CN113048012B - 基于混合高斯模型的风电机组偏航角度识别方法和装置 - Google Patents
基于混合高斯模型的风电机组偏航角度识别方法和装置 Download PDFInfo
- Publication number
- CN113048012B CN113048012B CN202110198811.7A CN202110198811A CN113048012B CN 113048012 B CN113048012 B CN 113048012B CN 202110198811 A CN202110198811 A CN 202110198811A CN 113048012 B CN113048012 B CN 113048012B
- Authority
- CN
- China
- Prior art keywords
- yaw
- fan
- data set
- interval
- analyzed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000000203 mixture Substances 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 109
- 238000010586 diagram Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005065 mining Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/70—Adjusting of angle of incidence or attack of rotating blades
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/10—Purpose of the control system
- F05B2270/103—Purpose of the control system to affect the output of the engine
- F05B2270/1033—Power (if explicitly mentioned)
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/40—Type of control system
- F05B2270/402—Type of control system passive or reactive, e.g. using large wind vanes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于混合高斯模型的风电机组偏航角度识别方法和装置。该方法包括:读取一定周期内的风电机组运行数据作为初始数据集;基于初始数据集筛选出偏航控制系统正常工作时的数据作为待分析数据集;通过待分析数据集中偏航误差‑风速‑功率散点图确定当前风机是否处于偏航状态;对待分析数据集中的风机偏航误差进行区间划分,并绘制风机偏航误差区间段的频率分布直方图,进而估计风机偏航方向;构建混合高斯分布模型,使用待分析数据集对其进行训练;根据训练后的混合高斯分布模型中单高斯分布模型的均值获得风机当前的偏航角度。本发明从数据挖掘与统计分析的角度实现了对风机偏航系统误差的识别,能够间接提升风电机组的发电性能。
Description
技术领域
本发明涉及风力发电机组偏航角度故障识别与检测领域,具体为一种数据驱动的风电机组风向偏航角度识别方法和装置。
背景技术
在当前社会发展的进程中,相比于传统的化石能源,清洁、低污染、可持续再生的风力发电逐渐在能源领域中崭露头角。由于风力发电场往往环境恶劣,风力发电机组需要长时间在多种风况下运行,当前风电行业也逐渐暴露一系列问题,尤其是在役风电机组控制系统误差导致风电机组运行性能下降的问题。如何提升在役风电机组在不同风况和风机控制系统误差影响下的风电机组运行性能,是各个风力发电厂面临的主要问题之一。
目前,风力发电机组主要由内部集成的偏航系统来调整风机朝向,来获取不同风况下风能捕获的最大化效率。偏航系统(又称对风装置)是风电机组控制系统的重要组成部分。偏航系统的作用在于跟踪风速矢量的方向变化,通过控制机舱转动使得风电机组和来风方向的夹角呈零度,从而获得最大的风能。偏航系统通过风向标来完成对风向的测量。然而风向标有的在安装时由于没有校准装置存在安装误差,有时在风机运行的过程中由于固定螺丝的松动产生机械偏差,这些都会导致风机无法准确对风,从而降低了风电机组的发电量,影响发电效能。
发明内容
为了克服现有的通过偏航系统控制时存在误差导致无法实现既定的控制目标的问题,本发明提供一种风电机组风向偏航系统偏航角度的识别方法和装置。该方法和装置基于机组运行的SCADA(Supervisory Control And Data Acquisition,即监视控制与数据采集)数据驱动,首先从机组运行的SCADA数据集中选取和偏航误差相关的特征变量,之后基于不同的偏航误差区间对风机运行数据进行划分,通过筛选特定风速段下的机组运行数据作为训练数据,使用训练数据训练包含两个均值为零的单高斯分布的混合高斯模型,最后通过混合高斯模型的拟合结果确定当前风机的实际偏航角度,从而从数据挖掘与统计分析的角度实现了对风机偏航系统误差的识别,间接提升风电机组的发电性能。
本发明解决其技术问题所采用的技术方案是:
一种基于混合高斯模型的风电机组偏航角度识别方法,包括以下步骤:
读取一定周期内的风电机组运行数据作为初始数据集;
基于初始数据集筛选出偏航控制系统正常工作时的数据作为待分析数据集;
通过待分析数据集中偏航误差-风速-功率散点图确定当前风机是否处于偏航状态;
对待分析数据集中的风机偏航误差进行区间划分,并绘制风机偏航误差区间段的频率分布直方图,依据风机偏航误差区间段的频率分布直方图估计风机偏航方向;
构建混合高斯分布模型,使用待分析数据集对混合高斯分布模型进行训练;
根据训练后的混合高斯分布模型中的单高斯分布模型的均值,获得风机当前的偏航角度。
进一步地,所述基于初始数据集筛选出偏航控制系统正常工作时的数据作为待分析数据集,包括:
从初始数据集中筛选时间、风速、功率和偏航误差四个变量作为特征数据集;
以设定的区间长度(优选以0.5m/s为一个区间,也可以是其他区间长度),对初始数据集中的风速数据进行区间划分,获取初始数据集中每条数据对应的风速区间段;
统计初始数据集中位于每一个风速区间段的数据量,取每个风速区间段下数据的功率平均值,绘制风速区间段的频率分布直方图;
依据绘制的风速区间段的频率分布直方图中各个风速区间段的频率分布情况和对应风机的切入切出风速值来确定风机偏航控制系统正常工作时的风速区间;
依据风电机组的额定功率区间确定风机偏航控制系统正常工作时的功率区间;
根据确定好的风机偏航控制系统正常工作时的风速区间和功率区间划定风机偏航控制系统正常工作时的运行数据集,作为待分析数据集,所述待分析数据集包括时间、风速测量值、功率测量值和偏航误差测量值。
进一步地,所述通过待分析数据集中偏航误差-风速-功率散点图确定当前风机是否处于偏航状态,包括:
利用特征数据集绘制偏航误差-风速-功率散点图,其中偏航误差作为散点图的X轴变量,风速作为散点图的Y轴变量,并用灰度表示数据散点所对应的功率大小,灰度越深代表功率越大;
根据偏航误差-风速-功率散点图的中轴对应的偏航误差区间和该散点图的散点分布形态确定当前风机是否处于偏航状态。
进一步地,所述对待分析数据集中的偏航误差进行区间划分,并绘制风机偏航误差区间段的频率分布直方图,依据风机偏航误差区间段的频率分布直方图估计风机偏航方向,包括:
以设定的区间长度(比如以1°为一个区间),对风机偏航误差数据进行区间划分,获取每条数据对应的风机偏航误差区间段;
统计位于每一个风机偏航误差区间段的数据量,绘制风机偏航误差区间段的频率分布直方图;
依据风机偏航误差区间段的频率分布直方图的分布偏移情况可以估计当前风机偏航方向。
进一步地,所述构建混合高斯分布模型,使用待分析数据集对混合高斯分布模型进行训练,包括:
所述混合高斯分布模型中单高斯分布模型的概率密度函数为:
其中,x为输入数据,θ为高斯分布模型的参数,μ为数据均值(期望),Σ为协方差,D为数据维度。
假设αk为观测数据属于K个高斯分布模型中第k个模型的概率,Φ(x|θk)是第k个模型的高斯分布函数,则GMM模型的概率分布为:
设定该高斯混合分布模型中包含2个初始均值为0的单高斯分布(即K=2),作为模型的隐变量;
设定该混合高斯分布模型中协方差类型为diag(指每个分量有各自不同的对角协方差矩阵);
设定混合高斯分布模型参数初始化次数为100;
使用待分析数据集中的风机偏航误差数据来训练构建好的混合高斯分布模型;由此,待分析数据集中的数据将会被划分至混合高斯分布模型中的两个单高斯分布中。
进一步地,所述根据训练后的混合高斯分布模型中的单高斯分布模型的均值,获得风机当前的偏航角度,包括:
训练好的混合高斯模型中的两个单高斯分布的均值分别μ1和μ2;
风机当前的偏航角度为Ω,{Ω=Max(|μ1|,|μ2|)}。
基于同一发明构思,本发明还提供一种采用上述方法的基于混合高斯模型的风电机组偏航角度识别装置,其包括:
初始数据集提取模块,用于读取一定周期内的风电机组运行数据作为初始数据集;
待分析数据集提取模块,用于基于初始数据集筛选出偏航控制系统正常工作时的数据作为待分析数据集;
偏航状态判定模块,用于通过待分析数据集中偏航误差-风速-功率散点图确定当前风机是否处于偏航状态;
偏航方向估计模块,用于对待分析数据集中的风机偏航误差进行区间划分,并绘制风机偏航误差区间段的频率分布直方图,依据风机偏航误差区间段的频率分布直方图估计风机偏航方向;
模型训练模块,用于构建混合高斯分布模型,使用待分析数据集对混合高斯分布模型进行训练;
偏航角度确定模块,用于根据训练后的混合高斯分布模型中的单高斯分布模型的均值,获得风机当前的偏航角度。
本发明的有益效果为:
(1)本发明方法基于数据驱动,首先从风电机组正常运行的数据中提取出和偏航系统相关的特征变量(时间、风速、功率和偏航误差),随后通过划分不同的风速区间,依据不通风速区间的频率分布、风机的切入和切出风速、风机的额定运行功率区间来对数据进行划分,进一步通过使用混合高斯模型对划分数据进行自适应训练来获得风电机组拟合的算法模型,最后通过比较混合高斯模型拟合的分布均值来判断风机偏航角度识别,实现了对偏航误差测量值的修正目的,从数据驱动角度实现风力发电系统偏航误差是校准和风机整体性能的提升,完成了风电场数据智能运维的应用,推动风电领域进行智能化转型。
(2)本发明方法基于风电机组运行SCADA数据,易于实际应用且对风电机组无特殊要求,所需特征列当前已有传感器进行实时采集,不会增加风场的运维成本,同时具有较强的普适性、可扩展性和可迁移性,对基于数据分析和机器学习算法的风电领域数字化、智能化运维技术研究有这较高的理论研究价值和实际应用价值。
(3)针对当前风电领域普遍存在的运维疑难问题,创造性的通过提出一种新的通过机器学习算法模型的人工智能技术实现对风电机组偏航系统误差的识别工作,该方法对于基于人工智能技术的风电机组效能优化和智能诊断的领域有积极分推动作用。
(4)基于混合高斯分布模型这一人工智能算法的新型风机偏航系统误差识别方法可以有效地解决传统单一传感器识别风机偏航角度时由于人为安装错误或机械故障导致的系统误差造成风电机组性能下降的问题,弥补传统风电运维过程中的缺陷,实现对风机运行数据的价值挖掘和分析。
(5)由于传统风电故障监测系统需要基于风机实时运行数据,而风电场时刻运行在高不确定性、高随机性的风况条件下,因此实时运行数据受到运行环境差异的影响可能对识别风机偏航系统误差造成影响,本方法创新性的对风机运行的长期数据进行数据清洗和挖掘,并验证了算法的有效性和准确性,为风电领域风电机组智能运维和性能提升的研究方向和验证结果提供了有价值的参考案例。
(6)由于算法设计的灵活性和混合高斯分布模型自有的普适性和可扩展性,本方法可以尝试迁移至风电场智慧运维系统的其他待解决的技术难题中,具有强扩展性和迁移性。
附图说明
图1是兴和风电场4号机组偏航角度频率分布直方图。
图2是兴和风电场4号机组风速区间频率分布直方图。
图3是兴和风电场4号机组偏航误差-风速-功率散点图。
图4是混合高斯模型结果分布图1。
图5是混合高斯模型结果分布图2。
具体实施方式
为了更改的理解本发明,下面结合实际使用案例和附图对本发明的技术方案做进一步的说明。
本案例是基于内蒙古兴和风电场2019年1月至2019年4月的4号风电机组的SCADA运行数据来对本方法进行技术有效性的验证。
本案例中采用的数据集的数据采样间隔为5分钟,数据时间跨度为4个月,数据条目总计为29051条。经过筛选的和偏航系统运行相关的待分析数据集中包括的详细信息与部分数据实例如表1、表2所示:
表1偏航系统运行相关待分析数据集中部分实际数据
时间 | 风速 | 有功功率 | 偏航误差 |
... | ... | ... | ... |
2019-01-01 19:35:00 | 0.73846 | -4.19961 | 9.06935 |
2019-01-01 19:40:00 | 0.95227 | -4.24643 | -16.97324 |
2019-01-01 19:45:00 | 1.44771 | -4.26305 | -68.9378 |
2019-01-01 19:50:00 | 1.26637 | -4.45268 | -57.80037 |
2019-01-01 19:55:00 | 1.03763 | -4.26839 | -40.80453 |
... | ... | ... | ... |
表2偏航系统运行相关待分析数据集中数据变量信息统计
变量名称 | 变量含义 | 变量单位 |
时间 | 当前SCADA数据记录的时间 | min |
风速 | 当前风电机组机舱风速 | m/s |
有功功率 | 当前风电机组有功功率 | kW |
偏航误差 | 当前风电机组偏航误差 | ° |
当前数据集由于采用了风电场实际运行数据作为待运行数据,所以在实验前通过查阅机组状态日志可以获知该实验机组在日常检修中发现存在由于机械故障造成的偏航误差现象,影响了该机组的正常发电性能,且经过人工爬塔核对该机组在2019年4月的偏航误差约为7°。
本案例详细实施方案具体如下:
1)根据本方法中风电机组的偏航角度识别方法需求,提取兴和风电场2019年1月至4月中4号机组的SCADA系统中记录的N′条风电机组运行数据作为初始数据集{Data1},筛选数据集{Data1}中的时间{Ti}、风速{Vi}、有功功率{Pi}、偏航误差{θi}四个变量作为特征数据集,其中i=1,2,3,...,N′;由表1和表2所示,本案例的风电SCADA机组数据集中包括了本步骤的所有必要信息。
2)基于初始数据集{Data1}筛选出偏航控制系统正常工作时的总计N条SCADA数据作为待分析数据集{Data2}={Tk,Vk,Pk,θk},其中K=1,2,3,...,N;偏航控制系统是否正常运行判断的规则如下,但不限于此:
2-a)设定待判别数初始下标i=1,并设置初始待分析数据集{Data2}=φ;
2-b)对数据集{Data1}中全体数据以0.5m/s为间隔对风速{Vi}进行区间划分,并绘制各个风速区间风速频率分布图(如图2所示的风速区间段的频率分布直方图)判断划分后的风速区间中的高频风速分布作为风速{Vi}的{风速区间段高频风速区间};
2-c)若初始数据集{Data1}中的第i条数据{Ti,Vi,Pi,θi}满足如下条件,则继续执行步骤2-d),否则跳转至2-e)继续执行;
V切入风速≤Vi≤V切出风速且Vi∈{风速区间段高频风速区间}且0≤Pi≤P风机额定功率;
其中V切入风速代表风电机组切入风速,V切出风速代表风电机组切出风速,{风速区间段高频风速区间}代表风电机组运行中高频风速分布区间,P风机额定功率代表风电机组额定功率;在本方案中,该风力发电机组的切入风速为V切入风速=3m/s,切出风速为V切出风速=25m/s,风电机组额定功率为P风机额定功率=1500KW,风速区间段高频风速区间主要依据风速频率分布图和风电场专家经验来进行选择,本方案中{风速区间段高频风速区间}∈(4m/s,12m/s);
2-d)将满足2-c)步骤中的第i条数据的时间Ti,风速值Vi,功率值Pi以及偏航误差值θi作为待分析数据插入到待分析数据集{Data2}中;
2-e)设定数据下标i=i+1,并重复步骤2-c)至2-d),知道i>N′为止,并记录此时的待分析数据集{Data2}中的数据个数为N。
3)利用待分析数据集{Data2}中的数据绘制偏航误差-风速-功率散点图(如图3所示),其中偏航误差作为散点图的X轴变量,风速作为散点图的Y轴变量,并用灰度表示数据散点所对应的功率大小,灰度越深代表功率越大。根据偏航误差-风速-功率散点图的中轴对应的偏航误差区间和该散点图的散点分布形态(散点分布的聚集形态)确定4号机组当前是处于偏航状态。
4)将待分析数据集{Data2}按照1°的偏航误差间隔进行区间划分,并绘制偏航误差的频率分布直方图,通过频率分布直方图可以大致判断风电机组的偏航方向,如图1所示,本案例中实验机组的数据明显呈现左偏分布,风电机组偏航系统向负向方向角度偏离。
5)通过Python中的sklearn库中的GaussianMixture类创建混合高斯模型M,构建混合高斯分布模型,该混合高斯分布模型M中单高斯分布模型的概率密度函数为:
其中μ为数据均值(期望),Σ为协方差,D为数据维度;
设定该混合高斯模型M中包含两个初始单高斯分布X1~N(μ,σ)和X2~N(μ,σ),在本案例中两个单高斯分布的初始均值μ1,μ2都为零。
6)使用数据集{Data2}对混合高斯分布模型M进行训练,训练方法为GaussianMixture类中fit方法,设定训练参数为:
a.协方差类型为diag(指每个分量有各自不同对角协方差矩阵);
b.模型参数初始化次数为100。
7)训练后的混合高斯分布模型M′中的两个单高斯分布模型X1~N(μ1,σ1)和X2~N(μ2,σ2),其均值分别为μ1,μ2,则风机当前的偏航角度为Ω,Ω=Max(|μ1|,|μ2|);
8)本案例中混合高斯分布模型M′中的两个单高斯分布模型分别为:X1~N(μ1,σ1)和X2~N(μ2,σ2),其中μ1=-4.1831,μ2=-0.2101且σ1=6.2726,σ2=4.3134(如图4、图5所示),取两个高斯分布X1,X2中均值绝对值的最大值为4.1831,并结合步骤4)中判断出的风机偏航方向为负向,可得出该风机的偏航误差为Ω=-4.1831度。
将该风机的偏航误差识别结果X和兴和风电场实际故障记录进行对比,发现当前方法可以有效识别出风机处于偏航状态,且识别出的偏航角度接近于人工测量的真实值,从而验证了基于混合高斯模型的风电偏航角度识别方法在识别偏航系统故障上的有效性。
本方法基于风机运行SCADA数据驱动,由对风机运行SCADA数据进行数据划分、异常数据清洗、基于数据建模和算法模型训练等环节组成,不需要增加额外的传感设备和采集成本,就能够很好地识别出风机偏航系统由于人为或机械误差造成的风机偏航角度,反应当前机组真实偏航状态。具体案例基于兴和风电场2019年1月至4月4号风电机组的SCADA数据来完成对本方法的验证。图1-5为使用本发明基于混合高斯模型的风电机组偏航误差识别方法来进行风电机组偏航角度识别过程中各个环节的结果。本方法对风电机组的性能提升和风机智能运维的需求均具有较强的应用价值与经济意义。
基于同一发明构思,本发明的另一实施例提供一种采用上述方法的基于混合高斯模型的风电机组偏航角度识别装置,其包括:
初始数据集提取模块,用于读取一定周期内的风电机组运行数据作为初始数据集;
待分析数据集提取模块,用于基于初始数据集筛选出偏航控制系统正常工作时的数据作为待分析数据集;
偏航状态判定模块,用于通过待分析数据集中偏航误差-风速-功率散点图确定当前风机是否处于偏航状态;
偏航方向估计模块,用于对待分析数据集中的风机偏航误差进行区间划分,并绘制风机偏航误差区间段的频率分布直方图,依据风机偏航误差区间段的频率分布直方图估计风机偏航方向;
模型训练模块,用于构建混合高斯分布模型,使用待分析数据集对混合高斯分布模型进行训练;
偏航角度确定模块,用于根据训练后的混合高斯分布模型中的单高斯分布模型的均值,获得风机当前的偏航角度。
基于同一发明构思,本发明的另一实施例提供一种电子装置(计算机、服务器、智能手机等),其包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行本发明方法中各步骤的指令。
基于同一发明构思,本发明的另一实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘),所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现本发明方法的各个步骤。
在不相互矛盾的情况下,本领域技术人员可能通过修改上述实施例的步骤中的各项参数指标、调整各个步骤间处理顺序、更改模型的分布假设或计算公式以及组合新的数据处理或算法模型来实施本专利。凡在本说明书实施方式的精神和原理之内所做的任何修改、等同替换、改进等,均应包含在本说明书实施方式的权利要求范围之内。
Claims (8)
1.一种基于混合高斯分布模型的风电机组偏航角度识别方法,其特征在于,包括以下步骤:
读取一定周期内的风电机组运行数据作为初始数据集;
基于初始数据集筛选出偏航控制系统正常工作时的数据作为待分析数据集;
通过待分析数据集中偏航误差-风速-功率散点图确定当前风机是否处于偏航状态;
对待分析数据集中的风机偏航误差进行区间划分,并绘制风机偏航误差区间段的频率分布直方图,依据风机偏航误差区间段的频率分布直方图估计风机偏航方向;
构建混合高斯分布模型,使用待分析数据集对混合高斯分布模型进行训练;
根据训练后的混合高斯分布模型中的单高斯分布模型的均值,获得风机当前的偏航角度;
所述基于初始数据集筛选出偏航控制系统正常工作时的数据作为待分析数据集,包括:
从初始数据集中筛选时间、风速、功率和偏航误差四个变量作为特征数据集;
以设定的区间长度对初始数据集中的风速数据进行区间划分,获取初始数据集中每条数据对应的风速区间段;
统计初始数据集中位于每一个风速区间段的数据量,取每个风速区间段下数据的功率平均值,绘制风速区间段的频率分布直方图;
依据绘制的风速区间段的频率分布直方图中各个风速区间段的频率分布情况和对应风机的切入切出风速值来确定风机偏航控制系统正常工作时的风速区间;
依据风电机组的额定功率区间确定风机偏航控制系统正常工作时的功率区间;
根据确定好的风机偏航控制系统正常工作时的风速区间和功率区间划定风机偏航控制系统正常工作时的运行数据集,作为待分析数据集,所述待分析数据集包括时间、风速测量值、功率测量值和偏航误差测量值;
所述通过待分析数据集中偏航误差-风速-功率散点图确定当前风机是否处于偏航状态,包括:
利用特征数据集绘制偏航误差-风速-功率散点图,其中偏航误差作为散点图的X轴变量,风速作为散点图的Y轴变量,并用灰度表示数据散点所对应的功率大小,灰度越深代表功率越大;
根据偏航误差-风速-功率散点图的中轴对应的偏航误差区间和该散点图的散点分布形态确定当前风机是否处于偏航状态。
2.根据权利要求1所述的方法,其特征在于,所述对待分析数据集中的风机偏航误差进行区间划分,并绘制风机偏航误差区间段的频率分布直方图,依据风机偏航误差区间段的频率分布直方图估计风机偏航方向,包括:
以设定的区间长度对风机偏航误差数据进行区间划分,获取每条数据对应的风机偏航误差区间段;
统计位于每一个风机偏航误差区间段的数据量,绘制风机偏航误差区间段的频率分布直方图;
依据风机偏航误差区间段的频率分布直方图的分布偏移情况估计当前风机偏航方向。
3.根据权利要求1所述的方法,其特征在于,所述构建混合高斯分布模型,使用待分析数据集对混合高斯分布模型进行训练,包括:
设定混合高斯分布模型中包含两个初始均值为0的单高斯分布;
使用待分析数据集中的风机偏航误差数据来训练构建好的混合高斯分布模型,将待分析数据集中的数据划分至混合高斯分布模型中的两个单高斯分布中。
4.根据权利要求3所述的方法,其特征在于,设定所述混合高斯分布模型中的协方差类型为diag,即每个分量有各自不同的对角协方差矩阵;设定所述混合高斯分布模型参数初始化次数为100。
5.根据权利要求3所述的方法,其特征在于,所述根据训练后的混合高斯分布模型中的单高斯分布模型的均值,获得风机当前的偏航角度,包括:
训练好的混合高斯分布模型中的两个单高斯分布的均值分别μ1和μ2;
风机当前的偏航角度为Ω,{Ω=Max(|μ1|,|μ2|)}。
6.一种采用权利要求1~5中任一权利要求所述方法的一种基于混合高斯分布模型的风电机组偏航角度识别装置,其特征在于,包括:
初始数据集提取模块,用于读取一定周期内的风电机组运行数据作为初始数据集;
待分析数据集提取模块,用于基于初始数据集筛选出偏航控制系统正常工作时的数据作为待分析数据集;
偏航状态判定模块,用于通过待分析数据集中偏航误差-风速-功率散点图确定当前风机是否处于偏航状态;
偏航方向估计模块,用于对待分析数据集中的风机偏航误差进行区间划分,并绘制风机偏航误差区间段的频率分布直方图,依据风机偏航误差区间段的频率分布直方图估计风机偏航方向;
模型训练模块,用于构建混合高斯分布模型,使用待分析数据集对混合高斯分布模型进行训练;
偏航角度确定模块,用于根据训练后的混合高斯分布模型中的单高斯分布模型的均值,获得风机当前的偏航角度。
7.一种电子装置,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1~5中任一权利要求所述方法的指令。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现权利要求1~5中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110198811.7A CN113048012B (zh) | 2021-02-22 | 2021-02-22 | 基于混合高斯模型的风电机组偏航角度识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110198811.7A CN113048012B (zh) | 2021-02-22 | 2021-02-22 | 基于混合高斯模型的风电机组偏航角度识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113048012A CN113048012A (zh) | 2021-06-29 |
CN113048012B true CN113048012B (zh) | 2022-10-25 |
Family
ID=76509890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110198811.7A Active CN113048012B (zh) | 2021-02-22 | 2021-02-22 | 基于混合高斯模型的风电机组偏航角度识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113048012B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113653609B (zh) * | 2021-09-17 | 2022-04-19 | 中节能风力发电股份有限公司 | 风电机组风向标故障识别方法、系统、设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015085308A1 (en) * | 2013-12-07 | 2015-06-11 | Cardinal Wind, Inc. | Computer-implemented data analysis methods and systems for wind energy assessments |
CN109667727B (zh) * | 2018-11-18 | 2020-01-10 | 浙江大学 | 一种基于功率曲线分析的风电机组偏航误差固有偏差辨识及补偿方法 |
CN110761947B (zh) * | 2019-11-15 | 2020-09-11 | 华北电力大学 | 一种风电机组偏航校准方法及系统 |
CN111322205B (zh) * | 2019-12-13 | 2021-11-23 | 风脉能源(武汉)股份有限公司 | 风电机组风向标零位误差辨识方法及校正方法 |
-
2021
- 2021-02-22 CN CN202110198811.7A patent/CN113048012B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113048012A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A fault diagnosis method for wind turbines gearbox based on adaptive loss weighted meta-ResNet under noisy labels | |
CN110761947B (zh) | 一种风电机组偏航校准方法及系统 | |
Liu et al. | A small-sample wind turbine fault detection method with synthetic fault data using generative adversarial nets | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN111881617A (zh) | 数据处理方法、风力发电机组的性能评估方法及系统 | |
CN116123042B (zh) | 一种风力发电机组的智能监测预警方法及系统 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN113469230B (zh) | 一种转子系统深度迁移故障诊断方法、系统及介质 | |
CN109779848B (zh) | 全场风速修正函数的获得方法、装置及风电场 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN113048012B (zh) | 基于混合高斯模型的风电机组偏航角度识别方法和装置 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN116502072A (zh) | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 | |
CN115163424A (zh) | 基于神经网络的风电机组齿轮箱油温故障检测方法和系统 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
Wang et al. | An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning | |
CN111027229A (zh) | 基于稀疏异方差多样条回归的风功率曲线拟合的方法 | |
CN117454324A (zh) | 风速风向仪故障预警方法、系统、电子设备及存储介质 | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network |
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 |