CN113689072B - 一种基于马尔科夫链的海上风电机组运行状态评估方法 - Google Patents
一种基于马尔科夫链的海上风电机组运行状态评估方法 Download PDFInfo
- Publication number
- CN113689072B CN113689072B CN202110806316.XA CN202110806316A CN113689072B CN 113689072 B CN113689072 B CN 113689072B CN 202110806316 A CN202110806316 A CN 202110806316A CN 113689072 B CN113689072 B CN 113689072B
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- offshore wind
- risk
- running
- state
- 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
- 238000011156 evaluation Methods 0.000 title abstract description 11
- 230000007704 transition Effects 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping 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
- 238000010248 power generation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Abstract
本发明公开了一种基于马尔科夫链的海上风电机组运行状态评估方法,包括采用模糊C均值聚类方法对风电机组输出功率预测误差进行聚类,按照风电机组运行风险的严重程度对海上风电机组运行工况进行了分类;建立基于马尔科夫链的海上风电机组运行风险度状态转移模型;基于运行风险度状态转移模型对海上风电机组异常运行状态进行评估,以及定义描述海上风电机组异常状况的评价指标。本发明基于马尔科夫预测方法,实现了对海上风电机组运行状态转移态势的预测,能够有效描述和预测风电机组运行中的异常状况,能够为海上风电机组运维决策提供有力依据。
Description
技术领域
本发明属于风力发电运维技术领域,具体涉及一种基于马尔科夫链的海上风电机组运行状态评估方法。
背景技术
随着风电装机容量的不断投入和全球风电市场的快速发展,对风电机组的高效、经济运维提出了新的要求。对风电机组运行状态进行评估能够为机组提供智能化故障预警,将被动的传统运维方式转化为主动的预防性运维方式,从而降低运维成本,提高风电运维的智能化水平。针对风电机组运行状态评估的工作也有不少研究成果,但现有方法大多未给出明确的风电机组运行状态风险度评估结果,尚缺乏对风电机组态势变化趋势的研究。
同时,大多数现有方案中各类模型的建立具有不确定性,依赖大量高质量的历史故障数据,无法实现在缺乏故障数据支撑的场景下,开展风电机组运行状态评估工作。
发明内容
本发明提供一种基于马尔科夫链的海上风电机组运行状态评估方法,基于残差和风险度转移模型对海上风电机组运行状态进行评估,有效描述海上风电机组异常运行状态严重程度,为海上风电机组异常运行状态提供判断依据。
为实现上述目的,本发明采用的技术方案如下:
本发明提供一种基于马尔科夫链的海上风电机组运行状态评估方法,包括:
基于海上风电机组输出功率预测结果,计算海上风电机组输出功率预测的绝对误差;
基于所述绝对误差对海上风电机组运行风险严重程度进行划分;
对所述运行风险严重程度进行聚类,并确定运行风险度等级;
基于马尔科夫链建立海上风电机组运行风险度状态转移模型;
基于所述运行风险度状态转移模型对海上风电机组异常运行状态进行评估。
进一步的,采用随机森林预测模型对海上风电机组输出功率进行预测。
进一步的,基于所述绝对误差对海上风电机组运行风险严重程度进行划分,包括:
其中,S表示t时刻海上风电机组运行风险严重程度,d为风险度值,dt-1、dt、dt+1分别表示t-1时刻、t时刻、t+1时刻海上风电机组输出功率预测的绝对误差,ε表示海上风电机组输出功率预测模型的精度误差;
当t时刻前后海上风电机组输出功率预测的绝对误差均超出预测模型精度误差范围,则t时刻海上风电机组的风险度值d为dt,否则,风险度值d为0。
进一步的,采用无监督的模糊C均值聚类算法对所述运行风险严重程度进行聚类。
进一步的,所述确定运行风险度等级,包括:
从聚类结果得到的各个类别中各抽取样本调查其对应海上风电机组运行参数是否存在异常,以及运维日志中是否存在故障记录,以此为依据定义每一类的运行风险度等级。
进一步的,所述基于马尔科夫链建立海上风电机组运行风险度状态转移模型,包括:
其中,X(r)为海上风电机组r时刻运行风险的概率分布,X(0)海上风电机组初始时刻运行风险的概率分布,k为海上风电机组运行风险度等级个数;
X(0)=[X1(0),X2(0),…,Xi(0),…,Xk(0)];
其中,Xi(0)为海上风电机组在初始时刻处于第i个风险度等级的概率;
X(r)=[X1(r),X2(r),…,Xj(r),…,Xk(r)];
其中,Xj(r)为海上风电机组r时刻处于第j个风险度等级的概率;
P为海上风电机组运行风险度状态转移矩阵,P中的元素满足:
进一步的,基于所述运行风险度状态转移模型对海上风电机组异常运行状态进行评估,包括:
定义与海上风电机组运行风险度等级一一对应的海上风电机组运行状态空间;
统计历史时刻海上风电机组运行状态序列,得到马尔科夫链的一步运行风险度状态转移矩阵;
基于初始时段的海上风电机组运行状态序列和所得到的运行风险度状态转移矩阵,对未来r时段的运行状态进行预测。
进一步的,选取max{Xi(r),i=1,2,…k}所对应的海上风电机组运行状态空间的状态为未来r时段的海上风电机组运行状态。
进一步的,还包括:
根据所得的海上风电机组运行状态,基于实际海上风电机组运行数据,分析状态变化的规律和趋势,对海上风电机组运行风险的态势进行评估。
有益效果:本发明与现有技术相比,对风电机组运行状态空间进行了明确划分,能够对风电机组的异常运行状态进行有限识别,从而有效地为风电机组异常运行状态提供判断依据,有利于促进风电机组状态检修管理的实施和降低风电场整体运维成本。
附图说明
图1为本发明的基于马尔科夫链的海上风电机组运行状态评估方法流程图;
图2为本发明实施例中海上风电机组输出功率的预测结果图;
图3为本发明实施例中海上风电机组运行风险度划分区间示意图;
图4为本发明实施例中海上风电机组运行风险度分布图;
图5为本发明实施例中海上风电机组运行风险度状态转移示意图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供一种基于马尔科夫链的海上风电机组运行状态评估方法,包括:
基于海上风电机组输出功率预测结果,计算海上风电机组输出功率预测的绝对误差,对海上风电机组运行风险严重程度进行描述;
采用无监督的模糊C均值聚类算法构建风电机组输出功率预测绝对误差的离群点模型,将相似度较高的风险严重度进行聚类,并确定各类的风险度等级;
基于马尔科夫链,建立海上风电机组运行风险度状态转移模型;
基于海上风电机组运行风险度状态转移模型对海上风电机组异常运行状态进行评估。
本发明的一个实施例中,对海上风电机组运行风险严重程度进行描述,参见图1,包括:
功率作为风电机组的一项重要性能指标,是风电机组对外的直接输出。输出功率的异常波动能够反映出机组的运行风险,因此,海上风电机组运行风险可定义为实际输出功率偏离正常运行状态下预期值的严重程度。
海上风电机组输出功率实际值与预测值的绝对误差定义为:
d=|Pr-Pp| (1)
式中,Pr表示海上风电机组输出功率实际值,Pp表示海上风电机组输出功率预测值;d表示海上风电机组输出功率预测的绝对误差。
本实施例中,可采用随机森林预测模型对海上风电机组输出功率进行预测。
除海上风电机组运行出现异常状况外,预测的绝对误差还可能由模型本身的误差和随机扰动等引起,利用布尔变量定义异常状态A:
式中,dt-1表示t-1时刻海上风电机组输出功率预测的绝对误差,dt表示t时刻海上风电机组输出功率预测的绝对误差,dt+1表示t+1时刻海上风电机组输出功率预测的绝对误差,ε表示海上风电机组输出功率预测模型的精度误差。
式(2)表明,若t时刻前后海上风电机组输出功率预测的绝对误差均超出预测模型精度误差范围,则t时刻该还是风电机组的状态记为1,即为异常状态、存在风险;反之,若t时刻前后机组功率预测的绝对误差均处于预测模型精度误差范围内,则t时刻该机组的状态记为0,即为正常状态、不存在风险。
然而,上述过程仅能够判断海上风电机组的运行状态是否存在风险,但未能为风险严重程度进行直观的反映。因此,本发明实施例进一步对输出功率预测的绝对误差进行量化,以绝对误差d作为异常状态的表征量,用于描述风电机组的风险严重程度。风电机组风险严重度S定义为:
该式表明,当t时刻前后海上风电机组输出功率预测的绝对误差均超出预测模型精度误差范围,则t时刻该海上风电机组为异常状态、存在风险,风险度值为d,且d值越大则风险严重程度越高。
式(3)能够较为直观地反映海上风电机组的风险严重程度,但由此得到的风险严重度等级较为模糊。因此后续将采用无监督的模糊C均值聚类算法构建风电机组输出功率预测绝对误差的离群点模型,将相似度较高的风险严重度进行聚类。
本发明的一个实施例中,采用无监督的模糊C均值聚类算法对所得风险度进行聚类,具体如下:
已知数据样本集X={x1,x2,…,xn},n为样本数,FCM算法将其分成k个模糊簇,并求得每个簇的聚类中心,使如下的目标函数最小:
式中,Ci为第i个簇的聚类中心;m为加权指数;为第j个样本对于第i个簇的隶属度;dij为第j个样本与第i个簇的聚类中心之间的欧几里得距离。
引入拉格朗日算子:
对所有输入参量求导,使得式(6)取得最小值的必要条件为:
FCM算法实质就是求能够使目标函数最小的聚类中心和隶属度矩阵的过程,基于FCM算法的海上风电机组风险严重度聚类步骤如下:
步骤1:初始化隶属度矩阵U,设定迭代次数l=0。
步骤2:计算海上风电机组风险度数据集S={S1,S2,…,Sn}中所有样本的聚类中心C。
步骤3:更新隶属度矩阵U。
步骤4:对于给定判别精度Δ,计算,若||Ul+1-Ul||<Δ,则停止迭代;否则,l=l+1,返回步骤2。
上述步骤最终得到k个聚类中心和一个k×n的模糊划分矩阵。聚类中心表示每个类的平均特征,可将其作为该类模式下的典型值。模糊划分矩阵表示每个样本点对每一类的隶属度,由此确定样本点的归类。因此,聚类的结果可看作是海上风电机组运行风险度数据集S到风险严重度等级的一个模糊映射。
从聚类结果得到的各个类别中各抽取样本调查其对应风电机组运行参数是否存在异常,以及运维日志中是否存在故障记录,以此来确定每一类的明确含义,即确定各类的风险度等级高低。
本发明的一个实施例中,基于马尔科夫链,建立海上风电机组运行风险度的状态转移模型,具体如下:
假设海上风电机组运行风险评估过程中共有k个互不相容的风险度等级,则海上风电机组初始运行风险的分布向量为:
X(0)=[X1(0),X2(0),…,Xi(0),…,Xk(0)] (8)
式中,Xi(0)为海上风电机组在初始时刻处于第i个风险度等级的概率。
r步转移后的海上风电机组运行风险的分布向量为:
X(r)=[X1(r),X2(r),…,Xj(r),…,Xk(r)] (9)
式中,Xj(r)为海上风电机组在r时刻处于第j个风险度等级的概率。
因此,海上风电机组运行状态风险评估的马尔科夫模型为:
式中,上标r表示矩阵的乘法运算,
P为海上风电机组运行风险的状态转移矩阵,有:
本发明的一个实施例中,对海上风电机组异常运行状态进行评估,具体如下:
步骤1:将海上风电机组运行状态的k个风险度等级Stage1~k分别对应为状态空间的k个状态,即确定马尔科夫链的状态空间为S={1,2,3,…,k-1,k};其中,严重程度最高的风险状态为k;
步骤2:统计历史时刻海上风电机组运行风险状态序列,得到风险度马尔科夫链的一步转移矩阵P=(pij),i,j∈S;海上风电机组运行风险状态序列由统计该机组历史时刻所处的风险度等级所得。一步转移矩阵的计算可由转移频数矩阵得到,转移频数矩阵由统计状态序列各转移路径的频数得到。
步骤3:设前面各个时段的海上风电机组运行风险度为初始风险分布向量X(0)。利用由步骤2得到的一步状态转移矩阵,对这之后第r时段的状态概率X(r)进行预测;
步骤4:由步骤3所得结果,满足max{Xi(1),i∈S}所对应的状态空间的状态就是下一时段的海上风电机组运行风险预测状态;满足max{Xi(r),i∈S}所对应的状态空间的状态就是之后第r时段的风险预测状态。
步骤5:由步骤4中所得的预测状态,基于实际海上风电机组运行数据得到一系列风险预测状态结果,并进一步分析状态变化的规律和趋势,由此实现对海上风电机组运行风险的态势评估。
定义描述风电机组异常状况的评价指标为:
AI=P(S1(1),S2(2),…,Si(t),…Sm(r)) (12)
式中,Si(t)表示海上风电机组在t时刻处于风险度等级为i所对应的状态空间的状态。
AI的计算方法如下:
AI=P(S1(1),S2(2),…,Sm(r))=P(S1(1))·P(S2(2)|S1(1))…P(Sm(r)|Sm-1(r-1)) (13)
其中,P(Sm(n)|Sm-1(n-1)是风险度m-1到风险度m的转移概率。
P(S1(1))的计算公式如下:
其中,f(1)为海上风电机组统计序列中某一风险状态的出现频数,M(1)为海上风电机组统计序列中初始状态为某一风险状态的数据数量,m为海上风电机组状态序列中的数据总量。
当系统由其他状态转移向状态k转移时,认为系统存在异常,而根据状态转移路径的不同,可定义多个异常指数,他们代表着不同的风险度变化趋势,也代表着不同程度的异常状况。由此,可将步长为1、状态转移路径为Stage(k–1)-Stagek的转移概率定义为异常指数1,将步长为k–1、状态转移路径为Stage1-Stagek的转移概率定义为异常指数2。具体定义方法如下:
表1风电机组运行状态转移异常指数定义
异常指数1代表了风电机组风险度经过一个时间步长,由Stage(k–1)转移到Stagek的概率;异常指数2代表了风电机组风险度经过一个时间步长,风险度由Stage1转移到Stagek的概率。将异常指数1和2分别表示为AI1和AI2。
仿真分析
本实施例的仿真分析在MATLAB平台上进行仿真验证。使用南通某风电场的单台风电机组的监测数据,综合风向、风速、温度、湿度等气象信息对海上风电机组输出功率数据进行预测和分析,并进行海上风电机组风险严重度等级的划分。数据采样时间为一年,由2016年1月1日00:00至2016年12月31日23:45,采集频率为15min/s。
本实施例中海上风电机组历史数据选取的时间段为2016年1月23日2:45至2016年1月25日13:15,该时段的海上风电机组输出功率预测结果如图2所示。
基于该时段的海上风电机组输出功率预测结果,采用模糊C均值聚类算法对样本的预测绝对误差数据集进行聚类,根据最佳隶属度和最佳聚类数目选择的最优聚类结果显示,预测绝对误差信号划分为了4类。由此定义了海上风电机组4个运行状态,即海上风电机组的4个风险严重度等级,分别记为Stage1(正常)、Stage2(轻度)、Stage3(中度)和Stage4(重度)。各风险度等级的划分和所描述的物理意义如表2所示。4个风险严重度等级的划分区间如图3所示,该时段各样本数据的风险度分布如图4所示。
表2海上风电机组风险度等级划分
在海上风电机组正常运行情况下,风电机组的变桨系统会实时地进行调节来保持风电机组输出功率的平滑,预测功率与实际功率应基本保持一致。然而,由图1可以看出,实际功率相比预测功率有明显偏差。由此可知,在这段时间内,风电机组运行状态必然存在异常。本实施例中2016年1月25日5:30至2016年1月25日11:15这一时段的样本数据(168-191号样本)处于Stage4状态,该时段风速稳定保持在较高水平,但与期望功率相比实际功率出现大幅的下降,并在一段时间内明显低于期望功率,表明该时段风电机组存在异常情况。据此可知,本发明能够正确描述风电机组风险严重程度,有效地反映风电机组异常状态。
本实施例继续选取江苏南通某风电场的单台风电机组的SCADA数据,数据采样时间段为一年,由2016年1月1日00:00至2016年12月31日23:45,采集频率为每15min一次。上述将风电机组运行状态风险度划分为四个等级,分别为Stage1、Stage2、Stage3、Stage4,将它们依次对应到马尔科夫链的状态空间,记为S={1,2,3,4}。统计该风电机组的运行风险状态序列,计算得到其马尔科夫链模型的初始状态分布向量I和状态转移矩阵T。风电机组运行风险初始状态概率如表3所示,状态转移矩阵如表4所示。
由表4中的风电机组运行风险状态转移矩阵可以得到其对应的马尔科夫模型状态转移示意图,如图5所示。可知,Stage4对应了风电机组运行的异常状态,因此由图5可得到从其他风险度等级转移到Stage4的概率和路径。从图中可知,所有从其他状态转移到Stage4的路径中时,Stage3-Stage4这一路径的概率最高。因此,当发现风险度增大到Stage3的区间时,就须密切关注机组的运行状况,警惕和避免故障的发生。
表3风电机组运行风险初始状态概率
表4风电机组运行风险状态转移矩阵
根据上述结果,同时基于本发明风电机组异常运行状态评价指标的定义,当风电机组运行状态风险度等级由Stage3转移到Stage4时,风电机组的运行状态转移跨度较小,其性能可能存在轻微异常,即以异常指数1(AI1)进行描述。而当风电机组运行状态风险度等级由Stage1直接转移到Stage4时,风电机组运行状态转移跨度较大,其性能可能存在较为严重的异常,则用异常指数2(AI2)来描述。在实际应用中,这2个指标相互配合,决定了异常情况下所应该采取的运维措施的优先级,可为风电机组实际运维决策提供有利的判断依据。由于AI2所描述的风电机组异常情况比AI1更严重,AI2则对应了更高的安全级别和更优先的运维顺序。计算得到的风电机组运行状态异常指标结果如表5所示,下面将结合表5中结果具体说明异常指标AI对运维决策的指导作用。
表5风电机组运行状态异常指标计算结果
由表5中结果分析可知,如果风电机组运行状态取异常指数2的频数大于取异常指数1的频数,则风电机组在运行过程的风险将会增加,发生故障的可能性就越大,反之则越低。因此,在风电机组实际运行过程中,对于出现风电机组的异常指数2较大的这种情况,运维人员应及时地开展详细的潜在故障排查,并结合未来的风资源情况、风电机组出力需求和电网的运行调度安排等因素,提前开展合理的计划检修工作,以便及时排除风电机组安全隐患,降低故障风险。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (2)
1.一种基于马尔科夫链的海上风电机组运行状态评估方法,其特征在于,包括:
基于海上风电机组输出功率预测结果,计算海上风电机组输出功率预测的绝对误差;其中,采用随机森林预测模型对海上风电机组输出功率进行预测;
基于所述绝对误差对海上风电机组运行风险严重程度进行划分,包括:
其中,S表示t时刻海上风电机组运行风险严重程度,d为风险度值,dt-1、dt、dt+1分别表示t-1时刻、t时刻、t+1时刻海上风电机组输出功率预测的绝对误差,ε表示海上风电机组输出功率预测模型的精度误差;
当t时刻前后海上风电机组输出功率预测的绝对误差均超出预测模型精度误差范围,则t时刻海上风电机组的风险度值d为dt,否则,风险度值d为0;
对所述运行风险严重程度进行聚类,并确定运行风险度等级;其中,采用无监督的模糊C均值聚类算法对所述运行风险严重程度进行聚类,所述确定运行风险度等级,包括:
从聚类结果得到的各个类别中各抽取样本调查其对应海上风电机组运行参数是否存在异常,以及运维日志中是否存在故障记录,以此为依据定义每一类的运行风险度等级;
基于马尔科夫链建立海上风电机组运行风险度状态转移模型,包括:
其中,X(r)为海上风电机组r时刻运行风险的概率分布,X(0)海上风电机组初始时刻运行风险的概率分布,k为海上风电机组运行风险度等级个数;
X(0)=[X1(0),X2(0),…,Xi(0),…,Xk(0)];
其中,Xi(0)为海上风电机组在初始时刻处于第i个风险度等级的概率,i=1,2,…k;
X(r)=[X1(r),X2(r),…,Xj(r),…,Xk(r)];
其中,Xj(r)为海上风电机组r时刻处于第j个风险度等级的概率,j=1,2,…k;
P为海上风电机组运行风险度状态转移矩阵,P中的元素满足:
基于所述运行风险度状态转移模型对海上风电机组异常运行状态进行评估,包括:
定义与海上风电机组运行风险度等级一一对应的海上风电机组运行状态空间;
统计历史时刻海上风电机组运行状态序列,得到马尔科夫链的一步运行风险度状态转移矩阵;
基于初始时段的海上风电机组运行状态序列和所得到的运行风险度状态转移矩阵,对未来r时段的运行状态进行预测,选取max{Xi(r),i=1,2,…k}所对应的海上风电机组运行状态空间的状态为未来r时段的海上风电机组运行状态。
2.根据权利要求1所述的一种基于马尔科夫链的海上风电机组运行状态评估方法,其特征在于,还包括:
根据所得的海上风电机组运行状态,基于实际海上风电机组运行数据,分析状态变化的规律和趋势,对海上风电机组运行风险的态势进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110806316.XA CN113689072B (zh) | 2021-07-16 | 2021-07-16 | 一种基于马尔科夫链的海上风电机组运行状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110806316.XA CN113689072B (zh) | 2021-07-16 | 2021-07-16 | 一种基于马尔科夫链的海上风电机组运行状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689072A CN113689072A (zh) | 2021-11-23 |
CN113689072B true CN113689072B (zh) | 2024-03-08 |
Family
ID=78577285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110806316.XA Active CN113689072B (zh) | 2021-07-16 | 2021-07-16 | 一种基于马尔科夫链的海上风电机组运行状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689072B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115013261B (zh) * | 2022-08-08 | 2022-12-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
CN117196350B (zh) * | 2023-11-06 | 2024-01-05 | 天津市地质研究和海洋地质中心 | 一种矿山地质环境特征监测与恢复治理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952000A (zh) * | 2015-07-01 | 2015-09-30 | 华侨大学 | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 |
CN106355308A (zh) * | 2016-08-24 | 2017-01-25 | 张雪敏 | 一种基于决策树辨识风电接入系统关键设备的方法 |
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 |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN112818604A (zh) * | 2021-02-05 | 2021-05-18 | 河海大学 | 一种基于风功率预测的风电机组风险度评估方法 |
-
2021
- 2021-07-16 CN CN202110806316.XA patent/CN113689072B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952000A (zh) * | 2015-07-01 | 2015-09-30 | 华侨大学 | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 |
CN106355308A (zh) * | 2016-08-24 | 2017-01-25 | 张雪敏 | 一种基于决策树辨识风电接入系统关键设备的方法 |
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 |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN112818604A (zh) * | 2021-02-05 | 2021-05-18 | 河海大学 | 一种基于风功率预测的风电机组风险度评估方法 |
Non-Patent Citations (2)
Title |
---|
宋帆 ; 杨晓华 ; 武翡翡 ; 刘童 ; .基于聚类分析的模糊马尔科夫链在降雨量预测中的应用.节水灌溉.2018,(第10期),全文. * |
张文秀 ; 韩肖清 ; 宋述勇 ; 宋述亭 ; 付可宁 ; 王金浩 ; 秦文萍 ; 贾燕冰 ; .计及源-网-荷不确定性因素的马尔科夫链风电并网系统运行可靠性评估.电网技术.2018,(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113689072A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
CN113689072B (zh) | 一种基于马尔科夫链的海上风电机组运行状态评估方法 | |
CN109102101B (zh) | 风电场风速的预测方法和系统 | |
CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN107909212B (zh) | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
CN113187650B (zh) | 一种智能水电厂全厂水轮机调速系统及诊断方法 | |
CN112746934A (zh) | 一种自联想神经网络诊断风机故障方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
CN110737975A (zh) | 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 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
CN116070669B (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
Dui et al. | Reliability Evaluation and Prediction Method with Small Samples. |
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 |