本发明属于电力系统控制领域，涉及一种风电场风机电量分析方法。
背景技术：
风机电量分析是指通过分析风机过往的发电量、风速、功率等采集数据，从而获得风机过往的运作状态，例如风机过去正常工作的状态时间是多少，正常发电量是多少，风机欠发了多少，风机停机造成损失多少等。对风场的运行、检修、风机机组老化分析都有重要意义。
传统电量分析利用风机出厂的标准功率曲线为基础，在标准功率曲线上做出标准功率带，在根据标准功率带进一步对已经实际产生的风机功率与风速信息进行分析，获得风机的电量分析结果信息。
传统办法在分析上，因为其工作原理导致对于风机老化后的分析以及不同机型的分析都需要大量修改参数，也无法完全覆盖风场的每一个风机情况，新的模式将会提升电量分析的正确性并且适应性更强。在风机实际运作中，因为老化、性能、备件更换等风机的功率状况与出厂的标准功率信息都存在差距，因此传统方式，对于不同的风机类型都需要进行调整，而且判断出的结果依然有偏差。
有鉴于此，特提出本发明。
技术实现要素：
本发明要解决的技术问题在于克服现有技术的不足，提供一种风电场风机电量分析方法，本方法利用大数据理念，通过对风机过往正常发电区间的风速以及电量信息进行有监督学习训练模型，最终利用训练后的模型使用回归的方式对过往风机运作数据进行分析，从而获得风机的电量分析信息。本发明在分析因为老化或者实际风机已经偏离功率带的分析正确率明显提升，对于在标准功率带的机器分析正确率也高于传统方法。本方法中模型训练方式流程确定，只要通过学习不同的风机类型，就可以进行横向扩展，可以快速的扩充未来可以识别的风机种类。
为解决上述技术问题，本发明采用技术方案的基本构思是：
一种风电场风机电量分析方法，包括以下步骤：
s1、根据风机历史数据进行模型训练，获得回归模型；
s2、由步骤s1中得到的回归模型确定功率曲线，并由落入到功率曲线上的历史数据确定出正常风机运行数据所对应的功率曲线区间，所述的功率曲线区间为功率带；
s3、将风电场内各风机的历史数据与功率带相比较，若历史数据落入功率带内，则判断该历史数据为正常类数据，并标记该历史数据为正常数据，若判断结果为否，则判断该历史数据为异常类数据，并标记该历史数据为异常数据；
s4、根据s3中标记的数据类型进行分类统计，并根据统计结果，判断各风机是否需进行检修、维护及更换。
在上述方案中，所述的风机历史数据主要包括了风机的运行数据包括了风速和功率，优选的，所述的风机历史数据还包括有该数据对应的风机的编号。本发明中通过对数据类型进行分类统计，有利于直观的查看风机历史电量分析结果，正常工作的状态时间是多少，正常发电量是多少，风机欠发了多少，风机停机造成损失多少等。对风场的运行、检修、风机机组老化分析都有重要意义。另一方面，该模型的训练中，还包括了学习不同的风机类型数据，比如风机的各参数，从而有利于未来横向扩展，可以快速的扩充未来可以识别的风机种类。
优选的，在步骤s4中，还包括判断各风机的历史数据中正常数据的比例，当该正常数据的比例大于设定值时，则判断风机为正常状态，不需要进行检修；否则，判断风机为非正常状态，需要进行检修，尤其，在正常数据的比例低于最低值时，风机停机并发出检修提醒。
优选的，在步骤s3中，当判断该历史数据为异常类数据后进一步判断该异常类数据的类型，并标记该历史数据为对应的类型，所述的异常类数据的类型包括欠功率类型、限功率类型、保护限功率类型。
优选的，步骤s3中，还包括以下步骤：
s301、将风电场内各风机的历史数据与功率带相比较，判断出历史数据对应的类型；
s302、对判断好类型的数据增加对应的类型标签；
s303、根据各数据的类型标签进行数据输出，以分类统计的方式显示给用户。
优选的，在步骤s303中，所述的以分类统计的方式显示给用户包括：以电量数据、类型标签对应的类别以及时间为数据源绘制统计结果图/表。通过所述的统计结果图/表可直观的看到各风机的历史运行状态。例如风机过去正常工作的状态时间是多少，正常发电量是多少，风机欠发了多少，风机停机造成损失多少等。对风场的运行、检修、风机机组老化分析都有重要意义
优选的，所述的步骤s1还包括以下步骤：
s101、获取风机历史数据；
s102、按照步骤s101中的历史数据绘制风速功率散点图，对历史数据进行人工监督标记，并剔除错误/异常的数据；
s103、针对步骤s102中标记后的正常的数据进行回归模型训练。
优选的，在步骤s101中，还包括对历史数据进行数据清洗去除干扰或者错误产生的数据；
在上述方案中，通过对历史数据进行数据清洗去除干扰或者错误产生的数据，有利于回归模型的训练和未来判断数据的准确性。
优选的，所述的对历史数据进行数据清洗去除干扰或者错误产生的数据，包括去除功率为0、功率为负数、风速为0、风速为负数、功率大于风机实际功率1.2倍以上的数据项。
优选的，在步骤s2中，包括在风速功率散点图上以预设风速间隔划分区间，分别确定各区间的中值点，并按照各中值点构造功率曲线。
优选的，所述的步骤s2还包括以下步骤：
s201、以每n米风速作为切分点，对风速功率散点图进行分组，获得多个组；
s202、分别对每个组内的数据进行中值法计算，确定每个组内的中值点；
s203、根据各中值点构造功率曲线，并由落入到功率曲线上的历史数据确定出正常风机运行数据所对应的功率曲线区间，所述的功率曲线区间为功率带；
优选的，所述的n为0.05-1，优选的，所述的n为0.1。
优选的，在步骤s203中还包括对各中值点进行连线并平滑处理，优选的，所述的平滑处理包括通过最小二乘法对各中值点进行拟合：
对中值点的功率数据进行线性化处理，将实测值yi与利用计算值yj(yj＝a0+a1xi)的离差(yi-yj)的平方和∑(yi-yj)2作为最小为“优化判据”。
r＝[∑xiyi-m(∑xi/m)(∑yi/m)]/sqr{[∑xi2-m(∑xi/m)2][∑yi2-m(∑yi/m)2]}。其中，r为相关系数，越趋近于1越好，m为样本容量，即实验次数；xi、yi分别为任意一组实验数据x、y的数值，x为风速，y为功率。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果。
本发明利用大数据理念，通过对风机过往正常发电区间的风速以及电量信息进行有监督学习训练模型，最终利用训练后的模型使用回归的方式对过往风机运作数据进行分析，从而获得风机的电量分析信息。传统电量分析利用风机出厂的标准功率曲线为基础，在标准功率曲线上做出标准功率带，在根据标准功率带进一步对已经实际产生的风机功率与风速信息进行分析，获得风机的电量分析结果信息。传统办法在分析上，因为其工作原理导致对于风机老化后的分析以及不同机型的分析都需要大量修改参数，也无法完全覆盖风场的每一个风机情况，新的模式将会提升电量分析的正确性并且适应性更强。风机实际运作中，因为老化、性能、备件更换等风机的功率状况与出厂的标准功率信息都存在差距，因此传统方式，对于不同的风机类型都需要进行调整，而且判断出的结果依然有偏差，本发明的方法在分析上对于因为老化或者实际风机已经偏离功率带的分析正确率明显提升，对于在标准功率带的机器分析正确率也高于传统方法。本发明的方法中模型训练方式流程确定，只要通过学习不同的风机类型，就可以进行横向扩展，可以快速的扩充未来可以识别的风机种类。本发明在分析因为老化或者实际风机已经偏离功率带的分析正确率明显提升，对于在标准功率带的机器分析正确率也高于传统方法。本方法中模型训练方式流程确定，只要通过学习不同的风机类型，就可以进行横向扩展，可以快速的扩充未来可以识别的风机种类。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：
图1是本发明的风电场风机电量分析方法控制流程图。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例
参见图1所示，本发明提供一种风电场风机电量分析方法，包括以下步骤：
s1、根据风机历史数据进行模型训练，获得回归模型；
s2、由步骤s1中得到的回归模型确定功率曲线，并由落入到功率曲线上的历史数据确定出正常风机运行数据所对应的功率曲线区间，所述的功率曲线区间为功率带；
s3、将风电场内各风机的历史数据与功率带相比较，若历史数据落入功率带内，则判断该历史数据为正常类数据，并标记该历史数据为正常数据，若判断结果为否，则判断该历史数据为异常类数据，并标记该历史数据为异常数据；
s4、根据s3中标记的数据类型进行分类统计，并根据统计结果，判断各风机是否需进行检修、维护及更换。
在上述方案中，所述的风机历史数据主要包括了风机的运行数据包括了风速和功率，优选的，所述的风机历史数据还包括有该数据对应的风机的编号。本发明中通过对数据类型进行分类统计，有利于直观的查看风机历史电量分析结果，正常工作的状态时间是多少，正常发电量是多少，风机欠发了多少，风机停机造成损失多少等。对风场的运行、检修、风机机组老化分析都有重要意义。另一方面，该模型的训练中，还包括了学习不同的风机类型数据，比如风机的各参数，从而有利于未来横向扩展，可以快速的扩充未来可以识别的风机种类。
优选的，在步骤s4中，还包括判断各风机的历史数据中正常数据的比例，当该正常数据的比例大于设定值时，则判断风机为正常状态，不需要进行检修；否则，判断风机为非正常状态，需要进行检修，尤其，在正常数据的比例低于最低值时，风机停机并发出检修提醒。
优选的，在步骤s3中，当判断该历史数据为异常类数据后进一步判断该异常类数据的类型，并标记该历史数据为对应的类型，所述的异常类数据的类型包括欠功率类型、限功率类型、保护限功率类型。
优选的，步骤s3中，还包括以下步骤：
s301、将风电场内各风机的历史数据与功率带相比较，判断出历史数据对应的类型；
s302、对判断好类型的数据增加对应的类型标签；
s303、根据各数据的类型标签进行数据输出，以分类统计的方式显示给用户。
优选的，在步骤s303中，所述的以分类统计的方式显示给用户包括：以电量数据、类型标签对应的类别以及时间为数据源绘制统计结果图/表。通过所述的统计结果图/表可直观的看到各风机的历史运行状态。例如风机过去正常工作的状态时间是多少，正常发电量是多少，风机欠发了多少，风机停机造成损失多少等。对风场的运行、检修、风机机组老化分析都有重要意义
优选的，所述的步骤s1还包括以下步骤：
s101、获取风机历史数据；
s102、按照步骤s101中的历史数据绘制风速功率散点图，对历史数据进行人工监督标记，并剔除错误/异常的数据；
s103、针对步骤s102中标记后的正常的数据进行回归模型训练。
优选的，在步骤s101中，还包括对历史数据进行数据清洗去除干扰或者错误产生的数据；
在上述方案中，通过对历史数据进行数据清洗去除干扰或者错误产生的数据，有利于回归模型的训练和未来判断数据的准确性。
优选的，所述的对历史数据进行数据清洗去除干扰或者错误产生的数据，包括去除功率为0、功率为负数、风速为0、风速为负数、功率大于风机实际功率1.2倍以上的数据项。
优选的，在步骤s2中，包括在风速功率散点图上以预设风速间隔划分区间，分别确定各区间的中值点，并按照各中值点构造功率曲线。
优选的，所述的步骤s2还包括以下步骤：
s201、以每n米风速作为切分点，对风速功率散点图进行分组，获得多个组；
s202、分别对每个组内的数据进行中值法计算，确定每个组内的中值点；
s203、根据各中值点构造功率曲线，并由落入到功率曲线上的历史数据确定出正常风机运行数据所对应的功率曲线区间，所述的功率曲线区间为功率带；
优选的，所述的n为0.05-1，优选的，所述的n为0.1。
优选的，在步骤s203中还包括对各中值点进行连线并平滑处理，优选的，所述的平滑处理包括通过最小二乘法对各中值点进行拟合：
对中值点的功率数据进行线性化处理，将实测值yi与利用计算值yj(yj＝a0+a1xi)的离差(yi-yj)的平方和∑(yi-yj)2作为最小为“优化判据”。
r＝[∑xiyi-m(∑xi/m)(∑yi/m)]/sqr{[∑xi2-m(∑xi/m)2][∑yi2-m(∑yi/m)2]}。其中，r为相关系数，越趋近于1越好，m为样本容量，即实验次数；xi、yi分别为任意一组实验数据x、y的数值，x为风速，y为功率。
本发明利用大数据理念，通过对风机过往正常发电区间的风速以及电量信息进行有监督学习训练模型，最终利用训练后的模型使用回归的方式对过往风机运作数据进行分析，从而获得风机的电量分析信息。传统电量分析利用风机出厂的标准功率曲线为基础，在标准功率曲线上做出标准功率带，在根据标准功率带进一步对已经实际产生的风机功率与风速信息进行分析，获得风机的电量分析结果信息。传统办法在分析上，因为其工作原理导致对于风机老化后的分析以及不同机型的分析都需要大量修改参数，也无法完全覆盖风场的每一个风机情况，新的模式将会提升电量分析的正确性并且适应性更强。风机实际运作中，因为老化、性能、备件更换等风机的功率状况与出厂的标准功率信息都存在差距，因此传统方式，对于不同的风机类型都需要进行调整，而且判断出的结果依然有偏差，本发明的方法在分析上对于因为老化或者实际风机已经偏离功率带的分析正确率明显提升，对于在标准功率带的机器分析正确率也高于传统方法。本发明的方法中模型训练方式流程确定，只要通过学习不同的风机类型，就可以进行横向扩展，可以快速的扩充未来可以识别的风机种类。本发明在分析因为老化或者实际风机已经偏离功率带的分析正确率明显提升，对于在标准功率带的机器分析正确率也高于传统方法。本方法中模型训练方式流程确定，只要通过学习不同的风机类型，就可以进行横向扩展，可以快速的扩充未来可以识别的风机种类。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。