CN116467972A - 一种风机能效评估方法及系统 - Google Patents
一种风机能效评估方法及系统 Download PDFInfo
- Publication number
- CN116467972A CN116467972A CN202310598885.9A CN202310598885A CN116467972A CN 116467972 A CN116467972 A CN 116467972A CN 202310598885 A CN202310598885 A CN 202310598885A CN 116467972 A CN116467972 A CN 116467972A
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- fault
- time
- energy
- reliability
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 106
- 238000003745 diagnosis Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 94
- 230000006870 function Effects 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 19
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000011160 research Methods 0.000 description 15
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000341910 Vesta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001983 poloxamer Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Fluid Mechanics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开一种风机能效评估方法,用于兼容多种风机机型进行能效评估,包括:S1,采集风机的多种信息数据;S2,基于所述多种信息数据进行数据分析,获得能效诊断、能效评估和可靠性评估结果。还公开了对应的系统、电子设备以及计算机可读存储介质。通过搭建基于集控中心的机组智能化运行状态监测与故障诊断平台,探索基于大数据技术的机组能量可利用率算法及其他能效评价指标与方法,开发基于集控中心运行数据的快速能效诊断分析算法,实现机组性能评估的快速性、信息化,并实现评估结果的手机端推送。
Description
技术领域
本发明涉及风机能效评估,风机状态监测与故障诊断技术领域,尤其涉及一种风机能效评估方法及系统,通过数据挖掘、数字建模、机器学习等大数据技术对设备运行数据进行深入分析,研究风机故障和能效的有效管理方法,提高存量资产的效益。
背景技术
风电机组作为一类大型旋转机电设备,子系统之间关联耦合性强,经常工作在变工况条件下,机组部件受到风侧、电网侧载荷的共同作用,导致发电量减少、故障频发。对于风电场管理者而言,只有风电机组的发电量大、能效水平高、故障率低才能获取最大的收益。因此研究如何准确、全面判断风电机组的能效水平、设备运行的可靠性则显得尤为重要。通过对风电机组的能效评估、可靠性分析的准确判断,了解当前风电机组的运行性能进行评估,为风机技改提供依据,从而改善风机的发电性能、提高可靠性。目前国内外许多企业都做了这方面的研究。
(1)风电机组运行状态监测与评价研究现状
当前对风电机组运行状态监测,有很多种技术形式。针对不同设备给出不同监测方法,例如:针对叶片的状态,可以通过振动、声学和光纤应变分析;针对传动部件,可以通过声学和振动分析;针对电子,可以通过热谱分析。对风电机组状态监测信号处理方法也有不少,包括数据挖掘、小波分析、模糊数学、状态空间等理论。针对风电机组状态监测的主流监测技术主要对风机部件的单一信号进行监测,对多信号融合的利用也仅仅停留在单一信号监测评价、多源信号决策结果融合的程度。由于风电机组运行工况复杂多变,仅仅利用单一信号进行监测分析很可能造成评价结果的失真,因此亟需开展基于多源信息融合的运行状态监测与分析工作。
(2)风电机组能效损失研究现状
对风电机组的能效损失机理研究是提高风电机组的能量利用率的必要条件。在风机叶轮捕获风能的气动性能方面,需要综合运用动量理论、动量-叶素理论以及贝兹理论等相关理论方法建立叶轮模型。研究叶轮的气动性能的核心问题是如何获得准确的轴向速度诱导因子以及切向速度诱导因子,通常情况下主要采用迭代计算的方法获得诱导因子的准确值。大部分的研究表明叶轮在涡环状态下,叶轮模型需要通过修正才能适应实际需要。目前常见的修正方法包括Wilson法、Glauert以及普朗特损失因子法。对于叶轮机理研究发现,直接反映叶轮对风能量的吸收转化能力的是风能利用系数,现有技术对比不同叶尖损失模型差异,比较其风能利用系数值与实际值的接近程度。在风能转化为动能的机械传动链系统方面,现有技术还通过对齿轮箱的研究,以转轴实际转速作为输入从而确定齿轮箱的实际损耗,并且对额定损耗进行定义。现有技术还通过研究不同齿轮箱损耗情况,确定齿轮箱的模型与运行参数间的关系。在风电机组动能转电能的发电机系统方面,通常情况下可以将发电机损失指标分为固定损失、可变损失,当然也有现有技术将之分为发电机损耗、变频器损耗和自用电损耗,并对各种部件的损耗进行计算、仿真测试。现有技术对发电机本体损耗中的诸如铜损耗、铁损耗、机械损耗等可变损耗的计算模型进行了深入分析和修正,目前已经取得了比较准确的研究方法。但是这些研究都只是针对某个部件或单个系统进行深入的分析研究,现有技术很少有从风机的捕获性能、传动性能、发电性能之间的能量流的转换效率出发进行研究。
(3)风电机组功率特性研究现状
通过研究风机的功率特性可以提高风机发电量。现有技术根据I EC功率测试标准,采用实测的风电机组数据提出了数据校正方法,并对风电机组的功率特性进行比较分析,通过研究不同机组同一时间段和同一机组不同时间段的功率特性,找出影响机组功率特性的原因。现有技术利用空气动力学仿真实验,获取了机组风速仪监测风速与测风塔风速之间的关系,并成功修正了风电机组实测功率曲线。但以上研究方法大部分以实验室数据为基础进行研究,并没有对这些数据的真实性进行验证,离工程的实际应用还有一段距离。
(4)风电机组能效监测研究现状
国外风电机组制造商如GE、Gamesa、Vestas等都会为自己的风机设备配套机组监控系统,但这些系统只能对于特定的机组有用。因此也催生了一批第三方企业,这些企业致力于风电机组监控系统的设计与开发对不同制造商的风机进行能效监测。相比国外制造商而言,国内风电制造商的监测系统应用较晚,监测功能单一,局限于完成传统的数据采集、统计分析、展示等任务。市场上不少科研单位和风机制造商针对不同的业务痛点开发了监测系统,但这些都只是针对风电机组单独的某个部件性能状态进行评价和诊断,缺乏完善的风电机组能效性能评价和诊断方面的研究和系统开发。
随着新能源发展形势和政策的变化,新能源开发由政府主导逐步转变为市场主导,平价上网、竞价上网将成为新能源项目开发的新常态,这将对新能源项目的盈利能力提出了更高的要求。同时目前存在风电产业做优增量与做精存量的技术需求,以及为风电专业化集约化运营提供技术支撑的需要;现有技术的方案均无法满足上述技术需求。
发明内容
为了解决现有技术中存在的问题,本发明提供了如下技术方案,一种风机能效评估方法及系统,通过开展风电场大部件的可靠性与机组能效评估及能效技术改进方案研究,能够精准把握每一台风机的运行状态,及时发现其能效问题,为提效方案的制定和实施指明方向,探索提高风场能量利用效率的方法。通过搭建基于集控中心的机组智能化运行状态监测与故障诊断平台,探索基于大数据技术的机组能量可利用率算法及其他能效评价指标与方法,开发基于集控中心运行数据的快速能效诊断分析算法,实现机组性能评估的快速性、信息化,并实现评估结果的手机端推送。针对已投运风电机组存在的运行性能不达标情况,研究风电机组提质增效技术,加强对机组运行性能评估的标准化、数字化、智能化管控;研究风电场技改前后能效评估方案,解决各种原因导致的机组运行性能评价不及时而造成发电量损失的问题。
本发明一方面提供了一种风机能效评估方法,用于兼容多种风机机型进行能效评估,包括:
S1,采集风机的多种信息数据;
S2,基于所述多种信息数据进行数据分析,获得能效诊断、能效评估和可靠性评估结果。
优选的,所述多种信息数据包括:
风机运行状态信息;
风机运行数据,包括实时风速、风向、对风角、有功功率、无功功率、功率因数、电网频率、L1电压、L2电压、L3电压、L1电流、L2电流、L3电流,发电机转速、风轮转速、风向机舱夹角、偏航角度、桨距角,环境温度、塔底温度、机舱温度、塔底控制柜温度以及机舱控制柜温度;
风机部件数据,包括主控柜、变频器系统、变桨系统、发电机系统、齿轮箱、液压系统以及主轴承温度;
风机故障信息,包括故障发生时间、代码、分类;故障时间包括起始时间和结束时间;以及
事件代码和事件发生时间。
优选的,所述S2包括:
S21,建立基于机组能量转化率及设备状态的能效评价模型;
S22,基于所述能效评价模型获得能效评估、能效诊断和可靠性评估结果。
优选的,所述能效评估基于机舱传递函数、风能转换效率或风能利用系数Cp、子部件可靠度、机械能能效水平、电能能效水平、整机能效水平的计算得到的能效评估源数据整理获得;其中
在得到数值仿真的测风塔风速与各机位点风速的关系后,即可由测风塔风速计算得出各机组轮毂高度的自由来流风速,将其与风力发电机组SCADA记录风速利用多项式拟合的方法,在确保拟合优度达到标准的前提下,得出形如y=ax+b的函数,即为机舱传递函数;所述风能转换效率用风能利用系数Cp来表征,
Cp的计算方式如下:
其中,β为桨距角,λ为叶尖速比,V是自由来流风速,R为叶片半径;A,B,C,D,E,F为常数;基于机组某一时刻的自由流风速值,桨距角等变量输入到函数中,即可得出该机组的风能利用系数;
所述子部件可靠度表示风机无故障运行的概率,即可等效为能效值;通过特征工程得到各部件的故障特征,按时间序列计算子部件的可靠度;通过计算得到每个部件包含子部件的可靠度,则每个部件的可靠度即为各子部件可靠度总和的平均值;假设某部件通过特征工程最终可得到n个故障特征指标,每个特征指标的可靠度为Rn,则部件可靠度为:
所述机械能能效水平基于风机系统主轴、齿轮箱、发电机三大部件的可靠度进行综合计算;通过风机以及部件可靠度计算计算公式,得到:
ReliabilityMechanical=RRotor*RGearbox*RGenerator
机械能良好等级可靠度设定为≥0.973≈0.90,一般等级设定为≥0.85,较差等级设定为≥0.75,差等级设定为≥0.903≈0.70;
所述电能能效水平基于发电机、变流器两大部件的可靠度继续计算;通过风机以及部件可靠度计算公式,得到:
ReliabilityElectrical=RGenerator*RConverter;
电能良好等级可靠度设定为≥0.972≈0.95,一般等级设定为≥0.90,较差等级设定为≥0.85,差等级设定为≥0.902≈0.80;
所述整机能效水平综合考虑风能能效水平、机械能能效水平和电能能效水平获得:Reliabilityturbine=Rwind*RMechanical*RElectrical。
整机能效良好等级设定为R≥0.75,一般等级设定为0.6≤R<0.75,较差等级设定为0.4≤R<0.6,差等级设定为≤0.4。
优选的,所述能效诊断由能效诊断模块完成,用于分析设备运行情况,找到能效劣化的底层原因,定位劣化部件,确定各影响因素的关联性,找到主要因素,指导进行故障处理和消缺,包括:
(1)建立特征工程
建立特征工程包括两步:第一步为故障特征参数选取,包括选取每个部件的故障特征参数;第二步,特征选择结果验证,包括在第一步的基础上验证每个部件的故障特征选取是否准确;
(2)计算风机可靠度
风机可靠度(Relibility)本身含义为风机无故障运行的概率,可等效为能效值;通过特征工程得到各部件的故障特征,按时间序列计算子部件的可靠度,其具体步骤如下:
A.提取各部件正常以及故障数据并定下标签;
B.以正常数据作为训练集,异常数据作为测试集使用Deep AutoEncoder算法除噪进行数据再重建;
C.通过损失函数得到各个子部件的损失值,以及部件的总损失值,其中子部件各时刻损失值和部件各时刻总损失定义为:
loss表示子部件损失值,其中m表示第m个时间序列,表示在第m个时间序列子部件的预测数值,xm表示在第m个时间序列子部件的实际值;losstotal表示部件总损失,其中n表示部件包含子部件个数,lossi表示第i个子部件损失值,wi表示第i个子部件的损失权重;
通过上述计算得到各部件的总损失值,即可计算各部件每个时间序列的可靠度:
Reliability=1-losstotal;
(3)计算自适应阈值
用于判断各部件异常状态从而达到故障预测以及故障诊断效果,包括:
A.提取某一子部件一段时间的正常数据作为先验数据集,假设样本向量X={X1,X2,X3,…Xn},Xn通常表示每十分钟某一参数的数值;则Mn=max1≤i≤nXi遵循由初始数据分布产生的极值指数γ的极值分布,其中极值分布函数形式如下:
B.假设对于超过阈值的极值遵循帕累托分布,即对于极值分布使用帕累托分布进行拟合,其阈值Rth公式定义为:
其中μ(t)为初始阈值,σ,通过最大似然估计计算得到,p为期望概率,n为检测值个数,Nt为峰值个数。
以上述计算为基础,输入n个要检测的数据Xn和一个异常发生概率q,在n个数据组成的窗口计算一个阈值Rth使得P(X>Rth)<q,每个阈值计算是针对局部建模,通过将窗口根据全局检测数据的时间序列依次往后滑动计算阈值即可得到自适应阈值,此过程假设局部分布依旧遵循同一个分布,超出阈值即可定义为异常或是故障状态。
优选的,所述可靠性评估用于实现机组时间序列分析计算、平均故障修复时间计算、故障时间统计、故障损失电量计算、平均无故障运行时间计算、无故障运行时间计算、机组时间可利用率计算、机组能量可利用率计算以及可用运行系数计算共计9部分的功能得到的可靠性评估源数据整理获得;其中:
(1)机组时间序列分析
支持多字段、时间、风机等自由选择查询展示,以图表形式展示查询结果;
(2)平均故障修复时间计算
根据所选时间范围的每次故障结束时间和故障维护时间的差值计算风机的平均故障修复时间;
(3)故障时间统计
故障时间统计根据所查询的时间范围对故障时间和占比进行统计;
(4)故障损失电量计算
提供按不同电量损失原因分类统计的发电损失量的相关统计信息;其中各类故障损失包括风机故障损失、场内输变电设备故障损失以及电网故障损失;
(5)平均无故障运行时间计算
根据所查询的时间范围对故障时间、故障次数进行统计;
(6)无故障运行时间计算
无故障机组指机组未发生需就地复位或超过10分钟停机的故障,统计最后一次故障时间和至今的无故障运行时间;
(7)机组时间可利用率计算
根据所查询的时间范围对机组时间可利用率进行统计;
(8)机组能量可利用率计算
包括两个指标:绝对能量利用率和相对能量利用率;根据所查询的时间范围对机组能量可利用率进行统计。
C.绝对能量利用率EBA:
式中,Wreal为统计得到的实际发电量,单位kWh;WT为理论发电量,单位kWh;理论发电量应基于自由来流风速,通过厂家保证功率曲线与时间积分得到;
D.相对能量利用率EBA:
式中,Wreal为统计得到的实际发电量,单位kWh;WA为实际应发电量,单位kWh;实际应发电量应基于自由来流风速,通过实际运行数据拟合的功率曲线与时间积分得到。
(9)可用运行系数计算
可用运行系数包括两个指标:可用系数和运行系数;
C.可用系数AF:
式中,AH为可用小时,单位h,机组处于可用状态的小时数;
D.运行系数SF:
式中,SH为运行小时,单位h,机组处于运行状态的小时数。
本发明的第二方面在于提供一种风机能效评估系统,用于兼容多种风机机型进行能效评估,包括:
数据采集系统,用于采集风机的多种信息数据;以及
数据分析系统,用于基于所述多种信息数据进行数据分析,获得能效诊断、能效评估和可靠性评估结果。
优选的,所述数据分析系统包括:
能效评估模块,用于对风能捕获系统、机械能传递系统以及电能转换系统分别计算能效水平进行分析,并结合各子系统关联指标参数,提取能效关联参数及能效影响因素,实现机组整体综合评价。能效评估系统每日、月、年对所有机组进行一次能效评估,结果储存在相应的数据库中,便于未来的展示或调用;
能效诊断模块完成,用于将针对能效评估模块的评估结果做进一步数据分析诊断,对机组的主要大部件建立多个能效诊断模型,对相关的关联参数的大量运行数据进行分析,从而得到细分到子部件具体运行参数的能效值,找到影响整机能效水平的关键原因;以及自动生成诊断结果,对需要处理的问题生成能效预警工单,说明触发的能效模型、关联部件和详细的排查内容等,提供具体的方法排查机组能效水平降低的问题,具有可操作性。排查后再更新相关工单的状态和准确性,可持续优化模型的准确性,形成良好的闭环;以及
可靠性评估模块,用于实现机组时间序列分析计算、平均故障修复时间计算、故障时间统计、故障损失电量计算、平均无故障运行时间计算、无故障运行时间计算、机组时间可利用率计算、机组能量可利用率计算以及可用运行系数计算。
本发明的第三方面提供一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明提供的方法、系统和电子设备,具有如下有益效果:
通过开展风电场大部件的可靠性与机组能效评估及能效技术改进方案研究,能够精准把握每一台风机的运行状态,及时发现其能效问题,为提效方案的制定和实施指明方向,探索提高风场能量利用效率的方法。通过搭建基于集控中心的机组智能化运行状态监测与故障诊断平台,探索基于大数据技术的机组能量可利用率算法及其他能效评价指标与方法,开发基于集控中心运行数据的快速能效诊断分析算法,实现机组性能评估的快速性、信息化,并实现评估结果的手机端推送。针对已投运风电机组存在的运行性能不达标情况,研究风电机组提质增效技术,加强对机组运行性能评估的标准化、数字化、智能化管控;研究风电场技改前后能效评估方案,解决各种原因导致的机组运行性能评价不及时而造成发电量损失的问题。
附图说明
图1为本发明所述的风机能效评估方法流程示意图。
图2(a)为本发明所述的自由来流风速推导示意图。
图2(b)为本发明所述的风能利用率计算结果示例示意图。
图2(c)本发明所述的为能效诊断流程图。
图2(d)为本发明所述的分类混淆矩阵示意图。
图3为本发明所述的风机能效评估系统。
图4为本发明所述的电子设备结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
实施例一
参见图1,本实施例提供一种风机能效评估方法,用于兼容多种风机机型进行能效评估,包括:
S1,采集风机的多种信息数据;
作为优选的实施方式,所述多种信息数据包括:
(1)风机运行状态信息。
(2)风机运行数据(实时风速、风向、对风角、有功功率、无功功率、功率因数、电网频率、L1电压、L2电压、L3电压、L1电流、L2电流、L3电流,发电机转速、风轮转速、风向机舱夹角、偏航角度、桨距角,环境温度、塔底温度、机舱温度、塔底控制柜温度、机舱控制柜温度)。
(3)风机部件数据,包括主控柜(散热风扇工作状态,加热器工作状态)、变频器系统(温度,散热电机工作状态,电压,电流)、变桨系统(设定角度,实际角度,扭矩,电器柜温度,变桨电机温度,加热器工作状态)、发电机系统(散热电机工作状态,电压,电流,发电机前轴承温度、发电机后轴承温度、U转子线圈温度、V转子线圈温度、W转子线圈温度)、齿轮箱(油温,齿轮箱前轴承温度、齿轮箱后轴承温度、齿轮箱油池温度、轴承温度、齿轮箱油压,油泵电机工作状态)、液压系统(液压站压力、刹车模式、液压油温度)、主轴承温度等。
(4)风机故障信息(其中风机厂家自带故障信息全部采集),包括故障发生时间、代码、分类;故障时间包括起始时间和结束时间。
(5)事件代码和事件发生时间。
作为优选的实施方式,所述采集风机的多种信息数据包括:以最小为1秒的采样频率进行采集。当然,采样频率可以根据实际情况进行调节。
S2,基于所述多种信息数据进行数据分析,获得能效诊断、能效评估和可靠性评估结果;
作为优选的实施方式,所述S2包括:
S21,建立基于机组能量转化率及设备状态的能效评价模型;
S22,基于所述能效评价模型获得能效评估、能效诊断和可靠性评估结果。
作为优选的实施方式,所述能效评估(基于能效评估模块实现)用于对风能捕获系统、机械能传递系统以及电能转换系统分别计算能效水平进行分析,并结合各子系统关联指标参数,提取能效关联参数及能效影响因素,实现机组整体综合评价。能效评估系统每日、月、年对所有机组进行一次能效评估,结果储存在相应的数据库中,便于未来的展示或调用;在能效评估中,能效等级分为良好、一般、较差、差4个等级。“良好”属于正常能效水平,“一般”和“较差”状态属于能效预警水平,“差”属于能效停机保护水平,并且把良好状态作为机组优化的方向。系统可进一步查看单台风机的能效状态趋势,并可通过关联参数能效状态变化与参考阈值的对比,分析影响该机组能效状态的因素。
作为优选的实施方式,所述能效评估基于机舱传递函数、风能转换效率或风能利用系数Cp、子部件可靠度、机械能能效水平、电能能效水平、整机能效水平的计算得到的能效评估源数据整理获得。
(1)计算机舱传递函数
目前绘制机组功率曲线时采用的风速主要为机组风速计的实测风速,因风速计安装在被测风力发电机组机舱上或附近,风速计在这个位置上测得的风速被称为“机舱风速”。由于机舱风速受到风轮和机舱的严重影响,并不能准确反应轮毂处的实际来流风速。因此采用机舱风速对机组性能进行评估并不客观。为获得叶轮扫风面前方的自由流风速,需要首先对机舱风速进行修正。
由于一个风场里的测风塔对应多个机位点,所以首先通过数值模拟仿真的方式将测风塔风速映射到各机位点中;确定风场范围后,计算不同风向条件下流场(即定向计算,一般将圆周平均划分为16个扇区分别进行计算),得出参考点位和风机点位风速比(即加速因子),其中Vfan,CFD,i为风向i扇区下风机点位CFD计算风速,Vmast,CFD,i为测风塔点位CFD计算风速;之后带入测风塔实际测风数据,加权得出风机点位风速,下脚标j表示时间序列中数据点,下脚标i表示不同测风塔,fi为不同测风塔对应的权重。
流体数值仿真求解稳态雷诺平均方程:
式中:Ui为速度;P为压力;T为温度;ν为空气粘度系数;β为热膨胀系数;g为重力加速度;θ为温度势场。
湍流粘度系数νt=Cμκ2/ε,κ,ε分别为湍流动能及湍流动能扩散
率,本发明使用κ-ε运输方程求解。
在得到数值仿真的测风塔风速与各机位点风速的关系后,即可由测风塔风速计算得出各机组轮毂高度的自由来流风速,将其与风力发电机组SCADA记录风速利用多项式拟合的方法,在确保拟合优度达到标准的前提下,得出形如y=ax+b的函数,即为机舱传递函数。本发明使用WT软件进行了风电场流场的数值仿真。通过机舱传递函数校正得到自由来流风速后,计算风功率曲线,及风能利用系数等指标,可以减小误差,其效果如图2(a)所示。
(2)风能转换效率(风能利用系数Cp)
风能转换效率用风能利用系数Cp来表征。每日、月、年对所有机组进行一次能效评估,结果储存在相应的数据库中,便于未来的展示或调用。
Cp的计算方式如下:
其中,β为桨距角,λ为叶尖速比,V是自由来流风速,R为叶片半径。A,B,C,D,E,F为常数,以华锐1.5MW机组为例,经过大量数据所得A=0.5176,B=116,C=0.08,D=0.035,E=0.4,F=5,G=21,H=0.0068。基于机组某一时刻的自由流风速值,桨距角等变量输入到函数中,即可得出该机组的风能利用系数。
计算时根据接入的SCADA数据中的机舱风速,通过机舱传递函数校正后的风速得到该机位点自由来流风速。通过自由来流风速代入相应公式,计算出机组的Cp值,保存在数据库中。
理论Cp的计算方式
其中,ρ为空气密度,A为扫风面积,V是平均风速,P为对应风速下的平均功率。
则风能能效水平:
基于相关经验,风能能效良好等级设定为R≥0.90,一般等级设定为0.8≤R<0.9,较差等级设定为0.7≤R<0.8,差等级设定为≤0.7。
(3)子部件可靠度
风机可靠度(Reliability)本身含义为风机无故障运行的概率,即可等效为能效值。通过特征工程得到各部件的故障特征,按时间序列计算子部件的可靠度。
通过计算得到每个部件包含子部件的可靠度,则每个部件的可靠度即为各子部件可靠度总和的平均值。假设某部件通过特征工程最终可得到n个故障特征指标,每个特征指标的可靠度为Rn,则部件可靠度为:
(4)机械能能效水平
机械能传递系统能效评价应主要基于风机系统主轴、齿轮箱、发电机三大部件的可靠度进行综合计算。通过风机以及部件可靠度计算计算公式,可得到:
ReliabilityMechanical=RRotor*RGearbox*RGenerator
机械能良好等级可靠度设定为≥0.973≈0.90,一般等级设定为≥0.85,较差等级设定为≥0.75,差等级设定为≥0.903≈0.70。
(5)电能能效水平
电能转换系统能效评价应主要基于发电机、变流器两大部件的可靠度继续计算。通过风机以及部件可靠度计算公式,可得到:
ReliabilityElectrical=RGenerator*RConverter
通过第一模块子部件计算公式举例。假设计算出发电机的子部件可靠度分别为:三相绕组温度可靠度=0.98,轴承温度可靠度=0.96,轴承转速可靠度=0.99,则发电机部件可靠度为: 同理通过计算变流器子部件可靠度可假设计算出变流器可靠度为/>由此可得电能能效:ReliabilityElectrical=0.977*0.985=0.962
电能良好等级可靠度设定为≥0.972≈0.95,一般等级设定为≥0.90,较差等级设定为≥0.85,差等级设定为≥0.902≈0.80。
(6)整机能效水平
综合考虑风能能效水平、机械能能效水平和电能能效水平,可得到单台机组整机能效水平为:
Reliabilityturbine=Rwind*RMechanical*RElectrical
整机能效良好等级设定为R≥0.75,一般等级设定为0.6≤R<0.75,较差等级设定为0.4≤R<0.6,差等级设定为≤0.4。
总结:能效评估源数据整理
能效评估数据分析涉及的源数据标签点整理如下表1能效评估标签点所示。
/>
作为优选的实施方式,所述能效诊断由能效诊断模块完成,用于分析设备运行情况,找到能效劣化的底层原因,定位劣化部件,确定各影响因素的关联性,找到主要因素,指导进行故障处理和消缺,其能效诊断流程如图2(c)所示。包括:
(1)建立特征工程
建立特征工程包括两步:第一步为故障特征参数选取,包括选取每个部件的故障特征参数;第二步,特征选择结果验证,包括在第一步的基础上验证每个部件的故障特征选取是否准确;其中:
故障特征参数选取包括:通过故障字典库整合各部件所包含的故障模型,再根据故障运行手册找到每种故障模型对应的故障触发规则,如果故障触发规则的参数是具有明确数字判断条件,则可断定该参数即为故障模型对应的故障特征;如果故障触发规则的参数不包含明确数字判断条件,则提取一定量的SCADA数据定义只包含一种故障模型的故障数据以及正常数据标签,建立随机森林分类器得到该故障模型的重要特征,通过上述两种方法的结合,确定SCADA测试数据是否包含选定的故障特征,即可得到每一个部件的故障特征总集。
故障特征参数选择结果验证包括:基于故障特征参数选择确定的各部件的故障特征总集,通过提取只包含故障特征总集的多个风场、多个风机的所有故障类型数据,结合正常数据,使用XGBOOST分类器得到混淆矩阵,验证部件的故障特征总集是否筛选正确,如果最终模型预测召回率、精准率、准确率都保持在90%以上,则可证明该部件的故障特征选择是有效的。
以明阳双馈机型为例,现统计出明阳SCADA数据一共包含约270个特征标签,然而实际情况每个部件的故障特征不会包含所有SCADA标签,遂需进行特征工程对每个部件进行特征降维,直至找到只与每个部件相关的故障特征。举例以发电机为例,可先通过专家经验筛选出与发电机相关联的约8个特征标签,后结合实际情况删除部分SCADA数据不包含的标签,一共包含6个发电机子部件标签,具体如表2发电机故障标签所示:
表2
/>
提取发电机一种故障数据(例如发电机定子U绕组温度异常),加入正常数据数据总量约2万条,其正常数据:异常数据比例约为90:1,后通过XGBOOST分类器对筛选出的SCADA数据进行分类,得到分类混淆矩阵如图2(d)所示。其中数据准确率约100%(由于正负样本不均衡造成),召回率约97%,精准率约98%。此例仅仅只提取一种发电机故障数据进行验证,在实际情况中,发电机会发生更多种类型故障,所以如果提取更多种类发电机故障数据,那么模型的召回率以及精准率相对也会降低。
如果混淆矩阵召回率以及精准率低于85%,则需要再使用随机森林RANDOMFOREST计算已选标签特征的特征重要性,最终筛选出特征分数高于95%的重要特征。此外根据上面特征工程描述,如果风场SCADA数据里面不包含部件所筛选出的特征,需根据实际情况删除没有的特征标签。
(2)计算风机可靠度
风机可靠度(Relibility)本身含义为风机无故障运行的概率,即可等效为能效值。通过特征工程得到各部件的故障特征,按时间序列计算子部件的可靠度,其具体步骤如下:
A.提取各部件正常以及故障数据并定下标签;
B.以正常数据作为训练集,异常数据作为测试集使用Deep AutoEncoder算法除噪进行数据再重建;
C.通过损失函数得到各个子部件的损失值,以及部件的总损失值,其中子部件各时刻损失值和部件各时刻总损失定义为:
loss表示子部件损失值,其中m表示第m个时间序列,表示在第m个时间序列子部件的预测数值,xm表示在第m个时间序列子部件的实际值;losstotal表示部件总损失,其中n表示部件包含子部件个数,lossi表示第i个子部件损失值,wi表示第i个子部件的损失权重;
通过上述计算得到各部件的总损失值,即可计算各部件每个时间序列的可靠度:
Reliability=1-losstotal
根据上述可靠度计算方法,以发电机部件为例,选取明阳风场10007003号风机约2天分钟级SCADA数据,使用DAE算法可计算出发电机部件各相关子部件的能效值如表3发电机子部件能效值所示。
表3
上述表3可知发电机六大子部件每分钟级时间序列的可靠度,再通过特征工程里通过随机森林RANDOM FOREST计算特征重要性得到各个子部件特征的重要性,即可得到各项子部件的对应权重为W=
w1w2w3…w6],再通过加权求和方式计算得到发电机部件可靠度。
而在实际情况中,由于风机发电机部件的故障记录一直都是动态变化,随机森林计算出的实际权重是以故障记录为数据基础进行动态计算,所以各子部件特征权重也会随之变化。
(3)计算自适应阈值
通过上述步骤得到各部件按时间序列的可靠度,再需计算自适应阈值来判断各部件异常状态从而达到故障预测以及故障诊断效果。从分析来看,风机故障分为可预测故障以及突发性故障。由于突发性故障具备不可预测性,所以在这里不做分析。而可预测性故障可定义为在故障发生之前风机部件就表现出一定的异常状态,此部分通过阈值计算即可找到部件的异常状态。
由于风机各部件的工作效果可随着时间、环境时刻变化,如果阈值是人为设定的,需要用户有足够的使用经验,而且这种设定方式随机性很大。所以基于极值理论的自适应阈值被提出作为判断子部件是否处于异常状态的依据,此方法只需要手动设定概率值q和漂移窗口数据量p。其实现步骤如下:
A.提取某一子部件一段时间的正常数据(如一年时间的数据量)作为先验数据集,假设样本向量X={X1,X2,X3,…Xn},Xn通常表示每十分钟某一参数的数值。则Mn=max1≤i≤nXi遵循由初始数据分布产生的极值指数γ的极值分布,其中极值分布函数形式如下:
B.假设对于超过阈值的极值遵循帕累托分布,即对于极值分布使用帕累托分布进行拟合,其阈值Rth公式定义为:
其中μ(t)为初始阈值,σ,通过最大似然估计计算得到,p为期望概率,n为检测值个数,Nt为峰值个数。
以上述计算为基础,输入n个要检测的数据Xn和一个异常发生概率q,在n个数据组成的窗口计算一个阈值Rth使得P(X>Rth)<q,由此可知,每个阈值计算是针对局部建模,通过将窗口根据全局检测数据的时间序列依次往后滑动计算阈值即可得到自适应阈值,此过程假设局部分布依旧遵循同一个分布,超出阈值即可定义为异常或是故障状态。
根据上述10007003风机的2天SCADA数据进行验证,其能效诊断全部结果包含5大部件,19个子部件的能效值以及能效状态,而以其中一个子部件的能效动态阈值诊断为例,通过子部件阈值诊断经过一定计算可转化为表4发电机部件能效值以及能效等级形式,表1.10观察可得到发电机部件每日能效值以及能效等级,其10007003机位号风机在2021-09-02号能效等级由良好降为一般,原因是由于发电机驱动端轴承温度当日发生异常引起。
表4
/>
作为优选的实施方式,所述可靠性评估由可靠性评估模块完成,用于实现机组时间序列分析计算、平均故障修复时间计算、故障时间统计、故障损失电量计算、平均无故障运行时间计算、无故障运行时间计算、机组时间可利用率计算、机组能量可利用率计算以及可用运行系数计算共计9部分的功能得到的可靠性评估源数据整理获得。包括:
(1)机组时间序列分析
支持多字段、时间、风机等自由选择查询展示,以图表形式展示查询结果。
(2)平均故障修复时间计算
根据所选时间范围的每次故障结束时间和故障维护时间的差值计算风机的平均故障修复时间。
(3)故障时间统计
故障时间统计根据所查询的时间范围对故障时间和占比进行统计。
(4)故障损失电量计算
提供按不同电量损失原因(如风机故障、场内输变电设备故障、电网故障等等)分类统计的发电损失量的相关统计信息。
各类故障损失:
1)风机故障损失,指由于风机本身设备故障导致风机停止运行造成的电量损失。
2)场内输变电设备故障损失,指由于场内变电设备(含升压站、
箱变、电缆)故障导致风机停止运行造成的电量损失。
3)电网故障损失,指由于场外的变电设备故障导致风机停止运行造成的电量损失。
计算方法:
将故障停机时间分为若干个10分钟,计算故障期间10分钟平均风速,由此风速找出该机组“当地空气密度下的机组理论功率曲线”在该风速下对应的功率值,该功率值乘以10分钟得到10分钟损失电量,并将所有10分钟损失电量相加得到故障损失电量。
(5)平均无故障运行时间计算
根据所查询的时间范围对故障时间、故障次数进行统计。
(6)无故障运行时间计算
无故障机组指机组未发生需就地复位或超过10分钟停机的故障,统计最后一次故障时间和至今的无故障运行时间。
(7)机组时间可利用率计算
根据所查询的时间范围对机组时间可利用率进行统计。
(8)机组能量可利用率计算
机组能量可利用率包括两个指标:绝对能量利用率和相对能量利用率。根据所查询的时间范围对机组能量可利用率进行统计。
E.绝对能量利用率EBA(Energy Based Availability):
式中,Wreal为统计得到的实际发电量,单位kWh;WT为理论发电量,单位kWh。理论发电量应基于自由来流风速,通过厂家保证功率曲线与时间积分得到。
F.相对能量利用率EBA:
式中,Wreal为统计得到的实际发电量,单位kWh;WA为实际应发电量,单位kWh。实际应发电量应基于自由来流风速,通过实际运行数据拟合的功率曲线与时间积分得到。
(9)可用运行系数计算
可用运行系数包括两个指标:可用系数和运行系数。
E.可用系数AF:
式中,AH为可用小时,单位h,机组处于可用状态的小时数。
F.运行系数SF:
式中,SH为运行小时,单位h,机组处于运行状态的小时数。
总结:可靠性评估源数据整理
可靠性评估数据统计涉及的源数据标签点整理如表5可靠性评估标签点所示。
表5可靠性评估标签点 |
标签 |
实时风速 |
机组运行模式(运行状态码) |
首触故障代码(地址) |
检修标志 |
电网有功功率(发电机有功功率) |
发电机累计有功发电量(kWh) |
机舱外温度瞬时值(环境温度) |
风向实时值 |
限功率标志位 |
空气压强 |
空气密度 |
实施例二
如图3所示,本实施例提供一种风机能效评估系统,用于兼容多种风机机型进行能效评估,包括:
数据采集系统101,用于采集风机的多种信息数据;以及
数据分析系统102,用于基于所述多种信息数据进行数据分析,获得能效诊断、能效评估和可靠性评估结果。
其中,数据采集系统如图3下半部分所示。其中数据源来自集控部分和生产管理系统,集控部分包括风机、CMS、主变、功率预测、测风塔和电能表等。通过安全的链路对数据进行采集,其中链路与多种协议,如ModbusTCP、I EC104、OPC、ftp/sftp以及数据库接口连接。
数据分析系统架构图如图3上半部分所示。系统采用Java语言开发,依托J2EE企业级应用框架,系统为采集设备的数据提供统一的基于Hadoop-HDFS文件系统的存储、汇总能力,数据分析中间及最终结果数据存储在关系数据库MySQL。其中数据采集系统通过数据转发的形式将原始数据存储到数据库,并转发到数据平台,数据平台内包括配置管理程序、数据实时计算程序、数量质量监测程序、网络链路监测程序、数据库操作程序和日志管理程序。在数据转发前,所采集的数据会进行标准化和数据治理。存储到数据平台的数据会发送到数据应用端进行后端应用,包括能效评估、能效诊断、可靠性评估。当然,本领域技术人员还能进行故障报警、综合报表、点检支持、系统管理,还用于构建故障库和移动APP。
作为优选的实施方式,所述数据分析系统包括:
能效评估模块,用于对风能捕获系统、机械能传递系统以及电能转换系统分别计算能效水平进行分析,并结合各子系统关联指标参数,提取能效关联参数及能效影响因素,实现机组整体综合评价。能效评估系统每日、月、年对所有机组进行一次能效评估,结果储存在相应的数据库中,便于未来的展示或调用;
能效诊断模块完成,用于将针对能效评估模块的评估结果做进一步数据分析诊断,对机组的主要大部件建立多个能效诊断模型,对相关的关联参数的大量运行数据进行分析,从而得到细分到子部件具体运行参数的能效值,找到影响整机能效水平的关键原因;以及自动生成诊断结果,对需要处理的问题生成能效预警工单,说明触发的能效模型、关联部件和详细的排查内容等,提供具体的方法排查机组能效水平降低的问题,具有可操作性。排查后再更新相关工单的状态和准确性,可持续优化模型的准确性,形成良好的闭环;以及
可靠性评估模块,用于实现机组时间序列分析计算、平均故障修复时间计算、故障时间统计、故障损失电量计算、平均无故障运行时间计算、无故障运行时间计算、机组时间可利用率计算、机组能量可利用率计算以及可用运行系数计算。
本发明还提供了一种存储器,存储有多条指令,指令用于实现如实施例一的方法。
如图4所示,本发明还提供了一种电子设备,包括处理器301和与处理器301连接的存储器302,存储器302存储有多条指令,指令可被处理器加载并执行,以使处理器能够执行如实施例一的方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种风机能效评估方法,用于兼容多种风机机型进行能效评估,其特征在于,包括:
S1,采集风机的多种信息数据;
S2,基于所述多种信息数据进行数据分析,获得能效诊断、能效评估和可靠性评估结果。
2.根据权利要求1所述的一种风机能效评估方法,其特征在于,所述多种信息数据包括:
风机运行状态信息;
风机运行数据,包括实时风速、风向、对风角、有功功率、无功功率、功率因数、电网频率、L1电压、L2电压、L3电压、L1电流、L2电流、L3电流,发电机转速、风轮转速、风向机舱夹角、偏航角度、桨距角,环境温度、塔底温度、机舱温度、塔底控制柜温度以及机舱控制柜温度;
风机部件数据,包括主控柜、变频器系统、变桨系统、发电机系统、齿轮箱、液压系统以及主轴承温度;
风机故障信息,包括故障发生时间、代码、分类;故障时间包括起始时间和结束时间;以及
事件代码和事件发生时间。
3.根据权利要求1所述的一种风机能效评估方法,其特征在于,所述S2包括:
S21,建立基于机组能量转化率及设备状态的能效评价模型;
S22,基于所述能效评价模型获得能效评估、能效诊断和可靠性评估结果。
4.根据权利要求3所述的一种风机能效评估方法,其特征在于,所述能效评估基于机舱传递函数、风能转换效率或风能利用系数Cp、子部件可靠度、机械能能效水平、电能能效水平、整机能效水平的计算得到的能效评估源数据整理获得;其中
在得到数值仿真的测风塔风速与各机位点风速的关系后,即可由测风塔风速计算得出各机组轮毂高度的自由来流风速,将其与风力发电机组SCADA记录风速利用多项式拟合的方法,在确保拟合优度达到标准的前提下,得出形如y=ax+b的函数,即为机舱传递函数;所述风能转换效率用风能利用系数Cp来表征,
Cp的计算方式如下:
其中,β为桨距角,λ为叶尖速比,V是自由来流风速,R为叶片半径;A,B,C,D,E,F为常数;基于机组某一时刻的自由流风速值,桨距角等变量输入到函数中,即可得出该机组的风能利用系数;
所述子部件可靠度表示风机无故障运行的概率,即可等效为能效值;通过特征工程得到各部件的故障特征,按时间序列计算子部件的可靠度;通过计算得到每个部件包含子部件的可靠度,则每个部件的可靠度即为各子部件可靠度总和的平均值;假设某部件通过特征工程最终可得到n个故障特征指标,每个特征指标的可靠度为Rn,则部件可靠度为:
所述机械能能效水平基于风机系统主轴、齿轮箱、发电机三大部件的可靠度进行综合计算;通过风机以及部件可靠度计算计算公式,得到:
ReliabilityMechanical=RRotor*RGearbox*RGenerator
机械能良好等级可靠度设定为≥0.973≈0.90,一般等级设定为≥0.85,较差等级设定为≥0.75,差等级设定为≥0.903≈0.70;
所述电能能效水平基于发电机、变流器两大部件的可靠度继续计算;通过风机以及部件可靠度计算公式,得到:
ReliabilityElectrical=RGenerator*RConverter;
电能良好等级可靠度设定为≥0.972≈0.95,一般等级设定为≥0.90,较差等级设定为≥0.85,差等级设定为≥0.902≈0.80;
所述整机能效水平综合考虑风能能效水平、机械能能效水平和电能能效水平获得:Reliabilityturbine=Rwind*RMechanical*RElectrical。
整机能效良好等级设定为R≥0.75,一般等级设定为0.6≤R<0.75,较差等级设定为0.4≤R<0.6,差等级设定为≤0.4。
5.根据权利要求3所述的一种风机能效评估方法,其特征在于,所述能效诊断由能效诊断模块完成,用于分析设备运行情况,找到能效劣化的底层原因,定位劣化部件,确定各影响因素的关联性,找到主要因素,指导进行故障处理和消缺,包括:
(1)建立特征工程
建立特征工程包括两步:第一步为故障特征参数选取,包括选取每个部件的故障特征参数;第二步,特征选择结果验证,包括在第一步的基础上验证每个部件的故障特征选取是否准确;
(2)计算风机可靠度
风机可靠度(Relibility)本身含义为风机无故障运行的概率,可等效为能效值;通过特征工程得到各部件的故障特征,按时间序列计算子部件的可靠度,其具体步骤如下:
A.提取各部件正常以及故障数据并定下标签;
B.以正常数据作为训练集,异常数据作为测试集使用Deep AutoEncoder算法除噪进行数据再重建;
C.通过损失函数得到各个子部件的损失值,以及部件的总损失值,其中子部件各时刻损失值和部件各时刻总损失定义为:
loss表示子部件损失值,其中m表示第m个时间序列,表示在第m个时间序列子部件的预测数值,xm表示在第m个时间序列子部件的实际值;losstotal表示部件总损失,其中n表示部件包含子部件个数,lossi表示第i个子部件损失值,wi表示第i个子部件的损失权重;
通过上述计算得到各部件的总损失值,即可计算各部件每个时间序列的可靠度:
Reliability=1-losstotal;
(3)计算自适应阈值
用于判断各部件异常状态从而达到故障预测以及故障诊断效果,包括:
A.提取某一子部件一段时间的正常数据作为先验数据集,假设样本向量X={X1,X2,X3,…Xn},Xn通常表示每十分钟某一参数的数值;则Mn=max1≤i≤nXi遵循由初始数据分布产生的极值指数γ的极值分布,其中极值分布函数形式如下:
B.假设对于超过阈值的极值遵循帕累托分布,即对于极值分布使用帕累托分布进行拟合,其阈值Rth公式定义为:
其中μ(t)为初始阈值,σ,通过最大似然估计计算得到,p为期望概率,n为检测值个数,Nt为峰值个数。
以上述计算为基础,输入n个要检测的数据Xn和一个异常发生概率q,在n个数据组成的窗口计算一个阈值Rth使得P(X>Rth)<q,每个阈值计算是针对局部建模,通过将窗口根据全局检测数据的时间序列依次往后滑动计算阈值即可得到自适应阈值,此过程假设局部分布依旧遵循同一个分布,超出阈值即可定义为异常或是故障状态。
6.根据权利要求3所述的一种风机能效评估方法,其特征在于,所述可靠性评估用于实现机组时间序列分析计算、平均故障修复时间计算、故障时间统计、故障损失电量计算、平均无故障运行时间计算、无故障运行时间计算、机组时间可利用率计算、机组能量可利用率计算以及可用运行系数计算共计9部分的功能得到的可靠性评估源数据整理获得;其中:
(1)机组时间序列分析
支持多字段、时间、风机等自由选择查询展示,以图表形式展示查询结果;
(2)平均故障修复时间计算
根据所选时间范围的每次故障结束时间和故障维护时间的差值计算风机的平均故障修复时间;
(3)故障时间统计
故障时间统计根据所查询的时间范围对故障时间和占比进行统计;
(4)故障损失电量计算
提供按不同电量损失原因分类统计的发电损失量的相关统计信息;其中各类故障损失包括风机故障损失、场内输变电设备故障损失以及电网故障损失;
(5)平均无故障运行时间计算
根据所查询的时间范围对故障时间、故障次数进行统计;
(6)无故障运行时间计算
无故障机组指机组未发生需就地复位或超过10分钟停机的故障,统计最后一次故障时间和至今的无故障运行时间;
(7)机组时间可利用率计算
根据所查询的时间范围对机组时间可利用率进行统计;
(8)机组能量可利用率计算
包括两个指标:绝对能量利用率和相对能量利用率;根据所查询的时间范围对机组能量可利用率进行统计。
A.绝对能量利用率EBA:
式中,Wreal为统计得到的实际发电量,单位kWh;WT为理论发电量,单位kWh;理论发电量应基于自由来流风速,通过厂家保证功率曲线与时间积分得到;
B.相对能量利用率EBA:
式中,Wreal为统计得到的实际发电量,单位kWh;WA为实际应发电量,单位kWh;实际应发电量应基于自由来流风速,通过实际运行数据拟合的功率曲线与时间积分得到。
(9)可用运行系数计算
可用运行系数包括两个指标:可用系数和运行系数;
A.可用系数AF:
式中,AH为可用小时,单位h,机组处于可用状态的小时数;
B.运行系数SF:
式中,SH为运行小时,单位h,机组处于运行状态的小时数。
7.一种风机能效评估系统,用于实现权利要求1-6任一所述的方法,其特征在于,包括:
数据采集系统(101),用于采集风机的多种信息数据;以及
数据分析系统(102),用于基于所述多种信息数据进行数据分析,获得能效诊断、能效评估和可靠性评估结果。
8.根据权利要求7所述的系统,其特征在于,所述数据分析系统包括:
能效评估模块,用于对风能捕获系统、机械能传递系统以及电能转换系统分别计算能效水平进行分析,并结合各子系统关联指标参数,提取能效关联参数及能效影响因素,实现机组整体综合评价。能效评估系统每日、月、年对所有机组进行一次能效评估,结果储存在相应的数据库中,便于未来的展示或调用;
能效诊断模块完成,用于将针对能效评估模块的评估结果做进一步数据分析诊断,对机组的主要大部件建立多个能效诊断模型,对相关的关联参数的大量运行数据进行分析,从而得到细分到子部件具体运行参数的能效值,找到影响整机能效水平的关键原因;以及自动生成诊断结果,对需要处理的问题生成能效预警工单,说明触发的能效模型、关联部件和详细的排查内容等,提供具体的方法排查机组能效水平降低的问题,具有可操作性。排查后再更新相关工单的状态和准确性,可持续优化模型的准确性,形成良好的闭环;以及
可靠性评估模块,用于实现机组时间序列分析计算、平均故障修复时间计算、故障时间统计、故障损失电量计算、平均无故障运行时间计算、无故障运行时间计算、机组时间可利用率计算、机组能量可利用率计算以及可用运行系数计算。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如权利要求1-6任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如权利要求1-6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310598885.9A CN116467972A (zh) | 2023-05-25 | 2023-05-25 | 一种风机能效评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310598885.9A CN116467972A (zh) | 2023-05-25 | 2023-05-25 | 一种风机能效评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116467972A true CN116467972A (zh) | 2023-07-21 |
Family
ID=87184543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310598885.9A Pending CN116467972A (zh) | 2023-05-25 | 2023-05-25 | 一种风机能效评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116467972A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634146A (zh) * | 2023-11-02 | 2024-03-01 | 三峡科技有限责任公司 | 电解水制氢能耗评估方法、系统、计算设备及存储介质 |
CN117905638A (zh) * | 2024-03-18 | 2024-04-19 | 安徽大学 | 基于强化学习的风力发电机优化控制方法及系统 |
CN118153923A (zh) * | 2024-05-11 | 2024-06-07 | 国电联合动力技术有限公司 | 风电场综合后评估方法、装置、可读存储介质及终端设备 |
-
2023
- 2023-05-25 CN CN202310598885.9A patent/CN116467972A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634146A (zh) * | 2023-11-02 | 2024-03-01 | 三峡科技有限责任公司 | 电解水制氢能耗评估方法、系统、计算设备及存储介质 |
CN117905638A (zh) * | 2024-03-18 | 2024-04-19 | 安徽大学 | 基于强化学习的风力发电机优化控制方法及系统 |
CN117905638B (zh) * | 2024-03-18 | 2024-05-31 | 安徽大学 | 基于强化学习的风力发电机优化控制方法及系统 |
CN118153923A (zh) * | 2024-05-11 | 2024-06-07 | 国电联合动力技术有限公司 | 风电场综合后评估方法、装置、可读存储介质及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Reliability assessment of wind turbine bearing based on the degradation-Hidden-Markov model | |
CN116467972A (zh) | 一种风机能效评估方法及系统 | |
Liu et al. | The structure healthy condition monitoring and fault diagnosis methods in wind turbines: A review | |
Dinmohammadi et al. | A fuzzy-FMEA risk assessment approach for offshore wind turbines | |
WO2011024304A1 (ja) | 風車の監視装置及び方法並びにプログラム | |
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 | |
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
JP2009243428A (ja) | 風車の監視装置及び方法並びにプログラム | |
CN107797063A (zh) | 基于scada的风电机组运行状态评估及故障诊断方法 | |
CN111539553A (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
Pinar Pérez et al. | Economic viability analytics for wind energy maintenance management | |
CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
Cevasco et al. | O&M cost-Based FMECA: Identification and ranking of the most critical components for 2-4 MW geared offshore wind turbines | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
Mehlan et al. | Rotor imbalance detection and diagnosis in floating wind turbines by means of drivetrain condition monitoring | |
CN116292094B (zh) | 确定代表风力发电机组的方法和装置以及控制方法和装置 | |
CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
Wang et al. | Reliability assessment of wind farm active power based on sequential monte-carlo method | |
Chatterjee et al. | XAI4Wind: A multimodal knowledge graph database for explainable decision support in operations & maintenance of wind turbines | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
Gu et al. | Online monitoring of wind turbine operation efficiency and optimization based on benchmark values | |
CN112749820A (zh) | 一种风电功率预测方法及系统 | |
da Rosa et al. | Wind Turbine Blade Mass Imbalance Detection Using Artificial Intelligence | |
Singh | Analytical techniques of scada data to assess operational wind turbine performance | |
He et al. | Condition Evaluation Method of Wind Turbine Based on Real-time Reliability |
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 |