CN102032107A - 一种风电监测系统数据的处理方法和装置 - Google Patents
一种风电监测系统数据的处理方法和装置 Download PDFInfo
- Publication number
- CN102032107A CN102032107A CN2010105825515A CN201010582551A CN102032107A CN 102032107 A CN102032107 A CN 102032107A CN 2010105825515 A CN2010105825515 A CN 2010105825515A CN 201010582551 A CN201010582551 A CN 201010582551A CN 102032107 A CN102032107 A CN 102032107A
- Authority
- CN
- China
- Prior art keywords
- data
- monitored
- layer
- term memory
- wind power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明提供了一种风电监测系统数据的处理方法和装置,通过获取待监测的风电系统数据,并将其存入缓冲寄存层,判定缓冲寄存层中待监测数据偏离预设正常值大于预设故障阈值时,则将待监测数据存入短期记忆层,并判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:若是,则将该待监测数据存入预设存储区,若否,则将该待监测数据存入长期记忆及报警层,并对长期记忆及报警层中待监测数据进行故障诊断和处理;反之,则遗忘该待监测数据。按照记忆模式角度,对监测数据分三个层次进行处理,从而有选择的完成待监测数据的处理,大大减轻了存储及后续故障处理的压力,这对大型大规模风电系统监控系统的优化设计具有重要价值。
Description
技术领域
本发明涉及风电机组技术领域,特别是涉及一种风电监测系统数据的处理方法和装置。
背景技术
风力发电是近年来得到高度重视的一类新能源技术,特别近十年来,风电场规模急剧扩大,呈现出“大容量”、“大规模”、“并网化”的趋势,但与此同时,系统故障和维护问题日益突出。因此,研究风电系统故障监测技术,提高系统安全运行水平,是保证风电行业快速、健康发展的重要途径。
对于风电系统的状态健康监控,其实现途径主要包括两大类:一类采用硬件冗余,如利用多传感器热备,虽增加了成本,但保证了高度可靠性;另一类采用软件算法,如基于容错、自适应等先进控制策略,优化系统载荷利用,减小组件疲劳度,从而减低相对成本。总体来讲,两类方法各有优劣,互为补充。
当前针对“单传感器”的情况,已有大量控制系统设计方法,优化控制效率,提高容错水平,从一定程度上提高了系统的安全可靠性。如今随着传感器技术发展,其集成度提高,成本降低,采用双重甚至多传感器为本质上提升可靠性提供了条件。非专利文献(P.F.Odgaard,J.Stoustrupand M.Kinnaert.“Fault Tolerant Control of Wind Turbines-a benchmarkmodel.”Proceedings of the 7th IFAC Symposium on Fault Detection,Supervision and Safety of Technical Processes Barcelona,Spain,June,2009.)搭建了一种简易的风机故障分析模型,并在此基础上模拟了多种故障。其有待解决的问题是:对于如此多的故障数据,如何进行分类处理,从而高效率地用于故障监测系统。
综上,建立高可靠性的风电监测系统,需要大规模的多传感器数据,对应的一个问题是:待处理和存储的数据量加剧,给系统设计和技术分析都带来了很重的负担。
因此,目前需要本领域技术人员迫切解决的一个技术问题就是:如何能够创新地提出一种风电监测系统数据的处理方法和装置,在兼顾使用大量监测数据的情况下,保证监测系统进行一种“高效、可靠、有选择性”的故障处理和存储,从而减轻传统监测系统的工作压力。
发明内容
本发明所要解决的技术问题是提供一种风电监测系统数据的处理方法和装置,用以实现高效、可靠、有选择性的故障处理和存储机制,从而减轻传统风电监测系统的工作压力。
为了解决上述问题,本发明公开了一种风电监测系统中数据的处理方法,所述处理方法包括:
获取待监测的风电系统数据,并将其存入缓冲寄存层;
判定缓冲寄存层中待监测数据偏离预设正常值是否大于预设故障阈值:
若是,则将待监测数据存入短期记忆层;
判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:
若是,则将该待监测数据存入预设存储区;
若否,则将该待监测数据存入长期记忆及报警层;
对长期记忆及报警层中待监测数据进行故障诊断和处理;
若否,则遗忘该待监测数据。
优选的,所述处理方法在长期记忆及报警层中待监测数据进行故障诊断和处理时,还包括:
激活故障报警。
优选的,所述获取风电系统的待监测数据,并将其存入缓冲寄存层,具体包括以下子步骤:
获取待监测的风电系统数据;
依据待监测数据所对应故障严重度对其进行排序;
按照待监测数据的排序将其存入缓冲寄存层。
优选的,所述故障严重度分为高、中、低三档。
优选的,所述待监测的风电系统数据包括转矩执行器、变桨执行器,齿轮箱、主轴、桨距角和电机转速数据中的一种或多种。
本发明还公布了一种故障监测系统中数据的处理装置,所述处理装置包括:
获取模块,用于获取待监测的风电系统数据,并将其存入缓冲寄存层;
第一判定模块,用于判定缓冲寄存层中待监测数据偏离预设正常值是否大于预设故障阈值;
第一处理模块,用于当第一判定模块判定为是时,将待监测数据存入短期记忆层;
第二判定子模块,用于判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:
第二处理子模块,用于当第二判定子模块判定为是时,将该待监测数据存入预设存储区;
第三处理子模块,用于当第二判定子模块判定为否时,将该待监测数据存入长期记忆及报警层;
第四处理子模块,用于对长期记忆及报警层中待监测数据进行故障诊断和处理;
第五处理子模块,用于当第一判定模块判定为否时,遗忘该待监测数据。
优选的,所述处理装置还包括:
故障报警模块,用于激活故障报警。
优选的,所述获取模块具体包括以下子模块:
获取子模块,用于获取待监测的风电系统数据;
排序子模块,用于依据待监测数据所对应故障严重度对其进行排序;
存储子模块,用于按照待监测数据的排序将其存入缓冲寄存层。
优选的,所述故障严重度分为高、中、低三档。
优选的,所述待监测的风电系统数据包括转矩执行器、变桨执行器,齿轮箱、主轴、桨距角和电机转速数据中的一种或多种。
与现有技术相比,本发明具有以下优点:
本发明通过获取待监测的风电系统数据,并将其存入缓冲寄存层,判定缓冲寄存层中待监测数据偏离预设正常值大于预设故障阈值时,则将待监测数据存入短期记忆层,并判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:若是,则将该待监测数据存入预设存储区,若否,则将该待监测数据存入长期记忆及报警层,并对长期记忆及报警层中待监测数据进行故障诊断和处理;反之,则遗忘该待监测数据,按照记忆模式角度,对监测数据分三个层次进行处理,从而有选择的完成待监测数据的处理,大大减轻了存储及后续故障处理的压力,这对大型大规模风电系统监控系统的优化设计具有重要价值。
附图说明
图1是本发明实施例一所述的一种风电监测系统数据的处理方法流程图;
图2是本发明实施例一所述的风力发电机组的结构示意图;
图3(a)是本发明实施例一所述的人脑记忆模型的遗忘曲线示意图;
图3(b)是本发明实施例一所述的“仿记忆模式”的示意图;
图4是本发明实施例二所述的一种风电监测系统数据的处理装置结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一:
参照图1,示出了本发明的一种风电监测系统数据的处理方法,所述方法具体包括:
步骤S101,获取待监测的风电系统数据,并将其存入缓冲寄存层;
步骤S102,判定缓冲寄存层中待监测数据偏离预设正常值是否大于预设故障阈值:
若是,则执行步骤S103和步骤S104;
若否,则执行步骤S108;
步骤S103,将待监测数据存入短期记忆层;
步骤S104,判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:
若是,则执行步骤S105;
若否,则执行步骤S106和步骤S107;
步骤S105,则将该待监测数据存入预设存储区;
步骤S106,将该待监测数据存入长期记忆及报警层;
步骤S107,对长期记忆及报警层中待监测数据进行故障诊断和处理;
步骤S108,遗忘该待监测数据。
在大型风力发电机组中,从底层到高层分别由“风能信号接收系统A”、“动力学系统B”、“控制系统C”和“监测系统D”四个系统组成,其结构图可参见图2,具体的:
风能信号接收系统,用于为风力发电机组接收来自外部自然环境的风能。从实际工程角度,将风电机组的额定功率工作时对应的风速值定义为“额定风速”,以此界定风能信号大小,并对应采取控制策略保证最佳功率转化和输出。
动力学系统,用于实现风与电的转换;包括“机组动力学”和“环境动力学”两部分。机组动力学指构成风电机组的各个元件,包括机械元件、电气元件、并网线缆及测控设备等,比如叶片、风轮、驱动链(齿轮箱)、电机、变流器、控制器、传感器、机舱塔架等及其附属设备的动力学;外部环境动力学是指除风能信号外,诸如土壤环境变化(温度、湿度变化)、海上风电的波浪振动等对风电机组动力学构成影响的动力学因素。
控制系统主要由变桨控制、变流控制、偏航控制三大部分组成。其中,变桨控制主要在风速大于额定风速以上时,准确快速地调节桨距角,限制风能吸收,并配合变流控制模块进行转矩控制,优化动态特性,从而实现稳定的额定功率输出。变流控制通常与变桨距系统配合运行,通过双向变流器对发电机进行矢量控制或直接转矩控制,调节有功功率和无功功率,从而实现高于额定风速时的功率平滑,以及低于额定风速时的最大风能吸收(最大功率跟踪)。偏航控制主要负责风轮的自动对风及机舱自动解缆,一般分为主动和被动两种模式,而大型风电机组多采用主动偏航模式。
监测系统,包括故障处理装置和故障诊断与处理装置。
本实施例所述的方法主要用于监测系统中数据的处理,通过借助人脑记忆原理,并结合风力发电机组故障监测特点,形成一种“仿记忆模式”处理方法。在监测系统中数据的存储包括缓冲寄存层、短期记忆层和长期记忆层。
如图3(a)所示,德国心里学家Ebbinghaus于19世纪研究得到人脑的记忆规律,详见非专利文献3(H.Ebbinghaus.Memory:A Contribution toExperimental Psychology,New York,Columbia University Press,1885)。图中,横轴t代表人脑的记忆时间(单位:天),纵轴R代表遗忘后的记忆量(单位:%),t1时刻,认为人脑对所要记忆的对象的记忆量为100%,此后,记忆量随时间推移按曲线1规律衰减;t2时刻,若进行“再记忆”(对已记忆数据的复习回忆)的过程,则记忆量再次回到100%,然后按曲线2规律衰减;t3及此后各时刻,以此类推。从中可以得到的规律是:
1)人脑的记忆遗忘曲线服从指数衰减规律,可表示为:
式中:R为遗忘后的记忆量(百分比);e代表指数函数;t为记忆时间;ti(i=1,2,3,L)为记忆重复激活的时间点;si称为“记忆强度”。
2)记忆强度si对应着指数曲线的衰减速度,si越大,曲线斜率越小,记忆强度越大,遗忘速度越小,比如本图,有s1<s2<s3。可见,如果记忆不断被重复激活,si将越来越大,最终实现“长期”记忆。
如图3(b)所示,本发明所述的结合上述人脑记忆原理,并结合风力发电机组故障监测特点,形成的一种“仿记忆模式”处理方法。
假定待监测的风机数据量对应R=100%。
1)时间区间[t1,t2]:数据进入“传感寄存层”(曲线1代表的区域)。本层将根据故障阈值指标要求(本指标根据具体风电系统性能要求设定),判断数据是否为正常数据:如果“数据偏离正常值<故障阈值”,则认为是正常数据,数据被“遗忘”,不再进入下一层;如果“数据偏离正常值>故障阈值”,数据被认为是非正常数据,进入下一层(短期记忆层)。
2)时间区间[t2,t3]:数据进入“短期记忆层”(曲线2代表的区域)。本层将对进入的非正常数据做进一步判定和处理,判断数据是否为故障数据:如果数据围绕正常值呈现周期性波动,则认为是干扰,数据被送往动力学与控制系统用于优化算法设计的参考,而不再进入下一层;如果数据非周期波动而是总体偏离正常值,则认为是故障数据,进入下一层(长期记忆层)。
3)时间区间[t3,t]:数据进入“长期记忆层”(曲线3代表的区域)。本层将在故障数据进入同时,进行故障报警、诊断与处理,同时进行故障数据的存储,用于系统分析。作为“长期”记忆,本区间的时间跨度比较大,同时也表示:与前面两“过渡”层相比,本层具有更大的故障数据存储时间和空间。
4)与图3(a)的人脑记忆曲线类同的是:此“仿记忆”模式的三层区域仍采用记忆强度不同的三条曲线(s1<s2<s3);不同的是:三条曲线非“再记忆”式的重复激活,而是顺次拼接,即在前一层所保留的数据上进一步处理,起到类似“滤波”的效果,因此三层处理过后的记忆百分比R1>R2>R3。
5)从区域长度来看,[t1,t2]<[t2,t3<[t3,t],即“缓冲寄存层”进行临时寄存,快速处理;“短期记忆层”进行干扰判定,短期处理;“长期记忆层”进行故障记忆,长期处理。
6)参数si和ti的选取实际上对应这三个记忆层的区间长度,具体选择应根据风电系统的动力学特性决定,尤其要考虑到传感器系统以及监测系统的处理速度要求。
具体应用中,风能信号输入动力学系统进行风能转换,同时,控制系统通过变桨、变流、偏航等控制策略,实现能量转换最大化或功率恒定输出,动力学与控制系统输出待监测数据。
本实施例所述的方法中,步骤S101获取待监测的风电系统数据,将其存入缓冲寄存层,并判定缓冲寄存层中待监测数据偏离预设正常值是否大于预设故障阈值,当缓冲寄存层中待监测数据偏离预设正常值不大于预设故障阈值时,则认为是正常数据,该待监测数据被“遗忘”,不再进入下一层;当缓冲寄存层中待监测数据偏离预设正常值大于预设故障阈值时,则数据被认为是非正常数据,进入下一层(短期记忆层),也即将待监测数据存入短期记忆层,并判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:若是,则认为是干扰,将该待监测数据存入预设存储区,供动力学与控制系统用于优化算法设计(如容错控制算法)的参考,而不再进入下一层;若否,则认为是故障数据,进入下一层(长期记忆层),也即将该待监测数据存入长期记忆及报警层,同时对长期记忆及报警层中待监测数据进行故障诊断和处理。
优选的,所述处理方法在长期记忆及报警层中待监测数据进行故障诊断和处理时,还包括:
激活故障报警。
故障数据进入长期记忆层,进行“长期”记忆式的故障存储,用于分析处理,同时,激活故障报警,对故障进行诊断和处理,并与“动力学与控制系统”配合,进行下一步的软件容错设计或硬件决策处理。
优选的,所述待监测的风电系统数据包括转矩执行器、变桨执行器,齿轮箱、主轴、桨距角和电机转速数据中的一种或多种。
优选的,所述获取待监测数据,并将其存入缓冲寄存层,具体包括以下子步骤:
步骤S1,获取待监测数据;
步骤S2,依据待监测数据所对应故障严重度对其进行排序;
步骤S3,按照待监测数据的排序将其存入缓冲寄存层。
优选的,所述故障严重度分为高、中、低三档。
待监测数据按照可能对应的故障源不同,根据严重程度由高到低进行优先级排队,在存入缓冲寄存层时,按照其排序的前后进行存储。例如,将故障严重度分为“高、中、低”三档。其中,高严重度故障如转矩执行器故障、变桨执行器故障等;中严重度故障如齿轮箱故障、主轴故障等;低严重故障如桨距角测量故障、电机测速故障等。
本实施例所述的方法,按照记忆模式角度,对监测数据分三个层次进行处理,从而有选择的完成待监测数据的处理,大大减轻了存储及后续故障处理的压力,这对大型大规模风电系统监控系统的优化设计具有重要价值。
实施例二:
参照图4,示出了本发明的一种风电监测系统数据的处理装置结构图,所述处理装置包括:
获取模块401,用于获取待监测的风电系统数据,并将其存入缓冲寄存层;
优选的,所述待监测的风电系统数据包括转矩执行器、变桨执行器,齿轮箱、主轴、桨距角和电机转速数据中的一种或多种。
优选的,所述故障严重度分为高、中、低三档。
优选的,所述获取模块具体包括以下子模块:
获取子模块,用于获取待监测的风电系统数据;
排序子模块,用于依据待监测数据所对应故障严重度对其进行排序;
存储子模块,用于按照待监测数据的排序将其存入缓冲寄存层。
第一判定模块402,用于判定缓冲寄存层中待监测数据偏离预设正常值是否大于预设故障阈值;
第一处理模块403,用于当第一判定模块判定为是时,将待监测数据存入短期记忆层;
第二判定子模块404,用于判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:
第二处理子模块405,用于当第二判定子模块判定为是时,将该待监测数据存入预设存储区;
第三处理子模块406,用于当第二判定子模块判定为否时,将该待监测数据存入长期记忆及报警层;
第四处理子模块407,用于对长期记忆及报警层中待监测数据进行故障诊断和处理;
第五处理子模块408,用于当第一判定模块判定为否时,遗忘该待监测数据。
优选的,所述处理装置还包括:
故障报警模块,用于激活故障报警。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本发明所提供的一种风电监测系统数据的处理方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风电监测系统中数据的处理方法,其特征在于,所述处理方法包括:
获取待监测的风电系统数据,并将其存入缓冲寄存层;
判定缓冲寄存层中待监测数据偏离预设正常值是否大于预设故障阈值:
若是,则将待监测数据存入短期记忆层;
判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:
若是,则将该待监测数据存入预设存储区;
若否,则将该待监测数据存入长期记忆及报警层;
对长期记忆及报警层中待监测数据进行故障诊断和处理;
若否,则遗忘该待监测数据。
2.根据权利要求1所述的处理方法,其特征在于,所述处理方法在长期记忆及报警层中待监测数据进行故障诊断和处理时,还包括:
激活故障报警。
3.根据权利要求1所述的处理方法,其特征在于,所述获取风电系统的待监测数据,并将其存入缓冲寄存层,具体包括以下子步骤:
获取待监测的风电系统数据;
依据待监测数据所对应故障严重度对其进行排序;
按照待监测数据的排序将其存入缓冲寄存层。
4.根据权利要求3所述的处理方法,其特征在于:
所述故障严重度分为高、中、低三档。
5.根据权利要求1所述的处理方法,其特征在于:
所述待监测的风电系统数据包括转矩执行器、变桨执行器,齿轮箱、主轴、桨距角和电机转速数据中的一种或多种。
6.一种故障监测系统中数据的处理装置,其特征在于,所述处理装置包括:
获取模块,用于获取待监测的风电系统数据,并将其存入缓冲寄存层;
第一判定模块,用于判定缓冲寄存层中待监测数据偏离预设正常值是否大于预设故障阈值;
第一处理模块,用于当第一判定模块判定为是时,将待监测数据存入短期记忆层;
第二判定子模块,用于判定短期记忆层中待监测数据是否围绕预设正常值呈周期性波动:
第二处理子模块,用于当第二判定子模块判定为是时,将该待监测数据存入预设存储区;
第三处理子模块,用于当第二判定子模块判定为否时,将该待监测数据存入长期记忆及报警层;
第四处理子模块,用于对长期记忆及报警层中待监测数据进行故障诊断和处理;
第五处理子模块,用于当第一判定模块判定为否时,遗忘该待监测数据。
7.根据权利要求6所述的处理装置,其特征在于,所述处理装置还包括:
故障报警模块,用于激活故障报警。
8.根据权利要求6所述的处理装置,其特征在于,所述获取模块具体包括以下子模块:
获取子模块,用于获取待监测的风电系统数据;
排序子模块,用于依据待监测数据所对应故障严重度对其进行排序;
存储子模块,用于按照待监测数据的排序将其存入缓冲寄存层。
9.根据权利要求8所述的处理装置,其特征在于:
所述故障严重度分为高、中、低三档。
10.根据权利要求6所述的处理装置,其特征在于:
所述待监测的风电系统数据包括转矩执行器、变桨执行器,齿轮箱、主轴、桨距角和电机转速数据中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105825515A CN102032107B (zh) | 2010-12-07 | 2010-12-07 | 一种风电监测系统数据的处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105825515A CN102032107B (zh) | 2010-12-07 | 2010-12-07 | 一种风电监测系统数据的处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102032107A true CN102032107A (zh) | 2011-04-27 |
CN102032107B CN102032107B (zh) | 2012-08-22 |
Family
ID=43885437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105825515A Expired - Fee Related CN102032107B (zh) | 2010-12-07 | 2010-12-07 | 一种风电监测系统数据的处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102032107B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103321839A (zh) * | 2012-03-20 | 2013-09-25 | 华锐风电科技(集团)股份有限公司 | 风机振动监测方法及系统、风机监控器 |
CN103605360A (zh) * | 2013-12-02 | 2014-02-26 | 国家电网公司 | 一种风电场功率控制策略的测试系统及方法 |
CN103758696A (zh) * | 2014-01-09 | 2014-04-30 | 华北电力大学 | 基于scada温度参数的风电机组安全状况评价方法 |
CN112362323A (zh) * | 2020-10-27 | 2021-02-12 | 华能国际电力股份有限公司 | 汽轮发电机组振动在线监测和故障诊断系统的数据存储方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2330256A (en) * | 1997-10-07 | 1999-04-14 | Gineadoiri Gaoithe Teicneolaio | Wind energy system |
EP1531376A1 (en) * | 2003-11-14 | 2005-05-18 | Gamesa Eolica, S.A. (Sociedad Unipersonal) | Monitoring and data processing equipment for wind turbines and predictive maintenance system for wind power stations |
CN101592128A (zh) * | 2008-05-29 | 2009-12-02 | 通用电气公司 | 确定和/或提供风力涡轮电场功率输出信息的方法和设备 |
CN201412272Y (zh) * | 2009-06-02 | 2010-02-24 | 中能电力科技开发有限公司 | 风电场监控系统 |
CN101676559A (zh) * | 2008-09-17 | 2010-03-24 | 西门子公司 | 风力涡轮机的警报掩码生成和状态监控的方法 |
-
2010
- 2010-12-07 CN CN2010105825515A patent/CN102032107B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2330256A (en) * | 1997-10-07 | 1999-04-14 | Gineadoiri Gaoithe Teicneolaio | Wind energy system |
EP1531376A1 (en) * | 2003-11-14 | 2005-05-18 | Gamesa Eolica, S.A. (Sociedad Unipersonal) | Monitoring and data processing equipment for wind turbines and predictive maintenance system for wind power stations |
CN101592128A (zh) * | 2008-05-29 | 2009-12-02 | 通用电气公司 | 确定和/或提供风力涡轮电场功率输出信息的方法和设备 |
CN101676559A (zh) * | 2008-09-17 | 2010-03-24 | 西门子公司 | 风力涡轮机的警报掩码生成和状态监控的方法 |
CN201412272Y (zh) * | 2009-06-02 | 2010-02-24 | 中能电力科技开发有限公司 | 风电场监控系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103321839A (zh) * | 2012-03-20 | 2013-09-25 | 华锐风电科技(集团)股份有限公司 | 风机振动监测方法及系统、风机监控器 |
CN103321839B (zh) * | 2012-03-20 | 2017-12-12 | 华锐风电科技(集团)股份有限公司 | 风机振动监测方法及系统、风机监控器 |
CN103605360A (zh) * | 2013-12-02 | 2014-02-26 | 国家电网公司 | 一种风电场功率控制策略的测试系统及方法 |
CN103605360B (zh) * | 2013-12-02 | 2016-08-17 | 国家电网公司 | 一种风电场功率控制策略的测试系统及方法 |
CN103758696A (zh) * | 2014-01-09 | 2014-04-30 | 华北电力大学 | 基于scada温度参数的风电机组安全状况评价方法 |
CN103758696B (zh) * | 2014-01-09 | 2016-05-25 | 华北电力大学 | 基于scada温度参数的风电机组安全状况评价方法 |
CN112362323A (zh) * | 2020-10-27 | 2021-02-12 | 华能国际电力股份有限公司 | 汽轮发电机组振动在线监测和故障诊断系统的数据存储方法 |
CN112362323B (zh) * | 2020-10-27 | 2022-09-09 | 华能国际电力股份有限公司 | 汽轮发电机组振动在线监测和故障诊断系统的数据存储方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102032107B (zh) | 2012-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101858312B (zh) | 风力发电机组实时运行状态评估系统及评估方法 | |
Odgaard et al. | Fault-tolerant control of wind turbines: A benchmark model | |
Zhang et al. | Wind turbine fault detection based on SCADA data analysis using ANN | |
CN103323772B (zh) | 基于神经网络模型的风力发电机运行状态分析方法 | |
CN102032107B (zh) | 一种风电监测系统数据的处理方法和装置 | |
Johnson et al. | Development, implementation, and testing of fault detection strategies on the National Wind Technology Center’s controls advanced research turbines | |
CN104951851B (zh) | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 | |
CN106815771B (zh) | 一种风电场载荷的长期评估方法 | |
CN107341349A (zh) | 风机健康评估的方法、系统、存储器及控制器 | |
Asghar et al. | Estimation of wind turbine power coefficient by adaptive neuro-fuzzy methodology | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN108051211A (zh) | 一种风电机组主轴承温度预警诊断方法 | |
CN104952000A (zh) | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 | |
CN112613554B (zh) | 一种风力发电机变桨系统故障预测方法和系统 | |
CN105590144A (zh) | 一种基于narx神经网络的风速预测方法及装置 | |
Badihi et al. | A review on application of monitoring, diagnosis, and fault-tolerant control to wind turbines | |
CN103761569A (zh) | 一种风力发电机故障诊断方法及装置 | |
Kim et al. | Design of wind turbine fault detection system based on performance curve | |
CN110159484A (zh) | 基于风电场场级能量控制的风电机群启停机控制方法 | |
CN112994101A (zh) | 基于神经网络的风电场发电功率后评估及监测方法 | |
Bakri et al. | Fuzzy model-based faults diagnosis of the wind turbine benchmark | |
CN109301863B (zh) | 基于深度信念网络的低风速分散式风电微电网调频方法 | |
Ayoubi et al. | Intelligent control of a large variable speed wind turbine | |
Ma et al. | A study of fault statistical analysis and maintenance policy of wind turbine system | |
CN102004829A (zh) | 一种风力发电高塔系统的可靠度分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120822 Termination date: 20121207 |