CN111878326A - 风机的结冰故障检测方法、系统、电子设备和介质 - Google Patents
风机的结冰故障检测方法、系统、电子设备和介质 Download PDFInfo
- Publication number
- CN111878326A CN111878326A CN202010781419.0A CN202010781419A CN111878326A CN 111878326 A CN111878326 A CN 111878326A CN 202010781419 A CN202010781419 A CN 202010781419A CN 111878326 A CN111878326 A CN 111878326A
- Authority
- CN
- China
- Prior art keywords
- data
- icing
- preprocessing
- fan
- wind turbine
- 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
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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- 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
-
- 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
Abstract
本发明提供一种风机的结冰故障检测方法、系统、电子设备和介质,其中风机的结冰故障检测方法,包括以下步骤:将风机数据按照对应的发电功率区间划分为若干数据子集;对应于每一发电功率区间,对数据子集进行聚类以得到主体数据和非主体数据;根据主体数据和非主体数据生成结冰报警信号。本发明按照功率对数据进行分区,再对不同功率区间内的数据进行无监督预测,提高了风机结冰故障报警的准确性。
Description
技术领域
本发明属于风机的结冰故障检测技术领域,尤其涉及一种风机的结冰故障检测方法、系统、电子设备和介质。
背景技术
近几年,风力发电设备大幅增加,尤其以风力发电机最多。在风能资源丰富的地区,由于冬季气温低,湿度大,因此,冬天风力发电机组的叶片结冰现象普遍存在。
风力发电机组的叶片结冰,一方面,改变了叶片的气动特性,降低叶片的捕风能力,降低发电量,造成损失;另一方面,容易造成电流过载,缩短风力发电机组中部件的使用寿命,或者直接造成风力发电机组中部件的损伤;再一方面,叶片旋转过程中,叶片上的冰层脱落,容易导致运营事故。因此,及时发现与及早预测叶片的结冰故障,有利于提高风机的安全性。
现阶段,为了避免风力发电机组的叶片结冰所带来的危害,常用的方法有基于物理装置(多为安装振动传感器或者应变传感器)实现报警和基于数据的结冰预测。
基于物理装置的结冰报警一般通过加装风机机载设备包括传感器、采集器、处理器和存储器等对风机叶片结冰与否进行检测。主要技术手段往往通过分析风机叶片结冰所产生的与正常状态不同的噪音来对叶片结冰状态进行识别检测,无法准确的识别诸如叶片载荷改变、砂石天气等其他情况所产生的噪音与结冰状态的噪音区别,从而不能达到对风机叶片结冰状态的准确检测。此外,在风力发电机组的叶片上安装机载设备,成本高且外部环境因素复杂,对传感器影响大,探测结果不准确,容易出现误报警。
基于数据的结冰预测一般使用风机中的SCADA(Supervisory Control And DataAcquisition,数据采集与监视控制系统)系统,即数据采集与监视控制系统,是以计算机为基础的DCS(集散控制系统)与电力自动化监控系统,可以对现场的运行设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节等功能。
目前对于风机叶片结冰预测数据挖掘方面的研究仍然较为匮乏,一般采用基于历史数据的有监督机器学习方法,对数据标签(是否结冰的标定)的依赖较大,而实际过程中是否结冰的人为标定不一定准确,作为分类过程中的标杆并不准确。
发明内容
本发明要解决的技术问题是为了克服现有技术中的风机叶片结冰故障检测部准确的缺陷,提供一种风机的结冰故障检测方法、系统、电子设备和介质。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种风机的结冰故障检测方法,包括以下步骤:
将风机数据按照对应的发电功率区间划分为若干数据子集;
对应于每一发电功率区间,对数据子集进行聚类以得到主体数据和非主体数据;
根据主体数据和非主体数据生成结冰报警信号。
较佳地,在将风机数据按照对应的发电功率区间划分为若干数据子集的步骤之前,风机的结冰故障检测方法还包括以下步骤:
对风机原始数据进行预处理,得到与结冰故障关联的预处理数据,
则将风机数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,对原始数据进行预处理,得到预处理数据的步骤包括:
筛选原始数据中与一年中的预设时间区间对应的数据以形成第一预处理数据;
则将预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将第一预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,对原始数据进行预处理,得到预处理数据的步骤包括:
筛选原始数据中与风机的工况参数和运行参数相关的数据以形成第二预处理数据;
则将预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将第二预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,工况参数包括:风速、发电机转速、网侧有功功率、风向角、60秒平均风向角、舱外温度和舱内温度;
运行参数数据包括:机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1变桨电源温度和直流电流、第2变桨电源温度和直流电流、第3变桨电源温度和直流电流。
较佳地,对原始数据进行预处理,得到预处理数据的步骤包括:
筛选原始数据中与每一天中的预设时间段对应的数据以形成第三预处理数据;
则将预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将第三预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,对原始数据进行预处理,得到预处理数据的步骤包括:
将原始数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据;
则将预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将第四预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,对原始数据进行预处理,得到预处理数据的步骤包括:
将原始数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据;
