机状态。所述发电机组为光伏发 电机组运行数据包括：所述气象数据包括：光辐射强度、环境温度、空气湿度、风速；所述发 电机组运行数据包括：功率、光伏发电机组运行状态，其中光伏发电机组运行包括：发电状 态、无负荷状态及停机状态。
[0040] 在步骤201之后还包括：对至少一个发电机组的历史运行数据进行筛选，获取每 个发电机组正常运行状态的历史运行数据。
[0041] 具体的，例如采用风力发电机组时，可以是根据风机运行状态和实际运行范围 (如：运行时间段）剔除无效和不合理的运行数据，选择风机正常发电状态的历史数据，筛 除风机的内外因限功率运行状态、维护状态、动态过程状态、天气停机等状态的运行数据， 历史运行数据的采样点数量足以建立一个完整的发电量预测模型；以此，保证发电量预测 模型的精度。同样的对于光伏发电机组采用相同的技术手段及理由对历史运行数据进行筛 选，这里不再赘述。
[0042] 202、在所述历史运行数据中选取每个所述发电机组的训练数据；并在所述历史运 行数据中选取每个所述发电机组的校验数据。
[0043] 其中，步骤202中训练数据用来训练发电机组的纵向发电量预测模型，校验数据 用来校核纵向发电量预测模型的准确性。
[0044] 以风力发电机组为例，步骤202中训练数据的选取和校验数据的选取具体可以通 过如下方式选取：
[0045] 计算训练数据和校验数据的风速-有功功率曲线，用归一化指标如归一化均方根 误差（英文〖Normalized root mean square error,简称：NREMS)评价风速-有功功率曲 线离散度，选择相近离散度的两部分数据为训练数据和检验数据。
[0047] 式中X为风机有功功率，xMf为风机拟合功率曲线功率，η为数据点个数。示例性 的在采用光伏发电机组时，可以通过计算光辐射强度-有功功率曲线选取训练数据和校验 数据。
[0048] 203、通过自适应模糊神经推理系统ANFIS计算每个所述发电机组的训练数据获 得至少一个发电机组的纵向发电量预测模型。
[0049] 204、根据每个发电机组的校验数据对每个发电机组的纵向发电量预测模型进行 校验。
[0050] 在步骤203中，由于发电机组的发电性能受诸多因素影响，以风力发电机组为例， 风机的发电性能受风速、湍流强度、环境空气密度、地理条件及风机自身特性等因素影响， 是一个非线性、多变量的复杂系统。在步骤203中通过ANFIS(Adapitive Neuro-fuzzy Inference System，自适应模糊神经推理系统）完成纵向发电量预测模型的建模，ANFIS是 一种结合模糊逻辑和神经网络的模糊推理系统。采用反向传播和最小二乘法的混合算法分 别调整前提参数和结论参数，并自动产生If-Then规则。ANFIS既具有模糊控制不要求掌握 被控对象精确模型及强鲁棒性的优点，又具有神经网络自学习及高控制精度的优点，能够 很好的适应发电机组的发电性能受诸多因素影响。
[0051] 在步骤 203 和 204 中，用训练数据通过ANFIS (Adapitive Neuro-fuzzy Inference System，自适应模糊神经推理系统）建立纵向发电量预测模型，以风力发电机组为例，如图 3所示，ANFIS的输入参数包括：风速、风向、温度、湿度、气压、湍流强度、有功功率，当然这 只是一种示例，ANFIS的输入参数也可以包括上述的任意一种或多种参数，当然还可以包括 其他如风机转速、风机运行状态等相关参数。用校验数据对纵向发电量预测模型进行校核， 此时纵向发电量预测模型的输入参数和输出参数关系如图4所示。采用如下公式评估输入 校验数据时预测发电量和实际发电量的关系是否异常，如两者关系是否满足：
[0052]
[0053] 该设定值代表校验数据是否合格的判定原则，可根据纵向发电量预测模型各项输 入数据的采样精度来确定该设定值。如校验数据不合格，则说明训练出的纵向发电量预测 模型适应性较差，则纵向发电量预测模型不合格需要调整ANFIS的模型参数和训练参数 (图2所示）重新训练，如：ANFIS的模型参数：模型输入变量的隶属度函数、个数等参数； ANFIS的训练参数：训练次数、初始步长及步长上升下降速率等参数。
[0054] 205、获取所述至少一个发电机组中待评估发电机组的待评估运行数据，将所述待 评估运行数据输入对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能 是否正常。
[0055] 步骤205包括：将待评估运行数据输入对应的纵向发电量预测模型获取所述待评 估发电机组的预测发电量；
[0056] 当所述预测发电量与实际发电量的关系满足预设条件时，确定待评估发电机组的 纵向发电性能正常；
[0057] 否则确定所述待评估发电机组的纵向发电性能异常。
[0058] 其中，在风机实际运行中，在通过发电量检测获取实际发电量后，还可以根据上述 步骤205得到的预测发电量和实际发电量的比例关系判定发电机组性能变化的量化指标， 如：可以通过对一个时间段内检测的若干实际发电量与对应的预测发电量对发电机组发电 性能的变化趋势进行评估。
[0059] 其中步骤205之前的步骤中，是通过单台发电机组（即待评估发电机组）自身的 历史运行数据对待评估发电机组的发电性能进行评估，为提高评估结果的可靠性，在通过 步骤205检测待评估发电机组的发电性能异常时，本发明的实施例提供206之后的步骤，将 多台发电机组的发电性能进行分类，通过同类发电机组之间发电性能的对比，提高评估结 果的可靠性。
[0060] 206、当所述待评估发电机组的发电性能异常时，获取一组典型运行数据。
[0061] 207、将所述典型运行数据输入所述至少一个发电机组中每个发电机组的纵向发 电量预测模型获取所述每个发电机组的预期发电量。
[0062] 其中，以风力发电机组为例，在步骤206和207中，风场测风塔的数据可以典型的 代表该风场风资源情况，因此典型运行数据中的气象数据可以采用风场测风塔的数据，因 此可以选择风场测风塔的历史风机运行数据如轮毂高度风速数据、湍流强度、风向、温度、 湿度、气压等数据作为每个发电机组的纵向发电量预测模型的输入，通过各台风机的纵向 发电量预测模型，得到风电场中各发电机组的模拟预期发电量。其中，测风塔的历史风机运 行数据可选择与发电机组的训练数据及校验数据同时段，以保证测风塔的历史运行数据为 各个发电机组正常运行时的数据，从而降低模型训练时未考虑的其他输入因素对发电量预 测造成的影响。如缺少测风塔数据，也可参考风场中典型风机的历史运行数据。
[0063] 208、根据所述每个发电机组的预期发电量进行聚类分析，将所述至少一个发电机 组按照预期发电量分为K类，其中K为大于或等于1的正整数；
[0064] 根据步骤207中获取的各台发电机组的预期发电量，做聚类分析如K-Means聚类 算法，对各台发电机组的发电性能做出分类，如图5 (以风力发电机组为例），可以综合纵向 发电量预测模型的精度和后期评估要求，将1#风机至X#风机按照预计发电量分为K类，同 类风机之间发电性能视为同等级别。
[0065] 209、将所述待评估发电机组的待评估运行数据依次输入与所述待评估发电机组 同类的N-I台发电机组的纵向发电量预测模型，检测所述待评估发电机组的横向发电性能 是否正常。
[0066] 参照图6所示，步骤209包括：将所述待评估发电机组的待评估运行数据输入与所 述待评估发电机组同类的N-I台发电机组中第一发电机组的纵向发电量预测模型，获取所 述待评估发电机组的第一预测发电量；
[0067] 当所述第一预测发电量与实际发电量的关系满足预设条件时，确定所述待评估发 电机组的横向发电性能正常；
[0068] 否则确定所述待评估发电机组的横向发电性能异常，并将所述待评估发电机组的 待评估运行数据输入与所述待评估发电机组同类的N-I台发电机组中其他发电机组的纵 向发电量预测模型以检测所述待评估发电机组的横向发电性能是否正常