CN112632773A - 一种风电机组可靠性预测方法 - Google Patents
一种风电机组可靠性预测方法 Download PDFInfo
- Publication number
- CN112632773A CN112632773A CN202011520701.XA CN202011520701A CN112632773A CN 112632773 A CN112632773 A CN 112632773A CN 202011520701 A CN202011520701 A CN 202011520701A CN 112632773 A CN112632773 A CN 112632773A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- reliability
- fault
- processor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 16
- 238000005315 distribution function Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
一种风电机组可靠性预测方法,本发明以风力发电机组实际运行数据为依托,以威布尔分布理论为基础,并结合灰色预测方法设计了一种威布尔参数的估计方法,从而建立机组可靠度预测模型方案。相对于传统的风电基础可靠度预测方案,这种方法立足于实际运行工况,有真实数据支撑,并解决了当机组故障数据过少时预测精度过低的问题。
Description
技术领域
本发明涉及风电领域,具体地涉及一种风电机组故障预测及可靠性分析方法。
背景技术
为应对气候变暖、环境污染等问题,全球能源消费正逐步迈入以清洁能源或可再生能源替代化石能源的“第三次工业革命”时代。风能是最重要的清洁能源之一,大力发展风电等清洁能源是实现中国可持续发展战略的必然选择。发展风电、光伏等新能源的高效运维技术已成为当前电力系统面临的重要问题之一。在风电机组单机容量较大、机组整体结构越加复杂、各部件之间的耦合也愈加紧密的情况下,机组出现故障的概率也会增加。据统计,风力发电机组因运行环境恶劣较易发生故障,陆上风电机组的运营及维护费用可达到其收益的15%~25%,而海上风电机组的对应数字可占到35%,除了导致维护成本过高之外,对电力系统的稳定运行也具有明显的负面影响。
为了协调电网企业的建设运营成本与社会降低电价预期之间的矛盾,需要在降低发电设备维护的成本同时提升电网运行稳定性。传统的设备维护策略包括事后维护和定期维护,这2种维护策略容易导致“维护不足”或“维护过剩”。故障预测与健康管理(PHM)的理念近年来受到很多学者的关注,即通过对设备可靠性的评估来判断设备的运行状态。旨在实现从被动维护到主动预防的转变,实现对风电机组适当的状态维护或预防性维护,既能减少故障发生概率、降低维修成本,又能改善电力系统运行的安全性与经济性。
目前对设备的可靠性研究过程中,一般多使用两参数威布尔分布进行分析。为计算方便多将三参数威布尔分布的位置参数视为零点,从而简化为两参数威布尔分布模型,并对其进行多次对数处理,进而简化为线性模型使用最小二乘法即可完成模型拟合,最后使用D假设检验对分析结果进行检验。然而在实际可靠性分析中,首发故障时间并非为零,因此简化的两参数威布尔分布模型在故障分析过程中不够精确,采用三参数威布尔分布对以损耗失效为特征的机械零部件进行可靠性分析精度更高。
对具体参数进行估计时,基于线性模型相关系数的右逼近法和极大似然估计数值迭代求解方法对步长和初值的选择依赖性较高,必要时需人工干预;概率权重矩法直接计算各参数,方便简单,但不适合极少子样情况;双线性回归法,相关系数法,最大似然法这3种方法离不开迭代求解,尤其是最大似然法要用迭代法求解联立的3个超越方程,相当复杂。而灰色估计法不经迭代就估计出威布尔分布3个参数,同其他方法相比具有所需子样少,拟合精度高的优点,如最少3个数据即可进行参数估计,并有一定精度。
因此,有必要研究一种兼具精度与便利的可靠性评估及故障预测方法来应对现有技术的不足,以解决或减轻上述一个或多个问题。因此提出基于灰色估计法的威布尔分布参数求解方法。求得满足精度要求的参数,以便对设备剩余寿命及可靠性进行评估。
发明内容
针对现有技术的上述问题,本发明拟提出一种风电机组轴承温度预警方法,以有效提高现有风电机组轴承温度的预测精度,对轴承的温度监测更加符合风机的实际运行状态。
基于威布尔分布参数的风电机组部件可靠性分析方法,该方法是采用如下步骤实现的:
步骤1:对所评估的风电机组在规定的时间内进行可靠性现场试验,记录所述风电机组的故障次数和故障间隔时间;
步骤2:根据记录的所述风电机组的故障间隔时间建立可靠性函数模型,绘制出故障间隔时间与概率密度的散点图;
步骤3:根据步骤1中采集的故障间隔时间及故障分布数据建立风电机组的三参数威布尔分布模型,利用灰色估计方法求取各个参数。
步骤4:计算相对残差ε(k)。如果对所有的|ε(k)|<0.1,则认为到达较高的要求;否则,若对所有的|ε(k)|<0.2,则认为达到一般要求。
步骤5:计算级比偏差值检验ρ(k),如果对所有的|ρ(k)|<0.1,则认为达到较高的要求;否则,若对于所有的|ρ(k)|<0.2,则认为达到一般要求。
步骤6:待求得三个估计参数后,为了验证分布模型的正确性,采用d检验法对分布模型进行假设检验。
步骤7:比较风机故障间隔时间数据所对应的分布函数F0(t)与经验分布函数Fn(t)之间的差值,找到差值绝对值最大的量即为Dn的观察值,再比较观察值Dn与临界值Dn,a的大小,若Dn≤Dn,a,则接受原假设;反之,则拒绝原假设。
可选地,所述获取所评估的风电机组的故障数据包括采用现场可靠性试验、定时结尾的方案,记录所述风电机组的故障次数和故障间隔时间。
可选地,所述故障包括关联故障和非关联故障,建立模型时,需要排除非关联故障。
可选地,所述建立风电机组可靠性模型包括绘制故障间隔时间与故障概率密度的散点图,并拟合出故障间隔与故障概率的曲线图。
可选地,求解所述参数包括利用灰色估计方法。
可选地,计算相对残差ε(k),如果对所有的|ε(k)|<0.1,则认为到达较高的要求;否则,若对所有的|ε(k)|<0.2,则认为达到一般要求。
可选地,计算级比偏差值ρ(k),如果对所有的|ρ(k)|<0.1,则认为达到较高的要求;否则,若对于所有的|ρ(k)|<0.2,则认为达到一般要求。
可选地,验证所述可靠性模型的正确性包括采用D检验法。
本发明还提出一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明所提出的风电机组可靠性预测方法。
本发明还提出一种计算机可读存储介质,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本发明所提出的风电机组可靠性预测方法。
本发明以风力发电机组实际运行数据为依托,以威布尔分布理论为基础,并结合灰色预测方法设计了一种威布尔参数的估计方法,从而建立机组可靠度预测模型方案。相对于传统的风电基础可靠度预测方案,这种方法立足于实际运行工况,有真实数据支撑,并解决了当机组故障数据过少时预测精度过低的问题。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明其中一实施例的风电机组可靠性预测流程示意图。
图2是本发明其中一实施例的故障间隔时间与概率密度的散点图。
图3是本发明其中一实施例的风力发电机可靠度函数曲线。
图4是本发明其中一实施例的风力发电机瞬时失效率函数曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本发明的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本方案选择了风电场运营的主流机型作为研究对象,以恶劣环境下某风电场33台850千瓦的质量合格且能正常运行机组为研究对象。进行可靠性试验,提出一种基于威布尔分布参数的风电机组部件可靠性分析方法。
如图1所示:该方法是采用如下步骤实现的:
步骤1:对所评估的风电机组采用可靠性现场试验、定时结尾的方案,记录故障次数和故障间隔时间。
其中,风力发电机丧失其规定的任何一项功能既认为风力发电机发生故障,风力发电机的故障根据可靠性数据处理原则,可以分为关联故障和非关联故障。关联故障指风力发电机本身缺陷造成的故障,如零部件损坏、线路接触不良以及过热保护等,在风机可靠性特征量的计算以及试验结果的评价时必须要计入;非关联故障指非风电机组本身引起的故障,而是由其他零部件失效导致的另一零部件失效、外部环境引起的风机失效或是由于操作人员操作不当等情况引发的故障,在风机可靠性特征量的计算以及试验结果的评价时不必计入。
试验考察的33台风电机组风机故障次数与关联故障次数表统计情况如下表所示。
实验期内,风力发电机总故障共956次,其中关联故障435次,非关联故障521次。
步骤2:通过对风力发电机故障间隔时间的考察来建立可靠性模型,绘制出故障间隔时间与概率密度的散点图、如附图2所示,根据用故障数据拟合出的曲线形状来初步判断该风力发电机是否服从于威布尔分布。其中,故障间隔时间取每组故障间隔区间的中间值;概率密度则由f(t)=ni/nΔt求出,式中ni为该区间内发生关联故障的次数,nΔt为该Δt区间内发生关联故障的总次数。进一步进行曲线拟合得到拟合曲线。
对所考查的33台风机的故障数据进行统计分析其故障间隔时间观测值t(h)∈[0.22,3323.64],根据斯特吉斯经验公式k=1+3.31lgN,根据总体单位数N确定组数k及间隔区间d,其中d=全距/组数,N为风机数目。将故障数据共分为10组,得到风力发电机累积故障频率表下表所示,其中n为关联故障435次。
步骤3:根据采集的数据建立风机的三参数威布尔分布模型,利用灰色估计方法求取各个参数。
三参数威布尔分布的概率密度函数为式(1)
分布函数为式(2)
式中:α1为尺度参数,α1>0;β为形状参数,β>0;γ为位置参数,γ>0。当γ=0时,即变为二参数威布尔分布,β为待求取的相关系数。
选择灰色估计法估计出式中三参数。灰色估计法原理如下:
灰色系统理论是基于关联空间、光滑离散函数等概念定义灰导数与灰微分方程,进而用离散数据列建立微分方程形式的动态模型,即灰色模型是利用离散随机数经过生成变为随机性被显著削弱而且较有规律的生成数,建立起的微分方程形式的模型,这样便于对其变化过程进行研究和描述。
如果原始数列为x(1)=(x1(1),x1(2),…x1(n)),定义x(1)的灰导数为
d(k)=x(0)(k)=x(1)(k)-x(1)(k-1)(3)
令z(k)为数列x(1)的邻值生成数列,即
z(1)(k)=αx(1)(k)+(1-α)x(1)(4)
于是定义GM(1,1)(G表示grey(灰色),M表示model(模型))。的灰微分方程模型为:
d(k)+αz(1)(k)=b或x(0)(k)+αz(1)(k)=b(5)
其中,x(0)(k)称为灰导数,此处的α称为发展系数,代表的是行为序列估计值的发展态势,z(1)(k)为数列x(1)的邻值生成数列,称为白化背景值,b称为灰作用量,反映的是数据变化的关系。
将时刻k=2,3,…,n代入上式有
引入矩阵向量记号:
于是GM(1,1)模型可表示为Y=Bu那么现在的问题就是求a和b的值,这里使用一元线性回归,也就是最小二乘法求它们的估计值为
为了保证GM(1,1)建模方法的可行性,需要对已知数据做必要的检验处理。
设原始数据列为x(0)=(x0(1),x0(2),…x0(n))计算数列的级比
y(0)(k)=x(0)(k)+c,k=1,2,…,n(10)
取c使得数据列的级比都落在可容覆盖内。之后建立GM(1,1)模型。
不妨设x(0)=(x0(1),x0(2),…x0(n))满足上面的要求,以它为数据列建立GM(1,1)模型
x(0)(k)+αz(1)(k)=b(11)
解为
于是得到预测值
从而相应地得到预测值:
检验预测值
残差检验:计算相对残差
如果对所有的|ε(k)|<0.1,则认为到达较高的要求;否则,若对所有的|ε(k)|<0.2,则认为达到一般要求。
级比偏差值检验:计算
如果对所有的|ρ(k)|<0.1,则认为达到较高的要求;否则,若对于所有的|ρ(k)|<0.2,则认为达到一般要求。
三参数威布尔分布分布函数为式
记R(t)=1-F(t),再对式两边取自然对数有
变换得
变换,令
则
由上步骤估计出数威布尔分布的三个参数为:α=218.2116,β=0.6937,γ=0.17。
步骤4:计算相对残差ε(k)。如果对所有的|ε(k)|<0.1,则认为到达较高的要求;否则,若对所有的|ε(k)|<0.2,则认为达到一般要求。
步骤5:计算级比偏差值检验ρ(k),如果对所有的|ρ(k)|<0.1,则认为达到较高的要求;否则,若对于所有的|ρ(k)|<0.2,则认为达到一般要求。
步骤6:待求得三个估计参数后,为了验证分布模型的正确性,采用d检验法对分布模型进行假设检验。
d检验的方法是比较风机故障间隔时间数据所对应的分布函数F0(t)与经验分布函数Fn(t)之间的差值,找到差值绝对值最大的量即为Dn的观察值,再比较观察值Dn与临界值Dn,a的大小,若Dn≤Dn,a,则接受原假设;反之,则拒绝原假设。
其中:
根据上述公式计算出Dn的观察值为0.0254
由已知求得该型号风力发电机的故障间隔时间分布函数与概率密度函数
则求得该型号风力发电机的故障间隔时间分布函数:
该型号风力发电机的故障间隔时间概率密度函数:
风力发电机可靠度函数R(t)为:
风力发电机瞬时失效率函数λ(t)为:
对失效率函数进行曲线拟合,如图2所示。该型号风力发电机的可靠度函数如附图3所示,瞬时失效率由附图4所示,瞬时失效率曲线先下降而后趋于平稳,对应于可靠性浴盆曲线的前半部分,这说明该型号风力发电机正处于偶然失效期。该型号风力发电机投入运营时间不足规定使用寿命的一半,机组正应该处于偶然失效期,实际情况与理论研究相符。
本发明还涉及一种电子设备,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明所提出的风电机组轴承温度预警方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明还提出一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现权本发明所提出的风电机组轴承温度预警方法。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明能够准确估计出威布尔分布的各个参数。有效获取机组或者设备可靠度及当前失效概率,对于发电厂维护计划优化时间,从而降低风电场维护成本,同时对保障电网的安全稳定运行具有重要作用。
本发明设计的基于LightGBM模型和EWMA控制图的风电机组轴承温度预警方法,可以监测风电机组的运行状态,在故障发生前产生预警信号,可以及时调整控制运行方法或者提前安排工作人员检修,提高风电机组的经济性和可靠性。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种风电机组可靠性预测方法,其特征在于,包括:
获取所评估的风电机组的实际故障数据;
根据所述实际故障数据建立风电机组可靠性模型;
根据所述实际故障数据建立所述风电机组的三参数威布尔分布模型来表征风电机组的可靠度函数,求解所述参数;
计算相对残差;
计算级比偏差值;
验证所述可靠性模型的正确性。
2.根据权利要求1所述的风电机组可靠性预测方法,其特征在于,所述获取所评估的风电机组的故障数据包括采用现场可靠性试验、定时结尾的方案,记录所述风电机组的故障次数和故障间隔时间。
3.根据权利要求1或2所述的风电机组可靠性预测方法,其特征在于,所述故障包括关联故障和非关联故障,其中所述非关联故障在风电机组可靠性特征量的计算以及试验结果的评价时不计入。
4.根据权利要求3所述的风电机组可靠性预测方法,其特征在于,所述建立风电机组可靠性模型包括绘制故障间隔时间与故障概率密度的散点图,并拟合出故障间隔与故障概率的曲线图。
5.根据权利要求1所述的风电机组可靠性预测方法,其特征在于,求解所述参数包括利用灰色估计方法。
6.根据权利要求1所述的风电机组可靠性预测方法,其特征在于,计算相对残差ε(k),如果对所有的|ε(k)|<0.1,则认为到达较高的要求;否则,若对所有的|ε(k)|<0.2,则认为达到一般要求。
7.根据权利要求1所述的风电机组可靠性预测方法,其特征在于,计算级比偏差值ρ(k),如果对所有的|ρ(k)|<0.1,则认为达到较高的要求;否则,若对于所有的|ρ(k)|<0.2,则认为达到一般要求。
8.根据权利要求1所述的风电机组可靠性预测方法,其特征在于,验证所述可靠性模型的正确性包括采用D检验法。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任一所述的风电机组可靠性预测方法。
10.一种计算机可读存储介质,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至9中任一项所述的风电机组可靠性预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520701.XA CN112632773B (zh) | 2020-12-21 | 2020-12-21 | 一种风电机组可靠性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011520701.XA CN112632773B (zh) | 2020-12-21 | 2020-12-21 | 一种风电机组可靠性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632773A true CN112632773A (zh) | 2021-04-09 |
CN112632773B CN112632773B (zh) | 2024-04-05 |
Family
ID=75320556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011520701.XA Active CN112632773B (zh) | 2020-12-21 | 2020-12-21 | 一种风电机组可靠性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632773B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239534A (zh) * | 2021-05-08 | 2021-08-10 | 上海电气风电集团股份有限公司 | 风力发电机组的故障、寿命预测方法和装置 |
CN115512531A (zh) * | 2022-09-28 | 2022-12-23 | 重庆地质矿产研究院 | 一种基于形变有序性的滑坡灾害多监测点融合预警方法 |
CN116404755A (zh) * | 2023-04-18 | 2023-07-07 | 内蒙古铖品科技有限公司 | 一种基于物联网的大数据处理系统及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
US20120226485A1 (en) * | 2011-03-03 | 2012-09-06 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
CN103971024A (zh) * | 2014-05-26 | 2014-08-06 | 华北电力大学(保定) | 小样本失效数据下继电保护系统可靠性评估方法 |
CN105427005A (zh) * | 2016-01-18 | 2016-03-23 | 重庆大学 | 一种风电场运行风险评估方法 |
CN105550943A (zh) * | 2016-01-18 | 2016-05-04 | 重庆大学 | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 |
CN106014858A (zh) * | 2016-07-21 | 2016-10-12 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
CN107681691A (zh) * | 2017-09-30 | 2018-02-09 | 太原理工大学 | 计及不确定性因素的风电并网系统运行可靠性评估方法 |
CN109325629A (zh) * | 2018-10-10 | 2019-02-12 | 中国石油化工股份有限公司 | 在役转动设备机械密封泄漏故障预测方法 |
CN109918364A (zh) * | 2019-02-28 | 2019-06-21 | 华北电力大学 | 一种基于二维概率密度估计和四分位法的数据清洗方法 |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 |
CN110737975A (zh) * | 2019-10-08 | 2020-01-31 | 国家电网有限公司 | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 |
CN111597682A (zh) * | 2020-04-14 | 2020-08-28 | 新疆大学 | 预测风力机齿轮箱轴承剩余寿命的方法 |
CN111881574A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 |
-
2020
- 2020-12-21 CN CN202011520701.XA patent/CN112632773B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
US20120226485A1 (en) * | 2011-03-03 | 2012-09-06 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
CN103971024A (zh) * | 2014-05-26 | 2014-08-06 | 华北电力大学(保定) | 小样本失效数据下继电保护系统可靠性评估方法 |
CN105427005A (zh) * | 2016-01-18 | 2016-03-23 | 重庆大学 | 一种风电场运行风险评估方法 |
CN105550943A (zh) * | 2016-01-18 | 2016-05-04 | 重庆大学 | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 |
CN106014858A (zh) * | 2016-07-21 | 2016-10-12 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
CN107681691A (zh) * | 2017-09-30 | 2018-02-09 | 太原理工大学 | 计及不确定性因素的风电并网系统运行可靠性评估方法 |
CN109325629A (zh) * | 2018-10-10 | 2019-02-12 | 中国石油化工股份有限公司 | 在役转动设备机械密封泄漏故障预测方法 |
CN109918364A (zh) * | 2019-02-28 | 2019-06-21 | 华北电力大学 | 一种基于二维概率密度估计和四分位法的数据清洗方法 |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 |
CN110737975A (zh) * | 2019-10-08 | 2020-01-31 | 国家电网有限公司 | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 |
CN111597682A (zh) * | 2020-04-14 | 2020-08-28 | 新疆大学 | 预测风力机齿轮箱轴承剩余寿命的方法 |
CN111881574A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 |
Non-Patent Citations (2)
Title |
---|
王嘉琦 等: "基于灰色–三参数威布尔分布模型的继电保护装置可靠性参数估计", 《电网技术》, vol. 43, no. 4, pages 1354 - 1360 * |
睦浩淼: "基于支持向量机回归的风电机组运行状态异常检测方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 10, pages 042 - 23 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239534A (zh) * | 2021-05-08 | 2021-08-10 | 上海电气风电集团股份有限公司 | 风力发电机组的故障、寿命预测方法和装置 |
CN113239534B (zh) * | 2021-05-08 | 2023-04-07 | 上海电气风电集团股份有限公司 | 风力发电机组的故障、寿命预测方法和装置 |
CN115512531A (zh) * | 2022-09-28 | 2022-12-23 | 重庆地质矿产研究院 | 一种基于形变有序性的滑坡灾害多监测点融合预警方法 |
CN116404755A (zh) * | 2023-04-18 | 2023-07-07 | 内蒙古铖品科技有限公司 | 一种基于物联网的大数据处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112632773B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632773B (zh) | 一种风电机组可靠性预测方法 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN105205569B (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN109657913B (zh) | 一种考虑分布式电源的输配电网联合风险评估方法 | |
Zhang et al. | Research on AGC performance during wind power ramping based on deep reinforcement learning | |
Gouveia et al. | Evaluating operational risk in a power system with a large amount of wind power | |
CN114784882A (zh) | 机组组合优化处理方法及装置 | |
Ibe et al. | Adequacy analysis and security reliability evaluation of bulk power system | |
Botsaris et al. | Systemic assessment and analysis of factors affect the reliability of a wind turbine | |
Zhang et al. | Fault diagnosis strategy for wind turbine generator based on the Gaussian process metamodel | |
CN114738212B (zh) | 一种考虑多属性气象特性的风电机组检修方法及装置 | |
CN112507516B (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
Alzubaidi et al. | Probabilistic voltage stability analysis considering variable wind generation and different control modes | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
Billinton et al. | Wind power modelling and the determination of capacity credit in an electric power system | |
Su et al. | Optimization of periodic maintenance for wind turbines based on stochastic degradation model | |
Sultanov et al. | Electrical generator unit technical and economic indexes parameter study | |
CN112418700A (zh) | 一种电力容量市场需求曲线设计方法、装置及设备 | |
Soundarapandian et al. | An improved artificial fish swarm optimization for proficient solving of advanced unit commitment problem with wind energy and pumped hydro storage | |
Gu et al. | Integrated availability importance measure analysis for multi‐state manufacturing system based on proportional hazards model | |
CN113177369B (zh) | 一种能源调度评估方法及系统 | |
CN112365053B (zh) | 负荷区域内分布式光伏发电总功率的预测方法、系统与计算机可读介质 | |
Hashemnia et al. | Using machine learning to predict and avoid malfunctions: a revolutionary concept for condition-based asset performance management (apm) | |
KR102393137B1 (ko) | 풍력 발전기의 기여도 산출방법 및 그 기록매체 | |
CN115017735B (zh) | 一种用于高维系统的多代理概率电压稳定计算方法 |
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 |