CN112597136A - 一种用于风力发电机的数据清洗方法 - Google Patents
一种用于风力发电机的数据清洗方法 Download PDFInfo
- Publication number
- CN112597136A CN112597136A CN202010468568.1A CN202010468568A CN112597136A CN 112597136 A CN112597136 A CN 112597136A CN 202010468568 A CN202010468568 A CN 202010468568A CN 112597136 A CN112597136 A CN 112597136A
- Authority
- CN
- China
- Prior art keywords
- data
- cleaning
- wind turbine
- recording
- abnormal
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
一种用于风力发电机的数据清洗方法，步骤S1使用SCADA数据源获取运行数据；步骤S2对通用数据进行数据清洗；步骤S3对数据文件的类型进行转换；步骤S4对风机SCADA数据中的有关风电机组本身运行的专项数据进行清洗：步骤S5将统计周期内实际数据数量与预期统计数量进行比较；根据覆盖度的范围，将其划分为不同等级；步骤S6在统计周期内经数据清洗后的有效数据数量与预期统计数量进行比较；根据数据有效性的范围，将其划分为不同等级。本发明克服了现有技术的不足，通过通用数据清洗能够有效提高数据质量；同时也是后续专用数据清洗标准的基础。而通过风机SCADA数据专项处理中的数据异常清洗流程，进一步的保证分析数据的质量。
Description
技术领域
本发明涉及风机数据清洗技术领域，具体涉及一种用于风力发电机的数据清洗方法。
背景技术
随着大数据、人工智能等技术的快速发展，风电机组运行数据价值逐渐凸显，成为企业重要的资产之一。由于风机厂家众多且缺乏统一数据标准，即使对于同一厂家、型号的风机SCADA版本也可能差别很大；在实际生产运行维护过程中，由于系统或者设备不稳定，以及其他技术管理等原因，经常遇到数据异常的问题。
发明内容
针对现有技术的不足，本发明提供了一种用于风力发电机的数据清洗方法，克服了现有技术的不足，设计合理，通过通用数据清洗能够有效提高数据质量；同时也是后续专用数据清洗标准的基础。而通过风机SCADA数据专项处理中的数据异常清洗流程，进一步的保证分析数据的质量。
为实现以上目的，本发明通过以下技术方案予以实现：
一种用于风力发电机的数据清洗方法，包括以下步骤：
步骤S1：使用SCADA数据源获取风电场内的风电机组的运行数据；
步骤S2：对通用数据进行数据清洗；
步骤S3：对数据文件的类型进行转换，以保证文件类型和数据类型的统一；
步骤S4：对风机SCADA数据中的有关风电机组本身运行的专项数据进行清洗：
步骤S5：将统计周期内实际数据数量与预期统计数量进行比较；根据覆盖度的范围，将其划分为不同等级；
步骤S6：在统计周期内经数据清洗后的有效数据数量与预期统计数量进行比较；根据数据有效性的范围，将其划分为不同等级。
优选地，所述步骤S2包括以下步骤：
步骤S21：对空文件进行清洗，判断数据文件的占领空间是否小于1KB，若是，则记录该文件名称，并从文件夹列表中删除；
步骤S22：对重复数据进行清洗，判断是否存在所有列内容完全一致的两条或多条行数据，若存在，则删除重复行数据，并记录重复行数量；
步骤S23：对空行数据进行清洗，判断文档中是否含有空白字符的行数据，若存在，则对含有空白字符的行数据进行剔除、插补或者记录操作；
步骤S24：时间异常数据清洗，读取SCADA数据源的时间序列，将时间序列字符串长度与规定长度进行比较，若不相同，则删除时间异常数据，并记录时间异常数据数量；
步骤S25：重复时间数据清洗，读取SCADA数据源的时间序列，对时间异常进行判断，是否存在时间重复，若存在，则删除重复时间数据，并记录时间重复数据数量；
优选地，所述步骤S23中的空行数据包括全部为空白字符的行数据和含有非空白字符的行数据。
优选地，所述步骤S3中的数据文件的类型转换包括文件类型转换和数据类转换。
优选地，所述步骤S4对风机SCADA数据中的有关风电机组本身运行的专项数据进行清洗，具体包括以下步骤：
步骤S41：读取通用数据清洗后的风电机组的风速数据，判断风速是否在0～50m/s范围内，若不在，则删除并记录风速数据；
步骤S42：读取通用数据清洗后的风电机组的有功功率数据，判断额定功率是否符合风电机组技术协议的参数；若不符合，则删除并记录异常有功功率数据；
步骤S43：读取通用数据清洗后的风电机组的环境温度数据，判断环境温度是否在-50℃～50℃区间内；若不符合，则删除并记录异常环境温度数据；
步骤S44：读取通用数据清洗后的风电机组的发电量数据，判断发电的发生增量是否在0～1.2区间内；若不符合，则删除并记录异常发电量数据；
步骤S45：读取通用数据清洗后的风电机组的轮毂温度数据，判断轮毂温度是否在-50℃～50℃区间内；若不符合，则删除并记录异常轮毂温度数据；
步骤S46：读取通用数据清洗后的风电机组的叶片目标位置数据，判断叶片目标位置是否在-10～100°区间内，若不是，则删除并记录异常叶片目标位置数据；
步骤S47：读取通用数据清洗后的风电机组的叶片编码器的数据，判断叶片编码器值是否在-10～110区间内，若不是，则删除并记录异常叶片编码器值的数据；
步骤S48：读取通用数据清洗后的风电机组的叶片电机温度数据，判断叶片电机温度是否在-50～180℃区间内，若不是，则删除并记录异常叶片电机温度的数据；
步骤S49：读取通用数据清洗后的风电机组的叶片电机电流数据，判断叶片电机电流是否为额定电流的-0.1～1.5倍的区间内，若不是，则删除并记录异常叶片电机电流的数据；
步骤S410：读取通用数据清洗后的风电机组的叶片电机扭矩数据，判断叶片电机扭矩否为额定扭矩的-0.1～1.5倍的区间内，若不是，则删除并记录异常叶片电机扭矩的数据。
本发明提供了一种用于风力发电机的数据清洗方法。具备以下有益效果：通过通用数据清洗能够有效提高数据质量；同时也是后续专用数据清洗标准的基础。而通过风机SCADA数据专项处理中的数据异常清洗流程，进一步的保证分析数据的质量。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
图1本发明的流程框图；
图2本发明中空文件的判断流程图；
图3本发明中重复数据的判断流程图；
图4本发明中空行数据的判断流程图；
图5本发明中时间异常数据的判断流程图；
图6本发明中重复时间数据的判断流程图；
图7本发明中风速数据异常的判断流程图；
图8本发明中有功功率异常的判断流程图；
图9本发明中环境温度异常的判断流程图；
图10本发明中发电量异常的判断流程图；
图11本发明中轮毂温度异常的判断流程图；
图12本发明叶片目标位置异常的判断流程图；
图13本发明中叶片编码器值异常的判断流程图；
图14本发明中叶片电机温度异常的判断流程图；
图15本发明中叶片电机电流异常的判断流程图；
图16本发明中叶片电机扭矩异常的判断流程图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
如图1所示，本发明提供了一种用于风力发电机的数据清洗方法，包括以下步骤：
步骤S1：使用SCADA数据源获取风电场内的风电机组的运行数据；本申请针对风机SCADA中的秒级、10分钟级与小时级等定时采样数据；
步骤S2：对通用数据进行数据清洗；
如图2至图6所示，在本步骤中，具体包含以下步骤：
步骤S21：对空文件进行清洗，由于SCADA故障等问题，导致采样保存的数据文件为空文件。空文件的存在增加了数据处理运算量，易造成程序报错崩溃。因此，检测空文件是数据清洗的第一步。
而经统计，正常数据文件一般较大，即使无任何数据其表头占领空间也大于1KB。因此通过判断数据文件的占领空间是否小于1KB，若是，则记录该文件名称，并从文件夹列表中删除；若不是，跳转至下一个文件进行判断；
步骤S22：对重复数据进行清洗，在本申请中重复数据是指所有列内容完全一致的两条或多条行数据，包括空行、表头以及一般采样数据。重复数据的存在增加了计算量，导致数据统计不准确甚至程序无法运行；因此通过判断是否存在所有列内容完全一致的两条或多条行数据，若存在，则删除重复行数据，并记录重复行数量；
步骤S23：对空行数据进行清洗，在本申请中，空行数据包括全部为空白字符的行数据和含有非空白字符的行数据，对于全部为空白字符的行数据完全属于异常数据，在进行清洗时直接予以剔除。由于全部为空白字符数据也为重复数据，而通过步骤S22已完成重复数据清洗，故正常情况下空行数据数量应≤1；而对于含有非空白字符的行数据在进行数据处理时应根据清洗要求，进行剔除、插补或者记录等操作，避免过度清洗或者清洗不到位；
步骤S24：时间异常数据清洗，由于时间序列是标记数据的重要维度，若时间序列出错，将会导致数据混乱甚至无法使用。本申请的时间异常数据是指时间序列字符串不符合规定格式，主要表现为时间字符串长度≠规定长度。因此在进行数据清洗时，将读取到的时间序列字符串长度与规定长度进行比较即可判断是否存在时间异常数据，若不相同，则删除时间异常数据，并记录时间异常数据数量；
步骤S25：重复时间数据清洗，在本申请中的重复时间数据是指时间序列存在重复，但其他数据列不完全相同的一条或者多条行数据；由于重复时间数据的存在对数据统计造成影响，增加了计算量，也对数据查找定位带来了不便；因此通过对时间异常进行判断，是否存在时间重复，若存在，则删除重复时间数据，并记录时间重复数据数量；
在对通用数据进行数据清洗后还需要对缺失数据进行统计，在本申请中，缺失数据是指在统计周期内应该包括，但是实际缺少的那部分数据。从原数据角度考虑，缺失数据包括原数据范围内缺失数据、统计周期内数据缺失：
原数据范围内缺失数据是指原数据中有某时间段，但是该时间段中间数据却不存在。例如存在2019-01-01 12:00、2019-01-01 12:30两条相邻十分钟数据，在2019-01-0112:00～2019-01-01 12:30中间应该还包含2019-01-01 12:10、2019-01-01 12：20两条数据，因此将这两条数据列为原数据范围内缺失数据；
统计周期内缺失数据是指原数据时间段所未覆盖统计周期内的那部分数据。例如，统计周期为2019.01.01～2019.01.31，导出实际数据只有2019.01.08～2019.01.27，则2019.01.01～2019.01.07、2019.01.28～2019.01.31就是统计周期内缺失数据。
步骤S3：对数据文件的类型进行转换，以保证文件类型和数据类型的统一；在本申请中，类型转换主要包括文件类型转换、数据类转换。类型转换是一项极其重要的工作，若文件类型、数据类型不统一，会直接造成程序无法执行，极易产生异常数据。同时，类型转换也是对数据展开大规模处理的前提之一。本申请的文件文件类型、数据类型见下表1和表2：
表1常用文件类型
表2常用数据类型
| 序号 | 名称 | 格式 | 备注 |
| 1 | 整型 | Int | 属于数值型 |
| 2 | 浮点型 | Float | 属于数值型 |
| 3 | 布尔型 | Bool | 属于数值型 |
| 4 | 复数 | Complex | 属于数值型 |
| 5 | 字符 | String | 属于字符型 |
步骤S4：对风机SCADA数据中的有关风电机组本身运行的专项数据进行清洗：
如图7至图16所示，在本步骤中，具体包含以下步骤：
步骤S41：风电机组的风速清洗，由于风速是进行专项数据必备重要参数之一，应根据分析需要选择秒级、1分钟即以及10分钟级等合适采样周期的风速数据；再判断通用数据清洗后的风速数据是否在正常风速范围0～50m/s内，若不在，则判定为异常风速数据，从而可删除并记录风速数据；
步骤S42：风电机组的有功功率数据清洗，有功功率反应风力发电机组有功出力情况，是衡量发电机组性能的重要参数。与风速数据相似，也应根据分析需要选择秒级、1分钟即以及10分钟级等合适采样周期的有功功率数据，其取值范围应参考风机发电机组技术协议有关参数来确定。在本实施例中，通过判断通用数据清洗后的风电机组的有功功率数据是否在其额定功率的-0.1～1.2倍的区间内，若不符合，则删除并记录异常有功功率数据；
步骤S43：风电机组的环境温度数据清洗，环境温度是反应风机运行状况的重要外界参数，其正常取值范围为-50℃～50℃。在本申请中，通过判断环境温度是否在-50℃～50℃区间内；若不符合，则为异常环境温度数据，删除并记录异常环境温度数据；当环境温度异常时，可用相邻风机数据或者本风机正常数据平均值来替换异常值；
步骤S44：风电机组的发电量数据清洗；发电量是衡量风力发电机组经济性的关键指标之一。由于发电量模块异常、SCADA系统故障灯，易造成发电量数据错误，对风机经济型评价造成巨大影响。
由于累积性发电量数据是递增数据，当发生增量＜0或超出限值等情况时，可判定出现发电量数据异常。本申请通过判断发电的发生增量是否在0～1.2区间内；若不符合，则可判定为异常发电量数据，删除并记录异常发电量数据；
步骤S45：风电机组的轮毂温度数据清洗；轮毂温度是反应风机运行状况的重要外界参数，其正常取值范围为-50℃～80℃。在本申请中，通过判断轮毂温度是否在-50℃～80℃区间内；若不符合，则为异常轮毂温度数据，删除并记录异常轮毂温度数据；当轮毂温度异常时，可用相邻风机数据或者本风机正常数据平均值来替换异常值；
步骤S46：风电机组的叶片目标位置数据清洗；叶片目标位置是对变桨系统故障预警等的重要判断参数，正常情况下其取值范围为-2～92°。考虑变桨系统、环境因素等因素影响，将范围扩展为-10～110°，若不在此区间内，则可以判定其为异常叶片目标位置数据。叶片目标位置一般包括三个参数，分别为叶片1目标位置、叶片2目标位置与叶片3目标位置，且三者基本一致以保持对称关系。
步骤S47：风电机组的叶片编码器数据清洗；叶片编码器是表明叶片实际位置的重要参数，其取值范围与叶片目标位置基本一致。叶片编码器一般有A、B两个编码器，考虑三支叶片之后，叶片编码器共有两组6个参数：叶片1A编码器值、叶片2A编码器值、叶片3A编码器值，叶片1B编码器值、叶片2B编码器值与叶片3B编码器值。每组数值呈对称关系。在本申请中，通过判断叶片编码器值是否在-10～110区间内，若不是，则删除并记录异常叶片编码器值的数据。
步骤S48：风电机组的叶片电机温度数据清洗；叶片电机温度影响着变桨电机工作状态。温度过高会降低变桨电机绕组绝缘，加速设备老化，从而造成一系列故障。叶片电机温度也分为叶片1电机温度、叶片2电机温度与叶片3电机温度三个参数，正常情况下呈对称分布，其取值范围与变桨电机参数密切相关，本申请采用-50～180℃这一通用范围，实际参数可结合变桨电机相关性能指标相应调整。
步骤S49：风电机组的叶片电机电流数据清洗；叶片电机电流决定了变桨电机所能输出力矩大小，是变桨电机输出能力的重要标志参数。与叶片电机温度相同，该参数也包括叶片1电机电流、叶片2电机电流与叶片3电机电流三组参数。考虑到叶片电机工作状态与过载能力等方面因素，本申请将其取值范围定为-0.1～1.5倍的额定电流，具体取值范围应结合变桨电机额定电流确定。
步骤S410：风电机组的叶片电机扭矩数据清洗；叶片电机扭矩是风机进行变桨的直接动力来源，是变桨系统执行机构能力的重要表征。叶片电机扭矩也包含叶片1电机扭矩、叶片2电机扭矩与叶片3电机扭矩三组参数。考虑到叶片电机、机械结构等因素，本文档将其取值范围定为-0.1～1.5倍额定扭矩，具体取值范围应结合变桨电机额定扭矩确定。
步骤S5：将统计周期内实际数据数量与预期统计数量进行比较；用于反映原始数据在统计周期内的分布；由于较大范围的数据缺失会导致数据覆盖度偏低，进而影响分析结果。根据覆盖度的范围，将其划分为不同等级；
步骤S6：在统计周期内经数据清洗后的有效数据数量与预期统计数量进行比较；反映有效数据在统计周期内的分布；通过有效数据作为展开数据分析的基础。根据数据有效性的范围，将其划分为不同等级。
本申请通过针对风机SCADA中的秒级、10分钟级与小时级等定时采样数据，进行通用数据清洗流程，并结合数据分析目标挑选有关数据引入了专用数据清洗；通过通用数据清洗能够有效提高数据质量；同时也是后续专用数据清洗标准的基础。而通过风机SCADA数据专项处理中的数据异常清洗流程，进一步的保证分析数据的质量，也为其他专用数据清洗提供了可借鉴的参考案例。
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精神和范围。
Claims (5)
1.一种用于风力发电机的数据清洗方法，其特征在于，包括以下步骤：
步骤S1：使用SCADA数据源获取风电场内的风电机组的运行数据；
步骤S2：对通用数据进行数据清洗；
步骤S3：对数据文件的类型进行转换，以保证文件类型和数据类型的统一；
步骤S4：对风机SCADA数据中的有关风电机组本身运行的专项数据进行清洗：
步骤S5：将统计周期内实际数据数量与预期统计数量进行比较；根据覆盖度的范围，将其划分为不同等级；
步骤S6：在统计周期内经数据清洗后的有效数据数量与预期统计数量进行比较；根据数据有效性的范围，将其划分为不同等级。
2.根据权利要求1所述的一种用于风力发电机的数据清洗方法，其特征在于：所述步骤S2包括以下步骤：
步骤S21：对空文件进行清洗，判断数据文件的占领空间是否小于1KB，若是，则记录该文件名称，并从文件夹列表中删除；
步骤S22：对重复数据进行清洗，判断是否存在所有列内容完全一致的两条或多条行数据，若存在，则删除重复行数据，并记录重复行数量；
步骤S23：对空行数据进行清洗，判断文档中是否含有空白字符的行数据，若存在，则对含有空白字符的行数据进行剔除、插补或者记录操作；
步骤S24：时间异常数据清洗，读取SCADA数据源的时间序列，将时间序列字符串长度与规定长度进行比较，若不相同，则删除时间异常数据，并记录时间异常数据数量；
步骤S25：重复时间数据清洗，读取SCADA数据源的时间序列，对时间异常进行判断，是否存在时间重复，若存在，则删除重复时间数据，并记录时间重复数据数量。
3.根据权利要求2所述的一种用于风力发电机的数据清洗方法，其特征在于：所述步骤S23中的空行数据包括全部为空白字符的行数据和含有非空白字符的行数据。
4.根据权利要求1所述的一种用于风力发电机的数据清洗方法，其特征在于：所述步骤S3中的数据文件的类型转换包括文件类型转换和数据类转换。
5.根据权利要求1所述的一种用于风力发电机的数据清洗方法，其特征在于，所述步骤S4对风机SCADA数据中的有关风电机组本身运行的专项数据进行清洗，具体包括以下步骤：
步骤S41：读取通用数据清洗后的风电机组的风速数据，判断风速是否在0~50m/s范围内，若不在，则删除并记录风速数据；
步骤S42：读取通用数据清洗后的风电机组的有功功率数据，判断额定功率是否符合风电机组技术协议的参数；若不符合，则删除并记录异常有功功率数据；
步骤S43：读取通用数据清洗后的风电机组的环境温度数据，判断环境温度是否在-50℃~50℃区间内；若不符合，则删除并记录异常环境温度数据；
步骤S44：读取通用数据清洗后的风电机组的发电量数据，判断发电的发生增量是否在0~1.2区间内；若不符合，则删除并记录异常发电量数据；
步骤S45：读取通用数据清洗后的风电机组的轮毂温度数据，判断轮毂温度是否在-50℃~50℃区间内；若不符合，则删除并记录异常轮毂温度数据；
步骤S46：读取通用数据清洗后的风电机组的叶片目标位置数据，判断叶片目标位置是否在-10~100°区间内，若不是，则删除并记录异常叶片目标位置数据；
步骤S47：读取通用数据清洗后的风电机组的叶片编码器的数据，判断叶片编码器值是否在-10~110区间内，若不是，则删除并记录异常叶片编码器值的数据；
步骤S48：读取通用数据清洗后的风电机组的叶片电机温度数据，判断叶片电机温度是否在-50~180℃区间内，若不是，则删除并记录异常叶片电机温度的数据；
步骤S49：读取通用数据清洗后的风电机组的叶片电机电流数据，判断叶片电机电流是否为额定电流的-0.1~1.5倍的区间内，若不是，则删除并记录异常叶片电机电流的数据；
步骤S410：读取通用数据清洗后的风电机组的叶片电机扭矩数据，判断叶片电机扭矩否为额定扭矩的-0.1~1.5倍的区间内，若不是，则删除并记录异常叶片电机扭矩的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010468568.1A CN112597136A (zh) | 2020-05-28 | 2020-05-28 | 一种用于风力发电机的数据清洗方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010468568.1A CN112597136A (zh) | 2020-05-28 | 2020-05-28 | 一种用于风力发电机的数据清洗方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112597136A true CN112597136A (zh) | 2021-04-02 |
Family
ID=75180171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010468568.1A Pending CN112597136A (zh) | 2020-05-28 | 2020-05-28 | 一种用于风力发电机的数据清洗方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112597136A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156323A (zh) * | 2016-07-04 | 2016-11-23 | 吴本刚 | 实现数据分级管理与挖掘的装置 |
| CN106368908A (zh) * | 2016-08-30 | 2017-02-01 | 华电电力科学研究院 | 一种基于scada系统风电机组功率曲线测试方法 |
| CN108443088A (zh) * | 2018-05-17 | 2018-08-24 | 中能电力科技开发有限公司 | 一种基于累计概率分布的风电机组状态判定方法 |
| CN108549689A (zh) * | 2018-04-12 | 2018-09-18 | 华北电力大学 | 一种风电机组运行数据清洗方法 |
| CN110019153A (zh) * | 2017-09-13 | 2019-07-16 | 北京宸信征信有限公司 | 一种多类型批量数据处理系统及其处理方法 |
| CN110761947A (zh) * | 2019-11-15 | 2020-02-07 | 华北电力大学 | 一种风电机组偏航校准方法及系统 |
| CN111091298A (zh) * | 2019-12-20 | 2020-05-01 | 华北电力大学 | 一种风电场流场耦合特性评估与智能分群方法及系统 |
-
2020
- 2020-05-28 CN CN202010468568.1A patent/CN112597136A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156323A (zh) * | 2016-07-04 | 2016-11-23 | 吴本刚 | 实现数据分级管理与挖掘的装置 |
| CN106368908A (zh) * | 2016-08-30 | 2017-02-01 | 华电电力科学研究院 | 一种基于scada系统风电机组功率曲线测试方法 |
| CN110019153A (zh) * | 2017-09-13 | 2019-07-16 | 北京宸信征信有限公司 | 一种多类型批量数据处理系统及其处理方法 |
| CN108549689A (zh) * | 2018-04-12 | 2018-09-18 | 华北电力大学 | 一种风电机组运行数据清洗方法 |
| CN108443088A (zh) * | 2018-05-17 | 2018-08-24 | 中能电力科技开发有限公司 | 一种基于累计概率分布的风电机组状态判定方法 |
| CN110761947A (zh) * | 2019-11-15 | 2020-02-07 | 华北电力大学 | 一种风电机组偏航校准方法及系统 |
| CN111091298A (zh) * | 2019-12-20 | 2020-05-01 | 华北电力大学 | 一种风电场流场耦合特性评估与智能分群方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112231361B (zh) | 一种基于风机运行数据的风电项目发电量评估方法 | |
| CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
| Hu et al. | Using domain knowledge features for wind turbine diagnostics | |
| CN104005917A (zh) | 基于贝叶斯推理方式对风机状态进行预测的方法和系统 | |
| CN112597691A (zh) | 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 | |
| CN108304350B (zh) | 基于大数据集近邻策略的风机指标预测与故障预警方法 | |
| CN116865623B (zh) | 基于数据分析的新能源电机运行控制系统 | |
| CN114215705A (zh) | 风电机组故障预警方法和系统 | |
| CN115271263A (zh) | 基于改进关联规则的电力设备缺陷预警方法、系统及介质 | |
| Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
| CN112597620A (zh) | 一种基于k-medoids算法的风电机组功率曲线建模方法 | |
| CN111950764A (zh) | 一种极端天气条件电网风电功率预测修正方法 | |
| CN111340307A (zh) | 预测风机风力发电功率的方法以及相关装置 | |
| CN108471137B (zh) | 一种风功率预测中风速功率概率性映射方法 | |
| CN112597136A (zh) | 一种用于风力发电机的数据清洗方法 | |
| CN117410961A (zh) | 风功率预测方法、装置、设备及存储介质 | |
| 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 | |
| CN116307838A (zh) | 一种电网可靠性评估中配电网精确等值方法及系统、介质 | |
| CN107045548B (zh) | 一种计算风电能量利用率的系统及方法 | |
| CN107292479B (zh) | 一种风电场能量损失自适应计算方法 | |
| Bakhshi et al. | Overview of wind turbine field failure databases: a discussion of the requirements for an analysis | |
| CN114912807A (zh) | 一种风电机组技改后发电量提升效果评估方法和评估系统 | |
| CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
| CN113946977A (zh) | 一种基于决策树算法预警风机变桨故障的应用方法 | |
| CN114065618A (zh) | 一种基于微分进化的参数模型拟合风机功率曲线的方法 |
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: 20210402 |