第3章 风电场性能评估算法模型
?10min?1T10min[B10min11??Pw[?]] R0R0Rw （3-1）
3.2 风电场性能评估算法
根据风电场性能特性分析结果，本文提出利用风电场能量维度方面的统一性，将可用风资源、风电场功率特性和风电场出力进行综合，提出风电场性能评估模型来综合评估风电场的性能，该模型原理图如图3-3所示。
风电场能量分析保证功率曲线GPC理论应发电量理论应发电量风电场综合评估指标功率特性评估NPC无尾流实际应发电量含尾流实际应发电量机组性能损失发电量尾流损失发电量绝对EBA实测功率曲线MPC相对EBA标准数据集风电场出力结构模型含尾流实际应发电量数据丢失损失电量数据丢失损失电量尾流损失率缺失数据插补机组性能损失率数据丢失能量损失率机舱风速标准化将风速折算到标准空气密度混合NTF校正机舱风速实际发电量停机损失发电量停机能量损失率降出力能量损失率降出力损失发电量功率超发电量异常数据剔除功率超发能量增加率数据采集图3-3 风电场性能评估模型原理图
3.2.1 风电场功率特性评估方法分析
由于大多数风电场在运行中都会存在机组故障数据、限电数据、超发数据、停机数据和无效风向数据等，使得平均功率曲线根本无法代表风电场功率特性，需要针对风电场的功率特性制定出一套特殊的评估方法。传统风电场功率特性评估依赖于测风塔方法或激光雷达方法，由于经济成本和地域限制，一般对单台风电机组功率特性进行评估，以此来代表整个风电场的功率特性，这就存在了很大的片面性。本文第4章探讨了将机舱风速计风速校正为机舱自由流风速的修正函数及其最佳函数形式—Binned-NTF，然后提出了基于机舱风速计的单台风电机组功率特性评估方法，最后以单台风电机组的功率特性评估为方法基础，研究出了整个风电场的功率特性评估方法。
- 17 -
东北电力大学工学硕士学位论文
3.2.2 风电场出力结构分析
由于风电场机组出现故障、停机、超发运行或亚健康运行状态（昆虫、灰尘附着、叶片结冰、齿轮箱温度高等原因），造成机组在不同运行状态下的发电量情况是不同的[23-28]。本文对风电机组的运行状态进行归类分析，提出机组正常运行、降出力运行、机组停机、超发运行四种不同的运行状态。
问题的关键是如何识别机组超发数据和降出力数据。在现有的数据聚类算法中，DBSCAN算法因其可以在含有“噪声”的空间数据集中发现任意形状、任意数量的簇和孤立点而应用较广，对于只有较少时间点出现故障的机组来说，此方法具有很大的优越性。但是由于我国风电场数量众多、机组数量庞大、机组质量和部件结构不尽相同，再加之我国弃风限电严重，拿一段时间机组风速-功率运行数据来看，它会呈现多种形状的簇，DBSCAN算法无法识别哪些是正常簇、哪些是异常簇。本文中提出了一种新的基于密度的聚类算法——Inner-DBSCAN算法，该算法是在DBSCAN算法基础上进行改进的，首先对机组运行数据分小区间，在小区间内进行异常簇的识别，然后利用边缘识别算法识别出正常数据边缘，得到上下边界曲线，最后利用双S曲线对原始数据进行分类重聚类，得到正常数据和降出力异常数据和超发数据。
3.2.3 可用风资源评估
可用风资源是用来衡量风电场的理论发电量的指标，为挖掘风电场的发电潜力提供了一个理论上的参考。以往可用风资源评估方法往往借助于每台机组上的机舱风速计测量数据，然后通过保证功率曲线计算获得。然而机舱风速计并非是真实的机舱自由流风速，因此这种方法是很不准确的。本文中，提出利用机舱传递函数将机舱风速计风速校正为机舱自由流风速，并考虑到尾流因素对评估结果的影响，基于这个方法进行的风资源评估具有更高的准确性。可用风资源的评估将放在第6章中进行研究。
3.2.4 风电场性能综合评估
从能量维度将可用风资源、风电场功率特性和风电场出力结构统一起来，进行风电场综合性能评估。基于可用风资源和保证功率曲线可以计算出风电场的理论发电量，基于实际风频分布和风电场功率曲线计算出不计湍流和风切变影响的实际应发电量，基于实际风频和实测单台机组功率曲线计算出带湍流和风切变影响的实际应发电量，从而得到湍流和风切变带来的损失电量；再根据风电场出力结构可以计算出降出力损失电量、停机损失电量、功率超发增发电量等，进而计算出EBA（Energy Based Availability，即能量利用率）和每种状态下的ELR（Energy Loss Rate，能量损失率）。
- 18 -
第3章 风电场性能评估算法模型
3.2.5 算法特性分析
本章提出的风电场性能评估算法模型，能够综合反映出可用风资源、风电场功率特性和风电场出力情况。首先，基于机舱风速计的风电场功率特性评估方法，能够对风电场中多台机组进行评估。其次，在机组出力分析过程中，将基于密度的聚类思想和机组异常运行状态识别进行结合，有效的对机组不同运行状态进行了分类。最后，将有效风资源的计算、风电场功率特性和风电场出力分析进行结合，得到每种状态下的实际发电量情况及损失电量情况，用瀑布图来表述每个部分的组成，如图3-4所示。并且基于这个结果，可以分别计算出两种EBA和每种ELR，使得在保证风电场性能总体评估指标合理的同时，也分析出了机组和风电场详细的性能评估结果。
''50004500400035004465246431762电量( 万KWh )300025002000150010005000120032111619理论应发电量性能损失尾流损失停机损失降容损失功率超发数据丢失损失实际发电量
图3-4 风电场能量组成图
3.3 本章小结
本章以风电数据为背景，提出了一种基于能量维度的风电场性能综合评估方法。通过能量维度方面的统一，能够综合评估有效风资源、风电场功率特性和风电场出力情况。在可用风资源计算方面，提出运用基于机舱风速计的混合传递函数方法，能够有效的计算出风电场的理论发电量。在风电场功率特性评估方面，提出利用测风塔和机舱风速计之间建立的传递函数的方法，从风电场整体层面进行功率特性评估。在风电场出力分析方面，提出使用改进的DBSCAN等算法进行机组运行数据分类，进而计算相应的损失发电量。将有效风资源、风电场功率特性和风电场出力分析在能量维度上进行结合，最终可以得到两个EBA和每种状态下的ELR，基于这个分析结果可以定位导致发电量低的原因，明确相关责任方，以制定出相应技术改进或机组维护措施，保证风电场的利益。
- 19 -
东北电力大学工学硕士学位论文
第4章 风电场功率特性评估算法研究与实现
4.1 算法提出背景
传统的风电场功率特性评估算法依赖于测风塔方法和激光雷达方法进行测试机组机舱自由流风速的测量。用对单台机组进行功率特性评估结果来代表整个风电场的功率特性，显然这样的评估结果具有片面性。
针对这个问题，提出基于机舱风速计的风电机组功率特性评估算法。而在机舱风速计方法中，风速是通过配置在机舱上面的机舱风速计进行测得的。机组附近地理情况和阻挡物体对理想测风点与实际测风点的气流改变较小，因为此处离风轮圆心很近。但是当风通过机舱和风轮时会得到很大程度的改变。而以往的研究基本上是基于简单的线性函数对机舱风速进行校正，对线性函数的有效性未给出有效性验证[29-31]。针对此问题，本文中研究了机舱风速校正函数的原理，研究了以往的线性校正函数的缺点，提出一个更加精确的函数——Binned-NTF，来对机舱风速进行校正，并设计算法对校正函数的有效性进行了验证。当获得Binned-NTF之后，本章提出的方法与传统方法基本上是一样的[32-33]。
以基于机舱风速计的风电机组功率特性评估算法为理论基础，推导出风电场中多台风电机组的功率特性进行评估算法，并对AEP不确定度的计算进行研究。
4.2 风电机组功率特性评估算法
提出基于机舱风速计的风电机组功率特性评估方法，方法的总体思路框图4-1所示。本方法围绕着如何获取有效的Binned-NTF及正确对其应用的问题进行详细展开。 首先，进行初始化。对风电机组的软硬件参数和测试场地进行评估。评估完毕后，如果该风电场没有传递函数，则需创建Binned-NTF；如果存在传递函数，则进行Binned-NTF的有效性验证。
其次，对采集来的数据进行数据质量检查和数据筛选，以免无效数据对风电机组功率特性评估的有效性产生影响。然后，应用Binned-NTF将机舱风速校正为机舱自由流风速。再利用实测空气密度进行数据标准化步骤得到标准的机组功率特性测试数据集，从而进行最终结果分析。
最后进行经过扇区自我一致性检查，如果检查通过，撰写风机功率特性评估报告；如果没有通过，则根据扇区自我一致性检查结果重新调整有效扇区，从数据筛选模块开始重新进行功率曲线和AEP等分析。
- 20 -