CN114708718A - 风力发电机组温度集群管控方法、装置、设备及介质 - Google Patents
风力发电机组温度集群管控方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114708718A CN114708718A CN202210634958.0A CN202210634958A CN114708718A CN 114708718 A CN114708718 A CN 114708718A CN 202210634958 A CN202210634958 A CN 202210634958A CN 114708718 A CN114708718 A CN 114708718A
- Authority
- CN
- China
- Prior art keywords
- temperature
- unit
- cluster
- extravehicular
- historical
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/007—Testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/16—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements
- G01K7/18—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements the element being a linear resistance, e.g. platinum resistance thermometer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
- H04Q2209/82—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data
- H04Q2209/823—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data where the data is sent when the measured values exceed a threshold, e.g. sending an alarm
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
- H04Q2209/82—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data
- H04Q2209/826—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data where the data is sent periodically
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computer Security & Cryptography (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了风力发电机组温度集群管控方法、装置、设备及介质,该方法包括:获取风电场内机组位置信息和历史舱外温度数据;根据位置信息和历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群;对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型;采集每台机组温度数据,根据温度集群推算模型的需求进行输入,推算每台机组舱外温度;根据推算得到的每台机组舱外温度核对实测舱外温度实现风力发电机组温度集群管控。本发明可提前识别传感器异常情况,可靠保护机组在允许温度范围内运行,并有效降低温度传感器故障停机频率,提高风力发电机组利用率。
Description
技术领域
本发明属于风力发电技术领域,尤其涉及风力发电机组温度集群管控方法、装置、设备及介质。
背景技术
现有大型风力发电机组对运行环境温度的监测十分必要,机组控制系统依据环境温度对机组进行温度维度的保护控制,确保机组处于安全的运行温度。且若想实时计算每台机组的外部空气密度,机组的外部环境温度为计算中的关键参数,同时,机组运维人员也希望掌握机组外部环境温度,便于根据现场温度进行运维决策。风力发电机组技术也日益成熟和丰富,研究方向已经向着部件提前预警和自适应容差控制发展。
在现有技术中,风力发电机组环境温度是通过配备的温度传感器测量机组机舱外的温度来获取,风电场内每台机组均具备独立的舱外温度传感器。
实际运行时,若机组舱外温度传感器失效而导致测量偏差过大,将使风电机组无法准确执行温度超限的保护,进而影响机组安全及寿命;若机组控制系统检测到舱外温度传感器故障,将控制机组停机,直至人工维修故障后才可重新运行。停机将造成机组可利用率降低和发电量损失。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了风力发电机组温度集群管控方法、装置、设备及介质, 以达到能够准确识别机组舱外温度传感器异常状态实现预警,利于风电场计划性运维;并当机组舱外温传感器故障后在不增加额外硬件的条件下给机组控制系统提供可用的参考舱外温度,以实现容差运行,将机组故障维修等待时间转化为有效发电时间。
本发明目的通过下述技术方案来实现:
一种风力发电机组温度集群管控方法,所述风力发电机组包括舱外温度监测设备,所述方法包括:
获取风电场内机组位置信息和历史舱外温度数据;
根据所述位置信息和所述历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群;
对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型;
采集每台机组温度数据,根据所述温度集群推算模型的需求进行输入,推算每台机组舱外温度;
根据推算得到的每台机组舱外温度核对实测舱外温度,若实测舱外温度存在异常,则预警舱外温度监测设备异常,并启用推算温度进行机组保护控制;若舱外温度监测设备失效,则启用推算温度实现机组容差运行和保护控制。
进一步的,所述根据所述位置信息和所述历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群包括:
对所述位置信息通过规则抽象法初步刷选每台风机关联机群;
通过将每台机组和关联机群内机组的历史舱外温度数据依次对比的方式验证,剔除离群机组,形成每台机组最终关联机群。
进一步的,所述对所述位置信息通过规则抽象法初步刷选每台风机关联机群包括:
根据专家经验法和权重算法中的一种或多种,从全场机组中刷选出每台机组的强关联机组,初步形成机组各自的关联机群。
进一步的,所述方法还包括在将每台机组和关联机群内机组的新累积的历史舱外温度数据定期依次对比,对每台机组最终关联机群定期刷新。
进一步的,所述对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型具体包括:
对每台机组和每台机组最终关联机群的历史舱外温度数据采用light GBM算法、SVM算法、线性回归算法和决策树算法中的一种或多种训练建立每台机组的温度集群推算模型;
根据每台机组新累积的历史舱外温度数据和定期刷新的每台机组最终关联机群对每台机组的温度集群推算模型进行定期训练刷新。
进一步的,所述采集每台机组温度数据的方式包括实时采集推算或间歇采集推算。
进一步的,所述根据推算得到的每台机组舱外温度核对实测舱外温度具体包括当下时刻核对和预定时间段核对中的一种或多种;
其中,当下时刻核对具体包括:
计算当下时刻推算温度和实测舱外温度的偏差绝对值;
若所述偏差绝对值超过预设阈值则判断为实测舱外温度异常;
预定时间段核对具体包括:
在预定时间段内计算推算温度和实测舱外温度的偏差绝对值;
若全部所述偏差绝对值均超过预设阈值则判断为实测温度异常。
另一方面,本发明还提供了一种风力发电机组温度集群管控装置,所述装置包括:
数据获取模块,用于获取风电场内机组位置信息和历史舱外温度数据;
最终关联机群筛选模块,用于根据所述位置信息和所述历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群;
温度集群推算模型构建模块,用于对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型;
机组舱外温度推算模块,用于采集每台机组温度数据,根据所述温度集群推算模型的需求进行输入,推算每台机组舱外温度;
机组管控模块,用于根据推算得到的每台机组舱外温度核对实测舱外温度,若实测舱外温度存在异常,则预警舱外温度监测设备异常,并启用推算温度进行机组保护控制;若舱外温度监测设备失效,则启用推算温度实现机组容差运行和保护控制。
可选地,所述最终关联机群筛选模块根据所述位置信息和所述历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群包括:
对所述位置信息通过规则抽象法初步刷选每台风机关联机群;
通过将每台机组和关联机群内机组的历史舱外温度数据依次对比的方式验证,剔除离群机组,形成每台机组最终关联机群。
可选地,所述最终关联机群筛选模块对所述位置信息通过规则抽象法初步刷选每台风机关联机群包括:
根据专家经验法和权重算法中的一种或多种,从全场机组中刷选出每台机组的强关联机组,初步形成机组各自的关联机群。
可选地,所述最终关联机群筛选模块还包括在将每台机组和关联机群内机组的新累积的历史舱外温度数据定期依次对比,对每台机组最终关联机群定期刷新。
可选地,所述温度集群推算模型构建模块对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型具体包括:
对每台机组和每台机组最终关联机群的历史舱外温度数据采用light GBM算法、SVM算法、线性回归算法和决策树算法中的一种或多种训练建立每台机组的温度集群推算模型;
根据每台机组新累积的历史舱外温度数据和定期刷新的每台机组最终关联机群对每台机组的温度集群推算模型进行定期训练刷新。
可选地,所述机组舱外温度推算模块采集每台机组温度数据的方式包括实时采集推算或间歇采集推算。
可选地,所述机组管控模块根据推算得到的每台机组舱外温度核对实测舱外温度具体包括当下时刻核对和预定时间段核对中的一种或多种;
其中,当下时刻核对具体包括:
计算当下时刻推算温度和实测舱外温度的偏差绝对值;
若所述偏差绝对值超过预设阈值则判断为实测舱外温度异常;
预定时间段核对具体包括:
在预定时间段内计算推算温度和实测舱外温度的偏差绝对值;
若全部所述偏差绝对值均超过预设阈值则判断为实测温度异常。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述的任意一种风力发电机组温度集群管控方法。
另一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述的任意一种风力发电机组温度集群管控方法。
本发明的有益效果在于:
(1)本发明提供的风力发电机组温度集群管控方法、装置、设备及介质通过建立温度集群推算模型,可实时或定期推算机组舱外温度值,在舱外温度传感器出现劣化而测量不准但并未导致故障停机前,提前识别舱外温度传感器的异常状态,启用推算温度进行保护,保障了风力发电机组安全运行的条件,减少了风力发电机组潜在风险。
(2)本发明提供的风力发电机组温度集群管控方法、装置、设备及介质通过推算温度与实测温度的核对,可准确识别舱外温度传感器故障趋势,同步实现状态推送提前预警,利于风电场实现计划性运维。
(3)本发明提供的风力发电机组温度集群管控方法、装置、设备及介质通过将集群推算模型输出的推算舱外温度提供至机组控制系统,在不增加机组硬件的条件下让机组控制系统有冗余可用的参考舱外温度,当舱外温度传感器故障时:①实现容差运行控制,②保证机组外部空气密度计算的准确性。一方面提高机组发电量的同时,为维修人员预留足够准备时间,另一方面保障机组空气密度的准确统计,进而保障机组功率曲线的准确统计。
(4)本发明提供的风力发电机组温度集群管控方法、装置、设备及介质适用陆上任何地形和海上风电场的机群。
附图说明
图1是本发明实施例提供的风力发电机组温度集群管控方法流程示意图;
图2是本发明实施例提供的风力发电机组温度集群管控方法逻辑框图;
图3是本发明实施例推算温度和实测舱外温度的偏差示意图;
图4是本发明实施例提供的风力发电机组温度集群管控装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在现有技术中,风力发电机组环境温度是通过配备的温度传感器测量机组机舱外的温度来获取,风电场内每台机组均具备独立的舱外温度传感器。
实际运行时,若机组舱外温度传感器失效而导致测量偏差过大,将使风电机组无法准确执行温度超限的保护,进而影响机组安全及寿命;若机组控制系统检测到舱外温度传感器故障,将控制机组停机,直至人工维修故障后才可重新运行。停机将造成机组可利用率降低和发电量损失。
为了解决上述技术问题,提出了本发明风力发电机组温度集群管控方法、装置、设备及介质的下述各个实施例。
实施例1
参照图1和图2,如图1所示是本实施例提供的风力发电机组温度集群管控方法流程示意图,如图2所示是本实施例提供的风力发电机组温度集群管控方法逻辑框图。该方法具体包括以下步骤:
步骤S100:获取风电场内机组位置信息和历史舱外温度数据。
步骤S200:根据位置信息和历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群。
具体地,对步骤S100获取的机组位置信息通过规则抽象法初步刷选每台风机关联机群,基于步骤S100获取的历史舱外温度数据对每台机组关联机群内机组进行验证,剔除离群机组,形成每台机组最终关联机群。
作为一种实施方式,规则抽象法包括专家经验法和权重算法中的一种或多种,用以从位置关联度维度针对目标机组完成全场其他机组的关联度排序,从中刷选出排名靠前的机组初步形成目标机组的关联机群。
需要说明的是,本实施例中初步刷选是指默认距离越近关联性越强,机组位置信息至少包括经纬度坐标和海拔高度,以经纬度坐标计算机组间水平距离,以海拔高度计算机组间垂直距离。由于环境温度与海拔强相关,故计算距离中引入权重算法,垂直距离权重更高,根据风场地形和温度历史参考经验确定水平距离和垂直距离权重占比,进而计算距离。例如水平和垂直权重为1:2,全风场按统一权重计算。
本实施例中基于步骤S100获取的历史舱外温度数据对每台机组关联机群内机组进行验证具体为将目标机组和初刷关联机群内机组的历史舱外温度剔除所有异常数据点对应时刻的数据,再每台机组历史温度各自平均,然后依次将各自平均值与目标机组温度平均值求偏差,偏差超过预定阈值的机组则判定关联性低,为离群机组予以从集群内剔除。
作为一种实施方式,本实施例中对初步关联机群的进一步关联性验证在初次完成后,可根据新累积的历史舱外温度数据定期执行进一步关联性验证,进行最终关联机群的定期刷新,以减小客观原因导致的机组间舱外温度关联性变化影响。
需要说明的是,最终关联机群内包含1台或多台机组,且每台机组的最终关联集群均为独立的,两台不同机组的关联机群可以包含同一机组。
步骤S300:对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型。
具体地,本实施例对各机组和其最终关联机群历史舱外温度数据通过机器学习方法进行分析,完成各机组温度集群推算模型训练,获得对应温度推算模型。
作为一种实施方式,步骤S300中的机器学习方法包括light GBM算法、SVM算法、线性回归算法和决策树算法中的一种或多种,用以训练建立各机组的集群推算模型,并根据机组新累积温度数据和定期刷新的关联机群,对各机组的集群推算模型进行定期训练刷新,以保证模型的准确性。
需要说明的是,本实施例中的目标机组集群推算模型,输入至少包括目标机组关联机群的舱外温度数据,输出为目标机组舱外温度推算值。目标机组集群推算模型的数据输入,包括关联机群内全部或部分机组的舱外温度数据,且可根据各机组数据质量和数据可用性动态调整推算模型的数据输入。
步骤S400:采集每台机组温度数据,根据温度集群推算模型的需求进行输入,推算每台机组舱外温度。
作为一种实施方式,本实施例中各机组温度的采集和集群推算频率,根据需求可为实时采集推算或间歇采集推算。
步骤S500:根据推算得到的每台机组舱外温度核对实测舱外温度,若实测舱外温度存在异常,则预警舱外温度监测设备异常,并启用推算温度进行机组保护控制;若舱外温度监测设备失效,则启用推算温度实现机组容差运行和保护控制。
作为一种实施方式,本实施例中预警舱外温度监测设备可选用PT100温度传感器。风电机组的舱外温度测量一般采用PT100温度传感器,将PT100传感器探出风机机舱外,以测量每台机组机舱外环境的真实温度,为风电机组必备环境状态监测点。PT100温度传感器是一种将温度变量转换为可传送的标准化输出信号的传感器。PT100是热电阻,在0℃的时候的阻值为100欧姆,它的阻值会随着温度上升而成近似匀速的增长,在100℃时它的阻值约为138.5欧姆。参照图3,如图3所示是本实施例推算温度和实测舱外温度的偏差示意图。其中,纵坐标表示温度差值,单位为摄氏度,横坐标表示为时间间隔,单位为10min。
作为一种实施方式,本实施例中推算温度核对温度传感器实测温度的方法,包括计算当下时刻推算温度和实测温度的偏差绝对值,超过预设阈值即判断实测温度异常,或在预定时间段内计算推算温度和实测温度的偏差绝对值,全部超过预设阈值即判断实测温度异常。
本实施例提供的风力发电机组温度集群管控方法通过建立温度集群推算模型,可实时或定期推算机组舱外温度值,在舱外温度传感器出现劣化而测量不准但并未导致故障停机前,提前识别舱外温度传感器的异常状态,启用推算温度进行保护,保障了风力发电机组安全运行的条件,减少了风力发电机组潜在风险。该方法通过推算温度与实测温度的核对,可准确识别舱外温度传感器故障趋势,同步实现状态推送提前预警,利于风电场实现计划性运维。该方法通过将集群推算模型输出的推算舱外温度提供至机组控制系统,在不增加机组硬件的条件下让机组控制系统有冗余可用的参考舱外温度,当舱外温度传感器故障时:①实现容差运行控制,②保证机组外部空气密度计算的准确性。一方面提高机组发电量的同时,为维修人员预留足够准备时间,另一方面保障机组空气密度的准确统计,进而保障机组功率曲线的准确统计。该方法适用陆上任何地形和海上风电场的机群。
实施例2
参照图4,如图4所示是本实施例提供的风力发电机组温度集群管控装置结构框图。该装置具体包括:
数据获取模块10,用于获取风电场内机组位置信息和历史舱外温度数据;
最终关联机群筛选模块20,用于根据位置信息和历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群;
温度集群推算模型构建模块30,用于对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型;
机组舱外温度推算模块40,用于采集每台机组温度数据,根据温度集群推算模型的需求进行输入,推算每台机组舱外温度;
机组管控模块50,用于根据推算得到的每台机组舱外温度核对实测舱外温度,若实测舱外温度存在异常,则预警舱外温度监测设备异常,并启用推算温度进行机组保护控制;若舱外温度监测设备失效,则启用推算温度实现机组容差运行和保护控制。
作为一种实施方式,最终关联机群筛选模块20根据位置信息和历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群包括:
对位置信息通过规则抽象法初步刷选每台风机关联机群;
通过将每台机组和关联机群内机组的历史舱外温度数据依次对比的方式验证,剔除离群机组,形成每台机组最终关联机群。
作为一种实施方式,最终关联机群筛选模块20对位置信息通过规则抽象法初步刷选每台风机关联机群包括:
根据专家经验法和权重算法中的一种或多种,从全场机组中刷选出每台机组的强关联机组,初步形成机组各自的关联机群。
作为一种实施方式,最终关联机群筛选模块20还包括在将每台机组和关联机群内机组的新累积的历史舱外温度数据定期依次对比,对每台机组最终关联机群定期刷新。
作为一种实施方式,温度集群推算模型构建模块30对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型具体包括:
对每台机组和每台机组最终关联机群的历史舱外温度数据采用light GBM算法、SVM算法、线性回归算法和决策树算法中的一种或多种训练建立每台机组的温度集群推算模型;
根据每台机组新累积的历史舱外温度数据和定期刷新的每台机组最终关联机群对每台机组的温度集群推算模型进行定期训练刷新。
作为一种实施方式,机组舱外温度推算模块40采集每台机组温度数据的方式包括实时采集推算或间歇采集推算。
作为一种实施方式,机组管控模块50根据推算得到的每台机组舱外温度核对实测舱外温度具体包括当下时刻核对和预定时间段核对中的一种或多种;
其中,当下时刻核对具体包括:
计算当下时刻推算温度和实测舱外温度的偏差绝对值;
若偏差绝对值超过预设阈值则判断为实测舱外温度异常;
预定时间段核对具体包括:
在预定时间段内计算推算温度和实测舱外温度的偏差绝对值;
若全部偏差绝对值均超过预设阈值则判断为实测温度异常。
本实施例提供的风力发电机组温度集群管控装置通过建立温度集群推算模型,可实时或定期推算机组舱外温度值,在舱外温度传感器出现劣化而测量不准但并未导致故障停机前,提前识别舱外温度传感器的异常状态,启用推算温度进行保护,保障了风力发电机组安全运行的条件,减少了风力发电机组潜在风险。该装置通过推算温度与实测温度的核对,可准确识别舱外温度传感器故障趋势,同步实现状态推送提前预警,利于风电场实现计划性运维。该装置通过将集群推算模型输出的推算舱外温度提供至机组控制系统,在不增加机组硬件的条件下让机组控制系统有冗余可用的参考舱外温度,当舱外温度传感器故障时:①实现容差运行控制,②保证机组外部空气密度计算的准确性。一方面提高机组发电量的同时,为维修人员预留足够准备时间,另一方面保障机组空气密度的准确统计,进而保障机组功率曲线的准确统计。该装置适用陆上任何地形和海上风电场的机群。
实施例3
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的风力发电机组温度集群管控方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的风力发电机组温度集群管控方法的有益效果,详见前面的实施例,在此不再赘述。
实施例4
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的风力发电机组温度集群管控方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一风力发电机组温度集群管控方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一风力发电机组温度集群管控方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种风力发电机组温度集群管控方法,所述风力发电机组包括舱外温度监测设备,其特征在于,所述方法包括:
获取风电场内机组位置信息和历史舱外温度数据;
根据所述位置信息和所述历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群;
对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型;
采集每台机组温度数据,根据所述温度集群推算模型的需求进行输入,推算每台机组舱外温度;
根据推算得到的每台机组舱外温度核对实测舱外温度,若实测舱外温度存在异常,则预警舱外温度监测设备异常,并启用推算温度进行机组保护控制;若舱外温度监测设备失效,则启用推算温度实现机组容差运行和保护控制。
2.如权利要求1所述的风力发电机组温度集群管控方法,其特征在于,所述根据所述位置信息和所述历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群包括:
对所述位置信息通过规则抽象法初步刷选每台风机关联机群;
通过将每台机组和关联机群内机组的历史舱外温度数据依次对比的方式验证,剔除离群机组,形成每台机组最终关联机群。
3.如权利要求2所述的风力发电机组温度集群管控方法,其特征在于,所述对所述位置信息通过规则抽象法初步刷选每台风机关联机群包括:
根据专家经验法和权重算法中的一种或多种,从全场机组中刷选出每台机组的强关联机组,初步形成机组各自的关联机群。
4.如权利要求2所述的风力发电机组温度集群管控方法,其特征在于,所述方法还包括在将每台机组和关联机群内机组的新累积的历史舱外温度数据定期依次对比,对每台机组最终关联机群定期刷新。
5.如权利要求4所述的风力发电机组温度集群管控方法,其特征在于,所述对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型具体包括:
对每台机组和每台机组最终关联机群的历史舱外温度数据采用light GBM算法、SVM算法、线性回归算法和决策树算法中的一种或多种训练建立每台机组的温度集群推算模型;
根据每台机组新累积的历史舱外温度数据和定期刷新的每台机组最终关联机群对每台机组的温度集群推算模型进行定期训练刷新。
6.如权利要求1所述的风力发电机组温度集群管控方法,其特征在于,所述采集每台机组温度数据的方式包括实时采集推算或间歇采集推算。
7.如权利要求1所述的风力发电机组温度集群管控方法,其特征在于,所述根据推算得到的每台机组舱外温度核对实测舱外温度具体包括当下时刻核对和预定时间段核对中的一种或多种;
其中,当下时刻核对具体包括:
计算当下时刻推算温度和实测舱外温度的偏差绝对值;
若所述偏差绝对值超过预设阈值则判断为实测舱外温度异常;
预定时间段核对具体包括:
在预定时间段内计算推算温度和实测舱外温度的偏差绝对值;
若全部所述偏差绝对值均超过预设阈值则判断为实测温度异常。
8.一种风力发电机组温度集群管控装置,其特征在于,所述装置包括:
数据获取模块,用于获取风电场内机组位置信息和历史舱外温度数据;
最终关联机群筛选模块,用于根据所述位置信息和所述历史舱外温度数据初步刷选每台风机关联机群并剔除离群机组,形成每台机组最终关联机群;
温度集群推算模型构建模块,用于对每台机组和每台机组最终关联机群的历史舱外温度数据进行温度集群推算模型训练,获得对应温度集群推算模型;
机组舱外温度推算模块,用于采集每台机组温度数据,根据所述温度集群推算模型的需求进行输入,推算每台机组舱外温度;
机组管控模块,用于根据推算得到的每台机组舱外温度核对实测舱外温度,若实测舱外温度存在异常,则预警舱外温度监测设备异常,并启用推算温度进行机组保护控制;若舱外温度监测设备失效,则启用推算温度实现机组容差运行和保护控制。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的风力发电机组温度集群管控方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的风力发电机组温度集群管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210634958.0A CN114708718A (zh) | 2022-06-07 | 2022-06-07 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210634958.0A CN114708718A (zh) | 2022-06-07 | 2022-06-07 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708718A true CN114708718A (zh) | 2022-07-05 |
Family
ID=82177844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210634958.0A Pending CN114708718A (zh) | 2022-06-07 | 2022-06-07 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708718A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115434878A (zh) * | 2022-11-09 | 2022-12-06 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721924A (zh) * | 2012-06-26 | 2012-10-10 | 新疆金风科技股份有限公司 | 风力发电机组的故障预警方法 |
CN104848873A (zh) * | 2014-02-18 | 2015-08-19 | 空中客车运营简化股份公司 | 传感器数据融合的方法 |
CN108139280A (zh) * | 2015-10-14 | 2018-06-08 | 株式会社电装 | 复合传感器 |
JP2020012690A (ja) * | 2018-07-17 | 2020-01-23 | 株式会社日立製作所 | 風力発電機診断システムおよび方法 |
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN112597691A (zh) * | 2020-09-01 | 2021-04-02 | 新天绿色能源股份有限公司 | 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 |
CN113049142A (zh) * | 2019-12-27 | 2021-06-29 | 华能如东八仙角海上风力发电有限责任公司 | 温度传感器的告警方法、装置、设备及存储介质 |
CN113404655A (zh) * | 2020-08-24 | 2021-09-17 | 湖南科技大学 | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 |
CN114202096A (zh) * | 2021-11-01 | 2022-03-18 | 湖南大唐先一科技有限公司 | 风电机组水冷系统温度异常预警 |
-
2022
- 2022-06-07 CN CN202210634958.0A patent/CN114708718A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721924A (zh) * | 2012-06-26 | 2012-10-10 | 新疆金风科技股份有限公司 | 风力发电机组的故障预警方法 |
CN104848873A (zh) * | 2014-02-18 | 2015-08-19 | 空中客车运营简化股份公司 | 传感器数据融合的方法 |
CN108139280A (zh) * | 2015-10-14 | 2018-06-08 | 株式会社电装 | 复合传感器 |
JP2020012690A (ja) * | 2018-07-17 | 2020-01-23 | 株式会社日立製作所 | 風力発電機診断システムおよび方法 |
CN113049142A (zh) * | 2019-12-27 | 2021-06-29 | 华能如东八仙角海上风力发电有限责任公司 | 温度传感器的告警方法、装置、设备及存储介质 |
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN113404655A (zh) * | 2020-08-24 | 2021-09-17 | 湖南科技大学 | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 |
CN112597691A (zh) * | 2020-09-01 | 2021-04-02 | 新天绿色能源股份有限公司 | 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 |
CN114202096A (zh) * | 2021-11-01 | 2022-03-18 | 湖南大唐先一科技有限公司 | 风电机组水冷系统温度异常预警 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115434878A (zh) * | 2022-11-09 | 2022-12-06 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
CN115434878B (zh) * | 2022-11-09 | 2023-02-03 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108376298B (zh) | 一种风电机组发动机温度故障预警诊断方法 | |
CN111555716B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
CN111368975A (zh) | 一种猪舍内多环境因子动态变化预测方法 | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN105205569A (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 | |
CN113847216B (zh) | 风机叶片的状态预测方法、装置、设备及存储介质 | |
US20240094693A1 (en) | Prediction method of wind power output, electronic device, storage medium, and system | |
WO2018059259A1 (en) | Method and system of yaw control of wind turbines in a wind turbine farm | |
CN114708718A (zh) | 风力发电机组温度集群管控方法、装置、设备及介质 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN112070272A (zh) | 一种输电线路的覆冰厚度预测方法及装置 | |
CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
CN117172983A (zh) | 一种基于遥感技术的植被生态水储量监测系统 | |
JP6968282B2 (ja) | パワートレイン管理の因果分析 | |
CN114400776B (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
CN115434878B (zh) | 风力发电机组温度集群管控方法、装置、设备及介质 | |
CN116305741A (zh) | 一种用于电力设备数字孪生模型的更新方法及装置 | |
CN115700355A (zh) | 励磁系统的超温预警方法及其装置 | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN112529370A (zh) | 考虑动态效应的天然气系统可靠性评估方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220705 |
|
RJ01 | Rejection of invention patent application after publication |