[发明专利]基于速度关联约束的风电机组风速感知异常数据识别方法

说明书

本发明涉及一种基于速度关联约束的风电机组风速感知异常数据识别方法，包括以下步骤：1)获取目标机组的风速序列数据；2)采用基于二元形态分割算法检测风速序列的时序变点，并以时序变点作为分割点，在时序上将风速序列划分为多个子序列；3)对划分后的子序列数据基于速度和边界约束进行异常数据识别。与现有技术相比，本发明具有兼顾经济性和可行性、评价准确快速等优点。

技术领域

本发明涉及风电场风电机组风速监测领域，尤其是涉及一种基于速度关联约束的风电机组风速感知异常数据识别方法。

背景技术

目前，有关风电场数据清洗的研究已开展了大量的工作并取得了诸多成果，总结发现，现有的风电场数据清洗方法大多围绕风速-功率曲线特性展开，通过分析不同类别异常数据在风功率曲线上分布的空间位置和形态特征开展数据清洗工作，例如：四分位-聚类法、置信等效边界模型、最优组内方差法、变点-四分位法、Thompson tau-四分位法、局部粒子群算法等。以上现有方法能够有效识别位于功率曲线外明显违背风速-功率特性的堆积型异常功率数据，解决风电机组运行特性建模分析过程中风功率数据准确性和有效性问题，对于机组发电性能考核意义重大。

然而，考虑到风速-功率转换关系中的不确定性与风速不确定性的机理不同，由风速-功率关联特性构建的数据清洗约束边界要远大于正常风速数据的约束边界，例如，某风电机组风功率曲线中，功率值为1000kW的点对应的正常风速区间为5.5-9.1m/s，区间宽度达3.6m/s，而对于风速数据，若单点测量值偏差达到3.6m/s，则已被定义为异常数据，鉴于两者在正常边界内数据的可变区间和对异常数据的敏感度均不同，以大可变区间、小敏感度的风速-功率关联特性构建的约束条件去清洗高敏感度、小可变区间的风速数据，容易造成位于风功率曲线内部由于风速传感器性能下降产生的弱故障风速数据被误认为是正常数据，影响风速数据后续应用。因此，有必要从风速数据自身的分布特性出发，提出风速数据深度清洗方法，无论是对风电场风速测量数据质量提升，还是风速传感器运行性能综合评估都具有较高的价值。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于速度关联约束的风电机组风速感知异常数据识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于速度关联约束的风电机组风速感知异常数据识别方法，包括以下步骤：

1)获取目标机组的风速序列数据；

2)采用基于二元形态分割算法检测风速序列的时序变点，并以时序变点作为分割点，在时序上将风速序列划分为多个子序列；

3)对划分后的子序列数据基于速度和边界约束进行异常数据识别。

所述的异常数据类型包括突变型异常风速数据和渐进型异常风速数据。

所述的突变型异常风速数据的产生情形包括：

(1)由于风速传感器抗外界电磁扰动能力减弱，当外界扰动较强时造成测量数据发生大范围突变，单次异常持续时间较短，分布离散；

(2)由于风速传感器重要零部件发生损坏，导致异常状态发生非趋势性突变，测量风速发生突变，分布较为连续，数量较大；

所述的渐进型异常风速数据的产生情形包括：

(1)风速传感器的零部件损坏程度呈现渐进式过程，测量数据偏离正常值，偏移量随着设备异常状态的演化逐步加大，即弱故障数据；

(2)由于通信错误产生的连续相同值。

所述的步骤2)中，确定时序变点具体包括以下步骤：

21)计算风速序列的的进局部统计量，并根据同时满足局部统计量最大、局部峰点以及统计量界的约束这三个约束条件确定最终变点；