基于大数据建模分析的风电机组运行状态评估方法

基于大数据建模分析的风电机组运行状态评估方法

杨延杰

内蒙古龙源新能源发展有限公司 内蒙古呼和浩特 010010

摘要：近些年，社会的不断发展，带动了我国社会经济水平的提升，人类共同面临着可使用能源锐减的问题。风能作为一种清洁的新能源，就具备这个优势。另外，风能的出现还能够改善当前的能源结构。风能由于其可再生和环保的特点，得到了许多国家的重视和利用，其与太阳能等可再生资源得到迅速发展。

关键词：风电机组；大数据分析；监测评估

引言

由于分数阶微分方程很适合刻画具有记忆和遗传性质的过程，对复杂系统的描述具有建模简单、物理参数清楚、描述准确等优势，本文将分数阶算子引入混沌检测系统，提出一种基于分数阶混沌系统的风电机组间歇故障检测方法，通过分数阶混沌系统检测混杂在原始信号里的间歇故障信号，并设置其成长因子及相关参数，计算出不同采样时刻微小间歇故障成长因子的值，进而得到微小间歇故障成长率，以此来表征微小间歇故障的发生、成长乃至最终演变成永久性故障的全过程，仿真结果表明该方法可行、可靠，能有效表征微小间歇故障的成长状态。

1风电场与风电机组运行数据的重要性

在社会经济快速发展的今天，电力已经成为人们生产生活不可或缺的一部分。为了满足人们对电力的需求，则需要电力生产企业加大电力生产力度。风力作为电力生产的一种重要方式，如何充分利用风力，提升已投运风电场发电能力，增加风电场的效益是各个发电企业面临的问题。为了实现上述目的，就需要了解和掌握风电场机组的实际运行状态，获取相应的运行数据并分析，并通过分析来提高风电机组的运行效率，从而提高风电机组的效能。但由于每个风电场布设了不少于30台的风电机组，且布设范围比较广，尽管发电企业构建了较为完善的巡查制度、维护制度，对设备的故障、发电量损失关注较多，但在数据分析方面还存在欠缺，使得机组的一些隐形缺陷、发电损失信息未被挖掘，因此需要采用相关数据分析软件来分析机组的运行数据，从而为机组的状态诊断和隐患分析提供数据支撑，进而保障机组的高效运行。

2大数据下风电机组状况的监测

2.1数据采集

关系数据库包含行与列组成的一组表。这些表存储的都是结构型数据，表格中的行与列存在密切的联系，可以通过这些联系快速检索，将其中的数据通过固定的行与列来确定数据代表的意义。风电机组的数据库针对不同用户划分到不同的组，来进行机组运行的状态监测。每个组的权限也不同，系统通过对每个组权限的控制来实时查看监测的各项参数。

2.2数据汇总与分析阶段

数据库内存储的海量数据，由于采集部位不同、采集时间不同，为了提高数据利用价值和减轻系统运算压力，会在数据库内按照多个指标将其分类存储。例如以时间作为分类指标进行数据划分。技术人员就可以动态的掌握某个时间段里风电机组的运行状态，并且通过绘制以时间为x轴的坐标系，观察风电机组状态变化曲线。

2.3数据挖掘和评估阶段

根据数据分析结果，可以为风电机组的运行管理提供必要的参考。为了避免机器误判，得出更加精确和真实的状态监测结果，还要求技术人员对数据分析结果进行专业评估。将分析结果中明显失准的、误差较大的数据剔除，然后利用剩余的分析数据表示风电机组的运行状态。根据评估结果，如果发现风电机组某些部位有异常情况，则安排维修人员通过实地检查，做出进一步的判断和处理。这样既可以减轻风电机组维护人员的压力，又能够提高检修工作的效率。

