摘 要

风电发电量预测是将风力发电整合到智能电网中的必要条件。精确合理的风力发电预测可以缓解电力调度和规划难度，减小风电并网给电力系统稳定性和经济性带来的影响。近年来，学者们为实现有效的风电发电量预测提出了诸多方法，但现有研究很少考虑风电机组健康状态对发电量的影响。本文针对现有研究的不足，提出了一种考虑健康状态影响的风电机组中期发电量预测方法。

本文采用多观测序列隐Markov模型（HMM）预测风电机组健康状态，训练机组运行监测数据，建立机组多级健康状态概率预测模型；接着将机组功率曲线与概率预测模型结合，建立考虑机组健康状态影响的动态风电功率曲线模型；最后基于风速预测模型和动态功率曲线模型，进行风电机组中期发电量预测。具体工作如下：

（1）研究风电机组健康状态评估及预测方法，建立了基于HMM的风机健康状态模型。由于传统HMM建立在单一输入的基础上，而单一输入不能全面反映机组健康状态，故研究基于多观测序列HMM的风电机组健康状态预测模型。研究多观测序列隐 Markov 模型的数据预处理、训练算法改进，提出基于多观测序列HMM的风电机组健康状态序列预测模型和多级健康状态概率预测模型。

（2）建立考虑风电机组健康状态影响的动态功率曲线模型和发电量预测模型。依据SCADA系统风速-功率数据，拟合不同健康状态等级下的风电功率曲线；再结合多级健康状态概率预测模型，提出了考虑健康状态影响的动态风电功率曲线模型；最终建立基于风速Weibull分布模型和上述动态功率曲线模型的发电量预测模型。不同于以往只包含气象信息的风电功率曲线，本文动态功率曲线模型中发电功率还随时间变化，而机组健康状态劣化信息包含在时间序列中。

（3）应用SL2000/100机组的历史运行数据进行模型验证，建立了三种发电量预测模型进行对比：仅考虑风速影响的发电量预测模型；考虑风速和机组五级健康状态影响的发电量预测模型；考虑风速和机组多级健康状态概率影响的发电量预测模型。结果表明本文提出的考虑健康状态影响的风电机组中期发电量预测模型的有效性。

关键词：风电机组健康状态；多观测序列隐Markov模型；风电机组动态功率曲线；风电发电量预测

Abstract

Wind power generation forecasting is a necessary condition for integrating wind power generation into smart grids. Precise and reasonable wind power forecasting can ease the difficulty of power dispatching and planning, and reduce the impact of wind power grid connection on the stability and economic efficiency of power systems. In recent years, scholars have put forward many methods for realizing effective prediction of wind power generation. However, few studies have considered the impact of wind turbine health status on power generation. In view of the shortcomings of the existing research, this paper proposes a medium-term power generation forecasting method for wind turbines considering the influence of health status.

In this paper, the multi-observed sequence hidden Markov model is used to predict the health status of wind turbines, and the unit operation monitoring data are used to obtain the unit multi-level health probability probabilistic prediction model; then the unit power curve is combined with multi-level health probability probabilistic prediction model to consider the unit health status. The impact of the dynamic wind power curve model; Finally, the conventional power generation formula is improved, based on the wind speed prediction model and the above dynamic power curve model for wind power generation medium-term power generation forecast. The specific work is as follows:

(1)Wind turbine health status assessment and prediction methods was studied, and a health state model based on HMM was established. Because the traditional HMM is based on a single input project, and a single input project cannot fully reflect the unit health status, the wind turbine health state prediction model based on multiple observation sequences HMM is studied. The data preprocessing and training algorithm improvement of multi-observed sequence hidden Markov model are studied. A multi-observation sequence HMM-based wind turbine health state sequence prediction model and a multi-level health state probability prediction model are proposed.

(2)A dynamic power curve model and a power generation forecast model that consider the impact of wind turbine health status were established. According to the wind speed-power data of SCADA system, wind power curves under different levels of health are fitted; combined with the multi-level health state probability forecasting model, the dynamics that consider the impact of health status are proposed. Wind power curve model; Finally, a power generation forecasting model based on the wind speed Weibull distribution model and the above dynamic power curve model is established. Different from previous wind power curves that only contain meteorological information, the power generation power in the dynamic power curve model of this paper also changes with time, and the health deterioration information of the unit is included in the time series.

(3) This paper used SL2000/100 unit's historical operation data to verify the model and establish three power generation forecasting models for comparison: only consider the wind speed impact power generation forecasting model; consider the wind power unit's five health status influences Model; power generation forecasting model considering the influence of wind speed and multi-level health status of the unit. The results show that the model proposed in this paper considers the effect of health state on the effectiveness of the medium-term power generation forecasting model for wind turbines.

