摘要：随着我国现代化技术水平的不断提升，使信息化技术广泛地应用在各领域中，可满足各领域的发展需求，充分发挥出信息化技术的重要作用与价值。而在风力发电系统中，可对先进技术引进与应用，并取得良好的效果。风力发电是我国对可再生能源的开发与利用，所采用的技术是最成熟、最具开发规模的，在电力大数据中，最主要的核心内容就是风电运行数据，通过对风电运行数据的分析，可掌握各地区风力发电能源的实际情况。为确保风电运行信息数据的科学性与合理性，还需对风电机组的异常信息数据分析，采用智能化的识别方法，为风力发电可再生能源的开发与利用提供重要依据。
关键词：风电机组；异常数据；智能识别方法
风力发电可再生能源的开发与利用，主要是由风力发电运营管理单位所负责，结合风力发电工作内容的分析，为确保各项信息数据的准确性与完整性，还需加大对风电机组异常数据的识别与分析，通过对风速的实测、对风电功率曲线的绘制情况，可对风电机组、风电场经济技术水平标尺的衡量，从而对风电场性能、运行状况详细分析。由于风电机组所产生的信息数据比较多，再加上异常数据点，很溶液会发生数据缺失、越限等情况，还需对风电机组异常数据的智能化识别与分析，从而为风力发电项目提供科学依据。
一、风电机组异常数据类别
对风电机组异常数据类别的分析，需要结合应用需求全面分析，对风机功率信息数据的实测，但是针对风机功率信息数据的实测，其中会有大量不符合风机正常出力特性的异常运行点，产生此前情况的影响因素比较多，为对具体问题的探究，还需对各项影响因素的逐一分析，其中就包括实测条件的不同，如果是在较大风速下对其的实测，那么实测出现的信息数据就有可能是0。除此之外，还包括风机组出现故障、维护停机、机组限出力运行、风速传感器失灵等影响因素。那么对风电机组异常数据的分类，主要包括底端有风停机异常数据、中部限功率异常数据、其余分散异常数据三种[1]。例如：以某风场某台双馈机组为例，该风机的额定风速设置为12m/s，而额定功率是1500kW。相关工作人员对其实测，在风电场SCADA系统中导出2014年1-6月10min内的平均风速、功率信息数据，并绘制成风速（WS）--功率（WP）曲线散点图，具体如图1所示。
.png)
图1 风力发电机组风速--功率散点
二、风电机组异常数据智能化识别
（一）底端异常数据
引起风电机组底端异常信息数据的主要原因，就是是风停机、限功率等。结合风机运行实际情况的全面分析，其底部所出现的异常信息数据，主要是以单条、多条密集的形式呈现，并且异常信息数据的功率都在零附近。对风电机组底端异常信息数据的识别与分析，还需结果实际情况的综合分析，在识别与分析的过程中，如果发现风电机组底端异常信息数据为零值附近，那么可以采用“直接设功率上限值法”，设置零为上限值，把零以下的所有点明确地标记，未得到相关指导要求的情况下，还不能对其进行修改，要考虑百分位数极差自动寻功率上限值要求，可使风电机组底端的异常信息数据功率到达上限值，然后再把下限所有信息数据的标记，此时应用的就是“自动寻功率上限值法”，可使风电机组的底端信息异常功率点大于功率分布密度。
识别过程如下：
第一，要设置一个较小的功率上限值Ph，设置功率以下的功率分布为Fp。
第二，要找打风电机组功率最高的分布密度点，结合实际情况的综合分析，考虑到考察点以下功率分位数距，分析出其是否在限值D内。如果超出了限值D的范围，还需对风电机组功率点进行下限Pl的搜索。相反，如果未超出限值D的范围，那么就说明风机电阻没有超出设值范围，可对其正常操作[2]。
第三，如果风电机组的功率是在上限值Ph与下限值Pl之间，那么还需对上限值Ph与下限值Pl步骤进行重复操作，也可以对步骤2进行重复操作，直到终止。
（二）中部异常数据
针对风电机组中部异常信息数据的识别，主要是考虑风速（WS）、功率（WP）的曲线值，是否在限功率后，如果在限功率后，那么就说明风机电阻的中部存在异常信息数据。还需相关工作热火以对曲线值、分别点详细分析，如果功率点密集呈现多条线，那么就说明WS也会随着时间的发展发生变化，而WS发生变化，那么T也发生波动，但是WP却没有随着T的变化而变化，依然是固定在限某一个值上。那么可说明，限功率是随着时间T的变化而发生变化的，具体如图2所示。
.png)
图2 WP--WS随时间变化率
通过对图2WP--WS随时间变化率的分析，针对风电机组中部异常信息数据的识别，可采用连续时间识别功率变化率算法，该算法的核心就是找到满足设定条件，并连续不发生变化的功率片段[3]。需要注意的是，所选择的此功率片段，是不会随着风速的变化而发生任何的改变。
识别过程如下：
第一，是把风电机组功率看作一个整体，对整体进行划分，使其重新组成多个连续的功率区间。需要注意的是，对多个区间的划分，其宽度不宜过高，通常情况下为6kW即可。
第二，对每个区间进行分别识别，在各区间内寻找到时间序列上的连续功率片段，而各连续功率片段的点，有可能潜在发生限电的功率点，可设置为Pc。
第三，针对每个连续功率片段的拟合，需要使其与相应时间序列功率相符，然后对风电机组功率风速信息数据的拟合，对曲线斜率情况的分析。如果曲线斜率接近0，那么就说明其发生了限电问题[4]。相反，如果曲线斜率没有接近0，那么就说明没有发生限电问题。
第四，对上述第二步骤的重复操作，根据其流程标准，对所有功率区间及功率点的分析，并做好明确的标记，确保能够符合风电机组异常数据识别需求。
（三）其余异常数据
风电机组异常数据，除了在底端、中部可发生异常数据外，还包括其余异常数据，主要是在风速（WS）--功率（WP）曲线的左右两侧，还分别着很多异常信息数据的散点，而引发的原因比较都，有可能是风电机组满发影响，有可能是风电机组亏发的影响，甚至是风电机组发生故障影响等等，针对风电机组其余异常数据的识别，可采用tepwise预测值置信区间算法。
识别过程如下：
第一，采取拟合样条曲线，对预测值置信区间的设定，区间大小由t统计量所确定，在标记区间曲线外的点属于异常数据。
第二，选择正常工况点进行重新拟合样条曲线，对预测值置信区间重新设置，对之前标记好的异常点重新判断。
第三，对第一步与第二步的重复操作，持续到没有新点为止，可功率点的重新判定。
结语：
综上所述，针对风电机组异常数据的智能识别方法分析，还需要结合风电机组异常类别的详细分析，针对风电机组底端异常数据，可采用“直接设功率上限值法”识别方法，而对风电机组中部异常数据，可采用“连续时间识别功率变化率”识别方法，对风电机组其余异常数据，可采用“tepwise预测值置信区间”识别方法。针对风电机组的类型不同，正确采用识别方法，可准确地监测出风电机组所存在的异常信息数据，具有针对性地采取解决措施，从而为风力发电可再生能源开发利用的发展奠定良好基础。
参考文献：
[1]杨茂,杨琼琼.基于云分段最优熵算法的风电机组异常数据识别研究[J].《中国电机工程学报》,2018(8):2294-2301.
[2]滕繁,李思亮,申云,郭鹏程.风电机组异常数据智能识别方法[C].第二届中国风电后市场专题研讨会.2015.
[3]陈伟,吴布托,裴喜平.风电机组异常数据预处理的分类多模型算法[J].电力系统及其自动化学报,2018，171(04):141-147.
[4]杨茂,翟冠强,苏欣.基于风特征分析的风电机组异常数据识别算法[J].中国电机工程学报,2017(S1):147-154.