[发明专利]一种风电机组异常数据识别方法及装置

说明书

技术领域

本发明属于储能技术领域,具体涉及一种风电机组异常数据识别方法及装置。

背景技术

近年来，全球可再生能源利用年增长率达到25％.可再生能源的利用将以电力行业为主导，非水力可再生能源的发电比例将扩大两倍。据统计，2002年可再生能源的消费虽约14亿t油当量，2030年将超过22亿t油当量。风能发电作为除水力发电外技术最成熟的一种可再生能源发电，风力发电机是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备。风力发电机的工作原理比较简单，风轮在风力的作用下旋转，它把风的动能转变为风轮轴的机械能，发电机在风轮轴的带动下旋转发电。

风电机组数据对风力发电相关技术研究和弃风统计具有十分重要的意义。我国新能源发展速度快，风电2006年至2015年装机容量增长了约10倍，使得我国当前风电场站数量达到了1500余座，风电机组超过1万台，当前针对发电单元数据的采集频次至少为15min，由此产生了海量的单机数据，当数据发生异常时，尤其是个别数据发生异常时，缺乏有效的识别和预警手段。

发明内容

为了弥补上述技术空白，本发明提供一种风电机组异常数据识别方法及装置，结合BP神经网络对风电机组的异常数据进行有效识别，为准确计算风电机组和风电场理论功率提供支撑。

本发明的目的是采用下述技术方案实现的：

一种风电机组异常数据识别方法，所述方法包括：

以风电机组风速数据为测试样本，输入预先构建的BP神经网络模型；

根据所述BP神经网络模型输出的目标参数，判断风电机组异常数据；

所述BP神经网络模型根据电机组的风速数据进行构建。

优选的，所述BP神经网络模型根据电机组的风速数据进行构建，包括：

根据风速水平对风电机组运行状态数据进行划分，获取分析数据集；

选择所述分析数据集中的输入参量，并对所述风速数据中的输入参量进行归一化处理，构建训练样本；

定义风电机组异常数据的目标参量，并对其进行归一化处理；

以所述输入参量为风电机组的异常数据的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组异常数据的BP神经网络模型。

进一步地，所述分析数据集根据风电机组运行状态数据进行确定，包括：若风电机组运行区间处于切入风速与额定风速之间，通过{S_I}＝{S|d_I}确定分析数据集；

若风电机组运行区间处于额定风速与切除风速之间，通过{S_C}＝{S|d_C}确定分析数据集；

式中，{S}表示预设风电机组实际运行数据样本集，d_额定≤d_I＜d_切除；d_I表示风电机组运行区间处于切入风速d_切入与额定风速d_额定之间的风速水平，d_C表示风电机组运行区间处于额定风速d_额定与切除风速d_切除之间的风速水平；d_I和d_C满足d_切入＜d_I＜d_额定。

进一步地，通过下式确定分析数据集中的输入参量：[x_i,t-3,x_i,t-2,x_i,t-1,x_i,t]^T

式中，x_i,t-3,x_i,t-2,x_i,t-1,x_i,t分别为在采样t时刻输入参量x_i的临近数据，x_i(x_i∈R^d)，i＝1,…,n；R为分析数据集的风速数据，i为风机编号，n为风电机组台数，d为数据取值的运行区间。

进一步地，所述对风速数据中的输入参量进行归一化处理，构建训练样本，如下式所示：

S₁'＝{(s_i,t-3)}；s_i,t-3∈{S₁}