风电场运行数据分析

郭丹，朴在林，胡博，张志霞，吕强强，梁永志（.沈阳农业大学信息与电气工程学院，辽宁沈阳　0866；.阜新泰合风力发电有限公司，辽宁阜新　000；.国网吉林省电力有限公司白山市城郊供电分公司，吉林白山　400）



风电场运行数据分析

郭丹1，朴在林1，胡博1，张志霞1，吕强强2，梁永志3
（1.沈阳农业大学信息与电气工程学院，辽宁沈阳110866；2.阜新泰合风力发电有限公司，辽宁阜新123000；3.国网吉林省电力有限公司白山市城郊供电分公司，吉林白山134300）

摘要：为了挖掘风电大数据蕴含的深层信息，探索风电场生产运行的规律，科学指导风电场生产经济运行，开展风电场运行数据分析研究，以风电场风力发电机组SCADA系统运行数据为主要研究对象，以电力大数据分析为基本思路，以计量经济学和统计学为主要研究方法，提出了风电场大数据分析的层次结构，归纳了风电场数据分类框架结构，分析了风电场风力发电机不同参数的运行特性，在数据分析的基础上验证了时下风电产业热点研究方向的研究必要性。

关键词：风电场运行；风力发电机；数据分析；风电大数据

Project SuPPorted bY the Nationa1 Science and Techno1ogY SuPPort Program of China（2012BAJ26B01）.

KEY W0RDS：wind Power farm oPeration；wind turbine generator；data ana1Ysis；wind Power big data

根据全球风能协会GWEC的统计数据表明，2000年以后全球每年风电新增装机容量逐年递增，经历了跨越式发展。2013年虽有所放缓，2014年强劲反弹，截至到2014年12月全球累计风电总装机容量达到370 GW。截至到2014年我国风电总装机容量达到114.6 GW，其中2014年新增23 GW，2011—2014年风电发电量分别占全国总发电量的1.5%、2%、2.6%和2.78%［1］。随着我国风电并网容量及其发电量的不断增加，风电场积累了大量的运行数据。如何充分挖掘风电大数据蕴藏的“金矿”，分析风资源特性、单台风力发电机的性能、风电场整体运行特性等不同研究对象的特点，并建立风电场运行管理体系及其相关评价指标，是本文要研究的重点。

文献［2］通过分析风电场运行数据，在对比风电机组实测功率特性曲线与标准功率特性曲线的基础上研究风电场等效建模方法。文献［3］以福建省某沿海风电场2010年1—6月的小时平均有功出力为研究对象，通过对有功出力的波动变化性和随机变化性分析，研究了风电出力不确定性影响的应对措施。文献［4］以美国某州9个风电场2008年1月1日至9 月30日的分钟级平均功率为主要研究对象，并通过移动平均的方法得到不同时间尺度的数据，利用直方图分析以t1ocation-sca1e分布来描述风电出力的波动性。文献［5］以对京津唐地区2010年春到2011年冬的风电数据为研究对象，通过对不同时间尺度和不同季节的统计数据进行分析，其结论不仅反映了风电随时间的波动性，还分析了波动性与系统调峰等方面的相关影响，并建立了较为详尽的评价指标体系。文献［6］利用威海地区某风电场2010年1月1日至2011年12月31日时隔5 min的有功出力样本数据，通过概率分布的方法进行纵向时刻出力波动性研究。文献［7］以新疆某地区集群风电场2011年10月1日至2011年10月30日的风电功率数据为研究对象，利用加权高斯混合分布模型研究风电功率波动特性。文献［8］利用实测数据绘制了1.25 MW风电机组的风速-功率特性曲线，以分析风力发电机的运行特性。文献［9］通过对伊朗某地区2012和2013年风力发电机的风速与有功出力实测数据，利用概率分布函数等方法进行不同季节不同样本等多层面的分析。文献［10］通过对湖北九宫山风电场2009年3月17至2009年4月17日和四川某风电场2009年1月1日至2009年1月31日采样频率为10 min的有功出力数据进行非参数估计方法和参数估计方法研究分析，验证了非参数核密度估计方法在风电数据分析方面的适用性和有效性。文献［11-13］都提及利用非参数核密度估计方法，分析风速及有功出力的分布情况并进行预测研究。文献［14］研究体现了风电大数据的研究思想。文献［15-16］对大规模风电并网运行进行分析，并提出风电发展需要解决的相关问题。

综上所述，科研人员对风电大数据的研究分析在逐步深化。风电大数据的发展趋势逐渐由波动性分析扩展到概率分布研究，研究方法也逐渐由参数估计方法向非参数估计方法过渡，且研究体系及评价标准逐步完善；另外关于风电场有功出力及其波动性研究相对较为多，但并未挖掘风电场风力发电机组SCADA系统中其他数据对风电运行的可靠性、稳定性的相关影响。本文基于电力大数据分析的思想，提出了风电场大数据分析的层次结构，归纳了风电场数据分类框架结构；以并网风电场风力发电机组运行数据为研究对象，利用计量经济学和统计学分析方法，分析了风力发电机不同参数的运行特性，并揭示了隐藏在数据后面的相关启示。

1　研究对象相关框架结构

1.1风电场运行大数据分析层次结构

本文以大数据分析为理论基础，以风电场运行数据为研究对象，利用透过现象把握本质的哲学思想，通过挖掘风电大数据蕴含的深层信息来探索风电场生产运行的规律，以更加科学、合理、经济地指导风电场生产实践。风电大数据分析层次结构见图1。

图1　风电大数据分析层次结构Fig. 1 The level structure of wind power big data analysis

图2　风电场数据分类框架结构Fig. 2 The frame structure of wind power farm data classification

1.2风电场数据分类框架结构

本文将风电场数据按照功能进行4个大类的划分，包括风功率预测数据、设备状态评估数据、生产运营数据和管理信息数据4个功能数据模块。每个数据模块包含分别实现其功能的信息数据，既包含动态数据又包含静态数据，涵盖了风电场日常运行维护、生产运营及管理等多个层面。

2　样本数据说明及预处理

2.1样本数据说明

论文选取了辽宁地区某49.5 MW风电场33台额定功率为1.5 MW风力发电机组SCADA系统的运行数据为研究对象。该风电场自2012年3月开始逐台调试并网，2012年6月33台全部并网完成。选取SCADA系统中的部分数据进行整理、统计及分析。选取数据样本的时间长度为2012年7月1日至2015年12月31日，数据采样频率为日，共计1 279个数据样本。

2.2数据预处理

由于通信故障等原因造成数据缺失的情况十分普遍，本文并未采取普遍应用的利用各种插值方法进行填补，而是根据数据的类型不同进行不同的缺失值及异常值处理。对于针对发电量和损耗电量这类时间积累类型的数据，本文采用时段平均的方法来处理此类缺失值；而对于风速、温度等数据，通过对风力发电机组SCADA系统导出此类数据建立核密度曲线，根据曲线的发现一些异常的情况，进而观察个别数据中存在一些连续的异常“0”值，且异常值数量小于样本总量的1%，本文对此类异常值采取删除处理。

3　数据分析

3.1非参数核密度估计分析

非参数核密度估计方法对于风电数据研究具有广泛的适应性，一是避免参数估计分析的主观性，二是防止由于风资源具有区域性特点而造成分析结论的局限性。本文采用非参数核密度估计对4台风力发电机组采样频率为日的平均风速数据进行分析拟合，利用EPanechnikov核函数对平均风速概率分布进行拟合，如图3所示。可见核密度估计（图3中红色曲线）对平均风速的概率分布拟合较好，而正态分布（图3中绿色曲线）拟合效果相比明显逊色。由此表明了非参数核密度估计方法对于研究波动性显著的风电大数据的适用性。

3.2日平均风速数据分析

对选取的49.5 MW风电场的33台1.5 MW风力发电机组的日平均风速进行概率分布研究，其日平均风速核密度估计曲线如图4所示。可见33台风力发电机组日平均风速的核密度曲线整体趋势一致，33台风力发电机组日平均风速出现最高概率分布的区间大体分布在3.5～6 m/s的风速范围内，其概率可达到0.18～0.24；日均风速出现大于12 m/s的概率非常小。

图3　风力发电机组日平均风速核密度函数曲线Fig. 3 The kernel density function curve of daily average wind speed of the wind turbine generators

选取9号风力发电机进行定量分析，因为它缺失数据少，曲线典型，具有代表性。9号风力发电机日平均风速的核密度曲线和累积分布函数曲线如图5所示。日平均风速累积分布函数曲线横轴表示风速，网速为3和8 m/s对应的概率值分别为0.13和0.91，即此台风力发电机出现小于3 m/s和小于8 m/s的日均风速的概率分别为13%和91%，由此可知日平均风速介于3～8 m/s的数据占统计量的78%。

图4　33台1.5 MW风力发电机组日平均风速核密度函数曲线Fig. 4 The daily average wind speed kernel density function curve of thirty-three 1.5 MW wind turbine generators

图5　9号风机日平均风速的核密度函数曲线和累积分布函数曲线Fig. 5 The kernel density function curve and cumulative distribution function curve of the daily average wind speed of No.9 wind turbine generator

通过以上数据分析并根据研究的机型，切入风速为3 m/s，额定风速为10.3 m/s，切出风速为22 m/s，可得所研究的样本风电场主要运行在风速较低的区间，且该风电场仅为其周围地区多个风电场的一个典型示例。综上所述，现阶段着力从风机制造厂商的技术改造和风电场运行维护企业的运行优化两方面提升低风速区间风力发电机组的发电量，对指导今后的风电场设计、建设、生产运行、改造有着深远意义。

3.3日发电量数据分析

选取数据缺失少的4台风力发电机组的日发电量作为样本进行分析，将每台风力发电机日发电量折算成标么值，再对其进行箱线图的绘制，如图6所示。可见单台风力发电机日发电量的第一四分位数和第三四分位数基本位于0.1和0.3附近，且占50%分布的日发电量在0.1～0.3范围内（即对于额定出力为1.5 MW的风力发电机，日发电量在3 600～10 800kW·h范围内占统计样本的50%），中位数均在0.2附近波动，基本位于上下四分位数的中心，分布偏态性不强，且统计期间内该4台风力发电机组日发电量（计及弃风限电的因素）的均值分别为7 755 kW·h、8 296 kW·h、7 064 kW·h和7 108 kW·h，可得单台风力发电机日等效利用时间4.71～5.53 h。另外，箱线图中高于0.6的分布较少，即1.5 MW风力发电机日发电量超过21 600 kW·h的并不多，箱线图判断为温和的异常值；风力发电机且存在超发的情况，即标幺值出现大于1的情况，箱线图判断其为极端异常值。

图6　9号、16号、18号和20号风机日发电量标么值箱线图Fig. 6 The daily generation per-unit value box plot of No.9，No.16，No.18 and No.20 wind turbines

弃风限电、风机质量、风电运维等因素均会影响风力发电机的发电量，因此，提升风电运维能力、规范风电运维是风电行业发展及风电企业增效的必然趋势。

3.4日平均风速与日发电量相关性分析

日平均风速与日发电量的散点图如图7所示，可见散点密集的区域近似单调递增直线的趋势，即日发电量与日平均风速相关性较大。当然通过主成分分析及风能公式均可验证此结论，即风力发电机获得的风能与空气密度和风速的立方成正比。另外，散点密集区域下方分布了大量散点，主要是由于弃风限电的原因造成了日平均风速较大而日发电量较少的情况。

图7　日平均风速与日发电量散点图Fig. 7 The scatter plot of the daily average wind speed and daily generation

由此可见，弃风限电现象在我国已并网运行的风电场中普遍存在。国家能源局新能源司副处长李鹏在2015年北京国际风能大会上介绍，风电“十三五”规划重在政策调整，淡化装机目标，重点解决“弃风限电”问题［16］。

3.5日损耗电量与日平均温度相关性分析

如图8所示，图中红色部分为温度曲线，蓝色部分为日损耗电量曲线。由图8明显可见，温度曲线呈正弦波式循环变化，说明该风电场所处地区为典型温度随季节变化明显的区域。对于日损耗曲线，可见2012年后半年日损耗电量过大。根据并网时间分析，该时期处于风力发电机组的“磨合期”，即风力发电机调试完成后的并网初期，自动润滑等系统频繁运行，风力发电机机械系统（如在并网初期风机偏航过程中，偏航刹车片与刹车盘）摩擦较大，因此损耗电量较大。2012年以后明显可见每年温度较低时，风力发电机组日损耗电量相对较大，这是由于温度较低时，风力发电机加热系统会给风机配电柜、控制柜、变频柜、机舱柜、变桨柜等柜体持续加热，以满足系统运行所需温度要求；同时，在低温的冬季，遇到供暖期，风场限电导致风机无法通过自身设备运行来提升系统温度，此时风力发电机加热系统就需要提供更多的热量维持风机在停机状态下各个柜体所需的系统温度，以便在解除限电之后，风力发电机能尽快地启动运行。

图8　风力发电机日损耗电量与日平均温度曲线Fig. 8 The daily generation loss and daily average temperature curve of wind turbine generators

通过日损耗电量分析，仅从一个参数指标层面反映出风力发电机“磨合期”的特性，其他特征有待进一步研究。

4　结语

1）通过对辽宁某地区49.5 MW风电场进行研究分析，本着大数据分析的研究思路，提出了风电场大数据分析的层次结构，归纳了风电场数据分类框架结构。

2）应用非参数核密度估计、关联分析等研究方法对风电场运行数据进行分析，基本了解了研究风电场及其附近区域风电场的运行现状，为低风速风力发电机的研究开发提供确凿的依据，同时利用数据说明了提升风电运维能力的必然性及风力发电机“磨合期”的特性。

进一步开展风力发电机组SCADA系统中无功功率、限功率停机时间、最高变桨电机温度等其他运行数据及多维数据的分析研究，继续开展风力发电机设备状态评估［18］、风电场运维能力评估等方面的研究工作。

参考文献

［1］G1oba1 Wind EnergY Counci1. G1oba1 wind rePort annua1 marketuPdate 2014［R］. Brusse1s，Be1gium：GWEC，2015.

［2］余洋，刘永光，董胜元.基于运行数据的风电场等效建模方法比较［J］.电网与清洁能源，2009，25（12）：79-83. YU Yang，LIU Yongguang，DONG ShengYuan. ComParative studY on wind farm equiva1ent mode1ing based on oPeration data［J］. Power SYstem and C1ean EnergY，2009，25（12）：79-83（in Chinese）.

［3］洪翠，温步瀛，陈群，等.风电场出力特性及其不确定性的对策分析［J］.电网与清洁能源，2012，28（11）：65-68 HONG Cui，WEN BuYing，CHEN Qun，et a1. Ana1Ysis of wind farm outPut characteristics and so1utions to its uncertaintY［J］. Power SYstem and C1ean EnergY，2012，28 （11）：65-68（in Chinese）.

［4］林卫星，文劲宇，艾小猛，等.风电功率波动特性的概率分布研究［J］.中国电机工程学报，2012，32（1）：38-46. LIN Weixing，WEN JinYu，AI Xiaomeng，et a1. Probabi1itY densitY function of wind Power variations［J］. Proceedings of the CSEE，2012，32（1）：38-46（in Chinese）.

［5］李剑楠，乔颖，鲁宗相，等.多时空尺度风电统计特性评价指标体系及其应用［J］.中国电机工程学报，2013，33（13）：53-61. LI Jiannan，QIAO Ying，LU Zongxiang，et a1. An eva1uation index sYstem for wind Power statistica1 characteristics in mu1tiP1e sPatia1 and temPora1 sca1es and its aPP1ication［J］. Proceedings of the CSEE，2013，33（13）：53-61 （in Chinese）.

［6］吕晓禄，梁军，贠志皓，等.风电场出力的纵向时刻概率分布特性［J］.电力自动化设备，2014，34（5）：40-45. LÜ Xiao1u，LIANG Jun，YUN Zhihao，et a1. Longitudina1 instant Probabi1itY distribution of wind farm outPut Power［J］. Proceedings of the CSEE，2014，34（5）：40-45（in Chinese）.

［7］蔺红，孙立成，常喜强.新疆风电出力波动特性的概率建模［J］.电网技术，2014，38（6）：1616-1620. LIN Hong，SUN Licheng，CHANG Xiqiang. A Probabi1istic mode1 to simu1ate wind Power outPut f1uctuation of a certain wind farm c1uster in Xinjiang region［J］. Power SYstem Techno1ogY，2014，38（6）：1616-1620（in Chinese）.

［8］徐创学，刘鲁清，谢云明，等.基于实时数据的风力发电机组性能在线评价［J］.热力发电，2015，44（4）：88-91. XU Chuangxue，LIU Luqing，XIE Yunming，et a1. Rea1-time data based on1ine eva1uation of outPut Performance for wind turbine units［J］. Therma1 Power Generation，2015，44（4）：88-91（in Chinese）.

［9］ZOLFAGHARI S，RIAHY G H，ABEDI M. A new method to adequate assessment of wind farms’Power outPut［J］. EnergY Conversion & Management，2015，103：585-604.

［10］杨楠，崔家展，周峥，等.基于模糊序优化的风功率概率模型非参数核密度估计方法［J］.电网技术，2016，40 （2）：335-340. YANG Nan，CUI Jiazhan，ZHOU Zheng，et a1. Research on nonParametric kerne1 densitY estimation for mode1ing of wind Power Probabi1itY characteristics based on fuzzY ordina1 oPtimization［J］. Power SYstem Techno1ogY，2016，40（2）：335-340（in Chinese）.

［11］BESSA R J，MIRANDA V，BOTTERUD A，et a1. TimeadaPtive quanti1e-coPu1a for wind Power Probabi1istic forecasting［J］. Renewab1e EnergY，2012，40（1）：29-39.

［12］ZHANG Y，WANG J，WANG X. Review on Probabi1istic forecasting of wind Power generation［J］. Renewab1e & Sustainab1e EnergY Reviews，2014，32（5）：255-270.

［13］TAYLOR J W，JEON J. Forecasting wind Power quanti1es using conditiona1 kerne1 estimation［J］. Renewab1e EnergY，2015，80：370-379.

［14］鲁宗相，徐曼，乔颖，等.风电功率预测的新型互联网运营模式设计［J］.电网技术，2016，40（1）：125-131. LU Zongxiang，XU Man，QIAO Ying，et a1. New internet based oPeration Pattern design of wind Power forecasting sYstem［J］. Power SYstem Techno1ogY，2016，40（1）：125-131（in Chinese）.

［15］王小海，齐军，侯佑华，等.内蒙古电网大规模风电并网运行分析和发展思路［J］.电力系统自动化，2011，35 （22）：90-96. WANG Xiaohai，QI Jun，HOU Youhua，et a1. OPeration research for 1arge sca1e wind Power grid integeration and further deve1oPments in Inner Mongo1ia［J］. Automation of E1ectric Power SYstems，2011，35（22）：90-96（in Chinese）.

［16］梁玉枝，李群炬，王沛文，等.京津唐电网第一个百万千瓦风电基地并网运行分析［J］.中国电力，2010，43 （6）：1-4. LIANG Yuzhi，LI Qunju，WANG Peiwen，et a1. Ana1Ysis on the integration and oPeration of the first wind farm ofmega ki1owatt in Jing-Jin-Tang grid［J］. E1ectric Power，2010，43（6）：1-4（in Chinese）.

［17］风电“十三五”重点解决弃风限电规划［EB/OL］.（2015-10-15）［2016-2-20］.httP：//moneY.163.com/15/1015/01/ B5UBLUVN00253B0H.htm1.

［18］梁伟宸，许湘莲，庞可，等.风电机组故障诊断实现方法探讨［J］.高压电器，2011，47（8）：57-62. LIANG Weichen，XU Xiang1ian，PANG Ke，et a1. Investigation of the imP1ementation of the wind turbine fau1t diagnosis［J］. High Vo1tage APParatus，2011，47（8）：57-62（in Chinese）.

Analysis of 0peration Data of Wind Power Farm

GUO Dan1，PIAO Zai1in1，HU Bo1，ZHANG Zhixia1，LÜ Qiangqiang2，LIANG Yongzhi3
（1. Co11ege of Information and E1ectrica1 Engineering，ShenYang Agricu1tura1 UniversitY，ShenYang 110866，Liaoning，China；2. Fuxin Taihe Wind Power Limited ComPanY，Fuxin 123000，Liaoning，China；3. State Grid Baishan Suburb Power SuPP1Y ComPanY，Ji1in E1ectric Power ComPanY，Baishan 137000，Ji1in，China）

ABSTRACT：In order to mine the deeP information contained in the wind Power big data and exP1ore the 1aw of the wind farm oPeration and offer guidance for the Practica1 wind farm oPeration in a scientific，ProPer，and economica1 waY，the research on the wind Power farm oPeration data ana1Ysis is done in this PaPer. With the oPeration data of the SCADA sYstem of the wind turbine generator as the main research target，with ana1Ysis of the Power big data as the basic train of thought，and econometrics and statistics as the main research method，this PaPer ProPoses the 1eve1 structure of wind Power farm data ana1Ysis，and summarizes the c1assification frame structure and ana1Yzes the Performance characteristics of the various Parameters of the wind turbine generator and verifies the necessitY of research in the current hot Points in the wind Power sector based on the data ana1Ysis.

文章编号：1674-3814（2016）04-0093-06中图分类号：TM732；TM614

文献标志码：A

基金项目：国家科技支撑计划课题（2012BAJ26B01）。

收稿日期：2016-01-21。

作者简介：

郭丹（1982—），女，博士研究生，讲师，主要从事风功率预测及储能技术研究；

朴在林（1955—），男，教授、博导，主要从事地方电力系统及其自动化、农村能源节能技术研究。

（编辑冯露）