CN108204341A - 风电场运行状态的识别方法和装置 - Google Patents
风电场运行状态的识别方法和装置 Download PDFInfo
- Publication number
- CN108204341A CN108204341A CN201611180374.1A CN201611180374A CN108204341A CN 108204341 A CN108204341 A CN 108204341A CN 201611180374 A CN201611180374 A CN 201611180374A CN 108204341 A CN108204341 A CN 108204341A
- Authority
- CN
- China
- Prior art keywords
- wind turbines
- wind
- value
- power plant
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013481 data capture Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
提供一种风电场运行状态的识别方法和装置,所述识别方法包括:对风电场中的每个风电机组分别建立状态识别模型;获取风电场中每个风电机组的运行数据;通过将每个风电机组的运行数据分别输入每个风电机组的状态识别模型,获得每个风电机组在每个状态识别模型下的状态识别参数;基于获得的状态识别参数来确定风电场整体运行状态或风电场中单个风电机组的运行状态。采用上述风电场运行状态的识别方法和装置,针对每个风电机组进行建模,即能够反映单个风电机组的特例性,又能够反映风电机组间的相互关联性,从而可实现对风电场的整体或单个风电机组的运行状态的监控。
Description
技术领域
本发明总体说来涉及电力技术领域,更具体地讲,涉及一种风电场运行状态的识别方法和装置。
背景技术
目前风电行业处在快速发展的过程中,大规模风电场也逐渐变多,其中对风电场整体运行状态的识别或对单个风电机组运行状态的识别既是对风电场运行状况把握的需求,也是实现后续对风电场精准控制的输入。
风电场整体运行状态的识别和单个风电机组运行状态的识别的区别在于风电场整体运行状态识别的数据量更大,如何对风电场运行状态识别的大量数据进行处理,来实现对风电场整体运行状态进行有效监控,并及时发现其中运行状态异常的风电机组成为现有技术中的一个难题。
发明内容
本发明的示例性实施例的目的在于提供一种风电场运行状态的识别方法和装置,以实现对风电场整体运行状态的有效监控,并及时发现其中运行状态异常的风电机组。
根据本发明示例性实施例的一方面,提供一种风电场运行状态的识别方法,其特征在于,所述识别方法包括:对风电场中的每个风电机组分别建立状态识别模型;获取风电场中每个风电机组的运行数据;通过将每个风电机组的运行数据分别输入每个风电机组的状态识别模型,获得每个风电机组在每个状态识别模型下的状态识别参数;基于获得的状态识别参数来确定风电场整体运行状态或风电场中单个风电机组的运行状态。
可选地,状态识别模型可是用于判断风电机组结冰状态的模型,其中,运行数据可包括风速、转速、风电机组输出功率、桨距角、外界环境温度、外界环境湿度和限功率状态,状态识别参数可指示风电机组的结冰状态风险指示值。
可选地,状态识别模型可是用于预测风电机组输出功率的模型,其中,运行数据可包括风速、风向角和外界环境温度,状态识别参数可指示风电机组的预测功率值。
可选地,基于获得的状态识别参数来确定风电场整体运行状态的步骤可包括:计算所有风电机组在每个状态识别模型下的结冰状态风险指示值的平均值;将所述平均值与设定阈值进行比较;当所述平均值大于所述设定阈值时,确定风电场整体存在结冰风险;当所述平均不大于所述设定阈值时,确定风电场整体不存在结冰风险。
可选地,基于获得的状态识别参数来确定风电场中单个风电机组的运行状态的步骤可包括:分别获取每个风电机组的实际输出功率值;针对每个风电机组,计算实际输出功率值与风电机组在每个状态识别模型下的预测功率值的偏差;基于所述偏差确定风电场中单个风电机组的运行状态。
可选地,针对每个风电机组,计算实际输出功率值与风电机组在每个状态识别模型下的预测功率值的偏差的步骤可包括:针对每个风电机组,分别计算风电机组在每个状态识别模型下的预测功率值与风电机组的实际输出功率值之间的差,得到风电机组针对每个状态识别模型的功率偏差值;针对每个风电机组,计算风电机组针对所有状态识别模型的功率偏差值的方差,将所述方差作为风电机组实际输出功率值与预测功率值的偏差。
可选地,基于所述偏差确定风电场中单个风电机组的运行状态的步骤可包括:针对任一风电机组,将所述任一风电机组功率偏差值的方差分别与其他风电机组功率偏差值的方差进行比较;当所述任一风电机组功率偏差值的方差为所述其他风电机组中预定风电机组功率偏差值的方差的预定倍数时,确定所述任一风电机组的运行存在异常。
根据本发明示例性实施例的另一方面,提供一种风电场运行状态的识别装置,其特征在于,所述识别装置包括:模型建立单元,对风电场中的每个风电机组分别建立状态识别模型;数据获取单元,获取风电场中每个风电机组的运行数据;状态识别参数确定单元,通过将每个风电机组的运行数据分别输入每个风电机组的状态识别模型,获得每个风电机组在每个状态识别模型下的状态识别参数;运行状态确定单元,基于获得的状态识别参数来确定风电场整体运行状态或风电场中单个风电机组的运行状态。
可选地,状态识别模型可是用于判断风电机组结冰状态的模型,其中,运行数据可包括风速、转速、风电机组输出功率、桨距角、外界环境温度、外界环境湿度和限功率状态,状态识别参数可指示风电机组的结冰状态风险指示值。
可选地,状态识别模型可是用于预测风电机组输出功率的模型,其中,运行数据可包括风速、风向角和外界环境温度,状态识别参数可指示风电机组的预测功率值。
可选地,运行状态确定单元可包括:均值计算子单元,计算所有风电机组在每个状态识别模型下的结冰状态风险指示值的平均值;比较子单元,将所述平均值与设定阈值进行比较;结冰状态确定子单元,当所述平均值大于所述设定阈值时,结冰状态确定子单元确定风电场整体存在结冰风险,当所述平均不大于所述设定阈值时,结冰状态确定子单元确定风电场整体不存在结冰风险。
可选地,运行状态确定单元可包括:功率确定子单元,分别获取每个风电机组的实际输出功率值;偏差计算子单元,针对每个风电机组,计算实际输出功率值与风电机组在每个状态识别模型下的预测功率值的偏差;运行状态确定子单元,基于所述偏差确定风电场中单个风电机组的运行状态。
可选地,偏差计算子单元可针对每个风电机组,分别计算风电机组在每个状态识别模型下的预测功率值与风电机组的实际输出功率值之间的差,得到风电机组针对每个状态识别模型的功率偏差值,计算风电机组针对所有状态识别模型的功率偏差值的方差,将所述方差作为风电机组实际输出功率值与预测功率值的偏差。
可选地,运行状态确定子单元可针对任一风电机组,将所述任一风电机组功率偏差值的方差分别与其他风电机组功率偏差值的方差进行比较,当所述任一风电机组功率偏差值的方差为所述其他风电机组中预定风电机组功率偏差值的方差的预定倍数时,运行状态确定子单元可确定所述任一风电机组的运行存在异常。
采用本发明示例性实施例的所述风电场运行状态的识别方法和装置,针对每个风电机组进行建模,即能够反映单个风电机组的特例性,又能够反映风电机组间的相互关联性,从而可实现对风电场的整体或单个风电机组的运行状态的监控。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述,本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的风电场运行状态的识别方法的流程图;
图2示出根据本发明示例性实施例的确定风电场整体运行状态的步骤的流程图;
图3示出根据本发明示例性实施例的确定风电场中单个风电机组的运行状态的步骤的流程图;
图4示出根据本发明示例性实施例的风电场运行状态的识别装置的框图;
图5示出根据本发明示例性实施例的用于确定风电场整体运行状态的设备的框图;
图6示出根据本发明示例性实施例的用于确定风电场中单个风电机组的运行状态的设备的框图。
具体实施方式
现在,将参照附图更充分地描述不同的示例实施例,其中,一些示例性实施例在附图中示出。
图1示出根据本发明示例性实施例的风电场运行状态的识别方法的流程图。
参照图1,在步骤S10中,对风电场中的每个风电机组分别建立状态识别模型,以得到每个风电机组的状态识别模型。这里,可通过各种用于建立变量之间关联的技术来建立状态识别模型。
在步骤S20中,获取风电场中每个风电机组的运行数据。
在步骤S30中,通过将每个风电机组的运行数据分别输入每个风电机组的状态识别模型,获得每个风电机组在每个状态识别模型下的状态识别参数。这里,状态识别模型可表示风电机组的运行数据与状态识别参数之间的关系,这样,可将运行数据作为状态识别模型的输入,状态识别模型可基于该输入输出状态识别参数。
在步骤S40中,基于获得的状态识别参数来确定风电场整体运行状态或风电场中单个风电机组的运行状态。
一种情况,可基于获得的状态识别参数来确定风电场整体运行状态。
此时,状态识别参数可指示风电机组的结冰状态风险指示值,以基于风电场中各风电机组的结冰状态风险指示值来确定风电场整体运行状态(即确定风电场整体是否存在结冰风险)。
在此情况下,状态识别模型可为用于判断风电机组结冰状态的模型,运行数据可包括风速、转速、风电机组输出功率、桨距角、外界环境温度、外界环境湿度和限功率状态,以将风电机组的风速、转速、风电机组输出功率、桨距角、外界环境温度、外界环境湿度和限功率状态参数作为用于判断风电机组结冰状态的模型的输入,用于判断风电机组结冰状态的模型基于该输入输出指示风电机组的结冰状态风险指示值。
另一种情况,可基于获得的状态识别参数来确定风电场中单个风电机组的运行状态。
此时,状态识别参数可指示风电机组的预测功率值,以基于风电场中各风电机组的预测功率值来确定风电场中单个风电机组的运行状态(即确定单个风电机组的运行是否存在异常)。
在此情况下,状态识别模型可为用于预测风电机组输出功率的模型,运行数据可包括风速、风向角和外界环境温度,以将风电机组的风速、风向角和外界环境温度作为用于预测风电机组输出功率的模型的输入,用于预测风电机组输出功率的模型基于该输入输出指示风电机组的预测功率值。
下面结合图2来详细介绍在状态识别模型为用于判断风电机组结冰状态的模型的情况下,基于风电场中各风电机组的结冰状态风险指示值来确定风电场整体运行状态的步骤。
图2示出根据本发明示例性实施例的确定风电场整体运行状态的步骤的流程图。
参照图2,在步骤S201中,计算所有风电机组在每个状态识别模型下的结冰状态风险指示值的平均值。
这里,通过上述的步骤S30可获得每个风电机组在每个用于判断风电机组结冰状态的模型下的结冰状态风险指示值(如表1所示),在表1所示的示例中,以风电场包括10台风电机组为例,T1~T10表示10台风电机组,M1~M10表示分别与10台风电机组T1~T10对应的用于判断风电机组结冰状态的模型,当将10台风电机组的运行数据分别输入到M1~M10表示的用于判断风电机组结冰状态的模型,可获得10台风电机组T1~T10在10个模型M1~M10下的结冰状态风险指示值。例如,将风电机组T6的运行数据输入到用于判断风电机组结冰状态的模型M3,可获得对应的结冰状态风险指示值为0.46。
表1
T1 | T2 | T3 | T4 | T5 | T6 | T7 | T8 | T9 | T10 | |
M1 | 0.34 | 0.45 | 0.42 | 0.66 | 0.34 | 0.56 | 0.48 | 0.25 | 0.20 | 0.41 |
M2 | 0.51 | 0.53 | 0.39 | 0.45 | 0.38 | 0.24 | 0.50 | 0.29 | 0.27 | 0.29 |
M3 | 0.23 | 0.43 | 0.34 | 0.65 | 0.47 | 0.46 | 0.32 | 0.36 | 0.20 | 0.24 |
M4 | 0.43 | 0.50 | 0.28 | 0.46 | 0.51 | 0.33 | 0.42 | 0.40 | 0.26 | 0.26 |
M5 | 0.36 | 0.55 | 0.44 | 0.62 | 0.26 | 0.56 | 0.32 | 0.33 | 0.19 | 0.41 |
M6 | 0.26 | 0.33 | 0.37 | 0.57 | 0.48 | 0.55 | 0.35 | 0.25 | 0.39 | 0.31 |
M7 | 0.44 | 0.42 | 0.22 | 0.47 | 0.50 | 0.32 | 0.36 | 0.30 | 0.24 | 0.42 |
M8 | 0.23 | 0.49 | 0.45 | 0.67 | 0.48 | 0.47 | 0.34 | 0.46 | 0.26 | 0.43 |
M9 | 0.25 | 0.51 | 0.33 | 0.63 | 0.28 | 0.41 | 0.30 | 0.53 | 0.46 | 0.22 |
M10 | 0.25 | 0.57 | 0.44 | 0.48 | 0.32 | 0.38 | 0.25 | 0.41 | 0.22 | 0.18 |
这里,在获得每个风电机组在每个状态识别模型下的结冰状态风险指示值之后,可计算所有结冰状态风险指示值的平均值,作为示例,可通过以下方式来计算所有结冰状态风险指示值的平均值:先对所有结冰状态风险指示值进行求和,得到所有结冰状态风险指示值的总和,再将所述总和除以得到的结冰状态风险指示值的总个数,从而获得所有结冰状态风险指示值的平均值。然而,本发明不限于此,还可通过现有的其他方法来计算结冰状态风险指示值的平均值。
在步骤S202中,将所述平均值与设定阈值进行比较,即,判断所述平均值是否大于所述设定阈值。这里,所述设定阈值可为依据经验确定出的用于指示风电场整体存在结冰风险的临界阈值。
当所述平均值大于所述设定阈值时,则执行步骤S203:确定风电场整体存在结冰风险。
当所述平均不大于(即,小于等于)所述设定阈值时,则执行步骤S204:确定风电场整体不存在结冰风险。
应理解,图2示出的是根据结冰状态风险指示值来确定风电场整体结冰风险的步骤,然而,本发明不限于此,还可根据风电机组的预测功率值来确定风电场中单个风电机组的运行状态。
下面结合图3来详细介绍在状态识别模型为用于预测风电机组输出功率的模型的情况下,基于风电场中各风电机组的预测功率值来确定风电场中单个风电机组的运行状态的步骤。
图3示出根据本发明示例性实施例的确定风电场中单个风电机组的运行状态的步骤的流程图,在本示例中,以风电场中的第i个风电机组为例,介绍确定第i个风电机组的运行状态的步骤。
参照图3,在步骤S301中,获取第i个风电机组的实际输出功率值。这里,可通过现有的各种测量装置来获取风电机组的实际输出功率值。作为示例,1≤i≤m,m为风电场中包括的风电机组的总数量,m为大于等于1的自然数。
在步骤S302中,分别计算第i个风电机组在每个用于预测风电机组输出功率的模型下的预测功率值与第i个风电机组的实际输出功率值之间的差,得到第i个风电机组针对每个用于预测风电机组输出功率的模型的功率偏差值。
这里,可通过上述的步骤S30获得第i个风电机组在每个用于预测风电机组输出功率的模型下的预测功率值,然后将第i个风电机组的实际输出功率值分别与获得的预测功率值作差,以获得多个功率偏差值。
在步骤S303中,计算第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的方差。
具体说来,计算所述功率偏差值的方差的步骤可包括:计算第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的平均值,基于第i个风电机组针对每个用于预测风电机组输出功率的模型的功率偏差值和所述平均值来计算所述方差。
例如,可通过以下方式来计算第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的平均值:先对第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值进行求和,得到第i个风电机组的所有功率偏差值的总和,再将所述总和除以用于预测风电机组输出功率的模型的总个数,从而获得第i个风电机组的功率偏差值的平均值,即,一台风电机组对应可获得一个功率偏差值的平均值。然而,本发明不限于此,还可通过现有的其他方法来计算功率偏差值的平均值。
例如,可利用如下公式来计算第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的方差,
公式(1)中,表示第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的方差,xij表示第i个风电机组针对第j个用于预测风电机组输出功率的模型的功率偏差值,1≤j≤m,表示第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的平均值,m为风电场中包括的风电机组的总数量,m为大于等于1的自然数。
在步骤S304中,基于所述方差确定第i个风电机组的运行状态。
具体说来,基于所述方差确定第i个风电机组的运行状态的步骤可包括:将第i个风电机组的功率偏差值的方差分别与风电场中除第i个风电机组之外的其他风电机组的功率偏差值的方差进行比较,这里,可通过重复步骤S301~步骤S303来获得所述其他风电机组的功率偏差值的方差。当第i个风电机组的功率偏差值的方差为所述其他风电机组中预定风电机组的功率偏差值的方差的预定倍数时,确定第i个风电机组的运行存在异常,当第i个风电机组的功率偏差值的方差没有达到所述其他风电机组中预定风电机组的功率偏差值的方差的预定倍数时,确定第i个风电机组的运行没有存在异常。
作为示例,风电机组的运行存在异常可包括以下异常现象中的至少一种:风电机组中的传感器存在工作异常、风电机组中的变频器存在工作异常、风电机组中的风速仪存在结冰状况。
图4示出根据本发明示例性实施例的风电场运行状态的识别装置的框图。
如图4所示,根据本发明示例性实施例的风电场运行状态的识别装置包括模型建立单元10、数据获取单元20、状态识别参数确定单元30和运行状态确定单元40。
模型建立单元10对风电场中的每个风电机组分别建立状态识别模型,以得到每个风电机组的状态识别模型。这里,可通过各种用于建立变量之间关联的技术来建立状态识别模型。
数据获取单元20获取风电场中每个风电机组的运行数据。这里,可利用各种传感器和/或检测元件来获取风电机组的运行数据。
状态识别参数确定单元30通过将每个风电机组的运行数据分别输入每个风电机组的状态识别模型,获得每个风电机组在每个状态识别模型下的状态识别参数。这里,状态识别模型指示风电机组的运行数据与状态识别参数之间的关系,这样,可将运行数据作为状态识别模型的输入,状态识别模型可基于该输入输出状态识别参数。
运行状态确定单元40基于获得的状态识别参数来确定风电场整体运行状态或风电场中单个风电机组的运行状态。
一种情况,运行状态确定单元40可基于获得的状态识别参数来确定风电场整体运行状态。
此时,状态识别参数可指示风电机组的结冰状态风险指示值,从而运行状态确定单元40可基于风电场中各风电机组的结冰状态风险指示值来确定风电场整体运行状态(即确定风电场整体是否存在结冰风险)。
在此情况下,状态识别模型可为用于判断风电机组结冰状态的模型,运行数据可包括风速、转速、风电机组输出功率、桨距角、外界环境温度、外界环境湿度和限功率状态,以将风电机组的风速、转速、风电机组输出功率、桨距角、外界环境温度、外界环境湿度和限功率状态参数作为用于判断风电机组结冰状态的模型的输入,用于判断风电机组结冰状态的模型基于该输入输出指示风电机组的结冰状态风险指示值。这里,可通过各种用于建立变量之间关联的技术来建立用于判断风电机组结冰状态的模型,例如,朴素贝叶斯、主成分分析法等。
另一种情况,运行状态确定单元40可基于获得的状态识别参数来确定风电场中单个风电机组的运行状态。
此时,状态识别参数可指示风电机组的预测功率值,从而运行状态确定单元40可基于风电场中各风电机组的预测功率值来确定风电场中单个风电机组的运行状态(即确定单个风电机组的运行是否存在异常)。
在此情况下,状态识别模型可为用于预测风电机组输出功率的模型,运行数据可包括风速、风向角和外界环境温度,以将风电机组的风速、风向角和外界环境温度作为用于预测风电机组输出功率的模型的输入,用于预测风电机组输出功率的模型基于该输入输出指示风电机组的预测功率值。这里,可通过各种用于建立变量之间关联的技术来建立用于预测风电机组输出功率的模型,例如,拟合、回归分析、机器学习、自适应滤波器等。
下面结合图5来详细介绍在状态识别模型为用于判断风电机组结冰状态的模型的情况下,基于风电场中各风电机组的结冰状态风险指示值来确定风电场整体运行状态的过程。
图5示出根据本发明示例性实施例的用于确定风电场整体运行状态时图4中的运行状态确定单元40的结构图。
如图5所示,根据本发明示例性实施例的运行状态确定单元可包括均值计算子单元401、比较子单元402和结冰状态确定子单元403。
具体说来,均值计算子单元401计算所有风电机组在每个状态识别模型下的结冰状态风险指示值的平均值;
例如,在状态识别参数确定单元30获得每个风电机组在每个状态识别模型下的结冰状态风险指示值之后,均值计算子单元401可计算所有结冰状态风险指示值的平均值,作为示例,均值计算子单元401可通过以下方式来计算所有结冰状态风险指示值的平均值:先对所有结冰状态风险指示值进行求和,得到所有结冰状态风险指示值的总和,再将所述总和除以得到的结冰状态风险指示值的总个数,从而获得所有结冰状态风险指示值的平均值。然而,本发明不限于此,还可通过现有的其他方法来计算结冰状态风险指示值的平均值。
比较子单元402将所述平均值与设定阈值进行比较,即,判断所述平均值是否大于所述设定阈值。这里,所述设定阈值可为依据经验确定出的用于指示风电场整体存在结冰风险的临界阈值。
当所述平均值大于所述设定阈值时,结冰状态确定子单元403确定风电场整体存在结冰风险,当所述平均不大于(即,小于等于)所述设定阈值时,结冰状态确定子单元403确定风电场整体不存在结冰风险。
应理解,图5示出的是根据结冰状态风险指示值来确定风电场整体结冰风险的过程,然而,本发明不限于此,还可根据风电机组的预测功率值来确定风电场中单个风电机组的运行状态。
下面结合图6来详细介绍在状态识别模型为用于预测风电机组输出功率的模型的情况下,基于风电场中各风电机组的预测功率值来确定风电场中单个风电机组的运行状态的过程。
图6示出根据本发明示例性实施例的用于确定风电场中单个风电机组的运行状态时图4中的运行状态确定单元40的结构图。在本示例中,以风电场中的第i个风电机组为例,介绍确定第i个风电机组的运行状态的过程。
如图6所示,根据本发明示例性实施例的运行状态确定单元可包括功率确定子单元410、偏差计算子单元420和运行状态确定子单元430。
具体说来,功率确定子单元410获取第i个风电机组的实际输出功率值。这里,可通过现有的各种测量装置来获取风电机组的实际输出功率值。作为示例,1≤i≤m,m为风电场中包括的风电机组的总数量,m为大于等于1的自然数。
偏差计算子单元420分别计算第i个风电机组在每个用于预测风电机组输出功率的模型下的预测功率值与第i个风电机组的实际输出功率值之间的差,得到第i个风电机组针对每个用于预测风电机组输出功率的模型的功率偏差值。
这里,可通过上述的状态识别参数确定单元30获得第i个风电机组在每个用于预测风电机组输出功率的模型下的预测功率值,然后将第i个风电机组的实际输出功率值分别与获得的预测功率值作差,以获得多个功率偏差值。
运行状态确定子单元430基于第i个风电机组针对每个用于预测风电机组输出功率的模型的功率偏差值确定风电场中单个风电机组的运行状态。
优选地,偏差计算子单元420可计算第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的方差,运行状态确定子单元430可基于所述方差来确定风电场中单个风电机组的运行状态。
具体说来,偏差计算子单元420可通过以下方式来计算第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的方差:计算第i个风电机组针对所有用于预测风电机组输出功率的模型的功率偏差值的平均值,基于第i个风电机组针对每个用于预测风电机组输出功率的模型的功率偏差值和所述平均值来计算所述方差。
这里,由于已经在图3中对偏差计算子单元420计算所述方差的方法进行了详细介绍,本发明对此部分内容不再赘述。
运行状态确定子单元430可通过以下方式来确定第i个风电机组的运行状态:将第i个风电机组的功率偏差值的方差分别与风电场中除第i个风电机组之外的其他风电机组的功率偏差值的方差进行比较,这里,可利用上述偏差计算子单元30来获得所述其他风电机组的功率偏差值的方差。当第i个风电机组的功率偏差值的方差为所述其他风电机组中预定风电机组的功率偏差值的方差的预定倍数时,运行状态确定子单元430确定第i个风电机组的运行存在异常,当第i个风电机组的功率偏差值的方差没有达到所述其他风电机组中预定风电机组的功率偏差值的方差的预定倍数时,运行状态确定子单元430确定第i个风电机组的运行没有存在异常。
采用本发明示例性实施例的所述风电场运行状态的识别方法和装置,针对每个风电机组进行建模,即能够反映单个风电机组的特例性,又能够反映风电机组间的相互关联性,从而可实现对风电场的整体或单个风电机组的运行状态的监控。
此外,应该理解,根据本发明示例性实施例的风电场运行状态的识别装置中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理,可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
此外,根据本发明示例性实施例的风电场运行状态的识别方法可以被实现为计算机可读记录介质中的计算机代码。本领域技术人员可以根据对上述方法的描述来实现所述计算机代码。当所述计算机代码在计算机中被执行时实现本发明的上述方法。
尽管已经参照其示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (14)
1.一种风电场运行状态的识别方法,其特征在于,包括:
对风电场中的每个风电机组分别建立状态识别模型;
获取风电场中每个风电机组的运行数据;
通过将每个风电机组的运行数据分别输入每个风电机组的状态识别模型,获得每个风电机组在每个状态识别模型下的状态识别参数;
基于获得的状态识别参数来确定风电场整体运行状态或风电场中单个风电机组的运行状态。
2.如权利要求1所述的识别方法,其特征在于,状态识别模型是用于判断风电机组结冰状态的模型,
其中,运行数据包括风速、转速、风电机组输出功率、桨距角、外界环境温度、外界环境湿度和限功率状态,状态识别参数指示风电机组的结冰状态风险指示值。
3.如权利要求1所述的识别方法,其特征在于,状态识别模型是用于预测风电机组输出功率的模型,
其中,运行数据包括风速、风向角和外界环境温度,状态识别参数指示风电机组的预测功率值。
4.如权利要求2所述的识别方法,其特征在于,基于获得的状态识别参数来确定风电场整体运行状态的步骤包括:
计算所有风电机组在每个状态识别模型下的结冰状态风险指示值的平均值;
将所述平均值与设定阈值进行比较;
当所述平均值大于所述设定阈值时,确定风电场整体存在结冰风险;
当所述平均不大于所述设定阈值时,确定风电场整体不存在结冰风险。
5.如权利要求3所述的识别方法,其特征在于,基于获得的状态识别参数来确定风电场中单个风电机组的运行状态的步骤包括:
分别获取每个风电机组的实际输出功率值;
针对每个风电机组,计算实际输出功率值与风电机组在每个状态识别模型下的预测功率值的偏差;
基于所述偏差确定风电场中单个风电机组的运行状态。
6.如权利要求5所述的识别方法,其特征在于,针对每个风电机组,计算实际输出功率值与风电机组在每个状态识别模型下的预测功率值的偏差的步骤包括:
针对每个风电机组,分别计算风电机组在每个状态识别模型下的预测功率值与风电机组的实际输出功率值之间的差,得到风电机组针对每个状态识别模型的功率偏差值;
针对每个风电机组,计算风电机组针对所有状态识别模型的功率偏差值的方差,将所述方差作为风电机组实际输出功率值与预测功率值的偏差。
7.如权利要求6所述的识别方法,其特征在于,基于所述偏差确定风电场中单个风电机组的运行状态的步骤包括:
针对任一风电机组,将所述任一风电机组功率偏差值的方差分别与其他风电机组功率偏差值的方差进行比较;
当所述任一风电机组功率偏差值的方差为所述其他风电机组中预定风电机组功率偏差值的方差的预定倍数时,确定所述任一风电机组的运行存在异常。
8.一种风电场运行状态的识别装置,其特征在于,包括:
模型建立单元,对风电场中的每个风电机组分别建立状态识别模型;
数据获取单元,获取风电场中每个风电机组的运行数据;
状态识别参数确定单元,通过将每个风电机组的运行数据分别输入每个风电机组的状态识别模型,获得每个风电机组在每个状态识别模型下的状态识别参数;
运行状态确定单元,基于获得的状态识别参数来确定风电场整体运行状态或风电场中单个风电机组的运行状态。
9.如权利要求8所述的识别装置,其特征在于,状态识别模型是用于判断风电机组结冰状态的模型,
其中,运行数据包括风速、转速、风电机组输出功率、桨距角、外界环境温度、外界环境湿度和限功率状态,状态识别参数指示风电机组的结冰状态风险指示值。
10.如权利要求8所述的识别装置,其特征在于,状态识别模型是用于预测风电机组输出功率的模型,
其中,运行数据包括风速、风向角和外界环境温度,状态识别参数指示风电机组的预测功率值。
11.如权利要求9所述的识别装置,其特征在于,运行状态确定单元包括:
均值计算子单元,计算所有风电机组在每个状态识别模型下的结冰状态风险指示值的平均值;
比较子单元,将所述平均值与设定阈值进行比较;
结冰状态确定子单元,当所述平均值大于所述设定阈值时,结冰状态确定子单元确定风电场整体存在结冰风险,当所述平均不大于所述设定阈值时,结冰状态确定子单元确定风电场整体不存在结冰风险。
12.如权利要求10所述的识别装置,其特征在于,运行状态确定单元包括:
功率确定子单元,分别获取每个风电机组的实际输出功率值;
偏差计算子单元,针对每个风电机组,计算实际输出功率值与风电机组在每个状态识别模型下的预测功率值的偏差;
运行状态确定子单元,基于所述偏差确定风电场中单个风电机组的运行状态。
13.如权利要求12所述的识别装置,其特征在于,偏差计算子单元针对每个风电机组,分别计算风电机组在每个状态识别模型下的预测功率值与风电机组的实际输出功率值之间的差,得到风电机组针对每个状态识别模型的功率偏差值,计算风电机组针对所有状态识别模型的功率偏差值的方差,将所述方差作为风电机组实际输出功率值与预测功率值的偏差。
14.如权利要求13所述的识别装置,其特征在于,运行状态确定子单元针对任一风电机组,将所述任一风电机组功率偏差值的方差分别与其他风电机组功率偏差值的方差进行比较,当所述任一风电机组功率偏差值的方差为所述其他风电机组中预定风电机组功率偏差值的方差的预定倍数时,确定所述任一风电机组的运行存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611180374.1A CN108204341B (zh) | 2016-12-19 | 2016-12-19 | 风电场运行状态的识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611180374.1A CN108204341B (zh) | 2016-12-19 | 2016-12-19 | 风电场运行状态的识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108204341A true CN108204341A (zh) | 2018-06-26 |
CN108204341B CN108204341B (zh) | 2019-12-10 |
Family
ID=62602994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611180374.1A Active CN108204341B (zh) | 2016-12-19 | 2016-12-19 | 风电场运行状态的识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108204341B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109322802A (zh) * | 2018-09-05 | 2019-02-12 | 许继集团有限公司 | 一种风力发电机叶片覆冰预测方法及系统 |
CN110594097A (zh) * | 2019-09-10 | 2019-12-20 | 许昌许继风电科技有限公司 | 一种风电机组的控制方法及控制系统 |
CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111720272A (zh) * | 2020-06-30 | 2020-09-29 | 国电联合动力技术有限公司 | 一种风力发电机组微环境智能化监控装置及其控制方法 |
CN112628089A (zh) * | 2020-12-30 | 2021-04-09 | 上海电气风电集团股份有限公司 | 异常监控方法、系统、平台、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009062668A2 (de) * | 2007-11-12 | 2009-05-22 | Repower Systems Ag | Windenergieanlage mit heizeinrichtung |
CN101523047A (zh) * | 2006-05-31 | 2009-09-02 | 意大利戴尔电子开发有限公司 | 用于实施风能转换系统的方法 |
CN102410140A (zh) * | 2011-10-13 | 2012-04-11 | 国电联合动力技术有限公司 | 风力发电机组冰载运行优化控制系统及方法 |
CN102709939A (zh) * | 2012-05-22 | 2012-10-03 | 中国电力科学研究院 | 一种提高风电场发电效率的风电场有功功率控制方法 |
CN202612005U (zh) * | 2012-05-25 | 2012-12-19 | 长沙理工大学 | 用于风电机组的风速仪智能除冰装置 |
EP2592447A1 (en) * | 2011-11-08 | 2013-05-15 | Topwind Consultancy B.V. | Frost condition detection system and method |
CN103195663A (zh) * | 2012-01-10 | 2013-07-10 | 德国恩德能源有限公司 | 其中基于气象数据确定结冰风险的风力涡轮机的操作方法和用于执行该方法的风力涡轮机 |
CN103470447A (zh) * | 2013-08-29 | 2013-12-25 | 东方电气集团东方汽轮机有限公司 | 风力发电机运行状态识别方法 |
CN103758694A (zh) * | 2013-12-24 | 2014-04-30 | 青海能高新能源有限公司 | 一种风力发电机组状态监控系统数据压缩方法 |
CN104112236A (zh) * | 2014-05-29 | 2014-10-22 | 国家电网公司 | 风电场发电功率的计算方法 |
CN105402093A (zh) * | 2015-12-30 | 2016-03-16 | 国电联合动力技术有限公司 | 一种用于风场级别的风机结冰检测方法和装置 |
-
2016
- 2016-12-19 CN CN201611180374.1A patent/CN108204341B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101523047A (zh) * | 2006-05-31 | 2009-09-02 | 意大利戴尔电子开发有限公司 | 用于实施风能转换系统的方法 |
WO2009062668A2 (de) * | 2007-11-12 | 2009-05-22 | Repower Systems Ag | Windenergieanlage mit heizeinrichtung |
CN102410140A (zh) * | 2011-10-13 | 2012-04-11 | 国电联合动力技术有限公司 | 风力发电机组冰载运行优化控制系统及方法 |
EP2592447A1 (en) * | 2011-11-08 | 2013-05-15 | Topwind Consultancy B.V. | Frost condition detection system and method |
CN103195663A (zh) * | 2012-01-10 | 2013-07-10 | 德国恩德能源有限公司 | 其中基于气象数据确定结冰风险的风力涡轮机的操作方法和用于执行该方法的风力涡轮机 |
CN102709939A (zh) * | 2012-05-22 | 2012-10-03 | 中国电力科学研究院 | 一种提高风电场发电效率的风电场有功功率控制方法 |
CN202612005U (zh) * | 2012-05-25 | 2012-12-19 | 长沙理工大学 | 用于风电机组的风速仪智能除冰装置 |
CN103470447A (zh) * | 2013-08-29 | 2013-12-25 | 东方电气集团东方汽轮机有限公司 | 风力发电机运行状态识别方法 |
CN103758694A (zh) * | 2013-12-24 | 2014-04-30 | 青海能高新能源有限公司 | 一种风力发电机组状态监控系统数据压缩方法 |
CN104112236A (zh) * | 2014-05-29 | 2014-10-22 | 国家电网公司 | 风电场发电功率的计算方法 |
CN105402093A (zh) * | 2015-12-30 | 2016-03-16 | 国电联合动力技术有限公司 | 一种用于风场级别的风机结冰检测方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109322802A (zh) * | 2018-09-05 | 2019-02-12 | 许继集团有限公司 | 一种风力发电机叶片覆冰预测方法及系统 |
CN110594097A (zh) * | 2019-09-10 | 2019-12-20 | 许昌许继风电科技有限公司 | 一种风电机组的控制方法及控制系统 |
CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111237134B (zh) * | 2020-01-14 | 2022-04-01 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111720272A (zh) * | 2020-06-30 | 2020-09-29 | 国电联合动力技术有限公司 | 一种风力发电机组微环境智能化监控装置及其控制方法 |
CN112628089A (zh) * | 2020-12-30 | 2021-04-09 | 上海电气风电集团股份有限公司 | 异常监控方法、系统、平台、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108204341B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108204341A (zh) | 风电场运行状态的识别方法和装置 | |
CN106951997B (zh) | 预测风机的故障的方法和设备 | |
CN107015875B (zh) | 一种电子整机贮存寿命评估方法及装置 | |
CN108133279B (zh) | 风电功率概率预测方法、存储介质及设备 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
US10496056B2 (en) | Measured value analysis apparatus and measured value analysis method | |
CN103678938B (zh) | 一种面向空间形状和误差范围的退化模型一致性检验方法 | |
Zhou et al. | Bearing performance degradation assessment using lifting wavelet packet symbolic entropy and SVDD | |
CN110334478A (zh) | 机器设备异常检测模型构建方法、检测方法及模型 | |
CN112459971A (zh) | 风力发电机组塔筒的异常振动检测方法 | |
JP6989398B2 (ja) | 故障診断装置、故障診断方法、および故障診断プログラム | |
Jain et al. | CFD modeling of a radiator axial fan for air flow distribution | |
CN110007660B (zh) | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
US11449781B2 (en) | Plant abnormality prediction system and method | |
CN109214109B (zh) | 一种石化装备旋转机械的剩余寿命预测验证方法 | |
Al-Zuheri et al. | The role of randomness of a manual assembly line with walking workers on model validation | |
CN116886329A (zh) | 一种面向工控系统安全的量化指标优化方法 | |
CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
CN114118720A (zh) | 一种核电厂循环水泵运行状态综合评价方法、装置及电子设备和存储介质 | |
CN115730255A (zh) | 基于迁移学习和多源信息融合的电机故障诊断分析方法 | |
Riddle et al. | Effects of Defects Part A: Stochastic Finite Element Modeling of Wind Turbine Blades with Manufacturing Defects for Reliability Estimation | |
Wang et al. | Multi-fidelity wake modelling based on Co-Kriging method | |
KR102215513B1 (ko) | 가용 에너지 효율을 이용한 플랜트 진단방법 | |
JPWO2020105179A1 (ja) | 情報処理装置、制御方法、及びプログラム |
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 |