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）。

阈值筛选器数据分类数学原理。基于Bin方法，按照风速0.5m/s为区间对SCADA历史数据U分类。得到每个区间数据集

（1）

式中，Ui为第i个区间的数据集，（v，p）为落在第i个区间的二维数据元素。假设U最大风速为vmax，则最大风速区间为n=[vmax/0.5]。

对任意数据点（vi，pi），基于參考功率曲线可以计算出vi对应的正常功率pnormal，给定两个上下限系数？姿down和？姿up，即可得到判断正常域的方法，即如果 ，则点（vi，pi）为正常运行数据。

利用阈值筛选器进行数据分类效果取决于迭代次数。图1为阈值筛选器迭代1次的分类结果，图2为阈值筛选器迭代3次的分类结果。经过大量实验验证，迭代2-3次效果最佳。

2 出力结构模型构建

基于风电机组的实际功率性能情况，将风机出力划分为正常运行、降出力运行、停机状态，基于这个定义进行构建机组出力结构模型，如图3所示。

3 工程实践

利用我国某风场A机组6月份SCADA的10min数据进行实验验证。得到该机组的出力情况，如表1所示。

从表1中可知，该机组降出力损失电量约占理论发电量的26.5%，机组停机损失电量约占理论发电量的3%。这说明如果改善该机组的降出力情况，能大大提高机组的能量利用率。

4 结束语

文章提出了利用一个新型阈值筛选器来对机组运行数据进行分类，得到了正常运行数据、停机数据、降出力数据，进而构建出机组出力结构模型，从而能够对机组出力情况进行分析。该方法简单有效，对风电场运维人员对风机的精维护提供了很好的指导方案。

参考文献

[1]Tchakoua P，Wamkeue R，Ouhrouche M，et al.Wind turbine condition monitoring：State-of-the-art review，new trends，and future challenges[J].Energies，2014，7（4）：2595-2630.

[2]赵永宁，叶林，朱倩雯.风电场弃风异常数据簇的特征及处理方法[J].电力系统自动化，2014，21：39-46.