CN115470698A - 一种基于机器学习的风电机组功率性能分析方法 - Google Patents

一种基于机器学习的风电机组功率性能分析方法 Download PDF

Info

Publication number
CN115470698A
CN115470698A CN202211056573.7A CN202211056573A CN115470698A CN 115470698 A CN115470698 A CN 115470698A CN 202211056573 A CN202211056573 A CN 202211056573A CN 115470698 A CN115470698 A CN 115470698A
Authority
CN
China
Prior art keywords
unit
performance analysis
power
performance
wind turbine
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
Application number
CN202211056573.7A
Other languages
English (en)
Inventor
刘玥
强威威
张克功
郝延
蔡文新
杨立平
陶成强
刘涛
尚晓龙
全心乐
包伶俐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Jiuquan Wind Power Co Ltd
Original Assignee
Huaneng Jiuquan Wind Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaneng Jiuquan Wind Power Co Ltd filed Critical Huaneng Jiuquan Wind Power Co Ltd
Priority to CN202211056573.7A priority Critical patent/CN115470698A/zh
Publication of CN115470698A publication Critical patent/CN115470698A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Development (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Sustainable Energy (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及风力发电机技术领域，具体而言，涉及一种基于机器学习的风电机组功率性能分析方法，该方法的步骤包括：获取机组的运行数据，基于第一设定条件对机组的运行数据进行判断，若机组的运行数据满足第一设定条件，则构建并训练性能分析模型，并通过第一优化模块、第二优化模块对性能分析模型进行反馈优化，并将机组的运行数据输入至优化后的性能分析模型内进行计算，基于计算得到的机组性能劣化程度分析内容获取机组性能劣化处理方案及机组性能劣化程度，基于第二设定条件对机组性能劣化程度进行判断，根据判断结果对机组进行设定程度的预警及处理，完成对机组性能劣化程度的判定及处理。

Description

一种基于机器学习的风电机组功率性能分析方法
技术领域
本发明涉及风力发电机技术领域，具体而言，涉及一种基于机器学习的风电机组功率性能分析方法。
背景技术
就目前而言，由于风电机组各系统模块化，通过PROFIBUS/CAN通讯与主控进行数据交互，且数据刷新速度快，形成了数量大、多源、异构和复杂的风电机组实时监测数据。并且，大量的监测数据互相独立，由于无法对这些数据进行把控，进而无法判定风电机组内各个设备的性能劣化程度，导致了风电机组的运维人员无法及时获知机组预警情况，不仅给机组埋下了安全隐患，而且造成了大量的电量损失。基于此，我们设计了一种基于机器学习的风电机组功率性能分析方法及系统，以克服上述问题。
发明内容
本发明的目的在于提供一种基于机器学习的风电机组功率性能分析方法，本发明的实施例通过以下技术方案实现：
一种基于机器学习的风电机组功率性能分析方法，该方法的步骤包括：
获取机组的运行数据，经过数据加工后基于第一设定条件对机组的运行数据进行判断，若机组的运行数据满足第一设定条件，则进入下一步骤；若机组的运行数据不满足第一设定条件，则终止；
构建并训练性能分析模型，通过第一优化模块、第二优化模块对性能分析模型进行反馈优化，并将机组的运行数据输入至优化后的性能分析模型内进行计算，得到机组性能劣化程度分析内容；
基于机组性能劣化程度分析内容获取机组性能劣化处理方案及机组性能劣化程度，基于第二设定条件对机组性能劣化程度进行判断，根据判断结果对机组进行设定程度的预警及处理，完成对机组性能劣化程度的判定及处理。
可选的，第一设定条件具体为：判断机组是否处于运行状态，判断机组的实时功率数据是否为预期功率数据，判断机组的运行桨角是否为最小桨角。
可选的，性能分析模型由输入层、隐藏层、输出层所组成，其中，隐藏层采用sigmoid函数作为激励函数，输入层、输出层均采用线性函数作为激励函数；
sigmoid函数的计算公式为：
Figure BDA0003825540910000021
其中，x为输入数值；
性能分析模型的训练过程为：
获取机组的运行数据和机组的标准数据，以机组的运行数据作为训练集，以机组的标准数据作为测试集；
将训练集输入至性能分析模型，得到预测的机组性能劣化程度分析内容，计算测试集与预测的机组性能劣化程度分析内容之间的损失值，若损失值超过阈值，则重新获取机组的运行数据和机组的标准数据；若损失值不超过阈值，则完成性能分析模型的训练。
可选的，第一优化模块内部预设有正则化算法，以防止性能分析模型过拟合，其计算公式为：
Figure BDA0003825540910000031
其中，ω为神经元的权值，ωi为第i个神经元的权值，k为全连接层的数量。
可选的，第二优化模块具体为参数调节模块，用以对性能分析模型进行调参。
可选的，第二设定条件具体为根据机组性能劣化程度对预警等级进行判断，其中，预警等级分为一级预警、二级预警、三级预警。
可选的，其中，
三级预警：机组的功率小于当前风速平均功率的10％，且1小时内机组的功率变化率小于20％；
二级预警：机组的功率小于当前风速平均功率的15％，且1小时内机组的功率变化率小于20％，且大于10％；
一级预警：机组的功率小于当前风速平均功率的30％，且1小时内机组的功率变化率小于10％。
本发明实施例的技术方案至少具有如下优点和有益效果：
本实施例通过机器学习识别设备性能状态，预警设备性能劣化情况，减少故障停机损失和隐藏的发电性能不合格损失，实现大型集控对风电机组功率性能的集中时时管控；
本实施例汇集实时采集风电机组的运行数据进行分析，获取风电机组的性能劣化程度，并根据性能劣化程度的趋势进行评估，可及时调整风机运行控制策略，或停机降低机组磨损，降低机组故障率，或不断优化发电性能，提升机组创效能力。
附图说明
图1为本发明提供的一种基于机器学习的风电机组功率性能分析方法的流程示意图；
图2为本发明提供的一种基于机器学习的风电机组功率性能分析系统的原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种基于机器学习的风电机组功率性能分析方法，该方法的步骤包括：
获取机组的运行数据，经过数据加工后基于第一设定条件对机组的运行数据进行判断，若机组的运行数据满足第一设定条件，则进入下一步骤；若机组的运行数据不满足第一设定条件，则终止；
在本实施例中，机组的运行数据包括：风电机组的功率、风速、温度、桨角、振动及故障告警等数据。
构建并训练性能分析模型，通过第一优化模块、第二优化模块对性能分析模型进行反馈优化，并将机组的运行数据输入至优化后的性能分析模型内进行计算，得到机组性能劣化程度分析内容；
基于机组性能劣化程度分析内容获取机组性能劣化处理方案及机组性能劣化程度，基于第二设定条件对机组性能劣化程度进行判断，根据判断结果对机组进行设定程度的预警及处理，完成对机组性能劣化程度的判定及处理。
在本实施例中，第一设定条件具体为：判断机组是否处于运行状态，判断机组的实时功率数据是否为预期功率数据，判断机组的运行桨角是否为最小桨角。
在本实施例中，性能分析模型由输入层、隐藏层、输出层所组成，其中，隐藏层采用sigmoid函数作为激励函数，输入层、输出层均采用线性函数作为激励函数；
sigmoid函数的计算公式为：
Figure BDA0003825540910000061
其中，x为输入数值；
性能分析模型的训练过程为：
获取机组的运行数据和机组的标准数据，以机组的运行数据作为训练集，以机组的标准数据作为测试集；
将训练集输入至性能分析模型，得到预测的机组性能劣化程度分析内容，计算测试集与预测的机组性能劣化程度分析内容之间的损失值，若损失值超过阈值，则重新获取机组的运行数据和机组的标准数据；若损失值不超过阈值，则完成性能分析模型的训练。
另外，本实施例中的性能分析模型可以通过大量的历史数据进行训练，从而提高模型的精确性以及实用性。
在本实施例中，第一优化模块内部预设有正则化算法，以防止性能分析模型过拟合，其计算公式为：
Figure BDA0003825540910000062
其中，ω为神经元的权值，ωi为第i个神经元的权值，k为全连接层的数量。
在本实施例中，第二优化模块具体为参数调节模块，用以对性能分析模型进行调参。
在本实施例中，第二设定条件具体为根据机组性能劣化程度对预警等级进行判断，其中，预警等级分为一级预警、二级预警、三级预警。
在本实施例中，其中，
三级预警：机组的功率小于当前风速平均功率的10％，且1小时内机组的功率变化率小于20％；
二级预警：机组的功率小于当前风速平均功率的15％，且1小时内机组的功率变化率小于20％，且大于10％；
一级预警：机组的功率小于当前风速平均功率的30％，且1小时内机组的功率变化率小于10％。
结合上述实施例，本实施例通过机器学习算法与大量历史数据训练设备模型，实现模型计算反映风电机组功率曲线偏离正常状态程度的定量化标识，以表征设备性能劣化程度。
本实施例的具体判定方式为：机组功率性能劣化程度＝发电状态and功率小于全场平均功率曲线该风速下的功率and 1小时功率变化率and桨距角大于最小桨角and不断变化的瞬时风速。
如图2所示，基于本实施例的方法，本实施例还提供了一种基于机器学习的风电机组功率性能分析系统，包括：依次连接的多个机型、采集服务器、大数据平台、性能分析模块、预警检修处理模块，以及数据库；数据库分别连接性能分析模块、预警检修处理模块，预警检修处理模块分别连接性能分析模块与多个机型，其中，多个机型具体以通讯协议方式与采集服务器连接。
综上所述，本实施例通过机器学习识别设备性能状态，预警设备性能劣化情况，减少故障停机损失和隐藏的发电性能不合格损失，实现大型集控对风电机组功率性能的集中时时管控。
本实施例汇集实时采集风电机组的功率、风速、温度、振动及故障告警等数据进行分析，在发电状态下，连续规定时间机组的有功功率变化较小，同时桨距角大于最小桨角，风速不断变化，预判定为功率。在此基础上，继续对该风电机组齿轮箱、发电机、变流器及其重要部件温度、振动进行判定，对机组告警信息进行判定，若均未超过运行范围，则判定为机组功率。根据劣化趋势评估，可及时调整风机运行控制策略，或停机降低机组磨损，降低机组故障率，或不断优化发电性能，提升机组创效能力。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于机器学习的风电机组功率性能分析方法，其特征在于，该方法的步骤包括：
获取机组的运行数据，经过数据加工后基于第一设定条件对机组的运行数据进行判断，若机组的运行数据满足第一设定条件，则进入下一步骤；若机组的运行数据不满足第一设定条件，则终止；
构建并训练性能分析模型，通过第一优化模块、第二优化模块对性能分析模型进行反馈优化，并将机组的运行数据输入至优化后的性能分析模型内进行计算，得到机组性能劣化程度分析内容；
基于机组性能劣化程度分析内容获取机组性能劣化处理方案及机组性能劣化程度，基于第二设定条件对机组性能劣化程度进行判断，根据判断结果对机组进行设定程度的预警及处理，完成对机组性能劣化程度的判定及处理。
2.根据权利要求1所述的基于机器学习的风电机组功率性能分析方法，其特征在于，第一设定条件具体为：判断机组是否处于运行状态，判断机组的实时功率数据是否为预期功率数据，判断机组的运行桨角是否为最小桨角。
3.根据权利要求1所述的基于机器学习的风电机组功率性能分析方法，其特征在于，性能分析模型由输入层、隐藏层、输出层所组成，其中，隐藏层采用sigmoid函数作为激励函数，输入层、输出层均采用线性函数作为激励函数；
sigmoid函数的计算公式为：
Figure FDA0003825540900000021
其中，x为输入数值；
性能分析模型的训练过程为：
获取机组的运行数据和机组的标准数据，以机组的运行数据作为训练集，以机组的标准数据作为测试集；
将训练集输入至性能分析模型，得到预测的机组性能劣化程度分析内容，计算测试集与预测的机组性能劣化程度分析内容之间的损失值，若损失值超过阈值，则重新获取机组的运行数据和机组的标准数据；若损失值不超过阈值，则完成性能分析模型的训练。
4.根据权利要求3所述的基于机器学习的风电机组功率性能分析方法，其特征在于，第一优化模块内部预设有正则化算法，以防止性能分析模型过拟合，其计算公式为：
Figure FDA0003825540900000022
其中，ω为神经元的权值，ωi为第i个神经元的权值，k为全连接层的数量。
5.根据权利要求3所述的基于机器学习的风电机组功率性能分析方法，其特征在于，第二优化模块具体为参数调节模块，用以对性能分析模型进行调参。
6.根据权利要求1所述的基于机器学习的风电机组功率性能分析方法，其特征在于，第二设定条件具体为根据机组性能劣化程度对预警等级进行判断，其中，预警等级分为一级预警、二级预警、三级预警。
7.根据权利要求6所述的基于机器学习的风电机组功率性能分析方法，其特征在于，其中，
三级预警：机组的功率小于当前风速平均功率的10％，且1小时内机组的功率变化率小于20％；
二级预警：机组的功率小于当前风速平均功率的15％，且1小时内机组的功率变化率小于20％，且大于10％；
一级预警：机组的功率小于当前风速平均功率的30％，且1小时内机组的功率变化率小于10％。
CN202211056573.7A 2022-08-30 2022-08-30 一种基于机器学习的风电机组功率性能分析方法 Pending CN115470698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211056573.7A CN115470698A (zh) 2022-08-30 2022-08-30 一种基于机器学习的风电机组功率性能分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211056573.7A CN115470698A (zh) 2022-08-30 2022-08-30 一种基于机器学习的风电机组功率性能分析方法

Publications (1)

Publication Number Publication Date
CN115470698A true CN115470698A (zh) 2022-12-13

Family

ID=84368429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211056573.7A Pending CN115470698A (zh) 2022-08-30 2022-08-30 一种基于机器学习的风电机组功率性能分析方法

Country Status (1)

Country Link
CN (1) CN115470698A (zh)

Similar Documents

Publication Publication Date Title
CN104992270B (zh) 输变电设备状态检修辅助决策系统及方法
Dinmohammadi et al. A fuzzy-FMEA risk assessment approach for offshore wind turbines
CN105205569B (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
CN110469456B (zh) 降低变桨疲劳的风电场智能控制方法及系统
CN112836941B (zh) 一种煤电机组汽轮机高加系统在线健康状况评估方法
CN113703410B (zh) 一种智慧电厂的智慧运行平台
CN116025529B (zh) 一种风电机组自主健康评估方法及自愈调控方法及系统
US20210246881A1 (en) Wind turbine drivetrain wear detection using azimuth variation clustering
CN116090626A (zh) 一种基于云边协同的风电机组状态评估与智能预警系统及方法
CN111581889A (zh) 用于供热设备组件的故障预测方法、系统及设备
CN111327070A (zh) 风电场能量管理方法及系统
CN110033181B (zh) 一种基于自编码器的发电设备状态评估方法
CN117526344A (zh) 一种配电网无功电压控制优化方法及系统
CN117905638B (zh) 基于强化学习的风力发电机优化控制方法及系统
CN112865083A (zh) 一种含高比例可再生能源电力系统的实时运行状态评估方法
CN118117583A (zh) 一种电力负荷调控终端用分布式能源资源协同调控方法
Bao et al. Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm
CN108506171A (zh) 一种大型半直驱机组齿轮箱冷却系统故障预警方法
CN111144639A (zh) 一种基于alln算法的地铁设备故障预测方法及系统
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
CN112084661B (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
CN117696224A (zh) 一种基于大模型的磨矿优化处理系统
CN117471993A (zh) 大型海洋风电柴油发电机组集群控制系统
CN115470698A (zh) 一种基于机器学习的风电机组功率性能分析方法
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法

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