计寿命。机组和技术系统的老化不可避免，机组会随着工龄的上升、故障率的增加、气动性能和转换效率的下降逐渐老化，老化导致其运维成本增加，机组老化问题对风电领域影响巨大。
3.目前国内外关于机组老化评估的研究存在一些不足之处，主要体现在：a)对现有数据的挖掘未考虑数据本身受到机组老化的影响，导致机组老化评估结果不准确；
4.b)在机组老化评估时，忽略机组运维历史，导致评估结果不具有泛化性。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种基于数模联动的风力发电机组老化评估方法、系统、设备及存储介质，解决了上述背景技术中提出的目前的风电机组老化评估方法存在的对现有数据的挖掘未考虑数据本身受到机组老化的影响，导致机组老化评估结果不准确、忽略机组运维历史，导致评估结果不具有泛化性的问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：本发明根据风力发电机组基础理论，分析了风能量和风功率有关的各种基本物理学概念。从能量流动角度来解释风能转换系统，机组将风能通过叶轮转化为机械能，再通过发电机将机械能转化为电能，在机组内部，绝大部分能量都被转化为有用的电能，也有部分能量被消耗在齿轮箱、轴承、发电机、变流器以及输电环节，这一能量流动过程满足能量守恒，公式如下：
9.w-q＝p
10.式中：w为机组捕获的风能；q为机组内部消耗的能量；p为机组产生的电能。
11.机组运行过程时刻满足能量守恒，但在实际中，随着机组工龄的上升，机组内部消耗的能量q逐渐增大，这造成从机组捕获风能w到机组产生电能p的过程发生变化。由此，机组内部消耗能量增大的过程可以作为机组老化评估的标准。一般认为数学预测模型不会发生“老化”，因此，本发明实现机组老化评估的核心思路是：依据风能传递关系，构建机组服役前几年(基准年)反映机组捕获风能w到机组产生电能p的数学模型，通过现有年和基准年预测结果的比较，得出机组的老化程度。
12.一种基于数模联动的风力发电机组老化评估方法，包括：
13.获取基准年和现有年的风力发电机组的scada数据集合；
14.基于基准年的scada数据集合以所选反映风力发电机组捕获风能特征参量作为模
型输入，反映风力发电机组产生电能特征参量作为模型输出，构建风力发电机组从捕获风能到机组产生电能的数学模型；
15.基于现有年、基准年scada数据，以所选特征参量作风力发电机组从捕获风能到机组产生电能的数学模型的输入进行预测；
16.计算现有年的真实值和模型预测值之间的相对误差、基准年的真实值和模型预测值之间的相对误差，计算上述两个相对误差值之间的差值，得出机组的老化程度。
17.优选地，还包括：对数据进行清洗和异常数据剔除。
18.优选地，所述对数据进行清洗和异常数据剔除，包括：基于dbscan密度聚类算法对数据集进行清洗，剔除scada数据中存在的一些异常值和错误值，并记录机组运行日志。
19.优选地，所述基于基准年的scada数据集合以所选反映风力发电机组捕获风能特征参量作为模型输入，包括：
20.根据风力发电机组基础理论，在风能框架下，利用质量、能量和动量守恒得出机组风能转换的机理过程。
21.根据机组风能转换的机理过程，分析反映机组捕获风能的特征参量和反映机组产生电能的特征参量。
22.优选地，所述构建风力发电机组从捕获风能到机组产生电能的数学模型，包括：选用长短期记忆神经网络(long short term memory network，lstm)作为本发明数学模型；
23.建立的lstm网络模型第一层为lstm网络输入层，根据上述所选取的scada特征参量作为模型输入；
24.其次为lstm网络隐含层，对输入的scada数据进行学习，通过各个lstm细胞传递参数间时序特征，挖掘各个参数的序列信息；
25.最后为预测模型的输出层，主要通过一层全连接层与隐含层相连，输出lstm模型对所选特征参量的最终预测结果。
26.本发明还提供一种基于数模联动的风力发电机组老化评估系统，包括：
27.数据获取模块：用于获取基准年和现有年的风力发电机组的scada数据集合；
28.模型构建模块：用于基于基准年的scada数据集合以所选反映风力发电机组捕获风能特征参量作为模型输入，反映风力发电机组产生电能特征参量作为模型输出，构建风力发电机组从捕获风能到机组产生电能的数学模型；
29.老化程度评估模块：用于基于现有年、基准年scada数据，以所选特征参量作风力发电机组从捕获风能到机组产生电能的数学模型的输入进行预测；
30.计算现有年的真实值和模型预测值之间的相对误差、基准年的真实值和模型预测值之间的相对误差，计算上述两个相对误差值之间的差值，得出机组的老化程度。
31.本发明还提供一种基于数模联动的风力发电机组老化评估设备，包括：输入设备、输出设备、存储器、处理器；所述输入设备、所述输出设备、所述存储器和所述处理器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所护处理器被配置调用所述程序指令，执行如前任一所述的一种基于数模联动的风力发电机组老化评估方法。
32.本发明一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器所执行时执行如前任一所述的一
种基于数模联动的风力发电机组老化评估方法。
33.有益效果
34.本发明提供了一种基于数模联动的风力发电机组老化评估方法、系统、设备及存储介质具备以下有益效果：
35.本发明所提出的风电机组老化评估方法基于风力发电机组运行基础理论以及风能量、风功率有关的各种基本物理学概念，拥有较强的可解释性。
36.本发明构建数学模型时在数据集选取上有效避免了机组内部因素对机组老化评估的影响，评估结果更为准确。
37.本发明所提出的风电机组老化评估方法在风电机组老化评估领域首创的融合了机理模型和数据驱动模型。
38.本发明所提出的风电机组老化评估方法考虑了机组运维历史，避免了机组运维对老化评估的影响。
附图说明
39.图1为本发明提供的一种基于数模联动的风力发电机组老化评估方法流程图；
40.图2为本发明提供的一种基于数模联动的风力发电机组老化评估系统结构示意图；
41.图3为例子中理论功率曲线图和实际风速功率图；
42.图4为例子中原始数据风速功率散点图和清洗后数据风速功率散点图；
43.图5为例子中清洗后数据风速功率散点图和截取后数据风速功率散点图；
44.图6为例子中lstm模型的构建流程图；
45.图7为例子中2016年有功功率平均值的预测结果。
具体实施方式
46.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。
47.本发明根据风力发电机组基础理论，分析了风能量和风功率有关的各种基本物理学概念。从能量流动角度来解释风能转换系统，机组将风能通过叶轮转化为机械能，再通过发电机将机械能转化为电能，在机组内部，绝大部分能量都被转化为有用的电能，也有部分能量被消耗在齿轮箱、轴承、发电机、变流器以及输电环节，这一能量流动过程满足能量守恒，公式如下：
48.w-q＝p
49.式中：w为机组捕获的风能；q为机组内部消耗的能量；p为机组产生的电能。
50.机组运行过程时刻满足能量守恒，但在实际中，随着机组工龄的上升，机组内部消耗的能量q逐渐增大，这造成从机组捕获风能w到机组产生电能p的过程发生变化。由此，机组内部消耗能量增大的过程可以作为机组老化评估的标准。一般认为数学预测模型不会发生“老化”，因此，本发明实现机组老化评估的核心思路是：依据风能传递关系，构建机组服役前几年(基准年)反映机组捕获风能w到机组产生电能p的数学模型，通过现有年和基准年预测结果的比较，得出机组的老化程度。
51.本发明实施例提供一种基于数模联动的风力发电机组老化评估方法，如图1所示，包括：
52.s11获取基准年和现有年的风力发电机组的scada数据集合；
53.s12基于基准年的scada数据集合以所选反映风力发电机组捕获风能特征参量作为模型输入，反映风力发电机组产生电能特征参量作为模型输出，构建风力发电机组从捕获风能到机组产生电能的数学模型；
54.s13基于现有年、基准年scada数据，以所选特征参量作风力发电机组从捕获风能到机组产生电能的数学模型的输入进行预测；
55.s14计算现有年的真实值和模型预测值之间的相对误差、基准年的真实值和模型预测值之间的相对误差，计算上述两个相对误差值之间的差值，得出机组的老化程度。
56.基于现有年、基准年的scada数据，以所选特征参数作为lstm模型输入进行预测，计算现有年、基准年预测值和真实值的相对误差，以此建立机组老化评估准则。
57.其中，基准年、现有年的真实值和预测值相对误差计算公式如下：
[0058][0059][0060]
式中：δb为基准年预测值和真实值的相对误差；δ0为基准年真实值；ψ0为基准年预测值；δ
t
为现有年预测值和真实值的相对误差；δi为现有年真实值；ψi为现有年预测值。
[0061]
根据基准年、现有年的真实值和预测值相对误差变化量，建立机组老化评估准则，公式如下:
[0062]
δ＝δ
t-δb[0063]
式中：δ为基准年到现有年之间机组的老化程度；
[0064]
优选地，还包括：对数据进行清洗和异常数据剔除。
[0065]
优选地，所述对数据进行清洗和异常数据剔除，包括：基于dbscan密度聚类算法对数据集进行清洗，剔除scada数据中存在的一些异常值和错误值，并记录机组运行日志。
[0066]
scada系统检测数据量大、数据维度高，并且存在数据缺失、检测值异常、存在错误值等现象，而dbscan是一种基于密度的聚类算法，它将簇定义为密度相连点的最大集合，能够把具有足够高密度的区域划分为簇，并可在带噪声的数据集空间中发现任意形状的类别簇，可以有效地发现噪声点和离群点。因此通过对机组运行“风速-功率”数据分布特性分析，选取dbscan密度聚类算法对离群异常数据剔除。
[0067]
由于dbscan密度聚类算法不能很好的剔除分布集中的0功率堆积点和恒功率限电点，还需要根据机组的运行特性以及运行日志对其直接剔除，最后根据机组运行日志记录自投运以来进行过的维修、翻新。
[0068]
优选地，所述基于基准年的scada数据集合以所选反映风力发电机组捕获风能特征参量作为模型输入，包括：
[0069]
根据风力发电机组基础理论，在风能框架下，利用质量、能量和动量守恒得出机组风能转换的机理过程。
[0070]
根据机组风能转换的机理过程，分析反映机组捕获风能的特征参量和反映机组产
生电能的特征参量。
[0071]
根据风力发电机组基础理论，在风能框架下，利用质量、能量和动量守恒推导了功率系数，解释了机组可利用风能大小以及机组能够转换的风能大小。其中，功率系数以总风能一个百分比的形式定义圆盘式风轮所能吸收风能的多少，得出机组吸收的功率满足公式如下:
[0072][0073]
式中：w为机组吸收功率；c
p
为功率系数；ρ为空气密度；ar为叶轮截面面积；v0为叶轮上游风速。
[0074]
据机组风能转换的机理过程，分析反映机组捕获风能的特征参量和反映机组产生电能的特征参量。
[0075]
得出风能吸收功率w和空气密度ρ、叶轮上游风速v_0、功率系数c_p有关。
[0076]
其中，其中，空气密度与湿度、海拔高度和温度密切相关，空气密度和湿度满足公式如下：
[0077][0078]
式中：pd是干燥空气的偏压力；pv是水蒸气的偏压力；rd是干燥空气的气体常数；rd＝287.05；rv是水蒸气的气体常数，rv＝461.495；压力p＝pd+pv。
[0079]
其中pv可近似取：
[0080][0081]
式中：rh是相对湿度；tc是摄氏温度。
[0082]
当大气压强p＝101325pa、tc＝15℃时，相对湿度从1％到100％时，空气密度ρ从1.225012(kg/m3)减少到1.217219(kg/m3)，降低不到0.6％，相对湿度对空气密度的影响可以忽略。
[0083]
空气密度和海拔高度满足公式如下：
[0084][0085]
式中：p0为大气压强；l是温度下降速率，l＝6.5(k/km)；g是重力常数；m是以g为单位的干燥空气的摩尔质量，其值为28.9644(g/mol)；r以摩尔数(mol)表示为8.31432(mol
·
k)；t0为大气温度；h为海拔高度。
[0086]
当大气压强p＝101325pa、tc＝15℃时，海拔高度h从地面到轮毂高度100m，空气密度ρ从1.224999(kg/m3)减少到1.213282(kg/m3)，降低不到1％，海拔高度对空气密度的影响同样可以忽略。
[0087]
以上对空气密度的分析得出，通过影响空气密度来反映机组风能吸收功率的特征量为大气温度，这在scada系统中体现为：塔基环境温度平均值(℃)、
[0088]
机舱外部环境温度平均值(℃)。
[0089]
机组风能吸收功率与叶轮上游风速有关，这在scada系统中体现为：瞬时风速平均
值(m/s)、3s风速平均值(m/s)、30s风速平均值(m/s)、5min风速平均值(m/s)。
[0090]
机组风能吸收功率w还与功率系数cp有关，由于风力发电机在不同运行阶段功率系数值不同，因此有必要考虑哪个运行阶段最适合进行机组老化评估。机组运行由5个阶段组成，即启动阶段、第一次过渡阶段、最大功率点追踪阶段、第二次过渡阶段和全功率运行阶段，而在最大功率点追踪阶段，功率系数几乎是恒定的，同时这一工作阶段机组变桨系统正常运行，因此选定机组运行最大功率点追踪阶段的scada数据用于机组老化评估。
[0091]
根据以上分析，1、scada系统中能够反映机组风能吸收功率的特征参量共有6类，且都为机组运行最大功率点追踪阶段数据，分别是塔基环境温度平均值(℃)、机舱外部环境温度平均值(℃)、瞬时风速平均值(m/s)、3s风速平均值(m/s)、30s风速平均值(m/s)和5min风速平均值(m/s)，而反映机组产生电能的特征参量为有功功率平均值(kw)。
[0092]
优选地，所述构建风力发电机组从捕获风能到机组产生电能的数学模型，包括：选用长短期记忆神经网络(long short term memory network，lstm)作为本发明数学模型；
[0093]
建立的lstm网络模型第一层为lstm网络输入层，根据上述所选取的scada特征参量作为模型输入；
[0094]
其次为lstm网络隐含层，对输入的scada数据进行学习，通过各个lstm细胞传递参数间时序特征，挖掘各个参数的序列信息；
[0095]
最后为预测模型的输出层，主要通过一层全连接层与隐含层相连，输出lstm模型对所选特征参量的最终预测结果。
[0096]
如图2所示，本发明还提供基于数模联动的一种风力发电机组老化评估系统，包括：
[0097]
数据获取模块：用于获取基准年和现有年的风力发电机组的scada数据集合；
[0098]
模型构建模块：用于基于基准年的scada数据集合以所选反映风力发电机组捕获风能特征参量作为模型输入，反映风力发电机组产生电能特征参量作为模型输出，构建风力发电机组从捕获风能到机组产生电能的数学模型；
[0099]
老化程度评估模块：用于基于现有年、基准年scada数据，以所选特征参量作风力发电机组从捕获风能到机组产生电能的数学模型的输入进行预测；
[0100]
计算现有年的真实值和模型预测值之间的相对误差、基准年的真实值和模型预测值之间的相对误差，计算上述两个相对误差值之间的差值，得出机组的老化程度。
[0101]
本发明还提供一种基于数模联动的风力发电机组老化评估设备，包括：输入设备、输出设备、存储器、处理器；所述输入设备、所述输出设备、所述存储器和所述处理器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所护处理器被配置调用所述程序指令，执行如前任一所述的一种风力发电机组老化评估方法。
[0102]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器所执行时执行如前任一所述的一种风力发电机组老化评估方法。
[0103]
为验证本评估方法，以中国湖南某风场为例：
[0104]
采用的scada数据集来自中国湖南某风场，机组型号为wt2000//d011/h80型双馈机组，投运日期为2015年1月。以此台机组为例进行机组老化评估，具体步骤如图1所示，需要注意的是，此实施例仅是本发明的一部分实施例，具体为：
[0105]
步骤1：数据准备；
[0106]
此机组自投运以来运行正常，采用变速恒频控制策略，其切入风速为3m/s,
[0107]
切出风速为25m/s，额定风速为9.5m/s，其理论功率曲线图和2016年实际的30s风速平均值与有功功率平均值散点图如图3所示。本实施例从scada数据库中选取其2016年、2019年和2021年运行数据作为样本进行分析，数据记录总共315648条，其中2016年原始scada数据样式如表1所示：
[0108]
表1原始scada数据样式
[0109][0110][0111]
步骤2：对数据进行处理，使用dbscan密度聚类算法对离群数据剔除，同时剔除数据中的缺失值、异常值，并截取出机组最大功率点追踪阶段数据；
[0112]
(1)数据清洗：scada系统采集的原始数据包含了设备寿命周期内的所有状态，包括正常运行、故障、停机、维修等状态。因此scada数据中包含了一些对实际研究毫无意义的“脏数据”，会直接或间接影响我们对机组进行老化评估的过程，需要对这类scada数据进行数据清洗。
[0113]
本实例对scada数据清洗的步骤如下：
[0114]
1)剔除原始数据中状态变量值缺失及所有状态变量值为“0”的记录；
[0115]
2)参考机组运维修纪录，去除因机组维修而导致机组停机时的数据；
[0116]
3)使用dbscan密度聚类算法剔除离群异常数据；
[0117]
2016年原始scada数据风速功率散点图和清洗后数据风速功率散点图如图3所示。
[0118]
对比图4清洗前后风速功率图可以看出：经过数据清洗后其风速功率图和机组的功率曲线图4相吻合，数据清洗效果达到。
[0119]
(2)数据截取：
[0120]
根据机组不同运行阶段的特点，我们选取机组最大功率点追踪阶段作为机组老化评估的研究区域，因此选定截取的风速所在区间是：4.5(m/s)≤v≤8(m/s)，清洗后数据风速功率散点图和截取后数据风速功率散点图如图5所示。
[0121]
步骤3：使用基准年(2016年)scada数据训练lstm模型；
[0122]
选取2016年1月1日-2016年12月31日scada数据用来搭建lstm模型，共计105408组数据。
[0123]
lstm模型的构建流程如图6所示，其中，lstm隐含层个数为3，每一层神经元个数分别为64、128、64，输入层时间步长l设定为20，为了避免模型出现过拟合，每一层中加入dropout，设置值为0.3，模型循环训练次数为100次。
[0124]
步骤4：使用lstm模型对现有年(2016年、2019年、2021年)机组有功功率平均值进行预测；
[0125]
将2016年、2017年、2019年整年数据放入构建的lstm模型中进行预测，其中2016年有功功率平均值的预测结果如图7所示，可以看出模型预测结果良好，预测值和真实值差距不大。三年预测结果的残差在正常状态下都处于平稳状态，并未有较大的波动情况。
[0126]
步骤5：计算2016年、2017年、2019年预测值和真实值的相对误差，根据各年度的相对误差建立风力发电机老化评估准则。各年度真实值和预测值计算公式及结果如表2所示
[0127]
表2各年度真实值和预测值
[0128]
[0129][0130]
根据各年度真实值和预测值计算它们之间的相对误差，由此得出各年度之间机组的老化程度，计算公式及结果如表3所示。
[0131]
表3各年度真实值和预测值
[0132][0133]
从2016年到2019年和2019年到2021年相对误差的变化量来看，预先设定的机组老化标准都大于0且各不相同，这说明机组在五年间发生了不同程度的老化，值得注意的是，各年度预测值和真实值的相对误差在不断减小，这似乎表示预测结果逐年变好，但事实是：老化导致机组每年输出的电能在不断减少，这反映在机组的输出功率上的减少，从2016年、2019年和2021年的预测结果来看，真实值数据的和都大于预测值数据的和，预测结果稳定而真实功率随机组老化减少，它们之间的残差减少，这导致预测值和真实值的相对误差逐渐减少，所以这是恰当的结果，同时反映了本发明所提出的机组老化评估方法的正确性。
[0134]
机组在2016年到2019年三年间老化了3.92％，在2019年到2021年两年间老化了2.75％，这是一个合理的结果，从2016年到2019年三年平均来看机组逐年老化1.30％，而2019到2021年两年间平均来看机组逐年老化1.38％。可以看出机组的老化随着服役年龄的增长逐渐加剧。
[0135]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。