CN112084661B - 一种风电机组变流器水冷系统冷却状态评估预警方法 - Google Patents

一种风电机组变流器水冷系统冷却状态评估预警方法 Download PDF

Info

Publication number
CN112084661B
CN112084661B CN202010949273.6A CN202010949273A CN112084661B CN 112084661 B CN112084661 B CN 112084661B CN 202010949273 A CN202010949273 A CN 202010949273A CN 112084661 B CN112084661 B CN 112084661B
Authority
CN
China
Prior art keywords
converter
water
cooling system
score
water cooling
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
CN202010949273.6A
Other languages
English (en)
Other versions
CN112084661A (zh
Inventor
刘增里
杨静
王世均
刘亚林
熊力
陈宝刚
孙军
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.)
CSIC Haizhuang Windpower Co Ltd
Original Assignee
CSIC Haizhuang Windpower Co 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 CSIC Haizhuang Windpower Co Ltd filed Critical CSIC Haizhuang Windpower Co Ltd
Priority to CN202010949273.6A priority Critical patent/CN112084661B/zh
Publication of CN112084661A publication Critical patent/CN112084661A/zh
Application granted granted Critical
Publication of CN112084661B publication Critical patent/CN112084661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Turbines (AREA)

Abstract

本发明提供一种风电机组变流器水冷系统冷却状态评估预警方法，包括以下步骤：使用数据采集与监视控制系统，获取表征变流器水冷系统冷却状态的变量的实时数据；将实时数据预处理后输入到风电机组变流器水冷系统冷却状态评估预警模型中，计算得到变流器水冷系统入水口的水温预测值、水压预测值；结合入水口的水温实测值、水压实测值对变流器水冷系统冷却状态进行评估，得到第一、第二、第三、第四得分，以及综合得分；对变流器水冷系统冷却状态进行故障预警；对故障发生时间进行预测，并生成维护建议。本发明可以解决对变流器水冷系统冷却状态评估时，对水冷系统冷却状态的变化过程和趋势没有监控，只能被动评估、没有预警功能的技术问题。

Description

一种风电机组变流器水冷系统冷却状态评估预警方法
技术领域
本发明涉及风力发电机组技术领域，具体涉及一种风电机组变流器水冷系统冷却状态评估预警方法。
背景技术
风力发电机组的变流器柜内电器元件众多，温度对变流器的工作特性影响很大。随着陆上风力发电机组安装位置海拔的升高，以及海上大功率风力发电机组的发展，对风力发电机组中的变流器散热能力要求也随之提高。空冷变流器不能满足环境恶劣和大功率的风力发电机组，水冷变流器已成为此类风力发电机组的主流。水冷变流器拥有一套水冷系统对变流器进行散热，因此变流器水冷系统的冷却状态将直接影响变流器能否正常工作。
现有技术方案主要是通过对水冷系统关键参数的评估以此得到变流器水冷系统冷却状态的好坏。变流器入水口温度是表征水冷系统冷却状态的主要参数，现有技术方案是通过对变流器入水口温度设置报警门限值来进行判断；当变流器入水口温度没有超过报警门限水冷系统正常工作，表明变流器水冷系统冷却状态良好；当变流器入水口温度超过报警门限水冷系统进行报警，表明变流器水冷系统冷却状态异常。
但是，上述技术方案对变流器水冷系统冷却状态的评估，属于被动式的评估，且没有预警功能；只能通过单一的报警门限值来判断变流器水冷系统冷却状态是否正常，对变流器水冷系统冷却状态变化过程和趋势没有监控，对于冷却状态评估与预警存在着缺陷。
发明内容
针对现有技术存在的不足，本发明提出一种风电机组变流器水冷系统冷却状态评估预警方法，以解决现有技术中存在的对变流器水冷系统冷却状态评估时，对水冷系统冷却状态的变化过程和趋势没有监控，只能被动评估、没有预警功能的技术问题。
本发明采用的技术方案是，一种风电机组变流器水冷系统冷却状态评估预警方法，
在第一种可实现方式中，包括以下步骤：
使用数据采集与监视控制系统，获取表征变流器水冷系统冷却状态的变量的实时数据；
对实时数据进行预处理，得到预处理实时数据；
将预处理实时数据输入到风电机组变流器水冷系统冷却状态评估预警模型中，计算得到变流器水冷系统入水口的水温预测值、水压预测值；
根据水温预测值、水压预测值，结合变流器水冷系统入水口的水温实测值、水压实测值对风电机组变流器水冷系统冷却状态进行评估，得到变流器水冷系统冷却状态的第一、第二、第三、第四得分，以及综合得分；
分别根据第一、第二、第三、第四得分，以及综合得分，对变流器水冷系统冷却状态进行故障预警；
结合故障预警，通过风电机组变流器水冷系统冷却状态评估预警模型对变流器水冷系统的故障发生时间进行预测，并生成维护建议。
结合第一种可实现方式，在第二种可实现方式中，变量包括塔基温度、IGBT模块温度、变流器有功功率、变流器无功功率、变流器转子电流、变流器定子电流、变流器总电流、变流器电压。
结合第一种可实现方式，在第三种可实现方式中，风电机组变流器水冷系统冷却状态评估预警模型采用BP神经网络，按以下步骤建模：
使用数据采集与监视控制系统，获取表征变流器水冷系统冷却状态的变量的历史数据；
对历史数据进行预处理，得到预处理历史数据；
使用预处理历史数据构建样本集，根据样本集划分训练集、验证集和测试集；
设置BP神经网络的超参数；
将输入样本和输出样本带入到BP神经网络中进行训练，得到风电机组变流器水冷系统冷却状态评估预警初始模型；
使用验证集对风电机组变流器水冷系统冷却状态评估预警初始模型进行验证，验证合格后得到风电机组变流器水冷系统冷却状态评估预警模型。
结合第一或第三种可实现方式，在第四种可实现方式中，对实时数据、历史数据进行预处理，包括填补缺失值、剔除异常值、数据标准化。
结合第三种可实现方式，在第五种可实现方式中，样本集中，输入样本为表征变流器水冷系统冷却状态的变量的历史数据，输出样本为变流器水冷系统入水口的水温、水压实测值历史数据。
结合第三种可实现方式，在第六种可实现方式中，BP神经网络的超参数具体如下：
输入层节点数为14；
隐含层节点数为14；
输出层节点数为2；
传递函数为S型函数；
目标函数为平方误差函数。
结合第一种可实现方式，在第七种可实现方式中，使用变流器水冷系统入水口的水温预测值，结合变流器水冷系统入水口的水温实测值进行评估，得到第一分值、第二分值；具体如下：
额定工况下，以变流器水冷系统入水口的平均水温A作为起点，以变流器入水口水温报警门限B作为终点，入水口的水温实测值为X；
当X<A时，第一得分score1＝100；
当A≤X≤B时，第一得分按以下公式进行计算：
Figure BDA0002676380370000031
根据入水口的水温实测值与水温预测值之间的差值，按以下公式进行计算，得到第二得分：
Figure BDA0002676380370000041
X符合标准正态分布。
结合第一种可实现方式，在第八种可实现方式中，使用变流器水冷系统入水口的水压预测值，结合变流器水冷系统入水口的水压实测值进行评估，得到第三分值、第四分值；具体如下：
额定工况下，以变流器水冷系统入水口的水压低报警门限C作为起点，以入水口的水压高报警门限D作为终点，入水口的水压实测值为Y；
当Y<C或者Y>D，第三得分score3＝0；
当C≤Y≤D时，第三得分按以下公式进行计算：
Figure BDA0002676380370000042
根据入水口的水压实测值与水压预测值之间的差值，按以下公式进行计算，得到第四得分：
Figure BDA0002676380370000043
Y符合标准正态分布。
结合第一种可实现方式，在第九种可实现方式中，综合得分按以下公式进行计算：
Figure BDA0002676380370000044
上式中，S1、S2、S3、S4分别表示第一、第二、第三、第四得分。
由上述技术方案可知，本发明的有益技术效果如下：
1.选取了表征变流器水冷系统冷却状态相关变量，建立了风电机组变流器水冷系统冷却状态评估预警模型，通过风力发电机组后台的SCADA(数据采集与监视控制)系统获取相关变量的实时数据，计算变流器水冷系统入水口的水温预测值、水压预测值，再和变流器水冷系统入水口的水温实测值、水压实测值对比，评估判断变流器水冷系统的运行状态。
2.使用风电机组变流器水冷系统冷却状态评估预警模型对水冷变流器冷却系统的状态进行评估和预警，能够对运行中的变流器水冷系统冷却状态进行实时监测和评估，并根据评估的结果对变流器水冷系统的冷却状态做出相应的判断、故障预警与维护建议，进而对变流器的温度异常进行提前预知，防止变流器温度异常故障的发生，减少变流器的故障率。
3.当发生故障预警时，能根据变流器冷却系统各参数状态得分情况，给出相应的维护建议。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的评估预警模型建模过程及评估预警方法流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
本发明提供一种风电机组变流器水冷系统冷却状态评估预警方法，包括以下步骤：
使用数据采集与监视控制系统，获取表征变流器水冷系统冷却状态的变量的实时数据；
对实时数据进行预处理，得到预处理实时数据；
将预处理实时数据输入到风电机组变流器水冷系统冷却状态评估预警模型中，计算得到变流器水冷系统入水口的水温预测值、水压预测值；
根据水温预测值、水压预测值，结合变流器水冷系统入水口的水温实测值、水压实测值对风电机组变流器水冷系统冷却状态进行评估，得到变流器水冷系统冷却状态的第一、第二、第三、第四得分，以及综合得分；
分别根据第一、第二、第三、第四得分，以及综合得分，对变流器水冷系统冷却状态进行故障预警；
结合故障预警，通过风电机组变流器水冷系统冷却状态评估预警模型对变流器水冷系统的故障发生时间进行预测，并生成维护建议。
以下对实施例1工作原理进行详细说明：
1.使用数据采集与监视控制系统，获取表征变流器水冷系统冷却状态的变量的实时数据
风电机组后台的数据采集与监视控制系统可以对风电机组的各部件进行监视和控制，以实现数据采集、设备控制、测量、参数调节等各项功能。使用数据采集与监视控制系统，可以获取表征变流器水冷系统冷却状态相关变量的实时数据。因为变流器水冷系统入水口的水温主要由变流器的工况、环境温度以及冷却系统散热能力共同决定，变流器冷却系统状态异常的主要原因包括环境温度过高、变流器过载导致发热异常、风道滤尘网堵塞或附着物过多造成外部空散能力不足、冷却液循环管路泄漏或堵塞等。所以，变流器水冷系统故障可根据流入变流器水冷系统入水口处的水的温度高低以及温度变化趋势来预测，变流器水冷系统状态可以通过流入变流器水冷系统入水口处的水温和水压的预测值与实测值之间的残差来评估。
根据上述原理，在本实施例中，要预测流入变流器水冷系统入水口处的水温、水压，变量具体包括：塔基温度、IGBT(绝缘栅双极型晶体管)模块温度、变流器有功功率、变流器无功功率、变流器转子电流、变流器定子电流、变流器总电流、变流器电压。
2.对实时数据进行预处理，得到预处理实时数据
为便于建模过程中对数据的使用，需要对实时数据进行预处理，主要包括：
填补缺失值：因为通信传输存在干扰，SCADA系统接收到的数据存在缺失值“NULL”，在本实施例中红，因为所选变量均为连续变量，所以采用平均值法对缺失值进行填充。
剔除异常值：根据所选变量的数据范围，剔除明显不符合该变量的异常值。
数据标准化：为了消除不同的变量不同数量级对建模的影响，对所选取的变量进行归一化处理，将所有变量数据均映射到[0，1]之间。
3.将预处理实时数据输入到风电机组变流器水冷系统冷却状态评估预警模型中，计算得到变流器水冷系统入水口的水温预测值、水压预测值
在本实施中，使用BP神经网络来构建风电机组变流器水冷系统冷却状态评估预警模型。BP神经网络建立在误差反向传播(Error Back Proragation，简称BP)算法基础之上，是一种按照误差逆向传播算法训练的多层前馈神经网络，它具有非线性映射能力强、结构简单、算法稳定等特点，且具有高度自学习和自适应能力。基于BP神经网络的以上优点，非常适合应用于风电机组变流器水冷系统冷却状态表征参数的非线性拟合与预测，从而对变流器水冷系统冷却状态进行准确的评估与预警。具体模型的建模过程如下：
(1)使用数据采集与监视控制系统，获取表征变流器水冷系统冷却状态的变量的历史数据
变量的历史数据，包括塔基温度、IGBT(绝缘栅双极型晶体管)模块温度、变流器有功功率、变流器无功功率、变流器转子电流、变流器定子电流、变流器总电流、变流器电压，还包括变流器水冷系统入水口的水温、水压。
(2)对历史数据进行预处理，得到预处理历史数据
为便于建模过程中对数据的使用，需要对历史数据进行预处理，主要包括：
填补缺失值：因为通信传输存在干扰，SCADA系统接收到的数据存在缺失值“NULL”，在本实施例中红，因为所选变量均为连续变量，所以采用平均值法对缺失值进行填充。
剔除异常值：根据所选变量的数据范围，剔除明显不符合该变量的异常值。
数据标准化：为了消除不同的变量不同数量级对建模的影响，对所选取的变量进行归一化处理，将所有变量数据均映射到[0，1]之间。
(3)使用预处理历史数据构建样本集，根据样本集划分训练集、验证集和测试集
在本实施例的样本集，输入样本为表征变流器水冷系统冷却状态的变量的历史数据，输出样本为变流器水冷系统入水口的水温、水压实测值历史数据。再根据样本集的数量划分BP神经网络的训练集、验证集和测试集。
(4)设置BP神经网络的超参数
结合本发明的实际情况，确定模型的网络层数、输入层节点数、隐含层节点数、输出层节点数、目标函数、传递函数。在本实施例中，BP神经网络包括输入层、隐含层和输出层，其中：
输入层节点数根据表征变流器水冷系统冷却状态的变量的数量来定，数值为14，具体见下表表1：
表1征变流器水冷系统冷却状态的变量
变量名 类型 变量名 类型
塔基温度 Single 变流器转子A相电流 Single
模块温度 Single 变流器转子B相电流 Single
变流器60S平均有功功率 Single 变流器转子C相电流 Single
变流器60S平均无功功率 Single 变流器定子A相电流 Single
变流器电压 Single 变流器定子B相电流 Single
变流器总电流 Single 变流器定子C相电流 Single
输出层节点数根据模型输出变量的数量来定，本模型输出变量为变流器水冷系统入水口的水温预测值、水压预测值，故输出层节点数为2。
隐含层选择单隐含层，即可满足建模需求。隐含层节点数通过经验公式来确定范围，参考的经验公式为
Figure BDA0002676380370000091
其中c为1～10的整数，由上可知：m＝14，q＝2。由此可得，n的范围为5～14，考虑到隐含层节点范围不大且模型结构不复杂，从模型精度考虑，本模型隐含层节点数选择最大值n＝14，最终的模型结构为14-14-2。
传递函数选择S型函数，即sigmoid函数，是BP神经网络中常用的非线性作用函数。
目标函数选择平方误差函数。假设BP神经网络训练样本的数量为q，输出的目标值为dk，输出的实际值为yk，那么第p个样本的误差Ep可以表示为
Figure BDA0002676380370000092
(5)将输入样本和输出样本带入到BP神经网络中进行训练，得到风电机组变流器水冷系统冷却状态评估预警初始模型
设定平方误差函数的误差目标值，将输入样本和输出样本带入到模型中进行训练，将训练结果误差与目标值进行对比，若不满足目标值要求则不断调节各层的权值矩阵，再将输入样本带入模型反复迭代，使模型的输出值与输出样本值的差值满足误差目标值；若误差结果满足目标值则保存模型结构，进行模型验证。在本实施例中，误差目标值设为不大于1％～5％。
(6)使用验证集对风电机组变流器水冷系统冷却状态评估预警初始模型进行验证，验证合格后得到风电机组变流器水冷系统冷却状态评估预警模型
将验证集的样本带入通过步骤(5)得到的评估预警初始模型，对模型的准确性进行验证，若初始模型的验证结果不满足要求，则继续调整初始模型参数对初始模型进行再次训练，直到验证结果满足准确性要求，得到风电机组变流器水冷系统冷却状态评估预警模型。在本实施例中，准确性设为95％。
通过上述建模过程，选取表征变流器水冷系统冷却状态的相关变量，建立了风电机组变流器水冷系统冷却状态评估预警模型。通过风力发电机组后台的SCADA系统获取相关变量的实时数据，将实时数据输入到风电机组变流器水冷系统冷却状态评估预警模型中，计算得出变流器水冷系统入水口的水温预测值、水压预测值。
4.根据水温预测值、水压预测值，结合变流器水冷系统入水口的水温实测值、水压实测值对风电机组变流器水冷系统冷却状态进行评估，得到变流器水冷系统冷却状态综合得分
在本实施例中，风电机组变流器水冷系统冷却状态的评估方法具体如下：
(1)使用变流器水冷系统入水口的水温预测值，结合变流器水冷系统入水口的水温实测值进行评估，得到第一分值、第二分值
额定工况下，以变流器水冷系统入水口的平均水温A作为起点，以变流器入水口水温报警门限B作为终点，按以下方式对入水口的水温实测值进行评分；设入水口的水温实测值为X：
当X<A时，表示变流器的冷却状态良好，以第一得分score1＝100作为对该状态的表征；
当A≤X≤B时，用于评估变流器冷却状态的第一得分score1，按以下公式进行计算：
Figure BDA0002676380370000101
根据入水口的水温实测值与水温预测值之间的差值，计算第二得分score2。入水口的水温实测值仍同上设为X，由于入水口的水温实测值与水温预测值之间的差值服从正态分布，可将其变换成X～N(0，1)形式，第二得分按以下公式进行计算：
Figure BDA0002676380370000102
在上式(2)中，P(x)表示标准正态分布：
Figure BDA0002676380370000103
(2)使用变流器水冷系统入水口的水压预测值，结合变流器水冷系统入水口的水压实测值进行评估，得到第三分值、第四分值
额定工况下，以变流器水冷系统入水口的水压低报警门限C作为起点，以入水口的水压高报警门限D作为终点，按以下方式对入水口的水压实测值进行评分；设入水口的水压实测值为Y：
当入水口的水压实测值Y<C或者Y>D时，表示变流器水冷系统入水口的水压状态很差，以第三得分score3＝0作为对该状态的表征；
当C≤Y≤D时，用于评估变流器冷却状态的第三得分score3，按以下公式进行计算：
Figure BDA0002676380370000111
根据入水口的水压实测值与水压预测值之间的差值，计算第四得分score4。入水口的水压实测值仍同上设为Y，由于入水口的水压实测值与水压预测值之间的差值服从正态分布，可将其变换成Y～N(0，1)形式，第四得分按以下公式进行计算：
Figure BDA0002676380370000112
在上式(4)中，P(y)表示标准正态分布：
Figure BDA0002676380370000113
(3)根据第一、第二、第三、第四得分，计算得到变流器水冷系统冷却状态综合得分
根据score1(S1)、score2(S2)、score3(S3)和score4(S4)各自的得分占比，按以下公式(5)来进行计算变流器水冷系统冷却状态综合得分score：
Figure BDA0002676380370000114
在上式(5)中，S1表示第一得分，S2表示第二得分，S3表示第三得分，S4表示第四得分。
5.分别根据第一、第二、第三、第四得分，以及综合得分，对变流器水冷系统冷却状态进行故障预警
具体的，按以下设定进行故障预警：
变流器水冷系统冷却状态：警告←(第一得分score1≤40)；
变流器水冷系统冷却状态：警告←(第二得分score2≤40)；
变流器水冷系统冷却状态：警告←(第三得分score3≤40)；
变流器水冷系统冷却状态：警告←(第四得分score4≤40)；
变流器水冷系统冷却状态：警告←(综合得分score≤60)。
6.结合故障预警，通过风电机组变流器水冷系统冷却状态评估预警模型对变流器水冷系统的故障发生时间进行预测，并生成维护建议
当故障预警的警告发生时，使用变流器水冷系统入水口的水温实测值的历史时间序列，通过风电机组变流器水冷系统冷却状态评估预警模型预测入水口水温到达报警门限值的时间。在本实施例中，评估预警模型的建立使用了大量的历史数据，这些历史数据拟合形成的时间曲线，反映了变流器水冷系统入水口的水温实测值与水冷系统发生故障在时间轴上的相关性；比如：水温实测值越高，单位时间内水温升温速度越快，那么发生故障的可能性就越大，发生故障的时间点就越临近。这样，评估预警模型可以借助历史数据中，当变流器水冷系统入水口的水温实测值达到某一个数值时，故障在多少时间间隔后发生，来预测变流器水冷系统故障发生的时间。
同时，当故障预警的警告发生时，还根据变流器冷却系统各参数状态得分情况，给出相应的维护建议，比如关于水温的、关于水压的。生成的维护建议在SCADA系统中体现，如下表表2所示：
表2 SCADA系统中输出的故障预警和维护建议
Figure BDA0002676380370000121
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；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于，包括以下步骤：
使用数据采集与监视控制系统，获取表征变流器水冷系统冷却状态的变量的实时数据；
对所述实时数据进行预处理，得到预处理实时数据；
将所述预处理实时数据输入到风电机组变流器水冷系统冷却状态评估预警模型中，计算得到变流器水冷系统入水口的水温预测值、水压预测值；
根据所述水温预测值、水压预测值，结合变流器水冷系统入水口的水温实测值、水压实测值对风电机组变流器水冷系统冷却状态进行评估，得到变流器水冷系统冷却状态的第一、第二、第三、第四得分，以及综合得分；
分别根据所述第一、第二、第三、第四得分，以及综合得分，对变流器水冷系统冷却状态进行故障预警；
结合故障预警，通过风电机组变流器水冷系统冷却状态评估预警模型对变流器水冷系统的故障发生时间进行预测，并生成维护建议。
2.根据权利要求1所述的一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于，所述变量包括塔基温度、IGBT模块温度、变流器有功功率、变流器无功功率、变流器转子电流、变流器定子电流、变流器总电流和变流器电压。
3.根据权利要求1所述的一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于：所述风电机组变流器水冷系统冷却状态评估预警模型采用BP神经网络，按以下步骤建模：
使用数据采集与监视控制系统，获取表征变流器水冷系统冷却状态的变量的历史数据；
对所述历史数据进行预处理，得到预处理历史数据；
使用所述预处理历史数据构建样本集，根据样本集划分训练集、验证集和测试集；
设置BP神经网络的超参数；
将输入样本和输出样本带入到BP神经网络中进行训练，得到风电机组变流器水冷系统冷却状态评估预警初始模型；
使用验证集对风电机组变流器水冷系统冷却状态评估预警初始模型进行验证，验证合格后得到风电机组变流器水冷系统冷却状态评估预警模型。
4.根据权利要求1或3所述的一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于：对所述实时数据、历史数据进行预处理，包括填补缺失值、剔除异常值和数据标准化。
5.根据权利要求3所述的一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于：所述样本集中，输入样本为表征变流器水冷系统冷却状态的变量的历史数据，输出样本为变流器水冷系统入水口的水温、水压实测值历史数据。
6.根据权利要求3所述的一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于，所述BP神经网络的超参数具体如下：
输入层节点数为14；
隐含层节点数为14；
输出层节点数为2；
传递函数为S型函数；
目标函数为平方误差函数。
7.根据权利要求1所述的一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于：使用变流器水冷系统入水口的水温预测值，结合变流器水冷系统入水口的水温实测值进行评估，得到第一分值、第二分值；具体如下：
额定工况下，以变流器水冷系统入水口的平均水温A作为起点，以变流器入水口水温报警门限B作为终点，入水口的水温实测值为X；
当X<A时，第一得分score1＝100；
当A≤X≤B时，第一得分按以下公式进行计算：
Figure FDA0003656700540000031
根据入水口的水温实测值与水温预测值之间的差值，按以下公式进行计算，得到第二得分：
Figure FDA0003656700540000032
X符合标准正态分布。
8.根据权利要求1所述的一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于：使用变流器水冷系统入水口的水压预测值，结合变流器水冷系统入水口的水压实测值进行评估，得到第三分值、第四分值；具体如下：
额定工况下，以变流器水冷系统入水口的水压低报警门限C作为起点，以入水口的水压高报警门限D作为终点，入水口的水压实测值为Y；
当Y<C或者Y>D，第三得分score3＝0；
当C≤Y≤D时，第三得分按以下公式进行计算：
Figure FDA0003656700540000033
根据入水口的水压实测值与水压预测值之间的差值，按以下公式进行计算，得到第四得分：
Figure FDA0003656700540000034
Y符合标准正态分布。
9.根据权利要求1所述的一种风电机组变流器水冷系统冷却状态评估预警方法，其特征在于，所述综合得分按以下公式进行计算：
Figure FDA0003656700540000035
上式中，S1、S2、S3、S4分别表示第一、第二、第三、第四得分。
CN202010949273.6A 2020-09-10 2020-09-10 一种风电机组变流器水冷系统冷却状态评估预警方法 Active CN112084661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010949273.6A CN112084661B (zh) 2020-09-10 2020-09-10 一种风电机组变流器水冷系统冷却状态评估预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010949273.6A CN112084661B (zh) 2020-09-10 2020-09-10 一种风电机组变流器水冷系统冷却状态评估预警方法

Publications (2)

Publication Number Publication Date
CN112084661A CN112084661A (zh) 2020-12-15
CN112084661B true CN112084661B (zh) 2022-07-05

Family

ID=73736925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010949273.6A Active CN112084661B (zh) 2020-09-10 2020-09-10 一种风电机组变流器水冷系统冷却状态评估预警方法

Country Status (1)

Country Link
CN (1) CN112084661B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113446167B (zh) * 2021-08-09 2022-10-11 中国船舶重工集团海装风电股份有限公司 一种基于大数据分析的风电联轴器打滑故障预警方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101629990A (zh) * 2009-08-17 2010-01-20 南车株洲电力机车研究所有限公司 风电机组整机全功率测试方法及试验装置
CN201562042U (zh) * 2009-08-17 2010-08-25 南车株洲电力机车研究所有限公司 一种实验室内风电机组整机全功率测试装置
CN202033441U (zh) * 2011-05-04 2011-11-09 北京荣科恒阳整流技术有限公司 一种大电流整流器阀柜的状态检测装置
CN106768000A (zh) * 2017-01-06 2017-05-31 科诺伟业风能设备（北京）有限公司 一种风力发电机组变流器水冷系统压力异常检测方法
CN107492698A (zh) * 2017-07-28 2017-12-19 浙江吉利汽车有限公司 一种电池水冷系统中的水温模拟算法及电池水冷系统
CN108592352A (zh) * 2018-05-09 2018-09-28 国家计算机网络与信息安全管理中心 水冷空调系统运行状态健康度的预测方法、装置及系统
CN108990383A (zh) * 2018-08-15 2018-12-11 北京建筑大学 一种数据中心空调系统预测控制方法
CN109118384A (zh) * 2018-07-16 2019-01-01 湖南优利泰克自动化系统有限公司 一种风电机组健康预警方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3932277B2 (ja) * 2002-10-18 2007-06-20 日本サーモスタット株式会社 電子制御サーモスタットの制御方法
DE102014206000A1 (de) * 2014-03-31 2015-10-01 Siemens Aktiengesellschaft Kühlvorrichtung
US10643121B2 (en) * 2017-01-19 2020-05-05 Deepmind Technologies Limited Optimizing data center controls using neural networks
CN110992205A (zh) * 2019-11-28 2020-04-10 中国船舶重工集团海装风电股份有限公司 风电机组发电机绕组的状态检测方法、系统及相关组件

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101629990A (zh) * 2009-08-17 2010-01-20 南车株洲电力机车研究所有限公司 风电机组整机全功率测试方法及试验装置
CN201562042U (zh) * 2009-08-17 2010-08-25 南车株洲电力机车研究所有限公司 一种实验室内风电机组整机全功率测试装置
CN202033441U (zh) * 2011-05-04 2011-11-09 北京荣科恒阳整流技术有限公司 一种大电流整流器阀柜的状态检测装置
CN106768000A (zh) * 2017-01-06 2017-05-31 科诺伟业风能设备（北京）有限公司 一种风力发电机组变流器水冷系统压力异常检测方法
CN107492698A (zh) * 2017-07-28 2017-12-19 浙江吉利汽车有限公司 一种电池水冷系统中的水温模拟算法及电池水冷系统
CN108592352A (zh) * 2018-05-09 2018-09-28 国家计算机网络与信息安全管理中心 水冷空调系统运行状态健康度的预测方法、装置及系统
CN109118384A (zh) * 2018-07-16 2019-01-01 湖南优利泰克自动化系统有限公司 一种风电机组健康预警方法
CN108990383A (zh) * 2018-08-15 2018-12-11 北京建筑大学 一种数据中心空调系统预测控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AquaSee: Predict Load and Cooling System Faults of Supercomputers Using Chilled Water Data;Yu-Qi Li;《计算机科学技术学报》;20200403;第35卷(第1期);第221-230页 *
RBF神经网络预报模型在中厚板层刘冷却控制中的应用;郭心如;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20130315(第03期);I140-162 *

Also Published As

Publication number Publication date
CN112084661A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
EP3638900B1 (en) Independent monitoring system for a wind turbine
Asghar et al. Adaptive neuro-fuzzy algorithm to estimate effective wind speed and optimal rotor speed for variable-speed wind turbine
CN104131950B (zh) 一种风电机组温度特征量的阈值分区确定方法
CN108370157A (zh) 控制电力分配的方法
CN108075470A (zh) 一种基于sfr和elm的电网暂态频率特征预测方法
CN111797365B (zh) 一种换流变压器温度异常判断方法及系统
CN110061521B (zh) 一种考虑频率累积作用的最大风电渗透率快速评估方法
CN112084661B (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
CN115979349A (zh) 一种电力站空间环境监测方法及系统
CN105741016B (zh) 一种用于中期电网规划的静态可靠性概率指标获取方法
CN115308465A (zh) 基于bp-som组合神经网络的供电安全隐患智能诊断系统及方法
Barbosa et al. Estimation of metal oxide surge arresters' useful life based on time series forecasts
JP4436227B2 (ja) プラント計装制御装置及びその方法
US11920562B2 (en) Temperature estimation in a wind turbine
CN107133674B (zh) 一种确定换流阀整体状态的方法和系统
CN112182952A (zh) 一种提升电力系统弹性的多目标优化调度方法
Obdam et al. Flight leader concept for wind farm load counting: offshore evaluation
CN113323823B (zh) 基于awkelm的风机叶片结冰故障检测方法及系统
Hou et al. Gas turbine health status assessment based on BP neural network
Bin et al. Research on wind power prediction considering the correlation of regional multiple wind farms
Zhengganzhe et al. Risk forecast assessment of transmission line capacity increase under cyberattacks
US20220252050A1 (en) Wind turbine replacement schedule
Yang et al. Prediction of Gearbox Oil Temperature of Wind Turbine Based on GRNN-LSTM Combined Model
CN108649542B (zh) 一种继电保护设备的状态评估系统与方法
Teimourzadeh Baboli et al. Optimal Temperature-Based Condition Monitoring System for Wind Turbines. Infrastructures 2021, 6, 50

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