[发明专利]一种面向大型风电机组实时出力性能的评估方法

权利要求书

1.一种面向大型风电机组实时出力性能的评估方法，其特征在于，该方法包括以下步骤：

1)选取待进行实时出力性能评估的风电机组，获取该风电机组SCADA系统中所记录的正常运行状态下的运行数据，运行参数包括风速v、空气密度ρ、转速ω、桨距角β、偏航角θ和有功功率P等，记为数据集X，X＝{v,ρ,ω,β,θ,P,...}^T，并获取风电机组的结构参数，包括风轮半径R和功率转换效率η；

2)计算风能利用系数C_p，计算公式为并基于风能利用系数-风速数据集进行离群点剔除，首先进行风速区间划分，风速区间长度设置为L_v，所划分风速区间个数为之后设置风速滑窗长度W_v为k倍的风速区间长度，表示为W_v＝k·L_v，滑窗自风机切入风速v_cut-in移动至风机切出风速v_cut-out，利用每个滑窗内的风能利用系数数值绘制箱型图，并基于箱型图结果进行离群点检测；

3)每个数据点能够在多个滑窗内进行检测，得到多个是否为离群点的检测结果，检测结果认定是离群点的次数与总检测次数比值作为该数据点的离群程度；

4)统计所有数据点的离群程度，并设置离群程度阈值h，h∈[0,1)，离群程度大于h的数据点予以剔除，得到离群点剔除后的数据集X′；

5)设计带有时间信息提取的自编码(AE-TIE)模型进行特征提取；为输入时间信息，首先利用滑窗技术，设置滑窗长度W，滑窗内的数据表示为其中T为当前时刻，n为数据集中的变量个数，将X″输入至编码器中，编码器由LSTM单元构成，编码器输出为隐藏向量m为隐藏向量的维度，之后为进行隐藏向量中的短期时间信息提取，设计一层卷积神经网络CNN层，CNN层中有p个滤波器，每个滤波器的维度设置为从而能够对隐藏向量中不同时刻的时间信息进行提取，得到新的隐藏向量最后将新的隐藏向量h′输入至解码器中，解码器也由LSTM单元构成，得到重构的输入向量通过最小化重构误差进行模型训练；

6)将AE-TIE模型中新的隐藏向量h′作为输入特征，离群点剔除后的风能利用系数作为目标变量y，构造训练集[h′,y]；

7)选取机器学习模型XGBoost作为变量估计模型拟合风能利用系数与隐藏向量h′之间的等效模型y＝f(h′)，训练完成后，获取训练集中风能利用系数实际值与模型估计值的残差序列，并设置残差阈值上下限，之后设置评估周期T_period，统计训练集中每个周期T_period时间内，残差值超过残差阈值上限或低于残差阈值下限的数据点的个数，并统计所有评估周期内超限数据点的最大个数c_max；

8)在线应用进行风电机组实时出力性能评估时，通过SCADA系统中运行数据，首先基于步骤5)设计的AE-TIE模型提取特征h′，之后通过训练完成的变量估计模型实时获取风能利用系数的模型估计值求取风能利用系数实时计算值C_p与变量估计模型输出值之间的残差每经过预先设置的时间周期T_period后，统计残差值超过残差阈值上限或低于残差阈值下限的数据点个数，当该周期内残差值超限的个数大于c_max时，认定风电机组此时的出力性能出现异常。

2.根据权利要求1所述的一种面向大型风电机组实时出力性能的评估方法，其特征在于，所述步骤2)中，基于每个滑窗的风能利用系数数值绘制箱型图时，首先求取上四分位数Q₃以及下四分位数Q₁，以及四分位距I_QR＝Q₃-Q₁，之后设置箱型图上边缘U＝Q₃+1.5I_QR及下边缘L＝Q₁-1.5I_QR，处于箱型图上下边缘之外的数据点认定为离群点。