[发明专利]基于神经网络的风电场发电功率后评估及监测方法

说明书

基于神经网络的风电场发电功率后评估及监测方法，获取风电场运行数据作为神经网络模型的输入样本集；将目标风机处的风速数据、发电量数据作为神经网络模型的输出样本集，划分为训练数据集X与测试数据集X’；将训练数据集X输入神经网络模型进行训练；采用测试数据集X’对已训练网络进行测试，神经网络模型误差达到预先设定条件后，神经网络模型训练完成；将训练好的神经网络模型作为风电场后评估及状态监测模型，并通过神经网络模型进行结果输出；将神经网络模型一段时间内的输出风速数据、输出功率结果与SCADA采集的机舱风速数据进行对比，对风力机发电量损耗进行定量评估。本发明方法能够有效克服现有模型计算量过大或者精确度有限的缺陷。

技术领域

本发明涉及风电监测技术领域，具体涉及一种基于神经网络的风电场发电功率后评估及监测方法。

背景技术

在风电机组运行过程中，由于受到自然风的间歇及波动特性影响，在风力机吸收风能并进行转换的过程中，风力机具有非持续稳定的运行状态，具体体现在机组吸能效率的随机变化及发电性能的无规律波动。如何确保机组处于可靠、稳定及高效运行是风电机组需要持续关注及解决的主要问题。而其中机组输出功率反映了机组的出力性能，和机组运行效益密切相关，是现场重点关注的一个主要参数。随着机组的服役时间的变长，由于设备劳损等原因，机组发电功率可能出现降低的情况，对机组的输出功率进行精准评估，准确把握机组状态，才能优化运维决策，提高风能转化效率。

此外，由于机组长时间处在可变风条件下，机组产生变化的负载，容易导致风电机组的可靠性降低甚至出现故障；且风电机组的各参数值受周围环境气候、机组各部件之间、电网负荷等因素的影响，容易使得监测的状态参数产生偏离理论数据的情况。对风电机组中的关键变量进行监测是提高机组可靠性的一种常用方法，通过适当的监控可以在风电机组故障的初始阶段进行准确有效的预警，避免设备故障或进行计划性维修，减少机组停机时间，降低维护费用。

现有方法通常只能对一些明显偏离正常值的数据进行判别，且关联模型的判定效果依赖模型参数选取，过程较为复杂，此外，不能实现对数据误差的分析。具体表现在：现有研究工作中，在无法获得数据真实值的前提下，很难对风电机组数据采集与监视控制系统SCADA采集数据的状态进行分析，通常只能对一些明显偏离正常值的数据进行判别。除此之外，一般采用构建各变量的关联模型进行数据分析来实现对风电机组的发电性能评估、故障预警。

中国专利“CN104819107B”提供了一种风电机组功率曲线异常漂移的诊断方法，该方法将采集的数据按风速大小排序，通过计算单位精确度下的功率漂移面积，建立诊断模型并确定诊断参数，并根据诊断参数确定正负警示线从而实现对异常数据的判别。此类方法能够在一定程度上实现对异常值的判定，但是过程较为复杂，且关联模型的判定效果依赖模型参数选取，此外，不能实现对数据误差的分析。

发明内容

为了弥补现有技术中的不足，本发明提供一种基于神经网络的风电场发电功率后评估及监测方法，采用神经网络模型实现了对风电场风机风速及发电量的估算，并将此模型运用于风电场发电功率后评估及监测过程中。该模型集强大自学习能力与非线性拟合能力于一体，算法效率高、收敛速度快、模型拟合逼近能力强，能够有效克服现有模型计算量过大或者精确度有限的缺陷。

本发明采取的技术方案为：

基于神经网络的风电场发电功率后评估及监测方法，包括以下步骤：