则将预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将第五预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,将风机数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将风机的发电功率覆盖的范围划分为若干个发电功率区间,每一个发电功率区间对应的功率范围为0.5千瓦。
较佳地,聚类的步骤包括:
采用基于狄利克雷过程的高斯混合模型进行聚类;或采用基于密度的DBSCAN算法模型进行聚类。
较佳地,根据主体数据和非主体数据生成结冰报警信号的步骤包括:
根据一时间窗对非主体数据连续出现的周期进行判断,以生成结冰预警信号。
较佳地,根据一时间窗对非主体数据连续出现的周期进行判断的步骤包括:
将时间窗以L为步长向后滑动m个步长,如果时间窗滑过的时间周期内对应的数据均为非主体数据,则生成红色预警信号,其中,L、m均为正整数。
本发明还提供一种风机的结冰故障检测系统,包括划分单元、聚类单元、报警单元;
划分单元用于将风机数据按照对应的发电功率区间划分为若干数据子集;
聚类单元用于对应于每一发电功率区间,对数据子集进行聚类以得到主体数据和非主体数据;
报警单元用于根据主体数据和非主体数据生成结冰报警信号。
较佳地,风机的结冰故障检测系统还包括预处理单元,预处理单元用于对风机原始数据进行预处理,得到与结冰故障关联的预处理数据,
则划分单元还用于将预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,预处理单元还用于筛选原始数据中与一年中的预设时间区间对应的数据以形成第一预处理数据;
则划分单元还用于将第一预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,预处理单元还用于筛选原始数据中与风机的工况参数和运行参数相关的数据以形成第二预处理数据;
则划分单元还用于将第二预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,工况参数包括:风速、发电机转速、网侧有功功率、风向角、60秒平均风向角、舱外温度和舱内温度;
运行参数数据包括:机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1变桨电源温度和直流电流、第2变桨电源温度和直流电流、第3变桨电源温度和直流电流。
较佳地,预处理单元还用于筛选原始数据中与每一天中的预设时间段对应的数据以形成第三预处理数据;
则划分单元还用于将第三预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,预处理单元还用于将原始数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据;
则划分单元还用于按照对应的发电功率区间划分为若干数据子集。
较佳地,预处理单元还用于将原始数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据;
则划分单元还用于将第五预处理数据按照对应的发电功率区间划分为若干数据子集。
较佳地,划分单元还用于将风机的发电功率覆盖的范围划分为若干个发电功率区间,每一个发电功率区间对应的功率范围为0.5千瓦。
较佳地,聚类单元还用于采用基于狄利克雷过程的高斯混合模型进行聚类;或采用基于密度的DBSCAN算法模型进行聚类。
较佳地,报警单元还用于根据一时间窗对非主体数据连续出现的周期进行判断,以生成结冰预警信号。
较佳地,报警单元还用于将时间窗以L为步长向后滑动m个步长,如果时间窗滑过的时间周期内对应的数据均为非主体数据,则报警单元还用于生成红色预警信号,其中,L、m均为正整数。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明的风机的结冰故障检测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明的风机的结冰故障检测方法的步骤。
本发明的积极进步效果在于:本发明按照功率对数据进行分区,再对不同功率区间内的数据进行无监督预测,提高了风机结冰故障报警的准确性。
附图说明
图1为本发明的实施例1的风机的结冰故障检测方法的流程图。
图2为本发明的实施例2的风机的结冰故障检测方法的一种可选的实施方式的流程图。
图3为本发明的实施例2的风机的结冰故障检测方法的流程图。
图4为本发明的实施例3的风机的结冰故障检测方法的流程图。
图5为本发明的实施例4的风机的结冰故障检测方法的流程图。
图6为本发明的实施例5的风机的结冰故障检测方法的流程图。
图7为本发明的实施例6的风机的结冰故障检测方法的流程图。
图8为本发明的实施例7的风机的结冰故障检测方法的流程图。
图9为本发明的实施例8的电子设备的结构示意图。
图10为本发明的实施例9的风机的结冰故障检测系统的结构示意图。
图11为本发明的实施例10的风机的结冰故障检测系统的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种风机的结冰故障检测方法,用于对风机的结冰故障进行检测,以生成结冰报警信号。参照图1,该风机的结冰故障检测方法包括以下步骤:
步骤S101、将风机数据按照对应的发电功率区间划分为若干数据子集。
步骤S102、在发电功率区间对数据子集进行聚类以得到主体数据和非主体数据。
步骤S103、根据主体数据和非主体数据生成结冰报警信号。
在本实施例中,因为每一个数据子集中的数据对应相同的功率区间,其相关度较高。所以,根据功率区间划分数据子集,并针对每一个数据子集进行聚类,可以避免对应的功率值差距较大的数据之间的干扰,有助于提高聚类的准确性。
实施例2
在实施例1的基础上,本实施例提供一种风机的结冰故障检测方法。参照图2,该风机的结冰故障检测方法还包括以下步骤:
步骤S11、对风机原始数据进行预处理,得到与结冰故障关联的预处理数据。
则步骤S101包括:将预处理数据按照对应的发电功率区间划分为若干数据子集。
作为一种可选的实施方式,参照图3,步骤S11包括:
步骤S111、筛选原始数据中与一年中的预设时间区间对应的数据以形成第一预处理数据。
则在步骤S101中,将第一预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA(监测控制和数据采集)数据,即风电场的SCADA系统采集的若干台风机运行的历史数据。风机SCADA数据包含多个时间段、多个变量对应的数据。
为了降低数据量、减小数据处理的负荷,并提高预警的准确性,在一种可选的实施方式中,对风机SCADA数据进行预处理,筛选一年中的预设时间区间对应的数据以形成第一预处理数据。作为一种可选的实施方式,该预设时间可以为一年中气温低于预设温度值的时间区间。在另一种可选的实施方式中,该预设时间可以为一年中涵盖该地区冬季对应的月份的时间区间。考虑到结冰一般发生在冬季,因此经过上述数据预处理,可以剔除对结冰预警没有明显作用的数据,减小数据处理的负荷,提高预警的准确性。
实施例3
在实施例1的基础上,本实施例提供一种风机的结冰故障检测方法。参照图2,该风机的结冰故障检测方法还包括以下步骤:
步骤S11、对风机原始数据进行预处理,得到与结冰故障关联的预处理数据。
则步骤S101包括:将预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,参照图4,步骤S11包括:
步骤S112、筛选原始数据中与风机的工况参数和运行参数相关的数据以形成第二预处理数据。
则在步骤S101中,将第二预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA数据。根据变量相关性依据变量对风机SCADA数据进行筛选,以剔除与结冰关联度较低的数据,得到第二预处理数据。SCADA系统的数据通常有上百个变量,经过筛选保留其中与风机的工况参数、运行参数等维度相关的主要变量对应的数据。其中,工况参数数据包括:风速、发电机转速、网侧有功功率、风向角、60秒平均风向角、舱外温度和舱内温度;运行参数数据包括:机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1变桨电源温度和直流电流、第2变桨电源温度和直流电流、第3变桨电源温度和直流电流。
实施例4
在实施例1的基础上,本实施例提供一种风机的结冰故障检测方法。参照图2,该风机的结冰故障检测方法还包括以下步骤:
步骤S11、对风机原始数据进行预处理,得到与结冰故障关联的预处理数据。
则步骤S101包括:将预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,参照图5,步骤S11包括:
步骤S113、筛选原始数据中与每一天中的预设时间段对应的数据以形成第三预处理数据。
则在步骤S101中,将第三预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA数据。根据风机SCADA数据所对应的一天内的时间段,对风机SCADA数据进行筛选,以得到第三预处理数据。第三预处理数据是与夜间时间对应的数据,具体时间段可以根据需要合理设置。风机只有在环境温度较低时可能发生结冰故障,且由于夜晚的温度一般低于白日,所以夜晚较于白日更易结冰。因此,筛选出夜间时间对应的数据,有助于降低数据处理量,提高结冰预警的准确性。
实施例5
在实施例1的基础上,本实施例提供一种风机的结冰故障检测方法。参照图2,该风机的结冰故障检测方法还包括以下步骤:
步骤S11、对风机原始数据进行预处理,得到与结冰故障关联的预处理数据。
则步骤S101包括:将预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,参照图6,步骤S11包括:
步骤S114、将原始数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据。
则在步骤S101中,将第四预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA数据。将风机SCADA数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据。经过研究,在风机运行过程中,结冰直接影响发电功率,因此,在发电功率达到“满发”状态(即该风机的最大输出功率,当风速增加时,输出功率不再增大)时,风机叶片一定处于非结冰状态,因此,在本实施例中,将功率“满发”的数据剔除。作为一种可选的实施方式,将发电功率(即网侧有功功率)大于2KW的数据剔除。
实施例6
在实施例1的基础上,本实施例提供一种风机的结冰故障检测方法。参照图2,该风机的结冰故障检测方法还包括以下步骤:
步骤S11、对风机原始数据进行预处理,得到与结冰故障关联的预处理数据。
则步骤S101包括:将预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,参照图7,步骤S11包括:
步骤S115、将原始数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据。
则在步骤S101中,将第五预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA数据。将风机SCADA数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据。当风机处于停机状态时,此时的数据对结冰预警的意义不大,因此可以剔除叶片速度小于等于0以及发电功率小于等于0的数据。
实施例7
在实施例1的基础上,本实施例提供一种风机的结冰故障检测方法。参照图2,该风机的结冰故障检测方法还包括以下步骤:
步骤S11、对风机原始数据进行预处理,得到与结冰故障关联的预处理数据。
则步骤S101包括:将预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,参照图8,步骤S11包括:
步骤S121、筛选原始数据中与一年中的预设时间区间对应的数据以形成第一预处理数据。
步骤S122、筛选第一预处理数据中与风机的工况参数和运行参数相关的数据以形成第二预处理数据。
步骤S123、筛选第二预处理数据中与每一天中的预设时间段对应的数据以形成第三预处理数据。
步骤S124、将第三预处理数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据。
步骤S125、将第四预处理数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据。
则在步骤S101中,将第五预处理数据按照对应的发电功率区间划分为若干数据子集。
为了降低数据量、减小数据处理的负荷,并提高预警的准确性,在一种可选的实施方式中,对风机SCADA数据进行预处理,在步骤S121中,筛选一年中的预设时间区间对应的数据以形成第一预处理数据。作为一种可选的实施方式,该预设时间可以为一年中气温低于预设温度值的时间区间。在另一种可选的实施方式中,该预设时间可以为一年中涵盖该地区冬季对应的月份的时间区间。考虑到结冰一般发生在冬季,因此经过上述数据预处理,可以剔除对结冰预警没有明显作用的数据,减小数据处理的负荷,提高预警的准确性。
然后,在步骤S122中,根据变量相关性依据变量对第一预处理数据进行筛选,以剔除与结冰关联度较低的数据,得到第二预处理数据。SCADA系统的数据通常有上百个变量,经过筛选保留其中与风机的工况参数、运行参数等维度相关的主要变量对应的数据。其中,工况参数数据包括:风速、发电机转速、网侧有功功率、风向角、60秒平均风向角、舱外温度和舱内温度;运行参数数据包括:机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1变桨电源温度和直流电流、第2变桨电源温度和直流电流、第3变桨电源温度和直流电流。
接下来,在步骤S123中,根据第二预处理数据所对应的一天内的时间段,对风机SCADA数据进行筛选,以得到第三预处理数据。第三预处理数据是与夜间时间对应的数据,具体时间段可以根据需要合理设置。风机只有在环境温度较低时可能发生结冰故障,且由于夜晚的温度一般低于白日,所以夜晚较于白日更易结冰。因此,筛选出夜间时间对应的数据,有助于降低数据处理量,提高结冰预警的准确性。
然后,在步骤S124中,将第三预处理数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据。经过研究,在风机运行过程中,结冰直接影响发电功率,因此,在发电功率达到“满发”状态(即该风机的最大输出功率,当风速增加时,输出功率不再增大)时,风机叶片一定处于非结冰状态,因此,在本实施例中,将功率“满发”的数据剔除。作为一种可选的实施方式,将发电功率(即网侧有功功率)大于2KW的数据剔除。
然后,在步骤S125中,将第四预处理数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据。当风机处于停机状态时,此时的数据对结冰预警的意义不大,因此可以剔除叶片速度小于等于0以及发电功率小于等于0的数据。
经过上述预处理之后,得到预处理后的数据,即第五预处理数据。然后,在步骤S101中,将预处理后的数据按照对应的发电功率区间划分为若干数据子集。作为一种可选的实施方式,将风机的发电功率覆盖的范围划分为若干个发电功率区间,每一个发电功率区间对应的功率范围为0.5千瓦,也即,按照发电功率进行分段,以每0.5KW为一个功率区间,将与每个功率区间对应的数据设置为一个数据子集。具体实施时,每个功率区间边界值为0.5KW的整数倍,则得到每个数据子集Ui为:
Ui={(v,p)|(v,p)∈U,0.5i<p<0.5(i+1)},i∈[0,n-1];其中,Ui为第i个数据子集,与第i个功率区间相对应;(v,p)为落在第i个数据子集中的二维数据元素,v、p分别为数据对应的风速值和功率值,n为功率区间的数量。
然后,在步骤S102中,分别在每一个发电功率区间内对相应的数据子集进行聚类,以得到主体数据和非主体数据。在本实施例中,是在风速与功率形成的二维平面内进行聚类,初步筛除异常数据。在其他可选的实施方式中,可加入更多特征,进行更高维的聚类。随着维度的增加,模型的运算时间会增加。
作为一种可选的实施方式,本实施例中采用基于密度的DBSCAN算法模型进行聚类。DBSCAN算法基于一个事实,一个聚类可以由其中的任何核心对象唯一确定,即任一满足核心对象条件的数据对象p,数据库D中所有从p密度可达的数据对象O所组成的集合构成了一个完整的聚类且p属于C。数据集中没有包含在任何簇中的数据点就构成噪声点。通过聚类,数据子集中的数据被分为包含主体数据C和非主体数据N,其中,主体数据C为包含绝大多数正常数据点的数据。根据该结果,增加变量“label”(标签),主体数据C的“label”值设置为0,非主体数据N的“label”值设为1。汇集每个数据子集的聚类结果,得到包含变量“label”整体数据。整体数据包括全部功率区间所对应的聚类结果。
因为每一个数据子集中的数据对应相同的功率区间,其相关度较高。所以,根据功率区间划分数据子集,并针对每一个数据子集进行聚类,可以避免对应的功率值差距较大的数据之间的干扰,有助于提高聚类的准确性。
在其他可选的实施方式中,采用基于狄利克雷过程的高斯混合模型进行聚类。
为了进一步提高结冰预警的准确性,在步骤S103中,根据非主体数据连续出现的周期,生成对应的结冰预警信号。
在一种可选的实施方式中,在步骤S103中,根据一时间窗对非主体数据连续出现的周期进行评价。具体实施时,根据一时间窗对整体数据进行评估。该时间窗的长度为K,若该时间窗对应的K个“label”的值均为1,则生成黄色结冰预警信号。进一步地,如果该时间窗以L为步长向后滑动m(称为滑动周期)个步长,并且,该过程中,所有“label”的值均为1,则生成红色结冰预警信号。其中,时间窗长度K、步长L、滑动周期m均为正整数。
具体实施时,时间窗长度K、步长L,以及滑动周期m的数值可根据需要合理设置。在实际应用中,时间窗长度K,步长L,以及滑动周期m的选取需要经过反复实验筛选。在一些可选的实施方式中,可以设置较大的时间窗长度K,使得该时间窗覆盖更多连续时刻信息,也即,时间窗基于更多连续时刻内的整体数据进行评估;这样,整体数据中,非主体数据连续出现的周期较长时,才生成对应的预警信号,适用于报警条件较严苛的应用场景。在另一些可选的实施方式中,可以设置较小的时间窗长度K,使得该时间窗覆盖较少的连续时刻信息,也即,时间窗基于较少连续时刻内的整体数据进行评估;这样,整体数据中,非主体数据连续出现的周期较少时,即可能生成对应的预警信号,适用于报警灵敏度高的应用场景。另外,基于判断精度和数据处理负荷的考虑,可以合理设置时间窗长度。
在一些可选的实施方式中,时间窗长度K在10到200之间,步长L为2到50之间,滑动周期为2到30之间。为了评估的连续性,步长L不大于时间窗长度K。时间窗每滑动一次,时间窗向后滑动步长L,则根据该时间窗当前覆盖的数据进行一次评估,以判断是否生成黄色结冰预警信号。时间窗每滑动m次,则根据该时间窗在m次滑动过程中覆盖的数据进行评估,以判断是否生成红色结冰预警信号。滑动周期m可以根据需求合理设置。通过滑窗处理,输入数据将同时包含时间维度的信息以及特征维度的信息。
考虑到结冰是一个连续性的过程,因此,在本实施例中,在结冰故障检测时,充分考虑了时间维度的特征,提高了结冰预警的准确度。
实施例8
图9为本实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例1-7中任意一个实施例的风机的结冰故障检测方法。图9显示的电子设备30仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1-7中任意一个实施例的风机的结冰故障检测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例9
本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,所述程序被处理器执行时实现实施例1-7中任意一个实施例的风机的结冰故障检测方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1-7中任意一个实施例的风机的结冰故障检测方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
实施例10
本实施例提供一种风机的结冰故障检测系统,用于对风机的结冰故障进行检测,以生成结冰报警信号。参照图10,该风机的结冰故障检测系统包括划分单元201、聚类单元202、报警单元203。
划分单元201用于将风机数据按照对应的发电功率区间划分为若干数据子集;
聚类单元202用于对应于每一发电功率区间,对数据子集进行聚类以得到主体数据和非主体数据;
报警单元203用于根据主体数据和非主体数据生成结冰报警信号。
在本实施例中,因为每一个数据子集中的数据对应相同的功率区间,其相关度较高。所以,根据功率区间划分数据子集,并针对每一个数据子集进行聚类,可以避免对应的功率值差距较大的数据之间的干扰,有助于提高聚类的准确性。
实施例11
在实施例10的基础上,本实施例提供一种风机的结冰故障检测系统。参照图11,该风机的结冰故障检测系统还包括预处理单元204,预处理单元204用于对风机原始数据进行预处理,得到与结冰故障关联的预处理数据;则划分单元201还用于将预处理数据按照对应的发电功率区间划分为若干数据子集。
在一些可选的实施方式中,预处理单元204筛选原始数据中与一年中的预设时间区间对应的数据以形成第一预处理数据。
则划分单元201将第一预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA(监测控制和数据采集)数据,即风电场的SCADA系统采集的若干台风机运行的历史数据。风机SCADA数据包含多个时间段、多个变量对应的数据。
为了降低数据量、减小数据处理的负荷,并提高预警的准确性,在一种可选的实施方式中,对风机SCADA数据进行预处理,筛选一年中的预设时间区间对应的数据以形成第一预处理数据。作为一种可选的实施方式,该预设时间可以为一年中气温低于预设温度值的时间区间。在另一种可选的实施方式中,该预设时间可以为一年中涵盖该地区冬季对应的月份的时间区间。考虑到结冰一般发生在冬季,因此经过上述数据预处理,可以剔除对结冰预警没有明显作用的数据,减小数据处理的负荷,提高预警的准确性。
实施例12
在实施例10的基础上,本实施例提供一种风机的结冰故障检测系统。参照图11,该风机的结冰故障检测系统还包括预处理单元204,预处理单元204用于对风机原始数据进行预处理,得到与结冰故障关联的预处理数据;则划分单元201还用于将预处理数据按照对应的发电功率区间划分为若干数据子集。
在一些可选的实施方式中,预处理单元204筛选原始数据中与风机的工况参数和运行参数相关的数据以形成第二预处理数据。
则划分单元201将第二预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA数据。根据变量相关性依据变量对风机SCADA数据进行筛选,以剔除与结冰关联度较低的数据,得到第二预处理数据。SCADA系统的数据通常有上百个变量,经过筛选保留其中与风机的工况参数、运行参数等维度相关的主要变量对应的数据。其中,工况参数数据包括:风速、发电机转速、网侧有功功率、风向角、60秒平均风向角、舱外温度和舱内温度;运行参数数据包括:机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1变桨电源温度和直流电流、第2变桨电源温度和直流电流、第3变桨电源温度和直流电流。
实施例13
在实施例10的基础上,本实施例提供一种风机的结冰故障检测系统。参照图11,该风机的结冰故障检测系统还包括预处理单元204,预处理单元204用于对风机原始数据进行预处理,得到与结冰故障关联的预处理数据;则划分单元201还用于将预处理数据按照对应的发电功率区间划分为若干数据子集。
在一些可选的实施方式中,预处理单元204筛选原始数据中与每一天中的预设时间段对应的数据以形成第三预处理数据。
则划分单元201将第三预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA数据。根据风机SCADA数据所对应的一天内的时间段,对风机SCADA数据进行筛选,以得到第三预处理数据。第三预处理数据是与夜间时间对应的数据,具体时间段可以根据需要合理设置。风机只有在环境温度较低时可能发生结冰故障,且由于夜晚的温度一般低于白日,所以夜晚较于白日更易结冰。因此,筛选出夜间时间对应的数据,有助于降低数据处理量,提高结冰预警的准确性。
实施例14
在实施例10的基础上,本实施例提供一种风机的结冰故障检测系统。参照图11,该风机的结冰故障检测系统还包括预处理单元204,预处理单元204用于对风机原始数据进行预处理,得到与结冰故障关联的预处理数据;则划分单元201还用于将预处理数据按照对应的发电功率区间划分为若干数据子集。
在一些可选的实施方式中,预处理单元204将原始数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据。
则划分单元201将第四预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA数据。将风机SCADA数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据。经过研究,在风机运行过程中,结冰直接影响发电功率,因此,在发电功率达到“满发”状态(即该风机的最大输出功率,当风速增加时,输出功率不再增大)时,风机叶片一定处于非结冰状态,因此,在本实施例中,将功率“满发”的数据剔除。作为一种可选的实施方式,将发电功率(即网侧有功功率)大于2KW的数据剔除。
实施例15
在实施例10的基础上,本实施例提供一种风机的结冰故障检测系统。参照图11,该风机的结冰故障检测系统还包括预处理单元204,预处理单元204用于对风机原始数据进行预处理,得到与结冰故障关联的预处理数据;则划分单元201还用于将预处理数据按照对应的发电功率区间划分为若干数据子集。
在一些可选的实施方式中,预处理单元204将原始数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据。
则划分单元201将第五预处理数据按照对应的发电功率区间划分为若干数据子集。
具体实施时,原始数据为风机SCADA数据。将风机SCADA数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据。当风机处于停机状态时,此时的数据对结冰预警的意义不大,因此可以剔除叶片速度小于等于0以及发电功率小于等于0的数据。
实施例16
在实施例10的基础上,本实施例提供一种风机的结冰故障检测系统。参照图11,该风机的结冰故障检测系统还包括预处理单元204,预处理单元204用于对风机原始数据进行预处理,得到与结冰故障关联的预处理数据;则划分单元201还用于将预处理数据按照对应的发电功率区间划分为若干数据子集。
在一些可选的实施方式中,预处理单元204筛选原始数据中与一年中的预设时间区间对应的数据以形成第一预处理数据;预处理单元204筛选第一预处理数据中与风机的工况参数和运行参数相关的数据以形成第二预处理数据;预处理单元204筛选第二预处理数据中与每一天中的预设时间段对应的数据以形成第三预处理数据;预处理单元204将第三预处理数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据;预处理单元204将第四预处理数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据。
则划分单元201将第五预处理数据按照对应的发电功率区间划分为若干数据子集。
为了降低数据量、减小数据处理的负荷,并提高预警的准确性,在一种可选的实施方式中,对风机SCADA数据进行预处理,预处理单元204筛选一年中的预设时间区间对应的数据以形成第一预处理数据。作为一种可选的实施方式,该预设时间可以为一年中气温低于预设温度值的时间区间。在另一种可选的实施方式中,该预设时间可以为一年中涵盖该地区冬季对应的月份的时间区间。考虑到结冰一般发生在冬季,因此经过上述数据预处理,可以剔除对结冰预警没有明显作用的数据,减小数据处理的负荷,提高预警的准确性。
然后,预处理单元204根据变量相关性依据变量对第一预处理数据进行筛选,以剔除与结冰关联度较低的数据,得到第二预处理数据。SCADA系统的数据通常有上百个变量,经过筛选保留其中与风机的工况参数、运行参数等维度相关的主要变量对应的数据。其中,工况参数数据包括:风速、发电机转速、网侧有功功率、风向角、60秒平均风向角、舱外温度和舱内温度;运行参数数据包括:机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1变桨电源温度和直流电流、第2变桨电源温度和直流电流、第3变桨电源温度和直流电流。
接下来,预处理单元204根据第二预处理数据所对应的一天内的时间段,对风机SCADA数据进行筛选,以得到第三预处理数据。第三预处理数据是与夜间时间对应的数据,具体时间段可以根据需要合理设置。风机只有在环境温度较低时可能发生结冰故障,且由于夜晚的温度一般低于白日,所以夜晚较于白日更易结冰。因此,筛选出夜间时间对应的数据,有助于降低数据处理量,提高结冰预警的准确性。
然后,预处理单元204将第三预处理数据中与风机的最大输出功率对应的数据剔除,以得到第四预处理数据。经过研究,在风机运行过程中,结冰直接影响发电功率,因此,在发电功率达到“满发”状态(即该风机的最大输出功率,当风速增加时,输出功率不再增大)时,风机叶片一定处于非结冰状态,因此,在本实施例中,将功率“满发”的数据剔除。作为一种可选的实施方式,将发电功率(即网侧有功功率)大于2KW的数据剔除。
然后,预处理单元204将第四预处理数据中与风机处于停机状态对应的数据剔除,以得到第五预处理数据。当风机处于停机状态时,此时的数据对结冰预警的意义不大,因此可以剔除叶片速度小于等于0以及发电功率小于等于0的数据。
经过上述预处理之后,得到预处理后的数据,即第五预处理数据。然后,划分单元201将预处理后的数据按照对应的发电功率区间划分为若干数据子集。作为一种可选的实施方式,将风机的发电功率覆盖的范围划分为若干个发电功率区间,每一个发电功率区间对应的功率范围为0.5千瓦,也即,按照发电功率进行分段,以每0.5KW为一个功率区间,将与每个功率区间对应的数据设置为一个数据子集。具体实施时,每个功率区间边界值为0.5KW的整数倍,则得到每个数据子集Ui为:
Ui={(v,p)|(v,p)∈U,0.5i<p<0.5(i+1)},i∈[0,n-1];其中,Ui为第i个数据子集,与第i个功率区间相对应;(v,p)为落在第i个数据子集中的二维数据元素,v、p分别为数据对应的风速值和功率值,n为功率区间的数量。
然后,聚类单元202分别在每一个发电功率区间内对相应的数据子集进行聚类,以得到主体数据和非主体数据。在本实施例中,是在风速与功率形成的二维平面内进行聚类,初步筛除异常数据。在其他可选的实施方式中,可加入更多特征,进行更高维的聚类。随着维度的增加,模型的运算时间会增加。
作为一种可选的实施方式,本实施例中采用基于密度的DBSCAN算法模型进行聚类。DBSCAN算法基于一个事实,一个聚类可以由其中的任何核心对象唯一确定,即任一满足核心对象条件的数据对象p,数据库D中所有从p密度可达的数据对象O所组成的集合构成了一个完整的聚类且p属于C。数据集中没有包含在任何簇中的数据点就构成噪声点。通过聚类,数据子集中的数据被分为包含主体数据C和非主体数据N,其中,主体数据C为包含绝大多数正常数据点的数据。根据该结果,增加变量“label”(标签),主体数据C的“label”值设置为0,非主体数据N的“label”值设为1。汇集每个数据子集的聚类结果,得到包含变量“label”整体数据。整体数据包括全部功率区间所对应的聚类结果。
因为每一个数据子集中的数据对应相同的功率区间,其相关度较高。所以,根据功率区间划分数据子集,并针对每一个数据子集进行聚类,可以避免对应的功率值差距较大的数据之间的干扰,有助于提高聚类的准确性。
在其他可选的实施方式中,采用基于狄利克雷过程的高斯混合模型进行聚类。
为了进一步提高结冰预警的准确性,报警单元203根据非主体数据连续出现的周期,生成对应的结冰预警信号。
在一种可选的实施方式中,报警单元203根据一时间窗对非主体数据连续出现的周期进行评价。具体实施时,报警单元203根据一时间窗对整体数据进行评估。该时间窗长度为K,若该时间窗对应的K个“label”的值均为1,则生成黄色结冰预警信号。进一步地,如果该时间窗以L为步长向后滑动m(称为滑动周期)个步长,并且,该过程中,所有“label”的值均为1,则生成红色结冰预警信号。其中,时间窗长度K、步长L、滑动周期m均为正整数。
具体实施时,时间窗长度K、步长L,以及滑动周期m的数值可根据需要合理设置。在实际应用中,时间窗长度K,步长L,以及滑动周期m的选取需要经过反复实验筛选。在一些可选的实施方式中,可以设置较大的时间窗长度K,使得该时间窗覆盖更多连续时刻信息,也即,时间窗基于更多连续时刻内的整体数据进行评估;这样,整体数据中,非主体数据连续出现的周期较长时,才生成对应的预警信号,适用于报警条件较严苛的应用场景。在另一些可选的实施方式中,可以设置较小的时间窗长度K,使得该时间窗覆盖较少的连续时刻信息,也即,时间窗基于较少连续时刻内的整体数据进行评估;这样,整体数据中,非主体数据连续出现的周期较少时,即可能生成对应的预警信号,适用于报警灵敏度高的应用场景。另外,基于判断精度和数据处理负荷的考虑,可以合理设置时间窗长度。
在一些可选的实施方式中,时间窗长度K在10到200之间,步长L为2到50之间,滑动周期m为2到30之间。为了评估的连续性,步长L不大于时间窗长度K。时间窗每滑动一次,时间窗向后滑动步长L,报警单元203则根据该时间窗当前覆盖的数据进行一次评估,以判断是否生成黄色结冰预警信号。时间窗每滑动m次,报警单元203则根据该时间窗在m次滑动过程中覆盖的数据进行评估,以判断是否生成红色结冰预警信号。滑动周期m可以根据需求合理设置。通过滑窗处理,输入数据将同时包含时间维度的信息以及特征维度的信息。
考虑到结冰是一个连续性的过程,因此,在本实施例中,在结冰故障检测时,充分考虑了时间维度的特征,提高了结冰预警的准确度。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (26)
1.一种风机的结冰故障检测方法,其特征在于,包括以下步骤:
将风机数据按照对应的发电功率区间划分为若干数据子集;
对应于每一所述发电功率区间,对所述数据子集进行聚类以得到主体数据和非主体数据;
根据所述主体数据和所述非主体数据生成结冰报警信号。
2.如权利要求1所述的风机的结冰故障检测方法,其特征在于,在将风机数据按照对应的发电功率区间划分为若干数据子集的步骤之前,所述风机的结冰故障检测方法还包括以下步骤:
对风机原始数据进行预处理,得到与结冰故障关联的预处理数据,
则将风机数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将所述预处理数据按照对应的发电功率区间划分为若干数据子集。
3.如权利要求2所述的风机的结冰故障检测方法,其特征在于,对所述原始数据进行预处理,得到预处理数据的步骤包括:
筛选原始数据中与一年中的预设时间区间对应的数据以形成第一预处理数据;
则将所述预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将所述第一预处理数据按照对应的发电功率区间划分为若干数据子集。
4.如权利要求2所述的风机的结冰故障检测方法,其特征在于,对所述原始数据进行预处理,得到预处理数据的步骤包括:
筛选原始数据中与所述风机的工况参数和运行参数相关的数据以形成第二预处理数据;
则将所述预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将所述第二预处理数据按照对应的发电功率区间划分为若干数据子集。
5.如权利要求4所述的风机的结冰故障检测方法,其特征在于,所述工况参数包括:风速、发电机转速、网侧有功功率、风向角、60秒平均风向角、舱外温度和舱内温度;
所述运行参数数据包括:机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1变桨电源温度和直流电流、第2变桨电源温度和直流电流、第3变桨电源温度和直流电流。
6.如权利要求2所述的风机的结冰故障检测方法,其特征在于,对所述原始数据进行预处理,得到预处理数据的步骤包括:
筛选原始数据中与每一天中的预设时间段对应的数据以形成第三预处理数据;
则将所述预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将所述第三预处理数据按照对应的发电功率区间划分为若干数据子集。
7.如权利要求2所述的风机的结冰故障检测方法,其特征在于,对所述原始数据进行预处理,得到预处理数据的步骤包括:
将原始数据中与所述风机的最大输出功率对应的数据剔除,以得到第四预处理数据;
则将所述预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将所述第四预处理数据按照对应的发电功率区间划分为若干数据子集。
8.如权利要求2所述的风机的结冰故障检测方法,其特征在于,对所述原始数据进行预处理,得到预处理数据的步骤包括:
将原始数据中与所述风机处于停机状态对应的数据剔除,以得到第五预处理数据;
则将所述预处理数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将所述第五预处理数据按照对应的发电功率区间划分为若干数据子集。
9.如权利要求1所述的风机的结冰故障检测方法,其特征在于,将风机数据按照对应的发电功率区间划分为若干数据子集的步骤包括:
将所述风机的发电功率覆盖的范围划分为若干个发电功率区间,每一个所述发电功率区间对应的功率范围为0.5千瓦。
10.如权利要求1所述的风机的结冰故障检测方法,其特征在于,聚类的步骤包括:
采用基于狄利克雷过程的高斯混合模型进行聚类;或采用基于密度的DBSCAN算法模型进行聚类。
11.如权利要求1所述的风机的结冰故障检测方法,其特征在于,根据所述主体数据和所述非主体数据生成结冰报警信号的步骤包括:
根据一时间窗对非主体数据连续出现的周期进行判断,以生成结冰预警信号。
12.如权利要求11所述的风机的结冰故障检测方法,其特征在于,根据一时间窗对非主体数据连续出现的周期进行判断的步骤包括:
将所述时间窗以L为步长向后滑动m个步长,如果所述时间窗滑过的时间周期内对应的数据均为所述非主体数据,则生成红色预警信号,其中,L、m均为正整数。
13.一种风机的结冰故障检测系统,其特征在于,包括划分单元、聚类单元、报警单元;
所述划分单元用于将风机数据按照对应的发电功率区间划分为若干数据子集;
所述聚类单元用于对应于每一所述发电功率区间,对所述数据子集进行聚类以得到主体数据和非主体数据;
所述报警单元用于根据所述主体数据和所述非主体数据生成结冰报警信号。
14.如权利要求13所述的风机的结冰故障检测系统,其特征在于,所述风机的结冰故障检测系统还包括预处理单元,所述预处理单元用于对风机原始数据进行预处理,得到与结冰故障关联的预处理数据,
则所述划分单元还用于将所述预处理数据按照对应的发电功率区间划分为若干数据子集。
15.如权利要求14所述的风机的结冰故障检测系统,其特征在于,所述预处理单元还用于筛选原始数据中与一年中的预设时间区间对应的数据以形成第一预处理数据;
则所述划分单元还用于将所述第一预处理数据按照对应的发电功率区间划分为若干数据子集。
16.如权利要求14所述的风机的结冰故障检测系统,其特征在于,所述预处理单元还用于筛选原始数据中与所述风机的工况参数和运行参数相关的数据以形成第二预处理数据;
则所述划分单元还用于将所述第二预处理数据按照对应的发电功率区间划分为若干数据子集。
17.如权利要求16所述的风机的结冰故障检测系统,其特征在于,所述工况参数包括:风速、发电机转速、网侧有功功率、风向角、60秒平均风向角、舱外温度和舱内温度;
所述运行参数数据包括:机舱偏航位置、机舱偏航速度、第1叶片角度和速度、第2叶片角度和速度、第3叶片角度和速度、第1变桨电机温度、第2变桨电机温度、第3变桨电机温度、三个叶片所处平面水平X方向加速度和垂直Y方向加速度、第1变桨电源温度和直流电流、第2变桨电源温度和直流电流、第3变桨电源温度和直流电流。
18.如权利要求14所述的风机的结冰故障检测系统,其特征在于,所述预处理单元还用于筛选原始数据中与每一天中的预设时间段对应的数据以形成第三预处理数据;
则所述划分单元还用于将所述第三预处理数据按照对应的发电功率区间划分为若干数据子集。
19.如权利要求14所述的风机的结冰故障检测系统,其特征在于,所述预处理单元还用于将原始数据中与所述风机的最大输出功率对应的数据剔除,以得到第四预处理数据;
则所述划分单元还用于按照对应的发电功率区间划分为若干数据子集。
20.如权利要求14所述的风机的结冰故障检测系统,其特征在于,所述预处理单元还用于将原始数据中与所述风机处于停机状态对应的数据剔除,以得到第五预处理数据;
则所述划分单元还用于将所述第五预处理数据按照对应的发电功率区间划分为若干数据子集。
21.如权利要求13所述的风机的结冰故障检测系统,其特征在于,所述划分单元还用于将所述风机的发电功率覆盖的范围划分为若干个发电功率区间,每一个所述发电功率区间对应的功率范围为0.5千瓦。
22.如权利要求13所述的风机的结冰故障检测系统,其特征在于,所述聚类单元还用于采用基于狄利克雷过程的高斯混合模型进行聚类;或采用基于密度的DBSCAN算法模型进行聚类。
23.如权利要求13所述的风机的结冰故障检测系统,其特征在于,所述报警单元还用于根据一时间窗对非主体数据连续出现的周期进行判断,以生成结冰预警信号。
24.如权利要求23所述的风机的结冰故障检测系统,其特征在于,所述报警单元还用于将所述时间窗以L为步长向后滑动m个步长,如果所述时间窗滑过的时间周期内对应的数据均为所述非主体数据,则所述报警单元还用于生成红色预警信号,其中,L、m均为正整数。
25.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-12中任一项所述的风机的结冰故障检测方法。
26.一种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权利要求1-12中任一项所述的风机的结冰故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010781419.0A CN111878326B (zh) | 2020-08-06 | 2020-08-06 | 风机的结冰故障检测方法、系统、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010781419.0A CN111878326B (zh) | 2020-08-06 | 2020-08-06 | 风机的结冰故障检测方法、系统、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111878326A true CN111878326A (zh) | 2020-11-03 |
CN111878326B CN111878326B (zh) | 2021-11-26 |
Family
ID=73210769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010781419.0A Active CN111878326B (zh) | 2020-08-06 | 2020-08-06 | 风机的结冰故障检测方法、系统、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111878326B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268273A (zh) * | 2013-05-24 | 2013-08-28 | 北京航空航天大学 | 一种功能解析和机理分析的故障判据确定方法 |
WO2014023734A1 (de) * | 2012-08-06 | 2014-02-13 | Wobben Properties Gmbh | Cfk widerstandsblattheizung |
CN104131950A (zh) * | 2014-07-24 | 2014-11-05 | 重庆大学 | 一种风电机组温度特征量的阈值分区确定方法 |
CN106870297A (zh) * | 2017-02-10 | 2017-06-20 | 国电联合动力技术有限公司 | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 |
CN108223307A (zh) * | 2016-12-15 | 2018-06-29 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
CN109209790A (zh) * | 2018-10-09 | 2019-01-15 | 浙江运达风电股份有限公司 | 一种基于数据建模的风电叶片结冰推测方法 |
CN109281807A (zh) * | 2018-10-23 | 2019-01-29 | 株洲时代新材料科技股份有限公司 | 一种风电叶片除冰系统及其控制方法 |
CN109751206A (zh) * | 2019-02-25 | 2019-05-14 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
US20200088172A1 (en) * | 2018-09-17 | 2020-03-19 | General Electric Company | Heating System and Method for a Jointed Wind Rotor Turbine Blade |
CN111461210A (zh) * | 2020-03-31 | 2020-07-28 | 天津智惠未来科技有限责任公司 | 一种基于无人机风电巡检叶片缺陷等级判定方法 |
-
2020
- 2020-08-06 CN CN202010781419.0A patent/CN111878326B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014023734A1 (de) * | 2012-08-06 | 2014-02-13 | Wobben Properties Gmbh | Cfk widerstandsblattheizung |
CN103268273A (zh) * | 2013-05-24 | 2013-08-28 | 北京航空航天大学 | 一种功能解析和机理分析的故障判据确定方法 |
CN104131950A (zh) * | 2014-07-24 | 2014-11-05 | 重庆大学 | 一种风电机组温度特征量的阈值分区确定方法 |
CN108223307A (zh) * | 2016-12-15 | 2018-06-29 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
CN106870297A (zh) * | 2017-02-10 | 2017-06-20 | 国电联合动力技术有限公司 | 一种基于时间序列聚类诊断风力发电机主轴承故障的方法 |
US20200088172A1 (en) * | 2018-09-17 | 2020-03-19 | General Electric Company | Heating System and Method for a Jointed Wind Rotor Turbine Blade |
CN109209790A (zh) * | 2018-10-09 | 2019-01-15 | 浙江运达风电股份有限公司 | 一种基于数据建模的风电叶片结冰推测方法 |
CN109281807A (zh) * | 2018-10-23 | 2019-01-29 | 株洲时代新材料科技股份有限公司 | 一种风电叶片除冰系统及其控制方法 |
CN109751206A (zh) * | 2019-02-25 | 2019-05-14 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
CN111461210A (zh) * | 2020-03-31 | 2020-07-28 | 天津智惠未来科技有限责任公司 | 一种基于无人机风电巡检叶片缺陷等级判定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111878326B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
CN109958588B (zh) | 结冰预测方法、装置、存储介质、模型生成方法及装置 | |
CN104807644A (zh) | 一种风电机组变桨系统的故障预警方法及系统 | |
CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
CN112727704B (zh) | 一种叶片前缘腐蚀的监测方法及系统 | |
Chen et al. | Learning deep representation for blades icing fault detection of wind turbines | |
CN113007041A (zh) | 一种风电机组叶片结冰检测系统及检测方法 | |
Park et al. | Photovoltaic power data analysis using hierarchical clustering | |
CN113847216A (zh) | 风机叶片的状态预测方法、装置、设备及存储介质 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN111737923A (zh) | 一种风机叶片结冰预测方法 | |
CN115036922A (zh) | 一种分布式光伏发电电量预测方法及系统 | |
CN114623051A (zh) | 一种风电叶片覆冰状态智能识别及预警方法 | |
CN111878326B (zh) | 风机的结冰故障检测方法、系统、电子设备和介质 | |
CN112855458B (zh) | 一种风力发电机组的风速仪故障诊断方法、系统及介质 | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
CN110985315A (zh) | 一种检测风机叶片结冰的早期预测方法 | |
CN116205631A (zh) | 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 | |
WO2023148188A1 (en) | A method and computing device for monitoring performance of a photovoltaic panel | |
Peter et al. | Wind turbine generator prognostics using field SCADA data | |
CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
CN112836424A (zh) | 一种风机叶片早期结冰故障预测方法 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |