CN116502070B - 一种微型风电机组状态智能监测系统 - Google Patents
一种微型风电机组状态智能监测系统 Download PDFInfo
- Publication number
- CN116502070B CN116502070B CN202310752491.4A CN202310752491A CN116502070B CN 116502070 B CN116502070 B CN 116502070B CN 202310752491 A CN202310752491 A CN 202310752491A CN 116502070 B CN116502070 B CN 116502070B
- Authority
- CN
- China
- Prior art keywords
- influence
- degree
- factors
- moment
- time
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000000556 factor analysis Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims description 52
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 14
- 230000004927 fusion Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种微型风电机组状态智能监测系统。获取发电量和影响因素的时序数据,根据预设滑动时段内发电量和影响因素的时序数据的变化差异特征,获得影响因素时刻影响度和影响因素时段影响度。根据影响因素时刻影响度获得影响变化度、影响权重;根据影响因素时刻影响度、影响权重和影响变化度获得影响因素的时刻影响贡献度和时段影响贡献度;进而确定有效影响因素并通过因子分析法对影响因素的数据进行降维融合。本发明根据影响因素的实时特征确定不同时刻对发电量变化贡献度较大的影响因素,再通过因子分析法分析,提高对机组发电状态变化监测管理的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种微型风电机组状态智能监测系统。
背景技术
微型风力发电机是指功率在几瓦到几十千瓦之间,安装在建筑物或小型设施上的风力发电系统。与大型风力发电机相比,微型风力发电机具有体积小、重量轻和安装方便等优点,适用于分布式能源供应。在微型风力发电机运行的过程中,需要对运行状态进行监测,由于影响发电效果的因素过多,故需要通过多种环境传感器进行数据采集。
但对多种数据进行监测分析会增加机组系统的负荷,运算速度慢,故需要对多种不同数据进行融合。现有常用的数据融合方法有因子分析法,通过将多个变量转化为少数几个无关的因子变量,反映隐藏的共同因素和结构,实现多源数据降维的目的。但由于因子分析存在主观性和非线性的问题,在监测发电量变化的过程中因素较为复杂;若直接通过因子分析法进行数据融合而不考虑实际发电变化的影响因素特征,容易导致降维结果不准确,影响对风电机组发电状态变化的分析准确性。
发明内容
为了解决上述通过现有因子分析法对发电影响因素的数据进行降维过程中,降维结果不准确会影响对风电机组状态的分析准确性的技术问题,本发明的目的在于提供一种微型风电机组状态智能监测系统,所采用的技术方案具体如下:
数据采集模块,用于获取发电量的时序数据和不同影响因素的时序数据;根据预设滑动时段内发电量的时序数据和影响因素的时序数据的变化差异特征,获得所述影响因素的影响因素时刻影响度和影响因素时段影响度;
特征处理模块,用于根据相邻时刻的所述影响因素时刻影响度的变化特征获得影响因素的影响变化度;根据预设滑动时段内所述影响因素和其他影响因素的所述影响因素时刻影响度的变化特征,获得所述影响因素的影响权重;根据所述影响因素时刻影响度、所述影响权重和所述影响变化度,获得所述影响因素的时刻影响贡献度;
状态分析模块,用于根据预设滑动时段内的所述影响因素时段影响度和所述时刻影响贡献度,获得所述影响因素的时段影响贡献度;根据所述时刻影响贡献度和所述时段影响贡献度的大小关系获得不同时刻的有效影响因素;根据所述有效影响因素通过因子分析法,获得发电变化影响模型并对机组发电状态进行分析。
进一步地,所述获得所述影响因素的影响因素时刻影响度和影响因素时段影响度的步骤包括:
对于预设滑动时段内的发电量的时序数据和任意一个影响因素的时序数据,计算任意时刻与相邻下一时刻的发电量的差值绝对值,计算发电量在预设滑动时段内的极差值,计算任意时刻与相邻下一时刻的发电量的差值绝对值和发电量在预设滑动时段内的极差值的比值;获得所述任意时刻的相邻电量变化表征值;计算任意时刻与相邻下一时刻的影响因素数值的差值绝对值,计算所述影响因素在预设滑动时段内的极差值,计算任意时刻与相邻下一时刻的影响因素数值的差值绝对值和影响因素在预设滑动时段内的极差值的比值,获得所述任意时刻的相邻影响变化值;
计算所述相邻影响变化值与对应时刻的所述相邻电量变化表征值的乘积并归一化,获得所述影响因素的所述影响因素时刻影响度;计算预设滑动时段内的所述影响因素时刻影响度的平均值,获得所述影响因素的所述影响因素时段影响度。
进一步地,所述根据相邻时刻的所述影响因素时刻影响度的变化特征获得影响因素的影响变化度的步骤包括:
将任意时刻与相邻下一时刻的所述影响因素时刻影响度构建直线并计算斜率,取所述斜率的绝对值,获得所述影响变化度。
进一步地,所述获得所述影响因素的影响权重的步骤包括:
对于预设滑动时段内,计算所有影响因素的影响因素时刻影响度的最大值的平均值,计算所有影响因素的影响因素时刻影响度的最大值的平均值与预设第一常数的和值,获得时刻影响度平均表征值;计算所述影响因素时刻影响度与时刻影响度变化平均表征值的比值,获得所述影响因素的影响权重。
进一步地,所述获得所述影响因素的时刻影响贡献度的步骤包括:
将所述影响变化度进行负相关映射;对于任意时刻,计算所述影响因素时刻影响度、所述影响权重和负相关映射后的所述影响变化度的乘积,获得所述影响因素的时刻影响贡献度。
进一步地,所述获得所述影响因素的时段影响贡献度的步骤包括:
计算预设滑动时段内的所述时刻影响贡献度的平均值与对应的所述影响因素时段影响度的乘积,获得所述影响因素的时段影响贡献度。
进一步地,所述根据所述时刻影响贡献度和所述时段影响贡献度的大小关系获得不同时刻的有效影响因素的步骤包括:
对于预设滑动时段中的任意时刻,当所述影响因素的所述时刻影响贡献度大于所述时段影响贡献度时,将所述影响因素作为对应任意时刻的有效影响因素。
进一步地,所述获得发电变化影响模型并对机组发电状态进行分析的步骤包括:
根据不同时刻的影响因素是否为有效影响因素通过因子分析法进行数据融合处理,获得发电变化影响模型,根据所述发电变化影响模型分析确定不同时刻影响机组发电量变化的影响因素。
本发明具有如下有益效果:
在本发明实施例中,影响因素的影响因素时刻影响度能够表征影响因素在不同时刻对发电量变化的影响程度;影响因素时段影响度能够表征在预设滑动时段内影响因素对发电量变化的整体影响水平;并且能够通过不同影响因素的影响因素时刻影响度和影响因素时段影响度对发电量变化的贡献度进行比较。计算影响变化度能够反映影响因素时刻影响度的波动程度,根据波动程度可分析影响因素在对应时刻对发电变化的贡献度;影响权重能够表征不同影响因素在同一时刻对发电量变化的影响强弱,进而可以表征贡献度。通过影响因素的时刻影响贡献度表征对发电量变化的贡献程度,从而确定对应影响因素的数据在降维过程中的保留情况;时段影响贡献度能够反映影响因素在预设滑动时段对发电量变化的整体贡献程度;进而可以通过时刻影响贡献度和对应的时段影响贡献度的大小关系确定不同时刻的有效影响因素,最终通过影响因素的实际变化特征通过因子分析法确定影响发电量变化的因子,提高降维结果的准确性,进而提高因子分析的准确性以及对机组发电状态变化监测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种微型风电机组状态智能监测系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种微型风电机组状态智能监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种微型风电机组状态智能监测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种微型风电机组状态智能监测系统框图,该系统包括:
数据采集模块S1,用于获取发电量的时序数据和不同影响因素的时序数据;根据预设滑动时段内发电量的时序数据和影响因素的时序数据的变化差异特征,获得影响因素的影响因素时刻影响度和影响因素时段影响度。
在本发明实施例中,实施场景为对微型风电机组发电变化的分析;因为存在多种环境因素会影响发电量的变化,故采集的数据类型多、数据量大,若直接对原始数据进行分析会使计算量增加,并且多种不同的数据难以确定导致发电量变化的具体原因。因此需要通过因子分析法对数据进行降维,通过降维后的数据分析发电量变化的原因,因子分析是指从变量群中提取共性因子的现有技术,将相同本质的变量归入一个因子,可减少变量的数目,需要说明的是,因子分析法属于现有技术,具体步骤不再赘述。由于因子分析法自身存在主观性和非线性的问题,若不结合实际情况直接对数据进行降维可能导致结果不准确,进而影响发电量变化的影响因素分析。故在因子分析之前,需要对影响发电量变化的影响因素特征进行分析,获得更准确的数据集,提高风电机组状态分析的准确性。
首先,获取发电量的时序数据和不同影响因素的时序数据;因为是对影响发电量的影响因素进行分析,故需要先获取发电量的时序数据,发电量是影响因素的重要评价指标,指不同时刻的发电功率,将发电量的数据作为分析的基础数据。对于影响因素的时序数据的获取,首先需要采集能够影响发电量的外界环境传感器的时序数据,例如温度、风力、湿度和空气密度等环境因素。因获取的所有时序数据可能包含噪声,为提高后续数据分析的准确性,在本发明实施例中使用小波变换算法对所有时序数据进行去噪处理,需要说明的是,小波变换算法属于现有技术,具体步骤不再赘述。至此,经过预处理获得了发电量的时序数据和不同影响因素的时序数据。后续可根据不同影响因素对发电量的影响程度进行分析。
进一步地,发电量会受到不同影响因素的叠加影响,例如风力越大,发电量越多;温度越高,发电机电阻增加,导致发电损耗增加等多种情况。因此对发电机组的电量变化情况进行描述时,需要同时对多种影响因素进行分析,获得每种影响因素在数据融合时的贡献情况。因此需要首先确定不同影响因素对发电量的影响情况,故根据预设滑动时段内发电量的时序数据和影响因素的时序数据的变化差异特征,获得影响因素的影响因素时刻影响度和影响因素时段影响度;具体包括:对于预设滑动时段内的发电量的时序数据和任意一个影响因素的时序数据,计算任意时刻与相邻下一时刻的发电量的差值绝对值,计算发电量在预设滑动时段内的极差值,计算任意时刻与相邻下一时刻的发电量的差值绝对值和发电量在预设滑动时段内的极差值的比值;获得任意时刻的相邻电量变化表征值;计算任意时刻与相邻下一时刻的影响因素数值的差值绝对值,计算影响因素在预设滑动时段内的极差值,计算任意时刻与相邻下一时刻的影响因素数值的差值绝对值和影响因素在预设滑动时段内的极差值的比值,获得任意时刻的相邻影响变化值;计算相邻影响变化值与对应时刻的相邻电量变化表征值的乘积并归一化,获得影响因素的所述影响因素时刻影响度;计算预设滑动时段内的影响因素时刻影响度的平均值,获得影响因素的影响因素时段影响度;获取影响因素时段影响度的具体公式包括:
式中,表示影响因素的影响因素时段影响度,/>表示预设滑动时段内的第/>时刻的发电量;/>表示预设滑动时段内的第/>时刻的影响因素的数值,/>表示预设滑动时段的时刻数量。/>表示归一化;/>为发电量在预设滑动时段内的极差值,/>为任意时刻的相邻电量变化表征值;/>为影响因素在预设滑动时段内的极差值,为任意时刻的相邻影响变化值;/>为影响因素时刻影响度。
对于影响因素时刻影响度和影响因素时段影响度的获取,在本发明实施例中,预设滑动时段的时间长度为一小时,滑动步长为一个采集时刻,实施者可根据实施场景自行确定。当该影响因素的数值发生变化时,若发电量也发生了变化,则意味着该影响因素的变化对发电量的变化存在影响;且当该影响因素的变化越大,导致发电量的变化越大时,意味着该影响因素的变化对发电量的变化影响度较大,此时影响因素时刻影响度接近1。式中将极差值作为分母的目的是将变化值映射到零至一的区间,便于后续不同影响因素影响情况的比较。若某一时刻发电量发生较大的变化,而该影响因素未发生较大的变化,则意味着该时刻不是该影响因素导致发电量变化的,此时相邻影响变化值接近零,影响因素时刻影响度接近零。因此每个时刻的影响因素时刻影响度反映了该影响因素对此时发电量变化的影响情况。影响因素的影响因素时段影响度反映了该影响因素在一段时间内对发电量变化的影响情况,当影响因素时段影响度越大,意味着该影响因素在该时段里对发电量变化的影响较大。
至此,获得了每个影响因素的影响因素时刻影响度和影响因素时段影响度,后续可根据不同影响因素之间的影响程度差异分析对发电量变化的贡献情况,进而提高最终因子分析的准确度。
特征处理模块S2,用于根据相邻时刻的影响因素时刻影响度的变化特征获得影响因素的影响变化度;根据预设滑动时段内影响因素和其他影响因素的影响因素时刻影响度的变化特征,获得影响因素的影响权重;根据影响因素时刻影响度、影响权重和影响变化度,获得影响因素的时刻影响贡献度。
在通过因子分析法对多种数据进行降维融合时,需要根据数据之间的关系来确定因子的载荷阈值,载荷阈值指的是每个变量对每个因子的贡献程度,将原有的多个变量转换为新的少数几个无关的因子,从而实现多元数据的降维。根据影响因素的影响因素时刻影响度和影响因素时段影响度可知,不同的影响因素在不同时刻对发电量变化的影响情况是不同的,即不同时刻不同影响因素对发电量变化的贡献程度是不同的。因此在数据降维融合之前,需要分析不同时刻不同影响因素对发电量变化的贡献度。故可根据相邻时刻的影响因素时刻影响度的变化特征获得影响因素的影响变化度,具体包括:将任意时刻与相邻下一时刻的影响因素时刻影响度构建直线并计算斜率,取斜率的绝对值,获得影响变化度,影响变化度能够反映该影响因素时刻影响度的变化情况,当影响变化度越大,该影响因素时刻影响度的变化越大,对发电量变化的影响变化越大;则会导致该影响因素整体在预设滑动时段内对发电量变化的贡献度较小。
进一步地,因为存在多种影响因素,需要分析在同一时刻不同影响因素对发电量变化的影响程度,故根据预设滑动时段内影响因素和其他影响因素的影响因素时刻影响度的变化特征,获得影响因素的影响权重,具体包括:对于预设滑动时段内,计算所有影响因素的影响因素时刻影响度的最大值的平均值,计算所有影响因素的影响因素时刻影响度的最大值的平均值与预设第一常数的和值,获得时刻影响度平均表征值;计算影响因素时刻影响度与时刻影响度变化平均表征值的比值,获得影响因素的影响权重,在本发明实施例中预设第一常数值为1,目的是避免影响权重大于1,实施者可根据实施场景自行确定。当该影响因素的影响因素时刻影响度与预设滑动时段内所有影响因素时刻影响度最大值均值的比值越大时,则意味着该影响因素在该时刻对发电量变化的影响程度越大,进而反映贡献度越大;当影响权重越小,则意味着该影响因素在该时刻对发电量变化的影响程度越小,进而反映贡献度越小。
获得了影响因素的影响时刻影响度、影响权重和影响变化度后,可综合衡量该影响因素对发电量变化的贡献情况,故根据影响因素时刻影响度、影响权重和影响变化度,获得影响因素的时刻影响贡献度,具体包括:将影响变化度进行负相关映射;对于任意时刻,计算影响因素时刻影响度、影响权重和负相关映射后的影响变化度的乘积,获得影响因素的时刻影响贡献度;时刻影响贡献度的获取公式具体包括:
式中,表示第/>个影响因素在第/>时刻的时刻影响贡献度,/>表示第/>个影响因素在第/>时刻的影响因素时刻影响度,/>表示影响因素的数量,/>表示预设滑动时段内第/>个影响因素的影响因素时刻影响度最大值,/>表示预设第一常数,在本发明实施例中设为1,目的是避免影响权重大于1,实施者可根据实施场景自行确定;/>表示第/>个影响因素在第/>时刻的影响变化度。/>为第/>个影响因素在第/>时刻的影响权重。/>表示以自然常数为底的指数函数,/>表示负相关映射。
对于影响因素的时刻影响贡献度的获取,当该影响因素在此时刻的影响因素时刻影响度越大,意味着对发电量变化的影响程度越大,当影响权重越大,则意味着该影响因素在该时刻对发电量变化的影响占比越大,当影响变化度越小,则意味着该影响因素的影响因素时刻影响度越稳定,意味着对发电量变化的贡献度越大。至此,当影响因素的时刻影响贡献度越大,则意味着在该时刻对发电量变化的贡献度越大;当影响因素的时刻影响贡献度越小,则意味着在该时刻对发电量变化的贡献度越小。获得了时刻影响贡献度之后,则需要根据发电过程的实际情况分析因子分析法中的载荷阈值,根据时刻影响贡献度以及载荷阈值通过因子分析法对多种影响因素的数据进行更准确地降维融合,从而实现对风电机组的状态分析。
状态分析模块S3,用于根据预设滑动时段内的影响因素时段影响度和时刻影响贡献度,获得影响因素的时段影响贡献度;根据时刻影响贡献度和时段影响贡献度的大小关系获得不同时刻的有效影响因素;根据有效影响因素通过因子分析法,获得发电变化影响模型并对机组发电状态进行分析。
影响因素的时刻影响贡献度越大,意味着该时刻对发电量变化的影响程度越大,则在数据降维时,该时刻的影响因素的重要性越大,需要尽可能地保留该影响因素的数据,提高降维融合的准确性。因此,则需要计算不同影响因素的载荷阈值,当影响因素的时刻影响贡献度超过载荷阈值时,则意味着该时刻的影响因素对发电量变化的贡献程度较大,可作为有效载荷;当影响因素的时刻影响贡献度不超过载荷阈值时,则意味着该时刻的影响因素对发电量变化的贡献程度较小,可作为无效载荷。故根据预设滑动时段内的影响因素时段影响度和时刻影响贡献度,获得影响因素的时段影响贡献度,具体包括:计算预设滑动时段内的时刻影响贡献度的平均值与对应的影响因素时段影响度的乘积,获得影响因素的时段影响贡献度;时段影响贡献度的获取公式具体包括:
式中,为第/>个影响因素的第/>个预设滑动时段的时段影响贡献度,/>为第/>个影响因素的第/>个预设滑动时段的影响因素时段影响度;/>表示第/>个影响因素的第/>个预设滑动时段的时刻影响贡献度的平均值。
对于影响因素的时段影响贡献度的获取,为该预设滑动时段内时刻影响贡献度平均值与对应的影响因素时段影响度的乘积,能反映该预设滑动时段内该影响因素的贡献度整体水平,当时刻影响贡献度和影响因素时段影响度越大,则时段影响贡献度越大。当影响因素的时刻影响贡献度小于对应的时段影响贡献度时,可认为该时刻该影响因素对发电量变化的贡献度较小。因此可将影响因素的时段影响贡献度作为载荷阈值,通过时段影响贡献度判断对应预设滑动时段内的不同时刻该影响因素对发电量变化的贡献度。
进一步地,获得不同因素不同预设滑动时段的载荷阈值后,则可根据时刻影响贡献度和时段影响贡献度的大小关系获得不同时刻的有效影响因素,具体包括:对于预设滑动时段中的任意时刻,当影响因素的时刻影响贡献度大于时段影响贡献度时,将影响因素作为对应任意时刻的有效影响因素。任意时刻的有效影响因素能表征在该时刻对发电量变化的贡献度较大,在数据降维融合中需要尽量保留。确定了每个时刻的有效影响因素后,则可根据根有效影响因素通过因子分析法处理,获得发电变化影响模型并对机组发电状态进行分析,具体包括:根据不同时刻的影响因素是否为有效影响因素通过因子分析法进行数据融合处理,获得发电变化影响模型,根据发电变化影响模型分析确定不同时刻影响机组发电量变化的影响因素。需要说明的是,因子分析法为现有技术,具体计算步骤不再赘述。将不同的影响因素数据进行融合后,能够准确地获得影响发电量变化的因子,根据因子构建发电变化影响模型,相比于直接通过因子分析法进行数据融合,本发明实施例最终可以根据影响因素的实时特征,确定不同时刻对发电量变化贡献度较大的影响因素并通过因子分析法,提高数据降维的准确性,实现对机组发电状态变化的准确监测与分析。
综上所述,本发明实施例提供了一种微型风电机组状态智能监测系统。首先获取发电量和不同影响因素的时序数据,根据预设滑动时段内发电量和影响因素的时序数据之间的变化差异特征,获得影响因素时刻影响度和影响因素时段影响度。根据影响因素时刻影响度获得影响变化度、影响权重;根据影响因素时刻影响度、影响权重和影响变化度获得影响因素的时刻影响贡献度和时段影响贡献度。根据时刻影响贡献度与时段影响贡献度确定不同时刻的有效影响因素,进而通过因子分析法对多种影响因素的数据进行降维融合。本发明根据影响因素的实时特征,确定不同时刻对发电量变化贡献度较大的影响因素再通过因子分析法进行处理,提高对机组发电状态变化监测的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (3)
1.一种微型风电机组状态智能监测系统,其特征在于,所述系统包括以下模块:
数据采集模块,用于获取发电量的时序数据和不同影响因素的时序数据;根据预设滑动时段内发电量的时序数据和影响因素的时序数据的变化差异特征,获得所述影响因素的影响因素时刻影响度和影响因素时段影响度;
特征处理模块,用于根据相邻时刻的所述影响因素时刻影响度的变化特征获得影响因素的影响变化度;根据预设滑动时段内所述影响因素和其他影响因素的所述影响因素时刻影响度的变化特征,获得所述影响因素的影响权重;根据所述影响因素时刻影响度、所述影响权重和所述影响变化度,获得所述影响因素的时刻影响贡献度;
状态分析模块,用于根据预设滑动时段内的所述影响因素时段影响度和所述时刻影响贡献度,获得所述影响因素的时段影响贡献度;根据所述时刻影响贡献度和所述时段影响贡献度的大小关系获得不同时刻的有效影响因素;根据所述有效影响因素通过因子分析法,获得发电变化影响模型并对机组发电状态进行分析;
所述获得所述影响因素的影响因素时刻影响度和影响因素时段影响度的步骤包括:
对于预设滑动时段内的发电量的时序数据和任意一个影响因素的时序数据,计算任意时刻与相邻下一时刻的发电量的差值绝对值,计算发电量在预设滑动时段内的极差值,计算任意时刻与相邻下一时刻的发电量的差值绝对值和发电量在预设滑动时段内的极差值的比值;获得所述任意时刻的相邻电量变化表征值;计算任意时刻与相邻下一时刻的影响因素数值的差值绝对值,计算所述影响因素在预设滑动时段内的极差值,计算任意时刻与相邻下一时刻的影响因素数值的差值绝对值和影响因素在预设滑动时段内的极差值的比值,获得所述任意时刻的相邻影响变化值;
计算所述相邻影响变化值与对应时刻的所述相邻电量变化表征值的乘积并归一化,获得所述影响因素的所述影响因素时刻影响度;计算预设滑动时段内的所述影响因素时刻影响度的平均值,获得所述影响因素的所述影响因素时段影响度;
所述根据相邻时刻的所述影响因素时刻影响度的变化特征获得影响因素的影响变化度的步骤包括:
将任意时刻与相邻下一时刻的所述影响因素时刻影响度构建直线并计算斜率,取所述斜率的绝对值,获得所述影响变化度;
所述获得所述影响因素的影响权重的步骤包括:
对于预设滑动时段内,计算所有影响因素的影响因素时刻影响度的最大值的平均值,计算所有影响因素的影响因素时刻影响度的最大值的平均值与预设第一常数的和值,获得时刻影响度平均表征值;计算所述影响因素时刻影响度与时刻影响度变化平均表征值的比值,获得所述影响因素的影响权重;
所述获得所述影响因素的时刻影响贡献度的步骤包括:
将所述影响变化度进行负相关映射;对于任意时刻,计算所述影响因素时刻影响度、所述影响权重和负相关映射后的所述影响变化度的乘积,获得所述影响因素的时刻影响贡献度;
所述获得所述影响因素的时段影响贡献度的步骤包括:
计算预设滑动时段内的所述时刻影响贡献度的平均值与对应的所述影响因素时段影响度的乘积,获得所述影响因素的时段影响贡献度。
2.根据权利要求1所述的一种微型风电机组状态智能监测系统,其特征在于,所述根据所述时刻影响贡献度和所述时段影响贡献度的大小关系获得不同时刻的有效影响因素的步骤包括:
对于预设滑动时段中的任意时刻,当所述影响因素的所述时刻影响贡献度大于所述时段影响贡献度时,将所述影响因素作为对应任意时刻的有效影响因素。
3.根据权利要求1所述的一种微型风电机组状态智能监测系统,其特征在于,所述获得发电变化影响模型并对机组发电状态进行分析的步骤包括:
根据不同时刻的影响因素是否为有效影响因素通过因子分析法进行数据融合处理,获得发电变化影响模型,根据所述发电变化影响模型分析确定不同时刻影响机组发电量变化的影响因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752491.4A CN116502070B (zh) | 2023-06-26 | 2023-06-26 | 一种微型风电机组状态智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752491.4A CN116502070B (zh) | 2023-06-26 | 2023-06-26 | 一种微型风电机组状态智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502070A CN116502070A (zh) | 2023-07-28 |
CN116502070B true CN116502070B (zh) | 2023-08-29 |
Family
ID=87325096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310752491.4A Active CN116502070B (zh) | 2023-06-26 | 2023-06-26 | 一种微型风电机组状态智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502070B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538957A (zh) * | 2020-04-21 | 2020-08-14 | 中科三清科技有限公司 | 大气污染物来源贡献度的获取方法、装置、设备及介质 |
JP2021162892A (ja) * | 2020-03-30 | 2021-10-11 | 株式会社日立製作所 | 評価装置、評価方法及び記憶媒体 |
CN116304778A (zh) * | 2023-05-17 | 2023-06-23 | 温州华嘉电器有限公司 | 一种用于小型断路器维护数据处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090241B (zh) * | 2016-11-23 | 2021-08-17 | 财团法人工业技术研究院 | 连续性工艺的趋势变量鉴定方法与系统 |
-
2023
- 2023-06-26 CN CN202310752491.4A patent/CN116502070B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021162892A (ja) * | 2020-03-30 | 2021-10-11 | 株式会社日立製作所 | 評価装置、評価方法及び記憶媒体 |
CN111538957A (zh) * | 2020-04-21 | 2020-08-14 | 中科三清科技有限公司 | 大气污染物来源贡献度的获取方法、装置、设备及介质 |
CN116304778A (zh) * | 2023-05-17 | 2023-06-23 | 温州华嘉电器有限公司 | 一种用于小型断路器维护数据处理方法 |
Non-Patent Citations (1)
Title |
---|
基于主成分分析法的电力需求影响因素分析;崔巍;都秀文;杨海峰;;电力建设(08);第34-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116502070A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
CN111275367B (zh) | 一种区域综合能源系统能效状态评价方法 | |
CN110594107B (zh) | 一种基于快速梯度提升机的风电机组故障检测方法及装置 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN105825002B (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 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN105024644A (zh) | 一种光伏系统性能评估系统及方法 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN112765149A (zh) | 储能系统容量的计算系统及方法 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
CN116800172B (zh) | 一种光电转换方法及储能系统 | |
CN117572837A (zh) | 一种智慧电厂ai主动运维方法及系统 | |
CN117728587A (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 | |
CN111814399B (zh) | 太阳能光伏电池系统的模型参数优化提取方法和测量数据预测方法 | |
CN116502070B (zh) | 一种微型风电机组状态智能监测系统 | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN110414734B (zh) | 一种计及风资源利用率预测评估的方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN108876060B (zh) | 一种基于大数据的样本采集风电出力概率预测方法 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
CN111192163A (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN114285091B (zh) | 一种包含多个光伏发电的区域电网数据采集异常检测方法 | |
CN115456440A (zh) | 分布式光伏电站发电特性的评估方法、装置及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |