中国水电建设集团新能源开发有限责任公司 焦在强 王 稳 中车株洲电力机车研究所有限公司风电事业部 万宇宾

近十年来我国风电装机量大幅增加，风电已逐步从补充能源向主力能源转变。随着大量在役机组运行年限的增加，风电行业内已出现一些发电量低、故障率高、机组运行稳定性差的低产出风电机组[1]。当前风电行业已进入无补贴、平价、竞价上网的时代，为保证投资收益，风电场度电必争，亟需挖掘风电机组发电潜力，提升机组发电量发电性能及发电量[2-4]。要挖掘风电机组发电潜力，必需对风电机组运行情况进行评估，以指导机组技改方案的制定及实施。目前风电行业大多采用TBA、MTBF、发电量、限电损失电量、故障损失电量、故障时长等KPI指标从宏观维度实现风电场运行情况分析及评价，难以全面、详细、深入评估风机的运行情况。因此有必要提出一种更为详尽的多维度运行评价方法，为风电机组的提质增效找到切入点，以提升机组发电量。

1 风电机组信息模型

风电机组信息模型对风电机组运行状态进行了详细的类别划分，基本能包括风电机组的所有状态。基于IEC标准，综合考虑风电机组信息完备程度，构建表1所示风电机组信息模型，其分为五个等级(4个基本等级，1个可选先级)，还包括基本优先级、典型情景、映射类别、可选优先级等。风电机组各映射类别所对应的时序数据块应是专有且连续的，当某连续时序数据块同时满足多个映射类别的准入条件时，可根据映射类别的优先级顺序决定该连续时序数据块的归属。映射类别的优先级顺序通过表1中的可选优先级确定，映射类别优先级顺序由低到高分别为等级1～11。

表1 风电机组信息模型

根据风电机组信息模型，机组运行数据可进行状态类别划分，所划分的状态类别包括满性能发电、电网限电、机组限功、叶片覆冰、技术待机、指令停机、超出环境条件、超出电气规范、计划性维护/维修、故障等共计11大类。通过状态类别划分，能实现机组运行数据的分解以及各状态类别损失电量及持续时长的统计分析，为机组及风电场的多维度运行评价奠定了基础。

2 损失电量与时间分解原理

根据所构建的风电机组信息模型及状态类别划分模型，将分析时段内的机组运行数据分解至各状态类别，统计机组在各状态类别下的发电量、潜在发电量、损失电量及发生时长。综合考虑风电机组运行数据状态类别标记的精细程度及运算速度，从SCADA历史数据库中提取1秒粒度原始运行数据，聚合成1分钟粒度并得到各1分钟粒度数据的主控状态序列。根据各1分钟粒度数据的主控状态序列，机组运行日志及机组控制策略，结合所构建的信息模型及状态类别划分模型，可确定各1分钟粒度数据所属状态类别。

将分析时段内1分钟粒度数据按所属状态类别进行分类，得到各状态类别下的数据集Si（i=1,2,...,n），由数据集Si可得到机组在各状态类别下的发生时长Ti及发电量Pri（i=1,2,...,n）。Ti=mi/60，，式中Ti为第i个状态类别发生时长、单位小时，mi为第i个状态类别所属数据集总行数，Pgi为第i个状态类别下风电机组发电量、单位千瓦时，pj为第j个功率数据点的有功功率值、单位千瓦。

选取机组满性能发电状态类别下的数据集Sm，采用“区间法”按0.5m/s风速间隔进行分bin操作，得到机组功率曲线：，，式中Vi为第i个bin区间的平均风速，Vn,i,j为第i个bin区间第j个1分钟数据点的风速，Pi为第i个bin区间的平均功率，Pn,i,j为第i个bin区间第j个1分钟数据点的功率，Ni为第i个bin区间内的1分钟数据点个数。同理，采用采用“区间法”按0.5m/s风速间隔进行分bin操作，得到各状态类别下数据集Si（i=1,2,...,n）的风频分布：Dsi=[li,1li,2...li,N]，式中：Dsi为第i个状态类别风频分布、未归一化处理，li,j为第i个状态类别下第j个bin区间内的1分钟数据点个数。

风电机组在各状态类别下的潜在发电量及损失电量可按如下计算方法得到：，Pli=Ppi-Pgi，式中：Ppi为第i个状态类别潜在发电量、单位千瓦时，li,j为第i个状态类别下第j个bin区间内的1分钟数据点个数，Pi,j为机组功率曲线第j个bin区间的有功功率、单位千瓦，Pli为第i个状态类别损失电量、单位千瓦时。

根据上述方法即可得到风电机组在各状态类别下的发电量、潜在发电量、损失电量及发生时长，从而实现风电机组及风场的损失电量分解及运行时间分解（表2）。

表2 机组各状态类别下发电量、潜在发电量、损失电量及发生时长

3 风电场及机组多维度运行评价案例

以中国南方丘陵山区某风电场为例，开展基于损失电量与时间分解的风电场及机组的多维度运行评价：该风电场安装有18台2MW风电机组，场区海拔300～620米；采用该风电场6个月的1分钟粒度运行数据及同时段故障日志，分析风电场及机组在各状态类别下发电量、损失电量及发生时长，并对风电场及机组运行情况进行评价；分析结果如图1～5所示。

图1 各机组平均风速及实际发电量

由场级维度分析结果可知：全场实际发电量占比达93.43%，故障停机损失电量仅0.462%，表明该风电场运行状态良好；全场电网限电损失电量占比达1.162%，减少电网限电可显著提升发电量；全场因外部环境因素导致的停机时长占总时长的33.495%，期间产生的电量损失达3.358%。对机组控制策略进行优化，拓宽机组运行的环境条件，可提升发电量。

由单台机组维度及故障维度分析结果可知：超出环境条件是各机组电量损失的最大来源，其次为电网限电损失；33#机组长时间的计划性维护/维修，直接造成10.158%电量损失；全场机组中，26#及30#故障损失电量最高，变桨系统故障为26#、30#机组故障损失的主要来源；在全场所发生的所有故障中，风向长时间无变化、变流器故障跳闸等两种故障的发生最为普遍。

综上，风电机组信息模型基于风电行业标准构建，综合考虑了风电机组状态类别及其信息完备程度。本文采用风电机组运行数据及运行日志，根据所构建的风电机组信息模型划分机组的运行状态类别，统计机组在各状态类别下的损失电量及运行时长，实现了场级维度、单台机组维度、故障维度等的多维度运行评价。以某风电场为例多维度评估了风电场及机组的运行状态，指出了风电场及机组损失电量的主要来源，为风电场的发电量提升提供切入点，也验证了风电场多维度运行评价方法的价值和意义。

图2 场级维度损失电量分解

图3 场级运行时间分解

图4 单台机组维度损失电量分解

图5 单台机组维度运行时间分解