CN110874663A - 用于风力发电机组的不间断电源的故障优化方法及装置 - Google Patents
用于风力发电机组的不间断电源的故障优化方法及装置 Download PDFInfo
- Publication number
- CN110874663A CN110874663A CN201811009407.5A CN201811009407A CN110874663A CN 110874663 A CN110874663 A CN 110874663A CN 201811009407 A CN201811009407 A CN 201811009407A CN 110874663 A CN110874663 A CN 110874663A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- power supply
- uninterruptible power
- generating set
- 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 41
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 105
- 230000007613 environmental effect Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 36
- 238000007619 statistical method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims 4
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000005856 abnormality Effects 0.000 description 9
- 208000015778 Undifferentiated pleomorphic sarcoma Diseases 0.000 description 7
- 239000003990 capacitor Substances 0.000 description 7
- 238000011058 failure modes and effects analysis Methods 0.000 description 6
- 238000004402 ultra-violet photoelectron spectroscopy Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于风力发电机组的不间断电源的故障优化方法及装置,所述方法包括:获取风力发电机组处的气象数据,并将获取的气象数据输入预先建立的故障分析模型以得到针对该风力发电机组的不间断电源的故障分析结果,进而根据故障分析结果选择相应的故障优化策略对风力发电机组的不间断电源进行故障优化。本发明在充分考虑环境对不间断电源的影响前提下,实现不间断电源的故障预测,进而为现有风电场的不间断电源提供故障优化方案。
Description
技术领域
本发明涉及风力发电技术领域,尤其涉及一种不间断电源的故障优化方法及装置。
背景技术
不间断电源UPS(Uninterruptible Power Supply)作为一种能够提供持续、稳定的电源设备,被广泛应用于各个领域。其中,与风力发电机组的融合是典型应用之一。UPS能够在风力发电机组出现故障时为其提供必要的电源支持,以保证风力发电机组能够完成必要的保护动作,使由于故障来带的损失最小化。
现阶段,一个风电场,甚至一个风机厂商的所有风力发电机组所采用的UPS往往是由供应商提供的具有统一型号的产品,这些产品均采用相同的零部件,例如,相同的整流器,相同数量及型号的蓄能电池等。然而,每个风电场所处的环境并不相同,并且受环境因素的影响,不同地区的风力发电机组的UPS的寿命也大不相同,如果采用统一型号的UPS,就忽略了UPS对各种环境的适应性问题,容易造成UPS出现较高的故障率。
因此,需要针对这种现状提出一种UPS的故障优化方案以解决上述技术问题。
发明内容
本发明提供了一种风力发电机组的不间断电源的故障优化方法及装置。
第一方面,提供了一种风力发电机组的不间断电源的故障优化方法,包括:获取风力发电机组所处的气象数据,并将获取的气象数据输入预先建立的故障分析模型以得到针对该风力发电机组的不间断电源的故障分析结果,进而根据故障分析结果选择相应的故障优化策略对风力发电机组的不间断电源进行故障优化。
第二方面,提供了一种风力发电机组的不间断电源的故障优化装置,包括:
数据获取及分析模块,用于获取风力发电机组所处的气象数据,并将气象数据输入预先建立的故障分析模型以得到针对该风力发电机组的不间断电源的故障分析结果;
故障优化模块,用于根据故障分析结果选择相应的故障优化策略对风力发电机组的不间断电源进行故障优化。
第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述的风力发电机组的不间断电源的故障优化方法。
第四方面,提供了一种计算机装置,该装置包括:
至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,
当计算机程序指令被处理器执行时实现如上述的风力发电机组的不间断电源的故障优化方法。
根据本发明的风力发电机组的不间断电源的故障优化方法及装置,基于风力发电机组的气象数据以及不间断电源的故障数据建立故障分析模型,利用该模型可以实现不间断电源故障的准确预测,进而根据故障预测结果采取相应的优化手段以降低不间断电源出现故障的概率并提升不间断电源的可靠性,为风力发电机组的故障运行提供有力支持。本发明充分考虑了环境及地形对不间断电源的影响,以风力发电机组的所处的微观气象数据作为模型的输入,可以准确的预测每一个风力发电机组的不间断电源的故障,进而为现有风电场的不间断电源提供定制化的故障优化方案,同时还可以为待建风电场的不间断电源的选型提供可靠的依据,实现不间断电源的定制化配置。
附图说明
通过下面结合附图进行的详细描述,本发明的上述和其它目的、特点和优点将会变得更加清楚,其中:
图1是本发明一实施例的用于风力发电机组的不间断电源的故障优化方法流程图;
图2是本发明一实施例的建立故障分析模型的方法流程图;
图3是本发明另一实施例的用于风力发电机组的不间断电源的故障优化装置的结构框图。
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作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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,用于风力发电机组的不间断电源的故障优化方法包括如下步骤:
S101,获取所述风力发电机组所处的气象数据,并将所述气象数据输入预先建立的故障分析模型以得到针对该风力发电机组的不间断电源的故障分析结果。
在该步骤中,获取的风力发电机组处的环境数据,将作为预先建立的故障分析模型的输入数据,用以对该风力发电机组的不间断电源的故障进行分析。可以理解的是,模型的建立可以通过现有的各种神经网络算法实现,本发明对此不做任何限制。
S102,根据所述故障分析结果选择相应的故障优化策略对该风力发电机组的不间断电源进行故障优化。
在该步骤中,故障分析结果首先显示了该风力发电机组的不间断电源可能出现的故障类型,例如,充电器电容失效、主控板异常、输入滤波板异常及DC/DC模组损坏等。具体地,故障分析结果包括该风力发电机组所处环境类别以及对应的故障类型。故障类型可以仅包括一个最关键的故障类型,也可以包括多个故障类型。在本发明一示例性实施例中,故障分析结果如下(参见表1):
表1
环境类别: | 高温高湿 |
故障类型: | 充电器电容失效、主控板异常 |
具体地,环境类别是通过故障分析模型训练得到的。在本实施例中,建立故障分析模型所用的环境数据为气象数据,例如,温度与湿度,因此故障分析模型训练得到的环境类别是“高温高湿”、“高温低湿”、“低温低湿”或者“低温高湿”。表1所示的故障分析结果表示该风力发电机组所处的环境为高温高湿,对应的故障类型有“充电器电容失效、主控板异常”,即,通过这个故障分析结果可以知道在高温高湿的环境下,不间断电源容易出现电容器失效以及主控板异常的故障。在此基础上,可以通过更换耐高温电容以及增加散热设计对电容及主控板存在的故障进行优化,以避免将来出现此类问题。
上述实施例通过基于不间断电源的环境数据与故障数据建立的故障分析模型针对不间断电源进行故障分析,进而基于故障分析结果有针对性的进行故障优化。
下面详细阐述本发明实施例中,如何基于不间断电源的环境数据与故障数据建立故障分析模型。具体过程如图2所示,建立故障分析模型的方法包括:
S1011,获取样本数据,所述样本数据包括风力发电机组所处的环境数据以及该风力发电机组的不间断电源的故障数据。
在该步骤中,样本数据的选取是建立故障分析模型的关键,在本实施例中样本数据包括风力发电机组处的环境数据以及该风力发电机组的不间断电源的故障数据。
作为示例,环境数据包括从气象站或者天气预报获取的整个风电场的气象数据,也就是说,可以将风电场所在地区的气象数据用于代表所有场内风力发电机组的气象数据。这里,气象数据可以包括温度、湿度、盐雾浓度、空气密度、大气压力等。
作为另一示例,通常风电场的面积非常广阔,其中每个风力发电机组所在位置的气象数据有较大的差异,例如,对于一些复杂地形的风电场,其中部分风力发电机组可能被置于平原地区,而部分风力发电机组却被置于地势较高的山区,这些风力发电机组所处的气象数据会有明显差异。因此,在这种情况下,风电场的整场气象数据存在代表性不足的问题,如果使用风电场的整场气象数据作为建立故障分析模型的样本数据,那么故障分析模型的准确度将无法保证。因此,为了提高故障分析模型的准确度,可以采用从每一个风力发电机组处的微观环境采集的气象数据,并将其与不间断电源的故障数据作为样本数据。
作为另一示例,通过相关性分析可以知道,气象数据与不间断电源故障之间存在强相关性,同时考虑到地形数据与气象数据同样存在强相关性,因此,在建立故障分析模型时可以将风力发电机组处的地形数据作为样本数据的一部分。具体地,地形数据可以包括坡度、海拔、陆地、海上等。基于通过包括地形数据的样本数据所建立的故障分析模型进行故障分析可以知道具体某种地形下的风力发电机组的不间断电源可能出现哪些故障,进而可以预先在不间断电源选型阶段进行定制化的配置,以避免这些问题的发生。通过地形数据建立故障分析模型可以省去环境监测的环节,也就是说,可以不经过长时间的数据采集,适用于电场设计阶段,对不间断电源的定制化配置。
通过上述描述可知,样本数据除了环境数据外,还包括风力发电机组的不间断电源的故障数据。一般来说,故障数据可以包括不间断电源的历史故障数据。但是,历史故障数据往往是针对实际运行过程中发生的故障,同时,不同的时间长度,历史故障数据往往也存在较大的差异。例如,运行两年的不间断电源与运行五年的不间断电源所表现出的故障类型往往是不一样的。因此,对于什么样的历史故障数据才能保证样本数据的可靠性在建立故障分析模型过程中是需要慎重考虑的问题。
作为示例,将针对风力发电机组进行的失效模式与影响分析(简称“FMEA分析”)结果与历史故障数据进行综合分析,并将分析结果作为样本数据中的故障数据的样本获取方式被应用到本实施例的故障分析模型的建立中。具体地,FMEA分析是针对产品的失效模式进行预先分析,分析结果指示产品未来可能的一些失效模式,这里失效模式可以被理解为故障类型。因此,为了确保样本数据中的故障数据的可靠性,将FMEA分析结果与实际的历史故障数据进行比对,比对结果被最终确定为样本数据。例如,FMEA分析结果显示,对于某一款风力发电机组的不间断电源的失效模式为“主控板异常”“输入滤波板异常”“DC/DC模组损坏”,其中主控板异常是最主要的故障类型。但是,可能由于实际运行环境或者运行时间长短等因素,历史故障数据却显示,该不间断电源的主要故障是“充电器电容失效”,其明显与FMEA分析结果不一致。因此,在这种情形下,可以将“主控板异常”以及“充电器电容失效”确定为该风力发电机组的不间断电源的故障数据,作为样本数据的一部分。这样可以确保故障数据的全面性,避免由于历史故障数据采样时间长度不一致导致故障数据不能全面、真实反映实际情况,进而提高样本数据的可靠性。可以理解的是,在不要求故障分析模型准确度的前提下,也可以直接将FMEA分析结果作为样本数据中的故障数据。
S1012,对多个不同的样本数据样进行训练,以得到所述故障分析模型。
在该步骤中,收集足够多的不同的不间断电源的样本数据,基于这些样本数据进行模型训练。具体地,将样本数据作为训练集,利用神经网络算法进行故障分析模型训练。训练过程包括:基于样本数据中的环境数据对所述样本数据进行聚类,聚类后样本数据被按照不同的环境类别进行分组,例如上述的“高温高湿”、“高温低湿”、“低温低湿”或者“低温高湿”。对每一个环境类别中的所有不间断电源的故障数据进行统计分析,以得到相应的统计分析结果,并将每一个环境类别以及其相应的统计分析结果作为所述故障分析模型的输出数据。
在上述训练过程中,统计每一个环境类别中的每一个故障类型的数量,并按故障数量的多少对所述故障类型进行排序,将排序结果作为相应故障数据类别的故障失效模式。例如,在高温高湿这个环境类别中存在6种不同的故障类型,经过统计,充电器电容失效以及主控板异常出现的次数最多,分别是10次与8次,其他故障类型均不超过3次。因此,高温高湿环境下的故障失效模式包括充电器电容失效以及主控板异常两种故障类型,这个故障失效模式将作为这一环境分类的故障分析结果被输出。可以理解的是,最终被作为故障分析结果的故障类型的个数可以1个,即只将统计数量最多的故障类型作为故障分析结果,也可以是预定数量的故障(例如,数量排名前三的故障类型),对此本发明不作任何限制。
为了使故障分析模型的训练达到一个理想效果,在训练过程中需要不断的调整神经网络算法的相应参数。作为示例,当任意环境类别之间的故障失效模式均不同时,将此时的聚类结果以及相应的统计分析结果作为所述故障分析模型的输出数据,而当存在相同或相近的故障失效模式时,则重新调整聚类参数,以得到新的聚类结果,并对重新得到的每一个环境类别中的所有故障数据进行统计分析。例如,基于样本数据中的环境数据进行聚类的结果是“高温高湿”、“高温低湿”、“低温低湿”或者“低温高湿”这4个环境类别,在这4个环境类别下的故障类型数量分别是2、3、3、2。为了确保环境分类后的故障类型间的差异化,需要确定这些环境分类中的故障类型尽量不同,这样才使得最终的故障分析结果有意义。因此,可以采用,但不限定以下方式确保训练结果的差异化:
当任意两个故障失效模式中的所有故障类型及相应排序均相同时,确定所述故障失效模式为相同;
当任意两个故障失效模式中存在预定数量的相同类型的故障类型,而排序不同时,确定所述故障失效模式为相似。
即,在上述例子中,需要确保“高温高湿”、“高温低湿”、“低温低湿”或者“低温高湿”这4个环境分类中的故障类型没有重复的故障类型,也不能出现重复的故障类型,但是基于统计数量的排序不同。当不满足上述条件时,可以通过调整聚类参数,重新进行聚类,直到上述条件被满足。如果当训练时间足够长,但上述条件还无法被满足时,则可以对故障类型进行限定,例如,限定一种环境分类最终只确定一个统计数量最多的故障类型作为该环境分类的故障类型,以降低出现相同或相似结果的概率。
上述实施例详细描述建立故障分析模型的过程。其中,在样本选择时,充分考虑了样本数据的代表性以及全面性对故障分析模型准确度的影响,可以准确的预测每一个风力发电机组的不间断电源的故障。除了模型准确度的考虑外,还可以通过不同样本数据的选择,建立不同环境数据与故障数据的故障分析模型,进而允许被应用于不同的场景中。在不同样本数据的基础上,既可以对现有风电场的不间断电源提供定制化的故障优化方案,也可以为待建风电场的不间断电源的选型提供可靠的依据,实现不间断电源的定制化配置。
如图3所示,本发明实施例还提供了一种用于风力发电机组的不间断电源的故障优化装置200,包括:
数据获取及分析模块201,获取所述风力发电机组处的环境数据;将所述环境数据输入预先建立的故障分析模型以得到针对该风力发电机组的不间断电源的故障分析结果;
故障优化模块202,根据所述故障分析结果选择相应的故障优化策略对该风力发电机组的不间断电源进行故障优化。
在本实施例中,数据获取及分析模块201包括:
数据获取子模块,用于获取样本数据,所述样本数据包括风力发电机组处的环境数据以及该风力发电机组的不间断电源的故障数据;
故障分析模型训练子模块,用于对多个不同的样本数据样进行训练,以得到所述故障分析模型。
在本实施例中,样本数据中的环境数据包括从气象站或者天气预报获取的整个风电场的气象数据或者包括每一个风力发电机组的微观环境的气象数据。可选地,还可以包括风力发电机组处的地形数据。样本数据中的故障数据包括不间断电源的历史故障数据或者包括针对风力发电机组进行的失效模式与影响分析结果或者包括前面两者的综合分析结果。
作为示例,故障分析模型训练子模块通过以下方式对多个不同的样本数据样进行训练,以得到所述故障分析模型:
收集足够多的不同的不间断电源的样本数据,基于这些样本数据进行模型训练。具体地,所述故障分析模型训练子模块用于将样本数据作为训练集,利用神经网络算法进行故障分析模型训练。训练过程包括:基于样本数据中的气象数据对所述样本数据进行聚类,以得到不同的环境类别,例如上述的“高温高湿”、“高温低湿”、“低温低湿”或者“低温高湿”。对每一个环境类别中的所有不间断电源的故障数据进行统计分析,以得到相应的统计分析结果,并将每一个环境类别以及其相应的统计分析结果作为所述故障分析模型的输出数据。具体地,所述故障分析模型训练子模块还用于统计每一个环境类别中的每一个故障类型的数量,并按故障数量的多少对所述故障类型进行排序,将排序结果作为相应故障数据类别的故障失效模式。
在本实施例中,所述故障分析模型训练子模块还用于:当所有环境类别间的故障失效模式均不同时,将此时的聚类结果以及相应的统计分析结果作为所述故障分析模型的输出数据;
当存在相同或相近的故障失效模式时,则重新调整聚类参数,以得到新的聚类结果,并对重新得到的每一个环境类别中的所有故障数据进行统计分析。
具体地,为了确保环境分类后的故障类型间的差异化,需要确定这些环境分类中的故障类型尽量不同,这样才使得最终的故障分析结果有意义。因此,需要确保“高温高湿”、“高温低湿”、“低温低湿”或者“低温高湿”这4个环境分类中的故障类型没有重复的故障类型,也不能出现重复的故障类型,但是基于统计数量的排序不同。当不满足上述条件时,可以通过调整聚类参数,重新进行聚类,直到上述条件被满足。如果当训练时间足够长,但上述条件还无法被满足时,则可以对故障类型进行限定,例如,限定一种环境分类最终只确定一个统计数量最多的故障类型作为该环境分类的故障类型,以降低出现相同或相似结果的概率。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述的风力发电机组的不间断电源的故障优化方法。
本发明实施例还提供了一种计算装置,该装置包括:
至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,
当计算机程序指令被处理器执行时实现如上述的风力发电机组的不间断电源的故障优化方法。
需要说明的是,上述各实施例的装置可作为上述各实施例的用于各实施例的方法中的执行主体,可以实现各个方法中的相应流程,实现相同的技术效果,为了简洁,此方面内容不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
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 (18)
1.一种用于风力发电机组的不间断电源的故障优化方法,其特征在于,所述方法包括:
获取所述风力发电机组处的环境数据,将所述环境数据输入预先建立的故障分析模型以得到针对该风力发电机组的不间断电源的故障分析结果;
根据所述故障分析结果选择相应的故障优化策略对该风力发电机组的不间断电源进行故障优化。
2.根据权利要求1所述的方法,其特征在于,预先建立故障分析模型的步骤包括:
获取样本数据,所述样本数据包括风力发电机组处的环境数据以及该风力发电机组的不间断电源的故障数据;
对多个不同的样本数据样进行训练,以得到所述故障分析模型。
3.根据权利要求2所述的方法,其特征在于,对多个不同的样本数据进行训练,以得到所述故障分析模型的步骤包括:
将所述样本数据作为训练集,利用神经网络算法进行故障分析模型训练;
训练过程包括:
基于样本数据中的环境数据对所述样本数据进行聚类,以得到不同的环境类别,对每一个环境类别中的所有不间断电源的故障数据进行统计分析,以得到相应的统计分析结果;
将每一个环境类别以及其相应的统计分析结果作为所述故障分析模型的输出数据。
4.根据权利要求3所述的方法,其特征在于,基于所述环境数据对所述样本数据进行聚类,以得到不同的环境类别,对每一个环境类别中的所有不间断电源的故障数据进行统计分析的步骤包括:
统计每一个环境类别中的每一个故障类型的数量,并按故障数量的多少对所述故障类型进行排序,将排序结果作为相应故障数据类别的故障失效模式。
5.根据权利要求3或4所述的方法,其特征在于,在所述训练过程中还包括:
当任意环境类别之间的故障失效模式均不同时,将此时的聚类结果以及相应的统计分析结果作为所述故障分析模型的输出数据;
当存在相同或相近的故障失效模式时,则重新调整聚类参数,以得到新的聚类结果,并对重新得到的每一个环境类别中的所有故障数据进行统计分析。
6.根据权利要求5所述的方法,其特征在于,当任意两个故障失效模式中的所有故障类型及相应排序均相同时,确定所述故障失效模式为相同;
当任意两个故障失效模式中存在预定数量的相同类型的故障类型,而排序不同时,确定所述故障失效模式为相似。
7.根据权利要求2至4任意一项所述的方法,其特征在于,所述故障数据来源于以下任意一种方式或组合:
对风力发电机组的不间断电源的失效模式与影响分析结果;
风力发电机组的不间断电源的历史故障数据。
8.根据权利要求1所述的方法,其特征在于,所述环境数据包括气象数据和/或地理数据。
9.一种用于风力发电机组的不间断电源的故障优化装置,其特征在于,包括:
数据获取及分析模块,获取所述风力发电机组处的环境数据,将所述环境数据输入预先建立的故障分析模型以得到针对该风力发电机组的不间断电源的故障分析结果;
故障优化模块,根据所述故障分析结果选择相应的故障优化策略对该风力发电机组的不间断电源进行故障优化。
10.根据权利要求9所述的装置,其特征在于,所述数据获取与分析模块包括:
数据获取子模块,用于获取样本数据,所述样本数据包括风力发电机组处的环境数据以及该风力发电机组的不间断电源的故障数据;
故障分析模型训练子模块,用于对多个不同的样本数据样进行训练,以得到所述故障分析模型。
11.根据权利要求10所述的装置,其特征在于,所述故障分析模型训练子模块还用于:
将所述样本数据作为训练集,利用神经网络算法进行故障分析模型训练;
训练过程包括:
基于样本数据中的环境数据对所述样本数据进行聚类,以得到不同的环境类别,对每一个环境类别中的所有不间断电源的故障数据进行统计分析,以得到相应的统计分析结果;
将每一个环境类别以及其相应的统计分析结果作为所述故障分析模型的输出数据。
12.根据权利要求11所述的装置,其特征在于,所述故障分析模型训练子模块还用于:
统计每一个环境类别中的每一个故障类型的数量,并按故障数量的多少对所述故障类型进行排序,将排序结果作为相应故障数据类别的故障失效模式。
13.根据权利要求11或12所述的装置,其特征在于,所述故障分析模型训练子模块还用于:
当所有环境类别间的故障失效模式均不同时,将此时的聚类结果以及相应的统计分析结果作为所述故障分析模型的输出数据;
当存在相同或相近的故障失效模式时,则重新调整聚类参数,以得到新的聚类结果,并对重新得到的每一个环境类别中的所有故障数据进行统计分析。
14.根据权利要求13所述的装置,其特征在于,当任意两个故障失效模式中的所有故障类型及相应排序均相同时,确定所述故障失效模式为相同;
当任意两个故障失效模式中存在预定数量的相同类型的故障类型,而排序不同时,确定所述故障失效模式为相似。
15.根据权利要求10至12任意一项所述的装置,其特征在于,所述故障数据来源于以下任意一种方式或组合:
对风力发电机组的不间断电源的失效模式与影响分析结果;
风力发电机组的不间断电源的历史故障数据。
16.根据权利要求9所述的装置,其特征在于,所述环境数据包括气象数据和/或地理数据。
17.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-8中任一项所述的方法。
18.一种计算机,其特征在于,所述计算机包括:
至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,
当所述计算机程序指令被所述处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009407.5A CN110874663B (zh) | 2018-08-31 | 2018-08-31 | 用于风力发电机组的不间断电源的故障优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009407.5A CN110874663B (zh) | 2018-08-31 | 2018-08-31 | 用于风力发电机组的不间断电源的故障优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874663A true CN110874663A (zh) | 2020-03-10 |
CN110874663B CN110874663B (zh) | 2022-07-08 |
Family
ID=69715611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811009407.5A Active CN110874663B (zh) | 2018-08-31 | 2018-08-31 | 用于风力发电机组的不间断电源的故障优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874663B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692902A (zh) * | 2020-12-31 | 2022-07-01 | 新智数字科技有限公司 | 锅炉故障诊断方法、装置、终端设备和存储介质 |
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 |
CN118263067A (zh) * | 2024-05-29 | 2024-06-28 | 元皓电气有限公司 | 一种塑壳断路器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
CN103670921A (zh) * | 2013-11-11 | 2014-03-26 | 北京能高自动化技术股份有限公司 | 风力发电机组智能状态监控系统 |
US20160223600A1 (en) * | 2015-02-03 | 2016-08-04 | Envision Energy (Jiangsu) Co., Ltd. | Power generation performance evaluation method and apparatus for power generator set |
CN106897945A (zh) * | 2017-03-02 | 2017-06-27 | 新疆金风科技股份有限公司 | 风力发电机组的聚类方法和设备 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
-
2018
- 2018-08-31 CN CN201811009407.5A patent/CN110874663B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
CN103670921A (zh) * | 2013-11-11 | 2014-03-26 | 北京能高自动化技术股份有限公司 | 风力发电机组智能状态监控系统 |
US20160223600A1 (en) * | 2015-02-03 | 2016-08-04 | Envision Energy (Jiangsu) Co., Ltd. | Power generation performance evaluation method and apparatus for power generator set |
CN106897945A (zh) * | 2017-03-02 | 2017-06-27 | 新疆金风科技股份有限公司 | 风力发电机组的聚类方法和设备 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692902A (zh) * | 2020-12-31 | 2022-07-01 | 新智数字科技有限公司 | 锅炉故障诊断方法、装置、终端设备和存储介质 |
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 |
CN118263067A (zh) * | 2024-05-29 | 2024-06-28 | 元皓电气有限公司 | 一种塑壳断路器 |
Also Published As
Publication number | Publication date |
---|---|
CN110874663B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10877863B2 (en) | Automatic prediction system for server failure and method of automatically predicting server failure | |
CN106941423B (zh) | 故障原因定位方法及装置 | |
CN110874663B (zh) | 用于风力发电机组的不间断电源的故障优化方法及装置 | |
CN111047082A (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
WO2019196869A1 (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
CN106154180B (zh) | 储能电池充/放电异常行为检测方法及检测系统 | |
CN106204330A (zh) | 一种配电网智能诊断系统 | |
CN113169709A (zh) | 基于机器学习的太阳能发电控制系统及方法 | |
US8959204B2 (en) | Field response system | |
CN115842342B (zh) | 一种分布式配电网的拓扑识别方法及装置 | |
CN116307641A (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN114689965A (zh) | 基于嵌入式智能传感器的电力设备在线监测方法及系统 | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN109754158A (zh) | 一种生成对应电网运行环境下的大数据因果模型的方法 | |
CN117217460A (zh) | 一种巡检方案生成方法、装置、电子设备及存储介质 | |
CN109583086A (zh) | 配电变压器重过载预测方法及终端设备 | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
CN116070143A (zh) | 一种基于人工智能的配电网多源异构数据融合方法及系统 | |
CN112713594A (zh) | 一种微电网仿真控制系统 | |
CN108258802A (zh) | 一种配电网中配电设备的运行状况的监测方法和装置 | |
CN116720650A (zh) | 一种电池生命周期管理方法、装置、电子设备及存储介质 | |
CN117792864A (zh) | 一种告警处理方法、装置、存储介质及电子装置 | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN110955649B (zh) | 一种配电网生产决策系统 | |
CN111931511A (zh) | 一种基于广域分布式架构的语义分析方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |