基于相关性分析的风力发电机组性能评估方法
【专利摘要】本发明涉及一种基于相关性分析的风力发电机组性能评估方法，包括以下步骤：S1.通过大数据平台收集数据；S2.确定待分析发电机组；S3.利用以时间为序的不同机组风速对需要确定相关性的机组进行相关性分析；S4.选取修正机组，并求得修正机组的相对发电量；S5.求相对发电量的平均值，当待分析的发电机组相对发电量低于平均发电量(k*100)％时，则待分析发电机组性能欠佳，急需整改，其中k为常数。本发明利用多层次的相关性、一致性分析方法，确定了相关机组，排除了复杂风况对性能评估的影响，直接应用相关机组的相对发电量作为评估标准，排除了风资源优劣对发电的影响，评估结果更可靠。
【专利说明】
基于相关性分析的风力发电机组性能评估方法
技术领域
[0001]本发明涉及一种风力发电机组性能评估方法，特别是一种基于相关性分析的风力 发电机组性能评估方法。
【背景技术】
[0002] 风力发电近年来快速发展并得到了广泛关注与支持。"十二五"规划中明确提出， 到2015年，风电装机容量达到1.04亿千瓦，到2020年这一数字提升到2亿千瓦。从实际情况 看，2014年新增装机容量2335.05万千瓦，比2013年增长45.1 %，累计装机容量1.1476339亿 千瓦，比2013年新增25.5. %。2014年风电发电量初步统计为1500多亿千瓦时，然而在并网 装机容量达到预期标准的前提下并没有达到预期的1800亿千瓦时。
[0003] 风力发电电场发电量的高低取决于风力发电机组的性能好坏，其也是风场盈利能 力强弱的关键。准确可靠地评估风力发电机组性能可以帮助风电场制定运维策略，有目的 地安排检修。风力发电机组性能好坏虽然从直观上取决于其发电量的高低，然而实际评估 过程中，存在着风力发电机组间风况不相同且缺乏对比手段、风力发电机组结构及控制系 统复杂等种种难题，很难单一的依靠风力发电机发电量的高低去评估其性能，目前并没有 一种很好的能综合考虑多种因素的方式去评估风力发电机组，这使得无法分析风力发电发 电量欠佳的原因进而加以整改。因此，需要提供一种通过数据统计、分析的方法去评估不同 发电机组间性能优劣的方法，并提供相应算法找到性能较差的风力发电机组，为风场的高 质量运行、发电量提升提供参考。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种能综合考虑多种因素的基于相关性分析 的风力发电机组性能评估方法。
[0005] 本发明解决上述技术问题所采用的技术方案如下：
[0006] 基于相关性分析的风力发电机组性能评估方法，包括以下步骤：
[0007] S1.通过大数据平台收集数据，数据为不同型号的风力发电机组的以时间为序的 风速、功率、实际发电量、湍流强度、风向和平均风速；
[0008] S2.确定待分析发电机组，从大数据平台中提取所有型号为待分析发电机组的风 速、功率、实际发电量、湍流强度、风向和平均风速；
[0009] S3.利用以时间为序的不同机组风速对需要确定相关性的机组进行相关性分析：
[0010] S31.设待分析的发电机组以时间为序的风速序列为Xl，需要确定相关性的机组以 时间为序的风速序列为yi，则二者间的相关系数办为：
[0011]
[0012] S32.Ri的值越尚，表不二者的相关性越尚，当R1 > 01时表不^者相关，为相关性关 系机组，其中，紅31(0.:95;
[0013] S33.重复S31与S32,得到所有需要确定相关性的机组与待分析的发电机组的相关 系数，以及相关性关系机组；
[0014] S4.选取修正机组，并求得修正机组的相对发电量：
[0015] S41.从相关性机组中选取主风向一致，且整个风向频率分布相关系数R2 >「2的 机组，其中，5 0.95,
[0016]风向频率分布相关系数R2的计算方法如下：
[0017]
[0018] 其中，i为风向区间的序号，i = l，2,3……，f(i)为机组落在i区间内的风向概率；
[0019] S42.从S41筛选出来的机组中再选择湍流强度相近的机组，筛选方法如下：
[0020]湍流强度区间为(C-c，C+c)，其中C为中心湍流强度，c为区间范围，当从S41筛选出 来的机组与待分析发电机组在同一时间段内的湍流落在相同区间内时，则二者湍流相近；
[0021] S43.计算相对发电量，方法如下：
[0022]
[0023] 其中，胃勢示为待分析发电机组的实际发电量，Wi耐为待分析发电机组的相对发电量， 7为S42筛选出来的机组的平均风速；
[0024] S5.求相对发电量的平均值，当待分析的发电机组相对发电量低于平均发电量(k* 100)%时，则待分析发电机组性能欠佳，急需整改，其中k为常数。
[0025] 本发明利用多层次的相关性、一致性分析方法，确定了相关机组，排除了复杂风况 对性能评估的影响，直接应用相关机组的相对发电量作为评估标准，排除了风资源优劣对 发电的影响，评估结果更可靠。
[0026] 作为优选，S1中，通过大数据平台收集的数据，时间间隔一致，且时间范围一致。 [0027]作为优选，S41中，主风向一致的确定方法如下：
[0028]风向区间为(A_a，A+a)，其中A为中心风向角，a为区间范围，待分析发电机组落在 风向区间内的风向数据占总体数据的比例为丹，待确定关系的机组相应的比例为p2,二者差 值的绝对值为PP:
[0029] ρρ= |Ρι-Ρ2
[0030] 当PP< 5%时，二者主风向一致。
[0031]作为优选，S41中，A为待分析发电机组以1°为间隔时风频分布最高的角度，a为5°。 [0032]作为优选，风向区间为，在一年的风向数据中，相比同等大小的区间，且所有机组 的风向落在风向区间内的比例最大。
[0033]作为优选，S41中，风向区间为(B(i)_b，B(i)+b)，其中i为风向区间的序号，i = l， 2,3……，B(i)为该区间的中心风向，b为区间范围，i个区间为大小相同、相互没有交集且覆 盖0-360°范围。
[0034]作为优选，B 和b 的取值为，B = 0.25+0.5i，b = (h25。
[0035]作为优选，S5中，相对发电量的平均值的计算方法如下：
[0036]
[0037] 其中，η为经S4筛选后的发电机组数量，k为常数，且0.8 <k<l，当待分析机组的 W_ < k时，则待分析机组性能欠佳。k值越大，对机组的评估越严格。
[0038] 本发明同现有技术相比具有以下优点及效果：
[0039] 1、由于本发明利用大数据平台收集足够多的数据，使得评估结果更可靠，更接近 实际。
[0040] 2、由于本发明利用多层次的相关性、一致性分析方法，使得评估结果更可靠，更接 近实际。
[0041] 3、由于本发明通过确定相关机组，排除了复杂风况对性能评估的影响，直接应用 相关机组的相对发电量作为评估标准，排除了风资源优劣对发电的影响，使得评估结果具 有更高的准确性。
[0042] 4、由于本发明使用大数据的发电量作为评估标准，将风机的复杂结构作为操作黑 箱处理，简化了评估流程，更具工程意义。
【具体实施方式】
[0043] 下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而 本发明并不局限于以下实施例。
[0044] 实施例1:
[0045] 在本实施例中，基于相关性分析的风力发电机组性能评估方法，包括以下步骤：
[0046] S1.通过大数据平台收集数据，数据为不同型号的风力发电机组的以时间为序的 风速、功率、实际发电量、湍流强度、风向和平均风速；
[0047] S2.确定待分析发电机组，从大数据平台中提取所有型号为待分析发电机组的风 速、功率、实际发电量、湍流强度、风向和平均风速；
[0048] S3.利用以时间为序的不同机组风速对需要确定相关性的机组进行相关性分析：
[0049] S31.设待分析的发电机组以时间为序的风速序列为Xl，需要确定相关性的机组以 时间为序的风速序列为 yi，则二者间的相关系数办为：
[0050]
[0051] S32.Ri的值越尚，表不二者的相关性越尚，当R1 > (51时表不^?者相关，为相关性关 系机组，其中
[0052] S33.重复S31与S32,得到所有需要确定相关性的机组与待分析的发电机组的相关 系数，以及相关性关系机组；
[0053] S4.选取修正机组，并求得修正机组的相对发电量：
[0054] S41.从相关性机组中选取主风向一致，且整个风向频率分布相关系数R2 > Γ2的 机组，其中，〇·8$谠 S 0.95，
[0055]风向频率分布相关系数R2的计算方法如下：
[0056]
[0057] 其中，i为风向区间的序号，i = l，2,3……，f(i)为机组落在i区间内的风向概率；
[0058] S42.从S41筛选出来的机组中再选择湍流强度相近的机组，筛选方法如下：
[0059] 湍流强度区间为(C-c，C+c)，其中C为中心湍流强度，c为区间范围，当从S41筛选出 来的机组与待分析发电机组在同一时间段内的湍流落在相同区间内时，则二者湍流相近；
[0060] S43.计算相对发电量，方法如下：
[0061]
[0062] 其中，胃勢示为待分析发电机组的实际发电量，Wi耐为待分析发电机组的相对发电量， 5为S42筛选出来的机组的平均风速；
[0063] S5.求相对发电量的平均值，当待分析的发电机组相对发电量低于平均发电量(k* 100)%时，则待分析发电机组性能欠佳，急需整改，其中k为常数。
[0064]上述的S1中，大数据的收集主要为了后面的处理提供足够的数据支撑。
[0065]上述的S1中，通过大数据平台收集的数据，时间间隔一致，且时间范围一致。
[0066]上述的S2中，选取相同型号的发电机组的目的是以保证其包括叶轮直径、轮毂高 度、控制系统、传动系统、发电机、传感系统等是采用相同的设备与技术。
[0067]上述的S41中，主风向一致的确定方法如下：
[0068]风向区间为(A_a，A+a)，其中A为中心风向角，a为区间范围，待分析发电机组落在 风向区间内的风向数据占总体数据的比例为丹，待确定关系的机组相应的比例为p2,二者差 值的绝对值为PP:
[0069] ρρ= |Ρι-Ρ2
[0070] 当PP< 5%时，二者主风向一致。
[0071]上述的S41中，A为待分析发电机组以1°为间隔时风频分布最高的角度，a为5°。 [0072]上述的风向区间为，在一年的风向数据中，相比同等大小的区间，且所有机组的风 向落在风向区间内的比例最大。
[0073] 上述的S41中，风向区间为(B(i)_b，B(i)+b)，其中i为风向区间的序号，i = l，2， 3……，B(i)为该区间的中心风向，b为区间范围，i个区间为大小相同、相互没有交集且覆盖 0-360° 范围。
[0074] 上述的 B 和b 的取值为，B = 0.25+0.5i，b = 0.25。
[0075] 上述的S5中，相对发电量的平均值的计算方法如下：
[0076]
[0077]其中，η为经S4筛选后的发电机组数量，k为常数，且0.8 <k<l，当待分析机组的 Wwi Sk时，则待分析机组性能欠佳。根据不同的评估要求或者对机组的不同要求， 可以根据实际需要确定k的具体数值。
[0078] 实施例2:
[0079] 本实施例与实施例1相似，其不同仅在于：
[0080] S5.求相对发电量的平均值，当待分析的发电机组相对发电量低于平均发电量 80%时，则待分析发电机组性能欠佳，急需整改，其中k为常数。
[0081 ]在步骤S5中，相对发电量的平均值的计算方法如下：
[0082]
[0083]其中，η为经S4筛选后的发电机组数量，在本实施例中取k = 0.8,当待分析机组的 ，则待分析机组性能欠佳。
[0084] k的取值越大，对机组的评估越严格，因此在k取0.8时，对机组的评估较为宽松，不 严格。
[0085] 实施例3:
[0086] 本实施例与实施例1和/或实施例2相似，其不同仅在于：
[0087] S5.求相对发电量的平均值，当待分析的发电机组相对发电量低于平均发电量 90%时，则待分析发电机组性能欠佳，急需整改，其中k为常数。
[0088] 在步骤S5中，相对发电量的平均值的计算方法如下：
[0089]
[0090]其中，η为经S4筛选后的发电机组数量，在本实施例中取k = 0.9,当待分析机组的 k * 1时，则待分析机组性能欠佳。
[0091 ] k的取值越大，对机组的评估越严格，因此在k取0.9时，对机组的评估较为严格。 [0092]此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名 称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包 括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施 例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本 权利要求书所定义的范围，均应属于本发明的保护范围。
【主权项】
1. 一种基于相关性分析的风力发电机组性能评估方法，其特征是:包括以下步骤：51. 通过大数据平台收集数据，所述数据为不同型号的风力发电机组的以时间为序的 风速、功率、实际发电量、湍流强度、风向和平均风速；52. 确定待分析发电机组，从大数据平台中提取所有型号为待分析发电机组的风速、功 率、实际发电量、湍流强度、风向和平均风速；53. 利用以时间为序的不同机组风速对需要确定相关性的机组进行相关性分析： S31.设待分析的发电机组以时间为序的风速序列为X1，需要确定相关性的机组以时间 为序的风速序列为yi，则二者间的和羊蒸救R1为·S32 .Ri的值越尚，表不二者的相关性越尚，当R:i >祖时表不^者相关，为相关性关系机 组，其中，().ΜΠ 5；0.95 ; S33.重复S31与S32,得到所有需要确定相关性的机组与待分析的发电机组的相关系 数，以及相关性关系机组；54. 选取修正机组，并求得修正机组的相对发电量：541. 从相关性机组中选取主风向一致，且整个风向频率分布相关系数R;. > (:'2的机组， 其中，?).8<(Κ0.95 , 风向频率分布相关系数R2的计算方法如下：其中，i为风向区间的序号，i = l，2,3……，f(i)为机组落在i区间内的风向概率；542. 从S41筛选出来的机组中再选择湍流强度相近的机组，筛选方法如下： 湍流强度区间为(C-c，C+c)，其中C为中心湍流强度，c为区间范围，当从S41筛选出来的 机组与待分析发电机组在同一时间段内的湍流落在相同区间内时，则二者湍流相近；543. 计算相对发电量，方法如下：其中，!示为待分析发电机组的实际发电量，Wi耐为待分析发电机组的相对发电量，卞_为 S42筛选出来的机组的平均风速；55. 求相对发电量的平均值，当待分析的发电机组相对发电量低于平均发电量（k* 100)%时，则待分析发电机组性能欠佳，急需整改，其中k为常数。2. 根据权利要求1所述的基于相关性分析的风力发电机组性能评估方法，其特征是:所 述的Sl中，通过大数据平台收集的数据，时间间隔一致，且时间范围一致。3. 根据权利要求1所述的基于相关性分析的风力发电机组性能评估方法，其特征是:所 述的S41中，主风向一致的确定方法如下： 风向区间为(A_a，A+a)，其中A为中心风向角，a为区间范围，待分析发电机组落在所述 风向区间内的风向数据占总体数据的比例为丹，待确定关系的机组相应的比例为P2,二者差 值的绝对值为PP: PP= IPi-P2 当PP < 5 %时，二者主风向一致。4. 根据权利要求3所述的基于相关性分析的风力发电机组性能评估方法，其特征是:所 述的S41中，A为待分析发电机组以1°为间隔时风频分布最高的角度，a为5°。5. 根据权利要求3所述的基于相关性分析的风力发电机组性能评估方法，其特征是:所 述的风向区间为，在一年的风向数据中，相比同等大小的区间，且所有机组的风向落在所述 风向区间内的比例最大。6. 根据权利要求1所述的基于相关性分析的风力发电机组性能评估方法，其特征是:所 述的S41中，风向区间为(B(i)-b，B(i)+b)，其中i为风向区间的序号，i = l，2,3……，B(i)为 该区间的中心风向，b为区间范围，i个区间为大小相同、相互没有交集且覆盖0-360°范围。7. 根据权利要求6所述的基于相关性分析的风力发电机组性能评估方法，其特征是:所 述的 B 和b 的取值为，B = 0.25+0.5i，b = 0.25。8. 根据权利要求1所述的基于相关性分析的风力发电机组性能评估方法，其特征是:所 述的S5中，相对发电量的平均值的计筧方法如下：其中，η为经S4筛选后的发电机组数量，k为常数，且0.8 <k<l，当待分析机组的 W相对时，则待分析机组性能欠佳。
【文档编号】F03D17/00GK105888987SQ201610250668
【公开日】2016年8月24日
【申请日】2016年4月21日
【发明人】叶小广, 刘庆超, 孔德同, 孙昊, 于文革, 王志, 雷阳, 付立
【申请人】华电电力科学研究院