风功率曲线的影响要素盘点 | 工业数据分析
来源: | 作者:pmod6d781 | 发布时间: 2021-12-17 | 456 次浏览 | 分享到:


测量回路的问题对于数据分析来说也是很大的挑战。只有明显的故障特征,数据才能给出确定性结论。对于很多细微的问题,只有靠测量回路的校对工作去发现和更改。风速的原理性测量误差(风轮前后的风速差异)有很多补偿手段(例如,把叶片遮挡期间的数据过滤掉),但仅靠数据还是要谨慎。


设计与安装

为了提高发电效率,风机技术也有很多新的创新,例如叶片、电机、测风技术,这些信息通常可以明确给出,一般不会对数据分析带来潜在风险。但风机安装缺陷(例如叶片对零问题)这些隐性因素造成的问题,单纯数据分析也许可以发现异常表征,但无法给出根因研判。


总结

对于行业数据分析时是否应该了解机理这个问题,一直存在争论。从行业推广的角度,最好是不需要了解机理,这样分析技能才更容易复制。但我们一直坚持在分析前,尽量整理出问题的系统动力学图(在当前认知水平下)。通过本文可以看出,很多要素(例如瞬态空气动力学、安装瑕疵等)并不是“数据分析”技术可以解决(也不应该由数据分析技术解决),但至少知道问题的全貌,避免管中窥豹和过度自嗨。古人有云,“未知全貌,不予置评”,大概是针对那些仅考虑局部信息而过度解读的数据分析工作吧。

在考虑上面的要素后,风功率曲线的建模有很多方法,可以参阅[4],这里不再展开。


参考文献

[1] 孙伟,风力发电机组功率曲线及可利用率[R]. 金风科技客服系统工程技术部,2013.

[2] Pelletier F. Power performance evaluation and improvement of operationalwind power plants[D]. cole de technologie supérieure, 2014.

[3] Bailey B H, McDonald S L, Bernadett D W, et al. Wind resource assessmenthandbook: Fundamentals for conducting a successful monitoring program[R].National Renewable Energy Lab., Golden, CO (US); AWS Scientific, Inc., Albany,NY (US), 1997.

[4] 黄秋娟. 基于数据驱动的风电机组功率曲线异常识别方法研究[D]. 沈阳工业大学,2019.