Key Words：wind turbine health status; multi-observed sequence hidden Markov model; dynamic wind turbine power curve; wind power generation forecast

目 录

第1章 绪论 1

1.1 选题研究背景与意义 1

1.2 国内外研究现状 1

1.2.1 风电机组的健康状态评估研究现状 1

1.2.2 风电机组的发电量预测研究现状 3

1.3 主要研究内容与技术路线 5

1.3.1 主要研究内容和总体框架 5

1.3.2 技术路线 6

第2章 健康状态对风电机组发电量影响 8

2.1 变速恒频风力发电机组 8

2.2 风电机组风能转换原理 9

2.2.1 风电机组空气动力学理论 9

2.2.2 风能利用系数 10

2.2.3 风电机组功率曲线 11

2.3 风电机组系统分析 9

2.3.1 风电机组系统结构、功能 12

2.3.2 风电机组子系统部件典型故障模式 14

2.4 风电机组故障对发电量影响 17

2.5 本章小结 18

第3章 基于HMM的风电机组健康状态模型 19

3.1 标准HMM相关理论及算法基础 19

3.1.1 Markov链基本理论 19

3.1.2 HMM基本理论 20

3.1.3 HMM基本问题和算法 21

3.2 风电机组健康状态分级与隐Markov模型选择 24

3.2.1 风电机组健康状态分级 24

3.2.2 隐Markov模型选择 25

3.3 风电机组健康状态观测体系建立与数据预处理 26

3.3.1 风电机组健康状态观测体系 26

3.3.2 数据再抽样及矢量量化 27

3.4 基于多观测序列HMM的风电机组健康状态评估 27

3.4.1 基于多观测序列的HMM算法改进 27

3.4.2 基于改进HMM的风电机组健康状态评估 29

3.5 本章小结 30

第4章 考虑健康状态影响的风电机组发电量预测 31

4.1 风电机组风速预测模型 31

4.1.1 风速概率分布模型 31

4.1.2 威布尔分布参数估计 33

4.2 各健康状态下实际功率曲线模型 34

4.2.1 SCADA系统 34

4.2.2 不同健康状态下的风电功率曲线模型 35

4.3 考虑风电机组健康状态的发电量预测 36

4.4 本章小结 37

第5章 实例分析 38

5.1 风电机组基本参数 38

5.2 基于Weibull分布的风速预测模型 39

5.3 基于HMM的风电机组健康状态评估及预测 40

5.4 考虑风电机组健康状态的动态功率曲线 44

5.4.1 各级健康状态下机组风电功率曲线拟合 44

5.4.2 包含健康状态信息的动态风电功率曲线 47

5.5 风电机组发电量预测 50

5.6 本章小结 52

第6章 全文总结与展望 53

6.1 全文总结 53

6.2 工作展望 53

参考文献 55

致谢 61

第1章 绪论

1.1 选题研究背景与意义

可再生能源具有易用性优、环境友好等诸多优点,风能等可再生能源正成为现代电力系统不可分割的一部分。据国际可再生能源机构（IRENA）报道，2017年利用可再生能源发电约占全球发电量的22％；由于风能、太阳能光伏等可再生能源的快速增长,预计这一份额在未来15年会翻一番^[1]。智能电网和可再生能源的融合使得这些资源得到有效利用。

风电一体化带来诸多优势，然而风电的高渗透率给电力系统运营和规划带来了诸多挑战，主要原因在于风电不确定性和间歇性。风速不同导致风电机组的输出功率也有差异。在电力系统中，电力供应必须始终等于电力需求，生产的能源需要立即消耗，否则以额外成本存储，然而风电不确定性使得电网难以保持这种平衡^[2]。因此事先知道可以预期的风力发电量是非常有益的。从需求管理的角度来看这也很重要，可根据预期需求对用于发电的化石燃料供应进行调整。精确合理的风力发电预测可以缓解电力调度和规划难度，减小风电并网给电力系统稳定性和经济性带来的影响。

风电机组常安装在几十米的高空，单机容量较大，自身结构复杂；风速不稳定且具有较大的随机性，因此风电机组在运行过程中，由于不断受到变化的冲击载荷作用而容易出现故障。而风电设备健康状态是能否让风能资源发挥最大效益的重要基础。

风电机组中期发电量预测常采用间接预测法^[3]，根据机组功率曲线和平均风速预测结果进行发电量预测。因此，风速预测模型与风电功率曲线的准确性对于减小预测累计误差、有效预测风电机组中期发电量有重要意义。

目前考虑风电功率曲线修正的研究都是针对风速湍流、空气密度湿度变化等气象因素进行的^[4,5]，而风电机组健康状态对发电量预测的影响还未引起业界重视。学者们对于风电机组重要零部件的故障诊断、风电机组的发电量预测分别有深入的研究，但很少考虑机组健康状态与发电量之间的关系。本研究将机组健康状态纳入发电量预测的重要影响因素，可以修正实际的风电功率曲线，从而为风电机组发电量预测提供可靠依据。

1.2 国内外研究现状

1.2.1 风电机组的健康状态评估研究现状

近年来，复杂机电系统的可靠性、可维护性、安全性引起了诸多关注。由于越来越多的工业系统被要求以更高的产量和更好的质量生产，而传统的维护和修复策略并不能充分解决这一问题，人们只能在设备故障停机后才意识到需要安排维修，这对产品产量和质量都有严重不良影响^[6]。为了实现基于状态的维修（CBM），从而提高维修准确性、减少维修费用，故障预测与健康管理（PHM）应运而生^[7,8]。CBM利用状态监测系统，使用连续监测和检测技术提前发现早期劣化故障；在故障发生前安排必要的维修任务，减轻主要部件故障和系统故障。CBM涉及数据采集与处理、分析选择最佳维护方案等工作。

设备健康状态和可靠性预测是一个复杂的过程，因为影响剩余使用寿命（RUL）的因素众多，例如负载、工作条件、压力、振动和温度等，人们对这些因素之间的关系尚未完全了解^[9]。经典线性高斯时间序列模型在分析和预测复杂工程设备可靠性方面不够准确，线性方法如ARIMA（自回归积分移动平均）法无法识别复杂特征。而非线性时间序列方法，如隐Markov模型、人工神经网络（ANN）和非线性预测（NLP）可以有效实现复杂状态下设备的健康预测。

目前，常见的机电设备的健康状态评估方法包括模糊综合评价方法、基于知识的专家系统方法、基于神经网络的人工智能方法。模糊理论的规则建立比较困难，但易于实现设备状态劣化这种非线性过程的描述，因此广泛应用于设备的健康状态评估。文献[10-12]引入劣化度指标,利用基于层次分析（AHP）法的变权模糊综合评价评估风电机组运行状态。模糊逻辑方法使用模糊性语言变量（小、中、大）以及范围在0到1之间的真值变量，模糊而非准确地建立输入与输出之间的非线性映射。模糊逻辑方法允许使用近似值和不完整或模糊的数据，常用于系统难以准确建模且允许有不精确模型的情况。然而，单独使用模糊逻辑方法并不令人满意，因为它的学习能力较弱。要训练准确的人工神经网络模型一般需要大量数据，而复杂工况下的设备多项目监测数据往往难以获得，这使得神经网络方法在健康评估领域中有一定的局限性。一些学者致力于研究综合设备状态监测与状态评估方法，如模糊神经网络状态监测方法^[13]。

现有对风电机组的运行状态监测主要只集中在重要零件上，如利用威布尔模型、隐马尔可夫模型预测叶片、齿轮箱内轴承、齿轮剩余寿使用命等^[14,15]。风能转换系统（WECS）是由多个子系统组成的复杂电力系统，仅用机组某一零部件的运行状态显然无法准确描述风电机组整体的可靠性与健康状态；像考虑电力系统的任意其他组件那样，以简单的方式考虑这些复杂系统可能会给出不可靠的结果^[16]。风电机组的可靠性评估研究还未引起业界重视，已有文献主要采用失效模式及后果分析(FMEA)法和基于Markov过程的方法^[14,15]。文献[17]采用可靠指标向量法计算故障模式的相关性，得出浮动海上风电机组（FOWT）系统最易失效的部件；FMEA量化分析故障率的结果表明，结构部件发生故障的概率比电子部件低,材料腐蚀是故障的关键因素。

综上，虽然有许多研究考虑风资源对大型电力系统可靠性的影响，但将风力发电机组作为一个独立的系统来进行可靠性评估的研究较少。

1.2.2 风电机组的发电量预测研究现状

现阶段各类风电功率预测方法主要是以数值天气预报（NWP）和风电场监控与数据采集（SCADA）系统的监测数据为基础。对风力发电功率预测方法照预 测时间尺度、预测物理量、预测范围、预测模型进行如图1.1所示分类^[3]。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：