CN114200163A - 一种风力发电机组风速计异常识别方法与系统 - Google Patents
一种风力发电机组风速计异常识别方法与系统 Download PDFInfo
- Publication number
- CN114200163A CN114200163A CN202111538850.3A CN202111538850A CN114200163A CN 114200163 A CN114200163 A CN 114200163A CN 202111538850 A CN202111538850 A CN 202111538850A CN 114200163 A CN114200163 A CN 114200163A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- anemometer
- fan
- time period
- detected
- 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 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 18
- 239000006185 dispersion Substances 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
- G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
- G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风力发电机组风速计异常识别方法与系统，其方法包括筛选参考时段风速计的风速数据；筛选待检验时段风速计的风速数据；根据参考时段风速计的风速及输出功率数据获取参考健康功率曲线；根据待检验时段风速计的风速数据判断待检验风机在待检验时段的‘功率‑风速’散点是否偏离参考健康功率曲线；若否，则判断待检验风机风速计无异常；若是，则获取参考健康模型，通过参考健康模型判断待检验风机风速计是否异常。本申请能判断风电机组风速计是否异常，降低识别风机机舱风速计异常的难度。
Description
技术领域
本申请涉及风电领域，尤其是涉及一种风力发电机组风速计异常识别方法与系统。
背景技术
风能很早就被人们利用，过去主要利用风能来进行抽水磨面，现代利用风能的主要手段为通过风力发现机组将风能转换为电能，也称为风力发电，风力发电是指把风的动能转换为电能。
目前，机舱风速计是风力发现机组重要的传感器，其在机组控制、功率曲线评估以及故障诊断模型分析时，有着不可或缺的作用，因此机舱风速计异常识别具有十分重要的意义。
相关技术中，风机机舱风速计由于位置与轮毂距离较近，其测量值必然受轮毂角速度的干扰，因此通过风速计对风速测量较易受到风电机组轮毂的影响，导致较难识别风机机舱风速计是否异常。
发明内容
为了改善较难识别风机机舱的风速计是否异常的问题，本申请提供一种风力发电机组风速计异常识别方法与系统。
本申请提供的一种风力发电机组风速计异常识别方法与系统采用如下的技术方案：
一种风力发电机组风速计异常识别方法，包括：
筛选参考时段风速计的风速与风机运行相关数据；
筛选待检验时段风速计的风速与风机运行相关数据；
根据所述参考时段风速计的所述风速及风机输出功率获取参考健康功率曲线；
根据所述待检验时段风速计的风速判断待检验风机在所述待检验时段的‘功率-风速’散点是否偏离所述参考健康功率曲线；
若否，则判断所述待检验风机风速计无异常；
若是，则获取参考健康模型，通过所述参考健康模型判断所述待检验风机风速计是否异常。
通过采用上述技术方案，由于参考时段为风速计未被遮挡的时段，因此风速计能测量真实的风速数据，通过参考时段风速计的风速数据获取参考健康功率曲线，根据待检验时段风速计的风速数据判断待检验风机在待检验时段的‘功率-风速’散点，使分别通过参考健康功率曲线对待检验风机风速计进行检验，当‘功率-风速’散点偏离参考健康功率曲线时还可通过参考健康模型对待检验风机风速计检验判断风速计是否异常，降低识别风机机舱风速计的难度。
可选的，所述根据所述参考时段风速计的所述风速数据及风机输出功率数据获取参考健康功率曲线之前还包括：
从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的数据分辨率；
从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的轮毂转速最低阈值；
从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的风速区间。
通过采用上述技术方案，使能分别选取合适的数据分辨率、轮毂转速最低阈值与风速区间，使获取的风速数据更加准确。
可选的，所述参考时段风机运行相关数据包括参考风机轮毂角速度，所述待检验时段的风机运行相关数据包括待检验风机风速与待检验风机轮毂角速度，所述获取参考健康模型包括：
分别获取参考风机风速、参考风机轮毂角速度与待检验风机轮毂角速度；
将所述参考风机风速、轮毂角速度与所述待检验风机轮毂角速度作为神经网络输入层，将所述待检验风机风速作为神经网络模型输出层；
将参考时段的所述参考风机风速、轮毂角速度、所述待检验风机轮毂角速度与所述待检验风机风速随机划分为训练集与测试集；
用训练集训练神经网络获得参考风机风速与所述待检测风机风速在参考时段下相互关联的参考健康模型。
通过采用上述技术方案，使能通过参考风机轮毂角速度、参考风机风速与待检验风机风速与待检验风机轮毂角速度训练参考健康模型，通过参考健康模型来对风速计进行检验。
可选的，所述获取参考健康模型之后还包括：
将所述测试集输入所述参考健康模型获得决定系数；
判断所述决定系数是否大于临界决定系数；
若是，则说明使用该段参考时段的风速计的风速数据可用来训练所述参考健康模型；
若否，则重新获取参考时段风速计的风速数据。
通过采用上述技术方案，使通过决定系数判断能否用来训练参考健康模型，当不能用来训练参考健康模型时则重新获取参考时段风速计的风速数据。
可选的，所述通过所述参考健康模型判断所述待检验风机风速计是否异常包括：
将参考风机风速、参考轮毂角速度与待检验风机轮毂角速度输入参考健康模型，获得多个分别对应每一检验时刻的检验时刻残差；
获取测试集残差的正常区间；
判断多个所述检验时刻残差是否属于所述正常区间并根据判断结果获得正常率；
判断所述正常率是否小于最小正常率；
若是，则说明待检验风机风速计工作异常；
若否，则说明待检验风机风速计工作正常。
通过采用上述技术方案，当使用参考健康模型判断风速计是否异常时，将参考风机风速、参考轮毂角速度与待检验风机轮毂角速度输入参考健康模型，获得多个分别对应每一检验时段的检验时段残差，并获得测试残差的正常区间，逐一判断检验时段残差是否在正常区间内，根据正常率判断风机风速计是否工作正常。
可选的，所述获得测试集残差的正常区间包括：
分别获取多个所述检验时刻残差的下四分位数与上四分位数；
基于所述残差的所述下四分位数与上四分位数获取所述测试集残差的正常区间。
可选的，所述判断多个所述检验时刻残差是否属于所述正常区间并根据判断结果获得正常率包括：
逐一判断所述检验时刻残差是否属于所述正常区间；
若是，则判断该时刻为正常；
若否，则判断该时刻为异常；
分别获得判断正常的正常时刻数与所有时刻数；
基于所述正常时刻数与所述所有时刻数获得所述正常率。
通过采用上述技术方案，使能判断检验时段残差是否属于正常区间并根据判断结果获得正常率。
一种风力发电机组风速计异常识别系统，包括：
参考时段风速数据获取模块，用于获取参考时段风速计的风速数据；
待检验时段风速数据获取模块，用于获取待检验时段风速计的风速数据；
参考健康功率曲线获取模块，用于根据所述参考时段风速计的风速数据获取参考健康功率曲线；
第一判断模块，用于根据所述待检验时段风速计的风速数据判断待检验风机在所述待检验时段的‘功率-风速’散点是否偏离所述参考健康功率曲线；
第二判断模块，用于通过所述参考健康模型判断所述待检验风机风速计是否异常。
通过采用上述技术方案，参考时段风速数据获取模块获取参考时段风速计的风速数据，待检验时段风速数据获取模块获取待检验时段风速计的风速数据，参考健康功率曲线获取模块根据所述参考时段风速计的风速数据获取参考健康功率曲线，第一判断模块根据所述待检验时段风速计的风速数据判断待检验风机在所述待检验时段的‘功率-风速’散点是否偏离所述参考健康功率曲线，第二判断模块通过所述参考健康模型判断所述待检验风机风速计是否异常，使能对机舱内风速计的异常进行识别，降低风速计受轮毂的影响。
综上所述，本申请包括以下至少一种有益技术效果：
通过参考时段风速计的风速数据获取参考健康功率曲线，根据待检验时段风速计的风速数据判断待检验风机在待检验时段的‘功率-风速’散点，使分别通过参考健康功率曲线对待检验风机风速计进行检验，当‘功率-风速’散点偏离参考健康功率曲线时还可通过参考健康模型对待检验风机风速计检验判断风速计是否异常，降低识别风机机舱风速计的难度。
附图说明
图1是本申请一种风力发电机组风速计异常识别方法其中一实施例的流程示意图；
图1a是本申请一种风力发电机组风速计异常识别方法其中一实施例中的参考健康功率曲线图；
图2是本申请一种风力发电机组风速计异常识别方法其中一实施例中步骤S140的流程示意图；
图3是本申请一种风力发电机组风速计异常识别方法其中一实施例中步骤S160的流程示意图一；
图4是本申请一种风力发电机组风速计异常识别方法其中一实施例中步骤S160之后的流程示意图；
图5是本申请一种风力发电机组风速计异常识别方法其中一实施例中步骤S160的流程示意图二；
图6是本申请一种风力发电机组风速计异常识别方法其中一实施例中步骤S520的流程示意图；
图7是本申请一种风力发电机组风速计异常识别方法其中一实施例中步骤S530的流程示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请实施例公开一种风力发电机组风速计异常识别方法与系统。
参照图1，一种风力发电机组风速计异常识别方法，包括如下步骤：
S110、筛选参考时段风速计的风速与风机运行相关数据。
其中，假设全场风机数量为n，待检验风机为i，当获取参考时段风速计的风速数据时，要求该时间段内各个风机风速计无明显性能异常，该时段即称为参考时段。在本实施例中，当选取参考风机时，先选取一段时间的风速数据，要求该段时间内，各风机风速计无明显性能异常，该时段称为参考时段。
S120、筛选待检验时段风速计的风速与风机运行相关数据。
其中，待检验时段为不同于参考时段的时段，即对风速计进行测试的时段。
S130、根据参考时段风速计的风速及风机输出功率获取参考健康功率曲线。
其中，参照图1与图1a，拟合参考时段待检验风机功率曲线作为参考健康功率曲线，参考健康功率曲线的横坐标为风速，单位为米每秒（m/s），纵坐标为功率，单位为千瓦（kW），由参考健康功率曲线可得知，在一定风速范围内，功率与风速呈正相关，然而当风速过大时，功率的数值趋于平稳状态。
S140、根据待检验时段风速计的风速判断待检验风机在待检验时段的‘功率-风速’散点是否偏离参考健康功率曲线。
其中，‘功率-风速’散点是多个特定风速数值对应的功率在参考健康曲线所在坐标系上的点集，这些散点为在待检验时段通过风速计的测量获得，通过该点集的分布判断是否偏离参考健康功率曲线。
S150、若否，则判断待检验风机风速计无异常。
其中，当是的时候，说明由‘功率-风速’散点构成的点集分布于参考健康功率曲线的周围，将该点集连线的时候可大致构成参考健康功率曲线。
S160、若是，则获取参考健康模型，通过参考健康模型判断待检验风机风速计是否异常。
其中，参考健康模型为用来衡量参考风机风速与待检验风机风速在参考时段下相互关联的深度学习模型，参考风机风速为处于正常工作状态下并无异常发生的风机风速仪测量出的风速。
本申请实施例一种风力发电机组风速计异常识别方法的实施原理为：首先分别获取参考时段的风速数据与待检验时段的风速数据，根据参考时段的风速数据获取参考健康功率曲线，首先通过对比判断待检验时段风速计的风速数据是否偏离参考健康功率曲线，当产生偏离时再通过参考健康模型判断待检验风机风速计是否异常，使能通过双重判断对风速计是否异常进行检验。
参照图2，根据参考时段风速计的风速数据及风机输出功率数据获取参考健康功率曲线之前还包括如下步骤：
S210、从参考时段风速计的风速数据与待检验时段风速计的风速数据选取合适的数据分辨率。
S220、从参考时段风速计的风速数据与待检验时段风速计的风速数据选取合适的轮毂转速最低阈值。
其中，由于在一个统计周期内，风速计会经历被叶根挡住、被挡住一半、完全未被挡住三个过程，机舱风速测量值与轮毂角速度程高度关联的关系，较低分辨的数据（如10min平均数据）无法体现出轮毂角速度对机舱风速测量值的影响，而过高分辨率的数据（如秒级数据）则在一个统计周期内，叶根可能完全挡住风速计，也可能挡住一半，也有可能完全未挡住风速计，因此在风速计异常识别时需将轮毂角速度做为输入变量。这三种状态通过现有传感器是无法分辨的，因此较难识别风机机舱的风速计是否异常。
根据 
确定数据分辨率及轮毂转速最低阈值，所确定的数据分辨率，其在
一个统计周期内，轮毂至少转过
弧度，且该分辨率下的“风速-轮毂角速度”呈高度不相
关性，即二者相关系数R小于阈值
，在本实施例中，R的计算方式如下：
其中，
为风速，
为轮毂角速度，
为
与
的协方差，
为
的
方差，
为
的方差。
S230、从参考时段风速计的风速数据与待检验时段风速计的风速数据选取合适的风速区间。
其中，选取的合适的风速区间为根据
确定，所确定的风速区
间内，“风速-轮毂角速度”散点应尽可能覆盖样本平面。
本申请实施例的实施原理为：根据待检验时段风速计的风速数据判断待检验风机在待检验时段的‘功率-风速’散点是否偏离参考健康功率曲线之前还需分析确定对应的数据分辨率，使符合该数据分辨率范围内的数据才能拿来进行判断‘功率-风速’散点是否偏离参考健康功率曲线，尽量避免轮毂转动对风速计的影响。
参照图3，参考时段风机运行相关数据包括参考风机轮毂角速度，待检验时段的风机运行相关数据包括待检验风机风速与待检验风机轮毂角速度，获取参考健康模型包括如下步骤：
S310、分别获取参考风机风速、参考风机轮毂角速度与待检验风机轮毂角速度。
其中，令获取的参考风机风速
，其中
为第k台风机的风速，参
考风机轮毂角速度
，其中
为第k台风机的轮毂角速度，待检测风机
轮毂角速度为
。
S320、将参考风机风速、轮毂角速度与待检验风机轮毂角速度作为神经网络输入层，将待检验风机风速作为神经网络模型输出层。
S330、将参考时段的参考风机风速、轮毂角速度、待检验风机轮毂角速度与待检验风机风速随机划分为训练集与测试集。
其中，训练集为训练神经网络模型所需的数据集，测试集为检验神经网络模型性能的数据集，在本实施例中，训练集为参考时段的参考风机轮毂角速度、待检验风机轮毂角速度与待检验风机风速等数据进行随机划分，并将剩余数据划分为测试集。
S340、用训练集训练神经网络获得参考风机风速与待检测风机风速在参考时段下相互关联的参考健康模型。
本申请实施例获取参考健康模型的实施原理为：分别获取参考风机风速、参考风机轮毂角速度与待检验风机轮毂角速度，使能通过这些数据作为进行神经网络模型训练，获取参考风机风速与待检测风机风速在参考时段下相互关联的参考健康模型。
参照图4，获取参考健康模型之后还包括：
S410、将测试集输入参考健康模型获得决定系数。
其中，参考健康模型的决定系数
为：
其中， 
为j时刻待检验风机风速实际值， 
为j时刻待检验风机风速通过参考
健康模型预测的预测值， 
为待检验风机测试集风速的平均值，由上式可知相关系数的平
方即为决定系数。
S420、判断决定系数是否大于临界决定系数。
其中，临界决定系数为
，由步骤S410中公式可知，决定系数越接近1时，表示相
关的方程式参考价值越高，相反，越接近0时，表示参考价值越低。
S430、若是，则说明使用该段参考时段的风速计的风速数据可用来训练参考健康模型。
S440、若否，则重新获取参考时段风速计的风速数据。
其中，当判断结构为否时，则说明通过这些风速数据建立的参考健康模型不能用来进行风速预测，为异常数据，此时需重新返回值数据获取阶段，重新获取正常状态下的参考时段的风速数据。
本申请实施例的实施原理为：建立参考健康模型后通过判断参考健康模型的决定系数是否大于临界系数，当大于临界系数时才可进行使用，当不大于临界系数时则说明建立参考健康模型的风速数据为异常数据，需重新获取参考时段的风速数据并对应重新建立参考健康模型。
参照图5、通过参考健康模型判断待检验风机风速计是否异常包括如下步骤：
S510、将参考风机风速、参考轮毂角速度与待检验风机轮毂角速度输入参考健康模型，获得多个分别对应每一检验时刻的检验时刻残差。
其中，残差分别记为
，每一检验时刻都获得有对应的残
差。
S520、获取测试集残差的正常区间。
其中，测试集残差的正常区间为通过计算获得，正常区间为 
。
S530、判断多个检验时刻残差是否属于正常区间并根据判断结果获得正常率。
S540、判断正常率是否小于最小正常率。
其中，设正常率为
，最小正常率为
，在本实施例中最小正常率为根据实际情
况进行设置，
S550、若是，则说明待检验风机风速计工作异常。
S560、若否，则说明待检验风机风速计工作正常。
本申请实施例的实施原理为：将检验时段参考风机风速、轮毂角速度与待检验风机轮毂角速度输入参考健康模型，得到检验时段残差，计算测试集残差的正常区间并逐一判断多个检验时段残差是否属于正常区间，通过计算正常率来判断风速计是否工作异常。
参照图6，获得测试集残差的正常区间包括如下步骤：
S610、分别获取多个检验时刻残差的下四分位数与上四分位数。
S620、基于残差的下四分位数与上四分位数获取测试集残差的正常区间。
其中，
，
，其中
、
分别为残差下四分
位和上四分位，
。分位数是将总体的全部数据按大小顺序排列后，处于各等分
位置的变量值。如果分成四等分，就是四分位数；四分位数也称为四分位点，它是将全部数
据分成相等的四部分，其中每部分包括25%的数据，处在各分位点的数值就是四分位数。四
分位数有三个，第一个四分位数就是通常所说的四分位数，称为下四分位数，第二个四分位
数就是中位数，第三个四分位数称为上四分位数，分别用
、
、
表示。
参照图7，判断多个检验时刻残差是否属于正常区间并根据判断结果获得正常率包括如下步骤：
S710、逐一判断检验时刻残差是否属于正常区间；
其中，逐一判断该时刻残差
是否属于正常区间
。
S720、若是，则判断该时刻为正常；
S730、若否，则判断该时刻为异常；
S740、分别获得判断正常的正常时刻数与所有时刻数；
其中，
为正常时刻数，
为检验时段所有时刻数。
S750、基于正常时刻数与所有时刻数获得正常率。
其中，正常率
。
本申请实施例判断多个检验时段残差是否属于正常区间并根据判断结果获得正常率的实施原理为：通过计算残差是否属于正常区间来获得正常时刻数，并将正常时刻数与总时刻数进行对比，使能基于对比结果来获得正常率。
一种风力发电机组风速计异常识别系统，包括：
参考时段风速数据获取模块，用于获取参考时段风速计的风速数据；
待检验时段风速数据获取模块，用于获取待检验时段风速计的风速数据；
参考健康功率曲线获取模块，用于根据参考时段风速计的风速数据获取参考健康功率曲线；
第一判断模块，用于根据待检验时段风速计的风速数据判断待检验风机在待检验时段的‘功率-风速’散点是否偏离参考健康功率曲线；
第二判断模块，用于通过参考健康模型判断待检验风机风速计是否异常。
还包括：
数据分辨率选取模块，用于从参考时段风速计的风速数据与待检验时段风速计的风速数据选取合适的数据分辨率；
轮毂转速最低阈值选取模块，用于从参考时段风速计的风速数据与待检验时段风速计的风速数据选取合适的轮毂转速最低阈值；
风速区间选取模块，用于从参考时段风速计的风速数据与待检验时段风速计的风速数据选取合适的风速区间。
本申请实施例一种风力发电机组风速计异常识别方法与系统的实施原理为：参考时段风速数据获取模块获取参考时段风速计的风速数据，待检验时段风速数据获取模块获取待检验时段风速计的风速数据，参考健康功率曲线获取模块根据所述参考时段风速计的风速数据获取参考健康功率曲线，第一判断模块根据所述待检验时段风速计的风速数据判断待检验风机在所述待检验时段的‘功率-风速’散点是否偏离所述参考健康功率曲线，第二判断模块通过所述参考健康模型判断所述待检验风机风速计是否异常，使能对机舱内风速计的异常进行识别，降低风速计受轮毂的影响。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (9)
1.一种风力发电机组风速计异常识别方法，其特征在于，包括：
筛选参考时段风速计的风速与风机运行相关数据；
筛选待检验时段风速计的风速与风机运行相关数据；
根据所述参考时段风速计的所述风速及风机输出功率获取参考健康功率曲线；
根据所述待检验时段风速计的风速判断待检验风机在所述待检验时段的‘功率-风速’散点是否偏离所述参考健康功率曲线；
若否，则判断所述待检验风机风速计无异常；
若是，则获取参考健康模型，通过所述参考健康模型判断所述待检验风机风速计是否异常。
2.根据权利要求1所述的方法，其特征在于，所述根据所述参考时段风速计的所述风速数据及风机输出功率数据获取参考健康功率曲线之前还包括：
从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的数据分辨率；
从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的轮毂转速最低阈值；
从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的风速区间。
3.根据权利要求1所述的方法，其特征在于，所述参考时段风机运行相关数据包括参考风机轮毂角速度，所述待检验时段的风机运行相关数据包括待检验风机风速与待检验风机轮毂角速度，所述获取参考健康模型包括：
分别获取参考风机风速、参考风机轮毂角速度与待检验风机轮毂角速度；
将所述参考风机风速、轮毂角速度与所述待检验风机轮毂角速度作为神经网络输入层，将所述待检验风机风速作为神经网络模型输出层；
将参考时段的所述参考风机风速、轮毂角速度、所述待检验风机轮毂角速度与所述待检验风机风速随机划分为训练集与测试集；
用训练集训练神经网络获得参考风机风速与所述待检测风机风速在参考时段下相互关联的参考健康模型。
4.根据权利要求3所述的方法，其特征在于，所述获取参考健康模型之后还包括：
将所述测试集输入所述参考健康模型获得决定系数；
判断所述决定系数是否大于临界决定系数；
若是，则说明使用该段参考时段的风速计的风速数据可用来训练所述参考健康模型；
若否，则重新获取参考时段风速计的风速数据。
5.根据权利要求4所述的方法，其特征在于：所述通过所述参考健康模型判断所述待检验风机风速计是否异常包括：
将所述参考风机风速、所述参考轮毂角速度与所述待检验风机轮毂角速度输入参考健康模型，获得多个分别对应每一检验时刻的检验时刻残差；
获取测试集残差的正常区间；
判断多个所述检验时刻残差是否属于所述正常区间并根据判断结果获得正常率；
判断所述正常率是否小于最小正常率；
若是，则说明待检验风机风速计工作异常；
若否，则说明待检验风机风速计工作正常。
6.根据权利要求5所述的方法，其特征在于，所述获得测试集残差的正常区间包括：
分别获取多个所述检验时刻残差的下四分位数与上四分位数；
基于所述残差的所述下四分位数与上四分位数获取所述测试集残差的正常区间。
7.根据权利要求5所述的方法，其特征在于：所述判断多个所述检验时刻残差是否属于所述正常区间并根据判断结果获得正常率包括：
逐一判断所述检验时刻残差是否属于所述正常区间；
若是，则判断该时刻为正常；
若否，则判断该时刻为异常；
分别获得判断正常的正常时刻数与所有时刻数；
基于所述正常时刻数与所述所有时刻数获得所述正常率。
8.一种风力发电机组风速计异常识别系统，其特征在于，采用权利要求1-7所述的方法，包括：
参考时段风速数据获取模块，用于获取参考时段风速计的风速数据；
待检验时段风速数据获取模块，用于获取待检验时段风速计的风速数据；
参考健康功率曲线获取模块，用于根据所述参考时段风速计的风速数据获取参考健康功率曲线；
第一判断模块，用于根据所述待检验时段风速计的风速数据判断待检验风机在所述待检验时段的‘功率-风速’散点是否偏离所述参考健康功率曲线；
第二判断模块，用于通过所述参考健康模型判断所述待检验风机风速计是否异常。
9.根据权利要求8所述的系统，其特征在于，还包括：
数据分辨率选取模块，用于从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的数据分辨率；
轮毂转速最低阈值选取模块，用于从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的轮毂转速最低阈值；
风速区间选取模块，用于从所述参考时段风速计的风速数据与所述待检验时段风速计的风速数据选取合适的风速区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111538850.3A CN114200163A (zh) | 2021-12-15 | 2021-12-15 | 一种风力发电机组风速计异常识别方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111538850.3A CN114200163A (zh) | 2021-12-15 | 2021-12-15 | 一种风力发电机组风速计异常识别方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114200163A true CN114200163A (zh) | 2022-03-18 |
Family
ID=80654256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111538850.3A Pending CN114200163A (zh) | 2021-12-15 | 2021-12-15 | 一种风力发电机组风速计异常识别方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114200163A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070125165A1 (en) * | 2005-12-05 | 2007-06-07 | Ormel Frank T | Method, system and computer program product for nacelle wind speed correction |
| CN101334423A (zh) * | 2007-06-18 | 2008-12-31 | 通用电气公司 | 风速计的校准方法和风力涡轮机 |
| CN101424248A (zh) * | 2007-10-30 | 2009-05-06 | 通用电气公司 | 控制风能系统的方法和无风速传感器的风能系统 |
| WO2011150927A1 (en) * | 2010-05-29 | 2011-12-08 | Vestas Wind Systems A/S | Improved method and apparatus for measuring wind velocity |
| JP2014047742A (ja) * | 2012-09-03 | 2014-03-17 | Toshiba Corp | 風力発電装置、及び、風力発電装置の制御方法 |
| CN109239452A (zh) * | 2018-07-06 | 2019-01-18 | 零零二信息科技（沧州）有限责任公司 | 一种风力机功率性能测试系统及测试方法 |
| US20210131403A1 (en) * | 2017-02-23 | 2021-05-06 | Torben Nielsen | Calibrating a wind sensor of a wind turbine |
-
2021
- 2021-12-15 CN CN202111538850.3A patent/CN114200163A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070125165A1 (en) * | 2005-12-05 | 2007-06-07 | Ormel Frank T | Method, system and computer program product for nacelle wind speed correction |
| CN101334423A (zh) * | 2007-06-18 | 2008-12-31 | 通用电气公司 | 风速计的校准方法和风力涡轮机 |
| CN101424248A (zh) * | 2007-10-30 | 2009-05-06 | 通用电气公司 | 控制风能系统的方法和无风速传感器的风能系统 |
| WO2011150927A1 (en) * | 2010-05-29 | 2011-12-08 | Vestas Wind Systems A/S | Improved method and apparatus for measuring wind velocity |
| JP2014047742A (ja) * | 2012-09-03 | 2014-03-17 | Toshiba Corp | 風力発電装置、及び、風力発電装置の制御方法 |
| US20210131403A1 (en) * | 2017-02-23 | 2021-05-06 | Torben Nielsen | Calibrating a wind sensor of a wind turbine |
| CN109239452A (zh) * | 2018-07-06 | 2019-01-18 | 零零二信息科技（沧州）有限责任公司 | 一种风力机功率性能测试系统及测试方法 |
Non-Patent Citations (2)
| Title |
|---|
| 乔福宇;马良玉;马永光;: "基于功率曲线分析与神经网络的风电机组故障预警方法", 中国测试, no. 08, 19 August 2020 (2020-08-19) * |
| 杨智奇;: "不同风切变条件下风电场风机轮毂高度选取分析", 太阳能, no. 11, 28 November 2015 (2015-11-28) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7552614B2 (en) | System and method for determining functionality or accuracy of a sensor | |
| CN104075795B (zh) | 用于监测风力发电机组的叶轮振动状态的方法和系统 | |
| US7895018B2 (en) | Event monitoring via combination of signals | |
| CN106321368B (zh) | 基于运营风机scada数据的海上风电场尾流损失测量方法 | |
| CN108291527B (zh) | 一种监测和评估风力涡轮机功率性能变化的方法 | |
| WO2008093349A1 (en) | A method for non-intrusive on-line detection of turbine blade condition | |
| Veers et al. | Application of measured loads to wind turbine fatigue and reliability analysis | |
| CN109416023B (zh) | 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质 | |
| CN106198020A (zh) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 | |
| CN115326147A (zh) | 一种船舶用脱硫塔实时监测方法及系统 | |
| CN116401536B (zh) | 一种风电机组风速计的故障诊断方法、装置及系统 | |
| CN111931827B (zh) | 基于多传感器信息融合的液压泵健康状况检测系统 | |
| CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
| CN112065668A (zh) | 一种风电机组状态异常评估方法及系统 | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN104297003A (zh) | 基于动态报警阈值的转向架旋转部件的故障监测方法 | |
| CN115876288A (zh) | 一种基于大数据的电子仪表故障分析方法及系统 | |
| EP3619427A1 (en) | Determining a wind speed value | |
| CN114200163A (zh) | 一种风力发电机组风速计异常识别方法与系统 | |
| CN116070103B (zh) | 基于多测点多指标的旋转设备健康识别方法和设备 | |
| CN111474476A (zh) | 一种电机故障预测方法 | |
| KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
| CN113944600A (zh) | 一种利用应力波技术检测风机主轴承故障的方法和系统 | |
| Ye et al. | Unsupervised learning and fusion for failure detection in wind turbines | |
| CN109779849A (zh) | 一种风力发电机振动传感器失效自评估方法和系统 |
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 |