CN103675355A - 风速仪监测方法和系统 - Google Patents
风速仪监测方法和系统 Download PDFInfo
- Publication number
- CN103675355A CN103675355A CN201310585538.9A CN201310585538A CN103675355A CN 103675355 A CN103675355 A CN 103675355A CN 201310585538 A CN201310585538 A CN 201310585538A CN 103675355 A CN103675355 A CN 103675355A
- Authority
- CN
- China
- Prior art keywords
- parameter data
- time period
- thresholding
- standardization
- anemoscope
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了风速仪监测方法和系统,方法为分别获取至少两个风力机的风速仪在一定时间内的风速数据,将风速数据按设置的相同时长的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同时间段的风速差值;对每个时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据;结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个时间段对应的形状参数数据和比例参数数据进行监控判断。本发明解决了难以准确及时的对风速仪进行检测的问题。
Description
技术领域
本申请涉及风力机的风速仪监测领域,更具体地涉及一种风速仪监测方法和系统。
背景技术
现有技术中,风电场都建设在地势开阔且风能资源丰富的地理区域,但自然风是不可控制的,实时都在发生变化,有时风速小于风力发电机组的切入风速,使风力发电难以启动;有时风速又大于风力发电机组可承受的极限风速,对风力发电机组造成破坏。所以,在风力发电机组上都设置有风速仪,以实时监测风速,以便在不同情况下对风机进行启动或停止的控制。
风速仪需要实时对风速进行监测,即风速仪一直处于工作状态,从而,风速仪发生故障的可能性较高。某些时刻,风力资源大于风机的切入风速,风机的主要部件也都正常运行,但风机却发生表现不佳甚至停机的状况,正是由于风速仪出现故障所导致的。风速仪故障引起的错误往往一开始较为细小因而常常被忽视,风速仪出现故障后监测的风速数值会出现错误,导致控制系统依据风速仪的错误数据进行了错误的控制,最终使得风力机表现不佳甚至停机。而风力机一旦停机,再进行维修的成本是非常巨大的,并且风力机停机也会造成发电量的巨大损失。
但是,由于风场自然风随机多变的特点,很难判断出某一风速仪监测的数据是否出现错误,所以,难以准确及时的探测到风速仪的故障。
基于上述风速仪故障判断的不足,便成为亟待解决的技术问题。
发明内容
有鉴于此,本申请所要解决的技术问题是提供了一种风速仪监测方法和系统,以解决难以准确及时的对风速仪进行检测的问题。
为了解决上述技术问题,本申请公开了一种风速仪监测方法,其特征在于,包括:
分别获取至少两个风力机的风速仪在一定时间内的风速数据,将所述风速数据按设置的相同时长的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同时间段的风速差值,其中,每个所述时间段的风速差值为一组数值;
对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据;
结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;
当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时;或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息。
进一步地,其中,当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时;或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息,进一步为:
当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障引起风力机性能下降的故障报告信息;
当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障导致停机的故障报告信息。
进一步地,其中,进一步还包括:当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的工作正常报告信息。
进一步地,其中,所述设置的形状参数数据的标准化门限和比例参数数据的标准化门限,进一步为:根据一定时间周期内的历史风速数据分组后获得连续多个不同时间段的两个风力机的历史风速差值,进行统计建立对应于每个时间段的概率分布曲线,将所述每个时间段的历史风速差值对应的概率分布曲线中提取出的比例参数数据和形状参数数据作为坐标点进行坐标系统计,将用于划分反应所述风力机工作状态的横坐标对应的数值作为所述比例参数数据的标准化门限,将用于划分反应所述风力机工作状态的纵坐标对应的数值作为所述形状参数数据的标准化门限。
进一步地,其中,对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据;进一步为:
对每个所述时间段的风速差值建立对应的韦伯概率分布曲线,根据每个所述时间段的风速差值对应的韦伯概率分布曲线得出每个所述时间段对应的形状参数数据k和比例参数数据λ。
进一步地,其中,所述一定时间,进一步为:周、月和/或不少于7天的时间期限。
进一步地,其中,将所述风速数据按设置的时间段进行分组提取,进一步为:将所述风速数据按设置的以周、月或者整数天为固定值的时间段进行分组提取。
进一步地,其中,分别获取至少两个风力机的风速仪在一定时间内的风速数据,进一步为:分别获取地理位置相邻的至少两个风力机的风速仪在一定时间内的风速数据。
为了解决上述技术问题,本申请还公开了一种风速仪监测系统,其特征在于,包括:风速差获取模块、坐标点获取模块以及监控判定模块;其中,
