CN111192163B - 基于风电机组运行数据的发电机可靠度中短期预测方法 - Google Patents
基于风电机组运行数据的发电机可靠度中短期预测方法 Download PDFInfo
- Publication number
- CN111192163B CN111192163B CN201911335404.5A CN201911335404A CN111192163B CN 111192163 B CN111192163 B CN 111192163B CN 201911335404 A CN201911335404 A CN 201911335404A CN 111192163 B CN111192163 B CN 111192163B
- Authority
- CN
- China
- Prior art keywords
- generator
- reliability
- value
- monitoring
- data
- 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
Links
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
-
- 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
Abstract
本发明公开了一种基于风电机组运行数据的发电机可靠度中短期预测方法,该方法是基于风电机组运行状态的历史数据,分析发电机相关标签点的最佳运行范围阈值,以多个监测指标作为输入指标,结合统计学方法输出每个时刻点的可靠度值,并对输出可靠度值利用深度学习方法进行时间序列分析,得到可靠度的中短期预测结果,进而利用预测的结果对发电机进行监测和检修。本发明方法具有较高的准确性及稳定性,可以实现对机组发电机可靠度的实时监控,并对未来的可靠度趋势进行预测,进而得到对下一维修工作的指导信息,为状态维修决策提供依据。
Description
技术领域
本发明涉及风力发电的技术领域,尤其是指一种基于风电机组运行数据的发电机可靠度中短期预测方法。
背景技术
随着风电机组的装机容量越来越大,风电机组设备本身的零部件及元器件越来越多,相关的工程运维规模越来越庞大和复杂,在这种情况下,设备的可靠度问题显得更加重要和突出。
发电机是风电机组的主要装置,也是故障多发部位,当发电机出现异常,势必会影响机组的发电性能。随着风电机组技术的不断改进,能够用来做依据的经验越来越少,但随着实时监控系统的引入,逐渐积累起大量的历史数据和实时数据,可以用来对发电机的状态进行评估。如何根据现有的实时数据挖掘发电机故障与运行参数之间的联系是一个迫待解决的难题,研究发电机检测参数对其可靠度的影响也十分必要。发电机可靠度研究有利于保障发电机的可靠运行,从而减少因发电机异常引起的故障、停机对风电作业的影响,并降低企业的运行成本,提高经济效益。
目前发电机可靠度的定义多集中于机组的设计阶段,利用一些强度-应力干涉等物理方法,计算其结构可靠度。一方面这种计算方式未结合机组的实时运行状态,无法根据在线监测信息反映设备实现规定功能的能力;另一方面这种传统的计算可靠度的方式无法对机组发电机的可靠度做出比较准确的预测。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于风电机组运行数据的发电机可靠度中短期预测方法,基于风电机组实时运行数据,结合专家经验、统计学和深度学习方法,以机组的多个监测指标作为输入变量,发电机的中短期预测可靠度值作为输出变量,对发电机的可靠度进行准确监控。本发明方法具有较高的准确性及稳定性,可以实现对机组发电机可靠度的实时监控,并对未来的可靠度趋势进行预测,进而得到对下一维修工作的指导信息,为状态维修决策提供依据。
为实现上述目的,本发明所提供的技术方案为:基于风电机组运行数据的发电机可靠度中短期预测方法,该方法是基于风电机组运行状态的历史数据,分析发电机相关标签点的最佳运行范围阈值,以多个监测指标作为输入指标,结合统计学方法输出每个时刻点的可靠度值,并对输出可靠度值利用深度学习方法进行时间序列分析,得到可靠度的中短期预测结果,进而利用预测的结果对发电机进行监测和检修;其可靠度计算及预测的数学思路具体如下:
可靠度的下降量也即发电机的运行偏差度,能够用来量化发电机状态评价的劣化程度,其某个监测参数的运行偏差度ΔRi根据以下公式进行计算:
式中:xc为特征参数的实时监测值;x0为特征参数的最佳值;xa为特征参数的失效阈值;根据此公式计算每个特征参数的可靠度下降量,从公式中能够看出当监测参数超出该参数的最佳运行范围时,可靠度会有下降,超出越多,可靠度下降量越大;
利用主成分分析PCA计算各个监测参数的权重,首先构造检测设备的相关监测参数矩阵,将其标准化处理后计算相关矩阵,并计算特征向量矩阵和特征根,根据得到的特征根和特征向量矩阵确定每个监测参数的权重值,以下为第i个监测参数的权重值αi:
αi=λi*Ui
式中:λi为第i个监测参数的特征根,Ui为第i个监测参数的特征向量矩阵;
根据每个监测参数的可靠度下降量ΔRi和权重αi,能够加权计算发电机的可靠度下降量ΔR,进而计算发电机的可靠度值为:1-ΔR;
式中:n为监测参数的个数;
计算每个时刻点的发电机可靠度,就能够得到一系列关于时间的可靠度值序列,也即发电机可靠度值的时间序列,利用长短期记忆网络LSTM对时间序列进行建模分析及训练,得到可靠度中短期的LSTM预测模型,最终通过该中短期预测模型能够输出发电机的中短期预测可靠度值,进而实现对发电机可靠度的准确监控;其中,LSTM预测模型能够使神经网络更有效地保存长期记忆,“遗忘门”和“输入门”被设计进网络,作为LSTM结构的核心存在,“遗忘门”能够让循环神经网络忘记之前没用的信息,同时“输入门”输入补充最新的记忆,它们之间的配合能够更加有效地决定信息的遗忘与保留。
进一步,所述的基于风电机组运行数据的发电机可靠度中短期预测方法,包括以下步骤:
1)数据准备
选取所分析的发电机的指标集及其历史运行数据,并对数据进行异常值处理,得到清洗干净的历史数据,然后准备大量干净的历史数据作为模型训练所用的训练数据集,存入数据库中;其中,所述指标集包括发电机功率、发电机转速、主轴转速、发电机DE端轴承温度、发电机NDE端轴承温度、发电机冷风温度、发电机定子绕组U温度、发电机定子绕组V温度、发电机定子绕组W温度这10个监测参数,所述异常值包括空值、跳变值、重复值、离群点;
由于模型训练中所用监测参数多为温度数据,而发电机的温度数据在短时间内变化不大,因此对各监测参数取10分钟平均值,将数据精度由1秒变为10分钟,得到最终的训练数据集;
2)数据降维和权重计算
对步骤1)清洗过后的数据进行相关性分析,发现发电机定子绕组U温度、发电机定子绕组V温度、发电机定子绕组W温度这三个监测参数的相关性很强,变化趋势一致,于是只保留发电机定子绕组U温度这一个监测参数,剔除发电机定子绕组V温度和发电机定子绕组W温度这两个相关监测参数;
根据最终的7个监测参数,利用主成分分析PCA对训练数据集进行处理,根据得到的特征值和特征向量计算每个监测参数应赋的权重值;
3)监测参数最佳运行范围及失效阈值的确定
监测参数的最佳运行范围阈值会随着具体环境的变化而变化,在不同纬度、不同月份下的风电机组,其发电机温度的最佳运行范围不同,需要根据不同风场、不同月份来分别计算监测参数的最佳运行范围;
从数据库中读取某台机组至少1年的数据结果,筛选出机组正常运行的数据,按月份分组,利用直方图分析各监测参数数值出现的频次,得到占比90%的范围阈值,将其作为监测参数在特定月份的最佳运行范围阈值;其中,各监测参数失效阈值的确定参照机组标签点范围参考文件初定;
结合工程运维经验和故障机理,对以上得到的范围阈值进行调整,得到最终的最佳运行范围和失效阈值;
4)可靠度的计算
发电机运行可靠度的下降量是衡量发电机实时可靠度最终的指标,通过对表征发电机运行可靠度的测量值与相应的标准进行比较,对发电机状态做出评价,将运行可靠度的下降量定义为特征参数的运行偏差度,即作为发电机状态评价的劣化度,所以可靠度值定义为:1-运行偏差度;
当监测参数处于最佳运行阈值范围内时,可靠度值达到最大值1;当监测参数超出失效阈值时,则可靠度值达到最小值0;当监测参数位于最佳运行范围与失效阈值之间时,则可靠度值随着偏离最佳运行范围程度的增大而降低;
按以上方法计算每个监测参数的可靠度,再结合步骤2)中得到的权重值,即可得到发电机的可靠度值。
5)可靠度中短期预测
从数据库读取至少1年的发电机相关监测参数的数据备用,按照步骤4)计算每个时刻点的可靠度值,进而得到一系列的可靠度值时间序列;根据可靠度值时间序列,利用长短期记忆网络LSTM对时间序列进行建模分析及训练,得到可靠度中短期的LSTM预测模型,并利用训练好的模型对发电机可靠度进行预测,以方便观察机组发电机后期的可靠度变化趋势,并借助预测结果对发电机进行监测或检修。
本发明与现有技术相比,具有如下优点与有益效果:
1、大数据的重要作用在于数据集足够大,本方法使用机组运行的所有历史数据,所用训练数据集是空间中一张超密集高维数据网,其中拥有几乎完整的知识。
2、本方法利用直方图和统计学知识,基于月份与地理区域,计算监测参数的最佳运行范围,避免环境对监测参数运行范围的影响。
3、本方法在可靠度的趋势预测方面,利用LSTM模型,可以较好地拟合数据的变化趋势,得到较为理想的预测精度。
4、本方法充分利用与发电机相关的标签排除各种工况的影响。
5、本方法是动态的,每时每刻记录的数据都可以动态纳入到下次的计算中去,随着数据的积累越来越大,模型可以根据新增数据去重新调整模型结果,算法准确性会进一步提高。
附图说明
图1为实施例中选取的9个指标表格示意图。
图2为实施例中各标签点的相关系数关系表格示意图。
图3为实施例中各标签点相关系数热力图。
图4为实施例中某机组发单机的可靠度趋势图。
图5为实施例中各标签点所对应的权重值表格示意图。
图6为实施例中LSTM预测模型损失函数下降图。
图7为实施例中模型可靠度预测值与真实值的对比图(节选100个点)。
图8为实施例中可靠度的分级标准表格示意图。
图9为实施例中测试数据的可靠度预测趋势及其等级表格示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的基于风电机组运行数据的发电机可靠度中短期预测方法以某风场的发电机部件为例,结合统计学和深度学习的方法,以发电机的多个监测参数为输入变量,发电机的中短期预测可靠度值作为输出变量,对发电机可靠度进行准确监控,其可靠度计算及预测的数学思路具体如下:
可靠度的下降量也即发电机的运行偏差度,可以用来量化发电机状态评价的劣化程度,其某个监测参数的运行偏差度ΔRi可根据以下公式进行计算:
式中:xc为特征参数的实时监测值;x0为特征参数的最佳值;xa为特征参数的失效阈值;根据此公式计算每个特征参数的可靠度下降量,从公式中能够看出当监测参数超出该参数的最佳运行范围时,可靠度会有一定量的下降,超出越多,可靠度下降量越大。
利用主成分分析(PCA)计算各个监测参数的权重,首先构造检测设备的相关监测参数矩阵,将其标准化处理后计算相关矩阵,并计算特征向量矩阵和特征根,根据得到的特征根和特征向量矩阵确定每个监测参数的权重值,以下为第i个监测参数的权重值αi:
αi=λi*Ui
式中:λi为第i个监测参数的特征根,Ui为第i个监测参数的特征向量矩阵。
根据每个监测参数的可靠度下降量ΔRi和权重αi,能够加权计算发电机的可靠度下降量ΔR,进而计算发电机的可靠度值为:1-ΔR;
式中:n为监测参数的个数;
计算每个时刻点的发电机可靠度,就可以得到一系列关于时间的可靠度值序列,也即发电机可靠度值的时间序列,利用LSTM模型对时间序列进行建模分析及训练,得到可靠度的中短期预测模型,最终通过该中短期预测模型能够输出发电机的中短期预测可靠度值,进而实现对发电机可靠度的准确监控。其中,LSTM模型可以使神经网络更有效地保存长期记忆,“遗忘门”和“输入门”被设计进网络,作为LSTM结构的核心存在;“遗忘门”可以让循环神经网络忘记之前没用的信息,同时“输入门”输入补充最新的记忆,它们之间的配合能够更加有效地决定信息的遗忘与保留。
在确定好数学思路后,逐步实现,主要有以下步骤:
1)数据准备
选取所分析的发电机部件相关的9个指标及其历史运行数据,并对数据进行异常值(包括空值、跳变值、重复值、离群点等)处理,准备大量干净的历史数据作为训练数据集,并将数据集各监测参数取10分钟平均值,将数据精度由1秒变为10分钟,得到最终的训练数据集,存入数据库中。选取的9个指标见附图1。
2)数据降维和权重计算
对数据进行相关性分析,各标签点的相关系数关系见附图2,相关系数热力图见附图3,相关系数越大,则表明两个指标的相关性越强,从表和图中可以看出,定子绕组U、W和V温度三个参数存在高度相关性,因此将定子绕组V和W温度两个参数剔除,最终利用保留的7个参数进行权重的计算。
根据主成分分析(PCA)对数据集进行处理,根据得到的特征值和特征向量计算每个监测参数应赋的权重值,各标签点所对应的权重值见附图4。
3)监测参数最佳运行范围及失效阈值的确定
利用机组一年或更久的并网运行数据,按月份分组,利用直方图统计分析得到占比90%的范围阈值,并结合工程运维经验确定监测参数在每个月份下的最佳运行范围。
结合工程运维经验和故障机理,利用机组报警阈值和停机阈值得到各监测参数的失效阈值。
4)可靠度的计算
发电机运行可靠度的下降量是衡量发电机实时可靠度最终的指标,通过对表征发电机运行可靠度的测量值与相应的标准进行比较,对发电机状态做出评价,将运行可靠度下降量定义为特征参数的运行偏差度,即作为发电机状态评价的劣化度,所以可靠度值定义为:1-运行偏差度。
当监测参数处于最佳运行阈值范围内时,可靠度达到最大值1;当监测参数超出失效阈值时,则可靠度值达到最小值0;当监测参数位于最佳运行范围与失效阈值之间时,则可靠度随着偏离最佳运行范围程度的增大而降低。
根据可靠度的计算公式,计算每个时刻点每个监测参数的可靠度,再结合步骤2)中得到的权重值,得到发电机的可靠度值,一年内可靠度的趋势见附图5。
5)搭建可靠度中短期的LSTM预测模型
按照步骤4)计算每个时刻点的可靠度值,进而得到一系列的可靠度值时间序列;根据可靠度值时间序列,利用长短期记忆网络(LSTM)对时间序列进行建模分析及训练,得到可靠度中短期的LSTM预测模型。其中,根据模型的预测结果调整神经网络的各个参数,直到得到比较理想的预测效果。模型在训练集和验证集上的损失函数下降见附图6,验证集的模型测试结果与真实值的对比见附图7。
从附图6和附图7可以看出模型的损失函数在多次迭代后已下降至比较理想的状态,模型可以较为准确的模拟出可靠度的变化趋势和幅度。
6)模型测试
重新准备待分析的数据作为测试集,以2019-03-15日运行数据为例,提取发电机的7个监测参数,从数据库读取数据,将其作为模型的测试集,并对数据集进行预处理,包括异常值的处理、数据标准化及数据的降精度等操作。
将处理后的数据输入训练好的模型进行测试,可以得到该机组发电机的当前可靠度值,利用训练好的模型对可靠度值进行时间序列的滚动预测,即可得到后七天的可靠度值变化趋势。
7)根据步骤6)中得到的可靠度中短期预测结果,对发电机的运行状态进行监测,并对可靠度值进行分级,当某台机组发电机的可靠度处于三级或四级时需要对其重点关注。可靠度的分级标准见附图8。
测试数据的可靠度预测趋势及其等级见附图9。从表中可以看出,模型可以对可靠度的未来趋势变化进行预测,当预测可靠度会在未来某一天降到较低水平时,可在现阶段对其安排检修,可在极大程度上避免因故障而造成的重大隐患。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (1)
1.基于风电机组运行数据的发电机可靠度中短期预测方法,其特征在于:该方法是基于风电机组运行状态的历史数据,分析发电机相关标签点的最佳运行范围阈值,以多个监测指标作为输入指标,结合统计学方法输出每个时刻点的可靠度值,并对输出可靠度值利用深度学习方法进行时间序列分析,得到可靠度的中短期预测结果,进而利用预测的结果对发电机进行监测和检修;其可靠度计算及预测的数学思路具体如下:
可靠度的下降量也即发电机的运行偏差度,能够用来量化发电机状态评价的劣化程度,其某个监测参数的运行偏差度ΔRi根据以下公式进行计算:
式中:xc为特征参数的实时监测值;x0为特征参数的最佳值;xa为特征参数的失效阈值;根据此公式计算每个特征参数的可靠度下降量,从公式中能够看出当监测参数超出该参数的最佳运行范围时,可靠度会有下降,超出越多,可靠度下降量越大;
利用主成分分析PCA计算各个监测参数的权重,首先构造检测设备的相关监测参数矩阵,将其标准化处理后计算相关矩阵,并计算特征向量矩阵和特征根,根据得到的特征根和特征向量矩阵确定每个监测参数的权重值,以下为第i个监测参数的权重值αi:
αi=λi*Ui
式中:λi为第i个监测参数的特征根,Ui为第i个监测参数的特征向量矩阵;
根据每个监测参数的可靠度下降量ΔRi和权重αi,能够加权计算发电机的可靠度下降量ΔR,进而计算发电机的可靠度值为:1-ΔR;
式中:n为监测参数的个数;
计算每个时刻点的发电机可靠度,就能够得到一系列关于时间的可靠度值序列,也即发电机可靠度值的时间序列,利用长短期记忆网络LSTM对时间序列进行建模分析及训练,得到可靠度中短期的LSTM预测模型,最终通过该中短期预测模型能够输出发电机的中短期预测可靠度值,进而实现对发电机可靠度的准确监控;其中,LSTM预测模型能够使神经网络更有效地保存长期记忆,“遗忘门”和“输入门”被设计进网络,作为LSTM结构的核心存在,“遗忘门”能够让循环神经网络忘记之前没用的信息,同时“输入门”输入补充最新的记忆,它们之间的配合能够更加有效地决定信息的遗忘与保留;
所述基于风电机组运行数据的发电机可靠度中短期预测方法,包括以下步骤:
1)数据准备
选取所分析的发电机的指标集及其历史运行数据,并对数据进行异常值处理,得到清洗干净的历史数据,然后准备大量干净的历史数据作为模型训练所用的训练数据集,存入数据库中;其中,所述指标集包括发电机功率、发电机转速、主轴转速、发电机DE端轴承温度、发电机NDE端轴承温度、发电机冷风温度、发电机定子绕组U温度、发电机定子绕组V温度、发电机定子绕组W温度这10个监测参数,所述异常值包括空值、跳变值、重复值、离群点;
由于模型训练中所用监测参数大部分是温度数据,而发电机的温度数据在短时间内变化不大,因此对各监测参数取10分钟平均值,将数据精度由1秒变为10分钟,得到最终的训练数据集;
2)数据降维和权重计算
对步骤1)清洗过后的数据进行相关性分析,发现发电机定子绕组U温度、发电机定子绕组V温度、发电机定子绕组W温度这三个监测参数的相关性很强,变化趋势一致,于是只保留发电机定子绕组U温度这一个监测参数,剔除发电机定子绕组V温度和发电机定子绕组W温度这两个相关监测参数;
根据最终的7个监测参数,利用主成分分析PCA对训练数据集进行处理,根据得到的特征值和特征向量计算每个监测参数应赋的权重值;
3)监测参数最佳运行范围及失效阈值的确定
监测参数的最佳运行范围阈值会随着具体环境的变化而变化,在不同纬度、不同月份下的风电机组,其发电机温度的最佳运行范围不同,需要根据不同风场、不同月份来分别计算监测参数的最佳运行范围;
从数据库中读取某台机组至少1年的数据结果,筛选出机组正常运行的数据,按月份分组,利用直方图分析各监测参数数值出现的频次,得到占比90%的范围阈值,将其作为监测参数在特定月份的最佳运行范围阈值;其中,各监测参数失效阈值的确定参照机组标签点范围参考文件初定;
结合工程运维经验和故障机理,对以上得到的范围阈值进行调整,得到最终的最佳运行范围和失效阈值;
4)可靠度的计算
发电机运行可靠度的下降量是衡量发电机实时可靠度最终的指标,通过对表征发电机运行可靠度的测量值与相应的标准进行比较,对发电机状态做出评价,将运行可靠度的下降量定义为特征参数的运行偏差度,即作为发电机状态评价的劣化度,所以可靠度值定义为:1-运行偏差度;
当监测参数处于最佳运行阈值范围内时,可靠度值达到最大值1;当监测参数超出失效阈值时,则可靠度值达到最小值0;当监测参数位于最佳运行范围与失效阈值之间时,则可靠度值随着偏离最佳运行范围程度的增大而降低;
按以上方法计算每个监测参数的可靠度,再结合步骤2)中得到的权重值,即可得到发电机的可靠度值;
5)可靠度中短期预测
从数据库读取至少1年的发电机相关监测参数的数据备用,按照步骤4)计算每个时刻点的可靠度值,进而得到一系列的可靠度值时间序列;根据可靠度值时间序列,利用长短期记忆网络LSTM对时间序列进行建模分析及训练,得到可靠度中短期的LSTM预测模型,并利用训练好的模型对发电机可靠度进行预测,以方便观察机组发电机后期的可靠度变化趋势,并借助预测结果对发电机进行监测或检修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335404.5A CN111192163B (zh) | 2019-12-23 | 2019-12-23 | 基于风电机组运行数据的发电机可靠度中短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335404.5A CN111192163B (zh) | 2019-12-23 | 2019-12-23 | 基于风电机组运行数据的发电机可靠度中短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192163A CN111192163A (zh) | 2020-05-22 |
CN111192163B true CN111192163B (zh) | 2023-03-28 |
Family
ID=70709272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335404.5A Active CN111192163B (zh) | 2019-12-23 | 2019-12-23 | 基于风电机组运行数据的发电机可靠度中短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192163B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113241129A (zh) * | 2021-05-18 | 2021-08-10 | 北京和隆优化科技股份有限公司 | 一种基于lstm深度循环神经网络的pvc水分含量的预测方法 |
CN116362036B (zh) * | 2023-03-29 | 2024-01-30 | 中国铁道科学研究院集团有限公司 | 一种高铁设备故障预警方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984986A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 实时校正的自学习arma模型风电功率超短期预测方法 |
CN105894133A (zh) * | 2016-05-12 | 2016-08-24 | 华中科技大学 | 一种风电机组部件维修及备品备件需求预测方法 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN109523084A (zh) * | 2018-11-23 | 2019-03-26 | 东北大学 | 一种基于主元分析和机器学习的风电功率超短期预测方法 |
CN110212585A (zh) * | 2019-07-02 | 2019-09-06 | 国电联合动力技术有限公司 | 基于统计分析的风电机组运行可靠性预测方法、装置及风电机组 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239694B (zh) * | 2014-08-28 | 2016-11-23 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
US10855550B2 (en) * | 2016-11-16 | 2020-12-01 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
-
2019
- 2019-12-23 CN CN201911335404.5A patent/CN111192163B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984986A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 实时校正的自学习arma模型风电功率超短期预测方法 |
CN105894133A (zh) * | 2016-05-12 | 2016-08-24 | 华中科技大学 | 一种风电机组部件维修及备品备件需求预测方法 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN109523084A (zh) * | 2018-11-23 | 2019-03-26 | 东北大学 | 一种基于主元分析和机器学习的风电功率超短期预测方法 |
CN110212585A (zh) * | 2019-07-02 | 2019-09-06 | 国电联合动力技术有限公司 | 基于统计分析的风电机组运行可靠性预测方法、装置及风电机组 |
Also Published As
Publication number | Publication date |
---|---|
CN111192163A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
CN112784373B (zh) | 一种风电机组齿轮箱的故障预警方法 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
Yang et al. | Similarity-based information fusion grey model for remaining useful life prediction of aircraft engines | |
CN112001531B (zh) | 基于有效载荷能力的风电短期运行容量可信度评估方法 | |
CN111563685B (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
CN112576454A (zh) | 基于多维预警策略的风电机组主轴温度预警方法及装置 | |
De Oliveira-Filho et al. | Condition monitoring of wind turbine main bearing using SCADA data and informed by the principle of energy conservation | |
Lv et al. | General log-linear weibull model combining vibration and temperature characteristics for remaining useful life prediction of rolling element bearings | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN114298131A (zh) | 一种基于水电设备状态指标特征值进行状态监测的方法 | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
Cui et al. | A Novel Robust Dual Unscented Particle Filter Method for Remaining Useful Life Prediction of Rolling Bearings | |
Wang et al. | Maintenance decision based on data fusion of aero engines | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
Fang et al. | Failure Prediction of Wind Turbines Using Improved Gray Relation Analysis Based Support Vector Machine Method | |
Wang et al. | Remaining Life Prediction for High-speed Rail Bearing Considering Hybrid Data-model-driven Approach | |
Sabri et al. | Reliability investigation of steam turbine critical components | |
Liang et al. | Predicting Temperatures of Wind Turbine Gearbox by a Variable-Weight Combined Model |
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 |