CN112529359A - 风电场风电机组风险评价方法、装置、设备及存储介质 - Google Patents
风电场风电机组风险评价方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112529359A CN112529359A CN202011251561.0A CN202011251561A CN112529359A CN 112529359 A CN112529359 A CN 112529359A CN 202011251561 A CN202011251561 A CN 202011251561A CN 112529359 A CN112529359 A CN 112529359A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- fault
- vibration
- evaluation
- 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.)
- Pending
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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本申请涉及一种风电场风电机组风险评价方法、装置、设备及存储介质,其中,所述方法包括:根据风电机组性能评价模型和风电机组的运行关键数据对风电机组进行可靠性评估,获取性能评价值;根据风电机组故障评价模型和风电机组的运行关键数据对风电机组进行故障频次分布评估,获取故障评价值;根据风电机组备件影响模型和风电机组的故障处理数据对风电机组进行风险折减评估,获取备件影响评价值;根据风电机组振动评价模型和风电机组的振动数据对风电机组进行振动风险评估,获取振动评价值;根据性能评价值、故障评价值、备件影响评价值和振动评价值获取风电机组的风险评价结果。本申请能够快速、有效地评价风电场内各风电机组的隐患风险。
Description
技术领域
本申请涉及风电机组风险评价的技术领域,尤其是涉及一种风电场风电机组风险评价方法、装置、设备及存储介质。
背景技术
对风电机组设备状态进行风险评估是保证风电机组稳定运行、防范风电机组重大风险事故发生的关键因素。
传统的风电机组风险防控往往通过故障、报警、定检维护等手段进行人工分析。虽然这些手段可以直观地显示风电机组的实时状态,但无法有效表征风电机组的隐患风险。而且,由于风电机组运行监控参数量大(单台机组参数检测点约3000个,5万千瓦容量风电场约20~30台机组),因此采用人工分析的可行性较差。尤其在运行时间较长的风电场,设备故障多,人员配置又有限,使得现场运维人员往往无法快速了解风电场内各风电机组的运行风险状态,不利于对风电机组的风险隐患排查。
发明内容
为了快速、有效地评价风电场内各风电机组的隐患风险,本申请提供一种风电场风电机组风险评价方法、装置、设备及存储介质。
第一方面,本申请提供一种风电场风电机组风险评价方法,采用如下的技术方案:
一种风电场风电机组风险评价方法,包括:
获取风电机组的运行关键数据;
根据风电机组性能评价模型和所述风电机组的运行关键数据对所述风电机组进行可靠性评估,获取性能评价值;
根据风电机组故障评价模型和所述风电机组的运行关键数据对所述风电机组进行故障频次分布评估,获取故障评价值;
获取所述风电机组的故障处理数据;
根据风电机组备件影响模型和所述风电机组的故障处理数据对所述风电机组进行风险折减评估,获取备件影响评价值;
获取所述风电机组的振动数据;
根据风电机组振动评价模型和所述风电机组的振动数据对所述风电机组进行振动风险评估,获取振动评价值;
根据所述性能评价值、所述故障评价值、所述备件影响评价值和所述振动评价值获取所述风电机组的风险评价结果。
可选的,所述根据风电机组性能评价模型和所述风电机组的运行关键数据对所述风电机组进行可靠性评估,获取性能评价值,包括:
计算时间可利用率,并根据所述时间可利用率所在区间得到相应的第一性能评分;
计算平均故障间隔时间,并根据所述平均故障间隔时间所在区间得到相应的第二性能评分;
计算平均故障修复时间,并根据所述平均故障修复时间所在区间得到相应的第三性能评分;
根据所述第一性能评分、所述第二性能评分和所述第三性能评分计算得到所述性能评价值。
可选的,所述根据风电机组故障评价模型和所述风电机组的运行关键数据对所述风电机组进行故障频次分布评估,获取故障评价值,包括:
根据同一故障平均时间所在区间得到相应的第一故障评分;
根据同一故障发生次数所在区间得到相应的第二故障评分;
根据所述第一故障评分和所述第二故障评分计算得到所述故障评价值。
可选的,所述根据风电机组备件影响模型和所述风电机组的故障处理数据对所述风电机组进行风险折减评估,获取备件影响评价值,包括:
根据故障备件等待时间所在区间得到相应的故障备件评分;
根据所述故障备件评分和所述第一故障评分计算得到所述备件影响评价值。
可选的,所述根据风电机组振动评价模型和所述风电机组的振动数据对所述风电机组进行振动风险评估,获取振动评价值,包括:
根据振动超限次数所在区间得到相应的第一振动评分;
根据振动保护触发次数所在区间得到相应的第二振动评分;
根据最大机舱振动有效值所在区间得到相应的第三振动评分;
根据所述获取第一振动评分、所述获取第二振动评分和所述第三振动评分计算得到所述振动评价值。
可选的,所述根据所述性能评价值、所述故障评价值、所述备件影响评价值和所述振动评价值获取所述风电机组的风险评价结果,包括:
对所述性能评价值、所述故障评价值、所述备件影响评价值和所述振动评价值进行求和运算,得到风险评价值;
根据所述风险评价值所在区间得到所述风电机组的风险评价结果。
第二方面,本申请提供一种风电场风电机组风险评价装置,采用如下的技术方案:
一种风电场风电机组风险评价装置,包括:
第一获取模块,用于获取风电机组的运行关键数据;
第一评价模块,用于根据风电机组性能评价模型和所述风电机组的运行关键数据对所述风电机组进行可靠性评估,获取性能评价值;
第二评价模块,用于根据风电机组故障评价模型和所述风电机组的运行关键数据对所述风电机组进行故障频次分布评估,获取故障评价值;
第二获取模块,用于获取所述风电机组的故障处理数据;
第三评价模块,用于根据风电机组备件影响模型和所述风电机组的故障处理数据对所述风电机组进行风险折减评估,获取备件影响评价值;
第三获取模块,用于获取所述风电机组的振动数据;
第四评价模块,用于根据风电机组振动评价模型和所述风电机组的振动数据对所述风电机组进行振动风险评估,获取振动评价值;以及,
风险评价模块,用于根据所述性能评价值、所述故障评价值、所述备件影响评价值和所述振动评价值获取所述风电机组的风险评价结果。
第三方面,本申请提供一种计算机设备,采用如下的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器上存储有能够被所述处理器加载并执行上述任一种风电场风电机组风险评价方法的计算机程序。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行上述任一种风电场风电机组风险评价方法的计算机程序。
通过采用上述技术方案,根据各风险评价模型对实时采集的风电机组的运行、故障、振动数据进行评价分析,可以有效表征风电机组的隐患风险,为风电机组的风险隐患排查提供了数据支持,从而使工作人员可以快速地了解风电场内各风电机组的风险状态,实现风电机组风险评价功能,为风电机组风险预警、故障诊断提供支持,且成本较低,易于实现和推广。
附图说明
图1是本申请实施例一提供的风电场风电机组风险评价方法的流程示意图。
图2是本申请实施例一提供的风电机组性能评价模型算法的流程示意图。
图3是本申请实施例一提供的风电机组故障评价模型算法的流程示意图。
图4是本申请实施例一提供的风电机组备件影响模型算法的流程示意图。
图5是本申请实施例一提供的风电机组振动评价模型算法的流程示意图。
图6是本申请实施例一提供的风电机组风险评价系统算法的流程示意图。
图7是本申请实施例一提供的风电场风电机组风险评价系统的结构示意图。
图8是本申请实施例二提供的风电场风电机组风险评价装置的结构框图。
图9是本申请实施例三提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
本实施例提供一种风电机组风险评价方法,如图1所示,该方法的主要流程描述如下(步骤S101~S108):
步骤S101:获取风电机组的运行关键数据。
本实施例中,通过数据交互接口(Data Interface System,DIS)与风电机组监控系统(Supervisory Control And Data Acquisition,SCADA)进行连接,通过风电机组监控系统获取风电机组的运行关键数据,运行关键数据包括维护停机时间、故障停机时间、故障次数等数据。
步骤S102:根据风电机组性能评价模型(Wind Turbine Performance AssessmentModel,WTPAM)和风电机组的运行关键数据对风电机组进行可靠性评估,获取性能评价值。
建立风电机组性能评价模型,通过风电机组性能评价模型对运行关键数据进行处理和计算。如图2所示,风电机组性能评价模型的算法如下:
(1)计算时间可利用率(TBA,Time Based Availability),并根据时间可利用率TBA所在区间得到相应的第一性能评分GTBA。
时间可利用率TBA是指在一定的评价时间内发电设备无故障可使用时间占考核时间的百分比,是用来描述统计期内机组处于可用状态的时间占总时间比例的指标。时间可利用率TBA的计算方法如下:
其中:T统计为统计周期时间,单位为h;T不可用为不可用时间,单位为h;T不计算为不计算时间(因外部原因导致风电机组无法使用的时间,例如停电),单位为h。
当时间可利用率TBA不小于第一性能阈值A1时,第一性能评分GTBA=100*TBA;当时间可利用率TBA小于第一性能阈值A1且不小于第二性能阈值A2时,第一性能评分GTBA=90+(A1-TBA)/A2*5;当时间可利用率TBA小于第二性能阈值A2时,第一性能评分GTBA=90-(A2-TBA)*10。
(2)计算平均故障间隔时间(MTBT,Mean Times Between Trips),并根据平均故障间隔时间MTBT所在区间得到相应的第二性能评分GMTBT。
平均故障间隔时间MTBT是指风电场风电机组两次相邻故障之间的平均时间。它直接衡量风电场风电机组整体可靠性水平,综合评估风电场站发电设备故障频次和故障维修能力。平均故障间隔时间MTBT的计算方法如下:
其中:N为发电设备数量,单位为台;N故障为发电设备故障次数;T统计为统计周期时间,单位为h。
当平均故障间隔时间MTBT不小于第三性能阈值B1时,第二性能评分GMTBT=100;当平均故障间隔时间MTBT小于第三性能阈值B1且不小于第四性能阈值B2时,第二性能评分GMTBT=90+(B1-MTBT)/(B1-B2)*10;当平均故障间隔时间MTBT小于第四性能阈值B2时,第二性能评分GMTBT=90-(B2-MTBT)/10。
(3)计算平均故障修复时间(MTTR,Mean Time To Repair),根据平均故障修复时间MTTR所在区间得到相应的第三性能评分GMTTR。
平均故障修复时间MTTR是指在规定的条件下和规定的期间内,风电场风电机组的故障维修总时间与故障次数之比。它是衡量维修服务团队响应速度、故障诊断、修复效率和备件保障能力的综合指标。
其中:T故障为故障维修总时间,单位为h;N故障为故障次数。
当平均故障修复时间MTTR不大于第五性能阈值C1时,第三性能评分GMTTR=90+(C1-MTTR)/C1*10;当平均故障修复时间MTTR大于第五性能阈值C1,不大于第六性能阈值C2时,第三性能评分GMTTR=80+(MTTR-C1)/(C2-C1)*10;当平均故障修复时间MTTR大于第六性能阈值C2时,第三性能评分GMTTR=80-(MTTR-C2)/C2*80。
(4)根据第一性能评分GTBA、第二性能评分GMTBT和第三性能评分GMTTR及其权重进行计算,得到性能评价值GWTPAM,其公式如下:
GWTPAM=GTBA*a+GMTBT*b+GMTTR*c,
式中,a、b、c依次为第一性能评分GTBA、第二性能评分GMTBT和第三性能评分GMTTR的权重。
步骤S103:根据风电机组故障评价模型(Wind Turbine Failure AssessmentModel,WTFAM)和风电机组的运行关键数据对风电机组进行故障频次分布评估,获取故障评价值。
建立风电机组故障评价模型,通过风电机组故障评价模型对运行关键数据进行处理和计算,运行关键数据包括故障名称、故障停机时间和故障次数等数据。如图3所示,风电机组故障评价模型的算法如下:
(1)根据同一故障平均时间TFname所在区间得到相应的第一故障评分GTFname。
汇总同一故障名称的所有故障停机时间,并计算同一故障的平均故障停机时间,即为TFname。
当同一故障平均时间TFname不大于第一故障阈值D1时,第一故障评分GTFname=90+(D1-TFname)/D1*10;当同一故障平均时间TFname大于第一故障阈值D1且不大于第二故障阈值D2时,第一故障评分GTFname=80+(TFname-D1)/(D2-D1)*10;当同一故障平均时间TFname大于第二故障阈值时,第一故障评分GTFname=80-(TFname-D2)/D2*80。
(2)根据同一故障发生次数CFname所在区间得到相应的第二故障评分GCFname。
当同一故障发生次数CFname不大于第三故障阈值E1时,第二故障评分GCFname=90+(E1-CFname)/E1*10;当同一故障发生次数CFname大于第三故障阈值E1且不大于第四故障阈值E2时,第二故障评分GCFname=80+(CFname-E1)/(E2-E1)*10;当同一故障发生次数CFname大于第四故障阈值E2时,第二故障评分GCFname=80-(TFname-E2)/E2*80。
(3)根据第一故障评分GTFname和第二故障评分GCFname及其权重进行计算,得到故障评价值GWTFAM,其公式如下:
GWTFAM=GTFname*d+GCFname*e,
式中,d、e为第一故障评分GTFname和第二故障评分GCFname的权重。
步骤S104:获取风电机组的故障处理数据。
通过数据交互接口DIS与运维管理系统(Wind Farm Operation ManagementSystem,OMS)进行连接,通过运维管理系统获取风电机组的故障处理数据,故障处理数据包括故障备件等待时间。
步骤S105:根据风电机组备件影响模型(Wind Turbine Spare parts InfluenceModel,WTSIM)和风电机组的故障处理数据对风电机组进行风险折减评估,获取备件影响评价值。
建立风电机组备件影响模型,通过风电机组备件影响模型对故障处理数据进行处理和计算。如图4所示,风电机组备件影响模型的算法如下:
(1)根据故障备件等待时间TFSPI所在区间得到相应的故障备件评分GTFSPI。
汇总由于缺少备件导致无法修复故障造成的停机时间,并计算同一故障的平均备件等待时间,即为TFSPI。
当故障备件等待时间TFSPI不大于第一备件阈值F1时,故障备件评分GTFSPI=90+(F1-TFSPI)/F1*10;当故障备件等待时间TFSPI大于第一备件阈值F1且不大于第二备件阈值F2时,故障备件评分GTFSPI=80+(TFSPI-F1)/(F2-F1)*10;当故障备件等待时间TFSPI大于第二备件阈值F2时,故障备件评分GTFSPI=80-(TFSPI-F2)/F2*80。
(2)根据故障备件评分GTFSPI和第一故障评分GTFname及其权重进行计算,得到备件影响评价值GWTSIM,其公式如下:
GWTSIM=(GTFSPI-GTFname)*f,
式中,f为故障备件评分GTFSPI的权重。
步骤S106:获取风电机组的振动数据。
本实施例中,通过数据交互接口DIS与振动监控系统(Wind Turbine ConditionMonitor System,CMS)进行连接,通过振动监控系统获取风电机组的振动数据,振动数据包括振动超限次数、振动保护触发次数和最大机舱振动有效值等数据。
步骤S107:根据风电机组振动评价模型(Wind Turbine Vibration AssessmentModel,WTVAM)和风电机组的振动数据对风电机组进行振动风险评估,获取振动评价值。
本实施例中,建立风电机组振动评价模型,通过风电机组振动评价模型对振动数据进行处理和计算。如图5所示,风电机组振动评价模型的算法如下:
(1)根据振动超限次数CVOW所在区间得到相应的第一振动评分GCVOW。
汇总由于振动超限造成的非振动安全链故障停机次数,并计算振动超限次数,即为CVOW。
当振动超限次数CVOW不小于第一振动阈值H1时,第一振动评分GCVOW=0;当振动超限次数CVOW小于第一振动阈值H1,不小于第二振动阈值H2时,第一振动评分GCVOW=100-CVOW*15;当振动超限次数CVOW小于第二振动阈值H2时,第一振动评分GCVOW=100-CVOW*10。
(2)根据振动保护触发次数CVOP所在区间得到相应的第二振动评分GCVOP。
汇总由于振动超限造成的振动安全链故障停机次数,并计算振动保护触发次数,即为CVOP。
当振动保护触发次数CVOP不小于第三振动阈值I1时,第二振动评分GCVOP=0;当振动保护触发次数CVOP小于第三振动阈值I1,不小于第四振动阈值I2时,第二振动评分GCVOP=100-CVOP*40;当振动保护触发次数CVOP小于第四振动阈值I2时,第二振动评分GCVOP=100-CVOP*20。
(3)根据最大机舱振动有效值VWTV所在区间得到相应的第三振动评分GVWTV。
最大机舱振动有限效值根据《GB/T 35854-2018风力发电机组及其组件机械振动测量与评估》要求及《VDI 3843风力发电机及其组件机械振动的测量和评估》进行计算。
当最大机舱振动有效值VWTV不小于第五振动阈值J1时,第三振动评分GVWTV=0;当最大机舱振动有效值VWTV小于第五振动阈值J1,不小于第六振动阈值J2时,第三振动评分GVWTV=100-(VWTV-J2)*20;当最大机舱振动有效值VWTV小于第六振动阈值J2时,第三振动评分GVWTV=100。
(4)根据获取第一振动评分GCVOW、获取第二振动评分GCVOP和获取第三振动评分GVWTV及其权重进行计算,得到振动评价值GWTVAM,其公式如下:
GWTVAM=GCVOW*h+GCVOP*i+GVWTV*j,
式中,h、i、j为第一振动评分GCVOW、获取第二振动评分GCVOP和获取第三振动评分GVWTV的权重。
步骤S108:根据性能评价值GWTPAM、故障评价值GWTFAM、备件影响评价值GWTSIM和振动评价值GWTVAM获取风电机组的风险评价结果。
如图6所示,构建风电机组风险评价系统(Wind Turbine Risk AssessmentSystem,WTRAS),输入性能评价值GWTPAM、故障评价值GWTFAM、备件影响评价值GWTSIM和振动评价值GWTVAM,然后根据性能评价值GWTPAM、故障评价值GWTFAM、备件影响评价值GWTSIM和振动评价值GWTVAM计算得到风险评价值GWTRAS,其中,风险评价值GWTRAS为性能评价值GWTPAM、故障评价值GWTFAM、备件影响评价值GWTSIM和振动评价值GWTVAM的和。
当风险评价值GWTRAS≥80时,判定风电机组处于健康状态,当风险评价值GWTRAS≥70且<80时,判定风电机组处于亚健康状态,当风险评价值GWTRAS<70时,判定风电机组处于风险状态。
上述实施例中涉及到的各阈值、权重的取值可以参考下表。
表1
参数名 | 参数值 | 参数名 | 参数值 | 参数名 | 参数值 |
A<sub>1</sub> | 0.97 | A<sub>2</sub> | 0.95 | a | 0.3 |
B<sub>1</sub> | 1440 | B<sub>2</sub> | 720 | b | 0.2 |
C<sub>1</sub> | 8 | C<sub>2</sub> | 24 | c | 0.2 |
D<sub>1</sub> | 8 | D<sub>2</sub> | 24 | d | 0.05 |
E<sub>1</sub> | 3 | E<sub>2</sub> | 5 | e | 0.05 |
F<sub>1</sub> | 24 | F<sub>2</sub> | 48 | f | 0.05 |
H<sub>1</sub> | 5 | H<sub>2</sub> | 3 | h | 0.05 |
I<sub>1</sub> | 2 | I<sub>2</sub> | 1 | i | 0.05 |
J<sub>1</sub> | 0.14 | J<sub>2</sub> | 0.12 | j | 0.05 |
图7为本申请实施例提供的一种风电场风电机组风险评价系统的结构示意图。如图7所示,风电机组性能评价模型与风电机组监控系统相连,通过时间可利用率、平均故障间隔时间和平均故障修复时间,实现对风电机组的综合性能评价。风电机组故障评价模型与风电机组监控系统相连,通过故障名称、故障停机时间和故障次数(单台及全场),实现对风电机组的故障分布及性能评价。风电机组备件影响模型与运维管理系统相连,通过故障名称、故障等待备件时间,实现对风电机组的备件影响评价。风电机组振动评价模型与振动监测系统相连,通过单台和全场风电机组振动超限次数、振动保护触发次数和振动有效值,实现对风电机组的振动风险评价。风电机组风险评价系统,通过处理上述各模型的计算结果实现对风电机组的风险评价,并判定风电机组的风险状态,获取风电机组风险评价结果,可以有效表征风电机组的隐患风险,为风电机组的风险隐患排查提供了数据支持。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
实施例二
为了更好地实施以上方法,本申请实施例提供了一种风电场风电机组风险评价装置,该系统具体可以集成在计算机设备中,例如终端或服务器等设备中,该终端可以包括手机、平板电脑或台式电脑等设备。
图8为本申请实施例提供的一种风电场风电机组风险评价装置的结构框图,如图8所示,该风电场风电机组风险评价装置主要包括:
第一获取模块201,用于获取风电机组的运行关键数据;
第一评价模块202,用于根据风电机组性能评价模型和风电机组的运行关键数据对风电机组进行可靠性评估,获取性能评价值;
第二评价模块203,用于根据风电机组故障评价模型和风电机组的运行关键数据对风电机组进行故障频次分布评估,获取故障评价值;
第二获取模块204,用于获取风电机组的故障处理数据;
第三评价模块205,用于根据风电机组备件影响模型和风电机组的故障处理数据对风电机组进行风险折减评估,获取备件影响评价值;
第三获取模块206,用于获取风电机组的振动数据;
第四评价模块207,用于根据风电机组振动评价模型和风电机组的振动数据对风电机组进行振动风险评估,获取振动评价值;以及,
风险评价模块208,用于根据性能评价值、故障评价值、备件影响评价值和振动评价值获取风电机组的风险评价结果。
可选的,第一评价模块202,具体用于计算时间可利用率,并根据时间可利用率所在区间得到相应的第一性能评分;计算平均故障间隔时间,并根据平均故障间隔时间所在区间得到相应的第二性能评分;计算平均故障修复时间,并根据平均故障修复时间所在区间得到相应的第三性能评分;根据第一性能评分、第二性能评分和第三性能评分计算得到性能评价值。
可选的,第二评价模块203,具体用于根据同一故障平均时间所在区间得到相应的第一故障评分;根据同一故障发生次数所在区间得到相应的第二故障评分;根据第一故障评分和第二故障评分计算得到故障评价值。
可选的,第三评价模块205,具体用于根据故障备件等待时间所在区间得到相应的故障备件评分;根据故障备件评分和第一故障评分计算得到备件影响评价值。
可选的,第四评价模块207,具体用于根据振动超限次数所在区间得到相应的第一振动评分;根据振动保护触发次数所在区间得到相应的第二振动评分;根据最大机舱振动有效值所在区间得到相应的第三振动评分;根据获取第一振动评分、获取第二振动评分和第三振动评分计算得到振动评价值。
可选的,风险评价模块208,具体用于对性能评价值、故障评价值、备件影响评价值和振动评价值进行求和运算,得到风险评价值;根据风险评价值所在区间得到风电机组的风险评价结果。
实施例一提供的方法中的各种变化方式和具体实例同样适用于本实施例的风电场风电机组风险评价系统,通过前述对风电场风电机组风险评价方法的详细描述,本领域技术人员可以清楚的知道本实施例中的风电场风电机组风险评价系统的实施方法,为了说明书的简洁,在此不再详述。
实施例三
为了更好地执行上述方法的程序,本申请实施例提供一种计算机设备,如图9所示,计算机设备300包括存储器301和处理器302。
计算机设备300可以以各种形式来实施,包括手机、平板电脑、掌上电脑、笔记本电脑和台式计算机等设备。
其中,存储器301可用于存储指令、程序、代码、代码集或指令集。存储器301可以包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如获取性能评价值、获取振动评价值和获取风电机组的风险评价结果等)以及用于实现上述实施例一提供的风电场风电机组风险评价方法的指令等;存储数据区可存储上述实施例一提供的风电场风电机组风险评价方法中涉及到的数据等。
处理器302可以包括一个或者多个处理核心。处理器302通过运行或执行存储在存储器301内的指令、程序、代码集或指令集,调用存储在存储器301内的数据,执行本申请的各种功能和处理数据。处理器302可以为特定用途集成电路(Application SpecificIntegrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(ProgrammableLogic Device,PLD)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器和微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器302功能的电子器件还可以为其它,本申请实施例不作具体限定。
实施例四
本申请实施例提供一种计算机可读存储介质,例如包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该计算机可读存储介质存储有能够被处理器加载并执行上述实施例一的风电场风电机组风险评价方法的计算机程序。
本申请具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
Claims (9)
1.一种风电场风电机组风险评价方法,其特征在于,所述方法包括:
获取风电机组的运行关键数据;
根据风电机组性能评价模型和所述风电机组的运行关键数据对所述风电机组进行可靠性评估,获取性能评价值;
根据风电机组故障评价模型和所述风电机组的运行关键数据对所述风电机组进行故障频次分布评估,获取故障评价值;
获取所述风电机组的故障处理数据;
根据风电机组备件影响模型和所述风电机组的故障处理数据对所述风电机组进行风险折减评估,获取备件影响评价值;
获取所述风电机组的振动数据;
根据风电机组振动评价模型和所述风电机组的振动数据对所述风电机组进行振动风险评估,获取振动评价值;
根据所述性能评价值、所述故障评价值、所述备件影响评价值和所述振动评价值获取所述风电机组的风险评价结果。
2.根据权利要求1所述的方法,其特征在于,所述根据风电机组性能评价模型和所述风电机组的运行关键数据对所述风电机组进行可靠性评估,获取性能评价值,包括:
计算时间可利用率,并根据所述时间可利用率所在区间得到相应的第一性能评分;
计算平均故障间隔时间,并根据所述平均故障间隔时间所在区间得到相应的第二性能评分;
计算平均故障修复时间,并根据所述平均故障修复时间所在区间得到相应的第三性能评分;
根据所述第一性能评分、所述第二性能评分和所述第三性能评分计算得到所述性能评价值。
3.根据权利要求1所述的方法,其特征在于,所述根据风电机组故障评价模型和所述风电机组的运行关键数据对所述风电机组进行故障频次分布评估,获取故障评价值,包括:
根据同一故障平均时间所在区间得到相应的第一故障评分;
根据同一故障发生次数所在区间得到相应的第二故障评分;
根据所述第一故障评分和所述第二故障评分计算得到所述故障评价值。
4.根据权利要求3所述的方法,其特征在于,所述根据风电机组备件影响模型和所述风电机组的故障处理数据对所述风电机组进行风险折减评估,获取备件影响评价值,包括:
根据故障备件等待时间所在区间得到相应的故障备件评分;
根据所述故障备件评分和所述第一故障评分计算得到所述备件影响评价值。
5.根据权利要求1所述的方法,其特征在于,所述根据风电机组振动评价模型和所述风电机组的振动数据对所述风电机组进行振动风险评估,获取振动评价值,包括:
根据振动超限次数所在区间得到相应的第一振动评分;
根据振动保护触发次数所在区间得到相应的第二振动评分;
根据最大机舱振动有效值所在区间得到相应的第三振动评分;
根据所述获取第一振动评分、所述获取第二振动评分和所述第三振动评分计算得到所述振动评价值。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述根据所述性能评价值、所述故障评价值、所述备件影响评价值和所述振动评价值获取所述风电机组的风险评价结果,包括:
对所述性能评价值、所述故障评价值、所述备件影响评价值和所述振动评价值进行求和运算,得到风险评价值;
根据所述风险评价值所在区间得到所述风电机组的风险评价结果。
7.一种风电场风电机组风险评价装置,其特征在于,包括:
第一获取模块,用于获取风电机组的运行关键数据;
第一评价模块,用于根据风电机组性能评价模型和所述风电机组的运行关键数据对所述风电机组进行可靠性评估,获取性能评价值;
第二评价模块,用于根据风电机组故障评价模型和所述风电机组的运行关键数据对所述风电机组进行故障频次分布评估,获取故障评价值;
第二获取模块,用于获取所述风电机组的故障处理数据;
第三评价模块,用于根据风电机组备件影响模型和所述风电机组的故障处理数据对所述风电机组进行风险折减评估,获取备件影响评价值;
第三获取模块,用于获取所述风电机组的振动数据;
第四评价模块,用于根据风电机组振动评价模型和所述风电机组的振动数据对所述风电机组进行振动风险评估,获取振动评价值;以及,
风险评价模块,用于根据所述性能评价值、所述故障评价值、所述备件影响评价值和所述振动评价值获取所述风电机组的风险评价结果。
8.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器上存储有能够被所述处理器加载并执行如权利要求1至6中任一种方法的计算机程序。
9.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251561.0A CN112529359A (zh) | 2020-11-11 | 2020-11-11 | 风电场风电机组风险评价方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251561.0A CN112529359A (zh) | 2020-11-11 | 2020-11-11 | 风电场风电机组风险评价方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529359A true CN112529359A (zh) | 2021-03-19 |
Family
ID=74980116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011251561.0A Pending CN112529359A (zh) | 2020-11-11 | 2020-11-11 | 风电场风电机组风险评价方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529359A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113777488A (zh) * | 2021-09-14 | 2021-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938024A (zh) * | 2012-11-20 | 2013-02-20 | 河海大学 | 一种风电机组状态监测系统性能评估方法 |
US20170098279A1 (en) * | 2015-10-02 | 2017-04-06 | Green Charge Networks Llc | Methods and apparatuses for risk assessment and insuring intermittent electrical systems |
CN108876073A (zh) * | 2017-05-08 | 2018-11-23 | 新疆金风科技股份有限公司 | 风电机组可靠性确定方法和装置 |
CN108894932A (zh) * | 2018-05-28 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电机组发电机轴承故障智能诊断系统及方法 |
CN111597689A (zh) * | 2020-04-25 | 2020-08-28 | 中广核(北京)新能源科技有限公司 | 一种低风速风电机组传动链多目标寻优稳健协同设计方法 |
-
2020
- 2020-11-11 CN CN202011251561.0A patent/CN112529359A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938024A (zh) * | 2012-11-20 | 2013-02-20 | 河海大学 | 一种风电机组状态监测系统性能评估方法 |
US20170098279A1 (en) * | 2015-10-02 | 2017-04-06 | Green Charge Networks Llc | Methods and apparatuses for risk assessment and insuring intermittent electrical systems |
CN108876073A (zh) * | 2017-05-08 | 2018-11-23 | 新疆金风科技股份有限公司 | 风电机组可靠性确定方法和装置 |
CN108894932A (zh) * | 2018-05-28 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电机组发电机轴承故障智能诊断系统及方法 |
CN111597689A (zh) * | 2020-04-25 | 2020-08-28 | 中广核(北京)新能源科技有限公司 | 一种低风速风电机组传动链多目标寻优稳健协同设计方法 |
Non-Patent Citations (1)
Title |
---|
王志鹏: ""智慧风场绩效分析系统的设计与实现"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113777488A (zh) * | 2021-09-14 | 2021-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
CN113777488B (zh) * | 2021-09-14 | 2023-12-12 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102455338B1 (ko) | 결함 검출 방법 및 장치, 모델 훈련 방법 및 장치, 및 디바이스 및 저장 매체 | |
Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
CN108446483B (zh) | 计及风电机组传动系统疲劳的风电场可靠性评估方法 | |
CN109188227B (zh) | 一种双馈型风力发电机绝缘状态评估方法及系统 | |
CN110645153B (zh) | 风力发电机组故障诊断方法、装置和电子设备 | |
Dissanayaka et al. | Risk-based dynamic security assessment | |
RU2012155276A (ru) | Обнаружение и анализ злоумышленной атаки | |
CN112855408B (zh) | 水轮发电机组预警方法以及预警装置 | |
CN104091622A (zh) | 一种核电站数字化控制系统可用率评估方法及系统 | |
CN114726642B (zh) | 一种基于电力监控系统网络威胁的量化系统 | |
CN112529359A (zh) | 风电场风电机组风险评价方法、装置、设备及存储介质 | |
CN114184956A (zh) | 一种基于大数据管理的服役风力发电机组故障预测方法 | |
CN108037387B (zh) | 基于聚类归集的设备故障分析方法及装置 | |
CN113675878A (zh) | 海上风电场并网性能测试方法、系统、计算机设备和介质 | |
May et al. | Integrating structural health and condition monitoring: a cost benefit analysis for offshore wind energy | |
CN114118685A (zh) | 一种评估配电网抗灾能力的方法及系统 | |
CN112578232B (zh) | 风力发电机组的雷电预警方法和雷电预警设备 | |
CN116412087A (zh) | 风力发电机组的异常检测方法及相关装置 | |
CN110852544B (zh) | 风力发电机组的可靠性评估方法及装置 | |
Zhou et al. | A hybrid probabilistic physics of failure pattern recognition based approach for assessment of multi-unit causal dependencies | |
CN113725889B (zh) | 一种评估风电场弹性的方法、装置及存储介质 | |
Salehpour Oskouei et al. | Degradation evaluation on sensor network optimization in fault diagnosis process | |
Hu et al. | An Artificial Neural Network Model for Monitoring Real-Time Parameters and Detecting Early Warnings in Induced Draft Fan | |
Zhang et al. | Static security risk evaluation of the power system with wind speed correlation | |
CN117031200A (zh) | 一种基于电网运行大数据的配电异常识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |