一种风力发电机组启机过程异常识别算法的制作方法

1.本发明属于新能源领域变桨距风力发电机组上应用的异常问题识别算法及对应的调整方法，特别涉及一种风力发电机组启机过程异常识别算法。


背景技术：

2.风力发电机组一般分为待机、启机、运行、停机和维护等几个状态。正常状态下当风力发电机组在遇到故障或是外界风况过小不能发电时，将启动停机策略，将风力发电机从运行状态切换到停机状态。当故障消除或是外界风况满足启机需求时，将启动启机策略，将风力发电机从停机或待机状态切换至启机状态，在满足发电条件下再从启机进入到发电状态。
3.但启机过程中可能会遇到诸多问题，如因机组机组个体差异问题或启机策略中由于参数设置不合理导致的启机时间偏长或偏短等现象暂无方法进行识别，主控通常认为此时是风况原因，如风速过小等原因导致机组吸收的能量不能正常启动，继续处于等风状态，因而无法识别出本应快速启机发电但却仍处于启机过程中的异常情况。
4.当机组在启机过程中遇到故障时会有风机的控制系统进行保护，但这种故障保护主要是针对各执行部件是否正常来进行检查，如在启机过程中，分别查看变流系统、变桨系统以及偏航等各子系统是否处于正常状态，若出现故障马上进行停机保护，但对整机的启机运行表现：如启机时长是否过长、是否相同工况下一直未能正常启机却并未有任何识别方法和保护措施，而这时风机控制系统仅会认为该机组的风况过小未能达到正常启机条件而持续等待，这就会导致由于机组的差异或是参数设置不合理导致启机时长慢或不能正常启机带来的发电量损失。


技术实现要素：

5.本发明通过大数据的横向和纵向对比，有效识别出机组启机过程中的异常行为，发现启机时长的通常有几类原因，一是外界风况，二是机组个体差异，三是控制参数设置问题。并通过大数据分析的方式将由于风况原因导致的启机时长异常进行剔除，将可由控制参数解决的问题机组筛查出来，进而通过定制化每台机组的启机过程的控制参数的方法进行优化，使机组能正常平稳启机，避免发电量的损失。
6.本发明采用如下技术方案：
7.该技术方案分为四个步骤，数据准备、模型计算、异常标识和控制调整。前三个步骤在离线的形式下完成，即不影响风机的运行，后一个步骤再制定完成控制参数调整方法后，下发到现场，使机组在线运行优化。进行数据准备工作，对数据采集存储和清洗，其次针对这些数据进行模型计算，计算完成后对异常值进行提取和判断，最后根据异常情况进行控制调整。
8.所述数据准备包括以下步骤：
9.1)针对目标风电场进行运行数据的采集和回传，要求不少于一个月的数据，可充
分经历各种运行状态和外部环境风况，使数据更为有效；
10.2)将回传的数据按照指定位置和编号放置在云平台上进行存储；
11.3)数据清洗工作，包括重复值删除、缺失值补充、中断数据剔除。
12.所述模型计算包括以下步骤：
13.1)对每台机组数据进行启机状态识别，运行数据通道中包含了启机状态的记录，正常机组会分为待机、启机、发电、停机和维护几种状态，需识别出标识为启机的数据；
14.2)计算全场所有机组的每次启机过程时长tsij(i＝1,2...n,i表示机组编号)(j＝1,2...m，j表示启机次数，注意每台机组启机总次数不同)，举例，对于1号机组，一共识别出100次启机，则对每次启机终止时间-启机开始时间即为启机时间。即得到1号机组的100个时长数值，ts11、ts12、ts13…
ts1
100
,如果2#机组有103次启机，则得到ts21、ts22、ts23…
ts2
103
，同理可得到该现场所有机组每一次的启机时长，假设最后一台机组的启机次数为89次，50台机组最后加起来的数值为5000次，则其tsij的总个数为100+103+
……
+89＝5000次；
15.3)对现场所有机组的启机时长tsij进行排序，剔除x％最大值和x％最小值，变成tsij’。假设ts11＝40s，ts12＝2000s，
……
ts1
100
＝70s，ts21＝60s，ts12＝80s。。。将这5000个tsij的值进行排序，找出占比为1％的最大值和最小值(这里x假设取1％)进行筛除，筛除后数据剩余4900个；
16.4)针对这4900个数据进行计算，计算每台机组的平均启机时长和全场平均启机时长，由于在3)步骤中已经筛除了异常的数据，每台机组的启机次数有所变化，如1#机组的启机时长分别为ts11、ts13…
ts1
100
，因为ts12过大已经被筛除掉，因而1#机组的启机时长值不足100个，而仅为99个，则针对1#机组取启机时长平均值，得到ts1avg＝(ts11+ts13+ts14……
+ts1
100
)/99，同理得到其它机组的平均启机时长ts2avg、ts3avg
……
ts50avg，得到50个数值，每个代表一个机组的平均启机时长，再将这4900个tsij取平均值得到全场的启机平均启机时长信息tsavg；
17.5)针对这4900个数据进行计算，计算启机过程中的风速信息，得到4900个vij，由于在3)步骤中已经筛除了异常的数据，每台机组的启机次数有所变化，如1#机组的启机风速分别为v11、v13、v14……
v1
100
，因为ts12过大已经被筛除掉，因而1#机组的风速值不足100个，而仅为99个，则针对1#机组取风速平均值，得到v1avg＝(v11+v13+v14……
+v1
100
)/99，同理得到其它机组的平均风速v2avg、v3avg
……
v50avg，得到50个数值，每个代表一个机组的平均启机风速，再将这4900个vij取平均值得到全场的启机平均风速信息vsavg。
18.异常标识包括，针对异常机组的启机状态标识需要进行两个条件判断，当两个条件同时满足时才认为是异常；
19.1)条件1：对上述计算结果中得到的各机组的平均启机时长和全场平均启机时长进行对比，找出超过阈值的机组，超过阈值是指平均启机时长过长或过短的机组：即tsdi＝tsiavg-tsavg，tsdi》ts1或tsdi《-ts2，其中ts1为上限时长差值，ts2为下限时长差值。这一步是为了筛查出启机时长过长或过短的机组；
20.2)条件2：针对满足条件1的机组进一步筛查，对上述计算结果中得到的各机组的平均启机风速和全场平均启机风速进行对比，确定异常机组其启机过程中的风速分布在正常区间：即vdi＝viavg-vavg，vdi《v1且vdi》-v2，其中v1为上限风速差值，v2为下限风速差
值，这一步是将启机时长过长或过短机组中对应风速异常的机组进行剔除，排除了由于风速原因导致的启机异常。
21.控制调整包括以下步骤：
22.1)对于满足条件1和条件2进行启机参数调整，调整方法主要是根据tsdi调整启机参数，如启机设置转速、初始变桨角度和启机过程中的变桨速率；如当tsdi过大时，说明启机时间过长，可降低初始桨距角，并提高启机过程中的变桨速率，快速开桨角，增加风能的吸收，促使快速启机；
23.将调整后的参数更新到机组控制系统中，进行在线优化实施；
24.针对机组的启机时长进行判断，查找出启机时长过长的机组，并通过改变启机过程中的初始变桨角度和变桨速率来减少启机时长，达到平稳快速启机。
25.本发明通过对启机异常机理进行判断，通过特殊算法将由于数据问题和外部风速问题导致的启机异常排查出去，定位出由于机组个体差异以及控制问题导致的启机异常。
附图说明
26.图1为本发明的流程图。
具体实施方式
27.本发明分为四个步骤，数据准备、模型计算、异常标识和控制调整。数据准备包括以下步骤：
28.1)针对目标风电场进行运行数据的采集和回传，要求不少于一个月的数据，可充分经历各种运行状态和外部环境风况，使数据更为有效；
29.2)将回传的数据按照指定位置和编号放置在云平台上进行存储；
30.3)数据清洗工作，包括重复值删除、缺失值补充、中断数据剔除。
31.模型计算包括以下步骤：
32.1)对每台机组数据进行启机状态识别，运行数据通道中包含了启机状态的记录，正常机组会分为待机、启机、发电、停机和维护几种状态，需识别出标识为启机的数据；
33.2)计算全场所有机组的每次启机过程时长tsij(i＝1,2...n,i表示机组编号)(j＝1,2...m，j表示启机次数，注意每台机组启机总次数不同)，举例，对于1号机组，一共识别出100次启机，则对每次启机终止时间-启机开始时间即为启机时间。即得到1号机组的100个时长数值，ts11、ts12、ts13…
ts1
100
,如果2#机组有103次启机，则得到ts21、ts22、ts23…
ts2
103
，同理可得到该现场所有机组每一次的启机时长，假设最后一台机组的启机次数为89次，50台机组最后加起来的数值为5000次，则其tsij的总个数为100+103+
……
+89＝5000次；
34.3)对现场所有机组的启机时长tsij进行排序，剔除x％最大值和x％最小值，变成tsij’。假设ts11＝40s，ts12＝2000s，
……
ts1
100
＝70s，ts21＝60s，ts12＝80s。。。将这5000个tsij的值进行排序，找出占比为1％的最大值和最小值(这里x假设取1％)进行筛除，筛除后数据剩余4900个；
35.4)针对这4900个数据进行计算，计算每台机组的平均启机时长和全场平均启机时长，由于在3)步骤中已经筛除了异常的数据，每台机组的启机次数有所变化，如1#机组的启
机时长分别为ts11、ts13…
ts1
100
，因为ts12过大已经被筛除掉，因而1#机组的启机时长值不足100个，而仅为99个，则针对1#机组取启机时长平均值，得到ts1avg＝(ts11+ts13+ts14……
+ts1
100
)/99，同理得到其它机组的平均启机时长ts2avg、ts3avg
……
ts50avg，得到50个数值，每个代表一个机组的平均启机时长，再将这4900个tsij取平均值得到全场的启机平均启机时长信息tsavg；
36.5)针对这4900个数据进行计算，计算启机过程中的风速信息，得到4900个vij，由于在3)步骤中已经筛除了异常的数据，每台机组的启机次数有所变化，如1#机组的启机风速分别为v11、v13、v14……
v1
100
，因为ts12过大已经被筛除掉，因而1#机组的风速值不足100个，而仅为99个，则针对1#机组取风速平均值，得到v1avg＝(v11+v13+v14……
+v1
100
)/99，同理得到其它机组的平均风速v2avg、v3avg
……
v50avg，得到50个数值，每个代表一个机组的平均启机风速，再将这4900个vij取平均值得到全场的启机平均风速信息vsavg。
37.异常标识包括，针对异常机组的启机状态标识需要进行两个条件判断，当两个条件同时满足时才认为是异常；
38.1)条件1：对上述计算结果中得到的各机组的平均启机时长和全场平均启机时长进行对比，找出超过阈值的机组，超过阈值是指平均启机时长过长或过短的机组：即tsdi＝tsiavg-tsavg，tsdi》ts1或tsdi《-ts2。其中ts1为上限时长差值，ts2为下限时长差值。这一步是为了筛查出启机时长过长或过短的机组；
39.2)条件2：针对满足条件1的机组进一步筛查，对上述计算结果中得到的各机组的平均启机风速和全场平均启机风速进行对比，确定异常机组其启机过程中的风速分布在正常区间：即vdi＝viavg-vavg，vdi《v1且vdi》-v2，其中v1为上限风速差值，v2为下限风速差值，这一步是将启机时长过长或过短机组中对应风速异常的机组进行剔除，排除了由于风速原因导致的启机异常。
40.控制调整包括以下步骤：
41.1)对于满足条件1和条件2进行启机参数调整，调整方法主要是根据tsdi调整启机参数，如启机设置转速、初始变桨角度和启机过程中的变桨速率；如当tsdi过大时，说明启机时间过长，可降低初始桨距角，并提高启机过程中的变桨速率，快速开桨角，增加风能的吸收，促使快速启机；
42.将调整后的参数更新到机组控制系统中，进行在线优化实施；
43.针对机组的启机时长进行判断，查找出启机时长过长的机组，并通过改变启机过程中的初始变桨角度和变桨速率来减少启机时长，达到平稳快速启机。
44.将风机历史运行数据进行回传至云端大数据平台，先通过数据清洗，并通过算法开发，对历史运行时间的整场风机启机过程的时间长度进行横向和纵向对比，有效识别出不同机组启机过程中的差异性，找出启机过程中的异常机组(指启机过程过长或过短的机组)对其进行分析，并通过算法排除由于风况原因导致的启机问题，定位能够通过控制优化加以解决的机组，并对每台可优化的机组定制不同的启机参数，将控制参数更新至每台机组的控制器中(plc-可编程逻辑控制器)，新的控制参数可对机组启机过程的时长进行优化，使机组能正常平稳启机，避免发电量的损失。