2.4分析层

该层集成有完成训练的BP神经网络预测模型。该模型能够应用大数据分析技术，对地理信息数据、天气数据以及SCADA状态监测数据进行分析处理，以完成风电设备的异常状态预测。在海量数据处理中，传统的BP神经网络训练方法很容易出现因内存不足而无法训练或耗时较长问题。为了解决该问题，本文研究引入了开源云计算平台Hadoop，由此BP神经网络得以与Map-Reduce框架结合，并行化运行方式也由此实现。并行化运行方式支持下，分析层能够对训练样本进行并行地批量训练，模型的运行速度及精度均大幅提升。

3大数据在风电机组状态监测中的具体应用

3.1基于大数据实现风电机组常见故障处理

在风电机组运行中，一些突发问题也有可能导致风电机组出现异常工况或严重故障。在风电机组出现故障后，如何尽快确定故障发生位置和故障产生原因，是技术人员必须要解决的问题。大数据处理技术在状态监测方面的应用，也可以为故障处理带来极大的便利。一方面，大数据技术可以实现对风电机组工况的实时监督和同步反馈。只要风电机组的运行参数异常，系统会自动进行报警，提醒技术人员引起重视。这样就可以在出现重大故障前，及时采取应对措施，避免故障损失的扩大化。另一方面，通过大数据分析，还能够向技术人员提供一些维修建议，这对于及时排除故障、恢复风电机组正常运行也有显著的帮助。

3.2大数据技术应用前后的效果对比

为了更加直观的验证大数据处理技术在风电机组状态监测方面的运用效果，本风电场分别选取了大数据处理技术应用前和应用后1年里故障发生次数，并进行对比。通过对比发现，在未使用大数据处理技术时，风电机组一年内累积发生7起故障，其中有2次严重故障。机组发电的连续性较差。在应用大数据处理技术后，风电机组在一年内监测到异常工况10次，经过及时处理，9次异常情况得到了有效处理，全年仅发生1起故障，经过技术人员抢修未造成严重事故。全年发电机组运行稳定，效益提升明显。

3.3数据分析软件的主要统计量和相关计算方法

(1)理论发电量的统计和计算。就机组理论发电量来说，其是指根据该功率曲线，计算出实际风况下机组的理论应发电量。在实际计算过程中，首先计算选定的时间范围内，当机组不存在主动限功率、电网指令限电的情况下，以该机组机舱风速仪风速为准，用统计回归算法计算出机组的功率曲线；根据功率曲线，计算相应的理论发电量。(2)风电场实际发电量的统计和电网限电量的统计。在选定时间范围内，对风电场每台机组的实际发电量进行统计。并将统计的实际发电量进行汇总，从而获取整个风电场总发电量。而电网限电量的统计，也是在选定的时间范围内，在电网指令限电的情况下，对机组实际风速下发电量与实际发电量进行比较，并计算两者的差值，从而实现电网限电量的统计。同时，通过限电量的统计和累积计算，获取电网限电损失电量。(3)不同状态下，机组损失电量的统计和计算。在选定时间范围内，对不同状态下，不同机组的实际发电量与该机组的理论应发电量进行比较，并计算两者的差值，从而获得不同状态下机组的损失发电量。

结语

大数据的出现，为风力发电的未来发展打下了更坚实的基础。大数据对于风力发电机在运行中的数据采集和评估有着非常重大的突破。通过SCADA系统监测的数据，进行再挖掘，为构建风力发电机组在运行中的数据监测提供了优化框架，为之后构建大数据监测系统提供了更专业的数据。大数据技术的运用，改善了机组运行时故障频发带来的困难，提高了运行的可靠性。

参考文献

[1]张少敏,毛冬,王保义.大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用[J].电力系统自动化,2016,40(14):129-134.

[2]赵洪山，刘辉海.基于深度学习网络的风电机组主轴承故障检测［J］.太阳能学报，2018，39（3）：588-595.

[3]褚景春，王飞，汪杨，等.基于故障树和概率神经网络的风电机组故障诊断方法［J］.太阳能学报，2018，39（10）：2901-2907.