CN115270491A - 基于多元信息融合的海上风电运维平台设计方法 - Google Patents
基于多元信息融合的海上风电运维平台设计方法 Download PDFInfo
- Publication number
- CN115270491A CN115270491A CN202210944440.7A CN202210944440A CN115270491A CN 115270491 A CN115270491 A CN 115270491A CN 202210944440 A CN202210944440 A CN 202210944440A CN 115270491 A CN115270491 A CN 115270491A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- parameters
- wind power
- power
- wind
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000013461 design Methods 0.000 title claims abstract description 10
- 230000036541 health Effects 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 239000013307 optical fiber Substances 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 241000039077 Copula Species 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明提供了基于多元信息融合的海上风电运维平台设计方法,包括以下步骤:步骤S1:获取风电机组的特征参量历史数据,并通过专业气象设备获取相应风机组的历史气候参数与环境参数;步骤S2:分析待测风机样本的SPE、T2统计量的变化趋势,评估风电机组的健康状态;步骤S3:预测目标地区风电场的短期预测功率;步骤S4:利用分布式光纤传感器实时监测海底电缆的应变、扰动及温度参数,进一步实现海缆状态异常报警;步骤S5:结合运维成本、气象条件及设备故障损害程度信息,形成运维计划。应用本技术方案可实现缩短风机组与海底电缆故障响应时间,减少维修成本,提高运营效率。
Description
技术领域
本发明涉及绿色能源技术领域,特别是一种基于多元信息融合的海上风电运维平台设计方法。
背景技术
风能作为一种绿色可再生能源在世界能源结构中地位越来越突出,风力发电将逐步成为继火电与水电之后的第三大电力来源。与陆地风电相比,海上风电具有更优越的风力资源,更大的单机装机容量,更高的发电效率等优点。我国海上风电产业的发展迅速。预计2025年我国海上风电年新增装机将达到12GW,行业年均符合增速达到44%,三年累计增长200%,成为发展最快的新能源细分赛道。然而,海上风电所处的环境特殊,表现出可达性差、时变性强、受制因素多、复杂程度高等特点。且国内海上风电产业的起步较晚,相关技术较为薄弱,尚未出现较成熟的运维系统。因此,现有的海上风电产业存在运维风险高、运维管理弱、运维成本高等行业痛点。发展迅猛的海上风电产业与现有运维技术匮乏间的矛盾日益加剧,相关技术的研究迫在眉睫。
发明内容
有鉴于此,本发明的目的在于提供一种基于多元信息融合的海上风电运维平台设计方法,实现缩短风机组与海底电缆故障响应时间,减少维修成本,提高运营效率。
为实现上述目的,本发明采用如下技术方案:基于多元信息融合的海上风电运维平台设计方法,包括以下步骤:
步骤S1:从SCADA系统中获取风电机组的特征参量历史数据,并通过专业气象设备获取相应风机组的历史气候参数与环境参数;
步骤S2:结合信息融合技术建立风机异常辨识模型,进一步分析待测风机样本的SPE、T′2统计量的变化趋势,评估风电机组的健康状态;
步骤S3:结合数字孪生、深度学习技术建立风电功率预测模型,进一步预测目标地区风电场的短期预测功率;
步骤S4:利用分布式光纤传感器实时监测海底电缆的应变、扰动及温度参数,进一步实现海缆状态异常报警;
步骤S5:结合运维成本、气象条件及设备故障损害程度信息,形成运维计划。
在一较佳的实施例中,所述步骤S2具体包括以下操作步骤:
步骤S21:特征参数选取:通过步骤S1得到的多元数据,由Copula 函数计算参数与风电机组健康状态的相关度并建立参数建议选择表,选择出表征风电机组健康状态的参数,选定为健康样本集={转速,风速,轴承温度,输出功率}和待评估样本集={转速,风速,轴承温度,输出功率},并对其进行异常点清除;
步骤S22:工况区间划分:通过环境和气候参数将数据划分为数个工况进行评估,将健康样本集={转速,风速,轴承温度,输出功率}中符合某个子区间的时刻值归为一类,形成工况子区间;
步骤S23:异常辨识模型建立:通过步骤S21得到的健康样本集,针对经基于环境和气候区间的工况划分后待测样本的维数不同且所具有的工况不一致的问题,建立基于自适应KPCA算法的风电机组异常辨识模型;
步骤S24:风机组健康度计算:将步骤S1得到的待评估样本集={转速,风速,轴承温度,输出功率}输入步骤S23自适应KPCA算法的风电机组异常辨识模型中,分析待测样本的SPE统计量和T′2统计量的变化趋势,评估风电机组健康状态;
T′2统计量反映输入向量x偏离正常状态的程度,定义为:
T′2=(t1,t2,…,tp)Λ-1(t1,t2,…,tp)T;
式中,ti,i=1,2,...,p,为输入向量x在特征空间中第i个核主元;Λ为前p 个核主元对应的特征组成的对角阵,T为转置符号;
SPE统计量反映的是某一时刻模型和测试值之间的偏离程度,定义为:
式中,PR为KPCA提取的特征向量;Ei为特征向量矩阵;I为单位矩阵。
在一较佳的实施例中,所述步骤S3具体包括如下步骤:
步骤S31:历史数据清洗;从SCADA系统中获取风电机组的特征参量历史数据,包括:检修停运计划、气象数据和实际功率序列,采用基于统计特性的清洗方法剔除异常数据;
步骤S32:特征参数选择;基于互信息理论,采用最大相关-最小冗余特征筛选算法,对步骤S31得到的数据进行特征排序,筛选出与风电功率相关性最大而彼此冗余性最小的特征参数;
步骤S33:风电功率预测模型建立;基于深度学习算法,以径向基神经网络为基础的广义回归神经网络,输入步骤S2参数,建立短期风电功率预测模型;
步骤S34:实时功率预测;将所述实时数据输入上述功率预测模型,获得目标地区风电场站的短期预测功率;
步骤S35:预测精度评估;根据所述短期预测功率,获得风电场站短期功率的预测准确率,具体采用平均绝对误差MAE与均方根误差RMSE,即:
式中:ft为测试样本中第t个样本的实际值;yt为测试样本中第t个样本的模型预测值;M为对应的样本数。
在一较佳的实施例中,所述步骤S5具体包括如下步骤:
步骤S51:根据步骤S2所辨识的故障结合历史故障信息估算其可能造成的经济损失与维修成本;
步骤S52:比较维护费用与预计造成的损失,在保证设备安全的前提下,确定是否值得出海维修;
步骤S53:若不值得出海维修则生成维修任务事件,叠加到下次维护;若值得出海维修,进一步查询海上气象情况,判断是否具备出海条件;
步骤S54:若不具备出海条件则等待条件适宜,若具备出海条件,生成维修方案;
步骤S55:维修结束后记录维护方案,计算实际维护费用,生成故障维护成本数据库。
与现有技术相比,本发明具有以下有益效果:
1.本发明相对于现有技术而言,在对风电场短期功率预测问题上具有更好的计算效率和计算精度,能够提高短期风电功率预测准确度和算法鲁棒性。
2.本发明采用基于多元数据融合的风机组异常辨识算法,与现有技术相比,引入了一种工况划分方法,避免复杂工况对评估结果的影响。
3.本发明从水上、水下两个维度对海上风电场进行综合管理,针对风机组与海底电缆两大主体进行状态监测,与现有平台相比更为具体、科学。
4.本发明构建了故障维护数据库,利用数字孪生技术、专家系统等手段生成维修计划,有利于减少维修成本,提高维修效率。
附图说明
图1是本发明优选实施例中基于多元信息融合的海上风电运维平台总体架构示意图;
图2为本发明优选实施例提供的基于多元数据融合的风机组异常辨识算法流程图;
图3为本发明优选实施例提供的基于数据驱动的短期风电功率预测方法流程图;
图4为本发明优选实施例的运维计划生成方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式;如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
参加图1所述,基于多元信息融合的海上风电运维平台设计方法,包括以下步骤:
步骤S1:从SCADA系统中获取风电机组的特征参量历史数据,并通过专业气象设备获取相应风机组的历史气候参数与环境参数;
步骤S2:结合信息融合技术建立风机异常辨识模型,进一步分析待测风机样本的SPE、T′2统计量的变化趋势,评估风电机组的健康状态;
步骤S3:结合数字孪生、深度学习等技术建立风电功率预测模型,进一步预测目标地区风电场的短期预测功率;
步骤S4:利用分布式光纤传感器实时监测海底电缆的应变、扰动、温度等参数,进一步实现海缆状态异常报警;
步骤S5:结合运维成本、气象条件、设备故障损害程度等信息,形成运维计划。
参见图2所述,进一步的,所述步骤S2具体为:
步骤S21:特征参数选取:通过步骤S1得到的多元数据,由Copula 函数计算参数与风电机组健康状态的相关度并建立参数建议选择表,选择出可表征风电机组健康状态的参数,选定为健康样本集={转速,风速,轴承温度,输出功率}和待评估样本集={转速,风速,轴承温度,输出功率},并对其进行异常点清除;
步骤S22:工况区间划分:通过环境和气候参数将数据划分为数个工况进行评估,将健康样本集={转速,风速,轴承温度,输出功率}中符合某个子区间的时刻值归为一类,形成工况子区间;
步骤S23:异常辨识模型建立:通过步骤S21得到的健康样本集,针对经基于环境和气候区间的工况划分后待测样本的维数不同且所具有的工况不一致的问题,建立基于自适应KPCA算法的风电机组异常辨识模型;
步骤S24:风机组健康度计算:将S1得到的待评估样本集={转速,风速,轴承温度,输出功率}输入S23自适应KPCA算法的风电机组异常辨识模型中,分析待测样本的SPE统计量和T′2统计量的变化趋势,评估风电机组健康状态。
T′2统计量反映了输入向量x偏离正常状态的程度,定义为:
T′2=(t1,t2,…,tp)Λ-1(t1,t2,…,tp)T
式中,ti,i=1,2,...,p,为输入向量x在特征空间中第i个核主元;Λ为前p个核主元对应的特征组成的对角阵,T为转置符号。
SPE统计量反映的是某一时刻模型和测试值之间的偏离程度,定义为:
式中,PR为KPCA提取的特征向量;Ei为特征向量矩阵。
参加图3所述,所述步骤S3,具体表现为:
步骤S31:历史数据清洗:从SCADA系统中获取风电机组的特征参量历史数据,包括:检修停运计划、气象数据和实际功率序列,采用基于统计特性的清洗方法剔除异常数据;
步骤S32:特征参数选择:基于互信息理论,采用最大相关-最小冗余特征筛选算法,对S31得到的数据进行特征排序,筛选出与风电功率相关性最大而彼此冗余性最小的特征参数;
步骤S33:风电功率预测模型建立:基于深度学习算法,以径向基神经网络为基础的广义回归神经网络,输入S2参数,建立短期风电功率预测模型;
步骤S34:实时功率预测:将所述实时数据输入上述功率预测模型,获得目标地区风电场站的短期预测功率;
步骤S35:预测精度评估:根据所述短期预测功率,获得风电场站短期功率的预测准确率,具体采用平均绝对误差MAE与均方根误差RMSE与,即:
式中:ft为测试样本中第t个样本的实际值;yt为测试样本中第t个样本的模型预测值;M为对应的样本数。
利用分布式光纤传感器监测海底电缆的应变、温度、扰动等信息,提前预警船只抛锚引起的海缆扰动,利用光纤温度评估海缆载流量和动态增容可行性,为运维人员提供数据参考,减少运维工作量,提高运维效率,降低海缆运行风险。
参见图4所述,所述步骤S5具体步骤表现为:
步骤S51:根据S2所辨识的故障结合历史故障信息估算其可能造成的经济损失与维修成本;
步骤S52:比较维护费用与预计造成的损失,在保证设备安全的前提下,确定是否值得出海维修;
步骤S53:若不值得出海维修则生成维修任务事件,叠加到下次维护;
若值得出海维修,进一步查询海上气象情况,判断是否具备出海条件;
步骤S54:若不具备出海条件则等待条件适宜,若具备出海条件,生成维修方案;
步骤S55:维修结束后记录维护方案,计算实际维护费用,生成故障维护成本数据库。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.基于多元信息融合的海上风电运维平台设计方法,其特征在于,包括以下步骤:
步骤S1:从SCADA系统中获取风电机组的特征参量历史数据,并通过专业气象设备获取相应风机组的历史气候参数与环境参数;
步骤S2:结合信息融合技术建立风机异常辨识模型,进一步分析待测风机样本的SPE、T′2统计量的变化趋势,评估风电机组的健康状态;
步骤S3:结合数字孪生、深度学习技术建立风电功率预测模型,进一步预测目标地区风电场的短期预测功率;
步骤S4:利用分布式光纤传感器实时监测海底电缆的应变、扰动及温度参数,进一步实现海缆状态异常报警;
步骤S5:结合运维成本、气象条件及设备故障损害程度信息,形成运维计划。
2.根据权利要求1所述的基于多元信息融合的海上风电运维平台设计方法,其特征在于,所述步骤S2具体包括以下操作步骤:
步骤S21:特征参数选取:通过步骤S1得到的多元数据,由Copula函数计算参数与风电机组健康状态的相关度并建立参数建议选择表,选择出表征风电机组健康状态的参数,选定为健康样本集={转速,风速,轴承温度,输出功率}和待评估样本集={转速,风速,轴承温度,输出功率},并对其进行异常点清除;
步骤S22:工况区间划分:通过环境和气候参数将数据划分为数个工况进行评估,将健康样本集={转速,风速,轴承温度,输出功率}中符合某个子区间的时刻值归为一类,形成工况子区间;
步骤S23:异常辨识模型建立:通过步骤S21得到的健康样本集,针对经基于环境和气候区间的工况划分后待测样本的维数不同且所具有的工况不一致的问题,建立基于自适应KPCA算法的风电机组异常辨识模型;
步骤S24:风机组健康度计算:将步骤S1得到的待评估样本集={转速,风速,轴承温度,输出功率}输入步骤S23自适应KPCA算法的风电机组异常辨识模型中,分析待测样本的SPE统计量和T′2统计量的变化趋势,评估风电机组健康状态;
T′2统计量反映输入向量x偏离正常状态的程度,定义为:
T′2=(t1,t2,…,tp)Λ-1(t1,t2,…,tp)T;
式中,ti,i=1,2,...,p,为输入向量x在特征空间中第i个核主元;Λ为前p个核主元对应的特征组成的对角阵,T为转置符号;
SPE统计量反映的是某一时刻模型和测试值之间的偏离程度,定义为:
式中,PR为KPCA提取的特征向量;Ei为特征向量矩阵;I为单位矩阵。
3.根据权利要求1所述的基于多元信息融合的海上风电运维平台设计方法,其特征在于,所述步骤S3具体包括如下步骤:
步骤S31:历史数据清洗;从SCADA系统中获取风电机组的特征参量历史数据,包括:检修停运计划、气象数据和实际功率序列,采用基于统计特性的清洗方法剔除异常数据;
步骤S32:特征参数选择;基于互信息理论,采用最大相关-最小冗余特征筛选算法,对步骤S31得到的数据进行特征排序,筛选出与风电功率相关性最大而彼此冗余性最小的特征参数;
步骤S33:风电功率预测模型建立;基于深度学习算法,以径向基神经网络为基础的广义回归神经网络,输入步骤S2参数,建立短期风电功率预测模型;
步骤S34:实时功率预测;将所述实时数据输入上述功率预测模型,获得目标地区风电场站的短期预测功率;
步骤S35:预测精度评估;根据所述短期预测功率,获得风电场站短期功率的预测准确率,具体采用平均绝对误差MAE与均方根误差RMSE,即:
式中:ft为测试样本中第t个样本的实际值;yt为测试样本中第t个样本的模型预测值;M为对应的样本数。
4.根据权利要求1所述的基于多元信息融合的海上风电运维平台设计方法,其特征在于,所述步骤S5具体包括如下步骤:
步骤S51:根据步骤S2所辨识的故障结合历史故障信息估算其可能造成的经济损失与维修成本;
步骤S52:比较维护费用与预计造成的损失,在保证设备安全的前提下,确定是否值得出海维修;
步骤S53:若不值得出海维修则生成维修任务事件,叠加到下次维护;若值得出海维修,进一步查询海上气象情况,判断是否具备出海条件;
步骤S54:若不具备出海条件则等待条件适宜,若具备出海条件,生成维修方案;
步骤S55:维修结束后记录维护方案,计算实际维护费用,生成故障维护成本数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210944440.7A CN115270491A (zh) | 2022-08-06 | 2022-08-06 | 基于多元信息融合的海上风电运维平台设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210944440.7A CN115270491A (zh) | 2022-08-06 | 2022-08-06 | 基于多元信息融合的海上风电运维平台设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270491A true CN115270491A (zh) | 2022-11-01 |
Family
ID=83748941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210944440.7A Pending CN115270491A (zh) | 2022-08-06 | 2022-08-06 | 基于多元信息融合的海上风电运维平台设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270491A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618747A (zh) * | 2022-11-23 | 2023-01-17 | 广东电网有限责任公司中山供电局 | 一种电缆热点状态的评价方法及装置 |
CN115994184A (zh) * | 2023-03-23 | 2023-04-21 | 深圳市宝腾互联科技有限公司 | 一种基于大数据自动化运维平台的运维方法及系统 |
CN117096825A (zh) * | 2023-08-04 | 2023-11-21 | 山东大学 | 海上风电机组地面试验平台系统的安全保护方法及系统 |
CN117272701A (zh) * | 2023-11-21 | 2023-12-22 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
CN118035818A (zh) * | 2024-01-17 | 2024-05-14 | 浙江浙能嘉兴海上风力发电有限公司 | 基于数字孪生的海上风电场倒闸智能定位管控系统及方法 |
CN118053046A (zh) * | 2024-04-11 | 2024-05-17 | 中国海洋大学 | 一种海上风力发电连接结构健康状态融合表征及判定方法 |
CN118462509A (zh) * | 2024-07-15 | 2024-08-09 | 山东德瑞防腐材料有限公司 | 一种海上风机状态监测与故障分析系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678385A (zh) * | 2015-12-31 | 2016-06-15 | 江苏金风科技有限公司 | 用于海上风电场的运维方法及运维平台 |
CN107702818A (zh) * | 2017-08-23 | 2018-02-16 | 国网福建省电力有限公司 | 海底电缆温度监测系统 |
CN107944724A (zh) * | 2017-12-01 | 2018-04-20 | 华能国际电力股份有限公司 | 一种海上风电设备运维决策方法 |
CN111598313A (zh) * | 2020-04-28 | 2020-08-28 | 西安理工大学 | 一种风功率预测方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112733462A (zh) * | 2021-01-21 | 2021-04-30 | 国网辽宁省电力有限公司阜新供电公司 | 一种结合气象因素的超短期风电场功率预测方法 |
CN114049014A (zh) * | 2021-11-16 | 2022-02-15 | 中国绿发投资集团有限公司 | 海上风电机组运行状态评估方法、装置及系统 |
CN114297947A (zh) * | 2022-03-07 | 2022-04-08 | 华北电力大学 | 基于深度学习网络的数据驱动风电系统孪生方法及系统 |
CN114648909A (zh) * | 2022-03-11 | 2022-06-21 | 南京工程学院 | 一种风力发电预测装置及其预测方法 |
-
2022
- 2022-08-06 CN CN202210944440.7A patent/CN115270491A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678385A (zh) * | 2015-12-31 | 2016-06-15 | 江苏金风科技有限公司 | 用于海上风电场的运维方法及运维平台 |
CN107702818A (zh) * | 2017-08-23 | 2018-02-16 | 国网福建省电力有限公司 | 海底电缆温度监测系统 |
CN107944724A (zh) * | 2017-12-01 | 2018-04-20 | 华能国际电力股份有限公司 | 一种海上风电设备运维决策方法 |
CN111598313A (zh) * | 2020-04-28 | 2020-08-28 | 西安理工大学 | 一种风功率预测方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112733462A (zh) * | 2021-01-21 | 2021-04-30 | 国网辽宁省电力有限公司阜新供电公司 | 一种结合气象因素的超短期风电场功率预测方法 |
CN114049014A (zh) * | 2021-11-16 | 2022-02-15 | 中国绿发投资集团有限公司 | 海上风电机组运行状态评估方法、装置及系统 |
CN114297947A (zh) * | 2022-03-07 | 2022-04-08 | 华北电力大学 | 基于深度学习网络的数据驱动风电系统孪生方法及系统 |
CN114648909A (zh) * | 2022-03-11 | 2022-06-21 | 南京工程学院 | 一种风力发电预测装置及其预测方法 |
Non-Patent Citations (4)
Title |
---|
YINGNING QIU ET AL.: "Fault diagnosis of wind turbine with SCADA alarms based multidimensional information processing method", 《RENEWABLE ENERGY》, vol. 145, pages 1924 - 1929 * |
叶林等: "考虑气象特征与波动过程关联的短期风电功率组合预测", 《电力系统自动化》, vol. 45, no. 4, pages 55 - 61 * |
李锁: "基于风电机组状态的海上风电功率预测与运维策略研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 3, pages 17 - 25 * |
齐咏生等: "基于多维度SCADA参数的风电机组异常辨识", 《控制工程》, vol. 28, no. 12, pages 2394 - 2399 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618747A (zh) * | 2022-11-23 | 2023-01-17 | 广东电网有限责任公司中山供电局 | 一种电缆热点状态的评价方法及装置 |
CN115994184A (zh) * | 2023-03-23 | 2023-04-21 | 深圳市宝腾互联科技有限公司 | 一种基于大数据自动化运维平台的运维方法及系统 |
CN115994184B (zh) * | 2023-03-23 | 2023-05-16 | 深圳市宝腾互联科技有限公司 | 一种基于大数据自动化运维平台的运维方法及系统 |
CN117096825A (zh) * | 2023-08-04 | 2023-11-21 | 山东大学 | 海上风电机组地面试验平台系统的安全保护方法及系统 |
CN117272701A (zh) * | 2023-11-21 | 2023-12-22 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
CN117272701B (zh) * | 2023-11-21 | 2024-03-08 | 国网四川省电力公司天府新区供电公司 | 基于气象环境数据的变压器温度预测模型及方法 |
CN118035818A (zh) * | 2024-01-17 | 2024-05-14 | 浙江浙能嘉兴海上风力发电有限公司 | 基于数字孪生的海上风电场倒闸智能定位管控系统及方法 |
CN118053046A (zh) * | 2024-04-11 | 2024-05-17 | 中国海洋大学 | 一种海上风力发电连接结构健康状态融合表征及判定方法 |
CN118462509A (zh) * | 2024-07-15 | 2024-08-09 | 山东德瑞防腐材料有限公司 | 一种海上风机状态监测与故障分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115270491A (zh) | 基于多元信息融合的海上风电运维平台设计方法 | |
Schlechtingen et al. | Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1: System description | |
Hu et al. | Using domain knowledge features for wind turbine diagnostics | |
CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
CN115329986A (zh) | 基于可解释性图神经网络的风电机组异常检测与定位方法 | |
CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
Nabati et al. | Data driven decision making in planning the maintenance activities of off-shore wind energy | |
CN117375237A (zh) | 基于数字孪生技术变电站运维方法及系统 | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 | |
Bao et al. | Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm | |
CN108074045B (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
CN118188342A (zh) | 一种面向风机的故障预警与寿命预测方法 | |
Tidriri et al. | Data-driven decision-making methodology for prognostic and health management of wind turbines | |
Urmeneta et al. | A methodology for performance assessment at system level—Identification of operating regimes and anomaly detection in wind turbines | |
Fahim et al. | Data-driven techniques for optimizing the renewable energy systems operations | |
RU2703874C1 (ru) | Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов | |
Alzawaideh et al. | Wind turbine failure prediction model using scada-based condition monitoring system | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Tautz-Weinert et al. | Challenges in using operational data for reliable wind turbine condition monitoring | |
Ristić et al. | A short overview on Industry 4.0 in maintenance of hydropower plants | |
CN108071562B (zh) | 一种基于能量流的风电机组能效状态诊断方法 | |
Roberts et al. | An Investigation on the Usability of High-Frequency Wind Tur-bine Controller Data for Predictive Maintenance | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
Hajimohammadali et al. | Autoencoder-based Fault Diagnosis for Hydropower Plants |
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: 20221101 |