CN113294295A - 用于检测涡轮性能不佳和操作异常的系统和方法 - Google Patents
用于检测涡轮性能不佳和操作异常的系统和方法 Download PDFInfo
- Publication number
- CN113294295A CN113294295A CN202110189102.2A CN202110189102A CN113294295A CN 113294295 A CN113294295 A CN 113294295A CN 202110189102 A CN202110189102 A CN 202110189102A CN 113294295 A CN113294295 A CN 113294295A
- Authority
- CN
- China
- Prior art keywords
- turbine
- monitored
- baseline
- data
- power generation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010248 power generation Methods 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000008277 atmospheric particulate matter Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
-
- 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
- F03D7/028—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- F05B2220/00—Application
- F05B2220/70—Application in combination with
- F05B2220/704—Application in combination with the other apparatus being a gas turbine
-
- 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
- F05B2270/10—Purpose of the control system
- F05B2270/20—Purpose of the control system to optimise the performance of a machine
-
- 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
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
-
- 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
- F05B2270/404—Type of control system active, predictive, or anticipative
-
- 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
- F05B2270/70—Type of control algorithm
- F05B2270/708—Type of control algorithm with comparison tables
-
- 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
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种校正涡轮性能不佳的方法包括:使用监测的数据计算功率产生曲线;检测监测的数据和基线功率产生曲线之间的变化;根据监测的数据生成针对成对操作变量的可操作性曲线;检测可操作性曲线和对应的基线可操作性曲线之间的变化;将该变化与相应的预定度量进行比较,并且如果该变化超过该度量,则向涡轮控制系统提供反馈,该涡轮控制系统针对超过该度量的每个成对变量识别成对操作变量中的至少一个。还公开了一种系统和非暂时性计算机可读介质。
Description
背景技术
涡轮性能不佳是涡轮能量产生损失的主要诱因(large contributor)。常规方法首先人工分析涡轮性能数据,这可导致具有较大不确定性的结果。然后,能量产生不足和涡轮操作异常之间的联系不能自动建立,这使得根本原因识别变得困难。
发明内容
技术方案1. 一种校正涡轮性能不佳的方法,所述方法包括:
访问针对所述涡轮的监测的操作数据;
使用所述监测的操作数据的至少部分计算功率产生曲线;
基于所述涡轮的预期性能预测基线功率产生曲线;
检测所述监测的操作数据的至少所述部分和所述基线功率产生曲线之间的第一组变化;
根据所述监测的操作数据的所述至少部分生成一条或多条监测的可操作性曲线,所述一条或多条监测的可操作性曲线中的每条描述针对成对操作变量的监测值之间的关系;
生成针对所述涡轮的一条或多条基线可操作性曲线,所述一条或多条基线可操作性曲线中的每条描述所述成对操作变量之间的预期关系;
检测所述一条或多条监测的可操作性曲线和所述一条或多条基线可操作性曲线中对应的一条之间的一组变化;
将所述一组变化中的一个或多个与针对所述成对操作变量中的每个的相应的预定度量进行比较;和
基于确定所述一组变化中的一个或多个成员超过所述相应的预定度量,向涡轮控制系统提供反馈,所述涡轮控制系统识别对应于超过所述预定度量的所述一组变化中的成员的所述成对操作变量中的至少一个。
技术方案2. 根据技术方案1所述的方法,其特征在于,包括预处理所述监测的操作数据的所述部分,以排除表示涡轮停机和涡轮限产中的至少一个的时段的数据中的至少一个。
技术方案3. 根据技术方案1所述的方法,其特征在于,在所述基线功率产生曲线中包括针对所述涡轮的历史测量数据的一个或多个元素。
技术方案4. 根据技术方案1所述的方法,其特征在于,包括将平滑技术应用于所述预期基线功率产生曲线。
技术方案5. 根据技术方案1所述的方法,其特征在于,包括在检测所述一组变化之前生成功率残差的时间序列图。
技术方案6. 根据技术方案5所述的方法,其特征在于,包括应用变化点检测算法来检测所述一组变化。
技术方案7. 根据技术方案1所述的方法,其特征在于,包括由所述涡轮控制系统识别的所述成对操作变量中的至少一个成员具有能够由所述涡轮控制系统控制的值。
技术方案8. 一种其上存储有指令的非暂时性计算机可读介质,所述指令在被控制处理器执行时导致所述控制处理器执行校正涡轮性能不佳的方法,所述方法包括:
访问针对所述涡轮的监测的操作数据;
使用所述监测的操作数据的至少部分计算功率产生曲线;
基于所述涡轮的预期性能预测基线功率产生曲线;
检测所述监测的操作数据的至少所述部分和所述基线功率产生曲线之间的第一组变化;
根据所述监测的操作数据的所述至少部分生成一条或多条监测的可操作性曲线,所述一条或多条监测的可操作性曲线中的每条描述成对操作变量的监测值之间的关系;
生成针对所述涡轮的一条或多条基线可操作性曲线,所述一条或多条基线可操作性曲线中的每条描述所述成对操作变量之间的预期关系;
检测所述一条或多条监测的可操作性曲线和所述一条或多条基线可操作性曲线中对应的一条之间的一组变化;
将所述一组变化中的一个或多个与所述成对操作变量中的每个的相应的预定度量进行比较;和
基于确定所述一组变化中的一个或多个成员超过所述相应的预定度量,向所述涡轮控制系统提供反馈,所述涡轮控制系统识别对应于超过所述预定度量的所述一组变化中的成员的所述成对操作变量中的至少一个。
技术方案9. 根据技术方案8所述的非暂时性计算机可读介质,其特征在于,所述指令还配置成导致所述控制处理器通过包括预处理所述监测的操作数据的所述部分以排除表示涡轮停机和涡轮限产中的至少一个的时段的数据中的至少一个来执行所述方法。
技术方案10. 根据技术方案8所述的非暂时性计算机可读介质,其特征在于,所述指令还配置成导致所述控制处理器通过在所述基线功率产生曲线中包括所述涡轮的历史测量数据的一个或多个元素来执行所述方法。
技术方案11. 根据技术方案8所述的非暂时性计算机可读介质,其特征在于,所述指令还配置成导致所述控制处理器通过包括将平滑技术应用于所述预期基线功率产生曲线来执行所述方法。
技术方案12. 根据技术方案8所述的非暂时性计算机可读介质,其特征在于,所述指令还配置成导致所述控制处理器通过包括在检测所述一组变化之前生成功率残差的时间序列图来执行所述方法。
技术方案13. 根据技术方案12所述的非暂时性计算机可读介质,其特征在于,所述指令还配置成导致所述控制处理器通过包括应用变化点检测算法来检测所述一组变化来执行所述方法。
技术方案14. 根据技术方案8所述的非暂时性计算机可读介质,其特征在于,所述指令还配置成导致所述控制处理器通过包括由所述涡轮控制系统识别的所述成对操作变量中的至少一个成员具有能够由所述涡轮控制系统控制的值来执行所述方法。
技术方案15. 一种用于校正涡轮性能不佳的涡轮控制系统,所述系统包括:
涡轮,其具有与存储器单元和数据存储通信的控制处理器;
所述控制处理器包括处理单元,所述控制处理器与一个或多个涡轮致动器通信;
所述存储器单元包括非暂时性计算机可读可执行介质,所述指令在被所述控制处理器执行时导致所述控制处理器执行校正涡轮性能不佳的方法,所述方法包括:
访问针对所述涡轮的监测的操作数据;
使用所述监测的操作数据的至少部分计算功率产生曲线;
基于所述涡轮的预期性能预测基线功率产生曲线;
检测所述监测的操作数据的至少所述部分和所述基线功率产生曲线之间的第一组变化;
根据所述监测的操作数据的所述至少部分生成一条或多条监测的可操作性曲线,所述一条或多条监测的可操作性曲线中的每条描述成对操作变量的监测值之间的关系;
生成针对所述涡轮的一条或多条基线可操作性曲线,所述一条或多条基线可操作性曲线中的每条描述所述成对操作变量之间的预期关系;
检测所述一条或多条监测的可操作性曲线和所述一条或多条基线可操作性曲线中对应的一条之间的一组变化;
将所述一组变化中的一个或多个与所述成对操作变量中的每个的相应的预定度量进行比较;和
基于确定所述一组变化中的一个或多个成员超过所述相应的预定度量,提供反馈以控制一个或多个涡轮致动器,所述一个或多个涡轮致动器影响针对对应于超过所述预定度量的所述一组变化中的成员的所述成对操作变量中的至少一个的值。
技术方案16. 根据技术方案15所述的系统,其特征在于,所述指令还配置成导致所述控制处理器通过包括预处理所述监测的操作数据的所述部分以排除表示涡轮停机和涡轮限产中的至少一个的时段的数据中的至少一个来执行所述方法。
技术方案17. 根据技术方案15所述的系统,其特征在于,所述指令还配置成导致所述控制处理器通过在所述基线功率产生曲线中包括所述涡轮的历史测量数据的一个或多个元素来执行所述方法。
技术方案18. 根据技术方案15所述的系统,其特征在于,所述指令还配置成导致所述控制处理器通过包括将平滑技术应用于所述预期基线功率产生曲线来执行所述方法。
技术方案19. 根据技术方案15所述的系统,其特征在于,所述指令还配置成导致所述控制处理器通过包括以下步骤来执行所述方法:
在检测所述一组变化之前生成功率残差的时间序列图;和
应用变化点检测算法来检测所述一组变化。
技术方案20. 根据技术方案15所述的系统,其特征在于,所述指令还配置成导致所述控制处理器通过包括由所述涡轮控制系统识别的所述成对操作变量中的至少一个成员具有能够由所述涡轮控制系统控制的值来执行所述方法。
附图说明
图1根据实施例描绘了用于涡轮性能不佳检测和根本原因识别的系统;
图2以图解方式描绘了随时间推移的时间序列数据图的表示;
图3根据实施例描绘了用于识别涡轮性能不佳的根本原因的过程;
图4A根据实施例以图解方式描绘了针对功率曲线的涡轮操作性能数据;
图4B以图解方式描绘了图4A的性能数据的时间序列表示;
图5A根据实施例以图解方式描绘了针对图4A的操作性能数据的潜在诱因的操作性能数据;
图5B以图解方式描绘了图5A的性能数据的时间序列表示;
图6A根据实施例以图解方式描绘了针对图4A的操作性能数据的潜在诱因的操作性能数据;和
图6B以图解方式描绘了图6A的性能数据的时间序列表示。
具体实施方式
实施的系统和方法可检测风力涡轮发电站的性能不佳,并通过应用风力涡轮的(多个)操作特性模型来识别性能不佳的根本原因。实施例提供涡轮的性能不佳及其操作异常的自动检测。这种自动检测避免了常规的人工数据分析过程,减少了不确定性,并确定了性能不佳的(多个)根本原因。性能不佳的根本原因可包括不正确的控制参数、叶片未对准、次最佳的叶片变桨控制等。
在一些实现方式中,在识别(多个)根本原因之后,实施例可生成可用的(actionable)信息,涡轮的控制系统可根据该信息调整涡轮的操作参数以增加其能量性能,和/或提供指示部件维护/更换建议的报告。
一种实施的方法可同时应用于协同定位在特定风电场的涡轮和/或整个机群级别的涡轮的实时涡轮操作数据。在广泛的水平上的实现方式可有利于资产性能管理策略,并大大地增加整个企业的设施的能量生产率。识别根本原因的能力能够实现更高效的维护计划和从损失的能量生产中的恢复。
图1根据实施例描绘了用于检测涡轮性能不佳和识别导致性能不佳的(多个)根本原因的系统100。系统100可结合在单个涡轮内,在风力涡轮发电场本地实现,或者在远程服务器上实现。系统100可包括控制处理器110(具有处理器单元112),其通过数据/控制总线120与系统的其它部件通信。该系统可经由通信接口单元144在整个电子通信网络上与远程服务器和其它设备通信。
控制处理器110可访问可执行程序指令132,可执行程序指令132导致处理器执行实施的操作。可执行指令可存储在存储器单元130中或数据存储150中。存储器单元130可为控制处理器提供本地高速缓冲存储器134。
数据过滤/预处理单元140接收包含关于涡轮操作状态(旋转、叶片变桨、能量输出等)和周围环境条件(风速、风向、空气密度、温度、湿度等)的信息的传感器/监视器数据。该操作状态和环境条件数据与表示数据点采集时间的时间戳相关联。根据实施例,由于涡轮性能导致的生产不足的检测使用满负荷涡轮操作数据。数据过滤/预处理单元排除了表示涡轮停机和限产的时段的数据。执行数据处理以确保数据质量和数据有效性,诸如用于风速测量的空气密度校正。所得数据存储在操作数据记录151中。
功率产生曲线基线模型153预测涡轮在不同风速和其它环境条件下的预期功率产生量。为了减少由极端异常值带来的影响并生成可靠的功率曲线估计,基线功率曲线模型可包括稳健的平滑技术——例如,残差或回归分析计算。
功率曲线变化检测模型155量化在相同风速下测量的功率(包含在操作数据记录151中)和对应的基线功率估计(来自功率曲线基线模型153)之间的差异。假设没有变化,功率残差时间序列将在整个检测周期内遵循共同的分布。该功率曲线变化检测模型识别功率残差时间序列中的变化。检测到的变化可对应于潜在的功率产生不足。检测模型可实现一种统计方法,该方法识别时间序列在特定度量(例如,均值、方差等)方面显著变化时的时间。该度量可由用户基于现场条件、生产要求和其它因素预先确定。
可操作性曲线基线模型157描述了一对或多对成对的涡轮操作变量内的关系(例如,发电机扭矩与发电机速度的关系;叶片变桨角度与风速的关系;叶片变桨角度与功率的关系;等等)。针对每种类型的可操作性曲线,提供一个稳健的基线模型来表示正常的涡轮操作模式。
可操作性曲线变化检测模型159针对任何特定类型的可操作性基线曲线限定垂直残差。该垂直残差可为y轴上的实际值和对应于x轴上相同值的相关联的基线估计值之间的差值。可操作性曲线变化检测模型识别残差时间序列中的显著变化(基于预定的度量),并且任何检测到的变化可对应于潜在的异常涡轮操作。
基线模型可实现(多种)稳健回归技术,以准确捕捉基线涡轮性能,并且可使用变化点检测算法来识别偏离基线的最显著变化。
性能不佳检测和根本原因识别单元142(这里称为“识别单元”)监测来自功率曲线变化检测模型的输出。如果该监测的功率曲线变化超过预定的度量(阈值和/或量值),则识别单元分析来自可操作性曲线变化检测模型的成对的涡轮操作变量中的一个或多个,以识别功率曲线变化的根本原因。在一些实现方式中,功率曲线变化检测模型可将功率曲线变化与预定度量进行比较,并向识别单元发送超出容限条件的信号。
举例来说,图2以图解方式描绘了多个数据点205的时间序列数据图200。数据图区域210在时间t1之前,并且包含具有约零的数据点均值220的数据点。数据图区域212在时间t1-t2之间延伸,并且包含具有约Y1的量值的数据点均值222的数据点。数据图区域214在时间t2之后延伸,并且包含具有约Y2的量值的数据点均值224的数据点。时间序列数据图200可表示通过将测量的可操作性曲线与针对成对的涡轮操作变量之一的可操作性曲线基线模型157进行比较而产生的残差时间序列数据。
根据实施例,识别单元142可评估针对时间序列数据图(例如,图200)的一个或多个时间段的残差。评估可为(多个)残差的量值与预定度量的比较。基于评估的结果,识别单元可确定产生特定数据的成对的涡轮操作变量是否是针对涡轮的产生功率曲线中的变化的根本原因。
实施的系统和方法提供对涡轮性能不佳和操作异常的自动检测。实施的方法可同时应用于风电场的和/或在机群级别的一个或多个涡轮的实时涡轮操作数据,这有利于开发改进的资产性能管理策略。改进的策略可提高功率生产率。另外,识别根本原因的能力能够实现更高效的维护计划和减少能源生产损失。
在一些实现方式中,可使用用户限定的基线性能模型,诸如在功率曲线检测模型中使用用户指定的工程功率曲线。此外,该方法可应用于各种涡轮操作条件和/或参数(低或高风速、指定的湿度范围、大气颗粒物悬浮等)以检测条件特定的根本原因。在一些实现方式中,这些用户指定的条件和/或参数可在设计规范开发期间用于预测涡轮、风电场和/或机群操作的预期生产能力。
图3根据实施例描绘了用于识别涡轮性能不佳的根本原因的过程300。在步骤305,访问包含关于涡轮操作状态(旋转、叶片变桨、能量输出等)和涡轮的周围环境条件(风速、风向、空气密度、温度、湿度等)的信息的操作数据。该操作数据由传感器和监视器实时(即,在涡轮操作期间)获取。
在步骤310,涡轮输出功率读数的数据过滤去除了表示涡轮停机和限产的时段的数据。数据预处理将环境条件和与输出功率读数数据相同的时间戳相关联。得到的过滤和处理后的数据存储在操作数据记录151中。
在步骤320,生成涡轮的功率曲线的基线模型。基线模型表示在各种风速和其它条件下针对涡轮的预期功率产生曲线。预期功率产生量可基于制造商的规范,该规范可用针对涡轮的历史(个体化或机群级别)测量数据补充。
图4A根据实施例以图解方式描绘了涡轮操作性能数据400。该性能数据是针对与感测的输出功率同时记录的多个风速下的涡轮输出功率(随时间变化)。基线曲线410表示预期输出功率与风速的关系。区域420内的功率输出的许多数据样本不会随着风速的增加而增加。这种功率输出的停滞可能表明生产不足。
在步骤322,检测涡轮的功率产生曲线(例如,来自操作数据记录151)和涡轮的功率产生曲线基线模型之间的变化。这些变化可通过检查功率残差时间序列来识别,其中负变化可对应于潜在的功率产生不足。
图4B以图解方式描绘了图4A的性能数据的时间序列表示450。在t1之前,时间序列数据具有约零的平均残差,这表明涡轮的测量功率产生曲线与其基线功率产生曲线模型相匹配。在时间t1-t2之间,时间序列数据具有负平均残差。在时间t2之后,残差具有正偏置。
在步骤324,生成涡轮的可操作性曲线的一个或多个基线模型。这些基线模型可操作性曲线表示一对或多对成对的涡轮操作变量之间的关系(例如,发电机扭矩与发电机速度的关系;叶片变桨角度与风速的关系;叶片变桨角度与功率的关系;等等)。这些可操作性曲线可基于制造商的规范,该规范可用涡轮的历史(个体化或机群级别)数据补充。
举例来说,图5A根据实施例以图解方式描绘了针对成对的操作变量叶片变桨角度与风速的关系的操作性能数据500,该风速可为图4A的操作性能数据的潜在诱因。曲线510表示在步骤324针对这对变量生成的基线可操作性曲线。
图6A根据实施例以图解方式描绘了针对成对的操作变量发电机扭矩与发电机速度的关系的操作性能数据600,发电机速度可为图4A的操作性能数据的潜在诱因。曲线610表示在步骤324针对这对变量生成的基线可操作性曲线。
在步骤326,检测可操作性曲线基线模型和涡轮的实际可操作性曲线之间的残差时间序列数据中的垂直残差变化。实际可操作性曲线可根据针对涡轮的成对操作变量的各种参数对(发电机扭矩与发电机速度;叶片变桨角度与风速;叶片变桨角度与功率;等等)的时间戳成对操作变量传感器数据161生成。残差时间序列中检测到的变化的量值(基于预定的度量)可对应于潜在的异常涡轮操作。
举例来说,图5B以图解方式描绘了图5A的操作性能数据的时间序列表示550。在t1之前,时间序列数据具有约零的平均残差,这表明这些成对变量的测量操作与其基线可操作性曲线相匹配。在时间t1-t2之间,时间序列数据具有负平均残差。在时间t2之后,残差具有正偏置。
图6B以图解方式描绘了图6A的性能数据的时间序列表示650。时间序列数据在整个监测时间内具有约零的平均残差,这表明这些成对变量的测量操作与其基线可操作性曲线相匹配。
针对一种或多种根本原因,在步骤330,通过与预定的度量进行比较,量化在对应于功率产生曲线中的变化的时间时的可操作性曲线的残差时间序列数据中的垂直平均残差变化。
在步骤340,做出关于一条或多条可操作性曲线是否包括超过其相应的预定量的变化的判断。如果变化小于预定度量,则过程300返回到步骤305。如果该变化超过其预定度量,则在步骤350,向涡轮控制系统提供关于生产不足的根本原因的反馈信息。然后,涡轮控制系统可调节一个或多个涡轮致动器,以影响操作变量中相应的变量的值,从而增加功率产生量。过程300然后可返回到步骤305,用于持续的性能不佳检测和根本原因识别。
根据一些实施例,存储在非易失性存储器或计算机可读介质(例如,寄存器存储器、处理器高速缓存、RAM、ROM、硬盘驱动器、闪存、CD ROM、磁介质等)中的计算机程序应用可包括代码或可执行程序指令,当被执行时,这些代码或可执行程序指令可指示和/或导致控制器或处理器执行本文所讨论的方法,诸如检测涡轮生产不足和识别根本原因的方法,如上文所公开的。
计算机可读介质可为非暂时性计算机可读介质,其包括除暂时性传播信号之外的所有形式和类型的存储器和所有计算机可读介质。在一个实现方式中,非易失性存储器或计算机可读介质可为外部存储器。
尽管本文已经描述了特定的硬件和方法,但是注意,根据本发明的实施例,可提供任何数量的其它配置。因此,虽然已经示出、描述和指出了本发明的基本新颖特征,但是应当理解,在不脱离本发明的精神和范围的情况下,本领域技术人员可对图示实施例的形式和细节以及它们的操作进行各种省略、替换和改变。从一个实施例到另一个实施例的要素替换也是完全预期的和设想的。本发明仅关于所附权利要求书和其中列举的等同物来限定。
Claims (10)
1.一种校正涡轮性能不佳的方法,所述方法包括:
访问针对所述涡轮的监测的操作数据;
使用所述监测的操作数据的至少部分计算功率产生曲线;
基于所述涡轮的预期性能预测基线功率产生曲线;
检测所述监测的操作数据的至少所述部分和所述基线功率产生曲线之间的第一组变化;
根据所述监测的操作数据的所述至少部分生成一条或多条监测的可操作性曲线,所述一条或多条监测的可操作性曲线中的每条描述针对成对操作变量的监测值之间的关系;
生成针对所述涡轮的一条或多条基线可操作性曲线,所述一条或多条基线可操作性曲线中的每条描述所述成对操作变量之间的预期关系;
检测所述一条或多条监测的可操作性曲线和所述一条或多条基线可操作性曲线中对应的一条之间的一组变化;
将所述一组变化中的一个或多个与针对所述成对操作变量中的每个的相应的预定度量进行比较;和
基于确定所述一组变化中的一个或多个成员超过所述相应的预定度量,向涡轮控制系统提供反馈,所述涡轮控制系统识别对应于超过所述预定度量的所述一组变化中的成员的所述成对操作变量中的至少一个。
2.根据权利要求1所述的方法,其特征在于,包括预处理所述监测的操作数据的所述部分,以排除表示涡轮停机和涡轮限产中的至少一个的时段的数据中的至少一个。
3.根据权利要求1所述的方法,其特征在于,在所述基线功率产生曲线中包括针对所述涡轮的历史测量数据的一个或多个元素。
4.根据权利要求1所述的方法,其特征在于,包括将平滑技术应用于所述预期基线功率产生曲线。
5.根据权利要求1所述的方法,其特征在于,包括在检测所述一组变化之前生成功率残差的时间序列图。
6.根据权利要求5所述的方法,其特征在于,包括应用变化点检测算法来检测所述一组变化。
7.根据权利要求1所述的方法,其特征在于,包括由所述涡轮控制系统识别的所述成对操作变量中的至少一个成员具有能够由所述涡轮控制系统控制的值。
8.一种其上存储有指令的非暂时性计算机可读介质,所述指令在被控制处理器执行时导致所述控制处理器执行校正涡轮性能不佳的方法,所述方法包括:
访问针对所述涡轮的监测的操作数据;
使用所述监测的操作数据的至少部分计算功率产生曲线;
基于所述涡轮的预期性能预测基线功率产生曲线;
检测所述监测的操作数据的至少所述部分和所述基线功率产生曲线之间的第一组变化;
根据所述监测的操作数据的所述至少部分生成一条或多条监测的可操作性曲线,所述一条或多条监测的可操作性曲线中的每条描述成对操作变量的监测值之间的关系;
生成针对所述涡轮的一条或多条基线可操作性曲线,所述一条或多条基线可操作性曲线中的每条描述所述成对操作变量之间的预期关系;
检测所述一条或多条监测的可操作性曲线和所述一条或多条基线可操作性曲线中对应的一条之间的一组变化;
将所述一组变化中的一个或多个与所述成对操作变量中的每个的相应的预定度量进行比较;和
基于确定所述一组变化中的一个或多个成员超过所述相应的预定度量,向所述涡轮控制系统提供反馈,所述涡轮控制系统识别对应于超过所述预定度量的所述一组变化中的成员的所述成对操作变量中的至少一个。
9.根据权利要求8所述的非暂时性计算机可读介质,其特征在于,所述指令还配置成导致所述控制处理器通过包括预处理所述监测的操作数据的所述部分以排除表示涡轮停机和涡轮限产中的至少一个的时段的数据中的至少一个来执行所述方法。
10.根据权利要求8所述的非暂时性计算机可读介质,其特征在于,所述指令还配置成导致所述控制处理器通过在所述基线功率产生曲线中包括所述涡轮的历史测量数据的一个或多个元素来执行所述方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/797593 | 2020-02-21 | ||
US16/797,593 US11378063B2 (en) | 2020-02-21 | 2020-02-21 | System and method for detecting turbine underperformance and operation anomaly |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113294295A true CN113294295A (zh) | 2021-08-24 |
Family
ID=74673119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189102.2A Pending CN113294295A (zh) | 2020-02-21 | 2021-02-19 | 用于检测涡轮性能不佳和操作异常的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11378063B2 (zh) |
EP (1) | EP3869286A1 (zh) |
CN (1) | CN113294295A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3138478A1 (fr) * | 2022-08-01 | 2024-02-02 | Electricite De France | Procede de caracterisation d’etats de fonctionnement d’une eolienne |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6687596B2 (en) | 2001-08-31 | 2004-02-03 | General Electric Company | Diagnostic method and system for turbine engines |
US8219356B2 (en) | 2010-12-23 | 2012-07-10 | General Electric Company | System and method for detecting anomalies in wind turbines |
US20120271593A1 (en) | 2011-04-21 | 2012-10-25 | Honeywell International Inc. | Monitoring wind turbine performance |
US10359473B2 (en) * | 2012-05-29 | 2019-07-23 | Nutech Ventures | Detecting faults in turbine generators |
US20140058615A1 (en) | 2012-08-21 | 2014-02-27 | Charles Terrance Hatch | Fleet anomaly detection system and method |
KR101425016B1 (ko) * | 2012-09-18 | 2014-08-01 | 한국전력공사 | 풍력터빈의 파워커브 모니터링을 위한 파워커브 리미트 자동 산출 방법 |
US10393093B2 (en) * | 2013-11-21 | 2019-08-27 | General Electric Company | System and method for assessing the performance impact of wind turbine upgrades |
US9379951B2 (en) | 2014-01-10 | 2016-06-28 | Instep Software, Llc | Method and apparatus for detection of anomalies in integrated parameter systems |
US9035479B1 (en) * | 2014-07-11 | 2015-05-19 | Wind Stream Properties, Llc | Turbine controller for optimizing economic present value of the turbine |
US10253758B2 (en) * | 2014-09-23 | 2019-04-09 | General Electric Company | System and method for optimizing wind farm performance |
CN104481804B (zh) * | 2014-12-05 | 2017-02-22 | 北京金风科创风电设备有限公司 | 风力发电机组对风矫正控制方法、装置和系统 |
GB201509507D0 (en) | 2015-06-02 | 2015-07-15 | Passivsystems Ltd | Fault detection in energy generation arrangements |
DK3303835T3 (da) | 2015-06-03 | 2022-02-28 | Hitachi Energy Switzerland Ag | Fremgangsmåde til overvågning af en vindmøllepark |
US10883475B2 (en) * | 2015-11-26 | 2021-01-05 | Vestas Wind Systems A/S | Method for monitoring and assessing power performance changes of a wind turbine |
CN106815456A (zh) * | 2015-12-02 | 2017-06-09 | 中国电力科学研究院 | 一种风电机组功率特性评价方法 |
AU2017277280A1 (en) | 2016-06-06 | 2018-12-20 | Intertrust Technologies Corporation | Anomaly detection systems and methods |
EP3545193B1 (en) * | 2016-11-28 | 2022-10-12 | Vestas Wind Systems A/S | Improving annual energy production of wind turbine sites |
EP3343300A1 (en) | 2017-01-03 | 2018-07-04 | General Electric Company | Digital twin interface for operating wind farms |
US11187208B2 (en) | 2017-03-01 | 2021-11-30 | Vestas Wind Systems A/S | Performance monitoring of a multi-rotor wind turbine system |
WO2018203891A1 (en) | 2017-05-03 | 2018-11-08 | Siemens Energy, Inc. | Control system for a class of wind turbines and methods of using the same |
US20190138970A1 (en) | 2017-11-07 | 2019-05-09 | General Electric Company | Contextual digital twin |
CN108301955B (zh) * | 2018-01-15 | 2020-04-24 | 武汉大学 | 轴流式pat发电模式最优效率点参数和性能曲线预估方法 |
-
2020
- 2020-02-21 US US16/797,593 patent/US11378063B2/en active Active
-
2021
- 2021-02-19 CN CN202110189102.2A patent/CN113294295A/zh active Pending
- 2021-02-22 EP EP21158481.8A patent/EP3869286A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US11378063B2 (en) | 2022-07-05 |
US20210262446A1 (en) | 2021-08-26 |
EP3869286A1 (en) | 2021-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111555716B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
EP3451479A1 (en) | System and method for distribution load forecasting in a power grid | |
EP2172824B1 (en) | Method and system of wind turbine condition monitoring | |
US20060074595A1 (en) | Method and apparatus for improved fault detection in power generation equipment | |
US11604461B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN110807245B (zh) | 一种设备故障预警的自动建模方法和系统 | |
CN108334652B (zh) | 机台的预诊断方法及预诊断装置 | |
US20230118175A1 (en) | Event analysis in an electric power system | |
CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
CN113294295A (zh) | 用于检测涡轮性能不佳和操作异常的系统和方法 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN117318069B (zh) | 一种供电系统故障自愈方法及系统 | |
CN117664218A (zh) | 一种真空冷冻干燥机的校准方法 | |
CN110096029A (zh) | 热位移校正装置 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
WO2019140613A1 (en) | Method, apparatus and system for wind converter management | |
Roberts et al. | An Investigation on the Usability of High-Frequency Wind Tur-bine Controller Data for Predictive Maintenance | |
CN117057676B (zh) | 多数据融合的故障分析方法、设备及存储介质 | |
CN116629714B (zh) | 一种电厂绩效管理方法及系统 | |
CN117668684B (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN117082105B (zh) | 一种绿色智慧医院设施监控系统及方法 | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 | |
CN117195451A (zh) | 一种基于图论的桥梁监测数据修复方法 | |
BR102021024903A2 (pt) | Método para identificação de anomalias e predição de falhas, e, meio de armazenamento legível por processador |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231228 Address after: Barcelona, Spain Applicant after: Ge renewable energy Spain Ltd. Address before: New York State, USA Applicant before: General Electric Co. |
|
TA01 | Transfer of patent application right |