CN116502543A - 风电机组对风偏差识别方法、装置、电子设备和存储介质 - Google Patents
风电机组对风偏差识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116502543A CN116502543A CN202310737255.5A CN202310737255A CN116502543A CN 116502543 A CN116502543 A CN 116502543A CN 202310737255 A CN202310737255 A CN 202310737255A CN 116502543 A CN116502543 A CN 116502543A
- Authority
- CN
- China
- Prior art keywords
- unit
- wind
- power
- deviation
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002195 synergetic effect Effects 0.000 description 3
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06F30/27—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/09—Supervised learning
-
- 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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风电机组故障诊断领域，提供一种风电机组对风偏差识别方法、装置、电子设备和存储介质，所述方法包括：获取待测机组中目标机组的风速及实际功率，目标机组为该风场待测机组中需要进行对风偏差识别的风电机组，待测机组还包括对风正常、且与目标机组满足第一预设相关条件的参考机组；根据目标机组的风速及预设协同特征映射，得到目标风电机组的协同风速特征；将目标风电机组的协同风速特征输入预先经过训练的功率预测模型，得到目标机组的预测功率；根据预测功率及实际功率对目标机组的对风偏差进行识别。本发明能够利用现有对风正常的机组数据对同一风场中的对风数据缺失的机组识别对风偏差。
Description
技术领域
本发明涉及风电机组故障诊断技术领域，具体而言，涉及一种风电机组对风偏差识别方法、装置、电子设备和存储介质。
背景技术
风电机组是将风能转化为机械能进而转化为电能的装置。风电机组的偏航控制系统是对风的执行机构，驱动机组的机舱旋转正对风向，使得叶片能够最大程度捕获风能。
偏航对风不正即为机舱偏航实际角度偏离目标角度，导致机舱无法正对风向，风轮捕获的能量减少，进而导致发电量损失。
如何对风电机组的对风偏差进行识别从而挽回发电量损失是本领域技术人员亟待解决的技术问题。
发明内容
本发明的目的在于提供了一种风电机组对风偏差识别方法、装置、电子设备和存储介质，其能够对风电机组的对风偏差进行识别。
本发明的实施例可以这样实现：
第一方面，本发明提供一种风电机组对风偏差识别方法，所述方法包括：
获取待测风电机组中目标机组的风速及实际功率，所述待测机组包括多台机组，所述目标机组为所述多台机组中需要对风偏差识别的机组，所述待测机组还包括对风正常、且与所述目标机组满足第一预设相关条件的参考机组；
根据所述目标机组的风速及预设协同特征映射，得到所述目标机组的协同风速特征，所述预设协同映射是根据所述参考机组的风速及对风角进行协同特征学习得到的、且表征所述参考机组的风速和对风角之间满足第二预设相关条件；
将所述目标机组的协同风速特征输入预先经过训练的功率预测模型，得到所述目标机组的预测功率；
根据所述预测功率及所述实际功率对所述目标机组的对风偏差进行识别。
在可选的实施方式中，所述方法还包括：
获取所述待测机组中每一台机组的运行数据；
根据所述每一台机组的运行数据，从所述待测风电机组中确定参考机组；
根据所述参考机组的风速和对风角进行协同特征学习，得到所述预设协同映射。
在可选的实施方式中，所述根据所述每一台机组的运行数据，从所述待测风电机组中确定参考机组的步骤包括：
对所述每一台机组的运行数据进行预处理，得到所述每一台机组的正常数据；
根据所述每一台机组的正常数据，从所述待测机组中确定对风正常的候选机组；
从所述候选机组中确定与所述目标机组满足所述第一预设相关条件的参考机组。
在可选的实施方式中，所述对所述每一台机组的运行数据进行预处理，得到所述每一台机组的正常数据的步骤包括：
对所述每一台机组的运行数据进行聚类分析，确定所述每一台机组的运行数据中的离群点数据；
将所述每一台机组的离群点数据从所述每一台机组的运行数据中剔除，得到所述每一台机组的初选数据；
将所述每一台机组的初选数据中不符合预设业务规则的数据去除，得到所述每一台机组的正常数据。
在可选的实施方式中，所述从所述候选机组中确定与所述目标机组满足所述第一预设相关条件的参考机组的步骤包括：
计算所述目标机组与每一所述候选机组之间的相关系数；
按照相关系数的值从所有相关系数中依次选出大于预设值的相关系数对应的所述候选机组作为所述参考机组。
在可选的实施方式中，所述每一台机组的正常数据包括同一时刻下的对风角和功率，所述根据每一台机组的正常数据，从待测机组中确定对风正常的候选机组的步骤包括：
将所述每一台机组的对风角按照预设大小进行分箱，得到每一台机组的多个分箱区间；
计算每一台机组的每一所述分箱区间内对风角的中位数和对应功率的中位数，得到每一台机组的每一所述分箱区间的对风角中位数和功率中位数；
对每一台机组的每一所述分箱区间的对风角中位数和功率中位数进行曲线拟合，得到每一台机组的每一所述分箱区间的对风角-功率中位数曲线；
将所有分箱区间的所述对风角-功率中位数曲线中功率中位数的最大值对应的对风角在预设角度范围内的风机组确定为所述候选机组。
