基于SCADA数据挖掘的风电机组状态在线识别与预警

Aiming at the real demand of safe, reliable, economic operation for large wind turbines, the SCADA data in wind farm will be used adequately in this project to carry out the online identification and early warning research of wind turbines. Two key problems of this project are preprocess of SCADA data and SCADA data mining analysis model. The main research contents are: (1) correlation characteristic analysis of wind turbine operation data; (2) stochastic analysis of wind turbine operation data; (3) data mining based on physical correlation characteristics; (4) state prediction and abnormal state warning of wind turbines based on data mining. The project features and innovations are to preprocess the temporal and spatial characteristics of SCADA data based on energy flow theory, to preprocess the SCADA data randomness based on the random distribution characteristics of wind speed data and wind direction data, to propose the segmented data mining modeling method based on the different operating conditions of wind turbines, to establish the time series data mining model combing the physical model with the intelligent algorithm, and to realize the state prediction, abnormal state identification and early warning of wind turbines. Through the above research the operation state identification and early warning methods of electromechanical equipments will be enriched, the operation and maintenance costs of wind turbines will be reduced, and the service life of wind turbines will be prolonged. It is of great significance to enhance the core competitiveness of China's wind power industry.

本项目面向大型风电机组安全可靠经济运行的现实需求，充分利用风电场已有的风电机组运行SCADA数据，围绕SCADA数据预处理、SCADA数据挖掘分析建模两个关键问题，开展风电机组状态在线识别与预警研究，主要研究内容是：（1）风电机组运行数据关联特性分析；（2）风电机组运行数据随机性分析；（3）基于物理关联特性的风电机组运行数据挖掘；（4）基于数据挖掘的风电机组运行状态预测与异常状态预警。项目特色是以能量流理论对SCADA数据时空特性进行预处理；以风速风向数据随机性分布特征进行SCADA数据随机性预处理，提出基于风电机组不同运行工况阶段的分段数据挖掘建模方法，建立物理模型与智能算法相结合的时序数据挖掘模型，实现风电机组状态预测、异常状态识别与预警。通过上述研究丰富机电设备运行状态识别与预警方法，减少风电机组运行维护成本并延长服役寿命，这对于提升我国风电产业核心竞争力具有重要的意义。

本项目面向大型风电机组可靠经济运行的现实需求，充分利用风电机组已有SCADA 数据，综合应用机械、电气、控制、计算机、统计学等多学科理论与方法，主要开展了风电场SCADA数据预处理方法及评价策略、山地风场风资源特性研究、大型风电机组功率波动评价、风能利用系数研究、海上漂浮式风电机组风波载荷计算与分析、风电机组性能劣化评价、风电机组运行状态识别与预警方法及预警软件设计等研究工作。通过项目研究，基本掌握了大型风电机组运行机制，形成和发展了基于SCADA数据的风电机组状态识别与预警方法，获得了对大型风电机组运行机制与状态评价的更深入而全面的理解。主要表现：（1）厘清了测试数据与待测物理量之间的关系，提出了风电场SCADA数据预处理方法（平均数法、最小二乘法和非参数法，即核密度-均值法）、处理步骤及评价策略，获得了较好的预处理结果；（2）通过对某山地风场风速风向特征的分析研究，掌握了风电机组风速风向数据的随机分布特征，分析了风速与风向波动对风电机组输出功率波动的影响，揭示了山地风电场风资源特征存在显著的位置差异、季节性差异和月差异特性；（3）提出了基于统计数据和基于实时数据的两种风电机组风能利用系数计算方法，修正了实时风能利用系数，能更好地指导和改进风电机组的设计和控制；（4）研究了海上漂浮式风电机组风波载荷计算与分析方法，提出了风波载荷计算模型及风波载荷联合计算流程，实例分析计算获得了更好的理论认识；（5）提出了风电机组性能劣化评价方法，构建了四个性能劣化程度评价指标及其具体的量化形式，指出加权平均法在纵向和横向两个方面能更好地描述风电机组的整体性能劣化程度，能更有效地判断风力机性能劣化状态，避免了单一指标比对的误判。（6）提出了基于SCADA数据分析建模的风电机组运行状态识别方法，构建了风电机组运行状态指标，可以更好地实现对风电机组运行异常状态识别和早期预警。在此基础上，设计了风电机组运行状态实时在线预警软件。