CN118194082A - 一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置 - Google Patents
一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置 Download PDFInfo
- Publication number
- CN118194082A CN118194082A CN202410229807.6A CN202410229807A CN118194082A CN 118194082 A CN118194082 A CN 118194082A CN 202410229807 A CN202410229807 A CN 202410229807A CN 118194082 A CN118194082 A CN 118194082A
- Authority
- CN
- China
- Prior art keywords
- electrical
- network side
- data
- regression model
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000012549 training Methods 0.000 title claims abstract description 80
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 abstract description 36
- 230000006870 function Effects 0.000 description 104
- 238000012544 monitoring process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000007781 pre-processing Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于SCADA数据的变流器电气异常检测方法,包括以下步骤:根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值;根据待检测网侧电气参数预测值、电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域;根据待检测网侧电气数据与待检测网侧电气数据在正常区域的边界对应的边界值的比值确定变流器的工作状态。本发明还提供一种基于SCADA数据的变流器电气异常检测模型训练方法,用于得到电气异常检测非参数回归模型。能够准确且有效地监测变流器软起动过程、变流器控制以及容量不平衡(功率损耗)是否正常。本发明还公开了用于实现上述方法的系统和装置。
Description
技术领域
本发明涉及变流器控制技术领域,尤其涉及一种基于SCADA数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置。
背景技术
变流器是风力发电电力变换和传输中居于核心地位,其作用主要是解决在风机转速变化的情况下,如何保证发电恒频输出的问题。风电变流器根据风速大小适应发电机转速,使风机实现最佳风能捕获。它将风机在自然风作用下发出的电压频率、幅值不稳定的电能转换为频率、幅值稳定、符合电网要求的电能后并入电网。变流器是风电机组中较为昂贵的部件之一,同时,也是最容易受损的部件之一,其损耗大部分由内部的过温、过电流、过电压导致。其中涉及电流、电压的电气异常现象不仅原因和表现形式多样,而且会引起变流器温度升高。研究和分析变流器的电气异常是评估变流器状态的重要工作。由于变流器高频运行特征,变流器的电流、电压也呈现出短期内剧烈波动的特征,显著不同于普通的电流、电压变化。
目前关于变流器的电气异常检测的方法和设备主要集中在以下几个方面:1.基于硬件监测设备,针对变流器的功率性能是否正常。2.基于变流器的高频电流电压本身的电气异常监测。3.基于专家知识库的故障模式做出诊断。4.针对变流器电流幅值、电流平均值等特征做出的异常检测。但是这些方法大多是与变流器生产厂家或者是变流器的研究机构所提供,但在风电行业的实际生产当中,只能获取到秒级、分钟级的SCADA数据,上述方法无法适用,同时,在实际生产运行过程中的关于变流器电气异常的监测大部分是基于过电流、过电压和电流电压不平衡等的监测,这些监测无法准确有效监测到变流器软起动过程是否正常、变流器控制是否正常以及容量不平衡(功率损耗)是否正常。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于SCADA数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例的第一方面提供一种基于SCADA数据的变流器电气异常检测方法,包括以下步骤:
根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值;其中,所述电气异常检测非参数回归模型,包括:软启动非参数回归模型和容量平衡非参数回归模型中的至少一种;所述软启动非参数回归模型表征网侧电流和机侧电流的之间的关系,所述容量平衡非参数回归模型表征网侧功率和机侧功率的之间的关系;
根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域;所述正常区域包括:软启动正常区域和容量平衡正常区域中的至少一种;
根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态。
在本发明的一个实施例中,所述根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态,包括:
根据所述待检测网侧电气数据和所述待检测机侧电气数据在所述正常区域的边界对应的边界值确定多个上边界比值和下边界比值;
若所述多个上边界比值的预设比例分位数大于1,或所述多个下边界比值的预设比例分位数小于1,则变流器的工作状态为异常状态。
在本发明的一个实施例中,所述电气异常检测非参数回归模型通过以下步骤训练得到:
构建表征所述网侧电气参数、所述机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式;其中,所述网侧电气参数和所述机侧电气参数的类型相同,所述机侧电气参数包括:机侧电流或机侧功率,所述网侧电气参数包括:网侧电流或网侧功率;
基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式;
根据所述网侧样本电气数据、所述机侧样本电气数据、所述回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型;其中,所述网侧样本电气数据和所述机侧样本电气数据均为在变流器正常工况下获取的样本数据。
在本发明的一个实施例中,所述基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式,包括:
使用非均匀有理B样条函数逼近初始非参数回归模型的表达式中的未知函数,以将初始非参数回归模型的表达式转化为基于未知参数的回归表达式。
在本发明的一个实施例中,所述根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域,包括:
根据所述机侧样本电气数据和所述非参数回归模型确定网侧样本电气参数预测值;
根据网侧样本电气数据和所述网侧样本电气参数预测值确定误差标准差;
根据所述误差标准差和对勾函数确定误差近似函数;
根据电气异常检测非参数回归模型和误差近似函数确定正常区域。
在本发明的一个实施例中,所述根据网侧样本电气数据和所述网侧样本电气参数预测值确定误差标准差,包括:
根据网侧样本电气数据和所述网侧样本电气参数预测值确定每个机侧样本电气数据的多个训练误差;
根据所述每个机侧样本电气数据的多个训练误差确定每个机侧样本电气数据的误差均值;
根据所述训练误差和所述误差均值确定每个机侧样本电气数据的误差标准差。
在本发明的一个实施例中,所述根据电气异常检测非参数回归模型和误差近似函数确定正常区域,包括:
所述电气异常检测非参数回归模型加上所述误差近似函数确定正常区域的上边界,所述电气异常检测非参数回归模型减去所述误差近似函数确定正常区域的下边界。
本发明实施例提供一种基于SCADA数据的变流器电气异常检测模型训练方法,包括以下步骤:
构建表征所述网侧电气参数、所述机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式;其中,所述网侧电气参数和所述机侧电气参数的类型相同,所述机侧电气参数包括:机侧电流或机侧功率,所述网侧电气参数包括:网侧电流或网侧功率;
基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式;
根据所述网侧样本电气数据、所述机侧样本电气数据、所述回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型;其中,所述网侧样本电气数据和所述机侧样本电气数据均为在变流器正常工况下获取的样本数据。
本发明实施例提供一种基于SCADA数据的变流器电气异常检测系统,包括:
预测模块,用于根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值;其中,所述电气异常检测非参数回归模型,包括:软启动非参数回归模型和容量平衡非参数回归模型中的至少一种;所述软启动非参数回归模型表征网侧电流和机侧电流的之间的关系,所述容量平衡非参数回归模型表征网侧功率和机侧功率的之间的关系;
确定模块,用于根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域;所述正常区域包括:软启动正常区域和容量平衡正常区域中的至少一种;
判断模块,用于根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态。
本发明实施例提供一种基于SCADA数据的变流器电气异常检测模型训练装置,包括:
构建模块,用于构建表征所述网侧电气参数、所述机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式;其中,所述网侧电气参数和所述机侧电气参数的类型相同,所述机侧电气参数包括:机侧电流或机侧功率,所述网侧电气参数包括:网侧电流或网侧功率;
第一训练模块,用于基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式;
第二训练模块,用于根据所述网侧样本电气数据、所述机侧样本电气数据、所述回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型;其中,所述网侧样本电气数据和所述机侧样本电气数据均为在变流器正常工况下获取的样本数据。
本发明的有益效果:
本发明通过构建基于变流器机侧电流和变流器网侧电流之间的关系以及以变流器机侧容量(功率)和网侧容量(功率)之间的关系的异常检测模型,该异常检测模型表征了数据与运行机理之间的关系,能够对变流器的运行进行有效监测。本发明基于异常检测模型通过以变流器机侧电流和变流器网侧电流之间的关系曲线为监测对象,能够准确且有效地监测到变流器软起动过程是否正常,以变流器机侧容量(功率)和网侧容量(功率)之间的关系曲线为监测对象,能够准确且有效地监测到变流器控制是否正常以及容量不平衡(功率损耗)是否正常,进而能够为设备预警提供依据,实现设备的预测性维护,提高设备的使用寿命。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种基于SCADA数据的变流器电气异常检测模型训练方法的流程示意图;
图2为本发明实施例提供的机侧样本电流的误差标准差和近似标准差与机侧电流的关系曲线示意图;
图3为本发明实施例提供的软启动非参数回归模型和软启动正常区域的关系曲线示意图;
图4为本发明实施例提供的机侧样本功率的误差标准差和近似标准差与机侧功率的关系曲线示意图;
图5为本发明实施例提供的容量平衡非参数回归模型和容量平衡正常区域的关系曲线示意图;
图6为本发明实施例提供的一种基于SCADA数据的变流器电气异常检测方法的流程示意图;
图7为本发明实施例提供的一种基于SCADA数据的变流器电气异常检测系统的框图;
图8为本发明实施例提供的一种基于SCADA数据的变流器电气异常检测模型训练装置的框图;
图9为本发明实施例提供的一种电子设备的框图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
由于变流器结构复杂,其异常模式也多种多样,在变流器的异常检测中,挖掘数据与运行机理之间的关系才能更好地对变流器的运行做出有效的监测。在风力发电过程中,为了延长机组的使用寿命,减轻风机起动并网时机组对齿轮箱的转矩冲击,同时降低机组在并网时对电网的影响,风力发电机组的电控系统中设置了软起动控制器,也可以称为软并网控制器。而变流器机侧电流和变流器网侧电流之间的关系能够反映软起动过程是否正常。监测机侧电流与网侧电流的关系曲线,能够有助于分析变流器的异常原因。
另一方面,变流器是一种将电能从一种形式转换为另一种形式的设备。在变流器中,网侧容量(功率)指的是变流器在电网侧能够处理的最大功率。它决定了变流器对电网的影响和负载能力。而机侧容量(功率)则是指变流器在机械侧(如电机)能够输出的最大功率,它决定了变流器对机械负载的驱动能力。网侧容量主要关注电网的稳定性和功率调节,而机侧容量主要关注机械系统的运行效果和负载能力。监测变流器两端的容量(功率)能够判断变流器的控制能力和容量不平衡(功率损耗)是否在正常的范围之内。一般来说,正常情况下,机侧功率和网侧功率呈现出明显的曲线规律,变流器两端的电气参数一般能够呈现出比较光滑的曲线形式,挖掘变量之间的关系,能够对变流器实际运行机理有更进一步的认识,更为关键的是能够对变流器的电气异常检测提供指导。
SCADA系统(Supervisory Control And Data Acquisition,数据采集与监控)是监控和管理某个系统的一种自动化控制系统,这个系统将传感器和控制器和可编程逻辑控制器(PLC)等组合在一起,成为一个数据通信网络,为风电场的技术管理和生产经营提供信息保障。SCADA数据是一种相对低频的数据,风力发电环境的采集频率多数为每秒1次,包含了主要部件的传感器数据,对于变流器来说,相关的变量包括变流器温度、机侧电流、机侧电压、网侧电流、网侧电压、发电机转速等、有功功率等。本发明主要关注变流器的软起动异常和容量不平衡(功率损耗)异常两个电气相关的异常模式。主要使用参数包括机侧电流、网侧单流、机侧容量、网侧容量。其中机侧容量(功率)和网侧容量(功率)没有直接测量值,但是可以根据电流与电压之间的乘积来计算出功率。
如图1所示,本发明实施例第一方面提供一种基于SCADA数据的变流器电气异常检测模型训练方法,包括以下步骤:
步骤11,构建表征网侧电气参数、机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式。
机侧电气参数包括:机侧电流或机侧功率,网侧电气参数包括:网侧电流或网侧功率。初始非参数回归模型的表达式包括:软启动初始非参数回归模型的表达式或容量平衡初始非参数回归模型的表达式。
当网侧电气参数为网侧电流时,机侧电气参数为机侧电流,相应地,当网侧电气参数为网侧功率时,机侧电气参数为机侧功率。
构建以变流器机侧电气参数*g为自变量、以变流器网侧电气参数*l为因变量的带有未知函数α(*g)和模型误差ε的初始非参数回归模型的表达式:*l=α(*g)+ε;
本步骤中,软启动初始非参数回归模型的表达式表征网侧电流、机侧电流和模型误差之间的关系,机侧电流和网侧电流分别作为自变量和因变量;容量平衡初始非参数回归模型的表达式表征网侧功率、机侧功率和模型误差之间的关系,机侧容量(功率)和网侧容量(功率)分别作为自变量和因变量。
步骤12,基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式。
本步骤中,具体地,使用非均匀有理B样条函数逼近初始非参数回归模型的表达式中的未知函数,以将初始非参数回归模型的表达式转化为基于未知参数的回归表达式。
本步骤中,相应地,未知函数为基于电流的未知函数或基于功率的未知函数,基于未知参数的回归表达式包括:基于第一未知参数的电流回归表达式或基于第二未知参数的功率回归表达式。
本实施例中,训练过程的非参数回归方法,需要对虚拟函数做逼近,可以使用例如核函数方法、局部多项式方法、非均匀有理B样条函数等方法实现逼近的目的,以确定回归表达式。
本实施例中,训练过程中的非参数回归过程是一个相空间回归过程。在数学和物理领域,定义一个动力系统所有可能状态的空间,并且系统中每一个可能的状态都与唯一一点相对应。这些点的组合空间称作相空间。系统的每个变量可以用相空间中的一个维度来表示。特殊地,一维系统的相空间称为相线(Phase Line),二维系统的相空间称为相平面(Phase Plane)。相空间的每一个点都唯一对应了动力系统中一个可能的状态,或者说系统各变量的一个取值组合,对应于相空间中一个点的坐标。将相空间中的点连接起来,就得到了系统的相空间轨迹(Phase Space Trajectory),该轨迹反映了动力系统的状态随时间演化的过程。在相空间中绘出系统相空间轨迹,也就得到了相图。因此动力系统的单个状态被称作相空间点的状态向量。与一般的回归方法不同之处在于,相空间回归是将变量纳入到动力系统框架下的相空间中。
在实际当中,尤其是像风力发电过程中,存在多种不同的工况,导致两个或多个变量构成的空间流形不止一个,导致不能直接使用回归方法。本实施例中,在做变流器电气异常检测中,针对单个流形做拟合,筛选风机的至少一个正常工况的数据进行训练回归模型。正常工况包括风机正常启动工况、风机正常运行工况和风机减速运行工况等风机的正常工作状态。
步骤13,根据网侧样本电气数据、机侧样本电气数据、回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型。相应地,电气异常检测非参数回归模型包括:软启动非参数回归模型或容量平衡非参数回归模型。相应地,分位数损失目标函数包括:电流分位数损失目标函数或功率分位数损失目标函数。
本实施例中,网侧样本电气数据包括:网侧样本电流或网侧样本功率,机侧样本电气数据包括:机侧样本电流或机侧样本功率。其中,网侧样本电气数据和机侧样本电气数据均为在变流器正常工况下获取的样本数据。正常工况也即是变流器处于正常的工作状态下。
其中,为了得到更准确的模型,需要对获取的变流器的所有数据中的异常数据进行处理,在训练开始时,还包括数据预处理的过程,也即是步骤11之前对SCADA数据进行预处理,具体地,预处理过程包括删除空值、用标准值替换无穷大值,然后筛选正常工况的网侧电流数据或网侧功率数据以及机侧电流数据或机侧功率数据分别作为网侧样本电气数据和机侧样本电气数据。
本实施例中,通过构建基于变流器机侧电流和变流器网侧电流之间的关系以及以变流器机侧容量(功率)和网侧容量(功率)之间的关系的异常检测模型,表征了数据与运行机理之间的关系,能够对变流器的运行进行有效监测。当以变流器机侧电流和变流器网侧电流进行训练时得到的异常检测模型,能够准确且有效地监测到变流器软起动过程是否正常,当以变流器机侧容量(功率)和网侧容量(功率)进行训练时得到的异常检测模型,能够准确且有效地监测到变流器控制是否正常以及容量不平衡(功率损耗)是否正常,通过对上述两种异常工作状态进行检测,进而能够为设备预警提供依据,实现设备的预测性维护,提高设备的使用寿命。
本实施例中,软启动非参数回归模型能够用于检测变流器软起动过程是否正常。容量平衡非参数回归模型能够用于检测变流器控制是否正常以及容量不平衡(功率损耗)是否正常。
本发明实施例第二方面以电流数据为例对一种基于SCADA数据的变流器电气异常检测模型训练方法进行详细说明,该方法包括以下步骤:
步骤21,构建表征网侧电流、机侧电流和模型误差之间的关系的软启动初始非参数回归模型的表达式。
具体地,变流器机侧电流Ig和变流器网侧电流Il之间建立软启动初始非参数回归模型的表达式:Il=α(Ig)+ε,其中α(Ig)是基于电流的未知函数,ε为模型误差。
步骤22,基于非均匀有理B样条函数将软启动初始非参数回归模型的表达式转化为基于第一未知参数的电流回归表达式。
在一个实施例中,步骤22的具体步骤为:使用非均匀有理B样条函数逼近软启动初始非参数回归模型的表达式中的基于电流的未知函数α(Ig),以将软启动初始非参数回归模型的表达式转化为基于第一未知参数的电流回归表达式。
这里,由于α(Ig)是一个未知函数,要想对其进行估计,需要使用参数化的函数来逼近,本实施例中使用k节点m次B样条函数来逼近,α(·)≈B(·)′δI,其中B(·)和δI均为k+m+1维列向量,B(·)为B样条基函数,B(·)′表示B(·)的转置矩阵,δI为第一未知参数,因此,电流回归表达式为B(Ig)′δI。
其中,B样条基函数定义如下:
U={u0,u1,…,un}表示实数序列,ui≤ui+1,i=0,1,…,n-1,其中ui称为节点,U称为节点矢量。用Ni,m(u)表示第i个m次(m+1阶)B样条多项式,其定义为:
其中,Ni,0(u)是一个阶梯函数,在半开区间u∈[ui,ui+1)上为1,其余都为0。其中,n和m的关系为n=k+m+1,k为内部节点(不包括端点)的个数。
步骤23,根据网侧样本电流、机侧样本电流、电流回归表达式和电流分位数损失目标函数训练得到第一未知参数的估计值,以确定软启动非参数回归模型。
在训练开始时,还包括数据预处理的过程,也即是步骤21之前对SCADA数据进行获取和预处理,具体地,预处理过程包括对电流数据进行删除空值、用标准值替换无穷大值,然后筛选正常工况的网侧电流数据以及机侧电流数据作为网侧样本电流和机侧样本电流。
本步骤的具体步骤包括:步骤231-步骤232:
步骤231,构建电流分位数损失目标函数的表达式。
这里,为了估计变流器网侧电流边界α(Il),采用τ=0.5的分位数损失目标函数作为电流分位数损失目标函数,令电流分位数损失目标函数的表达式为:/>
其中,N为样本总量,分位损失函数为ρτ(μ)=μ(τ-I(μ<0)),τ=0.5,设E是集合X的子集,为示性函数。
步骤232,将网侧样本电流和机侧样本电流/>带入电流分位数损失目标函数的表达式中进行求解参数δI,结果用/>表示,/>表示参数δI的估计值,则软启动非参数回归模型为/>表示网侧电流预测值。
本实施例中,软启动非参数回归模型能够用于检测变流器软起动过程是否正常。
本发明实施例第三方面以功率数据为例对一种基于SCADA数据的变流器电气异常检测模型训练方法进行详细说明,该方法包括以下步骤:
步骤31,构建表征网侧功率、机侧功率的和模型误差之间的关系的容量平衡初始非参数回归模型的表达式。
本步骤中,变流器机侧容量(功率)Pg和变流器网侧容量(功率)Pl需要通过电流和电压计算得到。Pg=Ug×Ig,其中Ug为变流器机侧电压。Pl=Ul×Il,其中Ul为变流器网侧电压。
具体地,变流器机侧功率Pg和变流器网侧功率Pl之间建立容量平衡初始非参数回归模型的表达式:Pl=α(Pg)+ε,其中α(Pg)是基于功率的未知函数,ε为模型误差。
步骤32,基于非均匀有理B样条函数将容量平衡初始非参数回归模型的表达式转化为基于第二未知参数的功率回归表达式。
在一个实施例中,步骤32的具体步骤为:使用非均匀有理B样条函数逼近容量平衡初始非参数回归模型的表达式中的基于功率的未知函数α(Pg),以将容量平衡初始非参数回归模型的表达式转化为基于第二未知参数的功率回归表达式。
这里,由于α(Pg)是一个未知函数,要想对其进行估计,需要使用参数化的函数来逼近,本实施例中使用k节点m次B样条函数来逼近,α(·)≈B(·)′δP,其中B(·)和δP均为k+m+1维列向量,B(·)为B样条基函数,δP为第二未知参数,因此,功率回归表达式为B(Pg)′δP。
其中,B样条基函数定义如下:
U={u0,u1,…,un}表示实数序列,ui≤ui+1,i=0,1,…,n-1,其中ui称为节点,U称为节点矢量。用Ni,m(u)表示第i个m次(m+1阶)B样条多项式,其定义为:
其中,Ni,0(u)是一个阶梯函数,在半开区间u∈[ui,ui+1)上为1,其余都为0。其中,n和m的关系为n=k+m+1,k为内部节点(不包括端点)的个数。
步骤33,根据网侧样本功率、机侧样本功率、功率回归表达式和功率分位数损失目标函数训练得到第二未知参数的估计值,以确定容量平衡非参数回归模型。
在训练开始时,还包括数据预处理的过程,也即是步骤31之前对SCADA数据进行获取和预处理,具体地,预处理过程包括对电流和电压数据进行删除空值、用标准值替换无穷大值,然后筛选正常工况的网侧电流和电压数据以及机侧电流和电压数据,将电流和电压相乘后得到功率数据,作为网侧样本功率和机侧样本功率。
步骤33的具体步骤包括:步骤331-步骤332:
步骤331,构建功率分位数损失目标函数的表达式。
这里,为了估计变流器网侧功率边界α(Pl),采用τ=0.5的分位数损失目标函数作为功率分位数损失目标函数,令功率分位数损失目标函数的表达式为:/>
其中,N为样本总量,分位损失函数为ρτ(μ)=μ(τ-I(μ<0)),τ=0.5,设E是集合X的子集,为示性函数。
步骤332,将网侧样本功率机侧样本功率/>带入功率分位数损失目标函数的表达式进行求解参数δP,结果用/>表示,/>表示参数δP的估计值,则容量平衡非参数回归模型为:/>表示网侧功率预测值。
本实施例中,容量平衡非参数回归模型能够用于检测变流器控制是否正常以及容量不平衡(功率损耗)是否正常。
如图6所示,本发明实施例第四方面提供一种基于SCADA数据的变流器电气异常检测方法,包括以下步骤:
步骤41,根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值。
其中,电气异常检测非参数回归模型,包括:软启动非参数回归模型和容量平衡非参数回归模型中的至少一种;软启动非参数回归模型表征网侧电流和机侧电流的之间的关系,容量平衡非参数回归模型表征网侧功率和机侧功率的之间的关系。电气异常检测非参数回归模型根据本发明实施例第一方面的训练方法得到。
在一个实施例中,在检测开始时,还包括获取数据的步骤,也即是在步骤41之前还包括步骤40:获取待检测网侧电气数据和待检测机侧电气数据。本实施例中,待检测机侧电气数据包括:待检测机侧电流和待检测机侧功率中的至少一种,待检测网侧电气数据包括:待检测网侧电流和待检测网侧功率中的至少一种。
步骤42,根据待检测网侧电气参数预测值、电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域。正常区域包括:软启动正常区域和容量平衡正常区域中的至少一种。
步骤43,根据待检测网侧电气数据与待检测机侧电气数据在正常区域的边界对应的边界值的比值确定变流器的工作状态。
本实施例中,基于本发明实施例第一方面的训练得到的电气异常检测非参数回归模型,通过以变流器机侧电流和变流器网侧电流之间的关系曲线为监测对象,能够准确且有效地监测到变流器软起动过程是否正常,而以变流器机侧容量(功率)和网侧容量(功率)之间的关系曲线为监测对象,能够准确且有效地监测到变流器控制是否正常以及容量不平衡(功率损耗)是否正常,进而能够为设备预警提供依据,实现设备的预测性维护,提高设备的使用寿命。
本发明实施例第五方面提供一种基于SCADA数据的变流器电气异常检测方法,用于检测变流器软起动过程是否正常,该异常检测方法包括以下步骤:
步骤51,获取待检测网侧电气数据和待检测机侧电气数据。
在本发明实施例第五方面的本步骤和后续的步骤中,待检测网侧电气数据为待检测网侧电流,待检测机侧电气数据为待检测机侧电流,这些数据均为一段时间内的多个电流数据。
在检测之前,需要对变流器的异常数据进行处理,在检测开始时,还包括数据预处理的过程,也即是步骤51之前对SCADA的待检测原始电流数据进行预处理,具体地,预处理过程包括删除空值、用标准值替换无穷大值。
步骤52,根据待检测机侧电流和软启动非参数回归模型确定待检测网侧电流预测值。软启动非参数回归模型为通过本发明实施例第一方面或第二方面的训练方法在检测之前(步骤51之前)预先训练得到的软启动非参数回归模型
具体地,将待检测机侧电流作为自变量带入软启动非参数回归模型中得到待检测网侧电流预测值。
步骤53,根据待检测网侧电流预测值、软启动非参数回归模型的误差标准差和对勾函数确定正常区域。
步骤53包括步骤531-步骤534:
步骤531,根据机侧样本电流和软启动非参数回归模型确定网侧样本电流预测值。这里,将每个机侧样本电流作为自变量带入软启动非参数回归模型中得到每个网侧样本电流预测值。
步骤532,根据网侧样本电流和网侧样本电流预测值确定误差标准差。
具体地,步骤532步骤5321-步骤5323:
步骤5321,根据网侧样本电流和网侧样本电流预测值确定每个机侧样本电流对应的多个训练误差。本步骤中,样本电气数据中,在一个机侧样本电流下测量可以得到多个网侧样本电流,用每个该网侧样本电流与网侧样本电流预测值作差得到该一个机侧样本电流对应的多个训练误差作为一组训练误差,计算所有机侧样本电流的训练误差,得到多组训练误差。
步骤5322,根据每个机侧样本电流对应的多个训练误差确定每个机侧样本电流对应的误差均值。对每组训练误差的多个训练误差计算平均值,得到每组的误差均值。
步骤5323,根据训练误差和误差均值确定每个机侧样本电流对应的误差标准差。具体地,对每组训练误差,计算每个训练误差与该组误差均值的差,并将这些差值平方,再计算这些差值平方的平均数,取这个平均数的平方根即得到误差标准差。
步骤533,根据误差标准差和对勾函数确定软启动误差近似函数。
本步骤中,计算误差过程中,由于存在异方差情形,误差标准差可以用分段光滑的曲线近似代替。具体地,本步骤采用对勾函数对机侧样本电流对应的误差标准差进行逼近,软启动误差近似函数的表达式为:
其中,ysoft表示机侧电流对应的误差标准差,x表示变流器机侧电流。
如图2所示,图中近似标准差为软启动误差近似函数的曲线。
步骤534,根据软启动非参数回归模型和软启动误差近似函数确定软启动正常区域。本步骤中,将软启动非参数回归模型分别加上和减去软启动误差近似函数,得到上边界曲线和下边界曲线的函数,上边界曲线和下边界曲线之间的范围(包括上下边界)所构成的区域为软启动正常区域,则上边界曲线上方和下边界曲线下方为软启动异常区域。
如图3所示,图中,非参数回归模型为软启动非参数回归模型,正常区域为软启动正常区域。
步骤54,根据待检测网侧电流与待检测机侧电流在软启动正常区域的边界对应的边界值的比值确定变流器的工作状态。本步骤的具体步骤包括步骤541-步骤542:
步骤541,根据待检测网侧电流和待检测机侧电流在软启动正常区域的边界上对应的边界值确定多个上边界比值和下边界比值。
具体地,上边界比值为待检测网侧电流与待检测机侧电流在软启动正常区域的上边界上对应的网侧电流上边界值的比值,下边界比值为待检测网侧电流与待检测机侧电流在电流正常区域的下边界上对应的网侧电流下边界值的比值。
步骤542,判断多个上边界比值的预设比例分位数是否大于1,以及多个下边界比值的预设比例分位数是否小于1。
若多个上边界比值的预设比例分位数大于1(待检测网侧电流大于对应的上边界值),或多个下边界比值的预设比例分位数小于1(待检测网侧电流小于对应的上边界值),则表示待检测网侧电流出现在异常区域,变流器的工作状态为异常状态。其中,异常状态为变流器软起动过程异常。
具体地,每个待检测网侧电流可以得到一个上边界比值和一个下边界比值,将全部的待检测网侧电流对应的上边界比值按照从小到大的顺序排列,全部的下边界比值按照从小到大的顺序排列,若在预设序数位的上边界比值大于1,或在预设序数位的下边界比值小于1,则变流器软起动过程异常。
例如,预设比例为95%,若多个上边界比值的95%分位数大于1,或多个下边界比值的95%分位数小于1,则变流器软起动过程异常,也即是,若有1000个上边界比值和1000个下边界比值,若第950个上边界比值大于1,或第950个下边界比值小于1,则变流器软起动过程异常。
在一个实施例中,判断变流器的工作状态为异常状态后,可以发出预警提示信息已提示工作人员,以便于及时进行异常处理。
本发明实施例第六方面提供一种基于SCADA数据的变流器电气异常检测方法,用于检测变流器控制是否正常以及容量不平衡(功率损耗)是否正常,该异常检测方法包括以下步骤:
步骤61,获取待检测网侧电气数据和待检测机侧电气数据。
在本发明实施例第六方面的本步骤和后续的步骤中,待检测网侧电气数据为待检测网侧功率,待检测机侧电气数据为待检测机侧功率,这些数据均为一段时间内的多个功率数据。
本步骤中,变流器待检测机侧容量(功率)通过待检测机侧电流和待检测机侧电压的乘积计算得到,变流器待检测网侧容量(功率)通过待检测网侧电流和待检测网侧电压的乘积预先计算得到。
在检测之前,需要对变流器的异常数据进行处理,在检测开始时,还包括数据预处理的过程,也即是步骤61之前对SCADA的待检测原始功率数据进行预处理,具体地,预处理过程包括删除空值、用标准值替换无穷大值。
步骤62,根据待检测机侧功率和容量平衡非参数回归模型确定待检测网侧功率预测值。容量平衡非参数回归模型为通过本发明实施例第一方面或第二方面的训练方法在检测之前(步骤61之前)预先训练得到的容量平衡非参数回归模型
具体地,将待检测机侧功率作为自变量带入容量平衡非参数回归模型中相应得到待检测网侧功率预测值。
步骤63,根据待检测网侧功率预测值、容量平衡非参数回归模型的误差标准差和对勾函数确定正常区域。
步骤63包括步骤631-步骤634:
步骤631,根据机侧样本功率和容量平衡非参数回归模型确定网侧样本功率预测值。这里,将每个机侧样本功率作为自变量带入容量平衡非参数回归模型中得到每个网侧样本功率预测值。
步骤632,根据网侧样本功率和网侧样本功率预测值确定误差标准差。
具体地,步骤632步骤6321-步骤6323:
步骤6321,根据网侧样本功率和网侧样本功率预测值确定每个机侧样本功率对应的多个训练误差。本步骤中,样本电气数据中,在一个机侧样本功率对应多个网侧样本功率,用每个该网侧样本功率与网侧样本功率预测值作差得到该一个机侧样本功率对应的多个训练误差作为一组训练误差,计算所有机侧样本功率的训练误差,得到多组训练误差。
步骤6322,根据每个机侧样本功率对应的多个训练误差确定每个机侧样本功率对应的误差均值。对每组训练误差的多个训练误差计算平均值,得到每组的误差均值。
步骤6323,根据训练误差和误差均值确定每个机侧样本功率对应的误差标准差。具体地,对每组训练误差,计算每个训练误差与该组误差均值的差,并将这些差值平方,再计算这些差值平方的平均数,取这个平均数的平方根即得到误差标准差。
步骤633,根据误差标准差和对勾函数确定容量平衡误差近似函数。
本步骤中,计算误差过程中,由于存在异方差情形,误差标准差可以用分段光滑的曲线近似代替。具体地,本步骤采用对勾函数对机侧样本功率对应的误差标准差进行逼近,容量平衡误差近似函数的表达式为:
这里,ycapacity表示机侧功率对应的误差标准差,x表示变流器机侧功率。
如图4所示,图中近似标准差为容量平衡误差近似函数的曲线。
步骤634,根据容量平衡非参数回归模型和容量平衡误差近似函数确定容量平衡正常区域。本步骤中,将容量平衡非参数回归模型分别加上和减去容量平衡误差近似函数,得到上边界曲线和下边界曲线的函数,上边界曲线和下边界曲线之间的范围(包括上下边界)所构成的区域为容量平衡正常区域,则上边界曲线上方和下边界曲线下方为容量平衡异常区域。
如图5所示,图中,非参数回归模型为容量平衡非参数回归模型,正常区域为容量平衡正常区域。
步骤64,根据待检测网侧功率与待检测机侧功率在容量平衡正常区域的边界对应的边界值的比值确定变流器的工作状态。本步骤的具体步骤包括步骤641-步骤642:
步骤641,根据待检测网侧功率和待检测机侧功率在容量平衡正常区域的边界上对应的边界值确定多个上边界比值和下边界比值。
具体地,上边界比值为待检测网侧功率与待检测机侧功率在容量平衡正常区域的上边界上对应的网侧功率上边界值的比值,下边界比值为待检测网侧功率与待检测机侧功率在功率正常区域的下边界上对应的网侧功率下边界值的比值。
步骤642,判断多个上边界比值的预设比例分位数是否大于1,以及多个下边界比值的预设比例分位数是否小于1。
若多个上边界比值的预设比例分位数大于1(待检测网侧功率大于对应的上边界值),或多个下边界比值的预设比例分位数小于1(待检测网侧功率小于于对应的上边界值),则表示待检测网侧功率出现在异常区域,变流器的工作状态为异常状态。其中,异常状态为变流器控制异常以及容量不平衡(功率损耗)异常。
具体地,每个待检测网侧功率可以得到一个上边界比值和一个下边界比值,将全部待检测网侧功率对应的上边界比值按照从小到大的顺序排列,全部的下边界比值按照从小到大的顺序排列,若在预设序数位的上边界比值大于1,或在预设序数位的下边界比值小于1,则变流器控制异常以及容量不平衡(功率损耗)异常。
例如,预设比例为95%,若多个上边界比值的95%分位数大于1,或多个下边界比值的95%分位数小于1,则变流器软起动过程异常,也即是,若有1000个上边界比值和1000个下边界比值,若第950个上边界比值大于1,或第950个下边界比值小于1,则变流器控制异常以及容量不平衡(功率损耗)异常。
在一个实施例中,判断变流器的工作状态为异常状态后,可以发出预警提示信息已提示工作人员,以便于及时进行异常处理。
在一个实施例中,在进行变流器电气异常检测时,可以仅通过上述实施例第五方面或第六方面的检测方法进行变流器软起动过程是否正常或变流器控制是否正常以及容量不平衡(功率损耗)是否正常的检测,还可以通过本发明实施例第五方面和第六方面的检测方法同时进行变流器软起动过程是否正常和变流器控制是否正常以及容量不平衡(功率损耗)是否正常两方面的检测。
需要说明的是,上述的变流器电气异常检测模型训练方法以及异常检测方法所指的变流器,在不同型号的风力发电机、不同领域内,SCADA系统里的变量名称不尽相同,变流器、变流器功率模块、逆变器、IGBT、IGBT模块等都属于本发明所指的变流器。本发明的方法在这些概念下同样适用。
上述的变流器电气异常检测模型训练方法以及异常检测方法不局限在风电领域,在使用变流器的其他领域如光伏发电、电动汽车等只要能够采集到变流器电流、电压等的低频信号场景中,上述方法同样适用。
如图7所示,在一个实施例中,本发明实施例第七方面还提供一种基于SCADA数据的变流器电气异常检测系统,包括:
预测模块72,用于根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值;其中,电气异常检测非参数回归模型,包括:软启动非参数回归模型和容量平衡非参数回归模型中的至少一种;软启动非参数回归模型表征网侧电流和机侧电流的之间的关系,容量平衡非参数回归模型表征网侧功率和机侧功率的之间的关系;
确定模块73,用于根据待检测网侧电气参数预测值、电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域;正常区域包括:软启动正常区域和容量平衡正常区域中的至少一种;
判断模块74,用于根据待检测网侧电气数据与待检测机侧电气数据在正常区域的边界对应的边界值的比值确定变流器的工作状态。
在一个实施例中,判断模块还用于根据待检测网侧电气数据和待检测机侧电气数据在正常区域的边界对应的边界值确定多个上边界比值和下边界比值;若多个上边界比值的预设比例分位数大于1,或多个下边界比值的预设比例分位数小于1,则变流器的工作状态为异常状态。
在一个实施例中,一种基于SCADA数据的变流器电气异常检测系统,还包括基于SCADA数据的变流器电气异常检测模型训练装置71,基于SCADA数据的变流器电气异常检测模型训练装置71包括:
构建模块81,用于构建表征网侧电气参数、机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式;其中,网侧电气参数和机侧电气参数的类型相同,机侧电气参数包括:机侧电流或机侧功率,网侧电气参数包括:网侧电流或网侧功率;
第一训练模块82,用于基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式;
第二训练模块83,用于根据网侧样本电气数据、机侧样本电气数据、回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型;其中,网侧样本电气数据和机侧样本电气数据均为在变流器正常工况下获取的样本数据。
在一个实施例中,第一训练模块还用于使用非均匀有理B样条函数逼近初始非参数回归模型的表达式中的未知函数,以将初始非参数回归模型的表达式转化为基于未知参数的回归表达式。
在一个实施例中,确定模块还用于根据机侧样本电气数据和非参数回归模型确定网侧样本电气参数预测值;根据网侧样本电气数据和网侧样本电气参数预测值确定误差标准差;根据误差标准差和对勾函数确定误差近似函数;根据电气异常检测非参数回归模型和误差近似函数确定正常区域。
在一个实施例中,确定模块还用于根据网侧样本电气数据和网侧样本电气参数预测值确定每个机侧样本电气数据的多个训练误差;根据每个机侧样本电气数据的多个训练误差确定每个机侧样本电气数据的误差均值;根据训练误差和误差均值确定每个机侧样本电气数据的误差标准差。
在一个实施例中,确定模块还用于电气异常检测非参数回归模型加上误差近似函数确定正常区域的上边界,电气异常检测非参数回归模型减去误差近似函数确定正常区域的下边界
如图8所示,本发明实施例第八方面还提供一种基于SCADA数据的变流器电气异常检测模型训练装置71,包括:
构建模块81,用于构建表征网侧电气参数、机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式;其中,网侧电气参数和机侧电气参数的类型相同,机侧电气参数包括:机侧电流或机侧功率,网侧电气参数包括:网侧电流或网侧功率;
第一训练模块82,用于基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式;
第二训练模块83,用于根据网侧样本电气数据、机侧样本电气数据、回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型;其中,网侧样本电气数据和机侧样本电气数据均为在变流器正常工况下获取的样本数据。
本发明实施例第九方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述基于SCADA数据的变流器电气异常检测方法的步骤。
本发明实施例第十方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述基于SCADA数据的变流器电气异常检测模型训练方法的步骤。
如图9所示,图9是根据一示例性实施例示出的一种单电子设备1800的框图。例如,装置1800可以被提供为一计算机。参照图9,装置1800包括处理组件1822,其进一步包括一个或多个处理器,以及由存储器1832所代表的存储器资源,用于存储可由处理部件1822的执行的指令,例如应用程序。存储器1832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1822被配置为执行指令,以执行上述方法。
装置1800还可以包括一个电源组件1826被配置为执行装置1800的电源管理,一个有线或无线网络接口1850被配置为将装置1800连接到网络,和一个输入输出(I/O)接口1858。装置1800可以操作基于存储在存储器1832的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本发明实施例第十一方面提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述基于SCADA数据的变流器电气异常检测方法的步骤。
本发明实施例第十二方面提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述基于SCADA数据的变流器电气异常检测模型训练方法的步骤。
其中,存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的方法可以应用于电子设备。具体的,该电子设备可以为:台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定,任何可以实现本发明的电子设备,均属于本发明的保护范围。
对于装置/电子设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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)
1.一种基于SCADA数据的变流器电气异常检测方法,其特征在于,包括以下步骤:
根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值;其中,所述电气异常检测非参数回归模型,包括:软启动非参数回归模型和容量平衡非参数回归模型中的至少一种;所述软启动非参数回归模型表征网侧电流和机侧电流的之间的关系,所述容量平衡非参数回归模型表征网侧功率和机侧功率的之间的关系;
根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域;所述正常区域包括:软启动正常区域和容量平衡正常区域中的至少一种;
根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态。
2.如权利要求1所述的方法,其特征在于,所述根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态,包括:
根据所述待检测网侧电气数据和所述待检测机侧电气数据在所述正常区域的边界对应的边界值确定多个上边界比值和下边界比值;
若所述多个上边界比值的预设比例分位数大于1,或所述多个下边界比值的预设比例分位数小于1,则变流器的工作状态为异常状态。
3.如权利要求1所述的方法,其特征在于,所述电气异常检测非参数回归模型通过以下步骤训练得到:
构建表征所述网侧电气参数、所述机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式;其中,所述网侧电气参数和所述机侧电气参数的类型相同,所述机侧电气参数包括:机侧电流或机侧功率,所述网侧电气参数包括:网侧电流或网侧功率;
基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式;
根据所述网侧样本电气数据、所述机侧样本电气数据、所述回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型;其中,所述网侧样本电气数据和所述机侧样本电气数据均为在变流器正常工况下获取的样本数据。
4.如权利要求3所述的方法,其特征在于,所述基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式,包括:
使用非均匀有理B样条函数逼近初始非参数回归模型的表达式中的未知函数,以将初始非参数回归模型的表达式转化为基于未知参数的回归表达式。
5.如权利要求3所述的方法,其特征在于,所述根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域,包括:
根据所述机侧样本电气数据和所述非参数回归模型确定网侧样本电气参数预测值;
根据网侧样本电气数据和所述网侧样本电气参数预测值确定误差标准差;
根据所述误差标准差和对勾函数确定误差近似函数;
根据电气异常检测非参数回归模型和误差近似函数确定正常区域。
6.如权利要求5所述的方法,其特征在于,所述根据网侧样本电气数据和所述网侧样本电气参数预测值确定误差标准差,包括:
根据网侧样本电气数据和所述网侧样本电气参数预测值确定每个机侧样本电气数据的多个训练误差;
根据所述每个机侧样本电气数据的多个训练误差确定每个机侧样本电气数据的误差均值;
根据所述训练误差和所述误差均值确定每个机侧样本电气数据的误差标准差。
7.如权利要求5所述的方法,其特征在于,所述根据电气异常检测非参数回归模型和误差近似函数确定正常区域,包括:
所述电气异常检测非参数回归模型加上所述误差近似函数确定正常区域的上边界,所述电气异常检测非参数回归模型减去所述误差近似函数确定正常区域的下边界。
8.一种基于SCADA数据的变流器电气异常检测模型训练方法,其特征在于,包括以下步骤:
构建表征所述网侧电气参数、所述机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式;其中,所述网侧电气参数和所述机侧电气参数的类型相同,所述机侧电气参数包括:机侧电流或机侧功率,所述网侧电气参数包括:网侧电流或网侧功率;
基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式;
根据所述网侧样本电气数据、所述机侧样本电气数据、所述回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型;其中,所述网侧样本电气数据和所述机侧样本电气数据均为在变流器正常工况下获取的样本数据。
9.一种基于SCADA数据的变流器电气异常检测系统,其特征在于,包括:
预测模块,用于根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值;其中,所述电气异常检测非参数回归模型,包括:软启动非参数回归模型和容量平衡非参数回归模型中的至少一种;所述软启动非参数回归模型表征网侧电流和机侧电流的之间的关系,所述容量平衡非参数回归模型表征网侧功率和机侧功率的之间的关系;
确定模块,用于根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域;所述正常区域包括:软启动正常区域和容量平衡正常区域中的至少一种;
判断模块,用于根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态。
10.一种基于SCADA数据的变流器电气异常检测模型训练装置,其特征在于,包括:
构建模块,用于构建表征所述网侧电气参数、所述机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式;其中,所述网侧电气参数和所述机侧电气参数的类型相同,所述机侧电气参数包括:机侧电流或机侧功率,所述网侧电气参数包括:网侧电流或网侧功率;
第一训练模块,用于基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式;
第二训练模块,用于根据所述网侧样本电气数据、所述机侧样本电气数据、所述回归表达式和分位数损失目标函数训练得到未知参数的估计值,以确定电气异常检测非参数回归模型;其中,所述网侧样本电气数据和所述机侧样本电气数据均为在变流器正常工况下获取的样本数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410229807.6A CN118194082A (zh) | 2024-02-29 | 2024-02-29 | 一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410229807.6A CN118194082A (zh) | 2024-02-29 | 2024-02-29 | 一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118194082A true CN118194082A (zh) | 2024-06-14 |
Family
ID=91413066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410229807.6A Pending CN118194082A (zh) | 2024-02-29 | 2024-02-29 | 一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118194082A (zh) |
-
2024
- 2024-02-29 CN CN202410229807.6A patent/CN118194082A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fournier et al. | Current-based detection of mechanical unbalance in an induction machine using spectral kurtosis with reference | |
CN104131950B (zh) | 一种风电机组温度特征量的阈值分区确定方法 | |
CN104915747A (zh) | 一种发电机组的发电性能评估方法及设备 | |
CN112434936B (zh) | 电力系统惯量安全域评估方法、系统及可读存储介质 | |
US10724499B2 (en) | Controlling wind turbines according to reliability estimates | |
WO2022048228A1 (zh) | 风电机组的载荷控制方法和装置 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
CN107633368A (zh) | 风力发电机组出力性能评估方法及装置 | |
CN113931806A (zh) | 风力发电机组及其控制方法、控制器和控制系统 | |
CN111287911A (zh) | 一种风电机组疲劳载荷的预警方法和系统 | |
CN108304350A (zh) | 基于大数据集近邻策略的风机指标预测与故障预警方法 | |
CN117350159A (zh) | 发电机散热性能预警方法、装置、设备及存储介质 | |
CN118194082A (zh) | 一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置 | |
CN115076020B (zh) | 变速抽水蓄能机组水泵工况的寻优方法、装置及设备 | |
CN113064075B (zh) | 一种基于边缘计算及深度学习的电机寿命预估方法 | |
CN115374653B (zh) | 基于nset模型的风力发电机温度预警方法及相关装置 | |
CN116595395A (zh) | 一种基于深度学习的逆变器输出电流预测方法及系统 | |
CN114444291B (zh) | 一种风机发电量损失精细化测算方法、系统、设备和介质 | |
CN116683422A (zh) | 基于功角最大Lyapunov指数轨迹推理的电网暂态稳定性预测方法 | |
US20230279843A1 (en) | Temperature estimation in a wind turbine | |
CN111211556B (zh) | 一种考虑风电的配网供电可靠性评估方法 | |
CN118194081A (zh) | 一种基于scada数据的变流器性能异常检测方法、性能异常检测非参数回归模型训练方法、系统和装置 | |
CN113849975A (zh) | 一种双馈风电机组低电压穿越特性辨识方法和系统 | |
CN111852788B (zh) | 风电机组的功率损耗异常的诊断方法和装置 | |
CN113189416B (zh) | 一种变频器高温故障检测方法、装置、系统、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |