CN107742053B - 风电机组异常识别方法及装置 - Google Patents

风电机组异常识别方法及装置 Download PDF

Info

Publication number
CN107742053B
CN107742053B CN201711210812.9A CN201711210812A CN107742053B CN 107742053 B CN107742053 B CN 107742053B CN 201711210812 A CN201711210812 A CN 201711210812A CN 107742053 B CN107742053 B CN 107742053B
Authority
CN
China
Prior art keywords
power
wind speed
turbine generator
wind turbine
data
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.)
Active
Application number
CN201711210812.9A
Other languages
English (en)
Other versions
CN107742053A (zh
Inventor
周慧
宋鹏
杨伟新
徐永飞
张海军
王正宇
柳玉
苏国军
金玲
张扬帆
杜军
刘敬智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUOHUA (HEBEI) NEW ENERGY CO Ltd
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
State Grid Jibei Electric Power Co Ltd
Original Assignee
GUOHUA (HEBEI) NEW ENERGY CO Ltd
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
State Grid Jibei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUOHUA (HEBEI) NEW ENERGY CO Ltd, State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd, State Grid Jibei Electric Power Co Ltd filed Critical GUOHUA (HEBEI) NEW ENERGY CO Ltd
Priority to CN201711210812.9A priority Critical patent/CN107742053B/zh
Publication of CN107742053A publication Critical patent/CN107742053A/zh
Application granted granted Critical
Publication of CN107742053B publication Critical patent/CN107742053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供了一种风电机组异常识别方法及装置，所述识别方法包含：获得风电机组正常运行的常规风速和功率数据；根据所述常规风速和功率数据建立风速功率坐标系，对所述风速功率坐标系以预定区间进行分档处理，获得复数档风速功率数据；对所述复数档风速功率数据中每一档风速功率数据进行拟合，获得风速功率模型；根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差；根据所述功率绝对误差的平均值和所述功率绝对误差的标准差确定告警阈值；将所述待测风电机组的功率数据带入所述风速功率模型并计算获得所述待测风电机组的功率绝对误差，将所述待测风电机组的功率绝对误差与所述告警阈值比较，根据比较结果输出待测风电机组的状态信息。

Description

风电机组异常识别方法及装置
技术领域
本发明涉及风电领域，尤指一种风电机组异常识别方法及装置。
背景技术
随着全球能源紧缺，环境污染加重，在电力行业，传统火力发电方式的弊端愈加显现，寻求替代能源，加速电力改革已成为必然发展趋势。其中，风能作为一种可再生清洁能源，在国家政策的支持下，装机总量连年指数式增长，商业化发展前景广阔。然而在整体态势一片大好的情况下，风电机组单机性能的优化却一直停滞不前。不稳定的运行状态、频繁的故障不仅降低了风能利用率，而且威胁到了机组的安全可靠运行，同时增加了检修维护成本。如果能够提前发现机组故障前的异常运行状态，及时采取有效措施，无论是延长机组寿命，还是提高发电效益都是十分有益的。
功率作为风电机组的最终出力，如果机组的状态出现异常，难免会对功率产生或多或少的影响。机组的运行状态可以通过实际功率输出与理论功率输出(正常运行功率输出)对比分析进行判断。对具有大量数据的对象通过绘制散点图可以快速发现其相互关系和差异性。由空气动力学理论可知风机的输出功率与风速的立方成正比，然而在实际发电过程中两者并不是严格的立方关系，为了提高风能利用率，风机在切入风速之后、额定风速之前按照最佳功率系数(Cp)运行，同时由于风机载荷的限制，功率不会随着风速的变大而无限增加，在到达额定风速之后，风机按照额定功率运行直至达到切出风速切出。因此，风速与功率的关系很难通过确定的函数形式定量描述。
发明内容
功率作为风电机组的最终输出指标，蕴含着机组整体的运行信息。由于风机的控制策略复杂，功率随着风速工况的变化规律很难通过确定的函数关系来表达。同时，风速的随机不稳定性使得输出功率具有一定的波动性，且不同的风速区间，输出功率的波动性差别很大；因此，本发明目的在于准确地描述风速与功率的确定性关系，提出一种基于功率散点的风电机组整体异常识别模型，通过输出功率的时序变化趋势对机组整体的运行状态进行监测，及时发现机组的异常状况。
为达上述目的，本发明具体提供一种风电机组异常识别方法，所述识别方法包含：获得风电机组正常运行的常规风速和功率数据；根据所述常规风速和功率数据建立风速功率坐标系，对所述风速功率坐标系以预定区间进行分档处理，获得复数档风速功率数据；对所述复数档风速功率数据中每一档风速功率数据进行拟合，获得风速功率模型；根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差；根据所述功率绝对误差的平均值和所述功率绝对误差的标准差确定告警阈值；将所述待测风电机组的功率数据带入所述风速功率模型并计算获得所述待测风电机组的功率绝对误差，将所述待测风电机组的功率绝对误差与所述告警阈值比较，根据比较结果输出待测风电机组的状态信息。
在上述风电机组异常识别方法中，优选的，对所述风速功率坐标系以预定区间进行分档处理包含：以风速0.5m/s每档对所述风速功率坐标系进行分档。
在上述风电机组异常识别方法中，优选的，所述根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差包含：根据所述风速功率模型，结合SPC技术，以功率绝对误差为随机变量，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差。
在上述风电机组异常识别方法中，优选的，所述计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差包含：对所述风速功率模型以预定区间进行分档处理，获得复数档风速功率模型，分别计算所述复数档风速功率模型所对应的功率绝对误差，根据所述功率绝对误差计算获得所述复数档风速功率模型的功率绝对误差的均值和方差，根据所述功率绝对误差的均值获得所述功率绝对误差的平均值，根据所述功率绝对误差的方差获得所述功率绝对误差的标准差。
在上述风电机组异常识别方法中，优选的，所述分别计算所述复数档风速功率模型所对应的功率绝对误差还包含：通过以下公式对所述待测风电机组的功率绝对误差进行标准化：
Figure BDA0001484557600000031
在上式中，P't为t时刻标准化后的功率绝对误差，Pt为t时刻功率绝对误差，μt和σt分别为t时刻功率绝对误差对应风速区间内功率绝对误差的平均值与标准差，t为待测风电机组的功率数据的时间点。
在上述风电机组异常识别方法中，优选的，所述告警阈值包含报警上限、警告上限、警告下限和报警下限；其中所述报警上限为所述功率绝对误差的平均值与三倍所述功率绝对误差的标准差的和；所述警告上限为所述功率绝对误差的平均值与两倍所述功率绝对误差的标准差的和；所述警告下限为所述功率绝对误差的平均值与两倍所述功率绝对误差的标准差的差；所述报警下限为所述功率绝对误差的平均值与三倍所述功率绝对误差的标准差的差。
本发明还提供一种风电机组异常识别装置，所述识别装置包含：数据获取模块、模型建立模块、计算模块和告警模块；所述数据获取模块用于获得风电机组正常运行的常规风速和功率数据；所述模型建立模块与所述数据获取模块相连，用于根据所述常规风速和功率数据建立风速功率坐标系，对所述风速功率坐标系以预定区间进行分档处理，获得复数档风速功率数据；对所述复数档风速功率数据中每一档风速功率数据进行最小二乘线性拟合，获得风速功率模型；所述计算模块与所述模型建立模块相连，用于根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差；根据所述功率绝对误差的平均值和所述功率绝对误差的标准差确定告警阈值；所述告警模块与所述计算模块相连，用于将所述待测风电机组的功率数据带入所述风速功率模型并计算获得所述待测风电机组的功率绝对误差，将所述待测风电机组的功率绝对误差与所述告警阈值比较，根据比较结果输出待测风电机组的状态信息。
在上述风电机组异常识别装置中，优选的，所述计算模块还包含：根据所述风速功率模型，结合SPC技术，以功率绝对误差为随机变量，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差。
在上述风电机组异常识别装置中，优选的，所述计算模块还包含功率绝对误差获取单元，所述功率绝对误差获取单元与所述模型建立模块相连，用于对所述风速功率模型以预定区间进行分档处理，获得复数档风速功率模型，分别计算所述复数档风速功率模型所对应的功率绝对误差，根据所述功率绝对误差计算获得所述复数档风速功率模型的功率绝对误差的均值和方差，根据所述功率绝对误差的均值获得所述功率绝对误差的平均值，根据所述功率绝对误差的方差获得所述功率绝对误差的标准差。
在上述风电机组异常识别装置中，优选的，所述告警模块还包含标准化单元，所述标准化单元与所述功率绝对误差获取单元相连，用于通过以下公式对所述待测风电机组的功率绝对误差进行标准化：
Figure BDA0001484557600000041
在上式中，P't为t时刻标准化后的功率绝对误差，Pt为t时刻功率绝对误差，μt和σt分别为t时刻功率绝对误差对应风速区间内功率绝对误差的平均值与标准差，t为待测风电机组的功率数据的时间点。
本发明的有益技术效果在于：通过对功率散点分区间建模，以功率绝对误差作为随机变量，结合过程控制技术对机组运行状态进行判断，提高了机组异常识别的精度。异常状态的准确识别有利于工作人员及时做出停机指令或者其它有效措施，减少异常运行对机组造成的损坏，从而延长机组寿命，同时降低机组检修维护成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明所提供的风电机组异常识别方法流程示意图；
图2为本发明所提供的风电机组异常识别装置结构示意图；
图3为现有技术中的风速功率模型；
图4为本发明所提供的风速功率模型；
图5为本发明一优选实施例中所提供的风电机组异常识别方法流程示意图；
图6为本发明所提供的风电机组异常识别方法得出的功率输出仿真值和实际值对比图；
图7为本发明所提供的风电机组异常识别方法统计过程控制图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
请参考图1所示，本发明具体提供一种风电机组异常识别方法，所述识别方法包含：S101获得风电机组正常运行的常规风速和功率数据；S102根据所述常规风速和功率数据建立风速功率坐标系，对所述风速功率坐标系以预定区间进行分档处理，获得复数档风速功率数据；S103对所述复数档风速功率数据中每一档风速功率数据进行拟合，获得风速功率模型；S104根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差；S105根据所述功率绝对误差的平均值和所述功率绝对误差的标准差确定告警阈值；S106将所述待测风电机组的功率数据带入所述风速功率模型并计算获得所述待测风电机组的功率绝对误差，将所述待测风电机组的功率绝对误差与所述告警阈值比较，根据比较结果输出待测风电机组的状态信息。其中，对所述风速功率坐标系以预定区间进行分档处理包含：以风速0.5m/s每档对所述风速功率坐标系进行分档。以此，在额定风速之前，功率输出随着风速的变大而增加，即使在小的0.5m/s的风速区间，功率亦有变化。同样依据正常运行的风速-功率散点，把0.5m/s区间内的风速与功率看作是线性关系，分别进行最小二乘线性拟合，在得到两者量化关系的同时，使得功率的变化平缓连续，更加符合实际的风机出力；具体可参见图3及图4所示，本发明所提供的风速功率模型明显数据更为平滑连续，且波动较小。
值得说明的是，在上述实施例中，所述步骤S101在实际工作中具体可采集某风电场某一风电机组正常运行的风速、功率数据，其中以下几种情况的数据应予以剔除：风电机组故障停机；风电机组维护停机；风速在切入风速以下，风电机组没有并网；风速超出切出风速，风机脱网；风电机组启机过程以及启机之后的一段时间，这时有可能齿轮箱温度过低，风机自动处于限功率状态；风电机组停机过程；风电机组人为限功率状态；故障发生前一段时间(数据不是正常运行数据)。另外，正常运行数据应均匀覆盖机组所有运行工况。所述步骤S103中，对所述复数档风速功率数据中每一档风速功率数据进行拟合可采用最小二乘线性拟合，也或者为其他拟合建模方式，本发明在此并不做过多限制。
在上述步骤S104中进一步包含：根据所述风速功率模型，结合SPC技术，以功率绝对误差为随机变量，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差。其中，所述计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差包含：对所述风速功率模型以预定区间进行分档处理，获得复数档风速功率模型，分别计算所述复数档风速功率模型所对应的功率绝对误差，根据所述功率绝对误差计算获得所述复数档风速功率模型的功率绝对误差的均值和方差，根据所述功率绝对误差的均值获得所述功率绝对误差的平均值，根据所述功率绝对误差的方差获得所述功率绝对误差的标准差。
在上述实施例中，正常运行的模型建立之后，计算每个风速区间的功率绝对误差，结合SPC技术，以功率绝对误差为随机变量，计算各个风速区间内功率绝对误差的平均值(μ)与标准差(σ)，以此为基础，本发明依据统计过程控制技术确定阈值上下限；由此，所述告警阈值包含报警上限、警告上限、警告下限和报警下限；其中所述报警上限为所述功率绝对误差的平均值与三倍所述功率绝对误差的标准差的和，即μ+3σ；所述警告上限为所述功率绝对误差的平均值与两倍所述功率绝对误差的标准差的和，即μ+2σ；所述警告下限为所述功率绝对误差的平均值与两倍所述功率绝对误差的标准差的差，即μ-2σ；所述报警下限为所述功率绝对误差的平均值与三倍所述功率绝对误差的标准差的差，即μ-3σ。
在实际工作中，风速的波动性使得每个区间的功率绝对误差差异较大，为了能够反应风机状态随时间变化的趋势，在本发明一优选的实施例中还提供通过以下公式对所述待测风电机组的功率绝对误差进行标准化：
Figure BDA0001484557600000061
在上式中，P't为t时刻标准化后的功率绝对误差，Pt为t时刻功率绝对误差，μt和σt分别为t时刻功率绝对误差对应风速区间内功率绝对误差的平均值与标准差，t为待测风电机组的功率数据的时间点。经过标准化处理后，每个风速区间内功率绝对误差的均值和方差分别为0和1，这样就可以在控制图中直观地分析机组状态随时间变化的趋势。
根据本发明所提供的风电机组异常识别方法及统计学理论，随机变量有99.7％的概率在报警限以内，有95.4％的概率在警告限以内；为此，按照功率散点的时序发展趋势，当有足够数量的散点越过相应界限时，则判定机组处于异常状态运行；由此，将本发明运用到实际工作中，具体流程可如图5所示。
风电机组各部件故障是其异常运行的主要影响因素，在主控控制算法不变的情况下，对其异常状态识别也可以理解为对渐进故障前状态的识别(所述渐进故障是指具有一定发展过程的故障，并在功率输出上能表现出来，不包括突发故障)；以下通过具体实例结合本发明所提供的风电机组异常识别方法阐述此类故障前异常状态的识别过程；首先采集现场风电机组的正常运行风速功率数据，按照本发明提出的分段最小二乘线性拟合建模，将风电机组正常运行时的风速功率数据输入上述模型对模型进行仿真，得到输出功率值如图6所示，由图6可以看出，仿真值虽然与实际值有一定偏差，但基本的变化趋势相同，可以保证模型对正常运行数据的仿真输出质量；然后求取相应参数并与现有方法对比如下表1所示：
表1
Figure BDA0001484557600000071
对上述两种方法(现有方法及本发明所提供的风电机组异常识别方法)的数据标准化并作统计过程控制图，同时采集现场故障前数据；其中，故障类型为3#变桨位置传感器故障，故障时间为2015年5月13号10:08:49，数据采集周期为7秒。将故障前两分钟数据，输入控制图中，观察输出功率和功率绝对误差走势，如图7所示。
由图7可以看出，虽然功率与功率绝对误差在同一时间跳出了阈值，但明显功率绝对误差的变化幅度比功率大，其对潜在故障更加敏感，异常状态的识别能力更强，因此本发明提出的异常识别方法精度更高；下面计算相应变量的平均绝对误差(mae)以及均方差(mse)作定量分析，如下表2所示：
表2
Figure BDA0001484557600000081
由上表2可以看出，本发明所提方法的两个指标比现有方法都要高，说明以故障前测点数据作为输入，本发明所提模型的输出值与正常运行模型输出值的偏差更大，其对故障前异常状态的识别能力更强。
请参考图2所示，本发明还提供一种风电机组异常识别装置，所述识别装置包含：数据获取模块、模型建立模块、计算模块和告警模块；所述数据获取模块用于获得风电机组正常运行的常规风速和功率数据；所述模型建立模块与所述数据获取模块相连，用于根据所述常规风速和功率数据建立风速功率坐标系，对所述风速功率坐标系以预定区间进行分档处理，获得复数档风速功率数据；对所述复数档风速功率数据中每一档风速功率数据进行最小二乘线性拟合，获得风速功率模型；所述计算模块与所述模型建立模块相连，用于根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差；根据所述功率绝对误差的平均值和所述功率绝对误差的标准差确定告警阈值；所述告警模块与所述计算模块相连，用于将所述待测风电机组的功率数据带入所述风速功率模型并计算获得所述待测风电机组的功率绝对误差，将所述待测风电机组的功率绝对误差与所述告警阈值比较，根据比较结果输出待测风电机组的状态信息。
在上述风电机组异常识别装置中，优选的，所述计算模块还包含：根据所述风速功率模型，结合SPC技术，以功率绝对误差为随机变量，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差。
在上述风电机组异常识别装置中，优选的，所述计算模块还包含功率绝对误差获取单元，所述功率绝对误差获取单元与所述模型建立模块相连，用于对所述风速功率模型以预定区间进行分档处理，获得复数档风速功率模型，分别计算所述复数档风速功率模型所对应的功率绝对误差，根据所述功率绝对误差计算获得所述复数档风速功率模型的功率绝对误差的均值和方差，根据所述功率绝对误差的均值获得所述功率绝对误差的平均值，根据所述功率绝对误差的方差获得所述功率绝对误差的标准差。
在上述风电机组异常识别装置中，优选的，所述告警模块还包含标准化单元，所述标准化单元与所述功率绝对误差获取单元相连，用于通过以下公式对所述待测风电机组的功率绝对误差进行标准化：
Figure BDA0001484557600000091
在上式中，P't为t时刻标准化后的功率绝对误差，Pt为t时刻功率绝对误差，μt和σt分别为t时刻功率绝对误差对应风速区间内功率绝对误差的平均值与标准差，t为待测风电机组的功率数据的时间点。
本发明的有益技术效果在于：通过对功率散点分区间最小二乘线性拟合建模，以功率绝对误差作为随机变量，结合过程控制技术对机组运行状态进行判断，提高了机组异常识别的精度。异常状态的准确识别有利于工作人员及时做出停机指令或者其它有效措施，减少异常运行对机组造成的损坏，从而延长机组寿命，同时降低机组检修维护成本。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种风电机组异常识别方法，其特征在于，所述识别方法包含：
获得风电机组正常运行的常规风速和功率数据；
根据所述常规风速和功率数据建立风速功率坐标系，对所述风速功率坐标系以预定区间进行分档处理，获得复数档风速功率数据；
对所述复数档风速功率数据中每一档风速功率数据进行拟合，获得风速功率模型；
根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差；
根据所述功率绝对误差的平均值和所述功率绝对误差的标准差确定告警阈值；
将待测风电机组的功率数据带入所述风速功率模型并计算获得所述待测风电机组的功率绝对误差，将所述待测风电机组的功率绝对误差与所述告警阈值比较，根据比较结果输出待测风电机组的状态信息；
所述根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差包含：根据所述风速功率模型，结合SPC技术，以功率绝对误差为随机变量，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差。
2.根据权利要求1所述的风电机组异常识别方法，其特征在于，对所述风速功率坐标系以预定区间进行分档处理包含：以风速0.5m/s每档对所述风速功率坐标系进行分档。
3.根据权利要求1所述的风电机组异常识别方法，其特征在于，所述计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差包含：对所述风速功率模型以预定区间进行分档处理，获得复数档风速功率模型，分别计算所述复数档风速功率模型所对应的功率绝对误差，根据所述功率绝对误差计算获得所述复数档风速功率模型的功率绝对误差的均值和方差，根据所述功率绝对误差的均值获得所述功率绝对误差的平均值，根据所述功率绝对误差的方差获得所述功率绝对误差的标准差。
4.根据权利要求3所述的风电机组异常识别方法，其特征在于，将所述待测风电机组的功率数据带入所述风速功率模型并计算获得所述待测风电机组的功率绝对误差还包含：通过以下公式对所述待测风电机组的功率绝对误差进行标准化：
Figure FDA0002639347930000021
在上式中，P't为t时刻标准化后的功率绝对误差，Pt为t时刻功率绝对误差，μt和σt分别为t时刻功率绝对误差对应风速区间内功率绝对误差的平均值与标准差，t为待测风电机组的功率数据的时间点。
5.根据权利要求1所述的风电机组异常识别方法，其特征在于，所述告警阈值包含报警上限、警告上限、警告下限和报警下限；
其中所述报警上限为所述功率绝对误差的平均值与三倍所述功率绝对误差的标准差的和；
所述警告上限为所述功率绝对误差的平均值与两倍所述功率绝对误差的标准差的和；
所述警告下限为所述功率绝对误差的平均值与两倍所述功率绝对误差的标准差的差；
所述报警下限为所述功率绝对误差的平均值与三倍所述功率绝对误差的标准差的差。
6.一种风电机组异常识别装置，其特征在于，所述识别装置包含：数据获取模块、模型建立模块、计算模块和告警模块；
所述数据获取模块用于获得风电机组正常运行的常规风速和功率数据；
所述模型建立模块与所述数据获取模块相连，用于根据所述常规风速和功率数据建立风速功率坐标系，对所述风速功率坐标系以预定区间进行分档处理，获得复数档风速功率数据；对所述复数档风速功率数据中每一档风速功率数据进行最小二乘线性拟合，获得风速功率模型；
所述计算模块与所述模型建立模块相连，用于根据所述风速功率模型，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差；根据所述功率绝对误差的平均值和所述功率绝对误差的标准差确定告警阈值；
所述告警模块与所述计算模块相连，用于将待测风电机组的功率数据带入所述风速功率模型并计算获得所述待测风电机组的功率绝对误差，将所述待测风电机组的功率绝对误差与所述告警阈值比较，根据比较结果输出待测风电机组的状态信息；
根据所述风速功率模型，结合SPC技术，以功率绝对误差为随机变量，计算获得所述复数档风速功率数据中每一档风速功率数据的功率绝对误差的平均值和功率绝对误差的标准差。
7.根据权利要求6所述的风电机组异常识别装置，其特征在于，所述计算模块还包含功率绝对误差获取单元，所述功率绝对误差获取单元与所述模型建立模块相连，用于对所述风速功率模型以预定区间进行分档处理，获得复数档风速功率模型，分别计算所述复数档风速功率模型所对应的功率绝对误差，根据所述功率绝对误差计算获得所述复数档风速功率模型的功率绝对误差的均值和方差，根据所述功率绝对误差的均值获得所述功率绝对误差的平均值，根据所述功率绝对误差的方差获得所述功率绝对误差的标准差。
8.根据权利要求6所述的风电机组异常识别装置，其特征在于，所述告警模块还包含标准化单元，所述标准化单元与所述功率绝对误差获取单元相连，用于通过以下公式对所述待测风电机组的功率绝对误差进行标准化：
Figure FDA0002639347930000031
在上式中，P't为t时刻标准化后的功率绝对误差，Pt为t时刻功率绝对误差，μt和σt分别为t时刻功率绝对误差对应风速区间内功率绝对误差的平均值与标准差，t为待测风电机组的功率数据的时间点。
CN201711210812.9A 2017-11-28 2017-11-28 风电机组异常识别方法及装置 Active CN107742053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711210812.9A CN107742053B (zh) 2017-11-28 2017-11-28 风电机组异常识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711210812.9A CN107742053B (zh) 2017-11-28 2017-11-28 风电机组异常识别方法及装置

Publications (2)

Publication Number Publication Date
CN107742053A CN107742053A (zh) 2018-02-27
CN107742053B true CN107742053B (zh) 2020-11-27

Family

ID=61239417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711210812.9A Active CN107742053B (zh) 2017-11-28 2017-11-28 风电机组异常识别方法及装置

Country Status (1)

Country Link
CN (1) CN107742053B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763966B (zh) * 2018-06-04 2021-08-10 武汉邦拓信息科技有限公司 一种尾气检测作弊监管系统及方法
CN110578659B (zh) * 2018-06-07 2021-12-03 华北电力大学 一种用于对风电机组scada数据进行处理的系统和方法
CN111207044B (zh) * 2018-11-22 2021-04-27 北京金风科创风电设备有限公司 风力发电机组的输出功率异常诊断的方法及其装置
CN110006552B (zh) * 2019-04-03 2020-07-14 中国水利水电科学研究院 一种机组设备温度异常检测方法
CN110907170B (zh) * 2019-11-30 2021-03-16 华能如东八仙角海上风力发电有限责任公司 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法
CN112598539B (zh) * 2020-12-28 2024-01-30 徐工汉云技术股份有限公司 一种风力发电机组风功率曲线优化计算及异常值检测方法
CN113431800A (zh) * 2021-07-16 2021-09-24 西安热工研究院有限公司 一种实时判别风机运行状态的方法
CN113806346A (zh) * 2021-08-25 2021-12-17 浙江浙能台州第二发电有限责任公司 一种基于大数据分析的汽轮机劣化趋势测量方法及终端机
CN114638312A (zh) * 2022-03-24 2022-06-17 申能新能源(青海)有限公司 一种风电功率无监督式学习分类算法
CN114693110B (zh) * 2022-03-29 2023-07-04 杭州安脉盛智能技术有限公司 一种储能系统的异常监测方法、系统及存储介质
CN116447089B (zh) * 2023-06-19 2023-08-25 华电电力科学研究院有限公司 一种风电机组的运行状态检测方法、装置及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103291544A (zh) * 2013-06-21 2013-09-11 华北电力大学 数字化风电机组功率曲线绘制方法
CN104131950A (zh) * 2014-07-24 2014-11-05 重庆大学 一种风电机组温度特征量的阈值分区确定方法
WO2015169392A1 (en) * 2014-05-09 2015-11-12 Abb Technology Ltd A method for providing status information of a channel's health condition in a communications network
CN105427005A (zh) * 2016-01-18 2016-03-23 重庆大学 一种风电场运行风险评估方法
CN107103175A (zh) * 2017-02-03 2017-08-29 华北电力科学研究院有限责任公司 一种风力发电机组异常数据识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103291544A (zh) * 2013-06-21 2013-09-11 华北电力大学 数字化风电机组功率曲线绘制方法
WO2015169392A1 (en) * 2014-05-09 2015-11-12 Abb Technology Ltd A method for providing status information of a channel's health condition in a communications network
CN104131950A (zh) * 2014-07-24 2014-11-05 重庆大学 一种风电机组温度特征量的阈值分区确定方法
CN105427005A (zh) * 2016-01-18 2016-03-23 重庆大学 一种风电场运行风险评估方法
CN107103175A (zh) * 2017-02-03 2017-08-29 华北电力科学研究院有限责任公司 一种风力发电机组异常数据识别方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于机舱风速计的风电机组功率特性评估方法;娄建楼 等;《电力系统自动化》;20160510;第40卷(第9期);第23-28、128页 *
基于灰色熵AHP与TOPSIS法的风电机组运行可靠性评估方法;邸帅 等;《华北电力技术》;20160825(第8期);第24-28、41页 *
采用信息熵和组合模型的风电机组异常检测方法;颜永龙 等;《电网技术》;20150305;第39卷(第3期);第737-743页 *
风电机组健康状态评估模型的设计与应用;朱永峰 等;《风能》;20151006;第64-67页 *

Also Published As

Publication number Publication date
CN107742053A (zh) 2018-02-27

Similar Documents

Publication Publication Date Title
CN107742053B (zh) 风电机组异常识别方法及装置
CN110926809B (zh) 一种基于大数据分析的风电机组传动链故障预警方法
CN110259646B (zh) 一种基于历史数据的风力发电机组部件状态预警方法
CN108252873B (zh) 一种风力发电机组在线数据监测及其性能评估的系统
CN104915747A (zh) 一种发电机组的发电性能评估方法及设备
CN109298379B (zh) 一种基于数据监测的智能电表现场误差异常的识别方法
CN105760617A (zh) 一种应用于风力发电机组的多参量故障预测判定指标的计算方法
CN106548256B (zh) 一种风电场时空动态相关性建模的方法和系统
CN107291991B (zh) 一种基于动态网络标志的风电机组早期缺陷预警方法
CN111878320B (zh) 风力发电机组的监控方法、系统及计算机可读存储介质
CN108319131B (zh) 基于数据挖掘的机组调峰能力评估方法
CN103912448A (zh) 一种区域风电场机组功率特性监测方法
WO2011131631A1 (en) Energy network and control thereof
CN111669123A (zh) 用于对光伏组串进行故障诊断的方法和装置
CN112065668A (zh) 一种风电机组状态异常评估方法及系统
de Andrade Vieira et al. Wind turbine condition assessment based on changes observed in its power curve
CN112001511A (zh) 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN110222393A (zh) 基于细粒度风电发电状态划分的风机叶片结冰异常监测方法
CN110943485B (zh) 双馈风电场等值模型仿真可信度的指标评价方法
CN110661261B (zh) 一种用于低频振荡在线分析的pmu数据处理方法及装置
CN114595989A (zh) 一种风电机组性能评估方法及装置
Qiao et al. Research on SCADA data preprocessing method of Wind Turbine
CN117951633B (zh) 一种光伏发电设备故障诊断方法及系统
CN112749820A (zh) 一种风电功率预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant