基于损失电量及时间分解的风电机组运行评价方法和系统与流程

1.本发明主要涉及风电技术领域，具体涉及一种基于损失电量及时间分解的风电机组运行评价方法和系统。


背景技术：

2.近十年来，我国风电装机量大幅增加，风电已经成为仅次于火电和水电之后的第三大能源。由于风电整机厂技术水平参差不齐，加上抢装而带来的一系列质量问题，风电行业内已出现一些发电量低、故障率高、机组运行稳定性差的低产出风电机组。当前，风电行业即将进入无补贴，平价、竞价上网的时代，为保证收益，风电场业主度电必争，精打细算。为挖掘风电机组发电潜力，提升低产出机组发电量，有必要对风电机组进行全面的运行评价。
3.目前，风电行业大多采用tba、mtbf、发电量、限电损失电量、故障损失电量、故障时长等kpi指标从宏观维度实现风电场运行情况分析及评价，难以全面、准确、详细的评估风机的运行情况。因此，有必要提出一种全面、准确且详细的风电机组多维度运行评价方法，为风电机组的提质增效找到切入点，以提升机组发电量。


技术实现要素：

4.本发明要解决的技术问题就在于：针对现有技术存在的问题，本发明提供一种全面、准确、详细的基于损失电量及时间分解的风电机组运行评价方法和系统。
5.为解决上述技术问题，本发明提出的技术方案为：
6.一种基于损失电量及时间分解的风电机组运行评价方法，包括步骤：
7.1)从scada历史数据库中获取机组运行数据及同时段的机组运行日志；
8.2)将机组运行数据进行聚合，得到预设粒度的机组运行数据，并识别出各预设粒度运行数据的状态标签，再将各预设粒度运行数据按照状态标签进行分类，得到各状态标签下的数据集；
9.3)由各状态标签下的数据集得到机组不同运行状态的总时长，实现基于状态标签的时间分解；
10.根据各状态标签下的数据集，统计得到机组功率曲线、以及各数据集的风频分布和发电量；通过风频分布、发电量及功率曲线，得到机组各运行状态所对应的损失电量，实现风电机组基于状态标签的损失电量分解；
11.4)根据各机组或风电场或场群的损失电量及时间分解结果，对机组或风电场或场群进行运行评价，明确损失电量构成及来源，实现机组或风电场或场群的增效潜力评估。
12.作为上述技术方案的进一步改进：
13.在步骤2)中，根据预设粒度内的机组主控状态、同期运行日志、机组特定工况识别策略，以及结合预设风电机组状态模型，识别出各预设粒度运行数据的状态标签。
14.风电机组状态模型中的运行状态类别包括满性能发电、部分性能发电、技术待机、
停电、故障、指令停机、超出环境条件、计划性维护或维修、超出电气规范；其中超出环境条件包括小风、大风和风向突变；故障划分为不同故障1、2、3
……
、n；部分性能发电包括scada限功、hmi限功、叶片覆冰和机组主动限功；技术待机包括偏航解缆、机组启动、充电、加热、自检、初始化。
15.在步骤3)中，由数据集中的机组有功功率数据，统计得到机组各运行状态下的实际发电量pri；基于所述机组功率曲线，结合数据集si的风频分布，计算得到潜在发电量ppi；于是可得到机组各运行状态所对应的损失电量pli＝ppi－pri。
16.在步骤4)中，各机组的运行评价过程为：
17.通过对比不同机组各运行状态的持续时长及损失电量，了解各机组的损失电量构成及来源，以便于对机组进行增效潜力评估，为发电量提升提供切入点；具体的，对比各机组的电池充电时长及损失电量，可发现电池性能退化机组；对比各机组的叶片覆冰时长及损失电量，可评估安装叶片除冰系统的经济性；对比机组各故障时间及损失电量，可明确机组故障损失的主要来源。
18.在步骤4)中，风电场的运行评价过程为：
19.通过对比不同风电场各运行状态的持续时长及损失电量，可清楚了解各风电场的损失电量构成及来源，以便于对风电场进行增效潜力评估，为发电量提升提供切入点；具体的，对比各风电场大风时长及损失电量，可评估风电场风机的切出优化潜力；对比各风电场小风时长及损失电量，可评估风电场机组切入优化潜力；对比各风电场故障时长及损失电量，可评估风电场降低故障率带来的发电量提升潜力。
20.在步骤1)中，还包括预处理过程：剔除机组运行数据中异常无效数据及特殊字符，以及机组运行日志中的子故障和无用警告记录。
21.本发明还公开了一种基于损失电量及时间分解的风电机组运行评价系统，包括：
22.数据获取模块，用于从scada历史数据库中获取机组运行数据及同时段的机组运行日志；
23.数据聚合及状态标签识别模块，用于将机组运行数据进行聚合，得到预设粒度的机组运行数据，并识别出各预设粒度运行数据的状态标签，再将各预设粒度运行数据按照状态标签进行分类，得到各状态标签下的数据集；
24.基于状态标签的时间分解模块，用于由各状态标签下的数据集得到机组不同运行状态的总时长，实现基于状态标签的时间分解；
25.基于状态标签的损失电量分解模块，用于根据各状态标签下的数据集，统计得到机组功率曲线、以及各数据集的风频分布和发电量；通过风频分布、发电量及功率曲线，得到机组各运行状态所对应的损失电量，实现风电机组基于状态标签的损失电量分解；
26.运行评价模块，用于根据各机组或风电场或场群的损失电量及时间分解结果，对机组或风电场或场群进行运行评价，明确损失电量构成及来源，实现机组或风电场或场群的增效潜力评估。
27.本发明进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述的基于损失电量及时间分解的风电机组运行评价方法的步骤。
28.本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计
算机程序，所述计算机程序在被处理器运行时执行如上所述的基于损失电量及时间分解的风电机组运行评价方法的步骤。
29.与现有技术相比，本发明的优点在于：
30.(1)本发明通过对各机组/风电场/场群的损失电量及时间分解，实现机组/风电场/场群的运行评价及增效潜力评估；从时间维度及损失电量维度，单台机组维度及风电场维度等多个维度对机组运行情况进行评价，能够较为全面准确详细的评估机组实际运行状况，为发电量提升提供切入点。
31.(2)本发明通过机组主控状态、运行日志、机组特定工况识别策略等，综合确定各预设粒度运行数据状态标签；由于通过对多种数据信息的融合实现数据标签的识别及确定，能够避免单一数据源导致的数据标签识别错误。
32.(3)本发明所构建的风电机组状态模型对机组运行状态进行了详细划分，基本能够包络机组的所有状态，从而提高评估结果的全面可靠性。
附图说明
33.图1为本发明的风电机组状态模型ⅰ在实施例的结构示意图。
34.图2为本发明的风电机组状态模型ⅱ在实施例的结构示意图。
35.图3为本发明的方法在实施例的流程图。
36.图4为本发明中不同机组各运行状态的持续时长及损失电量对比分析图。
37.图5为本发明中不同风电场运行状态的持续时长及损失电量对比分析图。
38.图6为本发明的系统在实施例的结构示意图。
具体实施方式
39.以下结合说明书附图和具体实施例对本发明作进一步描述。
40.如图3所示，本实施例的基于损失电量及时间分解的风电机组运行评价方法，用于实现风电机组的多维度运行评价，找到风电机组提质增效切入点，以提升发电量，具体包括步骤：
41.1)从scada历史数据库中获取机组运行数据及同时段的机组运行日志；
42.2)将机组运行数据进行聚合，得到预设粒度(如1min粒度，根据实际情况选择)的机组运行数据，并识别出各预设粒度运行数据的状态标签，再将各预设粒度运行数据按照状态标签进行分类，得到各状态标签下的数据集；
43.3)由各状态标签下的数据集得到机组不同运行状态的总时长，实现基于状态标签的时间分解；
44.根据各状态标签下的数据集，统计得到机组功率曲线、以及各数据集的风频分布和发电量；通过风频分布、发电量及功率曲线，得到机组各运行状态所对应的损失电量，实现风电机组基于状态标签的损失电量分解；
45.4)根据各机组或风电场或场群的损失电量及时间分解结果，对机组或风电场或场群进行运行评价，明确损失电量构成及来源，实现机组或风电场或场群的增效潜力评估。
46.本发明通过对各机组/风电场/场群的损失电量及时间分解，实现机组/风电场/场群的运行评价及增效潜力评估；从时间维度及损失电量维度，单台机组维度及风电场维度
等多个维度对机组运行情况进行评价，能够较为全面、准确、详细的评估机组实际运行状况，为发电量提升提供切入点。
47.在一具体实施例中，在步骤2)中，根据预设粒度内的机组主控状态、同期运行日志、机组特定工况识别策略，以及结合预设风电机组状态模型，识别出各预设粒度运行数据的状态标签。如图1所示，风电机组的运行状态类别可按照图1所示风电机组状态模型ⅰ划分为满性能发电、部分性能发电、技术待机、停电、故障、指令停机、超出环境条件、计划性维护/维修、超出电气规范等类型；对风电机组状态模型ⅰ进一步细分，得到风电机组状态模型ⅱ，如图2所示，其中超出环境条件包括小风、大风和风向突变；同时将故障划分为不同故障1、2、3
……
、n；部分性能发电包括scada限功、hmi限功、叶片覆冰和机组主动限功(对应机级特定工况)；技术待机包括偏航解缆、机组启动、充电、加热、自检、初始化；再根据风电机组状态模型ⅰ、ⅱ实现风电机组基于损失电量及时间分解的多维度运行评价。上述所构建的风电机组状态模型对机组运行状态进行了详细划分，基本能够包络机组的所有状态，从而提高评估结果的全面可靠性。进一步地，通过对多种数据信息的融合实现状态标签的识别及确定，能够避免单一数据源导致的状态标签识别错误。当然，在其它实施例中，上述的状态标签的识别也可以通过机组运行日志或运行日志 主控状态或运行日志 特定工况识别策略等方式来得到。
48.在一具体实施例中，在步骤3)中，由数据集中的机组有功功率数据，统计得到机组各运行状态下的实际发电量pri；基于所述机组功率曲线，结合数据集si的风频分布，计算得到潜在发电量ppi；于是可得到机组各运行状态所对应的损失电量pli＝ppi－pri。
49.在一具体实施例中，在步骤4)中，各机组的运行评价过程为：通过对比不同机组各运行状态的持续时长及损失电量，了解各机组的损失电量构成及来源，以便于对机组进行增效潜力评估，为发电量提升提供切入点；具体的，对比各机组的电池充电时长及损失电量，可发现电池性能退化机组；对比各机组的叶片覆冰时长及损失电量，可评估安装叶片除冰系统的经济性；对比机组各故障时间及损失电量，可明确机组故障损失的主要来源。
50.风电场的运行评价过程为：通过对比不同风电场各运行状态的持续时长及损失电量，可清楚了解各风电场的损失电量构成及来源，以便于对风电场进行增效潜力评估，为发电量提升提供切入点；具体的，对比各风电场大风时长及损失电量，可评估风电场风机的切出优化潜力；对比各风电场小风时长及损失电量，可评估风电场机组切入优化潜力；对比各风电场故障时长及损失电量，可评估风电场降低故障率带来的发电量提升潜力。
51.下面结合一完整的具体实施例对上述发明做进一步说明：
52.风电机组的运行状态类别可按照图1所示风电机组状态模型ⅰ划分为满性能发电、部分性能发电、技术待机、停电、故障、指令停机、超出环境条件、计划性维护/维修、超出电气规范等类型。对风电机组状态模型ⅰ进一步细分，得到风电机组状态模型ⅱ，如图2所示。本发明根据状态模型ⅰ、状态模型ⅱ实现风电机组基于损失电量及时间分解的多维度运行评价；该方法的具体实施如图3所示，主要包括如下步骤：
53.(1)秒级运行数据、运行日志数据获取及预处理
54.从scada历史数据库中获取机组秒级运行数据及同时段的机组运行日志；对于获取的秒级运行数据进行预处理：剔除异常无效数据及特殊字符；对于机组运行日志进行预处理：剔除子故障及无用警告记录。
55.(2)数据聚合及状态标签确定
56.将预处理后的秒级运行数据进行聚合，得到1min粒度机组运行数据；根据1min时段内的机组主控状态，同期运行日志，机组特定工况识别策略，结合风电机组状态模型ⅱ，确定各1min粒度运行数据状态标签；
57.所述机组特定工况，主要包括scada限功、hmi限功、叶片覆冰、机组主动限功等工况；
58.(3)数据集划分
59.将分析时段内的1min粒度数据按照状态标签进行分类，得到各状态标签下的数据集si(i＝1，2，3，...，n)；
60.(4)风电机组基于状态标签的时间分解
61.由数据集si(i＝1，2，...，n)可得到机组各不同运行状态总时长ti(i＝1，2，...，n)；
62.(5)机组功率曲线及各数据集风频分布统计
63.根据机组满性能发电状态下的数据集sm，采用区间法统计得到机组功率曲线；
64.基于数据集si(i＝1，2，3，...，m-1，m 1..，n)中的机舱风速数据，以0.5m/s分风速区间，统计得到各数据集风频分布；
65.所述功率曲线统计方法参照《gbt 18451.2-2012风力发电机组功率特性测试》执行。
66.(6)风电机组基于状态标签的损失电量分解
67.由数据集si(i＝1，2，3，...，m-1，m 1..，n)中的机组有功功率数据，统计得到机组各运行状态下的实际发电量pri；基于所述机组功率曲线，结合数据集si的风频分布，计算得到潜在发电量ppi；于是可得到机组各运行状态所对应的损失电量pli＝ppi－pri，实现了风电机组基于状态标签的损失电量分解。
68.(7)风电机组多维度运行评价
69.根据时间分解结果ti(i＝1，2，...，n)及损失电量分解结果pli，可详细了解机组各运行状态的持续时长及损失电量；由单台机组各运行状态的持续时长及损失电量，可统计得到整个风电场在各运行状态下的持续时长及损失电量。
70.单台机组维度：如图4所示，通过对比不同机组各运行状态的持续时长及损失电量，可清楚了解各机组的损失电量构成及来源，便于对机组进行增效潜力评估，为发电量提升提供切入点。
71.具体的，如对比各机组的电池充电时长及损失电量，可发现电池性能退化机组；对比各机组的叶片覆冰时长及损失电量，可评估安装叶片除冰系统的经济性；对比机组各故障时间及损失电量，可明确机组故障损失的主要来源。
72.风电场维度：如图5所示，通过对比不同风电场各运行状态的持续时长及损失电量，可清楚了解各风电场的损失电量构成及来源，便于对风电场进行增效潜力评估，为发电量提升提供切入点。
73.具体的，如对比各风电场大风时长及损失电量，可评估风电场风机的切出优化潜力；对比各风电场小风时长及损失电量，可评估风电场机组切入优化潜力；对比各风电场故障时长及损失电量，可评估风电场降低故障率带来的发电量提升潜力。
74.如图6所示，本发明还公开了一种基于损失电量及时间分解的风电机组运行评价系统，包括：
75.数据获取模块，用于从scada历史数据库中获取机组运行数据及同时段的机组运行日志；
76.数据聚合及状态标签识别模块，用于将机组运行数据进行聚合，得到预设粒度的机组运行数据，并识别出各预设粒度运行数据的状态标签，再将各预设粒度运行数据按照状态标签进行分类，得到各状态标签下的数据集；
77.基于状态标签的时间分解模块，用于由各状态标签下的数据集得到机组不同运行状态的总时长，实现基于状态标签的时间分解；
78.基于状态标签的损失电量分解模块，用于根据各状态标签下的数据集，统计得到机组功率曲线、以及各数据集的风频分布和发电量；通过风频分布、发电量及功率曲线，得到机组各运行状态所对应的损失电量，实现风电机组基于状态标签的损失电量分解；
79.运行评价模块，用于根据各机组或风电场或场群的损失电量及时间分解结果，对机组或风电场或场群进行运行评价，明确损失电量构成及来源，实现机组或风电场或场群的增效潜力评估，为发电量提升提供切入点。
80.进一步地，数据获取模块包括数据预处理模块，用于剔除机组运行数据中异常无效数据及特殊字符，以及机组运行日志中的子故障和无用警告记录。
81.本发明的基于损失电量及时间分解的风电机组运行评价系统，用于执行如上所述的评价方法，同样具有如上方法所述的优点。
82.本发明进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述的基于损失电量及时间分解的风电机组运行评价方法的步骤。本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述的基于损失电量及时间分解的风电机组运行评价方法的步骤。
83.本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现各种功能。存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。
84.以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护
范围。