娄建楼 单凯 胥佳

摘 要：针对风电机组出力情况难以精细量化分析问题，文章提出了基于阈值筛选器方法的出力结构模型。根据阈值筛选器对机组多种运行状态进行识别，构建出机组出力结构模型，然后利用该模型对风机出力进行分析。实验结果表明，该模型能够有效分析机组出力情况，有助于实现机组的精维护。

关键词：风电机组；阈值筛选器；出力结构模型

风电是最有前景的可再生能源之一，根据GWEC的预测显示，未来五年内风电将继续保持增长势头。由于风电机组工作环境的恶劣性（严寒、酷暑、沙尘、降雪等），导致风电机组在很多情况下处于异常运行状态[1-2]，包括降出力、停机或超发状态。对机组出力情况进行量化分析，有助于风场运维人员实现机组精维护，具有很高的经济价值。文中利用基于风速-功率阈值筛选器算法进行数据分类并多次迭代，得到机组基于正常数据的实测功率曲线，基于该功率曲线识别正常数据和异常数据，进而构建出风机出力结构模型。

1 阈值筛选器

检测停机数据。为了保证阈值筛选器的效果，首先需要根据机组有功功率小于零来筛选出停机数据。

阈值筛选器数据分类思想。以厂家提供的保证功率曲线为基础，识别正常数据域，根据正常数据域得到优化的功率曲线；基于优化的功率曲线，进一步得到优化的正常数据域，根据优化的正常数据域得到进一步的优化功率曲线。如此，多次迭代后，可得到最终的正常数据与降出力数据（文章中，考虑到超发数据较少，降出力数据实际上是降出力数据与超发数据的融合数据）。……