所述风速差获取模块,用于分别获取至少两个风力机在一定时间内的风速数据,将所述风速数据按设置的相同时长的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同时间段的风速差值,其中,每个所述时间段的风速差值为一组数值,将所述每个时间段的风速差值发送至所述坐标点获取模块;
所述坐标点获取模块,用于接收并对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据发送至所述监控判定模块;
所述监控判定模块,用于结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时,或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息并输出。
进一步地,其中,
所述监控判定模块,进一步用于结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障引起风力机性能下降的故障报告信息并输出;当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障导致停机的故障报告信息并输出。
进一步地,其中,
所述监控判定模块,进一步还用于当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的工作正常报告信息并输出。
进一步地,其中,
所述监控判定模块,进一步还用于:根据一定时间周期内的历史风速数据分组后获得连续多个不同时间段的两个风力机的历史风速差值,进行统计建立对应于每个时间段的概率分布曲线,将所述每个时间段的历史风速差值对应的概率分布曲线中提取出的比例参数数据和形状参数数据作为坐标点进行坐标系统计,将用于划分反应所述风力机工作状态的横坐标对应的数值作为所述比例参数数据的标准化门限,将用于划分反应所述风力机工作状态的纵坐标对应的数值作为所述形状参数数据的标准化门限。
进一步地,其中,
所述坐标点获取模块,进一步用于接收并对每个所述时间段的风速差值建立对应的韦伯概率分布曲线,根据每个所述时间段的风速差值对应的韦伯概率分布曲线得出每个所述时间段对应的形状参数数据k和比例参数数据λ发送至所述监控判定模块。
进一步地,其中,所述一定时间,进一步为:周、月和/或不少于7天的时间期限。
进一步地,其中,
所述风速差获取模块,进一步用于分别获取地理位置相邻的至少两个风力机在一定时间内的风速数据,将所述风速数据按设置的以周、月或者整数天为固定值的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同的时间段的风速差值,其中,所述每个时间段的风速差值为一组数值,将所述时间段的风速差值发送至所述坐标点获取模块。
与现有技术相比,本申请所述的一种风速仪监测方法和系统,达到了如下效果:
1)本申请对相同或相似风力情况下的多个风力机上的所述风速仪中的风速数据采取长时间、多分组的方式进行概率统计,可以有效识别出数据异常的风速仪,从而进一步准确确定发生故障的风速仪。
2)本申请对获取到的不同风力机上的所述风速仪中的数据进行详细的时间段划分,分别在各时间段内设置多个数据点,从而可以有效的在广泛的时间区域内探测到所述风速仪发生故障的时间。
当然,实施本申请的任一产品必不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例一所述的风速仪监测方法的流程框图。
图2是本申请实施例二所述的风速仪监测方法的流程框图。
图3是本申请实施例三所述的风速仪监测方法中所述风力机分布示意图。
图4是本申请实施例三所述的风速仪监测方法中在某一时间段对应的k大于门限、且λ小于门限时该时间段的风速差值与其对应的韦伯概率的分布曲线图。
图5是本申请实施例三所述的风速仪监测方法中在某一时间段对应的k大于门限、且λ大于门限时该时间段的风速差值与其对应的韦伯概率的分布曲线图。
图6是本申请实施例三所述的风速仪监测方法中在某一时间段对应的k小于门限、且λ小于门限时该时间段的风速差值与其对应的韦伯概率的分布曲线图。
图7是是本申请实施例三所述的风速仪监测方法中对应图4至6所包括的各组周数据的韦伯概率分布曲线对应的k和λ值结合后的坐标点的分布图。
图8是本申请实施例四所述的风速仪监测系统的结构框图。
图9是本申请实施例五所述的风速仪监测系统中所述监控判定模块903的具体结构框图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
如图1所示,为本申请实施例一所述的一种风速仪监测方法,该方法包括:
步骤101,分别获取至少两个风力机的风速仪在一定时间内的风速数据,将所述风速数据按设置的相同时长的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同时间段的风速差值,其中,所述每个时间段的风速差值为一组数值。
步骤102,对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据。
步骤103,结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断。
步骤104,当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时;或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息。
这里需要说明的是,在本实施例的上述步骤中,若只选定一个风力机上的所述风速仪记录其监测的风速数据是难以判断出该风速仪是否出现故障的,因此,选择两个或多个风速仪同时记录其风速数据,如果在一定时间内,两个相邻风力机的风速仪所记录的数据差异很大(如:两个风速仪的数据之间有较大差异),则可以大致判断出其中有一风速仪出现了故障,又可以根据上述步骤中的时间段判断出故障风速仪出现故障的时间段,以尽早发现风速仪的故障。
如图2所示,为本申请实施例二所述的一种风速仪监测方法,该方法包括步骤:
步骤201,分别获取至少两个风力机的风速仪在一定时间内的风速数据,将所述风速数据按设置的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同时间段的风速差值,其中,所述每个时间段的风速差值为一组数值。
对于步骤201,在足够长的时间内对风速数据进行获取便可以得到充足的风速数据,但对于获取到的所述风速数据的分组将会影响到整体的后续步骤,这是因为:所述时间段是预先设置的,在以该时间段进行分组后,针对每一时间段内的所述风速数据都设置数据点,该数据点的数量跟所述时间段相关联,对于分布在很长一段时间内的所述风速数据,如果设置的所述时间段较短,则其中每一时间段内的数据点就少,而较少的数据点会导致概率分布计算的不准确,使得在步骤202中得到概率分布曲线不能精确代表相应时间间隔内的数据点情况;如果设置的所述时间间隔较长也不合时宜,因为每个时间间隔即为判断是否出现故障的观测单位,选取很长的时间间隔会导致即使后续步骤204中判断出是哪个时间间隔中风速仪出现了故障,但是由于时间间隔过长,使得对故障的预测失去了意义。
步骤202,对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据;
步骤203,结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;
步骤204,当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障引起风力机性能下降的故障报告信息;
当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障导致停机的故障报告信息。
对于步骤204,还可以对未出现故障和故障停机的所述风速仪进行判断,即:当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的工作正常报告信息。
上述步骤中,所述标准化门限(一般是基于历史数据统计后得出),是由一定时间周期(本实施例中以70个周的周期)的历史风速数据分组后获得连续多个不同时间段的两个风力机的历史风速差值,进行统计建立对应于每个时间段的概率分布曲线,将所述每个时间段的历史风速差值对应的概率分布曲线中提取出的比例参数数据和形状参数数据作为坐标点进行坐标系统计(统计除了上述工作外,还包括:对比风力机工作记录确定哪个时间段各个待测风力机是正常工作,哪个时间段是故障运行,这里不限于此),将用于划分反应所述风力机工作状态的横坐标对应的数值作为所述比例参数数据的标准化门限,将用于划分反应所述风力机工作状态的纵坐标对应的数值作为所述形状参数数据的标准化门限。
结合图3-7所示,为本申请实施例三所述的一种风速仪监测方法,其具体应用如下:
第一,如图3所示,分别获取地理位置相邻的至少两个风力机的风速仪在一定时间内的风速数据,地理位置相邻的所述风力机监测的自然风力情况也相同或相似,从而提高了之后数据分析的准确性,在本实施例中,只选择风力机A和B,对应的风速数据为WSA和WSB,当然在实际应用中可以选取多个风力机上的所述风速仪。将所述风速数据WSA和WSB按设置的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据WSA和WSB进行差值处理产生该时间段的风速差值WSD,即,
wsd=|wsA-wsB|
在本实施例中,所述一定时间,可以是周、月和/或不少于7天的时间期限,为了得到充足的所述风速数据,需要获取足够长的时间内的所述风速数据,优选地,所述一定时间为60周。另外,将所述风速数据按设置的时间段进行分组提取,可以是将所述风速数据按设置的以周、月或者整数天为固定值的时间段进行分组提取,优选地,以周为时间段,即按照一周的时间对所述风力机A和B的所述风速数据分组。再以10分钟的时长设置数据点,那么,一周的时间内可以设置1008个数据点,即,每一周的时间内分别有1008个WSA和WSB,所以,每一周的时间段内都有1008个所述风速差值WSD。
第二,对所述每个时间段的风速差值WSD建立对应的概率分布曲线,根据每个所述时间段的风速差值WSD对应的概率分布曲线得出每个所述时间段对应的形状参数数据k和比例参数数据λ。
在本实施例中,所述概率分布曲线,具体为韦伯概率分布曲线,该曲线可以表示为pdf:
从每一周时间段内的所述风速差值形成的所述韦伯概率分布曲线中提取出对应的形状参数数据k和比例参数数据λ,一共提取出60组(对应于总时间60周)所述形状参数数据k和比例参数数据λ。
第三、结合设置的形状参数数据k的标准化门限和比例参数数据λ的标准化门限对得出每个所述时间段对应的形状参数数据k和比例参数数据λ进行监控判断,得到对应的所述形状参数数据k和比例参数数据λ的分布情况以及对应不同结果的报告信息产生(1)-(3):
(需要说明:根据风力机工作报告来划分历史数据,报告中已记录了哪个时间段该风力机是正常工作,哪个时间段是故障运行):
(1)当判断出某时间段对应的形状参数数据k大于所述形状参数数据k的标准化门限,且该时间段对应的比例参数数据λ小于所述比例参数数据λ的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的工作正常报告信息。
具体来说,对于上述情况(1),将某一周的所述风力机A和B的1008个所述风速差值WSD进行韦伯概率分布处理,得到如图4所示的韦伯概率分布曲线,在图4中,x轴代表风速差值WSD,y轴代表韦伯概率,从图4中可以看出,所述风力机A和B的风速差值WSD最大不超过2m/s,故所述风力机A和B之间具有很小的所述风速差值WSD的概率较高,那么,图4中所述风力机A和B的所述风速仪测得的这一周的风速在大部分都是相近的,在此情况下可以认为所述风力机A和B上的所述风速仪在这一周中都是正常工作的。此时,从图4中可以读出相应的形状参数数据k和比例参数数据λ,即k>1,λ=0.3。该时间段对应的形状参数数据k大于所述形状参数数据k的标准化门限,且该时间段对应的比例参数数据λ小于所述比例参数数据λ的标准化门限,因此,生成所述风力机A和B的工作正常报告信息
(2)当判断出某时间段对应的形状参数数据k大于所述形状参数数据k的标准化门限,且该时间段对应的比例参数数据λ大于所述比例参数数据λ的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障引起风力机性能下降的故障报告信息。
具体来说,对于上述情况(2),将某一周的所述风力机A和B的1008个所述风速差值WSD进行韦伯概率分布处理,得到如图5所示的韦伯概率分布曲线在图5中,x轴代表风速差值WSD,y轴代表韦伯概率,从图5中可以看出,所述风力机A和B的风速差值WSD最大达到6.5m/s,虽然所述风速差值WSD达到6.5m/s的概率较低,但是所述风速差值WSD在0点附近的概率并不高,也就是说,所述风力机A和B的所述风速差值WSD在0-6.5m/s的区间内的概率分布是相对均匀的。由此可知,图5中所述风力机A和B的所述风速仪测得的这一周的所述风速差值WSD有逐渐变大的趋势,又由于所述风力机A和B的地理位置相近,其风力情况也是相近的,那么,在此情况下可以断定所述风力机A和B的风速仪中有一个正在发生故障。此时,图5中可以读出相应的形状参数数据k和比例参数数据λ,即k>1,λ=1.2。该时间段对应的形状参数数据k大于所述形状参数数据k的标准化门限,且该时间段对应的比例参数数据λ大于所述比例参数数据λ的标准化门限,因此,生成所述风力机A或B的所述风速仪发生故障的故障报告信息。
(3)当判断出某时间段对应的形状参数数据k小于所述形状参数数据k的标准化门限,且该时间段对应的比例参数数据λ小于所述比例参数数据λ的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障导致停机的故障报告信息。
具体来说,对于上述情况(3),将某一周的所述风力机A和B的1008个所述风速差值WSD进行韦伯概率分布处理,得到如图6所示的韦伯概率分布曲线,在图6中,x轴代表风速差值WSD,y轴代表韦伯概率,从图6中可以看出,所述风力机A和B的风速差值WSD在0点附近的概率具有短暂的高峰,之后所述风速差值WSD不断增大,最大达到12m/s,而且所述风速差值WSD增大的过程中每个所述风速差值WSD发生的概率均较低,而且分布很均匀。也就是说,所述风速差值WSD在不断变大,且变大的趋势很稳定,并最终在所述风速差值WSD的最大值处具有极高的概率累计,那么,在此情况下可以断定所述风力机A和B的风速仪中有一个完全出现故障并导致风力机停机。此时,从图6中可以读出相应的形状参数数据k和比例参数数据λ,即0<k<1,λ=0.7。该时间段对应的形状参数数据k小于所述形状参数数据k的标准化门限,且该时间段对应的比例参数数据λ小于所述比例参数数据λ的标准化门限。因此,生成所述风力机A和B的所述风速仪发生故障导致停机的故障报告信息。
第五、如图7所示,将上述对应于各时间段(60周中的每一周)内所述风速差值WSD的韦伯概率曲线的所述形状参数数据k和比例参数数据λ结合所对应的坐标点进行编号(该编号对应于周数)后进行汇聚,在图7中,横轴代表比例参数数据λ,纵轴代表形状参数数据k,黑色横线为形状门限的位置,黑色竖线为比例门限的位置,其中的点为各组周数据的韦伯概率分布曲线对应的一组k和λ值,点边上的数字代表这组k和λ值的编号,也就是周数。(图7中圆形代表出现坐标点最为密集区域,并不是代表Good区、Bad区或Ugly区)。
图7中S1区(一般称为Good区),该区域中出现的每个时间段的风速差值对应的概率分布曲线得出该时间段对应的形状参数数据k大于所述形状门限、且比例参数数据λ小于所述比例门限,判定两个风力机的风速仪都工作正常;
图7中S2区(一般称为Bad区),该区域中出现的每个时间段的风速差值对应的概率分布曲线得出该时间段对应的形状参数数据k大于所述形状门限、且比例参数数据λ大于所述比例门限,判定两个风力机的风速仪中有一个风速仪开始发生故障并引起风力机性能下降;
图7中S3区(一般称为Ugly区),该区域中出现的每个时间段的风速差值对应的概率分布曲线得出该时间段对应的形状参数数据k小于所述形状门限、且比例参数数据λ小于所述比例门限时,判定两个风力机的风速仪中有一个风速仪发生故障导致停机。
从而,通过上述步骤可以较早并准确的获得故障报告信息。
需要说明的是,所述标准化门限的设定,具体为:记录风场中风力机在一定的历史时期内(如:在过去的70周内)的历史风速数据,可以根据所述风力机(或者是风力机上设置的具有自检功能的装置)记录识别所述风力机在各时刻是否正常工作,由此,也按照一周的时间段对所述历史风速数据进行分组生成70组历史周数据,每一组历史周数据内也以10分钟为间隔设置1008个数据点,从而可以获得任意两个所述风力机(如:A和B)的历史风速差值。对所述风力机A和B的所述历史风速差值进行统计处理可以发现:
每周内对于所述风力机A和B正常工作的情况,其历史风速差值的韦伯概率分布曲线呈现出近似于图4所示的曲线形状;
每周内对于所述风力机A或B出现故障的情况,其历史风速差值的韦伯概率分布曲线呈现出近似于图5所示的曲线形状;
每周内对于所述风力机A或B出现停机的情况,其历史风速差值的韦伯概率分布曲线呈现出近似于图6所示的曲线形状。
将上述每一韦伯概率分布曲线中对应的形状参数数据k和比例参数数据λ作为一个坐标点来表示,如:(k,λ)或(λ,k),并将该坐标点放置于特定的坐标系内,便呈现出近似于图7所示的分布情况,此时,对应于风力机A和B正常工作状态的点都集中分布于左上方;对应于风力机A或B故障情况的点都集中分布于右上方;对应于风力机A或B停机情况的点都集中分布于左下方,因此,取相应的λ值和k值作为分隔线,将上述不同情况对应的点进行分隔,该λ值和k值便是标准化门限。
如图8所示,为本申请实施例四所述的一种风速仪监测系统,该系统包括:风速差获取模块801、坐标点获取模块802以及监控判定模块803,其中,
所述风速差获取模块801,与所述坐标点获取模块802相耦接,用于分别获取至少两个风力机的风速仪在一定时间内的风速数据,将所述风速数据按设置的相同时长的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同的时间段的风速差值,其中,每个所述时间段的风速差值为一组数值,将所述每个时间段的风速差值发送至所述坐标点获取模块802;
所述坐标点获取模块802,与所述风速差获取模块801和监控判定模块803相耦接,用于接收并对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据发送至所述监控判定模块803;
所述监控判定模块803,与所述坐标点获取模块802相耦接,用于结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时,或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息并输出。
如图9所示,为本申请实施例五所述的一种风速仪监测系统,该系统包括:风速差获取模块901、坐标点获取模块902以及监控判定模块903,其中,
所述风速差获取模块901,与所述坐标点获取模块902相耦接,用于分别获取至少两个风力机的风速仪在一定时间内的风速数据,将所述风速数据按设置的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同的时间段的风速差值,其中,每个所述时间段的风速差值为一组数值,将所述每个时间段的风速差值发送至所述坐标点获取模块902。
所述坐标点获取模块902,与所述风速差获取模块901和监控判定模块903相耦接,用于接收并对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据发送至所述监控判定模块903。
所述监控判定模块903,与所述坐标点获取模块902相耦接,用于结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;
当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时;或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息并输出。
进一步地,所述一定时间是指:周、月和/或不少于7天的时间期限。
进一步地,所述风速差获取模块901,用于分别获取地理位置相邻的至少两个风力机的风速仪在一定时间内的风速数据,将所述风速数据按设置的以周、月或者整数天为固定值的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同的时间段的风速差值,其中,每个所述时间段的风速差值为一组数值,将所述每个时间段的风速差值发送至所述坐标点获取模块902。
进一步地,所述坐标点获取模块902,用于接收并对每个所述时间段的风速差值建立对应的韦伯概率分布曲线,根据所述韦伯概率分布曲线得出其中的所述形状参数数据k和比例参数数据λ发送至所述监控判定模块903。
进一步地,所述监控判定模块903,包括:门限设置单元9031、数据监控单元9032、正常状态判定单元9033、故障状态判定单元9034以及停机状态判定单元9035,其中,
所述门限设置单元9031,与所述数据监控单元9032相耦接,用于根据一定时间周期内的历史风速数据分组后获得连续多个不同时间段的两个风力机的历史风速差值,进行统计建立对应于每个时间段的概率分布曲线,将所述每个时间段的历史风速差值对应的概率分布曲线中提取出的比例参数数据和形状参数数据作为坐标点进行坐标系统计(统计除了上述工作外,还包括:对比风力机工作记录确定哪个时间段各个待测风力机是正常工作,哪个时间段是故障运行,这里不限于此),将用于划分反应所述风力机工作状态的横坐标对应的数值作为所述比例参数数据的标准化门限,将用于划分反应所述风力机工作状态的纵坐标对应的数值作为所述形状参数数据的标准化门限,并将所述标准化门限发送至所述数据监控单元9032;
所述数据监控单元9032,与所述坐标点获取模块902、门限设置单元9031、正常状态判定单元9033、故障状态判定单元9034以及停机状态判定单元9035相耦接,用于接收并根据所述形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控比对生成监控数据分别发送至所述正常状态判定单元9033、故障状态判定单元9034以及停机状态判定单元9035;
所述正常状态判定单元9033,与所述数据监控单元9032相耦接,用于接收并根据所述数据监控单元9032发送的所述监控数据进行判定,当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的工作正常报告信息并输出;
所述故障状态判定单元9034,与所述数据监控单元9032相耦接,用于接收并根据所述数据监控单元9032发送的所述监控数据进行判定,当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障引起风力机性能下降的故障报告信息并输出;
所述停机状态判定单元9035,与所述数据监控单元9032相耦接,用于接收并根据所述数据监控单元9032发送的所述监控数据进行判定,当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障导致停机的故障报告信息并输出。
由于方法部分已经对本申请实施例进行了详细描述,这里对实施例中涉及的系统与方法对应部分的展开描述省略,不再赘述。对于系统中具体内容的描述可参考方法实施例的内容,这里不再具体限定
与现有技术相比,本申请所述的一种风速仪监测方法和系统,达到了如下效果:
1)本申请对相同或相似风力情况下的多个风力机上的所述风速仪中的风速数据采取长时间、多分组的方式进行概率统计,可以有效识别出数据异常的风速仪,从而进一步准确确定发生故障的风速仪。
2)本申请对获取到的不同风力机上的所述风速仪中的数据进行详细的时间段划分,分别在各时间段内设置多个数据点,从而可以有效的在广泛的时间区域内探测到所述风速仪发生故障的时间。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (15)
1.一种风速仪监测方法,其特征在于,包括:
分别获取至少两个风力机的风速仪在一定时间内的风速数据,将所述风速数据按设置的相同时长的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同时间段的风速差值,其中,每个所述时间段的风速差值为一组数值;
对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据;
结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;
当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时;或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息。
2.如权利要求1所述的风速仪监测方法,其特征在于,当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时;或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息,进一步为:
当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障引起风力机性能下降的故障报告信息;
当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时;进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障导致停机的故障报告信息。
3.如权利要求1所述的风速仪监测方法,其特征在于,进一步还包括:当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的工作正常报告信息。
4.如权利要求1所述的风速仪监测方法,其特征在于,所述设置的形状参数数据的标准化门限和比例参数数据的标准化门限,进一步为:根据一定时间周期内的历史风速数据分组后获得连续多个不同时间段的两个风力机的历史风速差值,进行统计建立对应于每个时间段的概率分布曲线,将所述每个时间段的历史风速差值对应的概率分布曲线中提取出的比例参数数据和形状参数数据作为坐标点进行坐标系统计,将用于划分反应所述风力机工作状态的横坐标对应的数值作为所述比例参数数据的标准化门限,将用于划分反应所述风力机工作状态的纵坐标对应的数值作为所述形状参数数据的标准化门限。
5.如权利要求1所述的风速仪监测方法,其特征在于,对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据;进一步为:
对每个所述时间段的风速差值建立对应的韦伯概率分布曲线,根据每个所述时间段的风速差值对应的韦伯概率分布曲线得出每个所述时间段对应的形状参数数据k和比例参数数据λ。
6.如权利要求1所述的风速仪监测方法,其特征在于,所述一定时间,进一步为:周、月和/或不少于7天的时间期限。
7.如权利要求1所述的风速仪监测方法,其特征在于,将所述风速数据按设置的时间段进行分组提取,进一步为:将所述风速数据按设置的以周、月或者整数天为固定值的时间段进行分组提取。
8.如权利要求1所述的风速仪监测方法,其特征在于,分别获取至少两个风力机的风速仪在一定时间内的风速数据,进一步为:分别获取地理位置相邻的至少两个风力机的风速仪在一定时间内的风速数据。
9.一种风速仪监测系统,其特征在于,包括:风速差获取模块、坐标点获取模块以及监控判定模块;其中,
所述风速差获取模块,用于分别获取至少两个风力机在一定时间内的风速数据,将所述风速数据按设置的相同时长的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同时间段的风速差值,其中,每个所述时间段的风速差值为一组数值,将所述每个时间段的风速差值发送至所述坐标点获取模块;
所述坐标点获取模块,用于接收并对每个所述时间段的风速差值建立对应的概率分布曲线,根据每个所述时间段的风速差值对应的概率分布曲线得出每个所述时间段对应的形状参数数据和比例参数数据发送至所述监控判定模块;
所述监控判定模块,用于结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时,或当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的故障报告信息并输出。
10.如权利要求9所述的风速仪监测系统,其特征在于,
所述监控判定模块,进一步用于结合设置的形状参数数据的标准化门限和比例参数数据的标准化门限对得出每个所述时间段对应的形状参数数据和比例参数数据进行监控判断;当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据大于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障引起风力机性能下降的故障报告信息并输出;当判断出某时间段对应的形状参数数据小于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪中有一个风速仪发生故障导致停机的故障报告信息并输出。
11.如权利要求9所述的风速仪监测系统,其特征在于,
所述监控判定模块,进一步还用于当判断出某时间段对应的形状参数数据大于所述形状参数数据的标准化门限,且该时间段对应的比例参数数据小于所述比例参数数据的标准化门限时,进行记录生成对应所述时间段的所述两个风力机的风速仪的工作正常报告信息并输出。
12.如权利要求9所述的风速仪监测系统,其特征在于,
所述监控判定模块,进一步还用于:根据一定时间周期内的历史风速数据分组后获得连续多个不同时间段的两个风力机的历史风速差值,进行统计建立对应于每个时间段的概率分布曲线,将所述每个时间段的历史风速差值对应的概率分布曲线中提取出的比例参数数据和形状参数数据作为坐标点进行坐标系统计,将用于划分反应所述风力机工作状态的横坐标对应的数值作为所述比例参数数据的标准化门限,将用于划分反应所述风力机工作状态的纵坐标对应的数值作为所述形状参数数据的标准化门限。
13.如权利要求9所述的风速仪监测系统,其特征在于,
所述坐标点获取模块,进一步用于接收并对每个所述时间段的风速差值建立对应的韦伯概率分布曲线,根据每个所述时间段的风速差值对应的韦伯概率分布曲线得出每个所述时间段对应的形状参数数据k和比例参数数据λ发送至所述监控判定模块。
14.如权利要求9所述的风速仪监测系统,其特征在于,所述一定时间,进一步为:周、月和/或不少于7天的时间期限。
15.如权利要求9所述的风速仪监测系统,其特征在于,
所述风速差获取模块,进一步用于分别获取地理位置相邻的至少两个风力机在一定时间内的风速数据,将所述风速数据按设置的以周、月或者整数天为固定值的时间段进行分组提取,并对各时间段内提取出的所述两个风力机的风速数据进行差值处理产生连续多个不同的时间段的风速差值,其中,所述每个时间段的风速差值为一组数值,将所述时间段的风速差值发送至所述坐标点获取模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310585538.9A CN103675355B (zh) | 2013-11-19 | 2013-11-19 | 风速仪监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310585538.9A CN103675355B (zh) | 2013-11-19 | 2013-11-19 | 风速仪监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103675355A true CN103675355A (zh) | 2014-03-26 |
CN103675355B CN103675355B (zh) | 2016-06-08 |
Family
ID=50313531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310585538.9A Active CN103675355B (zh) | 2013-11-19 | 2013-11-19 | 风速仪监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103675355B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843745A (zh) * | 2017-09-20 | 2018-03-27 | 新疆金风科技股份有限公司 | 风力发电机组的风速仪的故障诊断方法和装置、存储介质 |
CN108205597A (zh) * | 2016-12-19 | 2018-06-26 | 北京金风科创风电设备有限公司 | 基于cfd的风速仪选位方法及装置 |
CN108509645A (zh) * | 2018-04-13 | 2018-09-07 | 华润电力风能(威海)有限公司 | 一种设备预警方法 |
CN109740191A (zh) * | 2018-12-12 | 2019-05-10 | 北京佳讯飞鸿电气股份有限公司 | 风传感器剩余使用寿命的预测方法、装置及设备 |
CN110020000A (zh) * | 2017-12-22 | 2019-07-16 | 北京金风慧能技术有限公司 | 判定异常风速数据的方法和装置 |
CN112000654A (zh) * | 2020-08-25 | 2020-11-27 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种高速铁路大风监测数据质量控制方法和装置 |
CN112327007A (zh) * | 2020-11-09 | 2021-02-05 | 中南大学 | 一种高速铁路大风防灾监测系统的故障检测方法及系统 |
CN112362908A (zh) * | 2020-11-09 | 2021-02-12 | 国家铁路局安全技术中心 | 高速铁路大风防灾监测系统中风速仪的故障检测方法及系统 |
CN113495169A (zh) * | 2021-04-23 | 2021-10-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风力机风轮前风速超声测量系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023317A (zh) * | 2010-10-14 | 2011-04-20 | 北京大学 | 高速铁路大风监测点布设方法 |
CN102780219A (zh) * | 2012-05-17 | 2012-11-14 | 清华大学 | 基于风电运行模拟的多维度风电消纳能力判别方法 |
EP2555154A1 (en) * | 2011-08-03 | 2013-02-06 | General Electric Company | Risk management system for use with service agreements |
CN102945318A (zh) * | 2012-10-29 | 2013-02-27 | 上海电力学院 | 一种基于级联风机的超短期风速动态预测方法 |
CN103161668A (zh) * | 2013-02-21 | 2013-06-19 | 上海交通大学 | 智能风电机组工况辨识系统及方法 |
-
2013
- 2013-11-19 CN CN201310585538.9A patent/CN103675355B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023317A (zh) * | 2010-10-14 | 2011-04-20 | 北京大学 | 高速铁路大风监测点布设方法 |
EP2555154A1 (en) * | 2011-08-03 | 2013-02-06 | General Electric Company | Risk management system for use with service agreements |
CN102780219A (zh) * | 2012-05-17 | 2012-11-14 | 清华大学 | 基于风电运行模拟的多维度风电消纳能力判别方法 |
CN102945318A (zh) * | 2012-10-29 | 2013-02-27 | 上海电力学院 | 一种基于级联风机的超短期风速动态预测方法 |
CN103161668A (zh) * | 2013-02-21 | 2013-06-19 | 上海交通大学 | 智能风电机组工况辨识系统及方法 |
Non-Patent Citations (1)
Title |
---|
陈卫东等: "同一试验多组数据处理方法研究", 《兵工学报》, vol. 28, no. 1, 31 January 2007 (2007-01-31) * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205597A (zh) * | 2016-12-19 | 2018-06-26 | 北京金风科创风电设备有限公司 | 基于cfd的风速仪选位方法及装置 |
CN108205597B (zh) * | 2016-12-19 | 2021-07-09 | 北京金风科创风电设备有限公司 | 基于cfd的风速仪选位方法及装置 |
CN107843745A (zh) * | 2017-09-20 | 2018-03-27 | 新疆金风科技股份有限公司 | 风力发电机组的风速仪的故障诊断方法和装置、存储介质 |
CN110020000B (zh) * | 2017-12-22 | 2021-04-13 | 北京金风慧能技术有限公司 | 判定异常风速数据的方法和装置 |
CN110020000A (zh) * | 2017-12-22 | 2019-07-16 | 北京金风慧能技术有限公司 | 判定异常风速数据的方法和装置 |
CN108509645A (zh) * | 2018-04-13 | 2018-09-07 | 华润电力风能(威海)有限公司 | 一种设备预警方法 |
CN109740191A (zh) * | 2018-12-12 | 2019-05-10 | 北京佳讯飞鸿电气股份有限公司 | 风传感器剩余使用寿命的预测方法、装置及设备 |
CN109740191B (zh) * | 2018-12-12 | 2023-09-19 | 北京佳讯飞鸿电气股份有限公司 | 风传感器剩余使用寿命的预测方法、装置及设备 |
CN112000654A (zh) * | 2020-08-25 | 2020-11-27 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种高速铁路大风监测数据质量控制方法和装置 |
CN112362908A (zh) * | 2020-11-09 | 2021-02-12 | 国家铁路局安全技术中心 | 高速铁路大风防灾监测系统中风速仪的故障检测方法及系统 |
CN112327007A (zh) * | 2020-11-09 | 2021-02-05 | 中南大学 | 一种高速铁路大风防灾监测系统的故障检测方法及系统 |
CN112327007B (zh) * | 2020-11-09 | 2023-04-21 | 中南大学 | 一种高速铁路大风防灾监测系统的故障检测方法及系统 |
CN112362908B (zh) * | 2020-11-09 | 2023-06-27 | 国家铁路局安全技术中心 | 高速铁路大风防灾监测系统中风速仪的故障检测方法及系统 |
CN113495169A (zh) * | 2021-04-23 | 2021-10-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风力机风轮前风速超声测量系统 |
CN113495169B (zh) * | 2021-04-23 | 2022-03-15 | 中国大唐集团新能源科学技术研究院有限公司 | 风力机风轮前风速超声测量系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103675355B (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675355A (zh) | 风速仪监测方法和系统 | |
Qiu et al. | Wind turbine SCADA alarm analysis for improving reliability | |
Leahy et al. | Diagnosing wind turbine faults using machine learning techniques applied to operational data | |
CN103711645B (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
KR101096793B1 (ko) | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 | |
CN103675357A (zh) | 风速仪故障预警的方法和系统 | |
CN103675354A (zh) | 一种风速仪故障检测的方法和系统 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN104005917A (zh) | 基于贝叶斯推理方式对风机状态进行预测的方法和系统 | |
CN103439091A (zh) | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 | |
CN111596643A (zh) | 一种基于大数据的可视化动态能耗诊断、分析和预控系统 | |
CN114726642B (zh) | 一种基于电力监控系统网络威胁的量化系统 | |
CN114721336A (zh) | 一种仪控系统工艺参数的信息安全事件预警方法 | |
CN103675356B (zh) | 基于粒子群优化的风速仪故障检测方法和系统 | |
Chung | A machine learning strategy with restricted sliding windows for real-time assessment of accident conditions in nuclear power plants | |
CN103364723A (zh) | 基于电压电流平衡性的风力发电机运行状态分析方法 | |
CN108037387B (zh) | 基于聚类归集的设备故障分析方法及装置 | |
Bette et al. | Nonstationarity in correlation matrices for wind turbine SCADA‐data | |
CN108204342A (zh) | 风力发电机的叶片结冰识别方法和装置 | |
Botsaris et al. | Systemic assessment and analysis of factors affect the reliability of a wind turbine | |
CN116085212B (zh) | 一种新能源风电机组的运行状态实时监测方法及系统 | |
CN112737120B (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
Sompura et al. | A practical approach to improve alarm system performance: Application to power plant | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |