CN110544003A - 一种基于温度预测的风电场风电机组变频器状态评价方法 - Google Patents

一种基于温度预测的风电场风电机组变频器状态评价方法 Download PDF

Info

Publication number
CN110544003A
CN110544003A CN201910648293.7A CN201910648293A CN110544003A CN 110544003 A CN110544003 A CN 110544003A CN 201910648293 A CN201910648293 A CN 201910648293A CN 110544003 A CN110544003 A CN 110544003A
Authority
CN
China
Prior art keywords
frequency converter
temperature
turbine generator
wind turbine
prediction
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
Application number
CN201910648293.7A
Other languages
English (en)
Other versions
CN110544003B (zh
Inventor
凌启辉
张维
赵前程
王宪
杨书仪
文泽军
肖钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN201910648293.7A priority Critical patent/CN110544003B/zh
Publication of CN110544003A publication Critical patent/CN110544003A/zh
Application granted granted Critical
Publication of CN110544003B publication Critical patent/CN110544003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—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
    • G06Q10/06395—Quality analysis or management
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于温度预测的风电场风电机组变频器状态评价方法，包括以下步骤：随机选取SCADA系统中第a号风电机组在服役期限内N天的数据，形成N组数据样本；初步筛选时间序列非线性预测模型输入变量种类；对预测模型多输入变量进行全面筛选；多输入输出预测模型再训练与综合；变频器温度预测结果评价变频器状态；对风电场所有风电机组的变频器温度进行预测，进一步对风电机组变频器状态进行自确认及评价。本发明为风电场风电机组变频器在复杂多变工况下的温度预测，实时掌握风电机组变频器状态，提醒风电场技术人员采取必要的措施，以防止变频器过早损坏和事故的发生，该方法还可推广应用于其它复杂机电系统的变频器温度的预测和状态评价。

Description

一种基于温度预测的风电场风电机组变频器状态评价方法
【技术领域】
本发明涉及风电场风电机组状态监测与数据挖掘技术领域，特别是一种基于温度预测的风电场风电机组变频器状态评价方法。
【背景技术】
随着环境污染问题的日益突出，同时为了克服能源危机，风能作为一种绿色可再生能源越来越受到世界各国的重视，风力发电机组(以下简称风电机组或风机)作为将风能转化为电能的关键装备得到了迅猛的发展，到2016年底，全球风机总装机容量达到486GW。风电机组是复杂的机电一体化装备，而且，大型风电机组通常坐落于环境恶劣的偏远地区以及沿海或近海区域，机舱一般安装在离地面几十米甚至上百米高空，因此风电机组异常和故障发生率高，日常运行状态检测困难，维护成本昂贵。有统计资料表明，陆上和海上风电机组维护费用占到各自风场收入的10％～15％和20％～35％左右。
2018年2月14日由全球风能理事会发布的《全球风电市场年度统计报告》中显示2017年我国累计装机容量为188232MW，以34.88％的市场份额居全球首位。随着越来越多的并网式风电场投产运行，风力发电机组无法规避的会出现各种故障。由于变频系统上接风力发电机，下连电网，一旦变频系统状态异常，轻则会使输出波形产生畸变降低供电的质量，严重时会影响整个风电系统以及电网的安全。如果能及时对其状态进行预测，就能最小程度的降低风电变频系统状态异常带来的损失，因此对风电变频器状态预测具有重要的意义。
因此，大型风电机组必须安装监控系统，以及时掌握风电机组实时运行状态，安装监控系统主要包括单机主控系统、单机状态监测系统(CMS)和远程中央监控与数据采集系统(SCADA)。而SCADA是最主要的监控系统组成，该系统监测参数众多，包括：风速、功率、温度、电压、电流、偏航、变桨、控制等上百种信号。风电机组厂商和风电场业主都希望通过分析SCADA数据判断风电场风电机组变频器状态。但是由于风电场风电机组SCADA数据存在大量的信息冗余，风电机组各监控信号的相关关系和关联关系并不明确，致使利用SCADA数据及时掌握风电机组变频器实时运行状态并不理想。
【发明内容】
为了解决上述技术问题，本发明提供一种方法简单，操作方便，能够预测出风电机组变频器温度的方法，防止变频器过早损坏，降低事故风险。
本发明采用的技术方案是：一种基于温度预测的风电场风电机组变频器状态评价方法，包括以下步骤：
(1)随机选取风电场的SCADA系统中第a号风电机组在服役期限内N天的数据，形成对应的N组数据样本，每组数据样本中通过均匀随机抽样获取样本子集作为训练样本集和测试样本集；
(2)将SCADA系统中所有的传感器信号组建成一个矩阵变量X＝[X1,X2,L,Xi,L,Xn]，其中n为风电机组SCADA系统所有的传感器信号的个数，将变频器入口温度、变频器出口温度及变频器出入口温度差用矩阵Y＝[Y1,Y2,Y3]表示，分别对每组数据样本建立以X为输入变量，以Y为预测变量的相关分析模型，得到每组数据样本中每一个输入变量与每一个预测变量之间的相关系数，并对N组数据样本中相同种类的输入变量与预测变量之间的相关系数进行取均值处理，得到每一种输入变量与预测变量之间的平均相关系数，通过设定阀值矩阵Z的方式对每一种输入变量与预测变量之间的平均相关系数进行筛选，初步确定输入变量的种类，经初步确定后的输入变量表示为Xr＝[X1r,X2r,L,Xir,L,Xnr]，其中nr为经过初步筛选后输入变量个数；
(3)建立以矩阵Xr为外部输入变量，Y为自回归预测变量的时间序列非线性预测模型，求得时间序列非线性预测模型的初始预测绝对误差及其均方根值，通过改变矩阵Xr的某个外部输入变量，得出时间序列非线性预测模型改变后的预测绝对误差及其均方根值，通过将改变后的预测绝对误差均方根值与初始预测绝对误差进行判断，以确定对应改变的输入变量的取舍，从而全面确定输入变量的种类，经全面确定的输入变量表示为：Xs＝[X1s,X2s,L,Xis,L,Xms]；
(4)多输入输出预测模型再训练与综合，以基于全面确定输入变量后筛选形成的N组数据样本分别进行独立训练，得到N个时间序列非线性预测模型，采用预测值取众数的方法对训练的N个时间序列非线性预测模型进行综合，得到第a号风电机组变频器温度预测的综合预测模型；
(5)以经全面确定输入变量后筛选形成的SCADA系统当前数据为输入，应用步骤(4)训练得到的第a号风电机组综合预测模型，在线对当前时刻的变频器温度进行预测，依据温度预测值及其变化趋势计算变频器状态参数，对第a号风电机组变频器状态进行实时评价；
(6)重复步骤(1)至步骤(5)，对风电场所有风电机组的变频器温度进行预测，进一步对风电机组变频器状态进行自确认及评价。
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，在步骤(2)中，每一个输入变量与每一个预测变量之间的相关系数求解方法为：
其中，n为风电机组SCADA系统所有的传感器信号的个数；i和j为状态变量下标，且i为1至n的整数，j为1至3的整数，例如Xi、Yj分别为矩阵变量X的第i和预测变量Y的第j个信号；Cov(Xi,Yj)为变量xi和变量yj的协方差；σXi、σYj分别为变量Xi和变量Yj的方差；
N组数据样本的相关系数矩阵为：
第a号风电机组N天的数据样本的平均相关系数为：
阀值矩阵Z为：
通过计算相关系数矩阵CORR1→n,1、CORR1→n,2和CORR1→n,3的均值μ1、μ2、μ3和方差σ1、σ2、σ3得到阀值矩阵Z；其中CORR1→n,1、CORR1→n,2和CORR1→n,3分别为变量矩阵X分别与矩阵Y每一个变量的相关系数矩阵均值的绝对值，用下式表示：
其中，i和k是下标；
阀值矩阵Z的确定方法采用σ取下限的原则来确定，表示为：
其中，χ为σ取下限准则的系数，取值为2或者3；
通过下式，确定变量xi和预测变量Y的每一个变量之间的相关性程度，如果满足则将xi不作为预测模型的输入变量：
|corri,k,[1,2,3]|≤Z；
其中，corri,k,[1,2,3]为第k个输入变量xk分别和预测变量y1,y2,y3的相关系数矩阵。
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，在步骤(3)中，时间序列非线性预测模型的预测绝对误差及其均方根值表示为：
变量矩阵Xr中某一个输入变量取舍的判定准则是：通过改变输入变量矩阵Xr中某一个变量值，预测模型任意一项预测值的绝对误差均方根值是否超过对应的初始预测绝对误差的极大值，如果超过，则保留该输入变量；否则该变量不再作为预测模型的输入变量，用下式表示为：
其中，erms1-new,erms2-new,erms3-new为改变变量矩阵Xr中某一个输入变量后，预测模型的三个预测结果的均方根值；err3-o,err1-o,err2-o为变量矩阵Xr未改变之前得到的预测结果的初始预测绝对误差。
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，在步骤(3)和步骤(4)中，时间序列非线性预测模型LW[]表示为：
M
其中，k为时间序列时刻；e(k)为预测模型的偏置量；nx为预测模型的输入信号延迟的时间序列个数，可以在[2，20]中间取整数；ny为考虑历史状态数据对当前预测值的影响时所需要考虑的时间序列个数，可以在[2，20]中间取整数；时间序列非线性预测模型LW[]由1个输入层，1个输出层和1个隐藏组成，输入层的输入参数个数为m+3，输出层的个数为3，隐藏层的节点个数为lh，隐藏层的节点个数的计算公式为：
其中，FIX()为向上取整函数，在[2，8]范围取值；
时间序列非线性预测模型第i层的第j个节点的神经网络表示为：
其中，LW i,j为第i层的第j个节点的权重，p为第i层的第j个节点的输入，为输出，fi为第i层激活函数，bi,j为第i层的第j个节点的偏置值；
时间序列非线性预测模型的训练迭代终止条件为：
其中，为第r次训练后第j个节点的预测值；yj,r (k)为第j个节点的实测值，可从训练样本中读取；为第(r+1)次训练后第j个节点的预测值；yj,(r+1) (k)为第j个节点的预测值，可从训练样本中读取；RE为允许的最大相对误差，其最大值不超过5％；RASE为经过时间序列非线性预测模型第r次和第(r+1)次训练后，预测输出的均方根误差和，通常在[1×10-8，1×10-7]范围内取值；
其中，nx、ny在[2，20]之间选取，分别从2开始依次增加至20，生成两组整数数组，分别是I_nx和I_ny，两个数组大小均19；在区间[2，8]内从2逐渐增大至8，得到数组大小为7的整数的数组，记为I_nx、I_ny和可分别表示为：
I_nx＝[nx (1),nx (2),L,nx (19)]；
I_ny＝[ny (1),ny (2),L,ny (19)]；
依次从数组I_nx、I_ny和选取对应的时间序列非线性预测模型的输入信号延迟的时间序列个数nx、预测值反馈的时间序列个数ny和隐藏层的节点数lh，时间序列非线性预测模型的输入信号延迟的时间序列个数nx、预测值反馈的时间序列个数ny和隐藏层的节点数lh的最优值的确定公式为：
其中，γ为常数，在区间[0.5，1]取值；RMSEk为第k组数据时训练模型的预测值和实测值的均方根误差；AMEk为第k组数据时训练模型的预测值和实测值的均值绝对误差；
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，在步骤(5)中，风电机组变频器状态评价指标包括变频器温度体征质量指标、变频器温度趋势统计质量指标、变频器温度波动幅度指标和变频器高温持续时间指标四个次级指标；
变频器温度体征质量指标的评价角度为每一个时刻变频器温度大小；
变频器温度趋势统计质量指标的评价角度为一段时间内变频器温度变化趋势与综合预测模型的统计预测值符合程度；
变频器温度波动幅度指标的评价角度为一段时间内，变频器温度极大值和极小值的差值大小；
变频器高温持续时间指标的评价角度为一段时间内，变频器温度较高时的持续时间；
其中，变频器温度趋势统计质量指标、变频器温度波动幅度指标和变频器高温持续时间指标辅助变频器温度体征质量指标评价变频器状态，共同评价变频器状态。
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，所述的变频器温度体征质量指标计算时，需要对预测变量值进行规范化，规范化表达式为：
其中，y*为规范化矩阵，包括三个变量，对应时间序列非线性综合预测模型的三个预测变量；min()为求三个预测变量的最小值；max()为求三个预测变量的求最大值；y为训练样本对应的实测变量；
t时刻的变频器温度体征质量指标的计算表达式为：
其中，Qr为变频器温度体征质量指标；cos()为余弦函数。
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，所述的变频器温度趋势统计质量指标Qt计算方法为：
其中，re为一段时间内变频器温度实际值与综合预测模型的统计预测值的相对误差；
一段时间内变频器温度变化趋势与综合预测模型的统计预测值符合程度用相对误差表示：
其中，Nb为一段时间内时间序列点的个数。
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，所述的变频器温度波动幅度指标Qf计算方法为：
其中，ed为一段时间内，变频器温度极大值和极小值的差值，
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，所述的变频器高温持续时间指标Qd计算方法为：
其中，Ttv为温度阀值矩阵，td1、td2、td3为常量；t为输出变量任意一项超过阀值的时间序列长度；fs为采样频率。
如上所述的一种基于温度预测的风电场风电机组变频器状态评价方法，所述的步骤(5)中，评价准则为：
①Qt、Qf、Qd∈(0.85，1]时，Qr∈(0.9,1]，风电机组变频器状态优秀；Qr∈(0.8,0.9]时，风电机组变频器状态良好；Qr∈(0.7,0.8]时，风电机组变频器状态需引起注意；Qr∈(0.5,0.7]时，风电机组变频器状态需密切关注；Qr∈(0,0.5]时，需高度重视风电机组状态或计划检修维护；
②Qt、Qf和Qd任意一项∈(0.75，0.85]，变频器温度体征质量指标Qr应乘以dr1，再根据评价准则①的方法断定变频器状态；
③Qt、Qf、Qd任意一项∈(0.6，0.75]，变频器温度体征质量指标Qr应乘以dr2，再根据评价准则①的方法断定变频器状态；
④Qt、Qf、Qd任意一项∈(0.3，0.6]，变频器温度体征质量指标Qr应乘以dr3，再根据评价准则①的方法断定变频器状态；
⑤Qt、Qf、Qd任意一项∈(0，0.3]，需高度重视风电机组状态或计划检修维护；
其中，dr1、dr2、dr3为质量指标折扣系数。
与现有技术相比，本申请有如下优点：
1、本发明基于现场SCADA系统，充分考虑风电机组海量历史状态数据，通过数据挖掘和智能算法等手段筛选时间序列非线性预测模型的输入变量，建立风电机组变频器温度时间序列非线性预测模型，预测风电机组变频器温度，准确掌握变频器温度参数的变化规律，以温度数据变化特征描述风电场风电机组变频器状态，通过构建风电机组变频器状态指标，将变频器状态信息清晰、准确、实时、简明地呈现给风电场技术人员，让风电场技术人员随时掌握风电机组变频器状态，并提醒是否需要维护，降低了维护技术人员的工作强度。
2、本发明方法通过多组随机训练样本分别建立的时间序列非线性预测模型，再通过平均法综合该预测模型，消除随机抽样训练样本的不确定性的影响，提高了风电机组变频器温度预测的准确性和有效性。通过多组样本数据的平均相关系数初步筛选时间序列非线性预测模型的输入变量，精简了预测模型输入变量，为模型训练节约了时间，降低了模型训练所需计算机的硬件要求。
3、本发明通过时间序列非线性预测模型对输入变量进行全面筛选，全面精简了模型的输入变量，在保证预测模型预测结果准确的前提下，既充分减少了预测模型的多余变量，又有效的利用了输入变量模型中蕴含的冗余信息。同时，简化了预测模型，节约了时间序列非线性预测模型训练时间，降低了模型训练所需计算机的硬件要求，同时保证了风电机组变频器温度预测的准确性和有效性。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明的流程图；
图2是本发明的时间序列非线性预测模型结构图；
图3是本发明实施例随机抽样样本输入变量的相关系数图；
图4是本发明实施例预测模型输出变量误差散点图；
图5是本发明实施例风电机组变频器服役质量。
【具体实施方式】
下面结合附图对本发明做进一步的说明。
如图1所示，本发明采用的技术方案是：一种基于温度预测的风电场风电机组变频器状态评价方法，包括以下步骤：
(1)随机选取风电场的SCADA系统中第10号风电机组在服役期限内N天的数据，形成对应的N组数据样本，具体地，N值取10，每组数据样本中通过均匀随机抽样获取样本子集作为训练样本集和测试样本集，具体地，通过均匀随机抽样从样本集中获取1个样本子集作为训练样本集和测试样本集，样本子集的样本数量为一天的数据样本集的25％，其中样本子集80％的数据作为训练样本，20％的数据作为测试样本。
(2)将SCADA系统中所有的传感器信号组建成一个矩阵变量X＝[X1,X2,L,Xi,L,Xn]，其中n为风电机组SCADA系统所有的传感器信号的个数，输入变量总共52个，即n＝52。将变频器入口温度、变频器出口温度及变频器出入口温度差用矩阵Y＝[Y1,Y2,Y3]表示，分别对每组数据样本建立以X为输入变量，以Y为预测变量的相关分析模型，得到每组数据样本中每一个输入变量与每一个预测变量之间的相关系数，具体地，每一个输入变量与每一个预测变量之间的相关系数求解方法为：
其中，n为风电机组SCADA系统所有的传感器信号的个数；i和j为状态变量下标，且i为1至n的整数，j为1至3的整数，例如Xi、Yj分别为矩阵变量X的第i和预测变量Y的第j个信号；Cov(Xi,Yj)为变量xi和变量yj的协方差；分别为变量Xi和变量Yj的方差。
因此，N组数据样本的相关系数矩阵为：
对N组数据样本中相同种类的输入变量与预测变量之间的相关系数进行取均值处理，得到每一种输入变量与预测变量之间的平均相关系数，具体地，第10号风电机组10天的数据样本的平均相关系数为：
上式中n＝52，N＝10，得到的变量矩阵X分别与矩阵Y每一个变量的相关系数矩阵均值的绝对值曲线如图3所示。
通过设定阀值矩阵Z的方式对每一种输入变量与预测变量之间的平均相关系数进行筛选，初步确定输入变量的种类，具体地，阀值矩阵Z为：
通过计算相关系数矩阵CORR1→n,1、CORR1→n,2和CORR1→n,3的均值μ1、μ2、μ3和方差σ1、σ2、σ3得到阀值矩阵Z；其中CORR1→n,1、CORR1→n,2和CORR1→n,3分别为变量矩阵X分别与矩阵Y每一个变量的相关系数矩阵均值的绝对值，用下式表示：
其中，i和k是下标；
阀值矩阵Z的确定方法采用σ取下限的原则来确定，表示为：
其中，χ为σ取下限准则的系数，取值为2或者3，优选地，取值为2；
通过下式，确定变量xi和预测变量Y的每一个变量之间的相关性程度，如果满足则将xi不作为预测模型的输入变量：
|corri,k,[1,2,3]|≤Z；
其中，corri,k,[1,2,3]为第k个输入变量xk分别和预测变量y1,y2,y3的相关系数矩阵。
经初步确定后的输入变量表示为Xr＝[X1r,X2r,L,Xir,L,Xnr]，其中nr为经过初步筛选后输入变量个数，删选后变量个数为35。
(3)建立以矩阵Xr为外部输入变量，Y为自回归预测变量的时间序列非线性预测模型，预测模型结构如图2所示，时间序列非线性预测模型LW[]表示为：
M
其中，k为时间序列时刻；e(k)为预测模型的偏置量；nx为预测模型的输入信号延迟的时间序列个数，可以在[2，20]中间取整数；ny为考虑历史状态数据对当前预测值的影响时所需要考虑的时间序列个数，可以在[2，20]中间取整数；时间序列非线性预测模型LW[]由1个输入层，1个输出层和1个隐藏组成，输入层的输入参数个数为m+3，输出层的个数为3，隐藏层的节点个数为lh，隐藏层的节点个数的计算公式为：
其中，FIX()为向上取整函数，在[2，8]范围取值；
时间序列非线性预测模型第i层的第j个节点的神经网络表示为：
其中，LW i,j为第i层的第j个节点的权重，p为第i层的第j个节点的输入，为输出，fi为第i层激活函数，bi,j为第i层的第j个节点的偏置值。
时间序列非线性预测模型的训练迭代终止条件为：
其中，为第r次训练后第j个节点的预测值；yj,r (k)为第j个节点的实测值，可从训练样本中读取；为第(r+1)次训练后第j个节点的预测值；yj,(r+1) (k)为第j个节点的预测值，可从训练样本中读取；RE为允许的最大相对误差，其最大值不超过5％；RASE为经过时间序列非线性预测模型第r次和第(r+1)次训练后，预测输出的均方根误差和，通常在[1×10-8，1×10-7]范围内取值。
nx、ny在[2，20]之间选取，分别从2开始依次增加至20，生成两组整数数组，分别是I_nx和I_ny，两个数组大小均19；在区间[2，8]内从2逐渐增大至8，得到数组大小为7的整数的数组，记为I_nx、I_ny和可分别表示为：
I_nx＝[nx (1),nx (2),L,nx (19)]
I_ny＝[ny (1),ny (2),L,ny (19)]
依次从数组I_nx、I_ny和选取对应的时间序列非线性预测模型的输入信号延迟的时间序列个数nx、预测值反馈的时间序列个数ny和隐藏层的节点数lh，时间序列非线性预测模型的输入信号延迟的时间序列个数nx、预测值反馈的时间序列个数ny和隐藏层的节点数lh的最优值的确定公式为：
其中，γ为常数，在区间[0.5，1]取值；RMSEk为第k组数据时训练模型的预测值和实测值的均方根误差；AMEk为第k组数据时训练模型的预测值和实测值的均值绝对误差；
通过时间序列非线性预测模型求得时间序列非线性预测模型的初始预测绝对误差及其均方根值，时间序列非线性预测模型的预测绝对误差及其均方根值表示为：
通过改变矩阵Xr的某个外部输入变量，得出时间序列非线性预测模型改变后的预测绝对误差及其均方根值，通过将改变后的预测绝对误差均方根值与初始预测绝对误差进行判断，以确定对应改变的输入变量的取舍，从而全面确定输入变量的种类，具体地，变量矩阵Xr中某一个输入变量取舍的判定准则是：通过改变输入变量矩阵Xr中某一个变量值，预测模型任意一项预测值的绝对误差均方根值是否超过对应的初始预测绝对误差的极大值，如果超过，则保留该输入变量；否则该变量不再作为预测模型的输入变量，用下式表示为
其中，erms1-new,erms2-new,erms3-new为改变变量矩阵Xr中某一个输入变量后，预测模型的三个预测结果的均方根值；err3-o,err1-o,err2-o为变量矩阵Xr未改变之前得到的预测结果的初始预测绝对误差。经全面确定的输入变量表示为：Xs＝[X1s,X2s,L,Xis,L,Xms]，具体为轮毂转速、超速传感器转速检测值、变频器电网侧电流、变频器电网侧电压、变频器电网侧有功功率、变频器发电机侧功率、发电机运行频率、发电机电流、发电机转矩、变频器入口压力、变频器出口压力、测风塔环境温度、机舱温度等13个变量。
(4)多输入输出预测模型再训练与综合，以基于全面确定输入变量后筛选形成的10组数据样本分别进行独立训练，得到10个时间序列非线性预测模型，采用预测值取众数的方法对训练的10个时间序列非线性预测模型进行综合，得到第10号风电机组变频器温度预测的综合预测模型；其中时间序列非线性预测模型的输入信号延迟的时间序列个数nx、预测值反馈的时间序列个数ny和隐藏层的节点数lh最终确定的取值分别为nx＝12，ny＝16，lh＝20。经训练后，第10号风电机组变频器2017年10月1日的变频器温度预测相对误差如图4所示，预测相对误差小于0.5摄氏度的数据达到97.15％。
(5)以经全面确定输入变量后筛选形成的SCADA系统当前数据为输入，应用步骤(4)训练得到的第10号风电机组综合预测模型，在线对当前时刻的变频器温度进行预测，依据温度预测值及其变化趋势计算变频器状态参数，对第10号风电机组变频器状态进行实时评价。具体地，风电机组变频器状态评价指标包括变频器温度体征质量指标、变频器温度趋势统计质量指标、变频器温度波动幅度指标和变频器高温持续时间指标四个次级指标。
变频器温度体征质量指标的评价角度为每一个时刻变频器温度大小。
变频器温度趋势统计质量指标的评价角度为一段时间内变频器温度变化趋势与综合预测模型的统计预测值符合程度。
变频器温度波动幅度指标的评价角度为一段时间内，变频器温度极大值和极小值的差值大小。
变频器高温持续时间指标的评价角度为一段时间内，变频器温度较高时的持续时间。
其中，变频器温度趋势统计质量指标、变频器温度波动幅度指标和变频器高温持续时间指标辅助变频器温度体征质量指标评价变频器状态，共同评价变频器状态。
所述的变频器温度体征质量指标计算时，需要对预测变量值进行规范化，规范化表达式为：
其中，y*为规范化矩阵，包括三个变量，对应时间序列非线性综合预测模型的三个预测变量；min()为求三个预测变量的最小值；max()为求三个预测变量的求最大值；y为训练样本对应的实测变量；
t时刻的变频器温度体征质量指标的计算表达式为：
其中，Qr为变频器温度体征质量指标；cos()为余弦函数。
所述的变频器温度趋势统计质量指标Qt计算方法为：
其中，re为一段时间内变频器温度实际值与综合预测模型的统计预测值的相对误差；
一段时间内变频器温度变化趋势与综合预测模型的统计预测值符合程度用相对误差表示：
其中，Nb为一段时间内时间序列点的个数。
所述的变频器温度波动幅度指标Qf计算方法为：
其中，ed为一段时间内，变频器温度极大值和极小值的差值，
所述的变频器高温持续时间指标Qd计算方法为：
其中，Ttv为温度阀值矩阵，td1、td2、td3为常量；t为输出变量任意一项超过阀值的时间序列长度；fs为采样频率。
具体地，对第10号风电机组变频器状态进行实时评价评价准则为：
①Qt、Qf、Qd∈(0.85，1]时，Qr∈(0.9,1]，风电机组变频器状态优秀；Qr∈(0.8,0.9]时，风电机组变频器状态良好；Qr∈(0.7,0.8]时，风电机组变频器状态需引起注意；Qr∈(0.5,0.7]时，风电机组变频器状态需密切关注；Qr∈(0,0.5]时，需高度重视风电机组状态或计划检修维护；
②Qt、Qf和Qd任意一项∈(0.75，0.85]，变频器温度体征质量指标Qr应乘以dr1，再根据评价准则①的方法断定变频器状态；
③Qt、Qf、Qd任意一项∈(0.6，0.75]，变频器温度体征质量指标Qr应乘以dr2，再根据评价准则①的方法断定变频器状态；
④Qt、Qf、Qd任意一项∈(0.3，0.6]，变频器温度体征质量指标Qr应乘以dr3，再根据评价准则①的方法断定变频器状态；
⑤Qt、Qf、Qd任意一项∈(0，0.3]，需高度重视风电机组状态或计划检修维护；
其中，dr1、dr2、dr3为质量指标折扣系数。
最终得到第10号风电机组变频器2017年10月1日的变频器服役状态指标如图5所示。由图5可知，本发明实施例所构建的第10号风电机组变频器2017年10月1日的变频器服役状态良好。
(6)重复步骤(1)至步骤(5)，对风电场所有风电机组的变频器温度进行预测，进一步对风电机组变频器状态进行自确认及评价。
本发明基于现场SCADA系统，充分考虑风电机组海量历史状态数据，通过数据挖掘和智能算法等手段筛选时间序列非线性预测模型的输入变量，建立风电机组变频器温度时间序列非线性预测模型，预测风电机组变频器温度，准确掌握变频器温度参数的变化规律，以温度数据变化特征描述风电场风电机组变频器状态，通过构建风电机组变频器状态指标，将变频器状态信息清晰、准确、实时、简明地呈现给风电场技术人员，让风电场技术人员随时掌握风电机组变频器状态，并提醒是否需要维护，降低了维护技术人员的工作强度。，具有重要的理论研究意义和工程应用价值。通过多组随机训练样本分别建立的时间序列非线性预测模型，再通过平均法综合该预测模型，消除随机抽样训练样本的不确定性的影响，提高了风电机组变频器温度预测的准确性和有效性。通过多组样本数据的平均相关系数初步筛选时间序列非线性预测模型的输入变量，精简了预测模型输入变量，为模型训练节约了时间，降低了模型训练所需计算机的硬件要求。通过时间序列非线性预测模型对输入变量进行全面筛选，全面精简了模型的输入变量，在保证预测模型预测结果准确的前提下，既充分减少了预测模型的多余变量，又有效的利用了输入变量模型中蕴含的冗余信息。同时，简化了预测模型，节约了时间序列非线性预测模型训练时间，降低了模型训练所需计算机的硬件要求，同时保证了风电机组变频器温度预测的准确性和有效性。
如上所述是结合具体内容提供的多种实施方式，并不认定本申请的具体实施只局限于这些说明。凡与本申请的方法、结构等近似、雷同，或是对于本申请构思前提下做出若干技术推演或替换，都应当视为本申请的保护范围。

Claims (10)

1.一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，包括以下步骤：
(1)随机选取风电场的SCADA系统中第a号风电机组在服役期限内N天的数据，形成对应的N组数据样本，每组数据样本中通过均匀随机抽样获取样本子集作为训练样本集和测试样本集；
(2)将SCADA系统中所有的传感器信号组建成一个矩阵变量X＝[X1,X2,L,Xi,L,Xn]，其中n为风电机组SCADA系统所有的传感器信号的个数，将变频器入口温度、变频器出口温度及变频器出入口温度差用矩阵Y＝[Y1,Y2,Y3]表示，分别对每组数据样本建立以X为输入变量，以Y为预测变量的相关分析模型，得到每组数据样本中每一个输入变量与每一个预测变量之间的相关系数，并对N组数据样本中相同种类的输入变量与预测变量之间的相关系数进行取均值处理，得到每一种输入变量与预测变量之间的平均相关系数，通过设定阀值矩阵Z的方式对每一种输入变量与预测变量之间的平均相关系数进行筛选，初步确定输入变量的种类，经初步确定后的输入变量表示为Xr＝[X1r,X2r,L,Xir,L,Xnr]，其中nr为经过初步筛选后输入变量个数；
(3)建立以矩阵Xr为外部输入变量，Y为自回归预测变量的时间序列非线性预测模型，求得时间序列非线性预测模型的初始预测绝对误差及其均方根值，通过改变矩阵Xr的某个外部输入变量，得出时间序列非线性预测模型改变后的预测绝对误差及其均方根值，通过将改变后的预测绝对误差均方根值与初始预测绝对误差进行判断，以确定对应改变的输入变量的取舍，从而全面确定输入变量的种类，经全面确定的输入变量表示为：Xs＝[X1s,X2s,L,Xis,L,Xms]；
(4)多输入输出预测模型再训练与综合，以基于全面确定输入变量后筛选形成的N组数据样本分别进行独立训练，得到N个时间序列非线性预测模型，采用预测值取众数的方法对训练的N个时间序列非线性预测模型进行综合，得到第a号风电机组变频器温度预测的综合预测模型；
(5)以经全面确定输入变量后筛选形成的SCADA系统当前数据为输入，应用步骤(4)训练得到的第a号风电机组综合预测模型，在线对当前时刻的变频器温度进行预测，依据温度预测值及其变化趋势计算变频器状态参数，对第a号风电机组变频器状态进行实时评价；
(6)重复步骤(1)至步骤(5)，对风电场所有风电机组的变频器温度进行预测，进一步对风电机组变频器状态进行自确认及评价。
2.根据权利要求1所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，在步骤(2)中，每一个输入变量与每一个预测变量之间的相关系数求解方法为：
其中，n为风电机组SCADA系统所有的传感器信号的个数；i和j为状态变量下标，且i为1至n的整数，j为1至3的整数，例如Xi、Yj分别为矩阵变量X的第i和预测变量Y的第j个信号；Cov(Xi,Yj)为变量xi和变量yj的协方差；分别为变量Xi和变量Yj的方差；
N组数据样本的相关系数矩阵为：
第a号风电机组N天的数据样本的平均相关系数为：
阀值矩阵Z为：
通过计算相关系数矩阵CORR1→n,1、CORR1→n,2和CORR1→n,3的均值μ1、μ2、μ3和方差σ1、σ2、σ3得到阀值矩阵Z；其中CORR1→n,1、CORR1→n,2和CORR1→n,3分别为变量矩阵X分别与矩阵Y每一个变量的相关系数矩阵均值的绝对值，用下式表示：
其中，i和k是下标；
阀值矩阵Z的确定方法采用σ取下限的原则来确定，表示为：
其中，χ为σ取下限准则的系数，取值为2或者3；
通过下式，确定变量xi和预测变量Y的每一个变量之间的相关性程度，如果满足则将xi不作为预测模型的输入变量：
|corri,k,[1,2,3]|≤Z；
其中，corri,k,[1,2,3]为第k个输入变量xk分别和预测变量y1,y2,y3的相关系数矩阵。
3.根据权利要求1所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，在步骤(3)中，时间序列非线性预测模型的预测绝对误差及其均方根值表示为：
变量矩阵Xr中某一个输入变量取舍的判定准则是：通过改变输入变量矩阵Xr中某一个变量值，预测模型任意一项预测值的绝对误差均方根值是否超过对应的初始预测绝对误差的极大值，如果超过，则保留该输入变量；否则该变量不再作为预测模型的输入变量，用下式表示为：
其中，erms1-new,erms2-new,erms3-new为改变变量矩阵Xr中某一个输入变量后，预测模型的三个预测结果的均方根值；err3-o,err1-o,err2-o为变量矩阵Xr未改变之前得到的预测结果的初始预测绝对误差。
4.根据权利要求1所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，在步骤(3)和步骤(4)中，时间序列非线性预测模型LW[]表示为：
M
其中，k为时间序列时刻；e(k)为预测模型的偏置量；nx为预测模型的输入信号延迟的时间序列个数，可以在[2，20]中间取整数；ny为考虑历史状态数据对当前预测值的影响时所需要考虑的时间序列个数，可以在[2，20]中间取整数；时间序列非线性预测模型LW[]由1个输入层，1个输出层和1个隐藏组成，输入层的输入参数个数为m+3，输出层的个数为3，隐藏层的节点个数为lh，隐藏层的节点个数的计算公式为：
其中，FIX()为向上取整函数，在[2，8]范围取值；
时间序列非线性预测模型第i层的第j个节点的神经网络表示为：
其中，LW i,j为第i层的第j个节点的权重，p为第i层的第j个节点的输入，为输出，fi为第i层激活函数，bi,j为第i层的第j个节点的偏置值；
时间序列非线性预测模型的训练迭代终止条件为：
其中，为第r次训练后第j个节点的预测值；yj,r (k)为第j个节点的实测值，可从训练样本中读取；为第(r+1)次训练后第j个节点的预测值；yj,(r+1) (k)为第j个节点的预测值，可从训练样本中读取；RE为允许的最大相对误差，其最大值不超过5％；RASE为经过时间序列非线性预测模型第r次和第(r+1)次训练后，预测输出的均方根误差和，通常在[1×10-8，1×10-7]范围内取值；
其中，nx、ny在[2，20]之间选取，分别从2开始依次增加至20，生成两组整数数组，分别是I_nx和I_ny，两个数组大小均19；在区间[2，8]内从2逐渐增大至8，得到数组大小为7的整数的数组，记为I_nx、I_ny和可分别表示为：
I_nx＝[nx (1),nx (2),L,nx (19)]；
I_ny＝[ny (1),ny (2),L,ny (19)]；
依次从数组I_nx、I_ny和选取对应的时间序列非线性预测模型的输入信号延迟的时间序列个数nx、预测值反馈的时间序列个数ny和隐藏层的节点数lh，时间序列非线性预测模型的输入信号延迟的时间序列个数nx、预测值反馈的时间序列个数ny和隐藏层的节点数lh的最优值的确定公式为：
其中，γ为常数，在区间[0.5，1]取值；RMSEk为第k组数据时训练模型的预测值和实测值的均方根误差；AMEk为第k组数据时训练模型的预测值和实测值的均值绝对误差；
5.根据权利要求1所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，在步骤(5)中，风电机组变频器状态评价指标包括变频器温度体征质量指标、变频器温度趋势统计质量指标、变频器温度波动幅度指标和变频器高温持续时间指标四个次级指标；
变频器温度体征质量指标的评价角度为每一个时刻变频器温度大小；
变频器温度趋势统计质量指标的评价角度为一段时间内变频器温度变化趋势与综合预测模型的统计预测值符合程度；
变频器温度波动幅度指标的评价角度为一段时间内，变频器温度极大值和极小值的差值大小；
变频器高温持续时间指标的评价角度为一段时间内，变频器温度较高时的持续时间；
其中，变频器温度趋势统计质量指标、变频器温度波动幅度指标和变频器高温持续时间指标辅助变频器温度体征质量指标评价变频器状态，共同评价变频器状态。
6.根据权利要求5所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，所述的变频器温度体征质量指标计算时，需要对预测变量值进行规范化，规范化表达式为：
其中，y·为规范化矩阵，包括三个变量，对应时间序列非线性综合预测模型的三个预测变量；min()为求三个预测变量的最小值；max()为求三个预测变量的求最大值；y为训练样本对应的实测变量；
t时刻的变频器温度体征质量指标的计算表达式为：
其中，Qr为变频器温度体征质量指标；cos()为余弦函数。
7.根据权利要求6所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，所述的变频器温度趋势统计质量指标Qt计算方法为：
其中，re为一段时间内变频器温度实际值与综合预测模型的统计预测值的相对误差；
一段时间内变频器温度变化趋势与综合预测模型的统计预测值符合程度用相对误差表示：
其中，Nb为一段时间内时间序列点的个数。
8.根据权利要求7所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，所述的变频器温度波动幅度指标Qf计算方法为：
其中，ed为一段时间内，变频器温度极大值和极小值的差值，
9.根据权利要求8所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，所述的变频器高温持续时间指标Qd计算方法为：
其中，Ttv为温度阀值矩阵，td1、td2、td3为常量；t为输出变量任意一项超过阀值的时间序列长度；fs为采样频率。
10.根据权利要求9所述的一种基于温度预测的风电场风电机组变频器状态评价方法，其特征在于，所述的步骤(5)中，评价准则为：
①Qt、Qf、Qd∈(0.85，1]时，Qr∈(0.9,1]，风电机组变频器状态优秀；Qr∈(0.8,0.9]时，风电机组变频器状态良好；Qr∈(0.7,0.8]时，风电机组变频器状态需引起注意；Qr∈(0.5,0.7]时，风电机组变频器状态需密切关注；Qr∈(0,0.5]时，需高度重视风电机组状态或计划检修维护；
②Qt、Qf和Qd任意一项∈(0.75，0.85]，变频器温度体征质量指标Qr应乘以dr1，再根据评价准则①的方法断定变频器状态；
③Qt、Qf、Qd任意一项∈(0.6，0.75]，变频器温度体征质量指标Qr应乘以dr2，再根据评价准则①的方法断定变频器状态；
④Qt、Qf、Qd任意一项∈(0.3，0.6]，变频器温度体征质量指标Qr应乘以dr3，再根据评价准则①的方法断定变频器状态；
⑤Qt、Qf、Qd任意一项∈(0，0.3]，需高度重视风电机组状态或计划检修维护；
其中，dr1、dr2、dr3为质量指标折扣系数。
CN201910648293.7A 2019-07-18 2019-07-18 一种基于温度预测的风电场风电机组变频器状态评价方法 Active CN110544003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910648293.7A CN110544003B (zh) 2019-07-18 2019-07-18 一种基于温度预测的风电场风电机组变频器状态评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910648293.7A CN110544003B (zh) 2019-07-18 2019-07-18 一种基于温度预测的风电场风电机组变频器状态评价方法

Publications (2)

Publication Number Publication Date
CN110544003A true CN110544003A (zh) 2019-12-06
CN110544003B CN110544003B (zh) 2023-09-15

Family

ID=68709950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910648293.7A Active CN110544003B (zh) 2019-07-18 2019-07-18 一种基于温度预测的风电场风电机组变频器状态评价方法

Country Status (1)

Country Link
CN (1) CN110544003B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930790A (zh) * 2020-03-20 2020-11-13 中国南方电网有限责任公司超高压输电公司广州局 一种基于时序分析的阀冷设备进阀温度预测方法
CN114964370A (zh) * 2022-05-25 2022-08-30 国家电投集团科学技术研究院有限公司 一种风电机组变频器状态监测方法、系统及电子设备
CN115358639A (zh) * 2022-10-20 2022-11-18 国网山东省电力公司烟台供电公司 一种基于数据分析的海上风电运行风险分析系统
CN116579632A (zh) * 2023-07-12 2023-08-11 湖南省计量检测研究院 一种基于深度学习技术实现风电设备的服役状态监测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140244328A1 (en) * 2013-02-22 2014-08-28 Vestas Wind Systems A/S Wind turbine maintenance optimizer
CN104732060A (zh) * 2015-01-19 2015-06-24 湖南科技大学 一种大型风电机组叶片多重载荷在线识别方法
CN105550943A (zh) * 2016-01-18 2016-05-04 重庆大学 一种基于模糊综合评判的风电机组状态参数异常辨识方法
CN105719002A (zh) * 2016-01-18 2016-06-29 重庆大学 一种基于组合预测的风电机组状态参数异常辨识方法
JP2016217252A (ja) * 2015-05-20 2016-12-22 株式会社日立パワーソリューションズ 風力発電システムおよび鳥飛来予測装置
CN108680358A (zh) * 2018-03-23 2018-10-19 河海大学 一种基于轴承温度模型的风电机组故障预测方法
CN109425483A (zh) * 2017-09-04 2019-03-05 锐电科技有限公司 基于scada和cms的风电机组运行状态评估与预测方法
CN109583075A (zh) * 2018-11-26 2019-04-05 湖南科技大学 基于温度参数预测的永磁直驱风力机服役质量评价方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140244328A1 (en) * 2013-02-22 2014-08-28 Vestas Wind Systems A/S Wind turbine maintenance optimizer
CN104732060A (zh) * 2015-01-19 2015-06-24 湖南科技大学 一种大型风电机组叶片多重载荷在线识别方法
JP2016217252A (ja) * 2015-05-20 2016-12-22 株式会社日立パワーソリューションズ 風力発電システムおよび鳥飛来予測装置
CN105550943A (zh) * 2016-01-18 2016-05-04 重庆大学 一种基于模糊综合评判的风电机组状态参数异常辨识方法
CN105719002A (zh) * 2016-01-18 2016-06-29 重庆大学 一种基于组合预测的风电机组状态参数异常辨识方法
CN109425483A (zh) * 2017-09-04 2019-03-05 锐电科技有限公司 基于scada和cms的风电机组运行状态评估与预测方法
CN108680358A (zh) * 2018-03-23 2018-10-19 河海大学 一种基于轴承温度模型的风电机组故障预测方法
CN109583075A (zh) * 2018-11-26 2019-04-05 湖南科技大学 基于温度参数预测的永磁直驱风力机服役质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石睿: "基于大数据分析的风电机组运行状态监测方法研究", 《中国优秀硕士学位论文全文库》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930790A (zh) * 2020-03-20 2020-11-13 中国南方电网有限责任公司超高压输电公司广州局 一种基于时序分析的阀冷设备进阀温度预测方法
CN111930790B (zh) * 2020-03-20 2021-12-31 中国南方电网有限责任公司超高压输电公司广州局 一种基于时序分析的阀冷设备进阀温度预测方法
CN114964370A (zh) * 2022-05-25 2022-08-30 国家电投集团科学技术研究院有限公司 一种风电机组变频器状态监测方法、系统及电子设备
CN115358639A (zh) * 2022-10-20 2022-11-18 国网山东省电力公司烟台供电公司 一种基于数据分析的海上风电运行风险分析系统
CN115358639B (zh) * 2022-10-20 2023-01-24 国网山东省电力公司烟台供电公司 一种基于数据分析的海上风电运行风险分析系统
CN116579632A (zh) * 2023-07-12 2023-08-11 湖南省计量检测研究院 一种基于深度学习技术实现风电设备的服役状态监测方法
CN116579632B (zh) * 2023-07-12 2023-11-17 湖南省计量检测研究院 一种基于深度学习技术实现风电设备的服役状态监测方法

Also Published As

Publication number Publication date
CN110544003B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN110544003A (zh) 一种基于温度预测的风电场风电机组变频器状态评价方法
Li et al. Reliability assessment of wind turbine bearing based on the degradation-Hidden-Markov model
CN110259646B (zh) 一种基于历史数据的风力发电机组部件状态预警方法
CN100470416C (zh) 一种电厂热工设备智能状态诊断分析系统
CN111291514B (zh) 一种风电机组疲劳寿命的快速预测的方法
CN102566435B (zh) 一种光伏电站的性能预报及故障报警方法
CN104156892A (zh) 一种有源配电网电压跌落仿真与评估方法
CN105809287A (zh) 一种高压输电线路覆冰过程综合预测方法
CN105550943A (zh) 一种基于模糊综合评判的风电机组状态参数异常辨识方法
CN112994101B (zh) 基于神经网络的风电场发电功率后评估及监测方法
CN117728587B (zh) 一种新能源发电设备运行数据的实时监控系统及方法
CN113780375B (zh) 一种基于数字孪生的虚实交互风电场风力监测系统及应用
Fonte et al. Wind speed prediction using artificial neural networks.
CN116306139A (zh) 一种风力机叶片寿命智能监测方法及系统
CN115095487A (zh) 基于多源异构scada数据的风电机组状态监测方法
CN113449847A (zh) 考虑秒级时间序列风速变化的海上风电功率滚动预测方法
CN117787698A (zh) 基于供电范围最大化的微网风险评估方法及系统
CN117634179A (zh) 一种基于多源异构数据模型的风电机组健康评估方法
CN113887705B (zh) 一种基于稀疏rbf神经网络的光伏电板运行状态监测方法
CN108071562B (zh) 一种基于能量流的风电机组能效状态诊断方法
KR20240019546A (ko) 기상 데이터를 이용한 풍력발전기 시계열 출력예측 방법
CN113935408B (zh) 一种基于精简核主成分网络的风力发电设备状态监测方法
Fonte et al. ANN approach to WECS power forecast
Shi et al. Estimation of Invisible Distributed PV Power Generation From Bus Load
Ameen et al. Performance Evaluation of Neural Network Techniques for Short-Range Wind Energy Estimation

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