CN103675357A - 风速仪故障预警的方法和系统 - Google Patents
风速仪故障预警的方法和系统 Download PDFInfo
- Publication number
- CN103675357A CN103675357A CN201310585570.7A CN201310585570A CN103675357A CN 103675357 A CN103675357 A CN 103675357A CN 201310585570 A CN201310585570 A CN 201310585570A CN 103675357 A CN103675357 A CN 103675357A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- time period
- speed difference
- data
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001186 cumulative effect Effects 0.000 claims abstract description 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000009825 accumulation Methods 0.000 claims description 22
- 238000005315 distribution function Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 description 14
- 230000000630 rising effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Landscapes
- Emergency Alarm Devices (AREA)
Abstract
本申请公开风速仪故障预警的方法和系统,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;对每个时间段的风速差值建立对应的概率分布曲线,根据形状参数数据、比例参数数据以及该时间段的风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据;对每个不同的时间段内风速差值所对应的累积分布数据进行标准化处理生成标准化值并进行监控,当判断出该标准化值低于所述标准化门限时,生成故障报告信息。本发明解决了难以准确及时的探测到风速仪故障的问题。
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故障预警的方法和系统。
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。
风力机的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故障预警的方法和系统,以解决难以准确及时的探测到风力机的风速仪故障的问题。
为了解决上述技术问题,本申请公开了一种风速仪故障预警的方法,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;
对每个所述时间段的风速差值建立对应的概率分布曲线,并根据所述概率分布曲线中的形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限;
对所述每个不同的时间段内风速差值所对应的累积分布数据进行标准化处理生成标准化值并进行监控,当判断出该标准化值低于所述标准化门限时,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,对所述每个不同的时间段内风速差值所对应的累积分布数据进行标准化处理生成标准化值并进行监控,进一步为:对所述每个不同的时间段内风速差值对应的累积分布函数曲线的覆盖面积进行累加产生覆盖面积值,再对该覆盖面积值进行标准化处理生成的标准化值,并对该标准化值进行监控。
进一步地,其中,所述标准化门限,进一步为:由一定时间周期的一组历史数据分组后得到连续多个不同时间段的风速差值,进行统计建立对应于每个时间段的概率分布曲线,然后根据每个时间段的概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据,将用于所述累积分布数据进行优差划分的值作为所述标准化门限。
进一步地,其中,所述概率分布曲线,进一步为:韦伯概率分布曲线,所述韦伯概率分布曲线中的形状参数数据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故障预警的系统,其特征在于,包括:风速差获取模块、累积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,所述每个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累积模块;
所述累积模块,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,根据所述概率分布曲线中的形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限发送至所述监控判定模块;
所述监控判定模块,用于接收所述累积模块发送的对应所述时间段的累积分布数据进行标准化处理生成标准化值并进行监控,当判断出该标准化值低于接收的所述标准化门限时,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,进一步用于对所述每个不同的时间段内风速差值对应的累积分布函数曲线的覆盖面积进行累加产生覆盖面积值,再对该覆盖面积值进行标准化处理生成的标准化值,并对该标准化值进行监控。
进一步地,其中,
所述累积模块,进一步还用于:由一定时间周期的一组历史数据分组后得到连续多个不同时间段的风速差值,进行统计建立对应于每个时间段的概率分布曲线,然后根据每个时间段的概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据,将用于所述累积分布数据进行优差划分的值作为所述标准化门限。
进一步地,其中,所述累积模块,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,根据所述韦伯概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述时间段的风速差值进行累积分布处理以获取与每个不同的时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限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,所述每个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累积模块。
