CN117874663A - 一种风力发电机异常诊断装置及其诊断方法 - Google Patents
一种风力发电机异常诊断装置及其诊断方法 Download PDFInfo
- Publication number
- CN117874663A CN117874663A CN202410064880.2A CN202410064880A CN117874663A CN 117874663 A CN117874663 A CN 117874663A CN 202410064880 A CN202410064880 A CN 202410064880A CN 117874663 A CN117874663 A CN 117874663A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- model
- abnormality
- analysis
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 70
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000004140 cleaning Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种风力发电机异常诊断装置及其诊断方法，具体包括以下步骤：S1、数据收集；S2、数据清洗；S3、数据分析；S4、特征工程；S5、模型建立；S6、异常检测；S7、结果解释；S8、重复训练；S9、模型优化；本发明涉及异常诊断技术领域。该风力发电机异常诊断装置及其诊断方法，有助于优化风力发电机的性能、提高运行效率，并且可以帮助预防潜在的故障和损失，并且可以不断改进和优化模型，确保其在实际应用中具有更好的表现和可靠性；通过将若干个风力发电机统一远程连接一个控制中心，对于环境因素相同的风力发电机可相互参考对比，去除一些环境因素，通过相互检测更新优化的方式，方便系统更快更精准的找到故障原因。
Description
技术领域
本发明涉及异常诊断技术领域，具体为一种风力发电机异常诊断装置及其诊断方法。
背景技术
输出功率是评价风力发电机组发电性能的主要指标。现有的输出功率评估的技术难度相对较小，因为涉及需要分析的变量较少、统计方法也相对简单。然而，实际输出功率评估问题的难点在于当输出功率出现异常时可能是由较多根因导致，此时需有经验的工程师花费较长时间做数据分析来锁定输出功率异常的根因，然后根据锁定的根因具有针对性地解决问题。
现有的风力发电机组的输出功率异常诊断方法还存在以下缺陷：
难以准确诊断：风力发电机组的输出功率除了设备自身的影响，还包括风速、工作环境的温湿度等外界因素，因此单一的诊断方式可能难以准确识别异常；
缺乏综合性：现有的诊断方式可能只针对特定的异常情况进行诊断，缺乏综合性的分析，无法全面识别各种可能的异常原因。
发明内容
针对现有技术的不足，本发明提供了一种风力发电机异常诊断装置及其诊断方法，解决了现有风力发电机组的输出功率异常诊断方法存在诊断方式单一不全面，且缺乏综合性的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种风力发电机异常诊断方法，具体包括以下步骤：
S1、数据收集：收集风力发电机的输出功率和相关环境参数；
S2、数据清洗：对收集到的数据进行清洗和预处理；
S3、数据分析：利用统计学方法对数据进行分析；
S4、特征工程：对数据进行特征提取和特征工程，找出与功率输出异常相关的特征变量；
S5、模型建立：建立相关模型，将功率输出与相关特征变量进行建模分析，找出异常原因；
S6、异常检测：
模型训练：利用已建立的模型对数据进行训练；
异常检测：通过模型预测与实际功率输出的差异进行异常检测；
S7、结果解释：利用建立的模型对风力发电机的功率输出进行异常检测，找出异常的时间点和异常的原因，并根据分析结果采取相应的措施进行修复；
S8、重复训练：重复进行异常检测确定原因是否正确，若异常仍存在则去除该原因重新训练检测，直至异常消除；
S9、模型优化：记录每次检测的记录，并将数据补充至模型中以优化模型性能。
优选的，所述S1中收集的数据具体包括：
定义功率输出时间序列数据：P＝(P1、P2、...、Pn)；
收集风速数据：W＝(W1、W2、...、Wn)；
收集温度数据：T＝(T1,T2、...、Tn)；
收集湿度数据：H＝(H1、H2、...、Hn)。
优选的，所述S2中清洗包括异常值处理：使用统计学方法检测和处理异常值；
预处理包括缺失值处理：使用插值方法填补缺失值。
优选的，所述S3中数据分析包括：
相关性分析：计算功率输出与风速、温度、湿度之间的相关性系数；
回归分析：建立功率输出与环境参数之间的回归模型；
时间序列分析：使用时间序列模型分析功率输出的变化趋势。
优选的，所述S4特征工程具体包括：
特征提取：提取与功率输出异常相关的特征变量；
特征工程：对特征进行转换、组合或降维，以提高模型效果。
优选的，所述S5中模型建立具体包括：
建立回归模型：P＝f(W,T,H)+V，其中f()是回归函数，V是误差；
建立神经网络模型：使用神经网络结构建立功率输出的非线性模型。
本发明还公开了一种风力发电机异常诊断装置，包括N个风力发电机端和控制中心，N个所述风力发电机端将检测数据远程无线传输至控制中心进行处理，所述控制中心包括无线接收模块、数据清洗模块、数据分析模块、数据工程模块、模型建立模块、异常检测模块、结果分析模块、重复训练模块和模型优化模块，所述无线接收模块输出端与数据清洗模块输入端连接，所述数据清洗模块输出端与数据分析模块输入端连接，所述数据分析模块输出端与数据工程模块输入端连接，所述数据工程模块输出端与模型建立模块输入端连接，所述模型建立模块输出端与异常检测模块输入端连接，所述异常检测模块输出端与结果分析模块输入端连接，所述结果分析模块输出端分别与重复训练模块和模型优化模块输入端连接，所述重复训练模块输出端与异常检测模块输入端连接，所述模型优化模块输出端与模型建立模块输入端连接。
优选的，所述风力发电机端包括数据采集单元、中央处理器和无线发送模块，所述数据采集单元输出端与中央处理器输入端连接，所述中央处理器输出端与无线发送模块输入端连接，所述无线发送模块将数据无线发送至无线接收模块。
有益效果
本发明提供了一种风力发电机异常诊断装置及其诊断方法。与现有技术相比具备以下有益效果：
1、该风力发电机异常诊断装置及其诊断方法，通过收集风力发电机的输出功率和相关环境参数，可以建立起一个全面的数据集，有助于了解风力发电机在不同条件下的运行情况，采用清洗和预处理数据可以帮助去除错误、缺失或异常的数据，确保后续分析和建模的准确性和可靠性，利用统计学方法对数据进行分析可以揭示数据之间的关系和规律，为后续的特征工程和建模提供依据，而通过特征提取和工程，可以发现与功率输出异常相关的特征变量，帮助理解风力发电机异常的根本原因，建立相关模型可以帮助理解功率输出与相关特征变量之间的复杂关系，从而找出异常原因并进行建模分析，而通过模型训练和异常检测，可以及时发现风力发电机功率输出的异常情况，有助于提前采取修复措施，减少损失，通过对异常的时间点和原因进行解释，可以为维护和管理风力发电机提供重要参考，帮助工程师采取相应的措施进行修复和改进，总的来说，这些步骤有助于优化风力发电机的性能、提高运行效率，并且可以帮助预防潜在的故障和损失。
2、该风力发电机异常诊断装置及其诊断方法，通过重复进行异常检测并确定原因，可以在初次诊断没有解决异常时再次检测，自动去除错误值并循环检测，直至找到最终的问题，并且可以帮助识别和解决模型中的异常情况，确保模型的准确性和稳定性，而记录每次检测的结果并将数据补充至模型中，有助于不断优化模型的性能，提高其预测能力和适应性，通过这些步骤，可以不断改进和优化模型，确保其在实际应用中具有更好的表现和可靠性。
3、该风力发电机异常诊断装置及其诊断方法，通过将若干个风力发电机统一远程连接一个控制中心，方便将检测的数据统一发送到一起进行分析处理，同时还方便对相近的风力发电机的环境数据进行对比分析，对于环境因素相同的风力发电机可相互参考对比，去除一些环境因素，通过相互检测更新优化的方式，方便系统更快更精准的找到故障原因。
附图说明
图1为本发明的总系统原理框图；
图2为本发明的风力发电机端原理框图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明公开了一种风力发电机异常诊断方法，具体包括以下步骤：
S1、数据收集：收集风力发电机的输出功率和相关环境参数，其中，收集的数据具体包括：
定义功率输出时间序列数据：P＝(P1、P2、...、Pn)；
收集风速数据：W＝(W1、W2、...、Wn)；
收集温度数据：T＝(T1,T2、...、Tn)；
收集湿度数据：H＝(H1、H2、...、Hn)；
S2、数据清洗：对收集到的数据进行清洗和预处理，其中，清洗包括异常值处理：使用统计学方法检测和处理异常值；
预处理包括缺失值处理：使用插值方法填补缺失值；
S3、数据分析：利用统计学方法对数据进行分析，数据分析包括：
相关性分析：计算功率输出与风速、温度、湿度之间的相关性系数；
回归分析：建立功率输出与环境参数之间的回归模型；
时间序列分析：使用时间序列模型分析功率输出的变化趋势；
S4、特征工程：对数据进行特征提取和特征工程，找出与功率输出异常相关的特征变量，具体包括：
特征提取：提取与功率输出异常相关的特征变量；
特征工程：对特征进行转换、组合或降维，以提高模型效果；
S5、模型建立：建立相关模型，将功率输出与相关特征变量进行建模分析，找出异常原因，模型建立具体包括：
建立回归模型：P＝f(W,T,H)+V，其中f()是回归函数，V是误差；
建立神经网络模型：使用神经网络结构建立功率输出的非线性模型；
S6、异常检测：
模型训练：利用已建立的模型对数据进行训练；
异常检测：通过模型预测与实际功率输出的差异进行异常检测；
S7、结果解释：利用建立的模型对风力发电机的功率输出进行异常检测，找出异常的时间点和异常的原因，并根据分析结果采取相应的措施进行修复；
通过收集风力发电机的输出功率和相关环境参数，可以建立起一个全面的数据集，有助于了解风力发电机在不同条件下的运行情况，采用清洗和预处理数据可以帮助去除错误、缺失或异常的数据，确保后续分析和建模的准确性和可靠性，利用统计学方法对数据进行分析可以揭示数据之间的关系和规律，为后续的特征工程和建模提供依据，而通过特征提取和工程，可以发现与功率输出异常相关的特征变量，帮助理解风力发电机异常的根本原因，建立相关模型可以帮助理解功率输出与相关特征变量之间的复杂关系，从而找出异常原因并进行建模分析，而通过模型训练和异常检测，可以及时发现风力发电机功率输出的异常情况，有助于提前采取修复措施，减少损失，通过对异常的时间点和原因进行解释，可以为维护和管理风力发电机提供重要参考，帮助工程师采取相应的措施进行修复和改进，总的来说，这些步骤有助于优化风力发电机的性能、提高运行效率，并且可以帮助预防潜在的故障和损失。
S8、重复训练：重复进行异常检测确定原因是否正确，若异常仍存在则去除该原因重新训练检测，直至异常消除；
S9、模型优化：记录每次检测的记录，并将数据补充至模型中以优化模型性能。
通过重复进行异常检测并确定原因，可以在初次诊断没有解决异常时再次检测，自动去除错误值并循环检测，直至找到最终的问题，并且可以帮助识别和解决模型中的异常情况，确保模型的准确性和稳定性，而记录每次检测的结果并将数据补充至模型中，有助于不断优化模型的性能，提高其预测能力和适应性，通过这些步骤，可以不断改进和优化模型，确保其在实际应用中具有更好的表现和可靠性。
参阅图1-2，本发明还公开了一种风力发电机异常诊断装置，包括N个风力发电机端和控制中心，N个风力发电机端将检测数据远程无线传输至控制中心进行处理，控制中心包括无线接收模块、数据清洗模块、数据分析模块、数据工程模块、模型建立模块、异常检测模块、结果分析模块、重复训练模块和模型优化模块，无线接收模块输出端与数据清洗模块输入端连接，数据清洗模块输出端与数据分析模块输入端连接，数据分析模块输出端与数据工程模块输入端连接，数据工程模块输出端与模型建立模块输入端连接，模型建立模块输出端与异常检测模块输入端连接，异常检测模块输出端与结果分析模块输入端连接，结果分析模块输出端分别与重复训练模块和模型优化模块输入端连接，重复训练模块输出端与异常检测模块输入端连接，模型优化模块输出端与模型建立模块输入端连接。
风力发电机端包括数据采集单元、中央处理器和无线发送模块，数据采集单元包括风速传感器、温湿度传感器和监测输出功率的电路元件以及时间模块，数据采集单元输出端与中央处理器输入端连接，中央处理器输出端与无线发送模块输入端连接，无线发送模块将数据无线发送至无线接收模块。
通过将若干个风力发电机统一远程连接一个控制中心，方便将检测的数据统一发送到一起进行分析处理，同时还方便对相近的风力发电机的环境数据进行对比分析，对于环境因素相同的风力发电机可相互参考对比，去除一些环境因素，通过相互检测更新优化的方式，方便系统更快更精准的找到故障原因。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种风力发电机异常诊断方法，其特征在于：具体包括以下步骤：
S1、数据收集：收集风力发电机的输出功率和相关环境参数；
S2、数据清洗：对收集到的数据进行清洗和预处理；
S3、数据分析：利用统计学方法对数据进行分析；
S4、特征工程：对数据进行特征提取和特征工程，找出与功率输出异常相关的特征变量；
S5、模型建立：建立相关模型，将功率输出与相关特征变量进行建模分析，找出异常原因；
S6、异常检测：
模型训练：利用已建立的模型对数据进行训练；
异常检测：通过模型预测与实际功率输出的差异进行异常检测；
S7、结果解释：利用建立的模型对风力发电机的功率输出进行异常检测，找出异常的时间点和异常的原因，并根据分析结果采取相应的措施进行修复；
S8、重复训练：重复进行异常检测确定原因是否正确，若异常仍存在则去除该原因重新训练检测，直至异常消除；
S9、模型优化：记录每次检测的记录，并将数据补充至模型中以优化模型性能。
2.根据权利要求1所述的一种风力发电机异常诊断方法，其特征在于：所述S1中收集的数据具体包括：
定义功率输出时间序列数据：P＝(P1、P2、...、Pn)；
收集风速数据：W＝(W1、W2、...、Wn)；
收集温度数据：T＝(T1,T2、...、Tn)；
收集湿度数据：H＝(H1、H2、...、Hn)。
3.根据权利要求1所述的一种风力发电机异常诊断方法，其特征在于：所述S2中清洗包括异常值处理：使用统计学方法检测和处理异常值；
预处理包括缺失值处理：使用插值方法填补缺失值。
4.根据权利要求1所述的一种风力发电机异常诊断方法，其特征在于：所述S3中数据分析包括：
相关性分析：计算功率输出与风速、温度、湿度之间的相关性系数；
回归分析：建立功率输出与环境参数之间的回归模型；
时间序列分析：使用时间序列模型分析功率输出的变化趋势。
5.根据权利要求1所述的一种风力发电机异常诊断方法，其特征在于：所述S4特征工程具体包括：
特征提取：提取与功率输出异常相关的特征变量；
特征工程：对特征进行转换、组合或降维，以提高模型效果。
6.根据权利要求1所述的一种风力发电机异常诊断方法，其特征在于：所述S5中模型建立具体包括：
建立回归模型：P＝f(W,T,H)+V，其中f()是回归函数，V是误差；
建立神经网络模型：使用神经网络结构建立功率输出的非线性模型。
7.根据权利要求1所述的一种风力发电机异常诊断装置，包括N个风力发电机端和控制中心，N个所述风力发电机端将检测数据远程无线传输至控制中心进行处理，其特征在于：所述控制中心包括无线接收模块、数据清洗模块、数据分析模块、数据工程模块、模型建立模块、异常检测模块、结果分析模块、重复训练模块和模型优化模块，所述无线接收模块输出端与数据清洗模块输入端连接，所述数据清洗模块输出端与数据分析模块输入端连接，所述数据分析模块输出端与数据工程模块输入端连接，所述数据工程模块输出端与模型建立模块输入端连接，所述模型建立模块输出端与异常检测模块输入端连接，所述异常检测模块输出端与结果分析模块输入端连接，所述结果分析模块输出端分别与重复训练模块和模型优化模块输入端连接，所述重复训练模块输出端与异常检测模块输入端连接，所述模型优化模块输出端与模型建立模块输入端连接。
8.根据权利要求7所述的一种风力发电机异常诊断装置，其特征在于：所述风力发电机端包括数据采集单元、中央处理器和无线发送模块，所述数据采集单元输出端与中央处理器输入端连接，所述中央处理器输出端与无线发送模块输入端连接，所述无线发送模块将数据无线发送至无线接收模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410064880.2A CN117874663A (zh) | 2024-01-17 | 2024-01-17 | 一种风力发电机异常诊断装置及其诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410064880.2A CN117874663A (zh) | 2024-01-17 | 2024-01-17 | 一种风力发电机异常诊断装置及其诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117874663A true CN117874663A (zh) | 2024-04-12 |
Family
ID=90591726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410064880.2A Pending CN117874663A (zh) | 2024-01-17 | 2024-01-17 | 一种风力发电机异常诊断装置及其诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117874663A (zh) |
-
2024
- 2024-01-17 CN CN202410064880.2A patent/CN117874663A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
| US10288043B2 (en) | Wind turbine condition monitoring method and system | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN102460529B (zh) | 装置异常监视方法以及系统 | |
| CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
| CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN110825798A (zh) | 一种电力应用数据维护方法及装置 | |
| CN113221435A (zh) | 传感器的筛选方法及装置、传感器数据重构方法及系统 | |
| CN115222141A (zh) | 一种多变量时序异常检测方法、系统、介质、设备及终端 | |
| CN116800199A (zh) | 一种分布式光伏运行电能质量监测与分析方法 | |
| CN116756909A (zh) | 一种基于数据模型及机理模型的火电厂预警诊断系统 | |
| CN115982663A (zh) | 一种新能源风机设备的故障预警系统 | |
| CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
| CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及系统 | |
| CN114091600A (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
| CN117743794A (zh) | 一种分布式光伏电站故障诊断及效能损失评估系统 | |
| CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
| CN113176530A (zh) | 一种基于拆回表运行特征的在运电能表批次故障诊断方法 | |
| CN116466166A (zh) | 一种大屏设备的故障检测方法、系统及装置 | |
| CN117874663A (zh) | 一种风力发电机异常诊断装置及其诊断方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
| CN112799378A (zh) | 一种用于风力发电机组硬件信号的诊断及模拟方法 | |
| CN111044176A (zh) | 一种发电机温度异常的监测方法 | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 |
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 |