CN105403811A - 风电场电网故障诊断方法和装置 - Google Patents
风电场电网故障诊断方法和装置 Download PDFInfo
- Publication number
- CN105403811A CN105403811A CN201510927653.9A CN201510927653A CN105403811A CN 105403811 A CN105403811 A CN 105403811A CN 201510927653 A CN201510927653 A CN 201510927653A CN 105403811 A CN105403811 A CN 105403811A
- Authority
- CN
- China
- Prior art keywords
- monitoring point
- fault
- data
- wind energy
- energy turbine
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 claims abstract description 179
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000007405 data analysis Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000003064 k means clustering Methods 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明涉及一种风电场电网故障诊断方法和装置，该方法包括：周期性监测设置在风电场内多个监测点的电气数据；响应于根据各监测点的电气数据分析产生的第一故障判据，提取当前周期内监测得到的各监测点的电气数据，并与当前专家诊断流程形成的多个故障诊断结果对应的电气数据进行相似度值计算；将多个故障诊断结果对应的电气数据中与当前各监测点的电气数据计算得到的相似度值大于预定相似值的故障诊断结果确定为当前发生的故障的诊断结果。本实施例通过在风电场中设立多个监测点，实时监测这些监测点的电气数据，并将采集到的电气数据与预设的多种故障类型进行比对，以实现故障类型的快速判断，及时避免了风电场中设备受到损坏的威胁。
Description
技术领域
本发明涉及风电技术领域，尤其涉及一种风电场电网故障诊断方法和装置。
背景技术
随着全球化学能源的日益枯竭，风力发电越来越受到人们的重视。在近20年内，风力发电机组不断向大型化发展，风力发电量在所有发电总量中的比重逐渐变大，风电场与电网之间的关系也越来越密切。
我国的电网分布复杂、区域负荷分布不平衡、电网末端较多、电网波动较大，在风电场并网时，电能质量和电网的波动给风电场、风力发电机组(简称“风机”)的正常运行带来了巨大的挑战，因此，对电能质量的实时监测、对风电场电网故障类型的快速判断变得尤为重要。
发明内容
本发明实施例提供的一种风电场电网故障诊断方法和装置，以实时监测风电场中多个监测点的电气数据，对风电场电网故障进行快速、准确的诊断。
为达到上述目的，本发明实施例提供了一种风电场电网故障诊断方法，所述方法包括：周期性监测设置在风电场内多个监测点的电气数据；响应于根据所述各监测点的电气数据分析产生的第一故障判据，提取当前周期内监测得到的各监测点的电气数据，并与当前专家诊断流程形成的多个故障诊断结果对应的电气数据进行相似度值计算；将所述多个故障诊断结果对应的电气数据中与当前各监测点的电气数据计算得到的相似度值大于预定相似值的故障诊断结果确定为当前发生的故障的诊断结果。
本发明实施例还提供了一种风电场电网故障诊断装置，所述装置包括：数据采集模块，用于周期性监测设置在风电场内多个监测点的电气数据；故障诊断模块，用于响应于根据所述各监测点的电气数据分析产生的第一故障判据，提取当前周期内监测得到的各监测点的电气数据，并与当前专家诊断流程形成的多个故障诊断结果对应的电气数据进行相似度值计算；故障判断模块，用于将所述多个故障诊断结果对应的电气数据中与当前各监测点的电气数据计算得到的相似度值大于预定相似值的故障诊断结果确定为当前发生的故障的诊断结果。
本发明实施例提供的一种风电场电网故障诊断方法和装置，通过在风电场中设立多个监测点，实时监测这些监测点的电气数据，并在出现故障判据后，将采集到的电气数据与预设的多种故障诊断结果对应的电气数据进行比对，以实现风电场电网故障的快速诊断，及时避免了风电场中设备受到损坏的威胁。
附图说明
图1为本发明中风电场中所有监测点的分布图；
图2为图1中监测点与设置在风电场中的控制器的数据通讯网络示意图；
图3为本发明提供的风电场电网故障诊断方法一个实施例的流程图；
图4为本发明提供的风电场电网故障诊断方法中第一故障判据生成方法一个实施例的流程图；
图5为本发明提供的风电场电网专家诊断流程的一个实施例的流程图；
图6a为本发明提供的基于神经网络进行故障诊断的神经网络配置示意图；
图6b为本发明提供的基于神经网络进行故障诊断的方法流程图；
图7为风电场电网异常及故障类型判断的示意图；
图8为本发明提供的风电场电网故障诊断装置另一个实施例的结构示意图；
图9为本发明提供的风电场电网第一故障判据生成装置一个实施例的结构示意图；
图10为本发明提供的风电场电网专家诊断装置的一个实施例的结构示意图。
附图标记说明：810-数据采集模块；820-故障诊断模块；830-故障判断模块；840-电压监测模块；850-故障判据生成模块；860-数据存储模块；870-故障关联模块。
具体实施方式
本方案的发明构思，是在对风电场并网点、一次设备以及各风机中关键监测点的电气数据进行周期性监测，当出现第一故障判据后，将当前的电气数据与预先通过专家诊断流程得到的多个诊断结果所对应的电气数据进行比对。根据数据间的相似性，对风电场电网进行故障诊断，得到相应的诊断结果。
如图1所示，为本方案中风电场中所有监测点的分布图。图1中，监测点的分布位置包括：
(1)风电场内每台风机的箱变(箱式变压器)低压侧；即风机的监测点位于箱变低压侧。
(2)每条集电线路在升压站的汇集处(风电场升压站，有检测每条线路电压、电流的电压互感器(potentialtransformer，PT)和电流互感器(CurrentTransformer，CT)，监测点设置在线路的PT和CT二次回路中)，即线路的监测点位于线路在升压站的汇集点。
(3)风电场的静止无功补偿器(StaticVarCompensator，SVC)/静止无功发生器(StaticVarGenerator，SVG)的变压器高压侧，SVC/SVG的变压器高压侧，都安装有PT和CT，相应监测点设置在PT和CT二次回路中。
(4)风电场主变压器(generatorstep-uptransformer，简称GSUtransformer或者GSU)。相应监测点设置在GSU的高压侧和/或低压侧。
基于图1中监测点的分情况，如图2中示出了这些监测点与设置在风电场中的控制器的数据通讯网络示意图。图2中，所有数据通过光纤网络，传输到风电场升压站的服务器(风电场的控制器)，数据存储到本地数据库，在线监测软件运行在工业电脑中，以对采集的监测点的数据进行故障诊断处理，并生成故障诊断结果。工业电脑和服务器通过光纤连接，运维人员通过查看工业电脑的显示器获取监测点的数据和故障诊断结果信息。
下面结合附图对本发明实施例的风电场电网故障诊断方法和装置进行详细描述。
实施例一
图3为本发明提供的风电场电网故障诊断方法一个实施例的流程图，该方法的执行主体可为设置在风电场中的控制器，如风电场升压站中的中央监控器。如图3所示，该方法包括如下步骤：
S310，周期性监测设置在风电场内多个监测点的电气数据。
具体地，将前述设置在GSU处监测点位置的电气数据视为风电场的并网点电气数据，将升压站的汇集点的电气数据视为集电线路的电气数据，将风电场的SVC/SVG的变压器高压侧处的电气数据视为关键设备(一次设备)的监测点电气数据，将风电场内每台风机的箱变低压侧处监测点位置的电气数据视为各单台风机上的监测点电气数据。周期性(如将1分钟设为一个周期)通过电气数据监测设备监测相应位置的电气数据情况。
在本实施例中，上述电气数据包括电压数据和电流数据，由于风机在运行过程中电压和电流的数据不稳定，因此对应的监测点的电压值和电流值中除了基波外还会带有多种谐波，包括2次谐波、3次谐波、5次谐波、7次谐波、9次谐波、11次谐波、13次谐波、15次谐波、17次谐波、19次谐波、21次谐波、23次谐波等。这些谐波占总电压或电流的含有率因风机运行情况而有所不同。
S320，响应于根据各监测点的电气数据分析产生的第一故障判据，提取当前周期内监测得到的各监测点的电气数据，并与当前专家诊断流程形成的多个故障诊断结果对应的电气数据进行相似度值计算。
其中，上述第一故障判据可为初步判断风电场和/或风机进入故障状态的较为显著的依据。例如，当系统检测到监测点的电气数据中的谐波含有率处于某一阈值范围内，则初步判断风电场和/或风机很可能已进入故障状态。
其中，专家诊断流程即为根据大量的从各监测点采集的电气数据与预先设置的多个故障诊断结果进行关联学习的操作流程。专家诊断流程产生的学习结果即为各故障诊断结果对应的电气数据的特征值。在本实施例中，故障诊断结果可包括：风电场周边及高压送出线路侧谐波超标问题；风电场周边及高压送出线路侧电压波动问题；风电场内线路及一次设备故障；风电场风机单机内部故障；风机网侧器件损坏及异常；风机网侧控制参数与无功补偿设备不匹配；风机网侧滤波电路LC参数选取调整。
当监测点的电气数据达到第一故障判据的条件时，系统自动提取当前周期内监测到的电气数据，并与上述各故障结果对应的电气数据分别进行相似度计算。其中，当前周期内监测到的电气数据与哪种故障结果对应的电气数据越相似，则相应该电气数据对应的故障结果可视为当前风电场电网出现的故障类型。
这里说明，由于风电场电网可能同时存储多种故障状态，即使仅存在一种故障状态，那么也会有部分电气数据不属于故障结果所对应的电气数据。因此本方案中在依据相似度进行故障诊断时，是先从当前监测得到的电气数据中提取出各诊断结果所对应包含的电气数据，并按诊断结果的类型将电气数据进行分类。在进行相似度比较时，只将本类别的监测的电气数据与相应类别的诊断结果所对应的所有电气数据进行相似度比较，并将比较结果作为监测数据与相应故障诊断结果对应的电气数据的相似度值。
S330，将多个故障诊断结果对应的电气数据中与当前各监测点的电气数据计算得到的相似度值大于预定相似值的故障诊断结果确定为当前发生的故障的诊断结果。
具体地，预定相似值指在系统中预设的某个相似度阈值(例如80％)，当监测点的电气数据与上述多种诊断结果中的一种或多种的相似度大于该相似度阈值时，则判断此时风电场电网处于该一种或多种故障下。
本发明实施例的风电场电网故障诊断方法，通过在风电场中设立多个监测点，实时监测这些监测点的电气数据，并在出现第一故障判据的触发下将采集到的电气数据与预设的多种故障结果所对应的电气数据进行相似度比对，实现故障的快速判断，及时避免了风电场中设备受到损坏的威胁。
实施例二
图4为本发明提供的风电场电网故障诊断方法中第一故障判据生成方法一个实施例的流程图。如图4所示，该方法包括如下步骤：
S410，周期性监测风电场的并网点电压以及风电场内各单台风机上的监测点电压。S410与上述S310内容相似。
具体地，可在步骤S310中，将周期性监测的多个监测点的电气数据中提取出视为并网点电压以及各单台风机上的监测点电压的电气数据。
S420，如果监测到风电场的并网点电压总谐波含有率大于第一阈值且小于第二阈值，同时风电场中任一单台风机的监测点电压2次谐波含有率大于第三阈值，且后者数据状态持续时长小于第一预定周期，则确定产生一个第一故障判据。
具体地，并网点电压总谐波含有率是指并网点电压中所有谐波的含有率。当系统监测到风电场并网点的电压值中的总谐波含有率小于第一阈值(如2％)时，此时由于谐波很少，不会影响风电场的安全运行，因此可直接停止判断流程。
当总谐波含有率大于第二阈值(如5％)时，此时由于谐波含有率很大，已经能够确定会影响到风电场的安全运行，可结束判断流程，直接判断风电场出现异常。
当总谐波含有率大于第一阈值(2％)且小于第二阈值(5％)，此时不能够确定风电场的具体运行情况，需要进一步确认，此时可判断风电场中各单台风机处监测点的电压情况；当风电场中任一单台风机处监测点的电压2次谐波含有率大于第三阈值(如6％)，且该状态持续时长大于第一预定周期(如5个周期)，则判断该单台风机故障，并停机处理；当风电场中任一单台风机处监测点的电压2次谐波含有率大于第三阈值(6％)，且该状态持续时长不大于第一预定周期(5个周期)，则此时达到第一故障判据的条件，需要进行后续的故障诊断流程。
本发明实施例提供的第一故障判据生成方法，对采集到的风电场的并网点电压总谐波含有率和风电场内各单台风机处2次谐波含有率进行分析，判断是否产生第一故障判据。
实施例三
图5为本发明提供的风电场电网故障诊断方法中专家诊断流程的一个实施例的流程图。
S510，定期存储多个监测点的电气数据，以及响应于根据各监测点的电气数据分析产生的第二故障判据，在各监测点获取的故障录波数据。
例如，多个监测点的电气数据可以在每10个周期或每20个周期存储一个周期的电气数据。同时，在监测得到各监测点的电气数据后，对这些数据进行分析，产生第二故障判据。该第二故障判据，较上述第一故障判据对风电场、风机的损害程度要轻，可以认为是出现轻度异常，对风电场和风机造成安全隐患程度较轻，具体可包括响应于根据各监测点的电气数据分析产生的谐波电流含有率超标、三相电压和/或电流不平衡。响应于根据各监测点的电气数据分析产生的第二故障判据，系统获取各监测点的故障录波数据，并对故障录波数据进行存储。各监测点的故障录波数据，可视为在出现第二故障判据时，各监测点对应的上述电气数据。例如，风机故障、低电压穿越或高电压穿越等故障的数据。为了更准确的记录故障录波数据，录波的要求为：录波的精度为128点/周波，录波的时间为故障前100ms，故障后15s，时间精度为标准的网络时间协议(NetworkTimeProtocol，NTP)对时，并要求与风电场内时间保持一致，精度为10ms。
S520，将定期存储多个监测点的电气数据、各监测点的所述故障录波数据以及各监测点的电气信息与预设的多个故障诊断结果进行专家诊断流程的学习，形成多个故障诊断结果与电气数据间的对应关系。
具体地，上述各监测点的电气信息可以为风电场、风机、集电线路和一次设备的固有信息，包括风机类型、风机容量、升压站等级、线路电压等级和无功补偿型号等信息。在本实施例中，专家诊断流程的学习采用预设的算法对监测点的电气数据进行机器学习，当电气数据达到预设的第一故障判据时，则进行后续的故障诊断流程，如果没有达到则将该电气数据进行存储并继续学习。优选地，专家诊断流程的学习包括：采用神经网络算法或聚类算法进行多个故障诊断结果与电气数据间的对应关系的学习。
图6a为本发明提供的基于神经网络进行故障诊断的神经网络配置示意图。其中，神经网络包括输入层、隐藏层和输出层，隐藏层对输入层的激励产生对应的局部响应，隐藏层的特殊线性函数采用非线性的径向基函数，对不同风电场容量、不同电压等级、不同类型风机的故障情况集进行非线性分类，输出层对隐藏层的基函数输出进行线性组合。
相对应地，图6b为本发明实施例提供的基于神经网络的电网异常及隐患判断流程，即前述专家诊断流程如下：
610：首先针对风力发电机组电网侧典型故障和其对应的电气量的临界条件，通过模拟，产生n类故障方式，存储来自各个监测点的典型监测值，例如：
风机的类型风冷和水冷型号，对应不同的电网故障类型。
单台机的电压谐波含有率，2次，3次，5次，7次，9次，11次，13次，17次，19次，20次，23次分别对应不同的电网类故障相关度。
单台风机的5次，7次，9次谐波电压、谐波电流含有率与SVC的异常控制方式和模式相关。
在单台风机的功率小于100kw时，电流的2次、5次、7次、9次谐波含有率与电网的波动相关。
通过类似的分类和综合，形成建立各径向基函数神经网络所需要的训练样本向量。
620：在模拟产生n类故障和隐患后，得到的训练样本向量，包括并网点的容量、风机类型、单台风机的电能质量信息、并网点的电能质量信息、无功补偿的类型和容量等信息，该训练样本将作为本神经网络的输入。
630：隐藏层神经元的学习，采用无监督学习的聚类算法，即径向基函数学习算法，具体算法如下：
初始化相应电网隐患故障的中心,确定聚类的个数，初始聚类中心从训练样品中随机选取；对输出层神经元的学习，采用有监督的最小二乘法。
其中，通过隐藏层单元与输出层单元的权值，确定具体的参考点的位置，即可作某个隐患的输入聚类中心，选取某个非线性径向对称基函数，径向基函数选择为高斯型函数。
通过隐藏层神经元的输出和隐藏层神经元的高斯函数中心，以及高斯函数的宽度，推出电网专家诊断及隐患的输出
当输入X包含在聚类时，输出为1，即输出专家诊断结果；如果不包含在聚类里，输出为0，即不输出专家诊断结果。
640：为了得到最优化的权系数，需要使第i个输入层与第i个输出层的误差函数值最小；在得到最优化的权系数后，径向基函数神经网络就建立完毕。
650：当数据进入此神经网络模块后，实时数据模块经过分类处理、输入神经网络的输入层，通过神经网络的分析处理、历史数据的对比，输出即为专家诊断结果。此模块可以自学习、再经过现场的加权系数不断优化，可以达到90％以上的判断成功率，输出的专家诊断结果和隐患结果对风电场的稳定运行有很好的帮助。最后，在利用神经网络算法对监测到的电气数据进行分析处理时，将监测到的电气数据进行分类后作为输入层，通过隐藏层中历史数据的对比与学习，当电气数据和历史数据的相似度大于预定相似值时(80％)，输出即为专家诊断结果(上述7种故障中的一种或多种)。在本实施例中，该神经网络方法可以自学习、再经过现场的加权系数不断优化，可以达到90％以上的判断成功率，输出的专家诊断结果和隐患结果对风电场的稳定运行有很好的帮助。
本发明实施例还提供了以下基于聚类算法进行故障诊断的方法流程图。例如，基于K-means聚类算法对电网异常及隐患进行分类处理，定义类别的个数，将监测点的电气数据、电气信息作为输入，判断与定义的类别的距离，如果达到某一种或多种类别的阀值条件，则输出专家诊断结果。
具体地，首先根据历史数据搭建聚类的类别和宽度边界值，例如，历史数据中存在大量的风电场电网运行的正常和/或异常的数据，根据经验对这些数据进行分类，对不同故障类型进行区分，每一种故障类型存在一定的宽度边界值，处于该边界值范围内的数据即表明风电场电网存在该故障；将实时采集到的监测点的电气数据和设备的固有电气信息作为输入判断此时风电场电网是否处于某一类或几类上述故障状态。
相对神经网络的算法，K-means聚类算法数据处理简单，判断快速，但没有自学习自适应能力，比较适合于成熟的、有长时间稳定运行数据积累的风电场。
图7为风电场电网异常及故障类型判断的示意图，图中示出了监测点的数据、数据采集、历史数据和专家诊断输出的结果。
其中，监测点的数据包括风机、风电场、风电场中集电线路和一次设备的电气信息，实时监测的风机、并网点、集电线路和一次设备的电气数据以及录波数据。
风机和风电场的电气信息包括风机制冷类型(如风冷或水冷)、风机容量(如750KW/1.5/2.0/2.5/3.0MW)和升压站等级(如22KV/66KV/110KV/220KV)；风电场中集电线路的电气信息包括线路电压等级(如22KV/35KV/66KV)；一次设备的电气信息包括无功补偿型号(如SVC/SVG/电容器组)。这些电气信息是风电场中线路或设备的固有属性，在风电场搭建初期就已经确定，可直接录入到历史数据库中。
风机、并网点、集电线路和一次设备的电气数据包括电能量的信息(如电压、电流、功率、频率和功率因数等)和电能质量信息(包括电压谐波含有率、电流谐波含有率、电压不平衡度、电流不平衡度和闪变等)。这些电气数据是系统周期性(如1分钟)监测到的数据，即每1分钟存储1次。
故障录波数据为定期存储的包含相对应的监测点位置和故障时间的数据文件。
优选地，风机、并网点、集电线路和一次设备的电气数据和故障录波数据不同于风机、风电场、风电场中集电线路和一次设备的电气信息，其随着电网电能质量的变化在不停的改变，会呈现出不同的数据类型，因此，可以对其进行分类存储，以使某一类的数据表现出的故障类型相似或相同的概率很大。
图中示出的专家诊断输出的故障结果包括：风电场周边及高压送出线路侧谐波超标问题；风电场周边及高压送出线路侧电压波动问题；风电场内线路及一次设备故障；风电场风机单机内部故障；风机网侧器件损坏及异常；风机网侧控制参数与无功补偿设备不匹配；风机网侧滤波电路LC参数选取调整。
优选地，该方法还包括提供各种数据报表、诊断报表；提供不同的管理权限以及各个用户权限能执行的功能设定；连接用户的监控设备(如手机或平板电脑等)，以对风电场进行监控。
本发明实施例提供的风电场电网故障诊断方法，通过在风电场中设立多个监测点，实时监测这些监测点的电气数据，并将采集到的电气数据和风电场中设备的电气信息作为输入，经过神经网络算法或K-means聚类算法的学习得到输出结果，将结果与预设的多种故障类型进行比对，以实现故障类型的快速判断，及时避免了风电场中设备受到损坏的威胁。
实施例三
图8为本发明提供的风电场电网故障诊断装置一个实施例的结构示意图，用于执行如图3所示的方法步骤。如图8所示，该装置包括：数据采集模块810、故障诊断模块820和故障判断模块830。
数据采集模块810，用于周期性监测设置在风电场内多个监测点的电气数据。
故障诊断模块820，用于响应于根据数据采集模块810采集到的各监测点的电气数据分析产生的第一故障判据，提取当前周期内监测得到的各监测点的电气数据，并与当前专家诊断流程形成的多个故障诊断结果对应的电气数据进行相似度值计算。
故障判断模块830，用于将故障诊断模块820生成的多个故障诊断结果对应的电气数据中与当前各监测点的电气数据计算得到的相似度值大于预定相似值的故障诊断结果确定为当前发生的故障的诊断结果。
本发明实施例的风电场电网故障诊断装置，通过在风电场中设立多个监测点，实时监测这些监测点的电气数据，并将采集到的电气数据与预设的多种故障类型进行比对，以实现故障类型的快速判断，及时避免了风电场中设备受到损坏的威胁。
实施例四
图9为本发明提供的第一故障判据生成装置一个实施例的结构示意图，用于执行如图4所示的方法步骤。如图9所示，该装置包括：电压监测模块840和故障判据生成模块850。
电压监测模块840，用于周期性监测风电场的并网点电压以及风电场内各单台风机上的监测点电压。
故障判据生成模块850，用于如果电压监测模块840监测到风电场的并网点电压总谐波含有率大于第一阈值且小于第二阈值，同时风电场中任一单台风机的监测点电压2次谐波含有率大于第三阈值，且后者数据状态持续时长小于第一预定周期，则确定产生一个第一故障判据。
本发明实施例提供的第一故障判据生成装置，对采集到的风电场的并网点电压总谐波含有率和风电场内各单台风机处2次谐波含有率进行分析，判断是否产生第一故障判据。
实施例五
图10为本发明提供的专家诊断装置的一个实施例的结构示意图，用于执行如图5所示的方法步骤。如图10所示，该装置包括数据存储模块860和故障关联模块870。
数据存储模块860，用于定期存储多个监测点的电气数据，以及响应于根据所述各监测点的电气数据分析产生的第二故障判据，在各监测点获取的故障录波数据。
故障关联模块870，用于将数据存储模块860定期存储的多个监测点的电气数据、各监测点的故障录波数据以及各监测点的电气信息与预设的多个故障诊断结果进行专家诊断流程的学习，形成多个故障诊断结果与电气数据间的对应关系。
进一步地，根据各监测点的电气数据分析产生的第二故障判据，在各监测点获取故障录波数据包括：响应于根据各监测点的电气数据分析产生的谐波电流含有率超标、三相电压和/或电流不平衡的第二故障判据，在各监测点获取故障录波数据，故障录波数据为在出现第二故障判据时，各监测点对应的电气数据。
进一步地，专家诊断流程的学习包括：采用神经网络算法或聚类算法进行多个故障诊断结果与电气数据间的对应关系的学习。
优选地，风电场电网故障诊断装置还可以包括分析报表模块和用户权限管理模块。
分析报表模块，用于提供各种数据报表、诊断报表。
用户权限管理模块，用于提供不同的管理权限以及各个用户权限能执行的功能设定。
风电场监控模块，用于连接用户的监控设备，以对风电场进行监控。
本发明实施例提供的风电场电网专家诊断装置，通过在风电场中设立多个监测点，实时监测这些监测点的电气数据，并将采集到的电气数据和风电场中设备的电气信息作为输入，经过神经网络算法或K-means聚类算法的学习得到输出结果，将结果与预设的多种故障类型进行比对，以实现故障类型的快速判断，及时避免了风电场中设备受到损坏的威胁。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种风电场电网故障诊断方法，其特征在于，所述方法包括：
周期性监测设置在风电场内多个监测点的电气数据；
响应于根据所述各监测点的电气数据分析产生的第一故障判据，提取当前周期内监测得到的各监测点的电气数据，并与当前专家诊断流程形成的多个故障诊断结果对应的电气数据进行相似度值计算；
将所述多个故障诊断结果对应的电气数据中与当前各监测点的电气数据计算得到的相似度值大于预定相似值的故障诊断结果确定为当前发生的故障的诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述设置在风电场内多个监测点包括：设置在风电场内并网点、风机、集电线路、关键设备上的监测点。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
周期性监测风电场的并网点电压以及风电场内各单台风机上的监测点电压；
如果监测到风电场的并网点电压总谐波含有率大于第一阈值且小于第二阈值，同时风电场中任一单台风机的监测点电压2次谐波含有率大于第三阈值，且后者数据状态持续时长小于第一预定周期，则确定产生一个所述第一故障判据。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
定期存储所述多个监测点的电气数据，以及响应于根据所述各监测点的电气数据分析产生的第二故障判据，在各监测点获取的故障录波数据；
将所述定期存储所述多个监测点的电气数据、各监测点的所述故障录波数据以及各监测点的电气信息与预设的所述多个故障诊断结果进行所述专家诊断流程的学习，形成多个故障诊断结果与电气数据间的对应关系。
5.根据权利要求4所述的方法，其特征在于，所述根据所述各监测点的电气数据分析产生的第二故障判据，在各监测点获取故障录波数据包括：
响应于根据所述各监测点的电气数据分析产生的谐波电流含有率超标、三相电压和/或电流不平衡的所述第二故障判据，在各监测点获取故障录波数据，所述故障录波数据为在出现所述第二故障判据时，各监测点对应的电气数据。
6.根据权利要求4所述的方法，其特征在于，所述专家诊断流程的学习包括：
采用神经网络算法或聚类算法进行所述多个故障诊断结果与电气数据间的对应关系的学习。
7.一种风电场电网故障诊断装置，其特征在于，所述装置包括：
数据采集模块，用于周期性监测设置在风电场内多个监测点的电气数据；
故障诊断模块，用于响应于根据所述各监测点的电气数据分析产生的第一故障判据，提取当前周期内监测得到的各监测点的电气数据，并与当前专家诊断流程形成的多个故障诊断结果对应的电气数据进行相似度值计算；
故障判断模块，用于将所述多个故障诊断结果对应的电气数据中与当前各监测点的电气数据计算得到的相似度值大于预定相似值的故障诊断结果确定为当前发生的故障的诊断结果。
8.根据权利要求7所述的装置，其特征在于，所述设置在风电场内多个监测点包括：设置在风电场内并网点、风机、集电线路、关键设备上的监测点。
9.根据权利要求7或8所述的装置，其特征在于，所述装置还包括：
电压监测模块，用于周期性监测风电场的并网点电压以及风电场内各单台风机上的监测点电压；
故障判据生成模块，用于如果监测到风电场的并网点电压总谐波含有率大于第一阈值且小于第二阈值，同时风电场中任一单台风机的监测点电压2次谐波含有率大于第三阈值，且后者数据状态持续时长小于第一预定周期，则确定产生一个所述第一故障判据。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
数据存储模块，用于定期存储所述多个监测点的电气数据，以及响应于根据所述各监测点的电气数据分析产生的第二故障判据，在各监测点获取的故障录波数据；
故障关联模块，用于将所述定期存储所述多个监测点的电气数据、各监测点的所述故障录波数据以及各监测点的电气信息与预设的所述多个故障诊断结果进行所述专家诊断流程的学习，形成多个故障诊断结果与电气数据间的对应关系。
11.根据权利要求10所述的装置，其特征在于，所述根据所述各监测点的电气数据分析产生的第二故障判据，在各监测点获取故障录波数据包括：
响应于根据所述各监测点的电气数据分析产生的谐波电流含有率超标、三相电压和/或电流不平衡的所述第二故障判据，在各监测点获取故障录波数据，所述故障录波数据为在出现所述第二故障判据时，各监测点对应的电气数据。
12.根据权利要求11所述的装置，其特征在于，所述专家诊断流程的学习包括：
采用神经网络算法或聚类算法进行所述多个故障诊断结果与电气数据间的对应关系的学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510927653.9A CN105403811B (zh) | 2015-12-14 | 2015-12-14 | 风电场电网故障诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510927653.9A CN105403811B (zh) | 2015-12-14 | 2015-12-14 | 风电场电网故障诊断方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105403811A true CN105403811A (zh) | 2016-03-16 |
| CN105403811B CN105403811B (zh) | 2018-09-11 |
Family
ID=55469416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510927653.9A Active CN105403811B (zh) | 2015-12-14 | 2015-12-14 | 风电场电网故障诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105403811B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
| CN106899591A (zh) * | 2017-02-27 | 2017-06-27 | 安徽节源环保科技有限公司 | 一种基于无线通信协议的风机能效检测系统和方法 |
| CN107860969A (zh) * | 2017-09-27 | 2018-03-30 | 北京金风科创风电设备有限公司 | 风力发电机组电能信息采集装置、系统和方法 |
| 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 |
| CN110244181A (zh) * | 2019-06-26 | 2019-09-17 | 中国电力工程顾问集团中南电力设计院有限公司 | 海上风电场集电线路海缆电气故障定位方法及其装置 |
| CN110688809A (zh) * | 2019-09-05 | 2020-01-14 | 西安理工大学 | 一种基于vprs-rbf神经网络的箱变故障诊断方法 |
| CN111308260A (zh) * | 2020-04-16 | 2020-06-19 | 山东卓文信息科技有限公司 | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 |
| CN111537836A (zh) * | 2020-05-15 | 2020-08-14 | 国网山东省电力公司济宁供电公司 | 基于录波数据的配电网故障自动诊断方法及系统 |
| CN111562447A (zh) * | 2020-05-18 | 2020-08-21 | 国网江苏省电力有限公司无锡供电分公司 | 一种高压架空输电线路电压等级识别系统及方法 |
| CN111812504A (zh) * | 2019-04-10 | 2020-10-23 | 北京金风科创风电设备有限公司 | 风力发电机组故障诊断方法及系统 |
| CN112145369A (zh) * | 2019-06-28 | 2020-12-29 | 北京金风科创风电设备有限公司 | 风力发电机组的测风系统的故障诊断方法及装置 |
| CN112271698A (zh) * | 2020-10-12 | 2021-01-26 | 许继电气股份有限公司 | 风电厂集电线路及箱变的综合保护系统及方法 |
| CN112308470A (zh) * | 2020-12-28 | 2021-02-02 | 北京隆普智能科技有限公司 | 一种风电并网频率响应异常监测方法及系统 |
| CN112766831A (zh) * | 2021-04-08 | 2021-05-07 | 南京上古网络科技有限公司 | 一种应用于电力行业的数据处理系统及方法 |
| CN113158705A (zh) * | 2020-01-07 | 2021-07-23 | 株洲中车时代电气股份有限公司 | 风机故障预测与健康管理装置和方法 |
| CN113238890A (zh) * | 2021-07-12 | 2021-08-10 | 国网江西省电力有限公司电力科学研究院 | 基于动态记录数据的电流采样回路异常诊断方法及装置 |
| CN113779328A (zh) * | 2021-08-11 | 2021-12-10 | 邹平市供电有限公司 | 供电监测数据整合处理方法、系统、终端及存储介质 |
| CN114489015A (zh) * | 2022-01-27 | 2022-05-13 | 东风商用车有限公司 | 一种基于车载控制器系统的故障诊断系统和方法 |
| CN115454954A (zh) * | 2022-08-31 | 2022-12-09 | 上海移柯通信技术股份有限公司 | 数据处理方法、系统、装置及电子设备 |
| CN115588265A (zh) * | 2022-12-12 | 2023-01-10 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101487865A (zh) * | 2008-01-16 | 2009-07-22 | 西门子公司 | 故障诊断方法和故障诊断系统 |
| US20100235119A1 (en) * | 2008-09-30 | 2010-09-16 | Vestas Wind Systems A/S | Logical scheme for severe fault detection |
| CN103245912A (zh) * | 2013-03-23 | 2013-08-14 | 中国水利电力物资有限公司 | 一种风电机组运行状态分析诊断方法和系统 |
| US20140067327A1 (en) * | 2011-05-03 | 2014-03-06 | China Real-Time Technology Co., Ltd. | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
| CN103795087A (zh) * | 2014-02-20 | 2014-05-14 | 国电南瑞科技股份有限公司 | 一种微电网平滑同期并网控制方法 |
| CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
-
2015
- 2015-12-14 CN CN201510927653.9A patent/CN105403811B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101487865A (zh) * | 2008-01-16 | 2009-07-22 | 西门子公司 | 故障诊断方法和故障诊断系统 |
| US20100235119A1 (en) * | 2008-09-30 | 2010-09-16 | Vestas Wind Systems A/S | Logical scheme for severe fault detection |
| US20140067327A1 (en) * | 2011-05-03 | 2014-03-06 | China Real-Time Technology Co., Ltd. | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
| CN103245912A (zh) * | 2013-03-23 | 2013-08-14 | 中国水利电力物资有限公司 | 一种风电机组运行状态分析诊断方法和系统 |
| CN103795087A (zh) * | 2014-02-20 | 2014-05-14 | 国电南瑞科技股份有限公司 | 一种微电网平滑同期并网控制方法 |
| CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 郭鑫: ""风力发电机组在线监控系统研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
| CN106899591A (zh) * | 2017-02-27 | 2017-06-27 | 安徽节源环保科技有限公司 | 一种基于无线通信协议的风机能效检测系统和方法 |
| CN107860969A (zh) * | 2017-09-27 | 2018-03-30 | 北京金风科创风电设备有限公司 | 风力发电机组电能信息采集装置、系统和方法 |
| 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 |
| CN111812504A (zh) * | 2019-04-10 | 2020-10-23 | 北京金风科创风电设备有限公司 | 风力发电机组故障诊断方法及系统 |
| CN110244181A (zh) * | 2019-06-26 | 2019-09-17 | 中国电力工程顾问集团中南电力设计院有限公司 | 海上风电场集电线路海缆电气故障定位方法及其装置 |
| CN110244181B (zh) * | 2019-06-26 | 2021-08-13 | 中国电力工程顾问集团中南电力设计院有限公司 | 海上风电场集电线路海缆电气故障定位方法及其装置 |
| CN112145369A (zh) * | 2019-06-28 | 2020-12-29 | 北京金风科创风电设备有限公司 | 风力发电机组的测风系统的故障诊断方法及装置 |
| CN110688809A (zh) * | 2019-09-05 | 2020-01-14 | 西安理工大学 | 一种基于vprs-rbf神经网络的箱变故障诊断方法 |
| CN110688809B (zh) * | 2019-09-05 | 2023-06-09 | 西安理工大学 | 一种基于vprs-rbf神经网络的箱变故障诊断方法 |
| CN113158705A (zh) * | 2020-01-07 | 2021-07-23 | 株洲中车时代电气股份有限公司 | 风机故障预测与健康管理装置和方法 |
| CN111308260A (zh) * | 2020-04-16 | 2020-06-19 | 山东卓文信息科技有限公司 | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 |
| CN111537836A (zh) * | 2020-05-15 | 2020-08-14 | 国网山东省电力公司济宁供电公司 | 基于录波数据的配电网故障自动诊断方法及系统 |
| CN111562447B (zh) * | 2020-05-18 | 2022-07-15 | 国网江苏省电力有限公司无锡供电分公司 | 一种高压架空输电线路电压等级识别系统及方法 |
| CN111562447A (zh) * | 2020-05-18 | 2020-08-21 | 国网江苏省电力有限公司无锡供电分公司 | 一种高压架空输电线路电压等级识别系统及方法 |
| CN112271698A (zh) * | 2020-10-12 | 2021-01-26 | 许继电气股份有限公司 | 风电厂集电线路及箱变的综合保护系统及方法 |
| CN112271698B (zh) * | 2020-10-12 | 2022-11-15 | 许继电气股份有限公司 | 风电厂集电线路及箱变的综合保护系统及方法 |
| CN112308470A (zh) * | 2020-12-28 | 2021-02-02 | 北京隆普智能科技有限公司 | 一种风电并网频率响应异常监测方法及系统 |
| CN112766831A (zh) * | 2021-04-08 | 2021-05-07 | 南京上古网络科技有限公司 | 一种应用于电力行业的数据处理系统及方法 |
| CN113238890B (zh) * | 2021-07-12 | 2021-11-19 | 国网江西省电力有限公司电力科学研究院 | 基于动态记录数据的电流采样回路异常诊断方法及装置 |
| CN113238890A (zh) * | 2021-07-12 | 2021-08-10 | 国网江西省电力有限公司电力科学研究院 | 基于动态记录数据的电流采样回路异常诊断方法及装置 |
| CN113779328A (zh) * | 2021-08-11 | 2021-12-10 | 邹平市供电有限公司 | 供电监测数据整合处理方法、系统、终端及存储介质 |
| CN113779328B (zh) * | 2021-08-11 | 2023-10-31 | 邹平市供电有限公司 | 供电监测数据整合处理方法、系统、终端及存储介质 |
| CN114489015A (zh) * | 2022-01-27 | 2022-05-13 | 东风商用车有限公司 | 一种基于车载控制器系统的故障诊断系统和方法 |
| CN115454954A (zh) * | 2022-08-31 | 2022-12-09 | 上海移柯通信技术股份有限公司 | 数据处理方法、系统、装置及电子设备 |
| CN115588265A (zh) * | 2022-12-12 | 2023-01-10 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视系统 |
| CN115588265B (zh) * | 2022-12-12 | 2023-04-07 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105403811B (zh) | 2018-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105403811A (zh) | 风电场电网故障诊断方法和装置 | |
| CN103400302B (zh) | 一种风电基地连锁故障风险感知预警方法 | |
| CN104156892A (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
| CN104392056A (zh) | 一种直驱风电机组建模方法及装置 | |
| Meenakshi et al. | Power Quality Monitoring of a Photovoltaic System Through IoT | |
| CN106093636A (zh) | 智能电网的二次设备的模拟量校核方法以及装置 | |
| Chao et al. | A comprehensive review on dynamic equivalent modeling of large photovoltaic power plants | |
| Xie et al. | Massively digitized power grid: opportunities and challenges of use-inspired AI | |
| Khaledian et al. | Automated event region identification and its data-driven applications in behind-the-meter solar farms based on micro-PMU measurements | |
| Ma et al. | An evaluation method for bus and grid structure based on voltage sags/swells using voltage ellipse parameters | |
| He et al. | An overview on wind farm modelling for power system stability studies | |
| CN105139263A (zh) | 一种基于wams数据的风电场无功电压水平评估方法及其系统 | |
| Vyas et al. | Unsupervised learning in islanding studies: Applicability study for predictive detection in high solar PV penetration distribution feeders | |
| Guan et al. | Enhancing security and resilience of bulk power systems via multisource big data learning | |
| Agreira et al. | Probabilistic steady-state security assessment of an electric power system using a Monte Carlo approach | |
| CN107123062B (zh) | 一种配电网运行风险控制系统 | |
| Liang et al. | Standalone condition diagnosing of fuel cell in microgrid composed of wind turbine/fuel cell/combined heat & power using Variational Mode Decomposition analysis model | |
| CN113162118A (zh) | 一种风力发电机组海上低压穿越检测方法 | |
| KR20180002329A (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
| CN105515043A (zh) | 风电场电网、风机和网络的故障预警方法、装置及系统 | |
| Dyamond et al. | Detecting anomalous events for a grid connected pv power plant using sensor data | |
| Morato et al. | Dealing with energy-generation faults to improve the resilience of microgrids: a survey | |
| Dimitrovska et al. | Transient stability contingency screening and ranking based on data mining | |
| Qu et al. | A novel identification and location method for transient power quality disturbance sources | |
| Piwko et al. | Field testing and model validation of wind plants |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |