CN108921347A - 一种风电变流器故障预测方法 - Google Patents
一种风电变流器故障预测方法 Download PDFInfo
- Publication number
- CN108921347A CN108921347A CN201810708045.2A CN201810708045A CN108921347A CN 108921347 A CN108921347 A CN 108921347A CN 201810708045 A CN201810708045 A CN 201810708045A CN 108921347 A CN108921347 A CN 108921347A
- Authority
- CN
- China
- Prior art keywords
- electric converter
- wind
- typhoon
- cluster
- sub
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
Abstract
本发明公开了一种风电变流器故障预测方法,包括如下步骤:将风电场中的所有风力发电机划分为若干个风力发电机子集群。针对每个风力发电机子集群,将风电变流器子集群的历史监测信号作为原始特征库,通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心风电变流器,计算风电变流器子集群的累积偏心距离矩阵,对累积偏心距离矩阵进行归一化处理并设定预警阈值,综合所有风力发电机子集群的风电变流器故障预测结果,即可获得风电场中风电变流器的故障预测结果。本发明实现了风电变流器故障的预测,有利于检修人员建立合理有效的维修计划,确保电网的安全稳定运行。
Description
技术领域
本发明涉及一种风电变流器故障预测方法,属于电网技术领域。
背景技术
风力发电机是一种将风能转换为机械能,通过机械能带动发电机转子旋转,从而输出交流电的电力设备。风电变流器是风力发电机的关键部件,其健康状态直接影响风力风电机运行的安全,进而影响整个风电场的稳定运行。由于风力发电机往往地处风资源比较丰富的偏远地区,且风力发电系统容量不断增加,电网对风电变流器的健康状态评估技术也提出了更高的要求。因此,实时监测风力发电机的运行状态,及时准确地预测风电变流器故障的发生,有利于建立合理有效的维修计划,减少不必要的断电时间,节省企业的维护费用,确保电网的安全稳定运行。
目前,风电变流器的检修通常采用事后维修,检修人员难以实时掌握风电变流器的健康状态。通过故障预测技术可以帮助检修人员提前预判风电变流器可能发生故障,然而目前现有的故障预测方法大多依赖设备的全寿命周期运行数据,建立的故障预测模型也仅适用于单台设备,模型的可移植性较差,尚缺乏一种有效的可推广的风电变流器故障预测方法。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种风电变流器故障预测方法,能够准确有效地实现风电变流器故障的在线预测。
为达到上述目的,本发明所采用的技术方案是:一种风电变流器故障预测方法:
将同一风电场中的所有风力发电机划分为若干个风力发电机子集群;针对每个风力发电机子集群,将风电变流器子集群的历史监测信号作为原始特征库,通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心风电变流器,计算风电变流器子集群的累积偏心距离矩阵,对累积偏心距离矩阵进行归一化处理并设定预警阈值,即可实现风电变流器子集群中风电变流器故障的预测,综合所有风力发电机子集群的风电变流器故障预测结果,即可获得风电场中所有风电变流器的故障预测结果;所述风电变流器子集群中每台风电变流器的历史监测信号包括:风电变流器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度,风电变流器直流功率、直流电流、直流电压。
进一步的,结合地理空间分布情况,将距离较近的m台风力发电机划为一个风力发电机子集群,则风力发电机子集群个数其中,α表示风电场中风力发电机的总个数。
进一步的,每一采样时刻的风电变流器子集群的主特征矩阵的具体提取方法如下:
用t1,t2,…,tk表示时间序列,其中,k为大于2的一个正整数,则tk时刻的原始特征矩阵表示为其中,m为风电变流器子集群中风电变流器的个数,原始特征矩阵分别表示第i台风电变流器第1、2、…、n路监测信号的采样值,n为每台风电变流器监测信号的总通道数;
构建包含输入层、隐层、输出层的三层稀疏自编码网络,网络隐层的激活值可以表示为a=f(w1x(i)+b1),其中,w1表示输入层的权值矩阵,b1表示输入层的偏移矩阵;网络输出层的值表示为h(i)=f(w2a+b2),其中w2表示隐层的权值矩阵,b2表示隐层的偏移矩阵;随机初始化稀疏自编码网络参数w1、w2、b1、b2;
稀疏自编码网络的总体代价函数表示为
其中,β为稀疏惩罚的权重,s2为网络隐层神经元的个数;
其中,λ为衰减参数的权重,nl表示网络的总层数,sl表示第l层网络的神经元个数,表示连接l层第j个神经元和l+1层第i个神经元的权值;
其中,ρ为稀疏参数,表示隐层第j个神经元对输入x(i)的激活值;
训练稀疏自编码网络,即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新,当达到设定的迭代次数时,网络训练结束,此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2;
则tk时刻风电变流器子集群的主特征矩阵表示为其中,第i台风电变流器主特征矩阵第j台风电变流器主特征矩阵j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号。
进一步的,每一采样时刻的聚类中心风电变流器的具体搜寻方法如下:
依次计算第i台风电变流器的局部密度ρi、距离δi;其中,i=1,2,…,m;m为风电变流器子集群中风电变流器的个数;
根据j≠i计算第i台风电变流器的局部密度ρi,其中,j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号,dij表示第i台风电变流器与第j台风电变流器的距离,dc表示截断距离,是事先指定的一个参数;第i台风电变流器与第j台风电变流器的距离dij的计算公式为其中,表示第i台风电变流器主特征矩阵,表示第j台风电变流器主特征矩阵;
根据计算第i台风电变流器的距离δi,其中,集合I={ρj>ρi},表示在所有局部密度大于ρi的风电变流器中,与第i台风电变流器距离最小的风电变流器与第i台风电变流器之间的距离,表示第i台风电变流器具有最大局部密度时,与第i台风电变流器距离最大的风电变流器与第i台风电变流器之间的距离;进而通过公式γi=ρiδi,计算每台风电变流器的中心权重γi;tk时刻具有最大中心权重γi的风电变流器即为tk时刻聚类中心风电变流器,聚类中心风电变流器主特征矩阵
进一步的,计算风电变流器子集群的累积偏心距离矩阵的具体方法如下:
根据计算tk时刻每台风电变流器与聚类中心风电变流器之间的距离,得到对应的距离矩阵则风电变流器子集群的累积偏心距离矩阵为
进一步的,对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下:
归一化处理的累积偏心距离矩阵其中,max(li)表示在风电变流器子集群的m台风电变流器中,最大的累积偏心距离;设定预警阈值EW∈[0,1];比较gi与EW,当gi<EW时,则第i台风电变流器正常,当gi≥EW时,则第i台风电变流器将要发生故障,向检修人员发出预警信息,即可实现风电变流器子集群中风电变流器故障的预测;最后综合所有风力发电机子集群的风电变流器故障预测结果,即可获得风电场中所有风电变流器的故障预测结果。
与现有技术相比,本发明的有益效果是:
一、根据地理空间分布将风电场中的风力发电机划分为若干风力发电机子集群,针对每个风力发电机子集群,对风电变流器子集群的信号进行集中监测,通过提取风电变流器子集群的主特征矩阵、搜寻聚类中心风电变流器、归一化风电变流器子集群的累积偏心距离矩阵并设定预警阈值,即可实现风电变流器子集群的风电变流器故障的准确预测,综合所有风力发电机子集群的风电变流器故障预测结果,即可获得风电场中所有风电变流器的故障预测结果。检修人员可根据风电变流器故障预测结果,对风电变流器实施有针对性的维修维护方案,与通常采用的事后维修方式相比,缩短了设备停工修理时间,减少了企业因设备停工造成的经济损失,实现了风电变流器的主动维修。
二、目前,常用的设备故障预测方法通常依赖单一设备的全寿命周期运行数据,通过建模的方式学习设备的全寿命周期运行数据,以实现设备的故障预测。这类方法完全依赖设备的全寿命周期运行数据,不适用于缺乏全寿命周期运行数据的场景,且训练好的模型仅适用于单台设备,可移植性较差。本发明的核心思想是将同一风电变流器子集群中的风电变流器进行相互比较,通过计算得到风电变流器子集群的累积偏心距离矩阵,利用累积偏心距离衡量风电变流器的健康状态,最后结合设定的预警阈值即可实现风电变流器的故障预测。与现在常用的设备故障预测方法相比,本方法很好地考虑并融合了风电变流器集群式安装的特点,不依赖风电变流器的全寿命周期运行数据,对风电变流器子集群的历史监测信号的监测时间跨度不做要求,适用于不同规模的风电变流器子集群,方法的可移植性好。
附图说明
图1是本发明的流程图。
具体实施方式
本发明风电变流器故障预测方法,根据地理空间分布将风电场中的风力发电机划分为若干风力发电机子集群,对风电变流器子集群的历史监测信号作为原始特征库,通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心风电变流器,计算风电变流器子集群的累积偏心距离矩阵,对累积偏心距离矩阵进行归一化处理并设定预警阈值,即可实现风电变流器子集群中风电变流器故障的预测,综合所有风力发电机子集群的风电变流器故障预测结果,即可获得风电场中所有风电变流器的故障预测结果。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,是本发明的流程图,包括如下步骤:
步骤一、结合地理空间分布情况,将距离较近的m台风力发电机划为一个风力发电机子集群(m可取5~10)。
步骤二、针对每个风力发电机子集群,以当前时间为起点,将风电变流器子集群在一段历史时间范围内的历史监测信号作为原始特征库,风电变流器子集群中每台风电变流器的监测信号包括:风电变流器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度,风电变流器直流功率、直流电流、直流电压。
步骤三、通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵,计算过程如下:
一段历史时间范围的时间序列用t1,t2,…,tk表示,其中,k为大于2的一个正整数,则当前时刻tk对应的原始特征矩阵可以表示为其中,m为风电变流器子集群中风电变流器的个数,原始特征矩阵 分别表示第i台风电变流器第1、2、…、n路监测信号的采样值,n为每台风电变流器监测信号的总通道数。
构建包含输入层、隐层、输出层的三层稀疏自编码网络,网络隐层的激活值可以表示为a=f(w1x(i)+b1),其中,w1表示输入层的权值矩阵,b1表示输入层的偏移矩阵;网络输出层的值表示为h(i)=f(w2a+b2),其中w2表示隐层的权值矩阵,b2表示隐层的偏移矩阵;随机初始化稀疏自编码网络参数w1、w2、b1、b2。
计算稀疏自编码网络的总体代价函数:
其中,β为稀疏惩罚的权重(可设定为3),s2为网络隐层神经元的个数(隐层神经元的个数可设定为3)。
其中,h(i)表示网络输出层的值,λ为衰减参数的权重(可设定为0.0001),nl表示网络的总层数,sl表示第l层网络的神经元个数,表示连接l层第j个神经元和l+1层第i个神经元的权值。
其中,ρ为稀疏参数(可设定为0.15),表示隐层第j个神经元对输入x(i)的激活值。
训练稀疏自编码网络,即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新,当达到设定的迭代次数时(迭代次数可设定为100次),网络训练结束,此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2。
则tk时刻风电变流器子集群的主特征矩阵表示为其中,第i台风电变流器主特征矩阵第j台风电变流器主特征矩阵j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号。
步骤四、依次搜索时间序列t1,t2,…,tk中每一采样时刻的聚类中心风电变流器,以tk时刻为例,搜寻计算过程如下:
根据j≠i计算第i台风电变流器的局部密度ρi,其中,j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号,dij表示第i台风电变流器与第j台风电变流器的距离,dc表示截断距离(截断距离可设定为dij的最小值min(dij)),是事先指定的一个参数;第i台风电变流器与第j台风电变流器的距离dij的计算公式为其中,表示第i台风电变流器主特征矩阵,表示第j台风电变流器主特征矩阵。
根据计算第i台风电变流器的距离δi,其中,集合I={ρj>ρi},表示在所有局部密度大于ρi的风电变流器中,与第i台风电变流器距离最小的风电变流器与第i台风电变流器之间的距离,表示第i台风电变流器具有最大局部密度时,与第i台风电变流器距离最大的风电变流器与第i台风电变流器之间的距离;进而通过公式γi=ρiδi,计算每台风电变流器的中心权重γi;tk时刻具有最大中心权重γi的风电变流器即为tk时刻聚类中心风电变流器,聚类中心风电变流器主特征矩阵
步骤五、计算风电变流器子集群的累积偏心距离矩阵,计算过程如下:
根据计算tk时刻每台风电变流器与聚类中心风电变流器之间的距离,得到对应的距离矩阵则风电变流器子集群的累积偏心距离矩阵为
步骤六、归一化处理的累积偏心距离矩阵其中,max(li)表示在风电变流器子集群的m台风电变流器中,最大的累积偏心距离;合理设定预警阈值EW∈[0,1](预警阈值EW可设定为0.8)。
步骤七、比较gi与EW,当gi<EW时,则第i台风电变流器正常,当gi≥EW时,则第i台风电变流器将要发生故障,向检修人员发出预警信息,即可实现风电变流器子集群中风电变流器故障的预测。
步骤八、综合所有风力发电机子集群的风电变流器故障预测结果,即可获得风电场中所有风电变流器的故障预测结果。
本发明可实现风电变流器故障的在线预测,可以帮助检修人员提前预判风电变流器可能发生故障,从而对风电变流器实施有针对性的维修维护方案,与通常采用的事后维修方式相比,缩短了设备停工修理时间,减少了企业因设备停工造成的经济损失,实现了风电变流器的主动维修。且本发明可在线运行、计算方便、无特殊要求限制,适用于不同规模的风电变流器子集群,可移植性好,有利于检修人员建立合理有效的维修计划,确保电网的安全稳定运行。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种风电变流器故障预测方法,其特征在于:
将同一风电场中的所有风力发电机划分为若干个风力发电机子集群;针对每个风力发电机子集群,将风电变流器子集群的历史监测信号作为原始特征库,通过稀疏自编码算法从原始特征库中提取每一采样时刻的风电变流器子集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心风电变流器,计算风电变流器子集群的累积偏心距离矩阵,对累积偏心距离矩阵进行归一化处理并设定预警阈值,即可实现风电变流器子集群中风电变流器故障的预测,综合所有风力发电机子集群的风电变流器故障预测结果,即可获得风电场中所有风电变流器的故障预测结果;所述风电变流器子集群中每台风电变流器的历史监测信号包括:风电变流器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度,风电变流器直流功率、直流电流、直流电压。
2.根据权利要求1所述的风电变流器故障预测方法,其特征在于,结合地理空间分布情况,将距离较近的m台风力发电机划为一个风力发电机子集群,则风力发电机子集群个数其中,α表示风电场中风力发电机的总个数。
3.根据权利要求1所述的风电变流器故障预测方法,其特征在于,每一采样时刻的风电变流器子集群的主特征矩阵的具体提取方法如下:
用t1,t2,…,tk表示时间序列,其中,k为大于2的一个正整数,则tk时刻的原始特征矩阵表示为i=1,2,…,m;其中,m为风电变流器子集群中风电变流器的个数,原始特征矩阵分别表示第i台风电变流器第1、2、…、n路监测信号的采样值,n为每台风电变流器监测信号的总通道数;
构建包含输入层、隐层、输出层的三层稀疏自编码网络,网络隐层的激活值可以表示为a=f(w1x(i)+b1),其中,w1表示输入层的权值矩阵,b1表示输入层的偏移矩阵;网络输出层的值表示为h(i)=f(w2a+b2),其中w2表示隐层的权值矩阵,b2表示隐层的偏移矩阵;随机初始化稀疏自编码网络参数w1、w2、b1、b2;
稀疏自编码网络的总体代价函数表示为
其中,β为稀疏惩罚的权重,s2为网络隐层神经元的个数;
其中,λ为衰减参数的权重,nl表示网络的总层数,sl表示第l层网络的神经元个数,表示连接l层第j个神经元和l+1层第i个神经元的权值;
其中,ρ为稀疏参数,表示隐层第j个神经元对输入x(i)的激活值;
训练稀疏自编码网络,即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新,当达到设定的迭代次数时,网络训练结束,此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2;
则tk时刻风电变流器子集群的主特征矩阵表示为i=1,2,…,m;其中,第i台风电变流器主特征矩阵第j台风电变流器主特征矩阵j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号。
4.根据权利要求1所述的风电变流器故障预测方法,其特征在于,每一采样时刻的聚类中心风电变流器的具体搜寻方法如下:
依次计算第i台风电变流器的局部密度ρi、距离δi;其中,i=1,2,…,m;m为风电变流器子集群中风电变流器的个数;
根据j=1,2,…,m;j≠i计算第i台风电变流器的局部密度ρi,其中,j表示m台风电变流器中除第i台风电变流器外的任意一台风电变流器的序号,dij表示第i台风电变流器与第j台风电变流器的距离,dc表示截断距离,是事先指定的一个参数;第i台风电变流器与第j台风电变流器的距离dij的计算公式为其中,表示第i台风电变流器主特征矩阵,表示第j台风电变流器主特征矩阵;
根据计算第i台风电变流器的距离δi,其中,集合I={ρj>ρi}, 表示在所有局部密度大于ρi的风电变流器中,与第i台风电变流器距离最小的风电变流器与第i台风电变流器之间的距离, 表示第i台风电变流器具有最大局部密度时,与第i台风电变流器距离最大的风电变流器与第i台风电变流器之间的距离;进而通过公式γi=ρiδi,计算每台风电变流器的中心权重γi;tk时刻具有最大中心权重γi的风电变流器即为tk时刻聚类中心风电变流器,聚类中心风电变流器主特征矩阵
5.根据权利要求1所述的风电变流器故障预测方法,其特征在于,计算风电变流器子集群的累积偏心距离矩阵的具体方法如下:
根据计算tk时刻每台风电变流器与聚类中心风电变流器之间的距离,得到对应的距离矩阵i=1,2,…,m;则风电变流器子集群的累积偏心距离矩阵为
6.根据权利要求1所述的风电变流器故障预测方法,其特征在于,对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下:
归一化处理的累积偏心距离矩阵i=1,2,…,m,其中,max(li)表示在风电变流器子集群的m台风电变流器中,最大的累积偏心距离;设定预警阈值EW∈[0,1];比较gi与EW,当gi<EW时,则第i台风电变流器正常,当gi≥EW时,则第i台风电变流器将要发生故障,向检修人员发出预警信息,即可实现风电变流器子集群中风电变流器故障的预测;最后综合所有风力发电机子集群的风电变流器故障预测结果,即可获得风电场中所有风电变流器的故障预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810708045.2A CN108921347B (zh) | 2018-07-02 | 2018-07-02 | 一种风电变流器故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810708045.2A CN108921347B (zh) | 2018-07-02 | 2018-07-02 | 一种风电变流器故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921347A true CN108921347A (zh) | 2018-11-30 |
CN108921347B CN108921347B (zh) | 2021-11-30 |
Family
ID=64423614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810708045.2A Active CN108921347B (zh) | 2018-07-02 | 2018-07-02 | 一种风电变流器故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921347B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN109991500A (zh) * | 2019-04-29 | 2019-07-09 | 中国水电工程顾问集团有限公司 | 一种风电故障预警预测的方法 |
CN111259834A (zh) * | 2020-01-20 | 2020-06-09 | 武汉大学 | 基于集成深度置信网络的变压器故障诊断方法及系统 |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
EP4239419A1 (en) * | 2022-03-01 | 2023-09-06 | Siemens Aktiengesellschaft | Condition monitoring of an electric power converter |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN107133632A (zh) * | 2017-02-27 | 2017-09-05 | 国网冀北电力有限公司 | 一种风电设备故障诊断方法及系统 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108106844A (zh) * | 2017-11-22 | 2018-06-01 | 辽宁大学 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
-
2018
- 2018-07-02 CN CN201810708045.2A patent/CN108921347B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN107133632A (zh) * | 2017-02-27 | 2017-09-05 | 国网冀北电力有限公司 | 一种风电设备故障诊断方法及系统 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108106844A (zh) * | 2017-11-22 | 2018-06-01 | 辽宁大学 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
任浩等: "深度学习在故障诊断领域中的研究现状与挑战", 《控制与决策》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN109991500A (zh) * | 2019-04-29 | 2019-07-09 | 中国水电工程顾问集团有限公司 | 一种风电故障预警预测的方法 |
CN109991500B (zh) * | 2019-04-29 | 2021-12-21 | 中国水电工程顾问集团有限公司 | 一种风电故障预警预测的方法 |
CN111259834A (zh) * | 2020-01-20 | 2020-06-09 | 武汉大学 | 基于集成深度置信网络的变压器故障诊断方法及系统 |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
EP4239419A1 (en) * | 2022-03-01 | 2023-09-06 | Siemens Aktiengesellschaft | Condition monitoring of an electric power converter |
Also Published As
Publication number | Publication date |
---|---|
CN108921347B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921347A (zh) | 一种风电变流器故障预测方法 | |
CN108847686A (zh) | 一种光伏逆变器故障预测方法 | |
CN104882905B (zh) | 一种考虑暂态安全约束的新能源接纳能力评估方法 | |
CN109002781A (zh) | 一种储能变流器故障预测方法 | |
CN108306303A (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 | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
Hayes et al. | Equivalent power curve model of a wind farm based on field measurement data | |
CN108960321A (zh) | 一种大型锂电池储能电站电池故障预测方法 | |
CN105512472B (zh) | 大型风电基地功率汇集系统拓扑结构分层优化设计方法 | |
CN111859812B (zh) | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 | |
CN109522599A (zh) | 一种台风导致的输电线路突发故障预警方法 | |
CN104463697A (zh) | 含大规模风电电力系统的风险评估方法 | |
Wang et al. | Dynamic equivalent modeling for wind farms with DFIGs using the artificial bee colony with K-means algorithm | |
CN111401603A (zh) | 一种多类型能源需求预测方法 | |
CN105391082B (zh) | 基于分类样板逆变器的光伏电站理论功率计算方法 | |
CN108448721A (zh) | 电力系统主站监控信号与标准信号自动匹配的方法 | |
CN114861539A (zh) | 一种5g城市综合能源互联网数字孪生系统建模与实现方法 | |
CN106295698B (zh) | 一种基于分层kpi相似度的智能光伏电站故障诊断方法 | |
Yan et al. | Deep learning based total transfer capability calculation model | |
CN105576654B (zh) | 直驱风电场等值方法和系统 | |
CN108736472B (zh) | 一种考虑礁石影响的潮汐流能发电场规划方法 | |
CN116664095B (zh) | 一种基于深度学习的安保巡检预测方法 | |
CN109615114A (zh) | 基于光伏发电作为集中式电源并网的经济效益评估方法 | |
CN113988686A (zh) | 基于多换流器并网协同控制的柔性配电网控制方法及系统 | |
CN108470247A (zh) | 基于关联规则分类的光伏电站经营辅助决策方法 |
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 |