(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111313388.7 (22)申请日 2021.11.08 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 申请人 浙江运达风电股份有限公司 (72)发明人 陈棋　傅凌焜　孙勇　王琳　 杨秦敏　陈积明　孟文超　刘广仑　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 刘静 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 20/00(2019.01) (54)发明名称 一种面向大型风电机组实时出力性能的评 估方法 (57)摘要 本发明公开了一种面向大型风电机组实时 出力性能的评估 方法。 该方法基于风电机组正常 运行状态下数据采集与监视控制系统记录数据 集， 设计利用滑窗技术的离群点检测方法， 并设 计带有时间信息提取的特征提取模型， 选取 XGBoost模型拟合风能利用系数与输入特征的等 效数学模型， 并统计训练集中超限程度， 用于在 线应用时出力性能的实时评估。 在本发明的实时 出力性能评估 方法中， 对每个数据点能够进行多 次判断， 并统计其离群程度进行离群点检测， 从 而获取更鲁棒、 更灵活的检测结果； 在特征提取 中考虑变量时间依赖性， 解决了机器学习 XGBoost模型没有利用时间信息的问题， 基于训 练集超限程度作为在线实时评估依据， 避免了人 为主观因素的干 扰， 保证了评估的准确性。 权利要求书2页 说明书6页 附图4页 CN 114021992 A 2022.02.08 CN 114021992 A 1.一种面向大型风电机组实时出力性能的评估方法， 其特征在于， 该方法包括以下步 骤： 1)选取待进行实时出力性能评估 的风电机组， 获取该风电机组SCADA系统中所记录的 正常运行状态下的运行数据， 运行参数包括风速v、 空气密度ρ 、 转速ω、 桨距角 β 、 偏航角 θ和 有功功率P等， 记为数据集X， X＝{v, ρ,ω, β, θ,P,...}T， 并获取风电机组的结构参数， 包括 风轮半径R和功率 转换效率 η； 2)计算风能利用系数Cp， 计算公式为 并基于风能利用系数 ‑风速数据 集进行离群点剔除， 首先进行风速区间划分， 风速区间长度设置为Lv， 所划分风速区间个数 为 之后设置风速滑窗长度Wv为k倍的风速区间长度， 表示为Wv＝k·Lv， 滑窗自风机切入风速vcut‑in移动至风机切出风速vcut‑out， 利用每个滑窗内的风能利用系 数 数值绘制箱型图， 并基于箱型图结果进行离群点检测； 3)每个数据点能够在多个滑窗内进行检测， 得到多个是否为离群点的检测结果， 检测 结果认定是离群点的次数与总检测次数比值作为该 数据点的离群程度； 4)统计所有数据 点的离群程度， 并设置离群程度阈值h， h∈[0,1)， 离群程度大于h的数 据点予以剔除， 得到 离群点剔除后的数据集X ′； 5)设计带有时间信息提取的自编码(AE ‑TIE)模型进行特征提取； 为输入时间信息， 首 先利用滑窗技术， 设置滑窗长度W， 滑窗内的数据表示为 其 中T为当前时刻， n为数据集中的变量个数， 将X ″输入至编码器中， 编码器由LSTM单元构成， 编码器输出为隐藏向量 m为隐藏向量的维度， 之后为进行隐藏向量中的短期时间 信息提取， 设计一层卷积神经网络CNN层， CNN层中有p个滤波器， 每个滤波器的维度设置为 从而能够对隐藏向量中不同时刻的时间信息进行提取， 得到新的隐藏向量 最后将新的隐藏向量h ′输入至解码器中， 解码器也由LSTM单元构 成， 得到重构的 输入向量 通过最小化重构误差进行模型训练； 6)将AE‑TIE模型中新的隐藏向量h ′作为输入特征， 离群点剔除后的风能利用系数作 为 目标变量y， 构造训练集[h ′,y]； 7)选取机器学习模型XGBoost作为变量估计模型拟合风能利用系数与隐藏向量h ′之间 的等效模型y＝f(h ′)， 训练完成后， 获取训练集中风能利用系数实际值与模型估计值的残 差序列， 并设置残差阈值上下限， 之后设置评估周期Tperiod， 统计训练集中每个周期Tperiod时 间内， 残差值超过残差阈值上限或低于残差阈值下限的数据点的个数， 并统计所有评估周 期内超限数据点的最大个数cmax； 8)在线应用进行风电机组实时出力性能评估时， 通过SCADA系统中运行数据， 首先基于 步骤5)设计的AE ‑TIE模型提取特征h ′， 之后通过训练完成的变量估计模 型实时获取风能利 用系数的模型估计值 求取风能利用系数实时计算值Cp与变量估计模型输出值 之间的 残差 每经过预先设置的时间周期Tperiod后， 统计残差值超过残差阈值上限或低权　利　要　求　书 1/2 页 2 CN 114021992 A 2于残差阈值下限的数据点个数， 当该周期内残差值超限的个数大于cmax时， 认定风电机组此 时的出力性能出现异常。 2.根据权利要求1所述的一种面向大型风电机组实时出力性能的评估方法， 其特征在 于， 所述步骤2)中， 基于每个滑窗的风能利用系数数值绘制箱型图时， 首先求取上四分位数 Q3以及下四分位数Q1， 以及四分位距IQR＝Q3‑Q1， 之后设置箱型图上边缘U＝Q3+1.5IQR及下边 缘L＝Q1‑1.5IQR， 处于箱型图上 下边缘之外的数据点认定为离群点。 3.根据权利要求1所述的一种面向大型风电机组实时出力性能的评估方法， 其特征在 于， 所述步骤3)中， 在区间i∈[k,Nv‑k+1]内的每个数据点进行k次检测， 得到k个是否为离 群点的检测结果， 每个数据点的检测结果中为离群 点的次数记为c1， c1∈[0,k]， 将比值 作 为该数据点的离群 程度； 在区间i∈[1,k ‑1]内的每个数据点进行i次检测， 区间[Nv,Nv‑k+2] 内数据点检测次数与区间[1,k ‑1]对应相同， 每个数据点的检测结果中为离群点的次数记 为c2， c2∈[0,i]， 将比值 作为该数据点的离群程度。 4.根据权利要求1所述的一种面向大型风电机组实时出力性能的评估方法， 其特征在 于， 所述步骤5)中， 编码器部分将输入 通过非线性映射得到 隐藏向量h＝f(W1X″+b1)， 其中f( ·)为Sigmoid函数， 与 为编码器的权重 矩阵和偏置向量， 由训练得到； 之后隐藏向量 经CNN层得到新的隐藏向量 作为解码器输入， 解码器通过非线性映射得到重构向量 表示为 其中g(·)为Sigmoid函数， 和 为解码器的权重矩阵， 为解码器 的偏置向量， 由训练得到； 重构误差表示 为 其中s为训练集样本个数。 5.根据权利要求1所述的一种面向大型风电机组实时出力性能的评估方法， 其特征在 于， 所述步骤7)中， 假设训练集残差序列服从t分布， 取t分布99％分位数作为残差阈值上 限， 1％分位数作为残差阈值下限。权　利　要　求　书 2/2 页 3 CN 114021992 A 3