CN110985309B - 偏航对风异常检测方法、装置、设备和存储介质 - Google Patents

偏航对风异常检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110985309B
CN110985309B CN201911252551.6A CN201911252551A CN110985309B CN 110985309 B CN110985309 B CN 110985309B CN 201911252551 A CN201911252551 A CN 201911252551A CN 110985309 B CN110985309 B CN 110985309B
Authority
CN
China
Prior art keywords
data
wind direction
angle
direction deviation
deviation angle
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.)
Active
Application number
CN201911252551.6A
Other languages
English (en)
Other versions
CN110985309A (zh
Inventor
艾勇
赵清声
尹中骥
韦姝
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.)
Shanghai Envision Innovation Intelligent Technology Co Ltd
Envision Digital International Pte Ltd
Original Assignee
Shanghai Envision Innovation Intelligent Technology Co Ltd
Envision Digital International Pte Ltd
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 Shanghai Envision Innovation Intelligent Technology Co Ltd, Envision Digital International Pte Ltd filed Critical Shanghai Envision Innovation Intelligent Technology Co Ltd
Priority to CN201911252551.6A priority Critical patent/CN110985309B/zh
Publication of CN110985309A publication Critical patent/CN110985309A/zh
Priority to MX2022006964A priority patent/MX2022006964A/es
Priority to CA3164201A priority patent/CA3164201A1/en
Priority to US17/783,178 priority patent/US11644009B2/en
Priority to PCT/SG2020/050725 priority patent/WO2021118461A1/en
Priority to JP2022534772A priority patent/JP7194868B1/ja
Priority to BR112022011254A priority patent/BR112022011254A2/pt
Priority to KR1020227023665A priority patent/KR102462570B1/ko
Priority to EP20898907.9A priority patent/EP4073378A4/en
Priority to AU2020399503A priority patent/AU2020399503B2/en
Application granted granted Critical
Publication of CN110985309B publication Critical patent/CN110985309B/zh
Priority to ZA2022/06999A priority patent/ZA202206999B/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/0204—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/321—Wind directions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/335—Output power or torque
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • F05B2270/802—Calibration thereof
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)
  • Exhaust Gas Treatment By Means Of Catalyst (AREA)

Abstract

本公开提供了一种偏航对风异常检测方法、装置、设备和存储介质。所述方法包括：获取指定时间段内的风向偏差角；计算功率性能指数，功率性能指数是用于表征风机发电性能的无量纲数；根据功率性能指数，确定最优风向偏差角；根据风向偏差角的概率分布，确定当前风向偏差角；若最优风向偏差角和当前风向偏差角之差大于预设阈值，则确定检测到偏航对风异常。相比于相关技术中，采用功率拟合曲线来进行偏航对风检测，本申请实施例提供的技术方案，直接采用功率指数，避免了功率曲线拟合效果差的问题，提高了偏航对风检测的准确性。

Description

偏航对风异常检测方法、装置、设备和存储介质
技术领域
本公开实施例涉及风力发电技术领域，特别涉及一种偏航对风异常检测方法、装置、设备和存储介质。
背景技术
偏航不对风是风力发电机组中常见的一种现象。偏航不对风、偏航误差较大等问题，不仅会导致机组的发电量下降，而且会影响机组运行的稳定性及安全性。
在相关技术中，针对偏航对风偏差分析，通常采用分区间法，即将不同的风向夹角按照一定的间隔进行分区间；然后在不同的角区间内进行功率曲线拟合；比较不同角区间内功率曲线的性能好坏，并将功率曲线最优的区间作为偏航偏差角度。
在上述相关技术中，在每个区间内拟合功率曲线，由于数据量的限制，会导致在某些风速区间内没有功率输出，进一步导致最终的功率曲线拟合效果差，从而使得最终偏航对风检测不准确。
发明内容
本公开实施例提供了一种偏航对风异常检测方法、装置、设备和存储介质。
所述技术方案如下：
根据本公开实施例的第一方面，提供了一种偏航对风异常检测方法，所述方法包括：
获取指定时间段内的风向偏差角，所述风向偏差角是指风向与风机中轴线的夹角；
计算功率性能指数，所述功率性能指数是用于表征风机发电性能的无量纲数；
根据所述功率性能指数，确定最优风向偏差角，所述最优风向偏差角是指所述指定时间段内风机发电性能最好时对应的风向偏差角；
根据所述风向偏差角的概率分布，确定当前风向偏差角，所述当前风向偏差角是指所述指定时间段内出现概率最大的风向偏差角；
若所述最优风向偏差角和所述当前风向偏差角之差大于预设阈值，则确定检测到偏航对风异常。
根据本公开实施例的第二方面，提供了一种偏航对风异常检测装置，所述装置包括：
偏差角获取模块，用于获取指定时间段内的风向偏差角，所述风向偏差角是指风向与风机中轴线的夹角；
指数计算模块，用于计算功率性能指数，所述功率性能指数是用于表征风机发电性能的无量纲数；
第一确定模块，用于根据所述功率性能指数，确定最优风向偏差角，所述最优风向偏差角是指所述指定时间段内风机发电性能最好时对应的风向偏差角；
第二确定模块，用于根据所述风向偏差角的概率分布，确定当前风向偏差角，所述当前风向偏差角是指所述指定时间段内出现概率最大的风向偏差角；
结果确定模块，用于当所述最优风向偏差角和所述当前风向偏差角之差大于预设阈值时，确定检测到偏航对风异常。
根据本公开实施例的第三方面，提供了一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述方法的步骤。
根据本公开实施例的第四方面，提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本公开实施例提供的技术方案可以包括以下有益效果：
通过计算功率性能指数，并根据该功率性能指数确定最优风向偏差角；根据风向偏差角的概率分布确定当前风向偏差角，进一步判断是否检测到偏航对风异常。相比于相关技术中，采用功率拟合曲线来进行偏航对风检测，本申请实施例提供的技术方案，直接采用功率指数，避免了功率曲线拟合效果差的问题，提高了偏航对风检测的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种实施环境的示意图；
图2是根据一示例性实施例示出的一种偏航对风异常检测方法的流程图；
图3示例性示出了一种风向偏差角的示意图；
图4是根据一示例性实施例示出的另一种偏航对风异常检测方法的流程图；
图5示例性示出了对原始数据的处理过程的示意图；
图6示例性示出了一种功率回归模型的训练过程的示意图；
图7示例性示出了风向偏差角分区间的示意图；
图8是根据一示例性实施例示出的一种偏航对风异常检测装置的框图；
图9是根据另一示例性实施例示出的一种偏航对风异常检测装置的框图；
图10是本申请一个实施例提供的终端的结构框图；
图11是本申请一个实施例提供的服务器的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种实施环境的示意图。该实施环境中可以包括风机10和计算机设备20。
上述风机10可以包括基础、塔架、机舱、轮毂、叶片(风轮)组成。其中，基础是提供风机的地基，保持风机的稳定。风机的受风中心需要安装在一定的高度上，塔架即是提供此高度的结构。机舱主要由玻璃钢材质的机舱罩、主机架、偏航系统、发电机组、齿轮箱、制动器、变频器、气象站及其他附件组成。轮毂主要由变浆电机、减速机、变浆控制柜、滑环、防雷导线等部件组成。叶片主要由叶片纵梁、符合材料制作的叶片壳体、叶片叶根、预埋螺栓法兰、叶片防雷接闪等部件组成。
风机10的运行参数可以通过SCADA(Supervisory Control And DataAcquisition，数据采集与监视控制系统)获取，采集的运行参数可以包括风速、风轮转速、叶片桨距角、偏航对风角、有功功率、风机运行状态等。采集的方式可以是在风机的对应位置设置传感器。
在获取到风机10的运行参数后，可以将该运行参数发送到计算机设备20，以进行偏航对风异常检测。上述计算机设备20是指具备数据计算、处理和存储能力的电子设备，该计算机设备可以是诸如PC(Personal Computer，个人计算机)，也可以是服务器。上述计算机设备20可以包括一个或者多个。例如，当计算机设备包括2个(如第一计算机设备和第二计算机设备)时，其中，第一计算机设备可以是与SCADA直接进行数据传输的私网服务器，第二计算机设备时公网服务器，第一计算机设备可以进一步将数据发送给第二计算机设备。
可选地，上述计算机设备20在进行偏航对风异常检测之后，若检测到偏航对风异常，还可以生成预警信息，该预警信息用于指示偏航对风异常，并将该预警信息发送给预警设备，以便检修人员能够及时发现并进行校正。
在相关技术中，采用拟合功率曲线的方式检测偏航对风异常，存在以下问题：1、由于数据量限制，会导致在某些风速区间内没有功率输出，导致功率曲线拟合的不连续，无法得到完整功率曲线；2、由于风力发电机工作的特殊性，功率输出存在噪声较大，数据较脏的情况，很难进行完整的数据清洗，并获取完好的功率输出点，导致了功率曲线拟合效果很差。由于以上问题的存在，导致使得最终偏航对风检测不准确。
图2是根据一示例性实施例示出的一种偏航对风异常检测方法的流程图。在本实施例中，主要以该方法应用于图1实施例示出的计算机设备中。该方法可以包括如下几个步骤(201～205)：
在步骤201中，获取指定时间段内的风向偏差角。
上述风向偏差角是指风向与风机中轴线的夹角。
上述指定时间段可以是任意一段时间，可以根据实际情况进行选择，本申请实施例对此不作限定。
可选地，可以获取指定时间段内的全部风向偏差角。
风机的能量来源是风机风轮捕获的风能。在准确对风的情况下，风机中轴线与风向平行，两者之间的夹角为0°，捕获的风能最大，风机发电性能最好。但由于风向仪制造、安装、调试过程中存在无可避免的误差，使得风机无法正对风，导致风机发电性能下降。因此，风机需要根据风向偏差角进行偏航对风，以提高风机发电性能。
示例性地，如图3所示，其示例性示出了一种风向偏差角的示意图。图中直线AOB表示风力发电机的机舱中轴线，直线COD表示风轮平面，直线EO表示风向，风向偏差角即为中轴线AOB与风向EO之间的夹角。
可选地，上述风向偏差角可以直接测量得到，也可以通过风向，机舱中轴线值，风向与机舱轴线偏差角三者的几何数量关系进行计算得到。风向偏差角等于机舱位置值与风向之差。
在步骤202中，计算功率性能指数，该功率性能指数是用于表征风机发电性能的无量纲数。
可以根据风机运行参数，如风速、发电机转速、功率等，计算得到功率性能指数。
上述功率性能指数是用于表征风机发电性能的无量纲数。无量纲量常写作两个有量纲量之积或比，但其最终的纲量互相消除后会得出无量纲量。采用无量纲数进行分析，可以有效简化分析过程，降低复杂度。
在步骤203中，根据功率性能指数，确定最优风向偏差角。
在获取到功率性能指数之后，可以根据该功率性能指数确定最优风向偏差角。其中，最优风向偏差角是指指定时间段内风机发电性能最好时对应的风向偏差角。
在步骤204中，根据风向偏差角的概率分布，确定当前风向偏差角。
可以对风向偏差角进行统计，并根据该风向偏差角的概率分布，确定当前风向偏差角。上述当前风向偏差角是指指定时间段内出现概率最大的风向偏差角。
在步骤205中，若最优风向偏差角和当前风向偏差角之差大于预设阈值，则确定检测到偏航对风异常。
进一步，可以获取最优风向偏差角和当前风向偏差角之间的差值，若该差值大于预设阈值时，则确定检测到偏航对风异常。之后，检修人员可以进行偏航对风校正。
另外，当最优风向偏差角和当前风向偏差角之间的差值小于预设阈值时，则表示偏航对风偏差影响不显著，无需进行校正。
上述预设阈值可以由检修人员根据实际情况进行设定，本申请实施例对此不作限定。
综上所述，本申请实施例提供的技术方案，通过计算功率性能指数，并根据该功率性能指数确定最优风向偏差角，根据风向偏差角的概率分布确定当前风向偏差角，进一步判断是否检测到偏航对风异常。相比于相关技术中，采用功率拟合曲线来进行偏航对风检测，本申请实施例提供的技术方案，直接采用功率指数，避免了功率曲线拟合效果差的问题，提高了偏航对风检测的准确性。
图4是根据一示例性实施例示出的另一种偏航对风异常检测方法的流程图。在本实施例中，主要以该方法应用于图1实施例示出的计算机设备中。该方法可以包括如下几个步骤(401～417)：
在步骤401中，获取指定时间段内的风机原始数据。
上述风机原始数据包括风机运行参数，该风机运行数据包括原始风机输出功率。此外，上述风机原始数据还包括风机所处环境数据和邻近风机运行数据。
其中，风机运行数据是指风机自身运行时的相关数据，如风向标角度(即风向与机舱偏差角度)、机舱位置、发电机转速、桨距角、有功功率、齿轮箱油温、机组运行状态等等多种数据。风机所处环境数据是指风机安装的环境的特征数据，如湍流强度、风向、环境温度、风速等等。邻近风机运行数据是指与该风机相邻的其它风机的运行数据，如邻近风机的功输出功率、桨角、发电机转速、风轮转速等等数据。
在步骤402中，获取指定时间段内的风向偏差角。
在获取到上述风机原始数据之后，进一步可以根据该风机原始数据获取到风向偏差角。
此步骤与上文图2实施例中步骤201相同或类似，此处不再赘述。
可选地，在获取到风机原始数据之后，还可以执行下述步骤403。
在步骤403中，对风机原始数据进行数据清洗，得到清洗后的数据。
上述数据清洗用于去除风机原始数据中的异常数据，该异常数据可以包括以下至少一项：卡住数据、超限数据、不符合物理原理的数据。此外，还可以包括人为插值和修改的数据。
其中，卡出数据是指在一段时间内都是同一个值或者在很小的范围内波动的数据。超限数据是指超出风机发电数据在一定的风速条件下的发电功率的合理范围的数据。不符合物理原理的数据可以包括结冰数据，结冰数据是指由于天气原因，造成风机结冰导致的风机发电性能差的数据；此外，不符合物理原理的数据还可以包括其它数据，本申请实施例对此不作限定。
示例性地，如图5所示，其示例性示出了对原始数据的处理过程的示意图。上述数据清洗还可以参考IEC标准，制订的有效数据判据如下：(1)功率大于0.1KW；(2)桨距角小于20°；(3)发电机转速大于切入转速；(4)非风速小于10m/s且桨距角大于5°；(5)风向夹角小于15°且大于-15°；(6)非停机时间；(7)非故障时间；(8)非弃风限电时间。
可选地，继续参考图5，上述对风机原始数据进行数据清洗，得到清洗后的数据，包括：
(1)对风机原始数据进行单测点数据清洗，得到清洗后的数据。
上述单测点数据清洗是指在检测目标数据是否异常时仅考虑目标数据。例如，在检测功率数据是否异常时，不考虑其它相关参数，只考虑该功率数据是否符合标准。
(2)对风机原始数据进行多测点数据清洗，得到清洗后的数据。
上述多测点数据清洗是指在检测目标数据是否异常时同时考虑目标数据以及至少一个其它数据。例如，在检测功率数据是否异常时，不仅考虑该功率数据是否符合标准，还需要考虑风速是否符合标准，结合功率数据与风速进行综合判断。
需要说明的一点是，上述对风机原始数据进行数据清洗，可以只进行但测点数据清洗，也可以只进行多测点数据清洗，还可以执行单侧点数据清洗和多测点数据清洗，本申请实施例对此不作限定。
可选地，继续参考图5，上述对风机原始数据进行数据清洗，得到清洗后的数据之后，还包括：
(1)对清洗后的数据进行数据插补。
考虑到在进行数据清洗后，数据不全会导致分析不准确，因此可以进行数据插补。上述数据插补用于填补缺失的数据。
(2)对清洗后的数据进行数据修正。
上述数据修正是指根据风机所处环境数据对风机的风速进行修正。考虑到环境因素的影响，大气压、环境温度、空气密度等对风速均会产生影响，因此可以对清洗后的数据进行数据修正，以降低环境因素对数据的影响。
可选地，对风机原始数据进行数据清洗，得到清洗后的数据之后，还可以判断清洗后的数据的数据量是否大于预设数据量，若清洗后的数据的数据量大于预设数据量，则可以执行下述步骤404；若清洗后的数据的数据量小于预设数据量，考虑到数据量过少无法准确进行分析，则不进行后续分析。
在步骤404中，提取清洗后的数据的数据特征。
在对上述风机原始进行清洗后，还可以提取清洗后的数据的数据特征。
在步骤405中，调用功率回归模型，根据清洗后的数据的数据特征得到期望风机输出功率。
在获取到上述清洗后的数据的数据特征之后，可以调用功率回归模型计算得到期望风机输出功率。
示例性地，如图6所示，上述功率回归模型的训练过程包括以下步骤：
(1)获取至少一个训练样本，训练样本包括风机原始数据；
(2)提取训练样本的数据特征；
(3)采用训练样本的数据特征对功率回归模型进行训练，调整功率回归模型的参数，得到完成训练的功率回归模型。
在获取到训练样本之后，可以对提取该训练样本的数据特征，如风机运行数据的特征、风机所处环境数据的特征和邻近风机运行数据的特征。之后，根据上述数据特征进行特征构建，并利用构建的特征对该功率回归模型进行训练，逐渐调整功率回归模型的参数，得到完成训练的功率回归模型。
可选地，在功率回归模型满足停止训练条件时，停止对该模型的训练，得到完成训练的功率回归模型。其中，功率回归模型的停止训练条件可以预先进行设定，如损失函数的值达到预设阈值、训练轮数达到预设轮数或训练时长达到预设时长等，本申请实施例对此不作限定。
可选地，在完成训练之后，还可以采用测试集对该完成训练的功率回归模型进行测试验证。在通过验证后将该功率回归模型推送到线上，以便其它设备在需要时进行调用。
需要说明的一点是，上述功率回归模型可以是RF(随机森林回归)模型，也可以是GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型，还可以是XGBoost(Extreme Gradient Boosting，极端梯度提升)模型。此外，还可以是其它模型，本申请实施例对此不作限定。
在步骤406中，根据期望风机输出功率和原始风机输出功率得到功率性能指数。
原始数据中包括原始风机输出功率。在获取到上述期望风机输出功率之后，可以结合原始风机输出功率，进一步计算得到功率性能指数。
上述功率性能指数是用于表征风机发电性能的无量纲数。在本申请实施例中，上述功率性能指数可以是原始风机输出功率与期望风机输出功率的比值。若该功率性能指数大于1，则表示风机的发电性能超出期望风机输出功率；若该功率性能指数小于1，则表示风机的发电性能没有达到期望风机输出功率。
在一些其它实施例中，上述功率性能指数还可以是原始风机输出功率与期望风机输出功率通过加减乘除等数学运算得到的其它能够表示功率性能的参数，只要符合物理原理，计算方法可以自由配置。本申请实施例对此不作限定。
在步骤407中，将风向偏差角进行分区间，得到m个角区间，该m为大于1的正整数。
在获取到上述风向偏差角之后，可以进行分区间，即将该风向偏差角按照预设间隔划分为m个角区间，该m为大于1的正整数。其中，每个角区间包括至少一个风向偏差角，风向偏差角与功率性能指数一一对应。
示例性地，如图7所示，其示例性示出了风向偏差角分区间的示意图。假设风向偏差角为[-10°，10°]，预设间隔为5°，则可以将风向偏差角划分为4个角区间。
在步骤408中，对于m个角区间中的第i个角区间，计算第i个角区间的功率性能指数的平均值。
由于各个角区间中数据的值以及数据的数量并不相同，因此在获取到各个角区间的多个功率性能指数之后，可以计算各个角区间的功率性能指数的平均值，以便进行后续分析。
在步骤409中，根据平均值和预设置信概率，确定第i个角区间对应的置信区间。
在获取到各个角区间的功率性能的平均值之后，可以结合预设置信概率，确定各个角区间对应的置信区间。
示例性地，采用学生t分布进行置信区间的确定。假设预设置信概率为95％。在获取到第i个角区间的功率性能的平均值时，同样可以得到第i个角区间的功率性能的方差，结合平均值和方差，查询t分布的自由度表，可以确定该情况下对应的自由度；进一步可以计算得到置信概率为95％下置信区间的上边界值和下边界值，从而确定了该第i个角区间对应的置信区间。
在步骤410中，对比m个角区间对应的置信区间的下边界值。
根据步骤409可以得到m个角区间各自对应的置信区间，在此基础上，可以对比各个角区间各自对应的置信区间的下边界值。
在步骤411中，将下边界值最大的置信区间对应的角区间确定为最优角区间。
通过对比m个角区间对应的置信区间的下边界值，考虑到数据的稳定性和可靠性，可以将下边界值最大的置信区间对应的角区间确定为最优角区间。上述最优角区间是指最优偏差角所在的角区间。
在步骤412中，将最优角区间的下边界值确定为最优偏差角。
最优角区间包括上边界值和下边界值，在确定了最优角区间之后，可以将该最优角区间的下边界值确定为最优偏差角。
示例性地，假设最优角区间为[0.5°，1°)，则可以将0.5°作为最优偏差角。
在步骤413中，根据风向偏差角的概率分布，确定当前风向偏差角。
可选地，可以将m个角区间中概率值最大的角区间确定为当前偏差角；或者，将m个角区间中风向偏差角的中位数所对应的角区间确定为当前偏差角。
可选地，在根据概率分布，确定当前风向偏差角之后，还可以执行下述步骤414。
在步骤414中，计算最优角区间的数据量的百分比。
在确定最优角区间之后，可以计算该最优角区间的数据量的百分比。该百分比即最优角区间的数据量与该最优角区间的原始数据的数据量的比值。
若上述百分比小于预设百分比，则结束分析。
若上述百分比大于预设百分比，则可以执行下述步骤415。
在步骤415中，判断最优偏差角与当前偏差角之差是否满足预设阈值。
获取最优风向偏差角和当前风向偏差角之间的差值，若该差值大于预设阈值时，则确定检测到偏航对风异常。之后，检修人员可以进行偏航对风校正。
在步骤416中，生成预警信息。
在确定检测到偏航对风异常之后，可以生成预警信息。该预警信息用于指示偏航对风异常。
在步骤417中，向目标设备发送预警信息。
上述目标设备可以是如图1所示实施环境中的预警设备。预警设备在接收到计算机设备发送的预警信息之后，可以进行预警，以便检修人员可以进行偏航对风校正。
综上所述，本申请实施例提供的技术方案，通过计算功率性能指数，并根据该功率性能指数确定最优风向偏差角，根据风向偏差角的概率分布确定当前风向偏差角，进一步判断是否检测到偏航对风异常。相比于相关技术中，采用功率拟合曲线来进行偏航对风检测，本申请实施例提供的技术方案，直接采用功率指数，有效的提高风机偏航对风异常检测的准确率，及时进行设备维修，避免发电性能的持续跌落，减少发电量损失；而且计算快速，无需大量数据拟合功率曲线，分析效率高。
另外，通过更加深度的数据清洗，数据清洗效果会更好，可以大幅减少由于数据清洗效果不好造成的误差。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图8是根据一示例性实施例示出的一种偏航对风异常检测装置的框图。该装置具有实现上述方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备上。该装置800可以包括：偏差角获取模块810、指数计算模块820、第一确定模块830、第二确定模块840和结果确定模块850。
偏差角获取模块810，用于获取指定时间段内的风向偏差角，所述风向偏差角是指风向与风机中轴线的夹角。
指数计算模块820，用于计算功率性能指数，所述功率性能指数是用于表征风机发电性能的无量纲数。
第一确定模块830，用于根据所述功率性能指数，确定最优风向偏差角，所述最优风向偏差角是指所述指定时间段内的风机发电性能最好时对应的风向偏差角。
第二确定模块840，用于根据所述风向偏差角的概率分布，确定当前风向偏差角，所述当前风向偏差角是指所述指定时间段内出现概率最大的风向偏差角。
结果确定模块850，用于当所述最优风向偏差角和所述当前风向偏差角之差大于预设阈值时，确定检测到偏航对风异常。
综上所述，本申请实施例提供的技术方案，通过计算各个角区间的功率性能指数，并根据该功率性能指数确定最优风向偏差角，根据风向偏差角的概率分布当前风向偏差角，进一步判断是否检测到偏航对风异常。相比于相关技术中，采用功率拟合曲线来进行偏航对风检测，本申请实施例提供的技术方案，直接采用功率指数，避免了功率曲线拟合效果差的问题，提高了偏航对风检测的准确性。
在一些可能的设计中，如图9所示，所述装置800还包括：数据获取模块860。
所述数据获取模块860，用于获取风机原始数据，所述风机原始数据包括风机运行数据、风机所处环境数据、邻近风机运行数据；其中，所述风机运行数据包括原始风机输出功率；
所述指数计算模块820，用于提取所述原始数据的数据特征；调用功率回归模型，根据所述风机原始数据的数据特征得到期望风机输出功率；根据所述期望风机输出功率和所述原始风机输出功率得到所述功率性能指数。
在一些可能的设计中，如图9所示，所述装置800还包括：数据清洗模块870。
数据清洗模块870，用于对所述风机原始数据进行数据清洗，得到清洗后的数据，所述数据清洗用于去除所述风机原始数据中的异常数据，所述异常数据包括以下至少一项：卡住数据、超限数据、不符合物理原理的数据。
指数计算模块820，用于当所述清洗后的数据的数据量大于预设数据量时，执行所述调用功率回归模型，根据所述风机原始数据的数据特征得到期望风机输出功率的步骤。
在一些可能的设计中，所述数据清洗模块870，用于对所述风机原始数据进行单测点数据清洗，得到所述清洗后的数据，所述单测点数据清洗是指在检测目标数据是否异常时仅考虑所述目标数据；和/或，对所述风机原始数据进行多测点数据清洗，得到所述清洗后的数据，所述多测点数据清洗是指在检测目标数据是否异常时同时考虑所述目标数据以及至少一个其它数据。
在一些可能的设计中，如图9所示，所述装置800还包括：数据插补模块880和数据修正模块890。
数据插补模块880，用于对所述清洗后的数据进行数据插补，所述数据插补用于填补缺失的数据；
和/或，
数据修正模块890，用于对所述清洗后的数据进行数据修正，所述数据修正是指根据风机所处环境参数对所述风机的风速进行修正。
在一些可能的设计中，所述第一确定模块830，用于将所述风向偏差角进行分区间，得到m个角区间，所述m为大于1的正整数，其中，每个角区间包括至少一个所述风向偏差角，所述风向偏差角与所述功率性能指数一一对应；对于所述m个角区间中的第i个角区间，计算所述第i个角区间的功率性能指数的平均值；根据所述平均值和预设置信概率，确定所述第i个角区间对应的置信区间；对比所述m个角区间对应的置信区间的下边界值；将所述下边界值最大的置信区间对应的角区间确定为最优角区间，所述最优角区间是指所述最优偏差角所在的角区间；将所述最优角区间的下边界值确定为所述最优偏差角。
在一些可能的设计中，所述第二确定模块840，用于将所述m个角区间中概率值最大的角区间确定为所述当前偏差角；或者，将所述m个角区间中风向偏差角的中位数所对应的角区间确定为所述当前偏差角。
在一些可能的设计中，如图9所示，所述装置800还包括：数据量计算模块900。
数据量计算模块900，用于计算所述最优角区间的数据量的百分比；
结果确定模块850，用于当所述百分比大于预设百分比时，执行所述判断最优偏差角与当前偏差角之差是否满足预设阈值的步骤。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图10，其示出了本申请一个实施例提供的终端的结构框图。通常，终端1000包括有：处理器1001和存储器1002。
处理器1001可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1001可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1001可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1001还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1001所执行以实现本申请中方法实施例提供的偏航对风异常检测方法。
在一些实施例中，终端1000还可选包括有：外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。具体地，外围设备可以包括：通信接口1004、显示屏1005、音频电路1006、摄像头组件1007、定位组件1008和电源1009中的至少一种。
本领域技术人员可以理解，图10中示出的结构并不构成对终端1000的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
请参考图11，其示出了本申请一个实施例提供的服务器的结构示意图。该服务器用于实施上述实施例中提供的偏航对风异常检测方法。具体来讲：
所述服务器1100包括CPU1101、包括RAM(Random Access Memory，随机存取存储器)1102和ROM(Read Only Memory，只读存储器)1102的系统存储器1104，以及连接系统存储器1104和中央处理单元1101的系统总线1105。所述服务器1100还包括帮助计算机内的各个器件之间传输信息的基本I/O(Input/Output输入/输出)系统1106，和用于存储操作系统1113、应用程序1114和其他程序模块1112的大容量存储设备1107。
所述基本输入/输出系统1106包括有用于显示信息的显示器1108和用于用户输入信息的诸如鼠标、键盘之类的输入设备1109。其中所述显示器1108和输入设备1109都通过连接到系统总线1105的输入输出控制器1110连接到中央处理单元1101。所述基本输入/输出系统1106还可以包括输入输出控制器1110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1110还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1107通过连接到系统总线1105的大容量存储控制器(未示出)连接到中央处理单元1101。所述大容量存储设备1107及其相关联的计算机可读介质为服务器1100提供非易失性存储。也就是说，所述大容量存储设备1107可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，带电可擦可编程只读存储器)、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1104和大容量存储设备1107可以统称为存储器。
根据本申请的各种实施例，所述服务器1100还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1100可以通过连接在所述系统总线1105上的网络接口单元1111连接到网络1112，或者说，也可以使用网络接口单元1111来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集存储于存储器中，且经配置以由一个或者一个以上处理器执行，以实现上述偏航对风异常检测方法。
在示例性实施例中，还提供了一种计算机设备。该计算机设备可以是终端或服务器。所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述偏航对风异常检测方法。
在示例性实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时实现上述偏航对风异常检测方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述仅为本公开的示例性实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种偏航对风异常检测方法，其特征在于，所述方法包括：
获取指定时间段内的风向偏差角，所述风向偏差角是指风向与风机机舱中轴线的夹角；
计算功率性能指数，所述功率性能指数是原始风机输出功率与期望风机输出功率的比值；
将所述风向偏差角进行分区间，得到m个角区间，所述m为大于1的正整数，其中，每个角区间包括至少一个所述风向偏差角，所述风向偏差角与所述功率性能指数一一对应；
对于所述m个角区间中的第i个角区间，计算所述第i个角区间的功率性能指数的平均值；
根据所述平均值和预设置信概率，确定所述第i个角区间对应的置信区间；
对比所述m个角区间对应的置信区间的下边界值；
将所述下边界值最大的置信区间对应的角区间确定为最优角区间，所述最优角区间是指最优风向偏差角所在的角区间；
将所述最优角区间的下边界值确定为所述最优风向偏差角，所述最优风向偏差角是指所述指定时间段内风机发电性能最好时对应的风向偏差角；
根据所述风向偏差角的概率分布，确定当前风向偏差角，所述当前风向偏差角是指所述指定时间段内出现概率最大的风向偏差角；
若所述最优风向偏差角和所述当前风向偏差角之差大于预设阈值，则确定检测到偏航对风异常。
2.根据权利要求1所述的方法，其特征在于，所述获取指定时间段内的风向偏差角之前，还包括：
获取所述指定时间段内的风机原始数据，所述风机原始数据包括风机运行数据、风机所处环境数据、邻近风机运行数据；其中，所述风机运行数据包括原始风机输出功率；
所述计算所述功率性能指数，包括：
提取所述风机原始数据的数据特征；
调用功率回归模型，根据所述风机原始数据的数据特征得到期望风机输出功率；
根据所述期望风机输出功率和所述原始风机输出功率得到所述功率性能指数。
3.根据权利要求2所述的方法，其特征在于，所述获取所述指定时间段内的风机原始数据之后，还包括：
对所述风机原始数据进行数据清洗，得到清洗后的数据，所述数据清洗用于去除所述风机原始数据中的异常数据，所述异常数据包括以下至少一项：卡住数据、超限数据、不符合物理原理的数据；
若所述清洗后的数据的数据量大于预设数据量，则执行所述调用功率回归模型，根据所述风机原始数据的数据特征得到期望风机输出功率的步骤。
4.根据权利要求3所述的方法，其特征在于，所述对所述风机原始数据进行数据清洗，得到清洗后的数据，包括：
对所述风机原始数据进行单测点数据清洗，得到所述清洗后的数据，所述单测点数据清洗是指在检测目标数据是否异常时仅考虑所述目标数据；
和/或，
对所述风机原始数据进行多测点数据清洗，得到所述清洗后的数据，所述多测点数据清洗是指在检测目标数据是否异常时同时考虑所述目标数据以及至少一个其它数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述风向偏差角的概率分布，确定当前风向偏差角，包括：
将所述m个角区间中概率值最大的角区间确定为所述当前风向偏差角；
或者，
将所述m个角区间中风向偏差角的中位数所对应的角区间确定为所述当前风向偏差角。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述确定当前偏差角之后，还包括：
计算所述最优角区间的数据量的百分比；
若所述百分比大于预设百分比，则执行判断最优偏差角与当前偏差角之差是否满足预设阈值的步骤。
7.一种偏航对风异常检测装置，其特征在于，所述装置包括：
偏差角获取模块，用于获取指定时间段内的风向偏差角，所述风向偏差角是指风向与风机机舱中轴线的夹角；
指数计算模块，用于计算功率性能指数，所述功率性能指数是原始风机输出功率与期望风机输出功率的比值；
第一确定模块，用于将所述风向偏差角进行分区间，得到m个角区间，所述m为大于1的正整数，其中，每个角区间包括至少一个所述风向偏差角，所述风向偏差角与所述功率性能指数一一对应；对于所述m个角区间中的第i个角区间，计算所述第i个角区间的功率性能指数的平均值；根据所述平均值和预设置信概率，确定所述第i个角区间对应的置信区间；对比所述m个角区间对应的置信区间的下边界值；将所述下边界值最大的置信区间对应的角区间确定为最优角区间，所述最优角区间是指最优风向偏差角所在的角区间；将所述最优角区间的下边界值确定为所述最优风向偏差角，所述最优风向偏差角是指所述指定时间段内风机发电性能最好时对应的风向偏差角；
第二确定模块，用于根据所述风向偏差角的概率分布，确定当前风向偏差角，所述当前风向偏差角是指所述指定时间段内出现概率最大的风向偏差角；
结果确定模块，用于当所述最优风向偏差角和所述当前风向偏差角之差大于预设阈值时，确定检测到偏航对风异常。
8.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一所述方法的步骤。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN201911252551.6A 2019-12-09 2019-12-09 偏航对风异常检测方法、装置、设备和存储介质 Active CN110985309B (zh)

Priority Applications (11)

Application Number Priority Date Filing Date Title
CN201911252551.6A CN110985309B (zh) 2019-12-09 2019-12-09 偏航对风异常检测方法、装置、设备和存储介质
BR112022011254A BR112022011254A2 (pt) 2019-12-09 2020-12-08 Métódo e aparelho para detectar anormalidade na guinada da turbina eólica, e dispositivo e meio de armazenamento dele
EP20898907.9A EP4073378A4 (en) 2019-12-09 2020-12-08 METHOD AND APPARATUS FOR DETECTING YAW-TO-WIND ANOMALIES, AND APPARATUS AND STORAGE MEDIUM THEREFORE
US17/783,178 US11644009B2 (en) 2019-12-09 2020-12-08 Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof
PCT/SG2020/050725 WO2021118461A1 (en) 2019-12-09 2020-12-08 Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof
JP2022534772A JP7194868B1 (ja) 2019-12-09 2020-12-08 風に対するヨーの異常を検出するための方法および装置、並びにそれらのデバイスおよび記憶媒体
MX2022006964A MX2022006964A (es) 2019-12-09 2020-12-08 Método y aparato para detectar anormalidades de guiñada a viento, y dispositivo y medio de almacenamiento de los mismos.
KR1020227023665A KR102462570B1 (ko) 2019-12-09 2020-12-08 요-바람 이상 검출 방법 및 장치, 및 그 디바이스 및 저장 매체
CA3164201A CA3164201A1 (en) 2019-12-09 2020-12-08 Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof
AU2020399503A AU2020399503B2 (en) 2019-12-09 2020-12-08 Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof
ZA2022/06999A ZA202206999B (en) 2019-12-09 2022-06-23 Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911252551.6A CN110985309B (zh) 2019-12-09 2019-12-09 偏航对风异常检测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110985309A CN110985309A (zh) 2020-04-10
CN110985309B true CN110985309B (zh) 2022-03-11

Family

ID=70091519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911252551.6A Active CN110985309B (zh) 2019-12-09 2019-12-09 偏航对风异常检测方法、装置、设备和存储介质

Country Status (11)

Country Link
US (1) US11644009B2 (zh)
EP (1) EP4073378A4 (zh)
JP (1) JP7194868B1 (zh)
KR (1) KR102462570B1 (zh)
CN (1) CN110985309B (zh)
AU (1) AU2020399503B2 (zh)
BR (1) BR112022011254A2 (zh)
CA (1) CA3164201A1 (zh)
MX (1) MX2022006964A (zh)
WO (1) WO2021118461A1 (zh)
ZA (1) ZA202206999B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11231012B1 (en) * 2020-09-22 2022-01-25 General Electric Renovables Espana, S.L. Systems and methods for controlling a wind turbine
CN113565699B (zh) * 2021-08-13 2023-09-12 远景智能国际私人投资有限公司 风力发电机组的桨距角的检测方法、装置及系统
CN114113683A (zh) * 2021-11-02 2022-03-01 上海电气风电集团股份有限公司 风电场中风机风向仪的监测方法及其系统及计算机可读存储介质
US20230164156A1 (en) * 2021-11-19 2023-05-25 IronNet Cybersecurity, Inc. Detection of abnormal events
KR102586116B1 (ko) * 2022-11-30 2023-10-06 식스티헤르츠 주식회사 풍력 발전량 예측 방법 및 시스템
CN116502543B (zh) * 2023-06-21 2023-09-22 宇动源(北京)信息技术有限公司 风电机组对风偏差识别方法、装置、电子设备和存储介质
CN116954169A (zh) * 2023-07-19 2023-10-27 天津市易控科技发展有限公司 基于dcs控制的信息安全控制方法、装置、设备及介质
CN116663935B (zh) * 2023-07-24 2023-10-20 长江三峡集团实业发展(北京)有限公司 风力机发电量计算方法、装置、计算机设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108035853A (zh) * 2017-12-01 2018-05-15 北京金风科创风电设备有限公司 确定风力发电机组的对风角度的方法及装置
CN108869176A (zh) * 2018-06-28 2018-11-23 北京金风科创风电设备有限公司 风力发电机组的对风偏差校正方法、装置和电子设备
CN109139371A (zh) * 2018-02-28 2019-01-04 北京金风科创风电设备有限公司 确定对风角度偏差及修正对风角度的方法、装置和系统
CN109167387A (zh) * 2018-09-14 2019-01-08 大唐新疆清洁能源有限公司 风场风电功率预测方法
CN109472040A (zh) * 2018-08-31 2019-03-15 北京优利康达科技股份有限公司 一种动态校正风电机组偏航对风偏差的方法和装置
CN109488528A (zh) * 2018-11-23 2019-03-19 华润电力技术研究院有限公司 一种风机偏航系统的调整方法及装置
WO2019103621A1 (en) * 2017-11-21 2019-05-31 Equinor Asa Wind turbine blade orientation detection
EP3569859A1 (en) * 2018-05-14 2019-11-20 Laborelec CVBA Wind turbine efficiency improvement methods related to wind sensor misalignment

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4995134B2 (ja) * 2008-03-31 2012-08-08 三菱重工業株式会社 風車の監視装置及び方法並びにプログラム
US8930299B2 (en) * 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
WO2017108062A1 (en) * 2015-12-23 2017-06-29 Vestas Wind Systems A/S Control method for a wind turbine
WO2017108063A1 (en) * 2015-12-23 2017-06-29 Vestas Wind Systems A/S Control method for a wind turbine
US11286910B2 (en) * 2018-09-17 2022-03-29 American Superconductor Corporation Yaw auto-calibration for a wind turbine generator
CN109667727B (zh) * 2018-11-18 2020-01-10 浙江大学 一种基于功率曲线分析的风电机组偏航误差固有偏差辨识及补偿方法
CN110094310B (zh) * 2019-05-13 2020-05-19 北京天泽智云科技有限公司 一种识别风力发电机偏航对风不正的方法
KR20210006874A (ko) * 2020-12-30 2021-01-19 정인우 칼만필터 및 심층강화학습 기반의 풍력발전기 요 오정렬 제어 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019103621A1 (en) * 2017-11-21 2019-05-31 Equinor Asa Wind turbine blade orientation detection
CN108035853A (zh) * 2017-12-01 2018-05-15 北京金风科创风电设备有限公司 确定风力发电机组的对风角度的方法及装置
CN109139371A (zh) * 2018-02-28 2019-01-04 北京金风科创风电设备有限公司 确定对风角度偏差及修正对风角度的方法、装置和系统
EP3569859A1 (en) * 2018-05-14 2019-11-20 Laborelec CVBA Wind turbine efficiency improvement methods related to wind sensor misalignment
CN108869176A (zh) * 2018-06-28 2018-11-23 北京金风科创风电设备有限公司 风力发电机组的对风偏差校正方法、装置和电子设备
CN109472040A (zh) * 2018-08-31 2019-03-15 北京优利康达科技股份有限公司 一种动态校正风电机组偏航对风偏差的方法和装置
CN109167387A (zh) * 2018-09-14 2019-01-08 大唐新疆清洁能源有限公司 风场风电功率预测方法
CN109488528A (zh) * 2018-11-23 2019-03-19 华润电力技术研究院有限公司 一种风机偏航系统的调整方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
风电机组风速-功率特性曲线建模研究综述;杨茂，杨琼琼;《电力自动化设备》;20180210;第38卷(第2期);第34-42页 *

Also Published As

Publication number Publication date
EP4073378A4 (en) 2023-02-01
WO2021118461A1 (en) 2021-06-17
MX2022006964A (es) 2022-08-04
ZA202206999B (en) 2022-10-26
US11644009B2 (en) 2023-05-09
BR112022011254A2 (pt) 2022-09-06
CA3164201A1 (en) 2021-06-17
EP4073378A1 (en) 2022-10-19
JP7194868B1 (ja) 2022-12-22
CN110985309A (zh) 2020-04-10
JP2023500415A (ja) 2023-01-05
AU2020399503A1 (en) 2022-06-30
KR20220106221A (ko) 2022-07-28
KR102462570B1 (ko) 2022-11-03
AU2020399503B2 (en) 2023-10-26
US20230012218A1 (en) 2023-01-12

Similar Documents

Publication Publication Date Title
CN110985309B (zh) 偏航对风异常检测方法、装置、设备和存储介质
US11746753B2 (en) Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium
CN109488528B (zh) 一种风机偏航系统的调整方法及装置
CN113030516B (zh) 风速仪故障检测方法、装置、设备和存储介质
US10496775B2 (en) Method and system for use in dynamically configuring data acquisition systems
CN110365059B (zh) 一种光功率预测方法及装置
CN112459971A (zh) 风力发电机组塔筒的异常振动检测方法
CN112855460B (zh) 风电机组轴系实时疲劳寿命预测方法、系统、介质及设备
CN115755639A (zh) 一种风电机组数字孪生仿真方法及系统
CN110188939B (zh) 风电场的风功率的预测方法、系统、设备和存储介质
CN113848347A (zh) 一种风力发电机测风仪健康状态检测方法
CN112879216A (zh) 风电场的风速修正方法和装置
CN111310959A (zh) 风力发电机组损坏预测分析方法、装置、设备及存储介质
CN116933570B (zh) 风电场再开发过程中的发电量评估方法和装置
CN116663935B (zh) 风力机发电量计算方法、装置、计算机设备及存储介质
CN113268937B (zh) 一种基于数据融合的风电机组大部件损坏分析系统
CN116398362A (zh) 一种风电场现场设备监控方法、装置和设备
CN117972589A (zh) 一种叶片损伤判断方法、装置、电子设备及存储介质
CN117473883A (zh) 测风塔数据的处理方法、设备、存储介质及程序产品
CN116517782A (zh) 风机风险预警方法、装置及终端设备
CN118008719A (zh) 一种风力发电机机组劣化预警方法及系统
CN116498502A (zh) 基于机舱控制测风雷达的风电机组功率曲线计算方法及系统
CN110707744A (zh) 风电场集群发电状态的监测方法、装置及存储介质
CN116881607A (zh) 偏航误差的评估方法、装置、电子设备和存储介质
CN115271287A (zh) 一种增发电量的确定方法、装置、设备及存储介质

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