基于数据驱动的风力发电系统性能提升及应用实践

朱幼君; 闫立鹏; 张成义; 刘传亮; 王晓东

doi:doi:10.19912/j.0254-0096.tynxb.2024-1060

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于数据驱动的风力发电系统性能提升及应用实践

更新时间：2026-01-08

- 基于数据驱动的风力发电系统性能提升及应用实践
- 基于数据驱动的风力发电系统性能提升及应用实践
- 太阳能学报 2025年46卷第12期页码：774-780
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1060
  中图分类号： TM614
- 网络出版：2026-01-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
朱幼君, 闫立鹏, 张成义, 等. 基于数据驱动的风力发电系统性能提升及应用实践[J]. 太阳能学报, 2025,46(12):774-780.

朱幼君, 闫立鹏, 张成义, et al. 基于数据驱动的风力发电系统性能提升及应用实践[J]. 2025, 46(12): 774-780.
朱幼君, 闫立鹏, 张成义, 等. 基于数据驱动的风力发电系统性能提升及应用实践[J]. 太阳能学报, 2025,46(12):774-780. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1060.

朱幼君, 闫立鹏, 张成义, et al. 基于数据驱动的风力发电系统性能提升及应用实践[J]. 2025, 46(12): 774-780. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1060.

摘要

提出基于风电机组监控与数据采集系统（SCADA）运行数据的分析和挖掘提升风电机组出力性能。通过风电机组运行状态和异常数据分析

采用改进的基于密度聚类识别算法（DBSCAN）

对环境变化引起的异常数据进行清洗和检测。再通过改进的移动最小二乘法B样条曲线回归模型

识别不同风速下最大机组出力对应的控制特性参数并反馈机组控制系统。在机组仿真验证的基础上

开展真实机组实际运行工况下的验证和分析

实际测试表明该方法对额定风速下系统效率提升较明显。

Abstract

This article proposes the analysis and mining of SCADA operation data to improve the output performance of wind turbines. By analyzing the operating status and abnormal data types of wind turbines

an improved DBSCAN clustering method is adopted to clean and detect abnormal data caused by environmental changes. By using an improved moving least squares B-spline regression model

the control characteristic parameters corresponding to the maximum unit output at different wind speeds are identified and fed back to the unit control system. On the basis of unit simulation verification

validation and analysis were carried out under actual operating conditions of real units. Actual tests show that this method significantly improved system efficiency at rated wind speed.

关键词

Keywords

references

金晓航, 泮恒拓, 徐正国. 数据驱动的风电机组变桨系统状态监测[J]. 太阳能学报, 2022, 43(4): 409-417.

韩万里, 茅大钧, 蔡晔, 等. 基于数据融合的风电变桨系统故障预警研究[J]. 太阳能学报, 2022, 43(12): 236-241.

KUSIAK A, ZHENG H Y, SONG Z.Models for monitoring wind farm power[J]. Renewable energy, 2009, 34(3): 583-590.

WANG Y, INFIELD D G, STEPHEN B, et al.Copula-based model for wind turbine power curve outlier rejection[J]. Wind energy, 2014, 17(11): 1677-1688.

赵永宁, 叶林, 朱倩雯. 风电场弃风异常数据簇的特征及处理方法[J]. 电力系统自动化, 2014, 38(21): 39-46.

马良玉, 孙佳明, 於世磊, 等. 基于DBSCAN和SDAE的风电机组异常工况预警研究[J]. 动力工程学报, 2021, 41(9): 786-793, 808.

KHALFALLAH M G, KOLIUB A M.Suggestions for improving wind turbines power curves[J]. Desalination, 2007, 209(1-3): 221-229.

PELLETIER F, MASSON C, TAHAN A.Wind turbine power curve modelling using artificial neural network[J]. Renewable energy, 2016, 89: 207-214.

饶日晟, 叶林, 任成, 等. 基于实际运行数据的风电场功率曲线优化方法[J]. 中国电力, 2016, 49(3): 148-153.

WAN S T, CHENG L F, SHENG X L.Effects of yaw error on wind turbine running characteristics based on the equivalent wind speed model[J]. Energies, 2015, 8(7): 6286-6301.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于知识规则挖掘的风电机组故障识别与解释性分析

基于TimeGAN-Stacking的风电机组变桨系统故障诊断方法

考虑费效比的风力机边界强度机会维修策略研究

基于代理模型的风电机组塔架载荷在线识别研究

基于改进MW-KECA算法的风电齿轮箱故障诊断研究