在可选的实施方式中，所述协同风速特征为多个，每一所述协同风速特征对应一个预测功率，每一所述预测功率均对应有与其具有相同运行时间的实际功率，所述根据所述预测功率及所述实际功率对所述目标机组的对风偏差进行识别的步骤包括：
计算每一预测功率和对应的实际功率之间的残差值；
计算所有残差值的标准差和均值；
若所述标准差在第一预设范围内、且所述均值在第二预设范围内，则判定所述目标机组对风正常；否则，判定所述目标机组对风存在偏差。
第二方面，本发明提供一种风电机组对风偏差识别装置，所述装置包括：
获取模块，用于获取待测机组中目标机组的风速及实际功率，所述待测机组包括多台机组，所述目标机组为所述多台机组中需要对风偏差识别的机组，所述待测机组还包括对风正常、且与所述目标机组满足第一预设相关条件的参考机组；
处理模块，用于根据所述目标机组的风速及预设协同特征映射，得到所述目标机组的协同风速特征，所述预设协同映射是根据所述参考机组的风速及对风角进行协同特征学习得到的、且表征所述参考机组的风速和对风角之间满足第二预设相关条件；
预测模块，用于将所述目标机组的协同风速特征输入预先经过训练的功率预测模型，得到所述目标机组的预测功率；
识别模块，用于根据所述预测功率及所述实际功率对所述目标机组的对风偏差进行识别。
第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器用于存储程序，所述处理器用于在执行所述程序时，实现如前述实施方式中任一项所述的风电机组对风偏差识别方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前述实施方式中任一项所述的风电机组对风偏差识别方法。
与现有技术相比，本发明实施例在对待测机组中目标机组进行对风偏差识别时，首先获取目标机组的风速及实际功率，再根据目标机组的风速及预设协同特征映射，得到目标机组的协同风速特征，接下来将协同风速特征输入预先经过训练的功率预测模型，得到目标机组的预测功率，根据预测功率和实际功率对目标机组的对风偏差进行识别，由于预设协同映射是根据待测机组中与目标机组满足第一预设相关条件的参考机组的风速及对风角进行协同特征学习得到的、且表征参考机组的风速和对风角之间满足第二预设相关条件，因此，根据基于预设协同特征映射得到的协同风速特征能够更准确地反映出风速和对风角之间的相关关系，进而能够根据协同风速特征得到的预测功率和实际功率对同一风场中的对风数据缺失的目标机组的对风偏差进行识别。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例提供的风电机组对风偏差识别方法的流程示例图一。
图2为本发明实施例提供的风电机组对风偏差识别方法的流程示例图二。
图3为本发明实施例提供的风电机组对风偏差识别装置的方框示例图。
图4为本发明实施例提供的电子设备的方框示例图。
图标：10-电子设备；11-处理器；12-存储器；13-总线；100-风电机组对风偏差识别装置；110-获取模块；120-处理模块；130-预测模块；140-识别模块。
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。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
现有技术中对风电机组的对风偏差进行识别时，通常是根据该机组的运行数据进行识别，但是，实际应用场景中，机组的运行数据可能会出现异常或者缺失的情况，导致无法识别。
有鉴于此，本实施例提供一种风电机组对风偏差识别方法、装置、电子设备和存储介质，其能够基于通过与目标机组相关性较大的参考机组的运行数据进行的协同特征学习，从而得到目标机组的协同风速特征，进而基于协同风速特征对目标机组的对风偏差进行识别，即使在目标机组的运行数据缺失的情况下也能进行准确识别，下面将对其进行详细描述。
请参照图1，图1为本发明实施例提供的风电机组对风偏差识别方法的流程示例图一，该方法包括以下步骤：
步骤S101，获取待测机组中目标机组的风速及实际功率，待测机组包括多台机组，目标机组为多台机组中需要对风偏差识别的机组，待测机组还包括对风正常、且与目标机组满足第一预设相关条件的参考机组。
在本实施例中，待测机组中包括属于同一个风场同一型号的多台风电机组，目标机组为多台机组中需要对风偏差识别的机组，目标机组通常是运行数据有缺失或者存在异常的数据过多、不足以利用其自身运行数据进行对风偏差识别的机组。作为一种实现方式，若运行数据缺失比例或者运行数据中异常数据的占的比例超出预设比例时，将该机组作为目标机组，预设比例可以根据实际需要设置，例如，预设比例设置为60%。
目标机组可以是一个或者多个，若为多个，则可以对每一个目标机组均采用步骤S101-S104的步骤进行对风偏差识别。
除此之外，多台机组中还有对风正常的机组，对风正常的机组可以是运行数据正常，且通过其自身的运行数据进行对风偏差识别后识别结果为对风正常的机组、或者是根据预设监控手段能够识别出对风正常的机组，参考机组是对风正常的机组中与目标机组满足第一预设相关条件的机组，是否满足第一预设相关条件可以采用相关性判定的方法进行判定。
需要说明的是，为了提高识别的准确性，可以获取多个目标机组的风速及与每一风速对应的实际功率，作为一种实现方式，可以先获取目标机组的原始风速，再对原始风速进行数据清洗和业务规则预处理，剔除其中不符合要求的数据，最终得到用于进行对风偏差识别的风速，不符合要求的风速数据可以是目标机组处于故障、停机、待机、限功率等非正常运行状态时的数据，也可以是风速未处于预设切入风速和预设切出风速之间的数据等。
步骤S102，根据目标机组的风速及预设协同特征映射，得到目标机组的协同风速特征，预设协同映射是根据参考机组的风速及对风角进行协同特征学习得到的、且表征参考机组的风速和对风角之间满足第二预设相关条件。
在本实施例中，由于参考机组是和目标机组满足第一预设相关条件，因此，参考机组的风速和对风角之间满足的相关条件对于目标机组也是具有参考意义的，而预设协同映射表征参考机组的风速和对风角之间满足第二预设相关条件，根据目标机组的风速及预设协同映射，得到的协同风速特征也能够一定程度上反映出目标机组的风速和对风角之间的关系。
步骤S103，将目标机组的协同风速特征输入预先经过训练的功率预测模型，得到目标机组的预测功率。
在本实施例中，功率预测模型可以预先构建的神经网络，训练功率预测模型时输入的训练样本是根据参考机组的样本风速及预设协同映射得到的样本协同风速特征，对应的输出是参考机组的样本风速对应的参考机组的实际功率。作为一种实现方式，功率预测模型可以是三层人工神经网络，采用监督学习的方式，设置每层神经元个数[n，200，1]，隐含层的输出由公式：决定，其中、分别为权重与偏置。激活函数可以根据协同风速的数据特点选择sigmoid激活函数，对其进行训练，得到功率预测模型。
步骤S104，根据预测功率及实际功率对目标机组的对风偏差进行识别。
在本实施例中，预测功率是功率预测模型预测出的目标机组的风速在对风正常时目标机组的功率，由于对风偏差会对机组的输出功率造成影响，因此，可以基于目标机组的风速得到的协同风速特征预测出的预测功率和目标机组的实际功率进行比对，以识别出对风偏差。
本实施例提供的上述方法，基于通过与目标机组相关性较大的参考机组的运行数据进行的协同特征学习，从而得到目标机组的协同风速特征，进而基于协同风速特征对目标机组的对风偏差进行识别，即使在同一风场中的对风数据缺失的目标机组的运行数据缺失的情况下也可进行准确识别。
在可选的实施方式中，为了得到能够较为准确地反映风速和对风角之间的关联关系的预设协同映射，本实施例提供了一种实现方式，请参照图2，图2为本发明实施例提供的风电机组对风偏差识别方法的流程示例图二，该方法还包括以下步骤：
步骤S201，获取待测机组中每一台机组的运行数据。
在本实施例中，为了提高识别的准确性，可以增加运行数据的数据量，数据量越大，得到的预设协同映射越具有参考性。作为一种实现方式，可以采用预设时间段内预设单位时长的运行数据，例如，采用最近三个月内、每十分钟的运行数据，运行数据包括风速、对风角等，则运行数据可以是每十分钟的风速的平均值、每十分钟对风角的平均值。
步骤S202，根据每一台机组的运行数据，从待测机组中确定参考机组。
在可选的实施方式中，一种根据每一台机组的运行数据，从待测机组中确定参考机组的实现方式为：
（1）对每一台机组的运行数据进行预处理，得到每一台机组的正常数据。
在本实施例中，预处理包括、但不限于数据清洗和业务规则过滤，数据清洗是剔除运行数据中非正常数据，得到初选数据，业务规则过滤是对初选数据进行业务规则的过滤，将其中不符合业务规则的数据过滤掉，最终留下正常数据。非正常运行状态数据包含机组处于异常状态时的运行数据与运行数据存在严重缺失的数据。
在本实施例中，为减少离群异常值对识别结果的影响，可以采用聚类算法对每一台机组的运行数据进行数据清洗，以剔除其中的离群点数据，一种实现方式是：
首先，对每一台机组的运行数据进行聚类分析，确定每一台机组的运行数据中的离群点数据；
其次，将每一台机组的离群点数据从每一台机组的运行数据中剔除，得到每一台机组的初选数据；
一种聚类方式是采用DBSCAN算法，对于每一台机组的运行数据而言，该算法是将其的每一运行数据作为一个数据点，将所有数据点划分为不同的聚类簇，通过计算该机组的数据点之间的距离和密度来实现聚类。DBSCAN无数据维度的限制，在DBSCAN算法中，密度高的数据点将被聚合在一起形成一个集群，同属于一个集群的运行数据被划分为同一个聚类簇中，而孤立的运行数据将被分类为离群点数据，也称为异常点。使用欧几里得距离来定义两个数据点之间的距离：
，、分别代表风速、、分别代表对风角、、分别代表桨角、、分别代表实际功率，采用DBSCAN算法筛选离群点，根据数据设置调整邻域大小eps和最小核心点数min_samples，eps=70，in_samples=30。由此，将离群点对应的数据条目删除，得到经过数据清洗的初选数据。
最后，将每一台机组的初选数据中不符合预设业务规则的数据去除，得到每一台机组的正常数据。
作为一种实现方式，预设业务规则可以基于基础台账数据进行设定，先获取待测机组的基础台账数据，根据基础台账数据剔除运行数据中不符合预设业务规则的数据，基础台账数据包括、不限于切入风速、切出风速、额定功率等，例如，若运行数据中的风速未处于切入风速和切出风速之间，则该风速为不符合预设业务规则的数据，需要剔除。
除了切入风速和切出风速，还可以分别设置桨角、对风角、风速、功率各自的预设范围，将未在各自范围内的数据作为不符合业务规则的数据，例如，各预设范围设置为：桨角：[0,6]、对风角[-20，20]、风速[3，20]、功率P[20,2100]。
需要说明的是，在获取每一台机组的运行数据时，还可以获取每一台机组限功率标志位、运行状态标志位、部件温度预警等异常状态标志位，以便根据异常状态标志位确定每一台机组是否处于停机、待机、限功率、故障等非正常状态，对于机组处于非正常运行状态的数据需要剔除。
（2）根据每一台机组的正常数据，从待测机组中确定对风正常的候选机组。
在可选的实施方式中，正常数据包括同一时刻下的对风角和功率，为了判断每一台机组是否对风正常，一种根据每一台机组的正常数据，判断每一台机组是否对风正常的实现方式为：
首先，将每一台机组的对风角按照预设大小进行分箱，得到每一台机组的多个分箱区间；
其次，计算每一台机组的每一分箱区间内对风角的中位数和对应功率的中位数，得到每一台机组的每一分箱区间的对风角中位数和功率中位数；
第三，对每一台机组的每一分箱区间的对风角中位数和功率中位数进行曲线拟合，得到每一台机组的每一分箱区间的对风角-功率中位数曲线；
最后，将所有分箱区间的对风角-功率中位数曲线中功率中位数的最大值对应的对风角在预设角度范围内的风机组确定为候选组。
在本实施例中，预设大小可以按照需要的分辨率高低进行调整，例如，预设大小取值为0.5。
在计算中位数时，一种计算方式为：对每个分箱区间内功率值与对风角的第5%至99%分别求其中位数，得到每个分箱区间的功率中位数和对风角中位数。
在进行曲线拟合时，对于每一分箱区间的对风角-功率中位数曲线均可以采用如下方式进行拟合：首先进行三次样条插值，得到初始拟合结果，再判断初始拟合结果的二次导数是否大于或者等于0，若是，则认为得到最终的对风角-功率中位数曲线，若否，则改变预设大小重新分箱，重新进行三次样条插值，直至得到最终的对风角-功率中位数曲线。具体拟合方式为：
按照预设大小0.5m/s进行分箱操作，得到包含数据的m+1个分箱区间：
；
按照在每个分箱区间的数据分布，对分箱区间内功率值P与对风角的第5%至99%分位数求其中位数，得到、。
将作为自变量，作为因变量，进行三次样条插值：实现方式为：构建样条函数满足插值条件：，样条函数构造成如下形式：，4m个参数均为未知数需要求解，根据约束条件与自然边界条件得到4m个方程求解所有未知数：
插值条件：；
除了两个端点，所有m-1个内部点的每个点都满足：，一阶导数连续；；二阶导数连续：；
自然边界：，对m个数据节点，计算步长，得到如下矩阵：
将数据节点和指定的首位端点条件带入矩阵方程，采用高斯消元法对系数矩阵进行LU分解，即可求得，从而计算出样条曲线的系数。得到样条曲线即为对风角-功率中位数曲线。
利用插值算法的结果，判断，验证曲线形状是否符合要求，不满足条件可在精确度要求范围内调整DBSCAN算法的参数与风速箱大小后重新进行插值计算，得到对风角-功率中位数曲线，对于调整DBSCAN算法的参数与风速箱大小后重新进行插值计算，仍然得不到对风角-功率中位数曲线，可以将其对应的机组作为目标机组，利用本实施例提供的方法进行对风偏差识别。
设置条件，获得最大功率中位数与其对应的对风角，即曲线中功率中位数最大值对应的数据点，即为所求对风角偏差值。判断其是否在预设的对风正常区间内，若在，则将其作为候选机组。
需要说明的是，若目标机组的运行数据正常，也可以不用借助参考机组，而是按照上述方式直接对目标机组的对风偏差进行识别。
（3）从候选机组中确定与目标机组满足第一预设相关条件的参考机组。
在本实施例中，将各候选机组的风速与目标机组的风速做相关性判定，得到候选机组中与目标机组相关性最大的p台参考风电机，作为一种相关性判断方式：计算目标机组与每一候选机组之间的相关系数；按照相关系数的值从所有相关系数中依次选出大于预设值的相关系数对应的候选机组作为参考机组。
对于任一候选机组而言，其余目标机组的相关系数的计算方式为：
选择皮尔逊相关系数对候选机组的风速与目标机组的风速做相关性判定：，、分别为、的平均值，、分别、的为标准差，E表示求解期望值。得到的相关系数是无量纲数，取值范围为，绝对值越大，相关性越强。
计算得到每一候选机组与目标机组的相关系数，将多个相关系数进行降序排列，选择相关系数大于0.80的候选机组作为参考机组。
步骤S203，根据参考机组的风速和对风角进行协同特征学习，得到预设协同映射。
在本实施例中，对风角与风速作为自变量共同决定因变量输出功率值的大小，并且两自变量之间存在这非线性的相关关系，因此借由高维空间学习两者的相关特征，其中一个自变量经过相关特征的融合，便可以具备两者共同对因变量的影响。
将p台候选机组的风速与对风角分别做归一化处理，得到风速向量与对风角向量，将风速向量与对风角向量分别映射到高维特征空间，分别表示为与，在高维空间进行关联分析。求一组n维向量—协同矩阵、，使得风速与对风角通过协同矩阵得到的增强特征风速与对风角相关性最大。一种协同特征学习的实现方式是：
选择高斯核函数：,为核函数中心，得到核矩阵，作用到样本变换表示为：
。
将风速与对风角映射到高维特征空间，得到高维特征：、，变换后得到的、均为维向量。
求一组n维向量—协同矩阵、，使得风速通过协同矩阵得到的增强特征风速与对风角数据的相关系数r最大：
经过引入拉格朗日算子与奇异矩阵计算得到、，、可表示为如下形式：
将目标机组的风速做归一化处理后得到目标机组的风速向量，由协同特征映射可以得到目标机组的协同风速特征向量，将目标机组的协同风速特征向量输入功率预测模型，得到目标机组的预测功率。
需要说明的是，步骤S201~步骤S203可以和前述步骤S101~步骤S104运行在同一个电子设备10上，也可以运行在不同的电子设备上10，例如，步骤S201~步骤S203运行在电子设备1，在电子设备1上得到预设协同映射，电子设备2从电子设备1上获取到该预设协同映射，再执行前述步骤S101~步骤S104，最终对目标机组进行对风偏差识别。
在可选的实施方式中，为了提高识别的准确率，本实施例采用了多组数据，以避免单个数据产生较大的误差，一种实现方式为：采用多个协同风速特征，每一协同风速特征对应一个预测功率，每一预测功率均对应有与其具有相同运行时间的实际功率，识别方式是：
首先，计算每一预测功率和对应的实际功率之间的残差值；
其次，计算所有残差值的标准差和均值；
最后，若标准差在第一预设范围内、且均值在第二预设范围内，则判定目标机组对风正常；否则，判定目标机组对风存在偏差。
为了更清楚地从整个流程说明上述处理的过程，本实施例还提供了一个具体场景的示例进行说明。
S1、获取待测机组十分钟级全量运行数据（SCADA）与基础台账数据；
选取风场内运行时间为三个自然月的机组十分钟平均风速、十分钟平均桨角、十分钟平均对风角、十分钟平均功率、此外需要限功率标志位、运行状态标志位、部件温度预警等异常状态标志位判断机组是否处于正常运行发电状态。该机组的基础台账信息为机组切入风速3m/s、切出风速20m/s、额定功率2000kW。
S2、数据清洗与业务规则预处理：
采用DBSCAN算法和欧几里得距离筛选离群点，设置调整邻域大小eps和最小核心点数min_samples，eps=70，min_samples=30。将离群点对应的数据条目删除后得到经过数据清洗后的数据。
设置业务规则如下：根据机组的状态标志位去除停机、待机、限功率、故障状态数据。设置：桨角：[0,6]、对风角[-20，20]、风速[3，20]功率P[20,2100]。
经过清洗得到n条运行样本数据表示为：。
将运行数据因对风角数据大量异常导致数据不可用或对风角数据缺失的机组作为目标机组。
S3、从待测机组中确定对风正常的候选机组。
对于每一机组，根据其的对风角，按照箱大小0.5m/s进行分箱操作，得到包含数据的m+1个对风角数据区间（即分箱区间）：。
按照在每个对风角区间的样本数据分布，对功率值P与对风角的第5%至99%分位数求其中位数，得到、。
将作为自变量，作为因变量，进行三次样条插值，利用插值算法的结果，判断，验证曲线形状是否符合要求，若是，则得到样条曲线即为对风角-功率中位数曲线。设置条件，获得最大功率中位数与其对应的对风角，即曲线中功率中位数最大值对应的数据点，即为所求对风角偏差值，判断其是否在预设的对风正常区间内，对风正常的机组作为候选机组。
S4、相关性判定：对所有候选机组的风速、对风角、功率值与目标机组的，选择皮尔逊相关系数对各正常机组风速值与待测机组风速值做相关性判定：，、分别为、的平均值、分别、的为标准差，E表示求解期望值。得到的相关系数是无量纲数，取值范围,绝对值越大，相关性越强。
计算得到多个相关性系数进行降序排列，选择相关性系数大于0.80的机组（即参考机组）数据，将风速与对风角数据分别做归一化处理，得到风速向量与对风角向量。
S5、协同特征学习：
选择高斯核函数将风速与对风角映射到高维特征空间，得到高维特征：、，变换后得到的、均为维向量。
求一组n维向量—协同矩阵、，使得风速通过协同矩阵得到的增强特征风速与对风角数据的相关系数r最大：
经过引入拉格朗日算子与奇异矩阵计算得到、，即可表示为如下形式：
将目标机组的风速做归一化处理后得到目标机组的风速向量，由协同特征映射可以得到目标机组的协同风速特征向量。
S5、构建功率预测模型，间接通过判断功率值是否符合对风正常机组的分布，从而得出对风角是否存在偏差，将作为预测模型输入，功率值作为输出，选择三层人工神经网络，设置每层神经元个数[n,200,1], 隐含层的输出由公式：决定，其中、分别为权重与偏置。函数可以根据数据特点选择sigmoid激活函数，训练测试网络得到训练好的网络模型。
S6、将目标机组的协同风速特征输入训练好的人工神经网络模型中得到预测功率。利用残差值，求取的标准差与均值，判断均值与标准差是否符合设定。从而判断出功率是否符合正常对风下的功率，偏差值较大即为偏航对风角度偏差较大，若标准差在第一预设范围内、且均值在第二预设范围内，则判定目标机组对风正常；否则，判定目标机组对风存在偏差。
为了执行上述实施例及各个可能的实施方式中的相应步骤，下面给出一种风电机组对风偏差识别装置的实现方式。请参照图3，图3为本发明实施例提供的风电机组对风偏差识别装置100的方框示意图。需要说明的是，本实施例所提供的风电机组对风偏差识别装置100，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及指出。
风电机组对风偏差识别装置100包括获取模块110、处理模块120、预测模块130及识别模块140。
获取模块110，用于获取待测机组中目标机组的风速及实际功率，待测机组包括多台机组，目标机组为多台机组中需要对风偏差识别的机组，待测机组还包括对风正常、且与目标机组满足第一预设相关条件的参考机组；
处理模块120，用于根据目标机组的风速及预设协同特征映射，得到目标机组的协同风速特征，预设协同映射是根据参考机组的风速及对风角进行协同特征学习得到的、且表征参考机组的风速和对风角之间满足第二预设相关条件；
在可选的实施方式中，处理模块120还用于：获取待测机组中每一台机组的运行数据；根据每一台机组的运行数据，从待测机组中确定参考机组；根据参考机组的风速和对风角进行协同特征学习，得到预设协同映射。
在可选的实施方式中，处理模块120在用于根据每一台机组的运行数据，从待测机组中确定参考机组时具体用于：对每一台机组的运行数据进行预处理，得到每一台机组的正常数据；根据每一台机组的正常数据，从待测机组中确定对风正常的候选机组；从候选机组中确定与目标机组满足第一预设相关条件的参考机组。
在可选的实施方式中，处理模块120在用于对每一台机组的运行数据进行预处理，得到每一台机组的正常数据时具体还用于：对每一台机组的运行数据进行聚类分析，确定每一台机组的运行数据中的离群点数据；将每一台机组的离群点数据从每一台机组的运行数据中剔除，得到每一台机组的初选数据；将每一台机组的初选数据中不符合预设业务规则的数据去除，得到每一台机组的正常数据。
在可选的实施方式中，处理模块120在用于从候选机组中确定与目标机组满足第一预设相关条件的参考机组时具体用于：计算目标机组与每一候选机组之间的相关系数；按照相关系数的值从所有相关系数中依次选出大于预设值的相关系数对应的候选机组作为参考机组。
在可选的实施方式中，每一台机组的正常数据包括同一时刻下的对风角和功率，处理模块120在用于根据每一台机组的正常数据，判断每一台机组是否对风正常时具体用于：将每一台机组的对风角按照预设大小进行分箱，得到多个分箱区间；计算每一台机组的每一分箱区间内对风角的中位数和对应功率的中位数，得到每一台机组的每一分箱区间的对风角中位数和功率中位数；对每一台机组的每一分箱区间的对风角中位数和功率中位数进行曲线拟合，得到每一台机组的每一分箱区间的对风角-功率中位数曲线；将所有分箱区间的对风角-功率中位数曲线中功率中位数的最大值对应的对风角在预设角度范围内的风机组确定为候选机组。
预测模块130，用于将目标机组的协同风速特征输入预先经过训练的功率预测模型，得到目标机组的预测功率；
识别模块140，用于根据预测功率及实际功率对目标机组的对风偏差进行识别。
在可选的实施方式中，协同风速特征为多个，每一协同风速特征对应一个预测功率，每一预测功率均对应有与其具有相同运行时间的实际功率，识别模块140具体用于：计算每一预测功率和对应的实际功率之间的残差值；计算所有残差值的标准差和均值；若标准差在第一预设范围内、且均值在第二预设范围内，则判定目标机组对风正常；否则，判定目标机组对风存在偏差。
本实施例还提供了一种电子设备10的方框示意图，请参照图4，图4为本发明实施例提供的电子设备10的方框示意图，电子设备10包括处理器11、存储器12、总线13。处理器11、存储器12通过总线13连接。
处理器11可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器，包括中央处理器（Central Processing Unit，简称CPU）、网络处理器（Network Processor，简称NP）等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器12用于存储程序，例如图3中的风电机组对风偏差识别装置100，风电机组对风偏差识别装置100均包括至少一个可以软件或固件（firmware）的形式存储于存储器12中的软件功能模块，处理器11在接收到执行指令后，执行程序以实现本发明实施例中的风电机组对风偏差识别方法。
存储器12可能包括高速随机存取存储器（RAM：Random Access Memory），也可能还包括非易失存储器（non-volatile memory）。可选地，存储器12可以是内置于处理器11中的存储装置，也可以是独立于处理器11的存储装置。
总线13可以是ISA总线、PCI总线或EISA总线等。图4仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前述实施方式中任一项的风电机组对风偏差识别方法。
综上所述，本发明实施例提供了一种风电机组对风偏差识别方法、装置、电子设备和存储介质，方法包括：获取待测机组中目标机组的风速及实际功率，待测机组包括多台机组，目标机组为多台机组中需要对风偏差识别的机组，待测机组还包括对风正常、且与目标机组满足第一预设相关条件的参考机组；根据目标机组的风速及预设协同特征映射，得到目标机组的协同风速特征，预设协同映射是根据参考机组的风速及对风角进行协同特征学习得到的、且表征参考机组的风速和对风角之间满足第二预设相关条件；将目标机组的协同风速特征输入预先经过训练的功率预测模型，得到目标机组的预测功率；根据预测功率及实际功率对目标机组的对风偏差进行识别。与现有技术相比，本实施例提供的风电机组对风偏差识别方法、装置、电子设备和存储介质，至少具有以下优势：（1）利用影响输出功率的关键因素风速和对风角，风速经过与对风角进行协同特征学习提取出表征风速和对风角之间满足第二预设相关条件的非线性分布关系，得到在对风角无偏移状态下的协同风速特征，从而能够在对风角数据缺失或者异常的情况下仍然能够对机组的对风偏差进行识别；（2）针对目标机组的风向标损坏、偏航数据缺失等场景，利用风速、对风角与输出功率之间的强因果关系，训练神经网络，利用同一风电机组中正常机组的正常对风数据协同特征学习过的预设协同映射得到协同风速特征，将协同风速特征输入预先训练得到的神经网络，输出预测功率，再基于预测功率和实际功率判断对风是否存在偏移，提高了对风偏差识别的准确性；（3）依据对风角与风速的分布关系，进一步减少在不同对风角内风速数据数量不均匀的影响，在识别处理阶段提升结果可靠性；（4）单个机组的对风偏差识别时，利用分箱操作将对风角划分多个区间，再对每一个区间内对风角-功率中位数曲线进行拟合，提高了拟合的准确性，最终提高了识别的准确性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种风电机组对风偏差识别方法，其特征在于，所述方法包括：
获取待测机组中目标机组的风速及实际功率，所述待测机组包括多台机组，所述目标机组为所述多台机组中需要对风偏差识别的机组，所述待测机组还包括对风正常、且与所述目标机组满足第一预设相关条件的参考机组；
根据所述目标机组的风速及预设协同特征映射，得到所述目标机组的协同风速特征，所述预设协同映射是根据所述参考机组的风速及对风角进行协同特征学习得到的、且表征所述参考机组的风速和对风角之间满足第二预设相关条件；
将所述目标机组的协同风速特征输入预先经过训练的功率预测模型，得到所述目标机组的预测功率；
根据所述预测功率及所述实际功率对所述目标机组的对风偏差进行识别。
2.如权利要求1所述的风电机组对风偏差识别方法，其特征在于，所述方法还包括：
获取所述待测机组中每一台机组的运行数据；
根据所述每一台机组的运行数据，从所述待测机组中确定参考机组；
根据所述参考机组的风速和对风角进行协同特征学习，得到所述预设协同映射。
3.如权利要求2所述的风电机组对风偏差识别方法，其特征在于，根据所述每一台机组的运行数据，从所述待测机组中确定参考机组的步骤包括：对所述每一台机组的运行数据进行预处理，得到所述每一台机组的正常数据；
根据所述每一台机组的正常数据，从所述待测机组中确定对风正常的候选机组；
从所述候选机组中确定与所述目标机组满足所述第一预设相关条件的参考机组。
4.如权利要求3所述的风电机组对风偏差识别方法，其特征在于，所述对所述每一台机组的运行数据进行预处理，得到所述每一台机组的正常数据的步骤包括：
对所述每一台机组的运行数据进行聚类分析，确定所述每一台机组的运行数据中的离群点数据；
将所述每一台机组的离群点数据从所述每一台机组的运行数据中剔除，得到所述每一台机组的初选数据；
将所述每一台机组的初选数据中不符合预设业务规则的数据去除，得到所述每一台机组的正常数据。
5.如权利要求3所述的风电机组对风偏差识别方法，其特征在于，所述从所述候选机组中确定与所述目标机组满足所述第一预设相关条件的参考机组的步骤包括：
计算所述目标机组与每一所述候选机组之间的相关系数；
按照相关系数的值从所有相关系数中依次选出大于预设值的相关系数对应的所述候选机组作为所述参考机组。
6.如权利要求4所述的风电机组对风偏差识别方法，其特征在于，所述每一台机组的正常数据包括同一时刻下的对风角和功率，所述根据每一台机组的正常数据，从待测机组中确定对风正常的候选机组步骤包括：
将所述每一台机组的对风角按照预设大小进行分箱，得到每一台机组的多个分箱区间；
计算每一台机组的每一所述分箱区间内对风角的中位数和对应功率的中位数，得到每一台机组的每一所述分箱区间的对风角中位数和功率中位数；
对每一台机组的每一所述分箱区间的对风角中位数和功率中位数进行曲线拟合，得到每一台机组的每一所述分箱区间的对风角-功率中位数曲线；
将所有分箱区间的所述对风角-功率中位数曲线中功率中位数的最大值对应的对风角在预设角度范围内的风机组确定为所述候选机组。
7.如权利要求1所述的风电机组对风偏差识别方法，其特征在于，所述协同风速特征为多个，每一所述协同风速特征对应一个预测功率，每一所述预测功率均对应有与其具有相同运行时间的实际功率，所述根据所述预测功率及所述实际功率对所述目标机组的对风偏差进行识别的步骤包括：
计算每一预测功率和对应的实际功率之间的残差值；
计算所有残差值的标准差和均值；
若所述标准差在第一预设范围内、且所述均值在第二预设范围内，则判定所述目标机组对风正常；否则，判定所述目标机组对风存在偏差。
8.一种风电机组对风偏差识别装置，其特征在于，所述装置包括：
获取模块，用于获取待测机组中目标机组的风速及实际功率，所述待测机组包括多台机组，所述目标机组为所述多台机组中需要对风偏差识别的机组，所述待测机组还包括对风正常、且与所述目标机组满足第一预设相关条件的参考机组；
处理模块，用于根据所述目标机组的风速及预设协同特征映射，得到所述目标机组的协同风速特征，所述预设协同映射是根据所述参考机组的风速及对风角进行协同特征学习得到的、且表征所述参考机组的风速和对风角之间满足第二预设相关条件；
预测模块，用于将所述目标机组的协同风速特征输入预先经过训练的功率预测模型，得到所述目标机组的预测功率；
识别模块，用于根据所述预测功率及所述实际功率对所述目标机组的对风偏差进行识别。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储程序，所述处理器用于在执行所述程序时，实现如权利要求1-7中任一项所述的风电机组对风偏差识别方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的风电机组对风偏差识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310737255.5A CN116502543B (zh) | 2023-06-21 | 2023-06-21 | 风电机组对风偏差识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310737255.5A CN116502543B (zh) | 2023-06-21 | 2023-06-21 | 风电机组对风偏差识别方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502543A true CN116502543A (zh) | 2023-07-28 |
| CN116502543B CN116502543B (zh) | 2023-09-22 |
Family
ID=87318616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310737255.5A Active CN116502543B (zh) | 2023-06-21 | 2023-06-21 | 风电机组对风偏差识别方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502543B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110094310A (zh) * | 2019-05-13 | 2019-08-06 | 北京天泽智云科技有限公司 | 一种识别风力发电机偏航对风不正的方法 |
| CN110985309A (zh) * | 2019-12-09 | 2020-04-10 | 远景智能国际私人投资有限公司 | 偏航对风异常检测方法、装置、设备和存储介质 |
| CN113107785A (zh) * | 2021-05-12 | 2021-07-13 | 浙江浙能技术研究院有限公司 | 一种风电机组功率性能异常的实时监测方法及装置 |
| CN114165392A (zh) * | 2021-11-03 | 2022-03-11 | 华能射阳新能源发电有限公司 | 一种风电机组功率异常诊断方法、装置及存储介质 |
| WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
| CN116050302A (zh) * | 2023-02-10 | 2023-05-02 | 特变电工新疆新能源股份有限公司 | 一种对风偏差定量评估方法、系统、设备及介质 |
-
2023
- 2023-06-21 CN CN202310737255.5A patent/CN116502543B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110094310A (zh) * | 2019-05-13 | 2019-08-06 | 北京天泽智云科技有限公司 | 一种识别风力发电机偏航对风不正的方法 |
| CN110985309A (zh) * | 2019-12-09 | 2020-04-10 | 远景智能国际私人投资有限公司 | 偏航对风异常检测方法、装置、设备和存储介质 |
| WO2021118461A1 (en) * | 2019-12-09 | 2021-06-17 | Envision Digital International Pte. Ltd. | Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof |
| CN113107785A (zh) * | 2021-05-12 | 2021-07-13 | 浙江浙能技术研究院有限公司 | 一种风电机组功率性能异常的实时监测方法及装置 |
| WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
| CN114165392A (zh) * | 2021-11-03 | 2022-03-11 | 华能射阳新能源发电有限公司 | 一种风电机组功率异常诊断方法、装置及存储介质 |
| CN116050302A (zh) * | 2023-02-10 | 2023-05-02 | 特变电工新疆新能源股份有限公司 | 一种对风偏差定量评估方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502543B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Anomaly detection and diagnosis for wind turbines using long short-term memory-based stacked denoising autoencoders and XGBoost | |
| Liu et al. | Intelligent wind turbine blade icing detection using supervisory control and data acquisition data and ensemble deep learning | |
| CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN110991666A (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
| CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
| Peng et al. | Wind turbine failure prediction and health assessment based on adaptive maximum mean discrepancy | |
| Tang et al. | Applications of K-nearest neighbor algorithm in intelligent diagnosis of wind turbine blades damage | |
| CN114430816B (zh) | 用于融合风力涡轮机的多种分析以提高效率的系统和方法 | |
| CN114165392B (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
| Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
| CN106897945A (zh) | 风力发电机组的聚类方法和设备 | |
| EP4080304B1 (en) | System and method for cyberattack detection in a wind turbine control system | |
| CN109325553B (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
| Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
| CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
| CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
| Yao et al. | Power curve modeling for wind turbine using hybrid-driven outlier detection method | |
| CN116502543B (zh) | 风电机组对风偏差识别方法、装置、电子设备和存储介质 | |
| CN116186620A (zh) | 一种能效诊断方法、装置及终端设备 | |
| CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
| US20220341393A1 (en) | System and method for fusing multiple analytics of a wind turbine for improved efficiency | |
| Zeng et al. | Data-Driven Anomaly Detection Method Based on Similarities of Multiple Wind Turbines | |
| Skrimpas et al. | Detection of wind turbine power performance abnormalities using eigenvalue analysis | |
| Joshi et al. | Soft computing methods and its applications in condition monitoring of dgs—a review | |
| Koukoura et al. | An insight into wind turbine planet bearing fault prediction using SCADA data |
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 |