CN108242027A - 用于风力发电机机组故障分析的数据处理方法和装置 - Google Patents
用于风力发电机机组故障分析的数据处理方法和装置 Download PDFInfo
- Publication number
- CN108242027A CN108242027A CN201611208561.6A CN201611208561A CN108242027A CN 108242027 A CN108242027 A CN 108242027A CN 201611208561 A CN201611208561 A CN 201611208561A CN 108242027 A CN108242027 A CN 108242027A
- Authority
- CN
- China
- Prior art keywords
- power generating
- wind power
- generating set
- parameter
- group
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000007621 cluster analysis Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 abstract description 21
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 101001037160 Xenopus laevis Homeobox protein Hox-D1 Proteins 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种用于风力发电机机组故障分析的数据处理方法和装置,其中,该方法包括:获取多个风力发电机组在工作过程中的多个参数;采用K均值聚类方法对多个参数进行聚类分析,将多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。可以将具有相似性的风力发电机组划分为一组,使得工作人员可以针对具有相同特征的风力发电机组进行统一、分批维修;减少了技术人员的工作量,提高了风力发电机组的维修效率,有效的进行故障的闭环控制;进而,对于特定地域范围内的风力发电机组的维修,可以统一调配技术人员,减少维修的人力资源;同时得到的聚类分析结果可以作为风力发电机组的故障解决方案的判据。
Description
技术领域
本发明涉及风力发电机技术领域,尤其涉及一种用于风力发电机机组故障分析的数据处理方法和装置。
背景技术
随着新能源技术的发展,风能已经成为新能源的重要技术,风力发电机机组是采集风能,将风能转换为电能的重要工具。风力发电机机组已经覆盖在许多地区,以获取风能。在风力发电机机组的运行过程中,风力发电机机组会出现故障等,需要技术人员进行维修。
现有技术中,在风力发电机机组会出现故障的时候,会通知技术人员前往出现故障的风力发电机机组的所在地点,进行维修;并且现有技术中,统计故障数据的时候,质量管理人员需要依据地区的划分统一对故障进行闭环控制。
现有技术中,风力发电机机组的数量巨大、机组配置多样且工作环境复杂,风力发电机机组的故障问题多种多样,技术人员前往出现故障的风力发电机机组的所在地点,需要耗费很大工作量;并且每名质量管理人员负责解决一个地区的故障,面对情况复杂的大量故障,有限的人力难以及时进行故障的闭环控制。
发明内容
本发明提供一种用于风力发电机机组故障分析的数据处理方法和装置,以解决现有技术中故障种类繁多,故障分布地域范围分散,对于特定地域范围需要耗费较多维修人力资源的问题。
本发明的一方面是提供一种用于风力发电机机组故障分析的数据处理方法,包括:
获取多个风力发电机组在工作过程中的多个参数;
采用K均值聚类方法对所述多个参数进行聚类分析,将所述多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。
本发明的另一方面是提供一种用于风力发电机机组故障分析的数据处理装置,包括:
获取模块,用于获取多个风力发电机组在工作过程中的多个参数;
分类模块,用于采用K均值聚类方法对所述多个参数进行聚类分析,将所述多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。
本发明将具有相似性的风力发电机组划分为一组,使得工作人员可以针对具有相同特征的风力发电机组进行统一、分批维修;使得一个组内的故障机理相似,且一个组内部的机组环境适应性相似,同一组内风力发电机组由专业技术人员统一制定改进策略,从而减少了技术人员的工作量,提高了风力发电机组的维修效率,有效的进行故障的闭环控制;进而,对于特定地域范围内的风力发电机组的维修,可以统一调配技术人员,减少维修的人力资源;同时得到的聚类分析结果可以作为风力发电机组的故障解决方案的判据。
附图说明
图1为本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法的流程图;
图2为本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法中采用K均值聚类方法聚类分析后的结果示意图一;
图3为本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法中采用K均值聚类方法聚类分析后的结果示意图二;
图4a和图4b为本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法中采用K均值聚类方法聚类分析后的结果示意图三;
图5为本发明实施例二提供的用于风力发电机机组故障分析的数据处理方法的流程图;
图6为本发明实施例三提供的用于风力发电机机组故障分析的数据处理装置的结构示意图;
图7为本发明实施例四提供的用于风力发电机机组故障分析的数据处理装置的结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法的流程图,如图1所示,本实施例提供的方法,包括:
步骤101、获取多个风力发电机组在工作过程中的多个参数。
在本实施中,具体的,获取多个风力发电机组的多个参数,参数为空气湿度,机组型号,到项目部距离,温度,地形等等。具体来说,可以从数据采集与监视控制系统(Supervisory Control And Data Acquisition,简称SCADA)全球监控中心中获取到多个风力发电机组的多个参数;其中,参数为空气湿度,机组型号,到项目部距离,温度,地形等等。在获取各风力发电机组的各参数的过程中,技术人员技术可以根据实际情况去选择合适的参数,这些参数是观测值分组有重要影响的参数。
步骤102、采用K均值聚类方法对多个参数进行聚类分析,将多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。
在本实施中,具体的,采用K均值聚类方法,对多个风力发电机组的多个参数进行聚类分析,进而将各风力发电机组划分为至少两组风力发电机组小组,每一组风力发电机组小组中风力发电机组具有相似性。
具体来说,采用K均值聚类方法,对各风力发电机组的各参数进行聚类分析。其中,用于划分的K均值聚类方法中,其中每个簇的中心都用簇中所有对象的均值来表示;K均值算法把簇的形心定义为簇内点的均值;随机地选择N个对象,对每个对象代表一个簇的初始均值或中心;对剩下的每个对象,根据其与各个簇中心的欧式距离,将它分配到最相似的簇;然后,K均值算法迭代地改善簇内变差;对于每个簇,它使用上次迭代分配到该簇的对象,计算新的均值;然后,使用更新后的均值作为新的簇中心,重新分配所有对象;迭代继续,直到分配稳定,即本轮形成的簇与前一轮形成的簇相同。
从而得到各个簇,一个簇代表一组风力发电机组,图2为本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法中采用K均值聚类方法聚类分析后的结果示意图一。如图2所示,x轴和y轴分别表示两个参数的取值,按照两个参数的数值分布进行聚类分析,可以获得四个小组。
举例来说,图3为本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法中采用K均值聚类方法聚类分析后的结果示意图二。如图3所示,考虑空气湿度,机组型号,到项目部距离,温度,地形等等参数,可以得到5组风力发电机组,每一次所占的百分比分别为:第一组风力发电机组10.2%,第二组风力发电机组5.0%,第三组风力发电机组12.0%,第四组风力发电机组44.5%,第五组风力发电机组28.3%。
再举例来说,图4a和图4b为本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法中采用K均值聚类方法聚类分析后的结果示意图三。图4a和图4b分别表示某一小组内部机组的温度和湿度的分布情况。在图4a中,横坐标表示温度,实线柱状图表示某一小组内,某个温度区间的机组所占百分比,虚线柱状图表示全部机组中在全部温度区间内的机组所占百分比。由图4a可以看出,该小组内风力发电机组的温度分布比较接近,基本集中在低温区域。在图4b中,横坐标表示湿度,实线柱状图表示该小组内部,某个湿度区间的机组所占百分比,虚线柱状图表示全部机组中在全部湿度区间内的机组所占百分比。由图4b可以看出,该小组内风力发电机组的湿度分布比较接近。
由图4a和图4b可以直观看出,采用本发明实施例的聚类分析方法,可以将多个风力发电机组划分为至少两个小组,其中,每一小组中的风力发电机组在温度、湿度方面具有相似性。从而使得工作人员可以针对具有相同特征的风力发电机组进行统一、分批维修;一个组内的故障机理相似,且一个组内部的机组环境适应性相似,同一组内风力发电机组由专业技术人员统一制定改进策略,从而减少了技术人员的工作量,提高了风力发电机组的维修效率。
在一个优选的示例中,K均值聚类方法的伪代码如下:
输入:
a)N:簇的数目;
b)数据集;
输出:N个簇的集合;
(一)从数据集中任意选择N个对象作为初始簇中心;
(二)重复(三)和(四)直至不再发生变化;
(三)根据簇中对象的均值,将每个对象分配到最相似的簇;
(四)更新簇均值,即重新计算每个簇中对象的均值。
在此过程中,每个观测值被分配到使下式得到最小值的那一类中其中,xij表示第i个观测值中第j个变量的值。表示第N个类中的j个变量的均值,其中p是变量的个数。
从而,可以将具有一定相似性的风力发电机组划分为同一组风力发电机组小组,进而将各风力发电机组划分为多组风力发电机组小组,各组风力发电机组小组中包括了具有相似性的风力发电机组。K均值聚类方法可以确定出类的数目,以及每一类中的个体数目,即可以确定出风力发电机组小组的数目,每一组风力发电机组小组中风力发电机组的个数;同时可以确定出每一组风力发电机组小组的故障问题共性。
在一个示例中,可以根据聚类曲线的弯曲程度,选择类的数量,也就是小组的数量。
其中,采用数据统计语言(R语言),可以由以下代码执行:
dt1<-function(data,nc=15,seed=1234){dt2<-(nrow(data)-1)*sum(apply(data,2,var))for(i in 2:nc){set.seed(seed)dt[i]<-sum(kmeans(data,centers=i)$withiness)}pl ot(1:nc,dt2,type=”b”,xlab=”Number of Clusters”,ylab=”Withingroups sum ofsquares”)}
上述代码输出类中总的平方值对聚类数量的曲线图,目的是根据图中曲线的弯曲程度,选择适当类的数量。代码中data表示数据,nc表示技术人员根据经验设置的最大聚类个数,seed表示随机数种子。
本实施例通过获取多个风力发电机组在工作过程中的多个参数;采用K均值聚类方法对多个参数进行聚类分析,将多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。可以将具有相似性的风力发电机组划分为一组,使得工作人员可以针对具有相同特征的风力发电机组进行统一、分批维修;使得一个组内的故障机理相似,且一个组内部的机组环境适应性相似,同一组内风力发电机组由专业技术人员统一制定改进策略,从而减少了技术人员的工作量,提高了风力发电机组的维修效率,有效的进行故障的闭环控制;进而,对于特定地域范围内的风力发电机组的维修,可以统一调配技术人员,减少维修的人力资源;同时得到的聚类分析结果可以作为风力发电机组的故障解决方案的判据。
图5为本发明实施例二提供的用于风力发电机机组故障分析的数据处理方法的流程图,在实施例一的基础上,如图5所示,本实施例提供的方法,在步骤101之后,还包括:
步骤201、对多个参数进行预处理,其中预处理的过程包括进行数据缩放以将多个参数变换为标准差为1的参数,以及进行填充缺失值的处理。
在本实施中,具体的,在获取到多个风力发电机组在工作过程中的对个参数之后,需要对多个参数进行预处理。具体来说,对多个各参数进行预处理,预处理的过程包括了:第一,进行数据缩放,具体的,可以将空气湿度,机组型号,到项目部距离,温度,地形等等参数,变换为标准差为1的参数;第二,填充缺失值,具体的,数值型变量以均值填充,非数值型变量以最高频次填充。
步骤202、对多个参数进行剔除处理,以去除多个参数中的异常参数。
其中,步骤202,具体包括:
确定多个参数中各连续变量参数与均值的差值,删除各连续变量参数中差值大于三倍的标准差的参数,并删除多个参数中离散变量参数中频率低于0.01%的参数,以去除多个参数中的异常参数。
在本实施中,具体的,在对多个参数进行预处理之后,还需要对多个参数进行剔除处理,去除多个参数中的异常参数。其中,剔除处理包括了寻找异常点,具体为通过R软件中outliers包的函数筛选或删除异常的参数离群点。
具体来说,对多个参数进行剔除处理,其中,剔除处理包括了参数中的寻找异常点,在剔除处理的过程中,对一个类型的参数,宣召这类参数中的异常点参数。可以通过R软件中outliers包的函数筛选或删除异常的参数离群点,其中,确定出多个参数中的各连续变量参数与均值的差值,然后删除各连续变量参数中差值大于三倍的标准差的参数,并且,删除各离散变量中频率低于0.01%的参数。
在步骤102之后,还包括:
步骤203、根据预设的风力发电机组小组的特性,对各风力发电机组小组进行调整,将不属于特定风力发电机组小组的风力发电机组划分到其他风力发电机组小组中;将风力发电机组小组的个数进行增减,以对至少两组风力发电机组小组的划分方式进行修正。
在本实施中,具体的,在采用K均值聚类方法对多个风力发电机组的多个参数进行聚类分析之后,还需要对聚类分析后的结果进行修正。
具体来说,根据预先设置的风力发电机组小组的特性,对各风力发电机组小组中的各风力发电机组进行调整,将不属于特定风力发电机组小组的风力发电机组划分到其他风力发电机组小组中;并且可以根据质量管理人员数量,将先前预设的风力发电机组小组个数进行增减,从而对聚类分析后的结果进行修正。进而得到修正后的风力发电机组小组的数目,每一组风力发电机组小组中风力发电机组的个数;每一组风力发电机组小组的故障问题。进而将具有相似性的风力发电机组划分为一组,使得工作人员可以针对具有相同特征的风力发电机组进行统一质量管理和分批技术改进,并且聚类分析结果可以作为风力发电机组故障的解决方案的判据。
本实施例通过获取多个风力发电机组在工作过程中的多个参数;对多个参数进行预处理;对多个参数进行剔除处理,以去除多个参数中的异常参数;采用K均值聚类方法对多个参数进行聚类分析,将多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。可以将具有相似性的风力发电机组划分为一组,使得工作人员可以针对具有相同特征的风力发电机组进行统一、分批维修;使得一个组内的故障机理相似,且一个组内部的机组环境适应性相似,同一组内风力发电机组由专业技术人员统一制定改进策略,从而减少了技术人员的工作量,提高了风力发电机组的维修效率,有效的进行故障的闭环控制;进而,对于特定地域范围内的风力发电机组的维修,可以统一调配技术人员,减少维修的人力资源;同时得到的聚类分析结果可以作为风力发电机组的故障解决方案的判据。
图6为本发明实施例三提供的用于风力发电机机组故障分析的数据处理装置的结构示意图,如图6所示,本实施例提供的装置,包括:
获取模块31,用于获取多个风力发电机组在工作过程中的多个参数;
分类模块32,用于采用K均值聚类方法对多个参数进行聚类分析,将多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。
本实施例的用于风力发电机机组故障分析的数据处理装置可执行本发明实施例一提供的用于风力发电机机组故障分析的数据处理方法,其实现原理相类似,此处不再赘述。
本实施例通过获取多个风力发电机组在工作过程中的多个参数;采用K均值聚类方法对多个参数进行聚类分析,将多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。可以将具有相似性的风力发电机组划分为一组,使得工作人员可以针对具有相同特征的风力发电机组进行统一、分批维修;使得一个组内的故障机理相似,且一个组内部的机组环境适应性相似,同一组内风力发电机组由专业技术人员统一制定改进策略,从而减少了技术人员的工作量,提高了风力发电机组的维修效率,有效的进行故障的闭环控制;进而,对于特定地域范围内的风力发电机组的维修,可以统一调配技术人员,减少维修的人力资源;同时得到的聚类分析结果可以作为风力发电机组的故障解决方案的判据。
图7为本发明实施例四提供的用于风力发电机机组故障分析的数据处理装置的结构示意图,在实施例三的基础上,如图7所示,本实施例提供的装置,还包括:
预处理模块41,用于在获取模块31获取多个风力发电机组在工作过程中的多个参数之后,对多个参数进行预处理,其中预处理的过程包括进行数据缩放以将多个参数变换为标准差为1的参数,以及进行填充缺失值的处理。
剔除模块42,用于在预处理模块41对多个参数进行预处理之后,对多个参数进行剔除处理,以去除多个参数中的异常参数。
剔除模块42,具体用于:
确定多个参数中的各连续变量参数与均值的差值,删除各连续变量参数中差值大于三倍的标准差的参数,并删除多个参数中离散变量参数中频率低于0.01%的参数。
本实施例提供的装置,还包括:
修正模块43,用于在分类模块32采用K均值聚类方法对多个参数进行聚类分析,将多个风力发电机组划分为至少两组风力发电机组小组之后,根据预设的风力发电机组小组的特性,对各风力发电机组小组进行调整,将不属于特定风力发电机组小组的风力发电机组划分到其他风力发电机组小组中;将风力发电机组小组的个数进行增减,以对至少两组风力发电机组小组的划分方式进行修正。
本实施例的用于风力发电机机组故障分析的数据处理装置可执行本发明实施例二提供的用于风力发电机机组故障分析的数据处理方法,其实现原理相类似,此处不再赘述。
本实施例通过获取多个风力发电机组在工作过程中的多个参数;对多个参数进行预处理;对多个参数进行剔除处理,以去除多个参数中的异常参数;采用K均值聚类方法对多个参数进行聚类分析,将多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。可以将具有相似性的风力发电机组划分为一组,使得工作人员可以针对具有相同特征的风力发电机组进行统一、分批维修;使得一个组内的故障机理相似,且一个组内部的机组环境适应性相似,同一组内风力发电机组由专业技术人员统一制定改进策略,从而减少了技术人员的工作量,提高了风力发电机组的维修效率,有效的进行故障的闭环控制;进而,对于特定地域范围内的风力发电机组的维修,可以统一调配技术人员,减少维修的人力资源;同时得到的聚类分析结果可以作为风力发电机组的故障解决方案的判据。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于风力发电机机组故障分析的数据处理方法,其特征在于,包括:
获取多个风力发电机组在工作过程中的多个参数;
采用K均值聚类方法对所述多个参数进行聚类分析,将所述多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。
2.根据权利要求1所述的方法,其特征在于,在所述获取多个风力发电机组在工作过程中的多个参数之后,还包括:
对所述多个参数进行预处理,其中预处理的过程包括进行数据缩放以将所述多个参数变换为标准差为1的参数,以及进行填充缺失值的处理。
3.根据权利要求2所述的方法,其特征在于,在对所述多个风力发电机组的多个参数进行预处理之后,还包括:
对所述多个参数进行剔除处理,以去除所述多个参数中的异常参数。
4.根据权利要求3所述的方法,其特征在于,所述对所述多个参数进行剔除处理的步骤包括:
确定所述多个参数中的各连续变量参数与均值的差值,删除各连续变量参数中差值大于三倍的标准差的参数,并删除所述多个参数中离散变量参数中频率低于0.01%的参数。
5.根据权利要求1-4任一项所述的方法,其特征在于,在所述采用K均值聚类方法对所述多个参数进行聚类分析,将所述多个风力发电机组划分为至少两组风力发电机组小组之后,还包括:
根据预设的风力发电机组小组的特性,对各风力发电机组小组进行调整,将不属于特定风力发电机组小组的风力发电机组划分到其他风力发电机组小组中;
将风力发电机组小组的个数进行增减,以对所述至少两组风力发电机组小组的划分方式进行修正。
6.一种用于风力发电机机组故障分析的数据处理装置,其特征在于,包括:
获取模块,用于获取多个风力发电机组在工作过程中的多个参数;
分类模块,用于采用K均值聚类方法对所述多个参数进行聚类分析,将所述多个风力发电机组划分为至少两组风力发电机组小组,其中,每一小组中的风力发电机组具有相似性。
7.根据权利要求6所述的装置,其特征在于,还包括:
预处理模块,用于在所述获取模块获取多个风力发电机组在工作过程中的多个参数之后,对所述多个参数进行预处理,其中预处理的过程包括进行数据缩放以将所述多个参数变换为标准差为1的参数,以及进行填充缺失值的处理。
8.根据权利要求7所述的装置,其特征在于,还包括:
剔除模块,用于在所述预处理模块对所述多个参数进行预处理之后,对所述多个参数进行剔除处理,以去除所述多个参数中的异常参数。
9.根据权利要求8所述的装置,其特征在于,所述剔除模块,具体用于:
确定所述多个参数中的各连续变量参数与均值的差值,删除各连续变量参数中差值大于三倍的标准差的参数,并删除所述多个参数中离散变量参数中频率低于0.01%的参数。
10.根据权利要求6-9任一项所述的装置,其特征在于,还包括:
修正模块,用于在所述分类模块采用K均值聚类方法对所述多个参数进行聚类分析,将所述多个风力发电机组划分为至少两组风力发电机组小组之后,根据预设的风力发电机组小组的特性,对各风力发电机组小组进行调整,将不属于特定风力发电机组小组的风力发电机组划分到其他风力发电机组小组中;将风力发电机组小组的个数进行增减,以对所述至少两组风力发电机组小组的划分方式进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208561.6A CN108242027A (zh) | 2016-12-23 | 2016-12-23 | 用于风力发电机机组故障分析的数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611208561.6A CN108242027A (zh) | 2016-12-23 | 2016-12-23 | 用于风力发电机机组故障分析的数据处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108242027A true CN108242027A (zh) | 2018-07-03 |
Family
ID=62704183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611208561.6A Pending CN108242027A (zh) | 2016-12-23 | 2016-12-23 | 用于风力发电机机组故障分析的数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108242027A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598207A (zh) * | 2020-06-12 | 2021-04-02 | 河北新天科创新能源技术有限公司 | 一种基于多重清洗的风电机组运行功率曲线评估方法 |
CN112834224A (zh) * | 2021-01-05 | 2021-05-25 | 广东核电合营有限公司 | 一种核电汽轮发电机健康状态评估方法及系统 |
CN113530763A (zh) * | 2021-06-10 | 2021-10-22 | 北京国电思达科技有限公司 | 一种风电机组叶片零位异常监测方法、系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217247A (zh) * | 2013-05-29 | 2014-12-17 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
CN105787584A (zh) * | 2016-01-28 | 2016-07-20 | 华北电力大学(保定) | 一种基于云平台的风电机群故障预警方法 |
-
2016
- 2016-12-23 CN CN201611208561.6A patent/CN108242027A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217247A (zh) * | 2013-05-29 | 2014-12-17 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
CN105787584A (zh) * | 2016-01-28 | 2016-07-20 | 华北电力大学(保定) | 一种基于云平台的风电机群故障预警方法 |
Non-Patent Citations (3)
Title |
---|
孔志周: "《GIS与地图信息综合基本模型与算法》", 31 December 2011 * |
王致杰等: "《大型风力发电机组状态监测与智能故障诊断》", 31 December 2013 * |
胡立朋: "《项目管理工具箱》", 31 December 2014 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598207A (zh) * | 2020-06-12 | 2021-04-02 | 河北新天科创新能源技术有限公司 | 一种基于多重清洗的风电机组运行功率曲线评估方法 |
CN112834224A (zh) * | 2021-01-05 | 2021-05-25 | 广东核电合营有限公司 | 一种核电汽轮发电机健康状态评估方法及系统 |
CN113530763A (zh) * | 2021-06-10 | 2021-10-22 | 北京国电思达科技有限公司 | 一种风电机组叶片零位异常监测方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN108306303B (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
CN107846014B (zh) | 一种基于随机特征和级数计算的电网概率脆弱性评估方法 | |
CN109145957A (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
CN108375715A (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
CN109670213B (zh) | 一种风电场多机等值建模方法及装置 | |
CN106650982A (zh) | 一种基于多点nwp的深度学习功率预测方法 | |
CN110245795A (zh) | 一种用于海上风电运维决策仿真模拟的方法及系统 | |
CN108242027A (zh) | 用于风力发电机机组故障分析的数据处理方法和装置 | |
CN106529731A (zh) | 一种区域电网光伏电站集群划分方法 | |
CN104182803B (zh) | 风电数据预处理方法及风电功率预测方法和系统 | |
Du et al. | Impact of wind power scenario reduction techniques on stochastic unit commitment | |
CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
Chandrasekaran et al. | Binary/real coded particle swarm optimization for unit commitment problem | |
CN109325553A (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
CN108110756A (zh) | 考虑不确定性因素的工业园区配电网规划方法 | |
CN115563885A (zh) | 一种风电厂储能电池能量转换系统 | |
CN111697579B (zh) | 一种电力系统关键输电断面的确定方法、系统及介质 | |
CN201717634U (zh) | 用于多层电网的事故集处理系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180703 |
|
RJ01 | Rejection of invention patent application after publication |