CN109190994A - 基于多变量统计控制图对风机发电性能判定方法 - Google Patents
基于多变量统计控制图对风机发电性能判定方法 Download PDFInfo
- Publication number
- CN109190994A CN109190994A CN201811084977.0A CN201811084977A CN109190994A CN 109190994 A CN109190994 A CN 109190994A CN 201811084977 A CN201811084977 A CN 201811084977A CN 109190994 A CN109190994 A CN 109190994A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- multivariable
- data set
- statistical
- blower
- 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 53
- 238000010248 power generation Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims description 3
- 238000012916 structural analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000003070 Statistical process control Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种基于多变量统计控制图对风机发电性能判定方法,涉及风电技术领域。该方法通过对风速与功率形成的方差矩阵进行特征结构分析,运用特征向量生成的坐标系的一致性进行统计多变量C统计控制图的设计,以及对特征值构成的椭圆的相似性进行统计多变量W统计控制图的设计,结合C统计控制图和W统计控制图,能有效的提高对风机异常情况的监控能力,显著改善监控效率。
Description
技术领域
本发明涉及风电技术领域,尤其涉及一种基于多变量统计控制图对风机发电性能判定方法。
背景技术
由于技术成熟度和可预见成本的提高,风能成为可持续生活和替换化石燃料的一种大家广泛接受的能源解决方案。在风电场状态监测的研究中主要分为频域和时域分析。频域分析主要研究振动和声发射信号频率的功率谱,它在监测风机的状态方面是强大的,但是它需要额外的仪器来收集高频数据,导致成本过高。时域分析的重点是通过跟踪风机数据产生的参数值的变化趋势来监测风机的异常状态。
以前的时域分析主要集中于对风机的风速功率曲线进行分析,通过使用最小二乘法拟合并构建在连续时间间隔上风速功率曲线模型,统计模型的曲率和形状,然后引入多元和残差方法构造统计控制图来实现对于风机性能的判断。多元法主要研究Hotelling(霍特林)的二元统计控制图,该统计控制图设计中对于数据产生方差矩阵只是进行简单求行列式值来构造控制图,没有研究方差结构间特征关系,导致状态监测效果较差。
为了充分利用方差矩阵间特征结构信息,必须设计出相应的多变量统计控制图,要求这些多变量统计控制图不仅对变量的均值、方差变化敏感,而且对不同变量之间形成的方差矩阵的特征结构变化也敏感。
综上所述,随着应用水平的提升,对多变量过程的状态监控,特别是对方差矩阵的状态变动的准确而及时的识别与监控成为多变量过程监控的关键因素之一。为此,需要在分析现有统计控制图监控基础上,提出更完整、更有效的监控协方差阵变动的新的统计控制图。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种简单、判断准确率高、能够快速进行的基于多变量统计控制图对风机发电性能判定方法,联合C控制图和W控制图实施过程监控,能够显著改善风机性能的监控效率。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于多变量统计控制图对风机发电性能判定方法,包括以下步骤:
步骤1:对风机SCADA数据进行筛选并分成M组子数据集,具体方法为:
步骤1-1:从风机SCADA数据中提取出风速和功率的数据;
步骤1-2:筛选风速在切入风速和额定风速之间的风速和功率数据;
步骤1-3:根据固定时间间隔,把步骤1-2筛选得到的风速与功率数据,分成如下子数据集:
St={(vt1,Pt1),(vt2,Pt2),…,(vtn,Ptn)}
其中,t=1,2,3,…,M;每个子数据集包括n组风速与功率数据,共分为M组子数据集;vti表示第t组子数据集中第i组数据中的风速,Pti表示第t组子数据集中第i组数据中的风机功率输出;
步骤1-4:确定参数n和M,具体方法为:
步骤1-4-1:利用风机在前一年的SCADA数据,求取在前一年SCADA数据中风速对应的平均值和方差Sf 2,风机在出场时的固定切出风速为fmax,在前一年SCADA数据中风机的风速数据总数量为N;
步骤1-4-2:通过下式求参数n:
其中,α为第一类误差率,取0.05或0.01;Zα/2为正态分布中累计概率的Z值;δ为间距,
步骤1-4-3:通过下式求参数M:
步骤2:对子数据集建立协方差矩阵,进行矩阵特征结构分析,求取子数据集对应特征根与特征向量,具体方法为:
步骤2-1:求取每组子数据集的协方差矩阵,分别记为∑1,∑2,…,∑M;