与现有技术相比,本申请所述的一种风速仪故障预警的方法和系统,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故障预警的方法的流程框图。
图2是本申请实施例二所述的风速仪故障预警的方法的流程框图。
图3是本申请实施例三所述的风速仪故障预警的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故障预警的方法中所述累积分布曲线图。
图5是本申请实施例三所述的风速仪故障预警的方法中各时间段内所述风速差值的累积分布函数曲线的覆盖面积标准化值的统计图。
图6是本申请实施例四所述的风速仪故障预警的系统的结构框图。
图7是本申请实施例五所述的风速仪故障预警的系统中所述监控判定模块703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故障预警的方法,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。
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,并根据所述概率分布曲线中的形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与每个不同的时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限。
步骤103,对所述每个不同的时间段内风速差值所对应的累积分布数据进行标准化处理生成标准化值并进行监控,当判断出该标准化值低于所述标准化门限时,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故障预警的方法,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该时间段的风速差值,其中,所述每个不同的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,根据所述时间段的风速差值建立对应的概率分布曲线,并从该概率分布曲线中提取出对应的形状参数数据和比例参数数据,再根据所述概率分布曲线中的所述形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与每个不同的时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限;
对于步骤202,对每个时间段的所述风速差值进行累积分布处理后形成累积分布曲线,所述累积分布曲线上升的速度快慢决定了所述风速仪故障判断的标准,所述累积分布曲线上升的速度越快,就说明所述风速仪出现故障的概率越低;反之,所述风速仪出现故障的概率越高。但是,所述累积分布曲线的上升速度是无法量化的指标,而该累积分布曲线的覆盖面积却可以代表速度的快慢。
步骤203,对所述每个不同的时间段内风速差值对应的累积分布函数曲线的覆盖面积进行累加产生覆盖面积值,再对该覆盖面积值进行标准化处理生成的标准化值,并对该标准化值进行监控;
步骤204,当判断出所述标准化值低于所述标准化门限时,进行记录生成对应所述时间段的所述两个风力机的故障报告信息;
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),是由一定时间周期的一组历史数据分组后得到连续多个不同时间段的风速差值,进行统计建立对应于每个时间段的概率分布曲线,然后根据每个时间段的概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据(对所述累积分布数据的优差划分主要包括:对比风场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,当然这里对此不作具体限定),然后将用于所述累积分布数据进行优差划分的值作为所述标准化门限。
结合图3-5,为本申请实施例三所述的一种风速仪故障预警的方法,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由1008个所述风速差值WSD形成一组数值。
第二,根据所述每一周时间段的风速差值WSD建立对应的概率分布曲线,并从该概率分布曲线中提取出对应的形状参数数据和比例参数数据,再根据所述概率分布曲线中的所述形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与各周中的所述风速差值WSD所对应的累积分布数据,同时得出标准化门限。
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。再根据每一周时间段内的所述形状参数数据k、比例参数数据λ以及风速差值WSD进行累积分布处理,生成对应的累积分布曲线cdf:
如图4所示,为所述累积分布曲线图,图中的横轴代表的是风速差值WSD,纵轴代表的是累积分布概率。
如果上述两个风力机A和B的所述风速仪都工作正常,则所述风速差值WSD在0点附近的概率较高,所以相应的累积分布曲线在风速差值的0点附近会快速累积上升到1;
如果上述两个风力机A和B的所述风速仪中一个出现故障,则所述累积分布曲线需要在整个风速差值的范围内概率累加才能上升到1,所以相应的累积分布曲线上升到1的速度较慢。
还需要说明的是,所述标准化门限是由一定时间周期(如:以往对所述风速仪进行故障检测的时间)的一组历史数据分组后得到连续多个不同时间段的风速差值,进行统计建立对应于每个时间段的概率分布曲线,然后根据每个时间段的概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据(并且,对比风场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),然后将用于所述累积分布数据进行优差划分的值作为所述标准化门限。
第三,对所述各周中的所述风速差值WSD对应的累积分布函数曲线的覆盖面积进行累加产生覆盖面积值,再对该覆盖面积值进行标准化处理生成的标准化值,并对该标准化值进行监控。
根据图4所示,所述累积分布曲线上升到1的速度的快慢决定了所述风速仪故障判断的标准,即所述累积分布曲线上升的速度越快,就说明所述风速仪出现故障的概率越低;反之,所述风速仪出现故障的概率越高。但是在所述累积分布曲线其上升速度是无法量化的指标,而该累积分布曲线覆盖面积可以代表速度的快慢,如果所述累积分布曲线上升到1的速度快,则曲线覆盖面积大;如果所述累积分布曲线上升到1的速度慢,则曲线覆盖面积小。因此,考虑通过所述累积分布曲线的覆盖面积来替代速度来作为判断故障的重要指标。
又由于所述累积分布曲线的覆盖面积并不能够直接从曲线本身读取出来,故将所述累积分布曲线的覆盖面积进行标准化处理生成的标准化值AUC:
所述标准化值AUC为一比例值,介于0-1之间,在实际应用中较为方便,其中的WSDmax是每一周时间段内最大的所述风速差值。
第四、当判断出所述标准化值低于所述标准化门限时,进行记录生成对应所述时间段的所述两个风力机的故障报告信息。
如图5所示,所述标准化门限(图中黑色实线)选取为0.962左右,将每一周内的所述风速差值WSD的累积分布函数曲线的覆盖面积与该标准化门限进行判断,可见,至少第29周、79周、93周的所述风速差值WSD的累积分布函数曲线的覆盖面积低于所述标准化门限,即在上述几周中,所述风力机A和B的所述风速仪中都有一个风速仪出现了故障。
从而,可以较早并准确的获得故障报告信息,实际应用中,业务人员便可以对所述风力机A和B上的所述风速仪进行检修,而不用对每一台风力机的风速仪进行检查。
如图6所示,为本申请实施例四所述的一种风速仪故障预警的系统,该系统包括:风速差获取模块601、累积模块602以及监控判定模块603,其中,
所述风速差获取模块601,与所述累积模块602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,将所述每个时间段的风速差值发送至所述累积模块602;
所述累积模块602,与所述风速差获取模块601和监控判定模块603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,根据所述概率分布曲线中的形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与每个不同的时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限发送至所述监控判定模块603;
所述监控判定模块603,与所述累积模块602相耦接,用于接收所述累积模块602发送的对应所述时间段的累积分布数据进行标准化处理生成标准化值并进行监控,当判断出该标准化值低于接收的所述标准化门限时,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;其中,所述每个不同的时间段的风速差值为一组数值。
如图7所示,为本申请实施例四所述的一种风速仪故障预警的系统,该系统包括:风速差获取模块701、累积模块702以及监控判定模块703,其中,
所述风速差获取模块701,与所述累积模块702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,将所述每个时间段的风速差值发送至所述累积模块702,其中,所述每个不同的时间段的风速差值为一组数值。
所述累积模块702,与所述风速差获取模块701和监控判定模块703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,根据所述概率分布曲线中的形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与每个不同的时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限发送至所述监控判定模块703。
所述监控判定模块703,与所述累积模块702相耦接,用于接收所述累积模块702发送的对应所述时间段的累积分布数据进行标准化处理生成标准化值并进行监控,当判断出该标准化值低于接收的所述标准化门限时,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,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由1008个所述风速差值WSD形成一组数值。
进一步地,所述标准化门限,是由一定时间周期的一组历史数据分组后得到连续多个不同时间段的风速差值,进行统计建立对应于每个时间段的概率分布曲线,然后根据每个时间段的概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据(对所述累积分布数据的优差划分主要包括:对比风场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,当然这里对此不作具体限定),然后将用于所述累积分布数据进行优差划分的值作为所述标准化门限。
进一步地,所述风速差获取模块701,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,将所述每个时间段的风速差值发送至所述累积模块702。
进一步地,所述累积模块702,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中的形状参数数据k、比例参数数据λ以及该所述时间段的风速差值进行累积分布处理以获取与每个不同的时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限发送至所述监控判定模块703。
进一步地,所述监控判定模块703,包括:曲线面积处理单元7031、标准化处理单元7032以及判定单元7033,其中,
所述曲线面积处理单元7031,与所述累积模块702和标准化处理单元7032相耦接,用于接收所述累积模块702发送的对应所述时间段的累积分布数据,将所述累积分布数据对应的累积分布函数曲线的覆盖面积进行累加产生覆盖面积值发送至所述标准化处理单元7032;
所述标准化处理单元7032,与所述曲线面积处理单元7031相耦接,用于接收并对所述覆盖面积值进行标准化处理生成的标准化值发送至所述判定单元7033;
所述判定单元7033,与所述标准化处理单元7032和累积模块702相耦接,用于接收并将所述标准化处理单元7032发送的所述标准化值和所述累积模块702发送的所述标准化门限进行判定,当判断出该标准化值低于接收的所述标准化门限时,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。
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故障预警的方法和系统,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 (13)
1.一种风速仪故障预警的方法,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;
对每个所述时间段的风速差值建立对应的概率分布曲线,并根据所述概率分布曲线中的形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限;
对所述每个不同的时间段内风速差值所对应的累积分布数据进行标准化处理生成标准化值并进行监控,当判断出该标准化值低于所述标准化门限时,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所述的风速仪故障预警的方法,其特征在于,对所述每个不同的时间段内风速差值所对应的累积分布数据进行标准化处理生成标准化值并进行监控,进一步为:对所述每个不同的时间段内风速差值对应的累积分布函数曲线的覆盖面积进行累加产生覆盖面积值,再对该覆盖面积值进行标准化处理生成的标准化值,并对该标准化值进行监控。
3.如权利要求1所述的风速仪故障预警的方法,其特征在于,所述标准化门限,进一步为:由一定时间周期的一组历史数据分组后得到连续多个不同时间段的风速差值,进行统计建立对应于每个时间段的概率分布曲线,然后根据每个时间段的概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据,将用于所述累积分布数据进行优差划分的值作为所述标准化门限。
4.如权利要求1所述的风速仪故障预警的方法,其特征在于,所述概率分布曲线,进一步为:韦伯概率分布曲线,所述韦伯概率分布曲线中的形状参数数据k和比例参数数据λ。
5.如权利要求1所述的风速仪故障预警的方法,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。
6.如权利要求1所述的风速仪故障预警的方法,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。
7.如权利要求1所述的风速仪故障预警的方法,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。
8.一种风速仪故障预警的系统,其特征在于,包括:风速差获取模块、累积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,所述每个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累积模块;
所述累积模块,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,根据所述概率分布曲线中的形状参数数据、比例参数数据以及该所述时间段的风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限发送至所述监控判定模块;
所述监控判定模块,用于接收所述累积模块发送的对应所述时间段的累积分布数据进行标准化处理生成标准化值并进行监控,当判断出该标准化值低于接收的所述标准化门限时,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。
9.如权利要求8所述的风速仪故障预警的系统,其特征在于,所述监控判定模块,进一步用于对所述每个不同的时间段内风速差值对应的累积分布函数曲线的覆盖面积进行累加产生覆盖面积值,再对该覆盖面积值进行标准化处理生成的标准化值,并对该标准化值进行监控。
10.如权利要求8所述的风速仪故障预警的系统,其特征在于,
所述累积模块,进一步还用于:由一定时间周期的一组历史数据分组后得到连续多个不同时间段的风速差值,进行统计建立对应于每个时间段的概率分布曲线,然后根据每个时间段的概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述风速差值进行累积分布处理以获取与每个时间段的所述风速差值所对应的累积分布数据,将用于所述累积分布数据进行优差划分的值作为所述标准化门限。
11.如权利要求8所述的风速仪故障预警的系统,其特征在于,所述累积模块,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,根据所述韦伯概率分布曲线中的形状参数数据k、比例参数数据λ以及该所述时间段的风速差值进行累积分布处理以获取与每个不同的时间段的所述风速差值所对应的累积分布数据,同时得出标准化门限发送至所述监控判定模块。
12.如权利要求8所述的风速仪故障预警的系统,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。
13.如权利要求8所述的风速仪故障预警的系统,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,所述每个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累积模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310585570.7A CN103675357B (zh) | 2013-11-19 | 2013-11-19 | 风速仪故障预警的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310585570.7A CN103675357B (zh) | 2013-11-19 | 2013-11-19 | 风速仪故障预警的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103675357A true CN103675357A (zh) | 2014-03-26 |
CN103675357B CN103675357B (zh) | 2016-06-01 |
Family
ID=50313533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310585570.7A Active CN103675357B (zh) | 2013-11-19 | 2013-11-19 | 风速仪故障预警的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103675357B (zh) |
Cited By (6)
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 |
CN109241353A (zh) * | 2018-09-12 | 2019-01-18 | 北京英视睿达科技有限公司 | 一种数据审核方法 |
JP2019507845A (ja) * | 2016-02-25 | 2019-03-22 | イノジー ソシエタス ヨーロピアinnogy SE | 風力発電システムの振動状態を監視する方法 |
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 |
CN113030516A (zh) * | 2019-12-24 | 2021-06-25 | 华能如东八仙角海上风力发电有限责任公司 | 风速仪故障检测方法、装置、设备和存储介质 |
CN118170080A (zh) * | 2024-05-16 | 2024-06-11 | 山东江华机械制造有限公司 | 一种打捆机自动化电控系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2836015Y (zh) * | 2005-06-28 | 2006-11-08 | 北京凌天世纪自动化技术有限公司 | 风速仪表自动检测装置 |
US20080307853A1 (en) * | 2007-06-18 | 2008-12-18 | Thomas Siebers | Anemometer calibration method and wind turbine |
CN201697935U (zh) * | 2010-05-12 | 2011-01-05 | 淮南矿业(集团)有限责任公司 | 风速传感器调校设备 |
-
2013
- 2013-11-19 CN CN201310585570.7A patent/CN103675357B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2836015Y (zh) * | 2005-06-28 | 2006-11-08 | 北京凌天世纪自动化技术有限公司 | 风速仪表自动检测装置 |
US20080307853A1 (en) * | 2007-06-18 | 2008-12-18 | Thomas Siebers | Anemometer calibration method and wind turbine |
CN201697935U (zh) * | 2010-05-12 | 2011-01-05 | 淮南矿业(集团)有限责任公司 | 风速传感器调校设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019507845A (ja) * | 2016-02-25 | 2019-03-22 | イノジー ソシエタス ヨーロピアinnogy SE | 風力発電システムの振動状態を監視する方法 |
US10465661B2 (en) | 2016-02-25 | 2019-11-05 | Innogy Se | Method for monitoring the vibrational state of a wind turbine |
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 |
CN109241353A (zh) * | 2018-09-12 | 2019-01-18 | 北京英视睿达科技有限公司 | 一种数据审核方法 |
CN109241353B (zh) * | 2018-09-12 | 2023-10-31 | 北京英视睿达科技股份有限公司 | 一种数据审核方法 |
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 |
CN113030516A (zh) * | 2019-12-24 | 2021-06-25 | 华能如东八仙角海上风力发电有限责任公司 | 风速仪故障检测方法、装置、设备和存储介质 |
CN113030516B (zh) * | 2019-12-24 | 2023-07-21 | 华能如东八仙角海上风力发电有限责任公司 | 风速仪故障检测方法、装置、设备和存储介质 |
CN118170080A (zh) * | 2024-05-16 | 2024-06-11 | 山东江华机械制造有限公司 | 一种打捆机自动化电控系统 |
CN118170080B (zh) * | 2024-05-16 | 2024-07-19 | 山东江华机械制造有限公司 | 一种打捆机自动化电控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103675357B (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675355B (zh) | 风速仪监测方法和系统 | |
CN103675357B (zh) | 风速仪故障预警的方法和系统 | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
KR102455338B1 (ko) | 결함 검출 방법 및 장치, 모델 훈련 방법 및 장치, 및 디바이스 및 저장 매체 | |
CA2927545C (en) | Integrated transformer health monitoring architecture | |
CN103675354B (zh) | 一种风速仪故障检测的方法和系统 | |
CN103323772B (zh) | 基于神经网络模型的风力发电机运行状态分析方法 | |
CN106201828A (zh) | 一种基于数据挖掘的虚拟机故障检测方法和系统 | |
CN108074197A (zh) | 风机故障数据分析系统的控制方法 | |
CN106972626A (zh) | 电力设备的运行状态检查方法、装置及系统 | |
CN103558955B (zh) | 基于多对象多状态显示器的多对象状态监测方法及系统 | |
CN103912448A (zh) | 一种区域风电场机组功率特性监测方法 | |
CN104821789A (zh) | 一种光伏发电系统可靠性的检测方法 | |
CN108830391A (zh) | 风力发电机组运维管理系统、方法和计算机设备 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN104425046A (zh) | 核电站运行安全指数量化方法和系统 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN103675356B (zh) | 基于粒子群优化的风速仪故障检测方法和系统 | |
CN117808456A (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
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 | |
CN108204342A (zh) | 风力发电机的叶片结冰识别方法和装置 | |
CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
CN113172764B (zh) | 搅拌站监控方法及系统 | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
CN114562431A (zh) | 监测风力发电机组湿度的方法及装置 |
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 |