一種計及運行狀態(tài)的風電機組短期可靠性預測方法
【專利摘要】本發(fā)明涉及一種計及運行狀態(tài)的風電機組短期可靠性預測方法，包括以下步驟：通過狀態(tài)監(jiān)測與數據采集系統獲得風電機組狀態(tài)參數，將狀態(tài)監(jiān)測參數分為兩類；針對設備溫度參數，建立基于反向傳播神經網絡的狀態(tài)參數預測模型，基于預測殘差分布特性計算保護動作概率，針對其余參數，根據計及越限時間計算保護動作概率；通過風電場運行維護數據和SCADA數據對風電機組的停運次數和停運時刻風速進行統計，建立風速相依的風電機組統計停運模型；結合停運統計信息和狀態(tài)參數越限信息，計算風電機組短期停運概率。本方法能夠準確地評估出風電機組在短期內的停運風險，大幅度提高風電機組短期停運模型的準確性，為整個風電場的短期可靠性評估和安全經濟運行提供技術參考。
【專利說明】
一種計及運行狀態(tài)的風電機組短期可靠性預測方法
技術領域
[0001] 本發(fā)明屬于新能源電力設備安全評估技術領域，涉及一種計及運行狀態(tài)的風電機 組短期可靠性預測方法。
【背景技術】
[0002] 風電機組是風電場的關鍵設備，其可靠性與風電場的安全與經濟運行具有緊密聯 系。由于長期工作于惡劣的自然環(huán)境中，風電機組的停運率遠高于傳統輸變電設備。有效地 預測風電機組在未來短時間內的可靠性，對風電場的出力預測和控制具有重要價值。
[0003] 利用統計方法獲得設備可靠性參數是目前風電機組可靠性評估與預測的主要手 段。國外已有多個機構對風電機組的可靠性數據進行了統計，利用統計數據建立了基于可 靠性框圖法、故障模式及影響分析法、故障樹分析法、基于馬爾科夫過程的評估方法、貝葉 斯網絡法以及蒙特卡羅法等的風電機組長期可靠性模型。但此類模型難以應用與風電機組 的短期可靠性預測，主要原因包括：1)部分機械和電氣類組件的可靠性不僅取決于產品質 量和維護情況，還與自然環(huán)境和運行工況有密切關系，已有的統計數據并未考慮這些因素； 2)由于自然環(huán)境和運行工況實時變化，靜態(tài)恒定的可靠性統計指標難以反映風電機組當前 的停運風險。

【發(fā)明內容】

[0004] 有鑒于此，本發(fā)明的目的在于提供一種計及運行狀態(tài)的風電機組短期可靠性預測 方法，該方法通過狀態(tài)監(jiān)測與數據采集(SCADA)系統獲得的風電機組狀態(tài)參數，依據自然環(huán) 境的相關性將狀態(tài)監(jiān)測參數分為兩類；針對設備溫度參數，建立基于反向傳播神經網絡 (BPNN)的狀態(tài)參數預測模型，提出基于預測殘差分布特性的保護動作概率計算方法;針對 其余參數，提出計及越限時間的保護動作概率計算方法;通過風電場運行維護數據和SCADA 數據對風電機組的停運次數和停運時刻風速進行統計，提出風速相依的風電機組統計停運 模型。最后，結合停運統計信息和狀態(tài)參數越限信息，提出風電機組短期停運概率的計算方 法，提高風電機組的短期停運預警能力。
[0005] 為達到上述目的，本發(fā)明提供如下技術方案：
[0006] -種計及運行狀態(tài)的風電機組短期可靠性預測方法，該方法包括以下步驟：
[0007] S1:通過狀態(tài)監(jiān)測與數據采集(SCADA)系統獲得風電機組狀態(tài)參數，依據自然環(huán)境 的相關性將狀態(tài)監(jiān)測參數分為兩類:設備溫度參數和其余狀態(tài)參數；
[0008] S2:針對設備溫度參數，建立基于反向傳播神經網絡(BPNN)的狀態(tài)參數預測模型， 基于預測殘差分布特性計算保護動作概率;針對其余參數，根據計及越限時間計算保護動 作概率；
[0009] S3:通過風電場運行維護數據和SCADA數據對風電機組的停運次數和停運時刻風 速進行統計，建立風速相依的風電機組統計停運模型；
[0010] S4:結合停運統計信息和狀態(tài)參數越限信息，計算風電機組短期停運概率，進行可 靠性預測。
[0011]進一步，在本方法中，基于狀態(tài)參數越限保護動作概率得到機組短期停運概率pz 為：
[0013] 式中，N為狀態(tài)參數的總數，Pzi為狀態(tài)參數i的越限保護動作概率；
[0014] 統計停運模型的輸入為風電機組的工作模式和風速概率預測信息，當狀態(tài)參數越 限保護動作概率較小時，基于統計數據的停運概率可在一定程度上反映由于其他原因導致 機組停機的概率，而當參數越限保護動作概率較大時，基于統計數據的停運概率的參考價 值較小，因此機組短期停運概率的計算方法為：
[0015] P=max(Pt,Pz)
[0016] 其中，Pt為基于統計數據的機組短期停運概率，Pz為基于狀態(tài)參數越限的短期停運 概率。
[0017] 進一步，在步驟S2中，針對兩類狀態(tài)參數計算越限保護動作概率：
[0018] 所述設備溫度參數越限保護動作概率計算方法具體包括：1)建立風速短期預測模 型，預測未來15min內的風速;2)建立溫度參數預測模型，預測各風速預測值時的溫度參數； 由于風速過低時，機組停機對輸出功率波動的影響可以忽略不計，因此不予考慮低風速和 低氣溫導致的停機情況;3)基于風速預測模型和溫度預測模型的殘差分布特性，計算溫度 參數的越限概率，由于預測時間尺度較大，越限保護動作概率可近似認為等于參數越限概 率；
[0019] 所述其余狀態(tài)參數，由于該類狀態(tài)參數受環(huán)境因素的影響較弱，此類參數越限保 護動作概率近似采用越限時間線性表達，如下式所示：
[0021] 式中，t為參數越限時間，tlim為整定時間；由于整定時間較短，該類參數的越限概 率評估時間尺度較小，通常在lmin以內。
[0022] 進一步，在設備溫度參數越限保護動作概率計算中：
[0023]所述1)建立風速短期預測模型，預測未來15min內的風速包括:采用BP神經網絡模 型預測風速，根據預測的誤差統計數據估計得到正態(tài)分布參數;為簡化計算溫度參數越限 概率，對預測誤差進行離散化處理，根據正態(tài)分布參數得到各誤差值的概率；
[0024] 所述2)建立溫度參數預測模型，預測各風速預測值時的溫度參數包括:基于BP神 經網絡模型建立各溫度參數的預測模型；結合風電機組的運行特性，采用風速、環(huán)境溫度以 及上一時刻的溫度參數作為輸入參數;考慮氣候條件的季節(jié)性、設備的個體差異和故障情 況，選取各季節(jié)下機組正常運行時的狀態(tài)參數數據為訓練樣本對各機組的參數預測模型進 行訓練建模；
[0025] 所述3)基于風速預測模型和溫度預測模型的殘差分布特性，計算溫度參數的越限 概率包括:風電機組正常運行時，其溫度參數的預測殘差符從均值為零的正態(tài)分布，而短時 間內（15min內）環(huán)境溫度的變化不明顯，因此溫度的短期越限概率絕大程度上取決于風速 的預測值與上一時刻的溫度參數值;根據溫度預測殘差的正態(tài)分布特性，可得到在預測的 風速下溫度參數的越限概率：
[0026] 0i ( Vj ) = P ( Te > Tlim-Tvj ) = 1 -Fn( Tlim-Tvj )
[0027] 式中，Tv偽預測風速巧下溫度參數i的預測值，1^為溫度參數的上限值，Fn( ·)為 溫度預測誤差的分布函數；
[0028]當預測殘差落在正態(tài)分布99%置信區(qū)間之外時，計為一次預測失效;若在一小時 內至少出現3次預測失效，則認為溫度參數異常；由于采用風電機組正常運行時的數據作為 樣本訓練得到的預測模型難以對處于非正常情況的狀態(tài)參數進行準確預測，因此本方法根 據參數的異常程度修正預測結果，將原殘差正態(tài)分布的均值設為上一刻的預測誤差，進而 得到機組處于異常情況時，預測風速下的溫度參數的越限概率：
[0029] 〇i(vj) = l-FN(Tiim-Tvj-et-i)
[0030] 式中，et-丨為上一刻的預測誤差；
[0031 ]溫度參數的越限概率預測值如下：
[0033] 式中，N為風速預測誤差的離散值點數，P(Vj)表示短期內風速為的概率;預測風 速值W和P (W)可由風速預測結果和預測誤差獲得。
[0034] 進一步，在步驟S3中，通過風電場SCADA數據及運行維護數據統計風電機組的停運 次數和停運時刻的風速，對風速以lm/s的間隔進行分區(qū)，各風速區(qū)間下風電機組停運率可 由下式計算得到：
[0036] 式中，NV1為風速Vl情況下風電場內所有風電機組的總停運次數，TV1為所有機組的 累計工作時間；
[0037] 計及風速的風電機組短期停運概率如下式所示：
[0038] Pt(t,v) = l-eMv)t〇
[0039] 本發(fā)明的有益效果在于:本發(fā)明所述的風電機組短期可靠性預測方法易于編程實 現，能夠準確地評估出風電機組在短期內的停運風險，不僅為風電機組的故障停運事故提 供準確預警信息，大幅度提高風電機組短期停運模型的準確性，還為整個風電場的短期可 靠性評估和安全經濟運行提供技術參考。
【附圖說明】
[0040] 為了使本發(fā)明的目的、技術方案和有益效果更加清楚，本發(fā)明提供如下附圖進行 說明：
[0041] 圖1為本發(fā)明提供的風電機組短期可靠性評估流程；
[0042] 圖2為設備溫度參數越限概率計算方法；
[0043]圖3為各風速下的停運率；
[0044]圖4為實施例中的機組停運概率。
【具體實施方式】
[0045] 下面將結合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。
[0046] 圖1為風電機組短期可靠性評估流程圖。風電機組狀態(tài)參數異常信息、機組工作模 式和風速概率預測信息為風電機組短期可靠性評估模型的輸入參量。由于狀態(tài)參數發(fā)生越 限情況將可能直接導致機組停機，也可能會提供報警信號繼而由工作人員決定停機與否， 狀態(tài)參數發(fā)生越限將直接導致機組停運。顯然任一狀態(tài)參數的越限，都將導致機組發(fā)生停 運，因此，基于狀態(tài)參數越限保護動作模型得到機組短期停運概率P z為：
[0048] 式中，N為狀態(tài)參數的總數，Pzi為狀態(tài)參數i的越限保護動作概率。
[0049] 統計停運模型的輸入為風電機組的工作模式和風速概率預測信息。當狀態(tài)參數越 限保護動作概率較小時，基于統計數據的停運概率可在一定程度上反映由于其他原因導致 機組停機的概率，而當參數越限保護動作概率較大時，基于統計數據的停運概率的參考價 值較小。因此機組短期停運概率的計算方法為：
[0050] P=max(Pt,Pz)
[0051 ]其中，Pt為基于統計數據的機組短期停運概率，Pz為基于狀態(tài)參數越限的短期停運 概率。
[0052] 1、狀態(tài)參數越限保護動作概率
[0053]風電機組SCADA狀態(tài)參數如表1所示，可根據各狀態(tài)參數與自然環(huán)境的相關性將這 些參數分為兩類，第一類狀態(tài)監(jiān)測參數受風速和環(huán)境溫度影響顯著，主要為設備溫度參數； 第二類狀態(tài)監(jiān)測參數與自然環(huán)境的相關關系較弱。接下來將分別針對這兩類狀態(tài)參數計算 越限保護動作概率。
[0054] 表1狀態(tài)監(jiān)測參數
[0056] 1)第一類參數越限保護動作概率計算方法：
[0057]第一類狀態(tài)參數越限保護動作概率的計算方法如圖2所示，計算過程可分為三步： (1)建立風速短期預測預測未來15min內的風速。（2)建立溫度參數預測模型，預測各風速預 測值時的溫度參數。由于風速過低時，機組停機對輸出功率波動的影響可以忽略不計，因此 不予考慮低風速和低氣溫導致的停機情況。（3)基于風速預測模型和溫度預測模型的殘差 分布特性，計算溫度參數的越限概率，由于預測時間尺度較大，越限保護動作概率可近似認 為等于參數越限概率。
[0058]短期風速概率預測：
[0059]采用BP神經網絡模型預測風速，根據預測的誤差統計數據估計得到正態(tài)分布參 數。為簡化計算溫度參數越限概率，對預測誤差進行離散化處理，根據正態(tài)分布參數得到各 誤差值的概率。表2所示為15min內單步預測的預測誤差離散值及對應概率。
[0060] 表2風速預測誤差概率
[0062]溫度參數概率預測：
[0063]基于BP神經網絡模型建立各溫度參數的預測模型。結合風電機組的運行特性，采 用風速、環(huán)境溫度以及上一時刻的溫度參數作為輸入參數?？紤]氣候條件的季節(jié)性、設備的 個體差異和故障情況，選取各季節(jié)下機組正常運行時的狀態(tài)參數數據為訓練樣本對各機組 的參數預測模型進行訓練建模。
[0064]溫度參數的越限概率：
[0065]風電機組正常運行時，其溫度參數的預測殘差通常符從均值為零的正態(tài)分布。而 短時間內（15min內）環(huán)境溫度的變化不明顯，因此溫度的短期越限概率絕大程度上取決于 風速的預測值與上一時刻的溫度參數值。根據溫度預測殘差的正態(tài)分布特性，可得到在預 測的風速下溫度參數的越限概率：
[0066] 0i ( Vj ) = P ( Te > Tlim-Tvj ) = 1 -Fn( Tlim-Tvj )
[0067] 式中，Tv偽預測風速巧下溫度參數i的預測值，1^為溫度參數的上限值，Fn( ·)為 溫度預測誤差的分布函數。
[0068]當預測殘差落在正態(tài)分布99%置信區(qū)間之外時，計為一次預測失效。若在一小時 內至少出現3次預測失效，則認為溫度參數異常。由于采用風電機組正常運行時的數據作為 樣本訓練得到的預測模型難以對處于非正常情況的狀態(tài)參數進行準確預測，因此本專利根 據參數的異常程度修正預測結果，將原殘差正態(tài)分布的均值設為上一刻的預測誤差，進而 得到機組處于異常情況時，預測風速下的溫度參數的越限概率：
[0069] 〇i(vj) = l-FN(Tiim-Tvj-et-i)
[0070] 式中，et-丨為上一刻的預測誤差。
[0071]溫度參數的越限概率預測值如下：
[0073] 式中，N為風速預測誤差的離散值點數，P(Vj)表示短期內風速為的概率。預測風 速值W和P (W)可由風速預測結果和預測誤差獲得。
[0074] 2)第二類參數越限保護動作概率計算方法：
[0075] 由于第二類狀態(tài)參數受環(huán)境因素的影響較弱，此類參數越限保護動作概率可近似 采用越限時間線性表達，如下式所示：
[0077]式中，t為參數越限時間，tlim為整定時間。由于整定時間較短，第二類參數的越限 概率評估時間尺度較小，通常在lmin以內。
[0078] 2、統計停運模型
[0079]圖3為各風速下的停運率，通過風電場SCADA數據及運行維護數據統計風電機組的 停運次數和停運時刻的風速，對風速以lm/s的間隔進行分區(qū)，各風速區(qū)間下風電機組停運 率可由下式計算得到：：
[0081] 式中，NV1為風速Vl情況下風電場內所有風電機組的總停運次數，TV1為所有機組的 累計工作時間。計及風速的風電機組短期停運概率如下式所示：
[0082] Pt(t,v) = l-eMv)t
[0083] 實施例：
[0084] 本實施例以國內某風電場的一臺因第一類狀態(tài)參數越限而導致機組停機事故的 風電機組為例，對機組的短期停運概率進行了研究，通過對計及機組運行狀態(tài)的短期可靠 性預測方法和基于統計數據的短期可靠性預測方法結果的對比分析，驗證了本發(fā)明所提方 法的有效性和準確性。
[0085] 該機組于2014年6月17日17:00左右因發(fā)電機軸承B溫度超限而發(fā)生停運。在停運 前幾個小時內，平均風速在額定值11.5m/s附近波動，而環(huán)境溫度處于逐步升高的狀態(tài)。機 組發(fā)電機軸承B溫度于6月上旬開始出現異常，實際值大多高于預測值。因此，機組長期暴露 于高溫、高風速的自然環(huán)境下，軸承B溫度的持續(xù)升高最終導致了機組停機事故的發(fā)生。 [0086]表3風速的概率預測結果
[0088] 表4各風速下的越限概率
[0090] 以停運時刻17:00的數據對機組停機概率進行計算分析。該時段的平均風速預測 的確定值為11.2m/s。根據風速預測誤差概率，可得風速的概率預測值，如表3所示。各風速 下的溫度預測確定值和對應的越限概率如表4所示。分別用本發(fā)明所提出的計及運行狀態(tài) 的停運概率模型和僅基于統計數據的停運模型計算該機組的在各時刻的停運概率，如圖4 所示，通過對比分析可見，基于運行狀態(tài)的機組停運模型可明顯反應機組在短期內的停運 風險，而基于統計數據的停運模型雖然在停運前的高風速時段得出了相對較高的停運概 率，但仍然遠低于本方法。因此，本發(fā)明提出的停運模型可有效反映機組在短期內的停運風 險。
[0091] 最后說明的是，以上優(yōu)選實施例僅用以說明本發(fā)明的技術方案而非限制，盡管通 過上述優(yōu)選實施例已經對本發(fā)明進行了詳細的描述，但本領域技術人員應當理解，可以在 形式上和細節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權利要求書所限定的范圍。
【主權項】
1. 一種計及運行狀態(tài)的風電機組短期可靠性預測方法，其特征在于：該方法包括W下 步驟： S1:通過狀態(tài)監(jiān)測與數據采集(SCADA)系統獲得風電機組狀態(tài)參數，依據自然環(huán)境的相 關性將狀態(tài)監(jiān)測參數分為兩類:設備溫度參數和其余狀態(tài)參數； S2:針對設備溫度參數，建立基于反向傳播神經網絡(BPNN)的狀態(tài)參數預測模型，基于 預測殘差分布特性計算保護動作概率;針對其余參數，根據計及越限時間計算保護動作概 率. S3:通過風電場運行維護數據和SCADA數據對風電機組的停運次數和停運時刻風速進 行統計，建立風速相依的風電機組統計停運模型； S4:結合停運統計信息和狀態(tài)參數越限信息，計算風電機組短期停運概率，進行可靠性 預測。2. 根據權利要求1所述的一種計及運行狀態(tài)的風電機組短期可靠性預測方法，其特征 在于:在本方法中，基于狀態(tài)參數越限保護動作概率得到機組短期停運概率Pz為：式中，N為狀態(tài)參數的總數，Pz功狀態(tài)參數i的越限保護動作概率； 統計停運模型的輸入為風電機組的工作模式和風速概率預測信息，當狀態(tài)參數越限保 護動作概率較小時，基于統計數據的停運概率可在一定程度上反映由于其他原因導致機組 停機的概率，而當參數越限保護動作概率較大時，基于統計數據的停運概率的參考價值較 小，因此機組短期停運概率的計算方法為： P=max(Pt,Pz) 其中，Pt為基于統計數據的機組短期停運概率，Pz為基于狀態(tài)參數越限的短期停運概 率。3. 根據權利要求2所述的一種計及運行狀態(tài)的風電機組短期可靠性預測方法，其特征 在于:在步驟S2中，針對兩類狀態(tài)參數計算越限保護動作概率： 所述設備溫度參數越限保護動作概率計算方法具體包括：1)建立風速短期預測模型， 預測未來15min內的風速;2)建立溫度參數預測模型，預測各風速預測值時的溫度參數；由 于風速過低時，機組停機對輸出功率波動的影響可W忽略不計，因此不予考慮低風速和低 氣溫導致的停機情況;3)基于風速預測模型和溫度預測模型的殘差分布特性，計算溫度參 數的越限概率，由于預測時間尺度較大，越限保護動作概率可近似認為等于參數越限概率； 所述其余狀態(tài)參數，由于該類狀態(tài)參數受環(huán)境因素的影響較弱，此類參數越限保護動 作概率近似采用越限時間線性表達，如下式所示：式中，t為參數越限時間，tlim為整定時間；由于整定時間較短，該類參數的越限概率評 估時間尺度較小，通常在Imin W內。4. 根據權利要求3所述的一種計及運行狀態(tài)的風電機組短期可靠性預測方法，其特征 在于:在設備溫度參數越限保護動作概率計算中： 所述1)建立風速短期預測模型，預測未來15min內的風速包括:采用BP神經網絡模型預 測風速，根據預測的誤差統計數據估計得到正態(tài)分布參數;為簡化計算溫度參數越限概率， 對預測誤差進行離散化處理，根據正態(tài)分布參數得到各誤差值的概率； 所述2)建立溫度參數預測模型，預測各風速預測值時的溫度參數包括:基于BP神經網 絡模型建立各溫度參數的預測模型;結合風電機組的運行特性，采用風速、環(huán)境溫度W及上 一時刻的溫度參數作為輸入參數;考慮氣候條件的季節(jié)性、設備的個體差異和故障情況，選 取各季節(jié)下機組正常運行時的狀態(tài)參數數據為訓練樣本對各機組的參數預測模型進行訓 練建模； 所述3)基于風速預測模型和溫度預測模型的殘差分布特性，計算溫度參數的越限概率 包括:風電機組正常運行時，其溫度參數的預測殘差符從均值為零的正態(tài)分布，而短時間內 (15min內）環(huán)境溫度的變化不明顯，因此溫度的短期越限概率絕大程度上取決于風速的預 測值與上一時刻的溫度參數值;根據溫度預測殘差的正態(tài)分布特性，可得到在預測的風速 下溫度參數的越限概率： 〇i(Vj)=P(Te>Tlim-Tvj) = l-機（Tlim-Tvj) 式中，Tv功預測風速Vj溫度參數i的預測值，Tlim為溫度參數的上限值，Fn( ·)為溫度 預測誤差的分布函數； 當預測殘差落在正態(tài)分布99%置信區(qū)間之外時，計為一次預測失效;若在一小時內至 少出現3次預測失效，則認為溫度參數異常；由于采用風電機組正常運行時的數據作為樣本 訓練得到的預測模型難W對處于非正常情況的狀態(tài)參數進行準確預測，因此本方法根據參 數的異常程度修正預測結果，將原殘差正態(tài)分布的均值設為上一刻的預測誤差，進而得到 機組處于異常情況時，預測風速下的溫度參數的越限概率： Oi(vj) = 1-機(Tiim-Tv 廣 ε*-ι) 式中，et-i為上一刻的預測誤差； 溫度參數的越限概率預測值如下：式中，N為風速預測誤差的離散值點數，P(vj)表示短期內風速為vj的概率;預測風速值 vj和P(vj)可由風速預測結果和預測誤差獲得。5.根據權利要求4所述的一種計及運行狀態(tài)的風電機組短期可靠性預測方法，其特征 在于:在步驟S3中，通過風電場SCADA數據及運行維護數據統計風電機組的停運次數和停運 時刻的風速，對風速Wlm/s的間隔進行分區(qū)，各風速區(qū)間下風電機組停運率可由下式計算 得到：式中，Nvi為風速Vi情況下風電場內所有風電機組的總停運次數，Tvi為所有機組的累計 工作時間； 計及風速的風電機組短期停運概率如下式所示：
【文檔編號】G06Q50/06GK106097146SQ201610443200
【公開日】2016年11月9日
【申請日】2016年6月20日
【發(fā)明人】李劍, 周湶, 陳偉根, 杜林 , 王有元, 王飛鵬, 萬福, 雷瀟, 孫鵬
【申請人】重慶大學