步骤2-2:求取第t组子数据集的的协方差矩阵∑t的特征根为λt1和λt2,且λt1≥λt2,t=1,2,…,M,并求取对应标准正交特征向量为et1和et2,且et1≥et2,由该两个标准正交特征向量生成坐标系为CS{et1,et2};
步骤2-3:根据各组子数据集的的协方差矩阵得到总的协方差矩阵为∑,∑对应特征根为λ01和λ02,且λ01≥λ02,对应标准正交特征向量为e01和e02,且e01≥e02,由该两个标准正交特征向量生成对应的坐标系为CS{e01,e02};
步骤3:利用特征向量,计算统计量Ct和控制限UCL,构造多变量C统计控制图,具体方法为:
步骤3-1:坐标系CS{et1,et2}与CS{e01,e02}的一致性由统计量Ct得到,统计量Ct的计算如下式所示;
步骤3-2:计算多变量C统计控制图的控制限UCL:
步骤4:利用特征根,计算统计量Wt和控制限UCL,构造多变量W统计控制图,具体方法为:
步骤4-1:由步骤2-2得到特征根λt1和λt2对应的椭圆Et与由步骤2-3得到特征根λ01和λ02对应的椭圆E0的相似性由统计量Wt得到,统计量Wt的计算如下式所示;
步骤4-2:计算多变量W统计控制图的控制限UCL:
步骤5:利用多变量C统计控制图和多变量W统计控制图,对风机性能进行判定;
根据步骤3-2和步骤4-2,在多变量C统计控制图和多变量W统计控制图中,若统计量Ct和Wt均在控制线范围内,则统计量对应子数据集对应时间段内风机没有故障;反之,超出控制线统计量对应子数据集对应时间段内风机有故障。
采用上述技术方案所产生的有益效果在于:本发明提供的基于多变量统计控制图对风机发电性能判定方法,通过对风速与功率形成的方差矩阵进行特征结构分析,运用特征向量生成的坐标系的一致性进行统计多变量C统计控制图的设计,以及对特征值构成的椭圆的相似性进行统计多变量W统计控制图的设计,结合C统计控制图和W统计控制图,有效的提高了对风机异常情况的监控能力,显著改善监控效率。
附图说明
图1为本发明实施例提供的基于多变量统计控制图对风机发电性能判定方法的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
以某风机每10分钟采集的SCADA数据为例,本实施例的方法如下所述。
一种基于多变量统计控制图对风机发电性能判定方法,如图1所示,包括如下步骤:
步骤1:对风机SCADA数据进行筛选并分成M组子数据集,具体方法为:
步骤1-1:从风机SCADA数据中提取出风速和功率的数据;
步骤1-2:筛选风速在切入风速和额定风速之间的风速和功率数据;
步骤1-3:根据固定时间间隔,把步骤1-2筛选得到的风速与功率数据,分成如下子数据集:
St={(vt1,Pt1),(vt2,Pt2),…,(vtn,Ptn)}
其中,t=1,2,3,…,M;每个子数据集包括n组风速与功率数据,共分为M组子数据集;vti表示第t组子数据集中第i组数据中的风速,Pti表示第t组子数据集中第i组数据中的风机功率输出;
步骤1-4:确定参数n和M。
本实施例中,令α=0.05,由风机数据可求得Sf 2=6.4,N=52560,fmax=12m/s,δ=0.282,n=2007,M=26,Zα=1.960。
步骤2:对子数据集形成协方差矩阵,进行矩阵特征结构分析,求取子数据集对应特征根与特征向量,具体方法为:
步骤2-1:求取每组子数据集的协方差矩阵,分别记为∑1,∑2,…,∑M;
步骤2-2:求取第t组子数据集的的协方差矩阵∑t的特征根为λt1和λt2,且λt1≥λt2,t=1,2,…,M,并求取对应标准正交特征向量为et1和et2,且et1≥et2,由该两个标准正交特征向量生成坐标系为CS{et1,et2};
步骤2-3:根据各组子数据集的的协方差矩阵得到总的协方差矩阵为∑,∑对应特征根为λ01和λ02,且λ01≥λ02,对应标准正交特征向量为e01和e02,且e01≥e02,由该两个标准正交特征向量生成对应的坐标系为CS{e01,e02}。
步骤3:利用特征向量,计算统计量Ct和控制限UCL,构造多变量C统计控制图,具体方法为:
步骤3-1:坐标系CS{et1,et2}与CS{e01,e02}的一致性由统计量Ct得到,统计量Ct的计算如下式所示;
步骤3-2:计算多变量C统计控制图的控制限UCL:
步骤4:利用特征根,计算统计量Wt和控制限UCL,构造多变量W统计控制图,具体方法为:
步骤4-1:由步骤2-2得到特征根λt1和λt2对应的椭圆Et与由步骤2-3得到特征根λ01和λ02对应的椭圆E0的相似性由统计量Wt得到,统计量Wt的计算如下式所示;
步骤4-2:计算多变量W统计控制图的控制限UCL:
步骤5:利用多变量C统计控制图和多变量W统计控制图,对风机性能进行判定;
根据步骤3-2和步骤4-2,在多变量C统计控制图和多变量W统计控制图中,若统计量Ct和Wt均在控制线范围内,则统计量对应子数据集对应时间段内风机没有故障;反之,超出控制线统计量对应子数据集对应时间段内风机有故障。
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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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权利要求所限定的范围。
Claims (5)
1.一种基于多变量统计控制图对风机发电性能判定方法,其特征在于:该方法包括以下步骤:
步骤1:对风机SCADA数据进行筛选并分成M组子数据集;
步骤2:对子数据集建立协方差矩阵,进行矩阵特征结构分析,求取子数据集对应特征根与特征向量;
步骤3:利用特征向量,计算统计量Ct和控制限UCL,构造多变量C统计控制图;
步骤4:利用特征根,计算统计量Wt和控制限UCL,构造多变量W统计控制图;
步骤5:利用多变量C统计控制图和多变量W统计控制图,对风机性能进行判定;
根据步骤3和步骤4,在多变量C统计控制图和多变量W统计控制图中,若统计量Ct和Wt均在控制线范围内,则统计量对应子数据集对应时间段内风机没有故障;反之,超出控制线统计量对应子数据集对应时间段内风机有故障。
2.根据权利要求1所述的基于多变量统计控制图对风机发电性能判定方法,其特征在于:所述步骤1的具体方法为:
步骤1-1:从风机SCADA数据中提取出风速和功率的数据;
步骤1-2:筛选风速在切入风速和额定风速之间的风速和功率数据;
步骤1-3:根据固定时间间隔,把步骤1-2筛选得到的风速与功率数据,分成如下子数据集:
St={(vt1,Pt1),(vt2,Pt2),…,(vtn,Ptn)};
其中,t=1,2,3,…,M;每个子数据集包括n组风速与功率数据,共分为M组子数据集;vti表示第t组子数据集中第i组数据中的风速,Pti表示第t组子数据集中第i组数据中的风机功率输出;
步骤1-4:确定参数n和M,具体方法为:
步骤1-4-1:利用风机在前一年的SCADA数据,求取在前一年SCADA数据中风速对应的平均值和方差Sf 2,风机在出场时的固定切出风速为fmax,在前一年SCADA数据中风机的风速数据总数量为N;
步骤1-4-2:通过下式求参数n:
其中,α为第一类误差率,取0.05或0.01;Zα/2为正态分布中累计概率的Z值;δ为间距,
步骤1-4-3:通过下式求参数M:
3.根据权利要求2所述的基于多变量统计控制图对风机发电性能判定方法,其特征在于:所述步骤2的具体方法为:
步骤2-1:求取每组子数据集的协方差矩阵,分别记为∑1,∑2,…,∑M;
步骤2-2:求取第t组子数据集的的协方差矩阵∑t的特征根为λt1和λt2,且λt1≥λt2,t=1,2,…,M,并求取对应标准正交特征向量为et1和et2,且et1≥et2,由该两个标准正交特征向量生成坐标系为CS{et1,et2};
步骤2-3:根据各组子数据集的的协方差矩阵得到总的协方差矩阵为∑,∑对应特征根为λ01和λ02,且λ01≥λ02,对应标准正交特征向量为e01和e02,且e01≥e02,由该两个标准正交特征向量生成对应的坐标系为CS{e01,e02}。
4.根据权利要求3所述的基于多变量统计控制图对风机发电性能判定方法,其特征在于:所述步骤3的具体方法为:
步骤3-1:坐标系CS{et1,et2}与CS{e01,e02}的一致性由统计量Ct得到,统计量Ct的计算如下式所示;
步骤3-2:计算多变量C统计控制图的控制限UCL:
5.根据权利要求3或4所述的基于多变量统计控制图对风机发电性能判定方法,其特征在于:所述步骤4的具体方法为:
步骤4-1:由步骤2-2得到特征根λt1和λt2对应的椭圆Et与由步骤2-3得到特征根λ01和λ02对应的椭圆E0的相似性由统计量Wt得到,统计量Wt的计算如下式所示;
步骤4-2:计算多变量W统计控制图的控制限UCL:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811084977.0A CN109190994B (zh) | 2018-09-18 | 2018-09-18 | 基于多变量统计控制图对风机发电性能判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811084977.0A CN109190994B (zh) | 2018-09-18 | 2018-09-18 | 基于多变量统计控制图对风机发电性能判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190994A true CN109190994A (zh) | 2019-01-11 |
CN109190994B CN109190994B (zh) | 2021-12-28 |
Family
ID=64912043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811084977.0A Active CN109190994B (zh) | 2018-09-18 | 2018-09-18 | 基于多变量统计控制图对风机发电性能判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190994B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011016857A2 (en) * | 2009-08-05 | 2011-02-10 | Elliott James C | Equipment and system for structure inspection and monitoring |
CN106026103A (zh) * | 2016-07-15 | 2016-10-12 | 东南大学 | 一种风电场接入的概率潮流计算方法 |
CN107290962A (zh) * | 2017-07-13 | 2017-10-24 | 东北大学 | 一种基于自适应阈值pls的高炉铁水质量监测方法 |
CN108448625A (zh) * | 2018-04-09 | 2018-08-24 | 中能电力科技开发有限公司 | 一种基于数据驱动的风机切入风速计算方法 |
-
2018
- 2018-09-18 CN CN201811084977.0A patent/CN109190994B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011016857A2 (en) * | 2009-08-05 | 2011-02-10 | Elliott James C | Equipment and system for structure inspection and monitoring |
CN106026103A (zh) * | 2016-07-15 | 2016-10-12 | 东南大学 | 一种风电场接入的概率潮流计算方法 |
CN107290962A (zh) * | 2017-07-13 | 2017-10-24 | 东北大学 | 一种基于自适应阈值pls的高炉铁水质量监测方法 |
CN108448625A (zh) * | 2018-04-09 | 2018-08-24 | 中能电力科技开发有限公司 | 一种基于数据驱动的风机切入风速计算方法 |
Non-Patent Citations (2)
Title |
---|
程宏波等: "一种基于多元统计分析的变压器状态评判方法", 《电网技术》 * |
蒋家东 等: "基于协方差阵特征结构的新型控制图研究", 《中国管理科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109190994B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10815972B2 (en) | System and method for assessing and validating wind turbine and wind farm performance | |
US11401913B2 (en) | Yaw calibration method and system for wind turbine | |
US9644612B2 (en) | Systems and methods for validating wind farm performance measurements | |
US8141416B2 (en) | Systems and methods for identifying wind turbine performance inefficiency | |
JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
CN102588210B (zh) | 一种用于功率曲线拟合数据预处理的滤波方法 | |
CN107394809B (zh) | 基于风速时间周期特征的风电并网系统风险评估方法 | |
Laratro et al. | A discussion of wind turbine interaction and stall contributions to wind farm noise | |
CN107657116B (zh) | 一种风电场功率曲线仿射建模的方法 | |
CN116401536A (zh) | 一种风电机组风速计的故障诊断方法、装置及系统 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN110457821A (zh) | 风功率曲线多目标综合评价方法、装置及服务器 | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
CN109190994A (zh) | 基于多变量统计控制图对风机发电性能判定方法 | |
CN110296055B (zh) | 一种风向预测关联种子机组筛选方法 | |
CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 | |
CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及系统 | |
CN115898787A (zh) | 一种风电机组静态偏航误差动态识别方法及装置 | |
CN111242411B (zh) | 一种风电机组功率特性评价方法及系统 | |
Liu et al. | Analysis and comparison of turbulence models on wind turbine performance using SCADA data and machine learning technique | |
Bao et al. | Iterative modeling of wind turbine power curve based on least‐square B‐spline approximation | |
CN113111314B (zh) | 一种基于多机组协同的并网风电机组健康状态评估方法 | |
CN114320770A (zh) | 风电机组的有效风速测量方法及装置 | |
Qiao et al. | Research on SCADA data preprocessing method of Wind Turbine | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines |
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 |