CN110533314A - 一种基于概率密度分布的风电场异常机组识别方法 - Google Patents
一种基于概率密度分布的风电场异常机组识别方法 Download PDFInfo
- Publication number
- CN110533314A CN110533314A CN201910784618.4A CN201910784618A CN110533314A CN 110533314 A CN110533314 A CN 110533314A CN 201910784618 A CN201910784618 A CN 201910784618A CN 110533314 A CN110533314 A CN 110533314A
- Authority
- CN
- China
- Prior art keywords
- wind
- unit
- probability density
- density distribution
- power plant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000000491 multivariate analysis Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 238000010835 comparative analysis Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明属于风力发电技术领域,涉及风电场异常机组识别技术领域。本发明公开了一种基于概率密度分布的风电场异常机组识别方法,包括:首先使用基于概率密度分布的统计指标对风电机组运行特性曲线进行描述,然后通过基于密度的无监督聚类算法,对统计指标进行聚类分析,实现异常机组识别。本发明的识别方法,可从数量众多的机组中识别出异常机组,能够提高风电场运维工作的效率。
Description
技术领域
本发明属于风力发电技术领域,涉及风电场异常机组识别技术领域,特别涉及一种基于概率密度分布的风电场异常机组识别方法。
背景技术
目前,风力发电产业发展迅速,风电机组的累计装机数量和新增装机数量逐年增大,风电场规模也随之增大,这增加了对风电场中大量机组运维监测工作的难度。较大的风电场中拥有上百台规模的机组,如何快速的从数量众多的机组中识别出异常机组,提高风电场运维工作的效率,对于保证风电场安全稳定的运行、降低运维成本、合理安排运维时间等有着重要的工程价值。
风电场中的异常机组是指与绝大多数机组不同的机组,这些异常机组与正常机组工作状态的差异不是由随机误差导致的,而是由于完全不同的运行机制导致的。这些异常很难通过单一检测参数直接观察出来。
综上,亟需一种新的基于概率密度分布的风电场异常机组识别方法,实现异常机组识别的目的。
发明内容
本发明的目的在于提供基于概率密度分布的风电场异常机组识别方法,以解决上述存在的一个或多个技术问题。本发明的识别方法,可从数量众多的机组中识别出异常机组,能够提高风电场运维工作的效率。
为达到上述目的,本发明采用以下技术方案:
本发明的一种基于概率密度分布的风电场异常机组识别方法,包括:首先使用基于概率密度分布的统计指标对风电机组运行特性曲线进行描述,然后通过基于密度的无监督聚类算法,对统计指标进行聚类分析,实现异常机组识别。
本发明的进一步改进在于,选择风电数据的风速、功率和转速三个监测参数,绘制功率曲线和转速曲线。
本发明的进一步改进在于,分别计算风电场所有机组功率曲线的多元峰度和多元偏斜度,并以二维散点图的形式可视化;计算所有机组转速曲线的多元峰度和多元偏斜度,以二维散点图的形式可视化;
通过计算样本点分布的紧密程度进行聚类;
在散点图中,较为明显的离群值数据点对应的机组就是异常机组。
本发明的一种基于概率密度分布的风电场异常机组识别方法,包括以下步骤:
步骤1,获取风电机组运行特性曲线,计算运行特性曲线的概率密度分布的多元统计指标,并描述曲线的概率密度分布形态的变化;
步骤2,获得风电机组运行特性曲线的多元统计指标的散点图,使用基于密度的无监督聚类算法进行异常识别,实现异常机组识别。
本发明的进一步改进在于,步骤1中,获取风电机组运行特性曲线还包括:选择风电机组在同一运行工况下的数据进行计算,排除非正常发电状态数据的干扰,保证能够在相同工况下进行统计指标的对比分析。
本发明的进一步改进在于,步骤1中,获取风电机组运行特性曲线还包括:对风电机组运行数据进行预处理,清洗掉异常状态的数据,只保留风电机组在正常运行状态下的数据。
本发明的进一步改进在于,步骤1中,获取风电机组运行特性曲线还包括:选择风电数据的风速、功率和转速三个监测参数,绘制功率曲线和转速曲线。
本发明的进一步改进在于,步骤1中,风电数据概率密度统计指标的计算时:
使用多元峰度指标对运行特性曲线的概率密度分布形态的陡峭程度进行描述,计算公式表示为:
使用多元偏斜度指标对运行特性曲线的概率密度分布形态的对称性进行描述,计算公式表示为:
其中,n为数据样本个数;为矩阵的均值;Cov为矩阵的协方差矩阵;i表示当前数据样本序号,i=1,2,……,n;j同样表示当前样本序号,j=1,2,……,n。
本发明的进一步改进在于,步骤2中,获得风电机组运行特性曲线的多元统计指标的散点图的过程包括:分别计算风电场所有机组功率曲线的多元峰度和多元偏斜度,并以二维散点图的形式可视化;计算所有机组转速曲线的多元峰度和多元偏斜度,以二维散点图的形式可视化。
本发明的进一步改进在于,步骤2中,使用基于密度的无监督聚类算法进行异常识别的过程具体包括:
通过计算样本点分布的紧密程度进行聚类;
所有正常机组,其运行特性曲线中,计算的多元统计指标的散点图样本点分布较为紧密,聚类为同一类别;
异常机组的多元统计指标的样本点的分布更加离散,在聚类结果中属于噪声点或者离群点;
在散点图中,较为明显的离群值数据点对应的机组就是异常机组。
与现有技术相比,本发明具有以下有益效果:
本发明为解决风电场机组数量众多,单一参数难以检测出异常机组的问题,提出了一种基于概率密度分布统计的异常机组识别方法。本发明的方法运用数据分析的相关知识,基于对多个监测参数的概率密度分布情况的统计,对风电场各个机组运行特性曲线的分布形态进行描述;然后通过基于密度的无监督聚类算法实现对异常机组的识别。
本发明中,风电场中机组数量众多,各个机组之间的运行状态比较类似,当机组均处于正常运行状态时,机组运行特性曲线的分布形态基本一致,因此计算得到的多元统计指标比较接近。正常机组的多元统计指标可以通过无监督聚类的方法划分为同一个簇,当机组发生异常时,其运行特性曲线的统计指标也随之变化,异常机组的聚类类别簇也与正常机组的类别簇不同,根据这种差异能够识别出异常机组。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于概率密度分布的风电场异常机组识别方法的流程示意图;
图2是本发明实施例中,所有机组功率曲线的多元统计参数的聚类结果示意图;
图3是本发明实施例中,所有机组转速曲线的多元统计参数的聚类结果示意图;
图4是本发明实施例中,正常机组与11号异常机组的特征曲线对比分析示意图;其中,
图4(a)为风速-功率曲线示意图,图4(b)为风速-转速曲线示意图;
图5是本发明实施例中,正常机组与12号异常机组的特征曲线对比分析示意图;其中,图5(a)为风速-功率曲线示意图,图5(b)为风速-转速曲线示意图,图5(c)为风速-桨距角曲线示意图,图5(d)为转速-功率曲线示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面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。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
本发明的一种基于概率密度分布的风电场异常机组识别方法,首先使用基于概率密度分布的统计指标对风电机组运行特性曲线进行描述,然后通过基于密度的无监督聚类算法,对统计指标进行聚类分析并识别异常。
本发明的一种基于概率密度分布的风电场异常机组识别方法,内容主要包括以下步骤:
步骤一:风电机组运行特性曲线的获取:
风电机组运行工况复杂多变,其不同运行工况下,数据的分布特性也有所不同,由此计算得到的概率密度分布的统计指标也有所区别。所以需要选择风电机组在同一运行工况下的数据进行计算,排除停机、限功率运行等非正常发电状态数据的干扰,保证能够在相同工况下进行统计指标的对比分析。对风电运行数据进行预处理,清洗掉停机、限功率、启动状态以及其它异常状态的数据,只保留机组在正常运行状态下的数据。选择风电数据的风速、功率和转速三个监测参数,绘制其功率曲线和转速曲线,以备后续步骤使用。
步骤二:风电数据概率密度统计指标的计算。
获得风电机组功率曲线和转速曲线两种运行特性曲线后,计算运行特性曲线的概率密度分布的多元统计指标,并描述曲线的概率密度分布形态的变化。
使用多元峰度指标对运行特性曲线的概率密度分布形态的陡峭程度进行描述,计算公式如下:
式中:n——数据样本个数;——矩阵的均值;Cov——矩阵的协方差矩阵。i表示当前数据样本序号(i=1,2,……,n)。
使用多元偏斜度指标对运行特性曲线的概率密度分布形态的对称性进行描述,计算公式如下:
式中:n——数据样本个数;——矩阵的均值;Cov——矩阵的协方差矩阵。i表示当前数据样本序号(i=1,2,……,n);j同样表示当前样本序号(i=1,2,……,n)。
分别计算风电场所有机组功率曲线的多元峰度和多元偏斜度,并以二维散点图的形式可视化;计算所有机组转速曲线的多元峰度和多元偏斜度,以二维散点图的形式可视化。
步骤三:基于密度的无监督聚类算法的异常机组识别。
在获得所有机组功率曲线和转速曲线的多元统计指标的散点图后,需要对异常机组进行识别,使用基于密度的无监督聚类算法进行异常识别。基于密度的无监督聚类算法,即DBSCAN算法,通过计算样本点分布的紧密程度进行聚类。所有正常的机组,其运行特性曲线中,计算的多元统计指标的散点图样本点分布较为紧密,可以聚类为同一类别;而异常机组的多元统计指标的样本点的分布更加离散,在聚类结果中属于噪声点或者离群点。因此在散点图中,较为明显的离群值数据点对应的机组就是异常机组。
综上所述,风电场中的异常机组是指与绝大多数机组不同的机组,这些异常机组与正常机组工作状态的差异不是由随机误差导致的,而是由于完全不同的运行机制导致的。这些异常很难通过单一检测参数直接观察出来,但是运用数据分析相关知识,对不同机组数据的概率密度分布特征进行统计,能够较为明显的识别出不同机组之间的数据分布差异,从而实现异常机组识别的目的。
本发明为解决风电场机组数量众多,单一参数难以检测出异常机组的问题,提出了一种基于概率密度分布统计的异常机组识别方法。该方法运用数据分析的相关知识,基于对多个监测参数的概率密度分布情况的统计,对风电场各个机组运行特性曲线的分布形态进行描述,然后通过基于密度的无监督聚类算法,实现对异常机组的识别。风电场中机组数量众多,各个机组之间的运行状态比较类似,当机组均处于正常运行状态时,机组运行特性曲线的分布形态基本一致,因此计算得到的多元统计指标比较接近。正常机组的多元统计指标可以通过无监督聚类的方法划分为同一个簇,当机组发生异常时,其运行特性曲线的统计指标也随之变化,异常机组的聚类类别簇也与正常机组的类别簇不同,根据这种差异就能识别出异常的机组。
实施例
请参阅图1,图1表示本发明实施例的流程图,即基于概率密度分布的异常机组识别方法的流程图。如图所示,采集到风电SCADA数据后,首先进行数据筛选与预处理,清洗掉停机、启动、限功率等工况的数据,获得风电机组处于正常发电状态的数据;然后选择监测参数,得到风电机组的功率曲线和转速曲线,并分别计算风电机组功率曲线和转速曲线的多元峰度和多元偏斜度;之后,以散点图的形式对多元统计参数进行可视化,并使用DBSCAN算法对功率曲线和转速曲线的多元统计参数散点图进行无监督聚类分析;最后搜索聚类结果中的离群点和噪声点,其对应的机组编号即为异常机组编号。
请参阅图2和图3,图2表示32台机组功率曲线多元峰度和多元偏斜度的聚类结果,其中横、纵坐标分别为多元偏斜度指标和多元峰度指标。从中可以较为明显的看到,大多数机组属于未出现异常,聚类为同一类别簇;而11号和12号机组被划分为噪声点,标记为异常机组。同理,图3表示32台机组转速曲线多元峰度和多元偏斜度的聚类结果,从中可以较为明显的看到,大多数正常机组被聚类为统一类别簇;而11号和12号机组被划分为噪声点,标记为异常机组。由此说明,使用DBSCAN算法能够较好的识别出所有机组中,与大部分机组的运行状态有差异的机组,即11号机组和12号机组,该机组可能为异常机组。
请参阅图4,图4表示正常机组与11号机组的对比分析结果。分别从风速-功率曲线和转速-功率曲线对比分析正常机组与11号机组的差异。从对比结果中可以看出,由于11号机组存在较多的限功率状态的数据,所以导致了机组的运行特性曲线不同于其余正常机组,在聚类结果中被识别为异常机组。由此证明了11号机组确实存在运行状态的异常,该方法可以有效识别这种异常。
请参阅图5,图5表示正常机组与12号机组的对比分析结果。分别从风速-功率曲线、风速-转速曲线、风速-桨距角曲线和转速-功率曲线四个角度对比分析正常机组与12号机组的差异,从结果中可以看出,由于12号机组在低风速运行状态下存在较多的变桨异常数据,导致机组的整体运行特性曲线与其余正常机组有所差异,在聚类结果中被识别为异常机组。由此证明12号机组属于运行异常的机组,该方法可以有效识别出机组的异常。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种基于概率密度分布的风电场异常机组识别方法,其特征在于,包括:首先使用基于概率密度分布的统计指标对风电机组运行特性曲线进行描述,然后通过基于密度的无监督聚类算法,对统计指标进行聚类分析,实现异常机组识别。
2.根据权利要求1所述的一种基于概率密度分布的风电场异常机组识别方法,其特征在于,选择风电数据的风速、功率和转速三个监测参数,绘制功率曲线和转速曲线。
3.根据权利要求2所述的一种基于概率密度分布的风电场异常机组识别方法,其特征在于,分别计算风电场所有机组功率曲线的多元峰度和多元偏斜度,并以二维散点图的形式可视化;计算所有机组转速曲线的多元峰度和多元偏斜度,以二维散点图的形式可视化;
通过计算样本点分布的紧密程度进行聚类;
在散点图中,较为明显的离群值数据点对应的机组就是异常机组。
4.一种基于概率密度分布的风电场异常机组识别方法,其特征在于,包括以下步骤:
步骤1,获取风电机组运行特性曲线,计算运行特性曲线的概率密度分布的多元统计指标,并描述曲线的概率密度分布形态的变化;
步骤2,获得风电机组运行特性曲线的多元统计指标的散点图,使用基于密度的无监督聚类算法进行异常识别,实现异常机组识别。
5.根据权利要求4所述的一种基于概率密度分布的风电场异常机组识别方法,其特征在于,步骤1中,获取风电机组运行特性曲线还包括:选择风电机组在同一运行工况下的数据进行计算,排除非正常发电状态数据的干扰,保证能够在相同工况下进行统计指标的对比分析。
6.根据权利要求4所述的一种基于概率密度分布的风电场异常机组识别方法,其特征在于,步骤1中,获取风电机组运行特性曲线还包括:对风电机组运行数据进行预处理,清洗掉异常状态的数据,只保留风电机组在正常运行状态下的数据。
7.根据权利要求4所述的一种基于概率密度分布的风电场异常机组识别方法,其特征在于,步骤1中,获取风电机组运行特性曲线还包括:选择风电数据的风速、功率和转速三个监测参数,绘制功率曲线和转速曲线。
8.根据权利要求7所述的一种基于概率密度分布的风电场异常机组识别方法,其特征在于,步骤1中,风电数据概率密度统计指标的计算时:
使用多元峰度指标对运行特性曲线的概率密度分布形态的陡峭程度进行描述,计算公式表示为:
使用多元偏斜度指标对运行特性曲线的概率密度分布形态的对称性进行描述,计算公式表示为:
其中,n为数据样本个数;为矩阵的均值;Cov为矩阵的协方差矩阵;i表示当前数据样本序号,i=1,2,……,n;j同样表示当前样本序号,j=1,2,……,n。
9.根据权利要求4所述的一种基于概率密度分布的风电场异常机组识别方法,其特征在于,步骤2中,获得风电机组运行特性曲线的多元统计指标的散点图的过程包括:分别计算风电场所有机组功率曲线的多元峰度和多元偏斜度,并以二维散点图的形式可视化;计算所有机组转速曲线的多元峰度和多元偏斜度,以二维散点图的形式可视化。
10.根据权利要求4所述的一种基于概率密度分布的风电场异常机组识别方法,其特征在于,步骤2中,使用基于密度的无监督聚类算法进行异常识别的过程具体包括:
通过计算样本点分布的紧密程度进行聚类;
所有正常机组,其运行特性曲线中,计算的多元统计指标的散点图样本点分布较为紧密,聚类为同一类别;
异常机组的多元统计指标的样本点的分布更加离散,在聚类结果中属于噪声点或者离群点;
在散点图中,较为明显的离群值数据点对应的机组就是异常机组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784618.4A CN110533314A (zh) | 2019-08-23 | 2019-08-23 | 一种基于概率密度分布的风电场异常机组识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784618.4A CN110533314A (zh) | 2019-08-23 | 2019-08-23 | 一种基于概率密度分布的风电场异常机组识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533314A true CN110533314A (zh) | 2019-12-03 |
Family
ID=68664137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910784618.4A Pending CN110533314A (zh) | 2019-08-23 | 2019-08-23 | 一种基于概率密度分布的风电场异常机组识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533314A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338897A (zh) * | 2020-02-24 | 2020-06-26 | 京东数字科技控股有限公司 | 应用主机中异常节点的识别方法、监测设备和电子设备 |
CN111427877A (zh) * | 2020-03-20 | 2020-07-17 | 重庆港力环保股份有限公司 | 一种基于聚类分析的环保异常数据精筛方法 |
CN114241229A (zh) * | 2022-02-21 | 2022-03-25 | 中煤科工集团西安研究院有限公司 | 一种电性成像结果中异常体边界智能识别方法 |
WO2023278942A1 (en) * | 2021-06-29 | 2023-01-05 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
CN117436352A (zh) * | 2023-12-20 | 2024-01-23 | 聚合电力工程设计(北京)股份有限公司 | 一种风电场噪声分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160169202A1 (en) * | 2013-05-03 | 2016-06-16 | State Grid Corporation Of China | Short-term operation optimization method of electric power system including large-scale wind power |
CN106991508A (zh) * | 2017-05-25 | 2017-07-28 | 华北电力大学 | 一种基于dbscan的风电机组运行状态识别方法 |
CN108171400A (zh) * | 2017-12-06 | 2018-06-15 | 浙江大学 | 一种基于异常点及离群点检测的风机功率曲线数据预处理方法 |
CN108443088A (zh) * | 2018-05-17 | 2018-08-24 | 中能电力科技开发有限公司 | 一种基于累计概率分布的风电机组状态判定方法 |
CN109740175A (zh) * | 2018-11-18 | 2019-05-10 | 浙江大学 | 一种面向风电机组功率曲线数据的离群点判别方法 |
-
2019
- 2019-08-23 CN CN201910784618.4A patent/CN110533314A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160169202A1 (en) * | 2013-05-03 | 2016-06-16 | State Grid Corporation Of China | Short-term operation optimization method of electric power system including large-scale wind power |
CN106991508A (zh) * | 2017-05-25 | 2017-07-28 | 华北电力大学 | 一种基于dbscan的风电机组运行状态识别方法 |
CN108171400A (zh) * | 2017-12-06 | 2018-06-15 | 浙江大学 | 一种基于异常点及离群点检测的风机功率曲线数据预处理方法 |
CN108443088A (zh) * | 2018-05-17 | 2018-08-24 | 中能电力科技开发有限公司 | 一种基于累计概率分布的风电机组状态判定方法 |
CN109740175A (zh) * | 2018-11-18 | 2019-05-10 | 浙江大学 | 一种面向风电机组功率曲线数据的离群点判别方法 |
Non-Patent Citations (5)
Title |
---|
ANDREW KUSIAK ET AL.: ""Monitoring Wind Farms With Performance Curves"", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 * |
JÜRGEN HERP ET AL.: ""Wind turbine performance analysis based on multivariate higher order moments and Bayesian classifiers"", 《CONTROL ENGINEERING PRACTICE》 * |
延平: ""风电场运行效能评价方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑(月刊)》 * |
梁涛 等: ""基于风电机组功率曲线的故障监测方法研究"", 《可再生能源》 * |
陈警钰 等: ""基于INNER-DBSCAN和功率曲线模型的风机异常状态检测"", 《电力科学与工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338897A (zh) * | 2020-02-24 | 2020-06-26 | 京东数字科技控股有限公司 | 应用主机中异常节点的识别方法、监测设备和电子设备 |
CN111427877A (zh) * | 2020-03-20 | 2020-07-17 | 重庆港力环保股份有限公司 | 一种基于聚类分析的环保异常数据精筛方法 |
WO2023278942A1 (en) * | 2021-06-29 | 2023-01-05 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
US11761427B2 (en) | 2021-06-29 | 2023-09-19 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
CN114241229A (zh) * | 2022-02-21 | 2022-03-25 | 中煤科工集团西安研究院有限公司 | 一种电性成像结果中异常体边界智能识别方法 |
CN117436352A (zh) * | 2023-12-20 | 2024-01-23 | 聚合电力工程设计(北京)股份有限公司 | 一种风电场噪声分析方法及系统 |
CN117436352B (zh) * | 2023-12-20 | 2024-03-22 | 聚合电力工程设计(北京)股份有限公司 | 一种风电场噪声分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533314A (zh) | 一种基于概率密度分布的风电场异常机组识别方法 | |
CN108412710B (zh) | 一种风电机组风功率数据清洗方法 | |
CN110533092B (zh) | 一种基于运行工况的风力发电机组scada数据分类方法及应用 | |
CN104483575A (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN106870297B (zh) | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 | |
Abubakar et al. | An overview of non-intrusive load monitoring methodologies | |
CN105043770B (zh) | 一种风电机组振动异常的判断方法及其装置 | |
Wang et al. | A fast abnormal data cleaning algorithm for performance evaluation of wind turbine | |
CN108443088A (zh) | 一种基于累计概率分布的风电机组状态判定方法 | |
CN103729804A (zh) | 一种应对电能质量预警的在线决策支持方法 | |
CN107202027A (zh) | 一种大型风机运行趋势分析及故障预测方法 | |
CN111260503A (zh) | 一种基于聚类中心优化的风电机组功率曲线离群点检测方法 | |
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 | |
CN111157850A (zh) | 一种基于均值聚类的电网线路故障识别方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
Jain et al. | A clustering framework for residential electric demand profiles | |
Wang et al. | An adaptive identification method of abnormal data in wind and solar power stations | |
CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
CN117332353A (zh) | 一种汽轮发电机转子异常振动故障诊断方法 | |
CN117318614A (zh) | 一种光伏逆变器故障预测方法 | |
CN116910128A (zh) | 风电机组硬软故障数据分析系统及其分析方法 | |
CN112855458A (zh) | 一种风力发电机组的风速仪故障诊断方法、系统及介质 | |
CN111209914A (zh) | 一种异常风功率数据的剔除方法 | |
Rahimi et al. | Filter based time-series anomaly detection in AMI using AI approaches | |
CN110389949A (zh) | 一种光伏阵列数据清洗方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |