KR20230038281A - 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체 - Google Patents
풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체 Download PDFInfo
- Publication number
- KR20230038281A KR20230038281A KR1020237005315A KR20237005315A KR20230038281A KR 20230038281 A KR20230038281 A KR 20230038281A KR 1020237005315 A KR1020237005315 A KR 1020237005315A KR 20237005315 A KR20237005315 A KR 20237005315A KR 20230038281 A KR20230038281 A KR 20230038281A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- statistic
- wind turbine
- turbine generator
- generator system
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000001914 filtration Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 30
- 238000010998 test method Methods 0.000 claims description 25
- 238000007689 inspection Methods 0.000 claims description 18
- 239000006185 dispersion Substances 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 21
- 230000007613 environmental effect Effects 0.000 description 21
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000003672 processing method Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- F03D17/005—Monitoring or testing of wind motors, e.g. diagnostics using computation methods, e.g. neural networks
- F03D17/0065—Monitoring or testing of wind motors, e.g. diagnostics using computation methods, e.g. neural networks for diagnostics
-
- 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
-
- 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
- F03D17/009—Monitoring or testing of wind motors, e.g. diagnostics characterised by the purpose
- F03D17/018—Monitoring or testing of wind motors, e.g. diagnostics characterised by the purpose for monitoring temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2240/00—Components
- F05B2240/50—Bearings
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/303—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/325—Air temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/707—Type of control algorithm fuzzy logic
-
- 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
-
- 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)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Wind Motors (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 출원은 풍력 터빈 발전기 시스템의 모니터링 방법을 제공하는바, 시스템 및 컴퓨터 판독 가능 저장매체를 포함한다. 풍력 터빈 발전기 시스템의 모니터링 방법은 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득하는 단계를 포함한다. 상기 부품 온도 데이터와 상기 내부 환경 온도 데이터의 차이값에 기반하여 제1 통계량을 결정하고, 상기 부품 온도 데이터와 상기 외부 환경 온도 데이터의 차이값에 기반하여 제2 통계량을 결정한다. 상기 제1 통계량 및 상기 제2 통계량에 기반하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단한다
Description
본 출원은 풍력 터빈 기술분야에 관한 것으로, 특히 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체에 관한 것이다.
시대의 진보와 인류의 환경보호 의식의 제고에 따라 재생가능 청정에너지에 대한 개발과 이용은 갈수록 국제 사회의 중시를 받고 있다. 세계적 범위에서 기술이 가장 성숙하고 가장 규모화된 상업 개발 잠재력을 갖춘 신에너지의 하나로서 풍력 에너지는 매장량이 풍부하고 재생 가능하며, 분포가 넓고 오염이 없는 등 특성을 갖고 있어 규모화된 개발 이용 가치를 갖고 있다. 풍력 에너지는 매장량이 풍부하고 재생 가능하며 배출이 없는 청정에너지로서 풍력 발전 기술은 이미 각국이 앞다투어 발전시키고자 하는 중요한 분야로 되였으며 이미 국가전략의 높이로 상승되었다.
풍력 터빈 발전기 시스템의 상태 모니터링 기술은 온도, 회전 속도, 진동 등 센서를 통해 풍력 터빈의 날개(impeller), 기어 박스, 발전기, 요(yaw) 및 프로펠러 기구 등 관건적인 위치에 대해 실시간 데이터 수집, 모니터링 및 관련 데이터 분석을 수행하고, 풍력 터빈 발전기 시스템의 실행 건강 상태를 파악하고 고장 징후를 신속하게 발견하며 관련 고장 처리 및 발전 실행의 합리적인 안배를 앞당겨 실행함으로써 운영 효율을 높이고 유지보수 비용을 낮추어 효익을 극대화한다.
풍력 터빈이 서로 다른 작업 환경에서 환경 영향을 받는 부품의 온도에 반영되는 상황이 다르기 때문에 기존 관련 기술에서 환경 요소가 풍력 터빈 발전기 시스템의 부품의 온도에 미치는 영향을 효과적으로 감지하지 못하여 모니터링의 정확성이 떨어지고 허위 경보를 발생하기 쉬우며 유지보수 비용이 증가한다.
본 발명의 목적은 상기 언급된 종래 기술의 문제점들을 해결할 수 있는 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체를 제공하는 것이다.
본 출원 실시예의 제1 양태에 있어서, 풍력 터빈 발전기 시스템의 모니터링 방법을 제공하는바, 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득하는 단계; 상기 부품 온도 데이터와 상기 내부 환경 온도 데이터의 차이값에 기반하여 제1 통계량을 결정하고, 상기 부품 온도 데이터와 상기 외부 환경 온도 데이터의 차이값에 기반하여 제2 통계량을 결정하는 단계; 상기 제1 통계량 및 상기 제2 통계량에 기반하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계를 포함한다.
선택 가능하게, 상기 제1 통계량 및 상기 제2 통계량에 기반하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계는, 다변량 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값과 상기 검사값의 상한값을 결정하는 단계; 상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계를 더 포함한다.
선택 가능하게, 상기 다변량 검사 방법은 호텔링 T 제곱 분포 검사 방법을 포함하고, 상기 다변량 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하는 단계는, 호텔링 T 제곱 분포 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하는 단계를 더 포함한다.
선택 가능하게, 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득하는 단계는, 기설정된 수량의 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하는 단계를 포함한다. 다변량 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값과 상기 검사값의 상한값을 결정하는 단계는, 상기 제1 통계량, 상기 제2 통계량, 상기 기설정된 수량 개수의 상기 제1 통계량의 평균값, 및 상기 기설정된 수량 개수의 상기 제 2 통계량의 평균값에 기반하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값을 결정하는 단계; 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터에 의해 결정된 통계량의 개수 값과 상기 기설정된 수량에 기반하여, 카이제곱 분포(chi-square distribution)를 거쳐 상기 상한값을 결정하는 단계를 더 포함한다.
선택 가능하게, 상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계는, 만약 제1 기설정된 개수의 상기 검사값이 상기 상한값보다 큰 것이 연속적으로 모니터링되면, 상기 부품 온도 데이터가 기설정된 요구를 충족시키지 않는 것으로 결정하는 단계를 더 포함한다.
선택 가능하게, 상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계는, 만약 제2 기설정된 개수의 상기 검사값이 상기 상한값보다 크지 않은 것이 연속적으로 모니터링되면, 상기 부품 온도 데이터가 기설정된 요구를 충족시키는 것으로 결정하는 단계를 더 포함한다.
선택 가능하게, 상기 부품 온도 데이터는 베어링 온도를 포함한다.
선택 가능하게, SCADA 시스템을 통해 상기 풍력 터빈 발전기 시스템의 SCADA 데이터 세트를 수집하고, 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득하는 단계는, 상기 SCADA 데이터 세트 중의 적어도 일부 데이터를 획득하여 처리될 데이터 세트로 이용하는 단계 - 상기 처리될 데이터 세트는 복수 개의 데이터 그룹을 포함하고, 각 데이터 그룹은 동일 시각에서의 상이한 정보를 가리키는 여러 가지 데이터를 포함하며, 상기 여러 가지 데이터는 내부 환경 온도 관련 처리될 데이터, 외부 환경 온도 관련 처리될 데이터 및 부품 온도 관련 처리될 데이터를 포함함 -; 적어도 하나의 데이터 필터링 단계를 통해 상기 처리될 데이터 세트에 대해 데이터 필터링 처리를 수행하여 필터링된 데이터 세트를 얻는 단계 - 상기 필터링된 데이터 세트는 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 포함함 -; 상기 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하는 단계를 포함한다.
선택 가능하게, 상기 SCADA 데이터 세트 중의 적어도 일부 데이터를 획득하여 처리될 데이터 세트로 이용하는 단계는, 상기 SCADA 데이터 세트 중 기설정된 시간 차원의 적어도 일부 데이터를 획득하여 상기 처리될 데이터 세트로 이용하는 단계를 포함한다.
선택 가능하게, 상기 데이터 필터링 단계는, 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계; 및 각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거하는 단계를 포함한다.
선택 가능하게, 상기 클러스터링 알고리즘이 퍼지(fuzzy) C 평균값 클러스터링 알고리즘을 포함하고, 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계는, 퍼지 C 평균값 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계를 포함한다.
선택 가능하게, 각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거하는 단계는, 퍼지 C 평균값 클러스터링 알고리즘을 이용하여 각 상기 클러스터의 중심을 결정하는 단계; 적어도 하나의 상기 클러스터 중의 데이터와 대응하는 상기 클러스터의 중심의 유클리드 거리를 결정하는 단계; 및 Pauta 준칙을 이용하여 적어도 하나의 상기 클러스터 중의 상기 유클리드 거리의 거리 예외 값을 제거하고, 또한 상기 거리 예외 값에 대응하는 상기 특이값을 제거하는 단계를 포함한다.
선택 가능하게, 상기 데이터 필터링 단계는, 4분위 수법을 이용하여 상기 처리될 데이터 세트 중의 예외 데이터를 결정하는 단계; 상기 예외 데이터와 당해 예외 데이터를 포함한 데이터 그룹의 기타 데이터를 제거하는 단계를 포함한다.
선택 가능하게, 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하기 전에, 상기 처리될 데이터 세트 중의 데이터에 대해 표준화 처리를 수행하여 표준화 데이터를 얻는 단계를 포함한다. 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계는, 클러스터링 알고리즘을 이용하여 상기 표준화 데이터를 복수 개의 클러스터로 분할하는 단계를 포함한다.
선택 가능하게, 상기 각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거한 후, 각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거한 후의 상기 표준화 데이터에 대해 역표준화 처리를 수행하는 단계를 더 포함한다.
선택 가능하게, 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계는, 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 각종 데이터를 각각 복수 개의 클러스터로 분할하는 단계를 포함한다.
선택 가능하게, 상기 처리될 데이터 세트에 대해 데이터 필터링 처리를 수행한 후, 만약 상기 필터링된 데이터 세트의 데이터의 시간 시퀀스가 비연속적이면, 시간 시퀀스가 비연속적인 데이터 사이에 누락된 시각의 데이터를 뒤채우는 단계를 더 포함한다.
선택 가능하게, 시간 시퀀스가 비연속적인 데이터 사이에 누락된 시각의 데이터를 뒤채우는 단계는, 만약 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 수량이 2보다 크면, 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 잔차 평균값 및 분산을 결정하고, 또한 상기 잔차 평균값과 분산에 기초하여 무작위 수를 생성하여 누락된 시각의 데이터로 이용하는 단계를 포함한다.
선택 가능하게, 시간 시퀀스가 비연속적인 데이터 사이에 누락된 시각의 데이터를 뒤채우는 단계는, 만약 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 수량이 2보다 크지 않으면, 시간 시퀀스가 비연속적인 데이터 이전의 시각에 대응하는 데이터를 선택하여 누락된 시각의 데이터로 이용하는 단계를 포함한다.
본 출원 실시예의 제2 양태에 있어서, 풍력 터빈 발전기 시스템에 사용되는 모니터링 시스템을 제공하는바, 하나 또는 복수 개의 프로세서를 포함하고, 위의 임의의 실시예의 상술한 모니터링 방법을 구현한다.
본 출원 실시예의 제3 양태에 있어서, 컴퓨터 판독 가능 저장매체를 제공하는바, 이에는 프로그램이 저장되어 있고, 당해 프로그램이 프로세서에 의해 실행될 경우, 위의 임의의 실시예의 상술한 모니터링 방법을 구현한다.
본 출원의 실시예에서 제공한 기술방안에 근거하여 환경 온도와 풍력 터빈 발전기 시스템의 부품 온도에 결부하여 두 개의 변수를 구축하고, 두 변수에 기반하여 부품 온도가 기설정된 요구를 충족시키는지 여부를 판단하여, 환경 요소가 풍력 터빈 발전기 시스템의 부품 온도에 미치는 영향으로 인해 모니터링의 정확성을 낮추는 경우를 줄이고, 이로써 부품 온도를 통해 풍력 터빈 발전기 시스템의 실행 건강 상태를 판단하는 정확도를 향상시킨다.
이상의 일반적인 설명과 후문의 세부적인 설명은 예시적이고 해석적인 것일 뿐 본 출원을 제한할 수 없다는 것을 이해해야 한다.
본 발명에 따라 상기 언급된 종래 기술의 문제점들을 해결할 수 있는 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체가 제공된다.
여기의 첨부 도면들은 명세서에 통합되어 본 명세서의 일부를 구성하며, 본 명세서에 부합되는 실시예를 도시하고, 명세서와 함께 본 명세서의 원리를 해석한다.
도 1은 본 출원의 일 예시적 실시예에서 도시하는 풍력 터빈 발전기 시스템의 모니터링 방법의 흐름 모식도이다.
도 2와 도 3은 도 1에 도시된 모니터링 방법의 일부 세분화 흐름 모식도이다.
도 4는 본 출원의 일 예시적 실시예에서 도시하는 데이터 처리 방법의 흐름 모식도이다.
도 5는 본 출원의 일 예시적 실시예에서 도시하는 데이터 처리 방법의 데이터 필터링 단계의 흐름 모식도이다.
도 6은 도 5에 도시된 데이터 필터링 단계의 일부 세분화 흐름 모식도이다.
도 7은 본 출원의 다른 일 예시적 실시예에서 도시하는 데이터 처리 방법의 데이터 필터링 단계의 흐름 모식도이다.
도 8은 본 출원의 일 예시적 실시예에서 도시하는 풍력 터빈 발전기 시스템의 모니터링 시스템의 시스템 블록도이다.
도 1은 본 출원의 일 예시적 실시예에서 도시하는 풍력 터빈 발전기 시스템의 모니터링 방법의 흐름 모식도이다.
도 2와 도 3은 도 1에 도시된 모니터링 방법의 일부 세분화 흐름 모식도이다.
도 4는 본 출원의 일 예시적 실시예에서 도시하는 데이터 처리 방법의 흐름 모식도이다.
도 5는 본 출원의 일 예시적 실시예에서 도시하는 데이터 처리 방법의 데이터 필터링 단계의 흐름 모식도이다.
도 6은 도 5에 도시된 데이터 필터링 단계의 일부 세분화 흐름 모식도이다.
도 7은 본 출원의 다른 일 예시적 실시예에서 도시하는 데이터 처리 방법의 데이터 필터링 단계의 흐름 모식도이다.
도 8은 본 출원의 일 예시적 실시예에서 도시하는 풍력 터빈 발전기 시스템의 모니터링 시스템의 시스템 블록도이다.
예들이 본 명세서에서 상세히 설명될 것이며, 그 예시들은 도면들에 나타나 있다. 이하의 설명들이 도면들을 포함할 때, 상이한 도면들에서의 동일한 번호들은 달리 지시되지 않는 한 동일하거나 유사한 요소들을 지칭한다. 하기 예들에 설명된 실시예들은 본 개시내용과 부합하는 모든 실시예를 나타내지 않는다. 오히려 이들은 본 개시내용의 일부 양태들과 부합하며 첨부된 청구항들에 상술된 바와 같은 장치들 및 방법들의 예들에 불과하다.
본 개시내용에서 사용되는 용어들은 단지 특정 예들을 설명하기 위한 것이며, 본 개시내용을 제한하려는 의도는 아니다. 본 개시내용 및 첨부된 청구항들에서 단수 형태("a", "the" 및 "said")의 용어들은, 문맥상 명확히 달리 지시되지 않는 한, 복수 형태를 포함하도록 또한 의도된다. 또한, 본 명세서에서 사용되는 "및/또는"이라는 용어는 하나 이상의 상관된 열거된 항목들 중 임의의 또는 모든 가능한 조합을 포함한다는 것을 이해해야 한다.
비록 본 개시에서 “제1”, “제2”, “제3” 등 용어를 사용하여 여러 가지 정보를 설명할 수 있으나 이러한 정보는 이러한 용어에 한정되지 말아야 한다는 것을 이해해야 한다. 이러한 용어는 단지 동일한 유형의 정보를 서로 구별하기 위한 것이다. 예를 들어, 본 개시의 범위를 벗어나지 않을 경우, 제1 정보가 제2 정보로 불릴 수도 있고, 유사하게, 제2 정보는 제1 정보로 불릴 수도 있다. 또한, 문맥에 따라, 본 명세서에서 사용되는 바와 같은 단어 "~한 경우(if)"는 "~할 때(when)" 또는 "~할 시(upon)" 또는 "결정에 응답하여"로서 해석될 수 있다.
풍력 터빈 발전기 시스템이 상이한 작업 환경에서 작동하기에, 환경 요소의 영향을 받는 부품 온도에 반영되는 경우가 상이하다. 베어링 온도를 예로 들면, 풍력 터빈 발전기가 여름과 겨울에 처하는 환경이 다른바, 베어링 온도 경보선이 80℃라고 가정할 경우, 여름에 실외 온도가 일반적으로 높고, 베어링 온도는 60℃ 좌우 이면 모두 정상 상태로 볼 수 있다. 하지만, 겨울에 만약 베어링 온도가 여전히 60℃이면, 경보선 80℃까지 아직 일정한 차이가 있다 하더라도 이 온도치는 여전히 경계 주의가 필요하다. 그러나 기존 관련 기술에서 환경 요소의 풍력 터빈 발전기 시스템의 부품의 온도에 미치는 영향을 효과적으로 감지하지 못하여 모니터링의 정확성을 떨어뜨리고 허위 경보를 초래하기 쉬우며 유지보수 비용을 증가시킨다.
본 출원은 풍력 터빈 발전기 시스템의 모니터링 방법을 제공하는바, 시스템 및 컴퓨터 판독 가능 저장매체를 포함하고, 환경 요소가 풍력 터빈 발전기 시스템의 부품 온도에 미치는 영향으로 인해 모니터링의 정확성을 낮추는 경우를 줄이고, 이로써 부품 온도를 통해 풍력 터빈 발전기 시스템의 실행 건강 상태를 판단하는 정확도를 향상시킨다. 아래 도면과 결부하여 본 출원의 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체에 대해 상세하게 설명한다. 충돌되지 않는 전제하에 아래의 실시예 및 실시 방식 중의 특징은 서로 조합될 수 있다
도 1을 참조하면, 본 출원의 실시예는 풍력 터빈 발전기 시스템의 모니터링 방법을 제공하는바, 이하 단계 S101 내지 S103를 포함한다:
단계 S101: 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득한다. 선택 가능하게, 상기 부품은 풍력 터빈 발전기 시스템의 베어링일 수 있고, 상기 부품 온도 데이터는 베어링 온도를 포함할 수 있다. 상기 부품은 기타 부품, 예컨대 기어 박스일 수도 있고, 상기 부품 온도 데이터는 예컨대 기어 박스 기름 온도일 수 있으며, 본 출원은 이에 대해 제한하지 않는다.
여기서, 상기 내부 환경 온도 데이터는 풍력 터빈 발전기 시스템의 나셀의 내부 환경 온도를 가리킬 수 있고, 상기 외부 환경 온도는 풍력 터빈 발전기 시스템의 나셀의 외부 환경 온도를 가리킬 수 있다. 풍력 터빈 발전기 시스템의 나셀 내외에 각각 온도 센서를 설치하고, 또한 풍력 터빈 발전기 시스템의 부품 온도 센서를 설치하는 것을 통해, 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득할 수 있다.
단계 S102: 상기 부품 온도 데이터와 상기 내부 환경 온도 데이터의 차이값에 기반하여 제1 통계량을 결정하고, 상기 부품 온도 데이터와 상기 외부 환경 온도 데이터의 차이값에 기반하여 제2 통계량을 결정한다.
여기서, 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터, 외부 환경 온도 데이터 및 부품 온도 데이터와 결부하여, 수학식(1)과 수학식(2)를 이용하여 새로운 변수 제1 통계량 t1과 제2 통계량 t2를 구축할 수 있다.
t1=tb-tout
(1);
t2=tb-tin
(2);
여기서, tb는 부품 온도, 예컨대 베어링 온도. tout는 풍력 터빈 발전기 시스템의 외부 환경 온도이고, tin는 풍력 터빈 발전기 시스템의 내부 환경 온도이다.
단계 S103: 상기 제1 통계량 및 상기 제2 통계량에 기반하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단한다.
본 출원은 환경 온도와 풍력 터빈 발전기 시스템의 부품 온도에 결부하여 두 개의 변수를 구축하고, 두 변수에 기반하여 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하여, 여러 가지 작동 조건에서의 환경 요소의 부품 온도 데이터에 대한 영향으로 인해 모니터링의 정확도를 저하시키는 경우를 줄일 수 있음으로써, 부품 온도를 통해 풍력 터빈 발전기 시스템의 실행 건강 상태를 판단하는 정확도를 향상시킨다.
도 2를 참조하면, 일부 선택 가능한 실시예에서, 상기 제1 통계량 및 상기 제2 통계량에 기반하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계 S103는 서브 단계 S1031 내지 S1032를 더 포함할 수 있다:
단계 S1031: 다변량 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값과 상기 검사값의 상한값을 결정한다.
설명해야 할 것은, 모니터링된 두 개의 변수 제1 통계량과 제2 통계량의 본질은 잔차 분야이고, 합리적인 가정에 기반하여 이 두 개의 변수가 정규 분포에 부합된다고 가정할 수 있기에, 이 우수하고 제어 가능한 성질을 이용하여, 다변량 검사 방법을 이용하여 두 개의 변수에 대해 검사 분석 및 모니터링을 수행할 수 있고, 모니터링 분석의 정확성을 향상시킨다.
단계 S1032: 상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단한다.
상술한 방법을 통해, 본 출원은 환경 온도와 풍력 터빈 발전기 시스템의 부품 온도에 결부하여 두 개의 변수를 구축하고, 다변량 검사 방법을 이용하여 두 개의 변수에 대해 검사 분석을 수행하고, 검사 분석하여 얻은 검사값과 상한값을 비교하여, 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하여, 여러 가지 작동 조건에서의 환경 요소의 부품 온도 데이터에 대한 영향으로 인해 모니터링의 정확도를 저하시키는 경우를 줄일 수 있음으로써, 부품 온도를 통해 풍력 터빈 발전기 시스템의 실행 건강 상태를 판단하는 정확도를 향상시킨다.
일부 선택 가능한 실시예에서, 상기 다변량 검사 방법은 호텔링 T 제곱 분포 검사 방법(즉 Hotelling T2)을 포함한다. 단계 S1031에서, 다변량 검사 방법을 이용하여 상기 제1 통계량 및 상기 제2 통계량에 대해 검사 분석을 수행하는 것은, 호텔링 T 제곱 분포 검사 방법을 이용하여 상기 제1 통계량 및 상기 제2 통계량에 대해 검사 분석을 수행하는 것일 수 있다. 설명해야 할 것은, 기타 예에서 상기 다변량 검사 방법은 기타 검사 방법을 포함할 수도 있는바, 두 개의 데이터 샘플을 결부시켜 분석할 수 있기만 하면 되며, 본 출원은 이에 대해 제한하지 않는다.
이해할 수 있다시피, 환경 온도와 풍력 터빈 발전기 시스템의 부품 온도를 결부하여 두 개의 베어링 온도와 관련되는 변수를 구축하고, 호텔링 T 제곱 분포 검사 방법을 이용하여 상술한 두 개의 변수를 하나의 변수로 병합하여 관리도(control chart)를 구축하고 또한 검사 분석을 수행하며, 환경 온도의 풍력 터빈 발전기 시스템의 부품 온도에 대한 영향도 고려하여 분석을 수행할 수 있음으로써, 부품 온도를 통해 풍력 터빈 발전기 시스템의 실행 건강 상태를 판단하는 정확도를 향상시킨다.
일부 선택 가능한 실시예에서, 단계 S101에서, 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득하는 단계는, 기설정된 수량의 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득할 수 있다. 수집된 온도 데이터의 수량은 시간대에 기반하여 분할된 것이기에, 상기 방법을 통해 부품 온도에 대해 시간대를 분할하는 방식으로 감시 및 모니터링을 수행하여, 데이터량이 너무 커서 생성된 데이터 오차를 줄이고, 모니터링의 정확성을 향상시킬 수 있다.
도 3을 참조하면, 다변량 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값과 상기 검사값의 상한값을 결정하는 단계 S1031은, 서브 단계 S10311 내지 S10312를 포함할 수 있다:
단계 S10311: 상기 제1 통계량, 상기 제2 통계량, 상기 기설정된 수량 개수의 상기 제1 통계량의 평균값, 및 상기 기설정된 수량 개수의 상기 제2 통계량의 평균값에 기반하여, 수학식(3)을 이용하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값을 결정한다.
여기서, T2는 상기 검사값이고, x는 제1 통계량과 제2 통계량의 수치이고, 
는 기설정된 수량 개수의 제1 통계량의 평균값과 기설정된 수량 개수의 제2 통계량의 평균값이고, S- 1는 제1 통계량 t1과 제2 통계량 t2의 공분산의 행렬의 역이다.
단계 S10312: 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터에 의해 결정된 통계량의 개수 값과 상기 기설정된 수량에 기반하여, 수학식(4) 및 수학식(5)를 이용하여 카이제곱 분포를 거쳐 상기 상한값을 결정한다:
LCL=0
(5);
여기서, UCL은 상한값이고, LCL는 하한값이다. P는 검사 분석을 위한 변수의 개수이다. M은 건강 상태의 초기값 수량급(Orders of magnitude)으로 이용된다. F는 이 수학식이 카이제곱 분포에 속하는 것을 설명한다. a는 카이제곱 분포의 상분위수(upper quantile)이다.
본 실시예에서, 검사 분석을 위한 변수는 제1 통계량과 제2 통계량, 즉 p=2이다. m의 값은 1000, 즉 제1 통계량과 제2 통계량의 기설정된 개수가 모두 1000이면, m-p=998이다. a의 값이 0.001이면, 카이제곱 분포에 기반하여 자체로 Fa,p,m -p의 값을 계산하여 얻을 수 있다. 물론, 기타 예에서 실제 경우에 따라 m의 값을 설정할 수 있으며, 본 출원은 이에 대해 제한하지 않는다.
이해할 수 있다시피, m의 값이 2이고, 제1 통계량과 제2 통계량의 수치가 [t1, t2]:[1, 10]과 [3, 30]라고 가정할 경우, 
=([1, 10]+[3, 30])/2=[2, 20]이고, 
는 각각 [1, 10]-[2, 20]=[-1, -10] 및 [3, 30]-[2, 20]=[1, 10]이다.
일반적으로 SCADA 시스템을 통해 풍력 터빈 발전기 시스템의 SCADA 데이터를 수집하고 얻을 수 있으며, SCADA 데이터는 풍력 터빈 발전기 시스템의 성능을 나타내는 온도, 풍속, 전력 등 모니터링 데이터를 포함할 수 있다. 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터도 SCADA 데이터 중의 일종의 데이터에 속한다. SCADA 시스템은 데이터 수집 모니터링 시스템(Supervisory Control And Data Acquisition)이고, SCADA 시스템은 현장의 풍력 터빈에 대해 감시와 제어를 수행하여, 데이터 수집, 기기 제어, 측정, 파라미터 조정 및 각종 신호 경보 등 각 기능을 구현하고, 또한 적당한 형식, 예컨대 소리, 도형, 이미지 등 방식으로 사용자에게 보여줌으로써, 최종적으로 기기의 각종 파라미터 상태를 실시간으로 감지하는 효과를 얻을 수 있다.
상술한 다변량 검사 방법을 이용하여 두 개의 변수에 대해 검사 분석을 수행하여 두 개의 변수에 기초한 검사값과 상한값을 얻을 수 있다. 하지만, SCADA 데이터 자체의 완화한 변화 특성 때문에, 데이터는 쉽게 변동(fluctuation)을 일으키기 쉬운 바, 현재 모니터링된 특정 두 개의 데이터값이 표준 지표선을 초과하지만, 후속의 많은 데이터값은 모두 표준 지표선(즉 경보점)에 부합되어, 이른바 허위 경보를 초래하는 것으로 이해할 수 있다. 이러한 경우의 발생을 줄이기 위해, 상술한 단계 S1032 에서, “히스테리시스(hysteresis)” 규칙의 경보 방식을 이용하여, 상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하고, 만약 제1 기설정된 개수의 상기 검사값이 상기 상한값보다 큰 것이 연속적으로 모니터링되면, 상기 부품 온도 데이터가 기설정된 요구를 충족시키지 않는 것, 즉 경보점을 초과한 것으로 간주할 수 있다.
선택 가능하게, 상기 제1 기설정된 개수는 5이다. 풍력 터빈 발전기 시스템 내에 카운터와 경보기를 설치할 수 있다. 이해할 수 있다시피, 현재 수집된 온도 데이터에 기초하여, 상술한 다변량 검사 방법을 이용하여 검사 분석하여 얻은 검사값이 상한값을 초과하면, 카운터는 N=N+1로 카운팅하기 시작하고, N은 상한값을 초과한 검사값의 수량이다. N ≥ 5이면, 즉 연속적으로 5개의 검사값이 상한값보다 큰 것이 모니터링되면, 경보기를 통해 경보 신호를 발송한다. 상술한 “히스테리시스” 규칙의 경보 방식을 통해, 허위 경보의 경우를 줄이고, 경보의 정확성을 향상시키고, 유지보수 비용을 줄일 수 있다.
나아가, 도 2를 참조하면, 단계 S1032에서, 상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는바, 만약 연속적으로 제2 기설정된 개수의 상기 검사값이 상기 상한값보다 크지 않은 것이 모니터링되면, 상기 부품 온도 데이터가 기설정된 요구를 충족시키는 것으로 결정, 즉 경보점을 초과하지 않은 것으로 간주할 수 있다.
선택 가능하게, 상기 제2 기설정된 개수는 50이다. 경보기가 경보 신호를 발송한 후, 카운터는 리셋되기 시작한다. 이해할 수 있다시피, 경보기가 한 번의 경보 신호를 발송한 후, 연속적으로 50개의 검사값이 상한값보다 크지 않은 것이 모니터링되면, 이 부분의 모니터링된 부품 온도 데이터 모두가 기설정된 요구를 충족시키는 것을 나타내고, 이때 카운터를 리셋할 수 있으며, 다음 라운드의 모니터링을 다시 시작한다. 상술한 방법을 통해, 효과적으로 모니터링의 정확성을 향상시키고, 허위 경보의 경우를 줄이고, 경보의 정확성을 향상시키고, 유지보수 비용을 낮출 수 있다.
일부 선택 가능한 실시예에서, 수집된 온도 데이터의 품질 및 검사 분석의 정확성을 향상시키기 위해, 본 출원은 데이터 처리 방법을 제공하여, SCADA 데이터에 대해 데이터 전처리를 수행할 수 있으며, SCADA 데이터 중의 이상한 온도 데이터 및 불량 온도 데이터를 제거할 수 있다.
도 4를 참조하면, 상기 데이터 처리 방법은 SCADA 시스템에 의해 수집된 풍력 터빈 발전기 시스템의 SCADA 데이터 세트를 처리하고, 상기 방법은 이하 단계 S11 내지 S12를 포함한다:
단계 S11: 상기 SCADA 데이터 세트 중의 적어도 일부 데이터를 획득하여 처리될 데이터 세트로 이용하고, 상기 처리될 데이터 세트는 복수 개의 데이터 그룹을 포함하고, 각 데이터 그룹은 동일 시각에서의 상이한 정보를 가리키는 여러 가지 데이터를 포함하며, 상기 여러 가지 데이터는 내부 환경 온도 관련 처리될 데이터, 외부 환경 온도 관련 처리될 데이터 및 부품 온도 관련 처리될 데이터를 포함한다. 이해할 수 있다시피, SCADA 데이터는 온도, 풍속, 전력 등 모니터링 데이터를 포함할 수 있다. 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터도 SCADA 데이터 중의 일종의 데이터에 속한다. 동일 시각 내에 SCADA 시스템에 의해 수집된 모든 상술한 데이터는 동일한 데이터 그룹 내에 분할될 수 있다. SCADA 시스템은 데이터 수집 모니터링 시스템이고, SCADA 시스템은 현장의 풍력 터빈에 대해 감시와 제어를 수행하여, 데이터 수집, 기기 제어, 측정, 파라미터 조정 및 각종 신호 경보 등 각 기능을 구현하고, 또한 적당한 형식, 예컨대 소리, 도형, 이미지 등 방식으로 사용자에게 보여줌으로써, 최종적으로 기기의 각종 파라미터 상태를 실시간으로 감지하는 효과를 얻는다.
단계 S12: 적어도 하나의 데이터 필터링 단계를 통해 상기 처리될 데이터 세트에 대해 데이터 필터링 처리를 수행하여 필터링된 데이터 세트 (기처리된 데이터 세트로 이해할 수 있음)를 얻는다. 상기 필터링된 데이터 세트는 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 포함한다. 상기 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득한다.
도 5를 참조하면, 여기서, 상기 데이터 필터링 단계는 클러스터 필터링 단계를 포함하고, 클러스터 필터링 단계는 단계 S121 내지 S122 를 포함한다:
단계 S121: 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할한다. 클러스터링 알고리즘은 클러스터 분석으로도 지칭되며, 이는 (셈플 또는 지표)분류 과제를 연구하는 통계 분석 방법이며, 동시에 데이터 마이닝의 중요한 알고리즘이고, 속도가 빠르고, 계산이 간단하며, 분석 정확도가 높은 등 장점을 구비하고 있다. 본 실시예에서, 클러스터링 알고리즘을 이용하여 처리될 데이터 세트 중의 각 데이터에 대해 각각 복수 개의 클러스터로 분할함으로써, 데이터 처리의 정확성을 높이고, 나아가 SCADA 데이터의 품질을 향상시킬 수 있다.
단계 S122: 각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거한다. 이 데이터 필터링 단계는 이하 클러스터 필터링 단계라고 약칭한다.
클러스터링 알고리즘을 통해 SCADA 데이터에 대해 분류를 수행하고, 분류된 데이터에 대해 데이터 필터링 처리를 수행하여, SCADA 데이터 중의 특이값 및 당해 특이값을 포함한 동일 시각의 기타 데이터를 제거함으로써, SCADA 데이터 중 품질이 차한 데이터를 줄이고, SCADA 데이터의 품질을 향상시킬 수 있다. 데이터 필터링 단계를 거친 후 얻은 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하고, SCADA 데이터 중의 이상한 온도 데이터 및 불량 온도 데이터를 제거할 수 있으며, 따라서 수집된 온도 데이터의 품질 및 검사 분석의 정확성을 향상시킨다.
일부 선택 가능한 실시예에서, 상기 클러스터링 알고리즘이 퍼지 C 평균값 클러스터링 알고리즘을 포함하고, 단계 S121에서, 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계는, 퍼지 C 평균값 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계를 포함한다. 퍼지 C 평균값 클러스터링 알고리즘은 목적 함수에 대한 최적화에 기초한 데이터 클러스터링 방법이다. 당해 알고리즘은 비지도 퍼지 클러스터링 방법으로서, 알고리즘 구현 과정에 인위적인 개입이 필요하지 않다. 동시에, 퍼지 기술을 추가하기에, 동일한 SCADA 데이터는 단독적으로 하나의 분류에 속하지 않으며, 동일한 SCADA 데이터는 동시에 몇 개의 분류에 속할 수 있다. 따라서 이러한 알고리즘을 이용하면, 풍력 터빈 발전기 시스템 SCADA 데이터의 다양성의 특징에 적합하다.
이해할 수 있다시피, 퍼지 C 평균값 클러스터링 알고리즘을 이용하여 처리될 데이터 세트 중의 데이터에 대해 클러스터링 분할을 수행하고, 다시 각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터, 즉 당해 특이값을 포함하는 동일 시각의 기타 데이터를 제거함으로써, SCADA 데이터의 변동을 줄이고, SCADA 데이터의 품질을 향상시킬 수 있다.
도 6을 참조하면, 일부 선택 가능한 실시예 중 단계 S122에서, 각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거하는 단계는, 이하 서브 단계 S1221 내지 S1223를 포함한다:
단계 S1221: 퍼지 C 평균값 클러스터링 알고리즘(Fuzzy c-means algorithm)을 이용하여 각 상기 클러스터의 중심을 결정한다.
여기서, 상술한 획득된 SCADA 데이터는 주어진 데이터 세트 X={X1, X2, …, Xn}로 나타내고, 클러스터 수는 k이며, mj(j=1, 2, …, k)는 각 클러스터의 중심이고, μj(Xi)는 제 i번째 셈플이 제 J유형에 대응하는 멤버십 함수이며, 가중치 행렬(가중치로 이해할 수 있음)를 나타낼 경우, 멤버십 함수에 기초한 클러스터링 손실 함수는 아래 수학식 6을 참조할 수 있다:
여기서, 
이고, 이는 특정 데이터가 각 클러스터의 중심에 속하는 확률을 나타내고, 이러한 확률의 합은 1과 같다. B는 가중치 지수를 나타내고, 평활 인자라고도 지칭하며, 모드의 퍼지 클래스간의 공유 정도를 제어하고, 일반적인 경우 b의 값은 2이다.
Jf의 mj와 μj(Xi)에 대한 편도(partial derivative)가 0으로 되게 하여, 수학식 6 극소치의 필수 조건을 얻는다. 아래 수학식 7과 수학식 8을 참조한다:
반복적인 방법을 이용하여 수렴 조건을 충족시킬 때까지 수학식 7과 수학식 8의 해를 구하여 최적의 해를 얻는다.
일부 실시예에서, 먼저 무작위로 한 세트의 클러스터 중이심의 값을 지정한 후, 반복적인 방법을 이용하여 수렴 조건을 충족시킬 때까지 수학식 7과 수학식 8의 해를 구하여 최적의 해를 얻는다. 또는 먼저 무작위로 한 세트의 가중치 행렬의 값을 지정한 후, 반복적인 방법을 이용하여 수렴 조건을 충족시킬 때까지 수학식 7과 수학식 8의 해를 구하여 최적의 해를 얻는다.
본 실시예에서, 당해 알고리즘에 10개의 분류가 존재한다고 가정, 즉 k=10이라고 가정할 경우, 상술한 방법을 통해, 최종적으로 10개 분류의 중심점, 즉 m1, m2, … , m10을 얻을 수 있다. X1, X2, …, X10은 알고리즘을 훈련하는 과정 중 상이한 시간에서 획득된 SCADA 데이터이다. μ는 가중치이며, 만약 μ5(x3)=0.8이면, x3 데이터가 제 5번째 분류 그룹에 속하는 가중치가 0.8임을 설명한다. 설명해야 할 것은, 가중치의 값은 일반적으로 (0, 1) 범위에 있으며, 가중치의 값이 클수록, 당해 데이터가 대응하는 분류가 대응하는 분류 그룹에 더 가까운 것을 설명한다. Jf는 목적, 즉 알고리즘이 반복되는 목적 함수이다. 본 실시예에서, 먼저 무작위로 한 세트의 초기 가중치 행렬을 지정하는 것을 예로 들고, 또한 가중치 총합이 1인 것을 충족시키면, 각 데이터가 각 클러스터 중이심에 속하는 확률의 합이 1과 같음을 나타낸다. 초기 가중치 행렬에 기반하여 수학식 7을 통해 각 중심점 m을 구하고, 다시 구한 각 중심점 m에 기반하여 수학식 8을 통해 가중치 μ를 구하며, 이러한 방법으로 수렴 조건을 충족시킬 때까지 반복한다.
단계 S1222: 적어도 하나의 상기 클러스터 중의 데이터와 대응하는 상기 클러스터의 중심의 유클리드 거리를 결정한다.
상술한 방법을 통해, 복수 개(예컨대 10개)의 퍼지 C 평균값 클러스터링 알고리즘의 중심을 얻을 수 있으며, 또한 퍼지 C 평균값 클러스터링 알고리즘의 규칙에 기반하여 각 SCADA 데이터가 모두 그룹핑된다. 적어도 하나의 클러스터 중의 데이터와 대응하는 클러스터의 중심의 유클리드 거리를 결정한다. 본 실시예에서, 각 클러스터 중의 데이터와 대응하는 클러스터의 중심의 유클리드 거리를 결정한다. 모든 클러스터 중의 데이터와 대응하는 클러스터의 중심의 유클리드 거리의 평균값과 평균 제곱 오차를 결정할 수 있다. 예컨대, 전부의 10개 클러스터 중의 데이터와 대응하는 클러스터의 중심의 유클리드 거리의 평균값과 평균 제곱 오차를 결정한다.
단계 S1223: Pauta 준칙을 이용하여 적어도 하나의 상기 클러스터 중의 상기 유클리드 거리의 거리 예외 값을 제거하고, 또한 상기 거리 예외 값에 대응하는 상기 특이값을 제거한다.
Pauta 준칙은 3-sigma 준칙이라고도 지칭하며, 각 클러스터 중의 데이터와 대응하는 클러스터의 중심의 유클리드 거리의 평균값과 평균 제곱 오차가 정규 분포에 부합되기에, Pauta 준칙을 이용하여 일반적으로 각 클러스터 중의 데이터와 대응하는 클러스터의 중심의 유클리드 거리의 평균값과 평균 제곱 오차를 세 개의 구간으로 분할할 수 있는바, 여기서 제2 구간에 위치하는 데이터는 요구에 부합되는 것으로 이해할 수 있고, 제1 구간과 제3 구간에 위치하는 데이터는 요구에 부합되지 않는 것으로 이해할 수 있으며, 여기서 제2 구간은 제1 구간과 제3 구간 사이에 위치한다. 본 실시예에서, 제1 구간에 위치하는(하한의 범위를 초과하지 않는 것으로 이해할 수 있음) 평균값과 평균 제곱 오차에 대응하는 SCADA 데이터와 제3 구간에 위치하는(상한 이상의 범위로 이해할 수 있음) 평균값과 평균 제곱 오차에 대응하는SCADA 데이터를 상기 거리 예외 값으로 이용하고, 당해 거리 예외 값에 대응하는 SCADA 데이터 중의 특이값 및 당해 특이값을 포함한 동일 시각의 기타 데이터를 제거하여, 데이터 편차, 노이즈, 특이점을 제거하고, SCADA 데이터의 변동을 줄이고, SCADA 데이터의 품질 및 데이터 분석의 정확성을 향상시킬 수 있다. 선택 가능하게, 제2 구간의 백분율은 68.27%이고, 제1 구간과 제3 구간의 백분율은 모두 15.865%이다.
일부 선택 가능한 실시예에서, 단계 S121는 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하기 전에, 상기 처리될 데이터 세트 중의 데이터에 대해 표준화 처리를 수행하여 표준화 데이터를 더 얻을 수 있다.
데이터를 표준화 처리하는 것을 통해, 퍼지 C 평균값 클러스터링 알고리즘을 이용하여 데이터에 대해 처리를 수행하는 정밀도를 향상시킬 수 있다. 본 실시예에서, 아래 수학식 9를 통해 데이터에 대해 표준화 처리를 수행한다:
여기서, data는 SCADA 데이터의 원본 데이터를 나타내고, np.min(data)는 같은 분류의 SCADA 데이터 중의 최소값을 나타내며, np.max(data)는 같은 분류의 SCADA 데이터 중의 최대값을 나타낸다. 단계 S121에서, 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계는, 클러스터링 알고리즘을 이용하여 상기 표준화 데이터를 복수 개의 클러스터로 분할하는 단계를 포함한다. 선택 가능하게, 예컨대 정규화 등 방식을 이용하여 처리될 데이터 세트 중의 데이터에 대해 표준화 처리를 수행하여 표준화 데이터를 얻을 수 있다.
나아가, 퍼지 C 평균값 클러스터링 알고리즘을 이용하여 표준화 처리된 데이터에 대해 처리를 수행하고, 퍼지 C 평균값 클러스터링 알고리즘를 이용하여 SCADA 데이터에 대해 분류를 수행하며, 다시 분류된 데이터에 대해 데이터 필터링 처리를 수행하여, 각 클러스터 중의 특이값 및 당해 특이값을 포함한 데이터 그룹의 기타 데이터를 제거한 후, 또한 각 클러스터 중의 특이값 및 당해 특이값을 포함한 데이터 그룹의 기타 데이터를 제거한 후의 표준화 데이터에 대해 역표준화 처리를 수행할 수 있는바, 퍼지 C 평균값 클러스터링 알고리즘 등 처리를 거친 표준화 데이터를 초기 포멧의 데이터로 복원하여, 후속적으로 데이터에 대해 통계 및 분석 평가하는 데에 편리하게 하는 것으로 이해할 수 있다.
일부 선택 가능한 실시예에서, 단계 S11에서, 상기 SCADA 데이터 세트 중의 적어도 일부 데이터를 획득하여 처리될 데이터 세트로 이용하는 단계는, 상기 SCADA 데이터 세트 중 기설정된 시간 차원의 적어도 일부 데이터를 획득하여 상기 처리될 데이터 세트로 이용하는 단계를 포함한다. SCADA 데이터를 10min 데이터와 30s 데이터 두 가지 차원의 데이터로 구분할 수 있다. 여기서 10min 데이터는 복수 개의 30s 데이터의 평균값이다. SCADA 시스템에 의해 모니터링된 데이터가 풍속 변동, 풍력 터빈 회전 속도 변화 등 요소로 인한 완화 변화 특성을 고려할 때, 30s 데이터의 변동은 크며, 선택 가능하게, 본 출원은 10min 데이터를 이용하는바, 즉 기설정된 시간 차원이 10min이며, 풍력 터빈 회전 속도 변화로 인한 데이터 변동을 줄일 수 있고, 데이터 분석 처리에 대한 영향을 줄인다. 이외에, SCADA 데이터의 종류가 다양하여, 본 출원은 모든 종류의 모든 데이터를 획득하여 데이터 처리를 수행할 수도 있고, 이 중의 일부 종류의 데이터를 획득하여 데이터 처리를 수행할 수도 있는바, 예컨대 풍력 터빈에 대한 영향이 큰 몇 가지 종류의 데이터, 예컨대 풍속, 온도, 전력 등 데이터에 대해 처리를 수행할 수 있다.
일부 선택 가능한 실시예에서, 상기 데이터 필터링 단계는: 상기 처리될 데이터 세트 중의 기본값인 데이터 및 기본값인 상기 데이터의 데이터 그룹의 기타 데이터를 제거하는 단계를 더 포함할 수 있다. 이 데이터 필터링 단계는 이하 NA 제거 단계로 약칭하며, NA는 기본값을 나타낸다. 데이터 필터링 단계를 거친 후 얻은 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하고, SCADA 데이터 중의 이상한 온도 데이터 및 불량 온도 데이터를 제거할 수 있으며, 따라서 수집된 온도 데이터의 품질 및 검사 분석의 정확성을 향상시킨다.
실제 풍력 터빈 발전기 실행에서, 풍력 터빈의 지리위치의 통신 신호가 좋지 않아, 때로 신호가 끊기는 상태가 발생하며, SCADA 시스템에서 신호가 끊길 때의 데이터를 기본값으로 기록하고, 이 데이터 필터링 단계의 목적은 처리될 데이터 세트 중 기본값인 데이터 및 기본값인 데이터를 포함한 데이터 그룹 중 동일 시각의 기타 데이터를 제거하는 것이며, SCADA 데이터의 변동을 줄이고, SCADA 데이터의 품질 및 데이터 분석의 정확성을 향상시킬 수 있다.
일부 선택 가능한 실시예에서, 상기 처리될 데이터 세트는 상기 풍력 터빈 발전기 시스템의 출력 전력을 가리키는 전력 데이터를 포함하고, 상기 데이터 필터링 단계는: 상기 처리될 데이터 세트 중 출력 전력이 음의 수인 것을 가리키는 전력 데이터 및 당해 전력 데이터를 포함하는 데이터 그룹의 기타 데이터를 제거하는 단계를 더 포함할 수 있다. 이 데이터 필터링 단계는 이하 음의 수 제거 단계라고 약칭한다. 데이터 필터링 단계를 거친 후 얻은 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하고, SCADA 데이터 중의 이상한 온도 데이터 및 불량 온도 데이터를 제거할 수 있으며, 따라서 수집된 온도 데이터의 품질 및 검사 분석의 정확성을 향상시킨다.
이해할 수 있다시피, 풍력 터빈의 가동 풍속(cut-in wind speed)은 계통 연계형(grid-connected) 풍력 터빈에 대한 것으로서, 풍력 터빈이 계통 연계 조건의 풍속에 도달하는 것을 가리키는바, 다시 말해서 발전할 수 있는 최저 풍속이며, 이 풍속보다 낮으면 풍력 터빈은 자동으로 셧다운된다. 풍력 터빈의 정지 풍속(cut-out wind speed)은 풍력 터빈 계통 연계형 발전의 최대 풍속을 가리키며, 이 풍속을 초과하면 풍력 터빈은 그리드로부터 정지하는바, 즉 풍력 터빈이 셧다운되며, 발전을 멈춘다. 풍력 터빈이 가동 풍속에 도달할 경우, 풍력 터빈의 발전기는 지속적으로 안정되게 발전할 수 있다.
실제 풍력 터빈 실행에서, 풍력 터빈 메인터넌스, 션다운 또는 풍속이 작은 날씨 등 요소 때문에, 풍력 터빈이 정지 풍속에 도달하지 못할 경우, SCADA 시스템에 기록된 SCADA 데이터에 대응하는 전력 값은 음의 수이고, 이러한 데이터 후속의 데이터 분석에 불리하며, 이 데이터 필터링 단계의 목적은 상기 처리될 데이터 세트 중 상기 출력 전력이 음의 수인 전력 데이터 및 당해 전력 데이터를 포함한 데이터 그룹 중 동일 시각의 기타 데이터를 제거하기 위한 것이며, SCADA 데이터의 변동을 줄이고, SCADA 데이터의 품질 및 데이터 분석의 정확성을 향상시킬 수 있다.
일부 선택 가능한 실시예에서, 상기 데이터 필터링 단계는: 상기 처리될 데이터 세트 중 경보값을 초과한 데이터 및 당해 경보값을 초과한 데이터를 포함한 데이터 그룹의 기타 데이터를 제거하는 단계를 더 포함할 수 있다. 이 데이터 필터링 단계는 이하 OTT(out of tolerance) 제거 단계라고 약칭한다. 데이터 필터링 단계를 거친 후 얻은 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하고, SCADA 데이터 중의 이상한 온도 데이터 및 불량 온도 데이터를 제거할 수 있으며, 따라서 수집된 온도 데이터의 품질 및 검사 분석의 정확성을 향상시킨다.
실제 풍력 터빈 실행에서, 각 대응하는 SCADA 데이터 포인트는 모두 경보값 설정을 구비할 수 있으며, 모니터링된 데이터가 경보값을 초과 즉 당해 시간대의 데이터가 OTT 데이터이고, 정상적인 풍력 터빈 상태가 아닌 것을 설명할 경우, 후속의 데이터 분석에 불리하다. 예컨대 베어링 온도의 경보값이 60℃일 경우, 모니터링된 실제 베어링 온도가 60℃보다 높으면 즉 풍력 터빈 상태가 이상하다고 판단될 경우, 경보를 울린다. 이 데이터 필터링 단계의 목적은 처리될 데이터 세트 중 경보값을 초과하는 데이터 및 당해 경보값을 초과한 데이터를 포함한 데이터 그룹 중 동일 시각의 기타 데이터를 제거하는 것인 바, SCADA 데이터의 변동을 줄이고, SCADA 데이터의 품질 및 데이터 분석의 정확성을 향상시킬 수 있다.
도 7을 참조하면, 일부 선택 가능한 실시예에서, 상기 데이터 필터링 단계는 4분위수 필터링 단계를 더 포함할 수 있고, 4분위수 필터링 단계는 단계 S131 내지 S132를 포함한다:
단계 S131: 4분위 수법을 이용하여 상기 처리될 데이터 세트 중의 예외 데이터를 결정한다. 4분위수(Quartile)를 4분위점이라고도 지징하며, 통계학에서 모든 값을 제일 작은 것부터 제일 큰 것까지 배열하고 또한 4등분하여, 3개의 분할점 위치에 처한 수치를 가리킨다. 여기서 제1 4분위수 Q1은 25번째 백분위수이다. 제2 4분위수 Q2는 50번째 백분위수이다. 제3 4분위수 Q3은 75번째 백분위수이다. Q1과 Q3을 결부시켜 데이터 변수의 추세를 비교 분석할 수 있다.
단계 S132: 상기 예외 데이터와 당해 예외 데이터를 포함한 데이터 그룹의 기타 데이터를 제거한다. 4분위 수법을 이용하여 상기 처리될 데이터 세트 중의 예외 데이터를 결정하여 데이터 분석의 정확성을 향상시킬 수 있다. 이 데이터 필터링 단계는 이하 4분위수 필터링 단계라고 약칭한다. 데이터 필터링 단계를 거친 후 얻은 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하고, SCADA 데이터 중의 이상한 온도 데이터 및 불량 온도 데이터를 제거할 수 있으며, 따라서 수집된 온도 데이터의 품질 및 검사 분석의 정확성을 향상시킨다.
일부 선택 가능한 실시예에서, 상기 처리될 데이터 세트에 대해 데이터 필터링 처리를 수행한 후, 만약 상기 이미 처리된 데이터 세트의 데이터의 시간 시퀀스가 비연속적이면, 시간 시퀀스가 비연속적인 데이터 사이에 누락된 시각의 데이터를 뒤채운다. 이해할 수 있다시피, 상술한 하나 또는 복수 개의 데이터 필터링 단계를 거쳐 처리될 데이터 세트에 대해 데이터 필터링 처리를 수행한 후, 전부 또는 대부분의 이상한 데이터와 불량 데이터를 필터링하고 제거할 수 있으며, 품질이 높은 데이터가 남게 된다. 하지만, 남은 데이터의 시간 시퀀스가 연속적이지 않을 수 있으며, 이 단계의 목적은 데이터에 대해 필링(filling)을 수행하여 시간 시퀀스가 연속적인 데이터를 얻는 것이기에, 후속적으로 데이터에 대해 통계와 분석 평가를 수행하는 데에 편리하다.
본 실시예에서, 이미 처리된 데이터 세트 중의 첫 번째 SCADA 데이터의 시간을 기준으로, 후속의 SCADA 데이터가 연속적인지 뒤로 확인하며, 연속 간격이 10min인 것을 예로 들면, 만약 첫 번째 SCADA 데이터의 시간이 2020-01-01-14:00:00, 두 번째 SCADA 데이터의 시간이 2020-01-01-14:10:00이면, 당해 순번의 데이터를 시간 시퀀스 연속으로 판정한다. 만약 두 번째 SCADA 데이터의 시간이 2020-01-01-14:20:00, 즉 10min를 초과하면, 당해 순번의 데이터를 시간 시퀀스 비연속으로 판정한다.
시간 시퀀스가 비연속적인 데이터를 결정한 후, 시간 시퀀스가 비연속적인 데이터 사이에 누락된 시각의 데이터를 뒤채우는 것은, 아래 두 가지 경우를 포함할 수 있다:
만약 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 수량이 2보다 크면, 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 잔차 평균값 및 분산을 결정하고, 확률 방정식(Stochastic equation)에 기반하여 무작위 수를 생성하는 것을 통해, 누락된 시각의 데이터로 이용한다.
만약 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 수량이 2보다 크지 않으면, 시간 시퀀스가 비연속적인 데이터 이전의 시각에 대응하는 데이터를 선택하여 누락된 시각의 데이터로 이용한다. 예컨대, 시간이 2020-01-01-14:20:00인 데이터가 비연속적인 것으로 판정되고, 당해 데이터 전에 오직 하나의 시간이 2020-01-01-14:00:00인 데이터가 연속적인 것으로 판정되며, 이때 시간이 2020-01-01-14:00:00인 데이터를 선택하여 누락된 시각의 데이터로 이용한다.
본 출원의 데이터 처리 방법에서, 상술한 하나 또는 복수 개의 데이터 필터링 단계는 처리될 데이터 세트에 대해 데이터 필터링 처리를 수행한 후, 적어도 대부분의 이상한 데이터와 불량 데이터를 필터링하고 제거하여, 품질이 높은 데이터가 남으며, SCADA 데이터의 변동을 줄이고, SCADA 데이터의 품질을 향상시킬 수 있다. 데이터 필터링 단계를 거친 후 얻은 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하고, SCADA 데이터 중의 이상한 온도 데이터 및 불량 온도 데이터를 제거할 수 있으며, 따라서 수집된 온도 데이터의 품질 및 검사 분석의 정확성을 향상시킨다. 설명해야 할 것은, 데이터 처리 방법이 복수 개의 데이터 필터링 단계를 포함할 경우, 복수 개의 데이터 처리 단계로 처리될 데이터 세트에 대해 개별적으로 데이터 처리를 수행하여, 각자 대응하는 처리 데이터 세트를 얻을 수 있다. 다음 얻은 전부의 처리 데이터 세트의 데이터를 병합하여 상기 이미 처리된 데이터를 얻는다. 또는, 복수 개의 데이터 처리 단계를 이용하여 상기 처리될 데이터 세트에 대해 순차적으로 데이터 처리를 수행하여, 상기 이미 처리된 데이터를 얻는다.
도 8을 참조하면, 본 출원의 실시예는 풍력 터빈 발전기 시스템에 사용되는 모니터링 시스템(30)을 제공하는바, 하나 또는 복수 개의 프로세서(31)를 포함하고, 위의 임의의 실시예에 따른 모니터링 방법을 구현한다.
모니터링 시스템(30)의 실시예는 풍력 터빈 발전기 시스템에 응용될 수 있다. 장치 실시예들은 소프트웨어, 하드웨어 또는 이들의 조합에 의해 구현될 수 있다. 소프트웨어에 의해 구현되는 것을 예로서 취하면, 논리적 의미의 장치로서, 이가 소재하는 풍력 터빈 발전기 시스템의 프로세서(31)에 의해 비휘발성 저장 컴포넌트로부터의 대응하는 컴퓨터 프로그램 명령어들을 메모리로 판독하고 실행하는 논리 장치를 형성하는 것이다. 하드웨어 관점에서, 도 8에 도시된 바와 같이, 이는 본 출원의 모니터링 시스템(30)이 소재하는 풍력 터빈 발전기 시스템의 하드웨어 구조도이며, 도 8에 도시된 프로세서(31), 내부 버스(32), 메모리 (34), 네트워크 인터페이스(33), 및 비휘발성 저장 컴포넌트(35) 외에, 실시예 중 장치가 소재하는 풍력 터빈 발전기 시스템은 일반적으로 당해 풍력 터빈의 실제 기능에 기반하여 기타 하드웨어를 더 포함할 수 있으며, 이에 대해 더이상 설명하지 않는다.
상기 프로세서(31)는 중앙 처리 유닛(Central Processing Unit, CPU)일 수도 있고, 기타 범용 프로세서, 디지털 신호 프로세서 (Digital Signal Processor, DSP), 응용 주문형 집적회로(Application Specific Integrated Circuit, ASIC), 필드 프로그램 가능 게이트 어레이 (Field-Programmable Gate Array, FPGA) 또는 기타 프로그램 가능 논리 소자, 개별 부품 또는 트랜지스터 논리 장치, 별도의 하드웨어 부품 등일 수도 있다. 범용 프로세서는 마이크로 프로세서 또는 당해 프로세서(31)는 임의의 보통 프로세서 등일 수 있다.
본 출원의 실시예는 컴퓨터 판독 가능 저장매체를 제공하는바, 이에는 프로그램이 저장되어 있고, 당해 프로그램이 프로세서(31)에 의해 수행될 경우, 위의 임의의 실시예에 따른 모니터링 방법을 구현한다.
상기 컴퓨터 판독 가능 저장매체는 상기 임의의 실시예에서 설명한 풍력 터빈의 내부 저장 유닛, 예컨대 하드디스크 또는 메모리일 수 있다. 상기 컴퓨터 판독 가능 저장매체는 풍력 터빈 발전기 시스템의 외부 저장 기기, 예컨대 상기 기기에 배치된 플러그인 방식 하드디스크, SM카드(Smart Media Card, SMC), SD카드, 플래시 카드(Flash Card) 등일 수도 있다. 나아가, 상기 컴퓨터 판독 가능 저장매체는 풍력 터빈 발전기 시스템의 내부 저장 유닛도 포함하고 외부 저장 유닛도 포함할 수도 있다. 상기 컴퓨터 판독 가능 저장매체는 상기 컴퓨터 프로그램 및 상기 풍력 터빈 발전기 시스템에 필요한 기타 프로그램과 데이터를 저장하고, 이미 출력되거나 또는 출력될 데이터를 일시적으로 저장할 수 있다.
위에서 언급한 본 출원의 실시예 바람직한 실시예로서 본 출원을 한정하려는 의도가 아니며, 본 출원의 사상 및 원리 내에서 이루어진 임의의 수정, 등가 교체, 개선 등은 모두 본 출원의 보호 범위에 포함된다.
Claims (21)
- 풍력 터빈 발전기 시스템(wind turbine generator system)의 모니터링 방법으로서,
상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득하는 단계;
상기 부품 온도 데이터와 상기 내부 환경 온도 데이터의 차이값에 기반하여 제1 통계량을 결정하고, 상기 부품 온도 데이터와 상기 외부 환경 온도 데이터의 차이값에 기반하여 제2 통계량을 결정하는 단계;
상기 제1 통계량 및 상기 제2 통계량에 기반하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제1항에 있어서,
상기 제1 통계량 및 상기 제2 통계량에 기반하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계는,
다변량 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값과 상기 검사값의 상한값을 결정하는 단계;
상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계를 더 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제2항에 있어서,
상기 다변량 검사 방법은 호텔링 T 제곱 분포 검사 방법을 포함하고, 상기 다변량 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하는 단계는, 호텔링 T 제곱 분포 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하는 단계를 더 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제3항에 있어서,
상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터, 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득하는 단계는,
기설정된 수량의 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하는 단계를 포함하고;
다변량 검사 방법을 이용하여 상기 제1 통계량과 상기 제2 통계량에 대해 검사 분석을 수행하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값과 상기 검사값의 상한값을 결정하는 단계는,
상기 제1 통계량, 상기 제2 통계량, 상기 기설정된 수량 개수의 상기 제1 통계량의 평균값, 및 상기 기설정된 수량 개수의 상기 제2 통계량의 평균값에 기반하여 상기 제1 통계량과 상기 제2 통계량 사이의 검사값을 결정하는 단계;
상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터에 의해 결정된 통계량의 개수 값과 상기 기설정된 수량에 기반하여, 카이제곱 분포를 거쳐 상기 상한값을 결정하는 단계를 더 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제2항에 있어서,
상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계는,
만약 제1 기설정된 개수의 상기 검사값이 상기 상한값보다 큰 것이 연속적으로 모니터링되면, 상기 부품 온도 데이터가 기설정된 요구를 충족시키지 않는 것으로 결정하는 단계를 더 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제2항에 있어서,
상기 검사값이 상기 상한값을 초과하는지 여부를 모니터링하여 상기 부품 온도 데이터가 기설정된 요구를 충족시키는지 여부를 판단하는 단계는,
만약 제2 기설정된 개수의 상기 검사값이 상기 상한값보다 크지 않은 것이 연속적으로 모니터링되면, 상기 부품 온도 데이터가 기설정된 요구를 충족시키는 것으로 결정하는 단계를 더 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제1항에 있어서,
상기 부품 온도 데이터는 베어링 온도를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제1항에 있어서,
SCADA 시스템을 통해 상기 풍력 터빈 발전기 시스템의 SCADA 데이터 세트를 수집하고, 상기 풍력 터빈 발전기 시스템의 내부 환경 온도 데이터와 외부 환경 온도 데이터 및 상기 풍력 터빈 발전기 시스템의 부품 온도 데이터를 획득하는 단계는,
상기 SCADA 데이터 세트 중의 적어도 일부 데이터를 획득하여 처리될 데이터 세트로 이용하는 단계 - 상기 처리될 데이터 세트는 복수 개의 데이터 그룹을 포함하고, 각 데이터 그룹은 동일 시각에서의 상이한 정보를 가리키는 여러 가지 데이터를 포함하며, 상기 여러 가지 데이터는 내부 환경 온도 관련 처리될 데이터, 외부 환경 온도 관련 처리될 데이터 및 부품 온도 관련 처리될 데이터를 포함함 -;
적어도 하나의 데이터 필터링 단계를 통해 상기 처리될 데이터 세트에 대해 데이터 필터링 처리를 수행하여 필터링된 데이터 세트를 얻는 단계 - 상기 필터링된 데이터 세트는 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 포함함 -;
상기 필터링된 데이터 세트로부터 상기 내부 환경 온도 데이터, 상기 외부 환경 온도 데이터 및 상기 부품 온도 데이터를 획득하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제8항에 있어서,
상기 SCADA 데이터 세트 중의 적어도 일부 데이터를 획득하여 처리될 데이터 세트로 이용하는 단계는,
상기 SCADA 데이터 세트 중 기설정된 시간 차원의 적어도 일부 데이터를 획득하여 상기 처리될 데이터 세트로 이용하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제8항에 있어서,
상기 데이터 필터링 단계는,
클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계; 및
각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제10항에 있어서,
상기 클러스터링 알고리즘이 퍼지(fuzzy) C 평균값 클러스터링 알고리즘을 포함하고, 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계는,
퍼지 C 평균값 클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제11항에 있어서,
각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거하는 단계는,
퍼지 C 평균값 클러스터링 알고리즘을 이용하여 각 상기 클러스터의 중심을 결정하는 단계;
적어도 하나의 상기 클러스터 중의 데이터와 대응하는 상기 클러스터의 중심의 유클리드 거리를 결정하는 단계; 및
Pauta 준칙을 이용하여 적어도 하나의 상기 클러스터 중의 상기 유클리드 거리의 거리 예외 값을 제거하고, 또한 상기 거리 예외 값에 대응하는 상기 특이값을 제거하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제8항에 있어서,
상기 데이터 필터링 단계는,
4분위 수법을 이용하여 상기 처리될 데이터 세트 중의 예외 데이터를 결정하는 단계;
상기 예외 데이터와 당해 예외 데이터를 포함한 데이터 그룹의 기타 데이터를 제거하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제11항에 있어서,
클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하기 전에,
상기 처리될 데이터 세트 중의 데이터에 대해 표준화 처리를 수행하여 표준화 데이터를 얻는 단계를 더 포함하고;
클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계는,
클러스터링 알고리즘을 이용하여 상기 표준화 데이터를 복수 개의 클러스터로 분할하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제14항에 있어서,
각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거한 후,
각 상기 클러스터 중의 특이값 및 당해 특이값을 포함하는 데이터 그룹의 기타 데이터를 제거한 후의 상기 표준화 데이터에 대해 역표준화 처리를 수행하는 단계를 더 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제10항에 있어서,
클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 데이터를 복수 개의 클러스터로 분할하는 단계는,
클러스터링 알고리즘을 이용하여 상기 처리될 데이터 세트 중의 각종 데이터를 각각 복수 개의 클러스터로 분할하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제8항에 있어서,
상기 처리될 데이터 세트에 대해 데이터 필터링 처리를 수행한 후,
만약 상기 필터링된 데이터 세트의 데이터의 시간 시퀀스가 비연속적이면, 시간 시퀀스가 비연속적인 데이터 사이에 누락된 시각의 데이터를 뒤채우는(backfill) 단계를 더 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제17항에 있어서,
시간 시퀀스가 비연속적인 데이터 사이에 누락된 시각의 데이터를 뒤채우는 단계는,
만약 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 수량이 2보다 크면, 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 잔차 평균값 및 분산을 결정하고, 상기 잔차 평균값과 분산에 기초하여 무작위 수를 생성하여 누락된 시각의 데이터로 이용하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 제17항에 있어서,
시간 시퀀스가 비연속적인 데이터 사이에 누락된 시각의 데이터를 뒤채우는 단계는,
만약 상기 시간 시퀀스가 비연속적인 데이터 이전의 연속되는 복수 개의 데이터의 수량이 2보다 크지 않으면, 시간 시퀀스가 비연속적인 데이터 이전의 시각에 대응하는 데이터를 선택하여 누락된 시각의 데이터로 이용하는 단계를 포함하는 것을 특징으로 하는 풍력 터빈 발전기 시스템의 모니터링 방법. - 풍력 터빈 발전기 시스템에 사용되는 모니터링 시스템으로서,
하나 또는 복수 개의 프로세서를 포함하고, 제1항 내지 제19항 중 어느 한 항에 따른 모니터링 방법을 구현하는 것을 특징으로 하는 풍력 터빈 발전기 시스템에 사용되는 모니터링 시스템. - 컴퓨터 판독 가능 저장매체로서,
이에는 프로그램이 저장되어 있고, 당해 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제19항 중 어느 한 항에 따른 모니터링 방법을 구현하는 것을 특징으로 하는 컴퓨터 판독 가능 저장매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682155.3 | 2020-07-15 | ||
| CN202010682155.3A CN111878320B (zh) | 2020-07-15 | 2020-07-15 | 风力发电机组的监控方法、系统及计算机可读存储介质 |
| PCT/CN2021/093632 WO2022012137A1 (zh) | 2020-07-15 | 2021-05-13 | 风力发电机组的监控方法、系统及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230038281A true KR20230038281A (ko) | 2023-03-17 |
Family
ID=73155473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237005315A KR20230038281A (ko) | 2020-07-15 | 2021-05-13 | 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4184007A4 (ko) |
| KR (1) | KR20230038281A (ko) |
| CN (1) | CN111878320B (ko) |
| WO (1) | WO2022012137A1 (ko) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881617B (zh) * | 2020-07-02 | 2024-03-26 | 上海电气风电集团股份有限公司 | 数据处理方法、风力发电机组的性能评估方法及系统 |
| CN111878320B (zh) * | 2020-07-15 | 2021-07-30 | 上海电气风电集团股份有限公司 | 风力发电机组的监控方法、系统及计算机可读存储介质 |
| CN114238033B (zh) * | 2021-12-28 | 2022-09-13 | 湖南云箭智能科技有限公司 | 板卡运行状态预警方法、装置、设备及可读存储介质 |
| CN115342035A (zh) * | 2022-08-29 | 2022-11-15 | 西安热工研究院有限公司 | 一种基于scada数据的风力发电机温度异常故障诊断方法及系统 |
| CN115374653B (zh) * | 2022-10-21 | 2022-12-20 | 宇动源(北京)信息技术有限公司 | 基于nset模型的风力发电机温度预警方法及相关装置 |
| CN115905980A (zh) * | 2022-12-09 | 2023-04-04 | 马鞍山玖帆科技有限公司 | 用于风电能源的设备监测系统及其监测方法 |
| CN118242234B (zh) * | 2024-05-28 | 2024-07-19 | 陕西立拓科源科技有限公司 | 一种风力驱动机监测方法及系统 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0515034D0 (en) * | 2005-07-21 | 2005-08-31 | Rolls Royce Plc | Method and system for operating a multi-stage combustor |
| US7895016B2 (en) * | 2009-08-31 | 2011-02-22 | General Electric Company | System and method for wind turbine health management |
| CN102808743B (zh) * | 2012-08-14 | 2015-03-11 | 国电联合动力技术有限公司 | 一种风电机组机舱温度控制方法及系统 |
| EP2948679B1 (en) * | 2013-01-25 | 2016-12-07 | Vestas Wind Systems A/S | Control of wind turbines |
| NO3070262T3 (ko) * | 2014-04-02 | 2018-06-02 | ||
| JP6356500B2 (ja) * | 2014-06-19 | 2018-07-11 | 株式会社日立製作所 | 風力発電装置 |
| CN105804951A (zh) * | 2014-12-29 | 2016-07-27 | 浙江运达风电股份有限公司 | 一种温度监测系统及风力机系统 |
| CN205154510U (zh) * | 2015-12-01 | 2016-04-13 | 沈阳华创风能有限公司 | 一种风机机舱温度采集系统 |
| US10907616B2 (en) * | 2016-05-03 | 2021-02-02 | Vestas Wind Systems A/S | Status monitoring for mechanical plants, in particular wind turbines |
| DE102016215614A1 (de) * | 2016-08-19 | 2018-02-22 | Siemens Aktiengesellschaft | Verfahren zur Bestimmung einer Temperatur und Leistungsmodul |
| CN109386435B (zh) * | 2017-08-04 | 2021-01-01 | 阿里巴巴集团控股有限公司 | 风电机故障监控方法、装置和系统 |
| CN110874665B (zh) * | 2018-08-31 | 2022-07-08 | 北京金风科创风电设备有限公司 | 用于风力发电机组的控制装置和方法 |
| CN110414155B (zh) * | 2019-07-31 | 2022-09-30 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
| CN110486238B (zh) * | 2019-09-05 | 2020-10-16 | 国电联合动力技术有限公司 | 一种低风速风力发电机组智能散热系统及其控制方法 |
| CN111878320B (zh) * | 2020-07-15 | 2021-07-30 | 上海电气风电集团股份有限公司 | 风力发电机组的监控方法、系统及计算机可读存储介质 |
-
2020
- 2020-07-15 CN CN202010682155.3A patent/CN111878320B/zh active Active
-
2021
- 2021-05-13 EP EP21841719.4A patent/EP4184007A4/en active Pending
- 2021-05-13 KR KR1020237005315A patent/KR20230038281A/ko active Search and Examination
- 2021-05-13 WO PCT/CN2021/093632 patent/WO2022012137A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| EP4184007A4 (en) | 2023-12-20 |
| EP4184007A1 (en) | 2023-05-24 |
| WO2022012137A1 (zh) | 2022-01-20 |
| CN111878320B (zh) | 2021-07-30 |
| CN111878320A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230038281A (ko) | 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체 | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN102588210B (zh) | 一种用于功率曲线拟合数据预处理的滤波方法 | |
| WO2022001379A1 (zh) | 数据处理方法、风力发电机组的性能评估方法及系统 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| CN114444382B (zh) | 基于机器学习算法的风电机组齿轮箱故障诊断分析方法 | |
| Peng et al. | Wind turbine failure prediction and health assessment based on adaptive maximum mean discrepancy | |
| CN115017214B (zh) | 水电站辅助设备运行状态分析预警方法、装置及存储介质 | |
| CN113139880A (zh) | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 | |
| Zhu et al. | Operational state assessment of wind turbine gearbox based on long short-term memory networks and fuzzy synthesis | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN113503232A (zh) | 一种风机运行健康状态预警方法及系统 | |
| CN110506245A (zh) | 诊断装置以及诊断方法 | |
| 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 | |
| CN115842408A (zh) | 基于scada的风电场运行状态检测系统及方法 | |
| CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
| CN113052716B (zh) | 风力发电机组主轴承的异常预警方法及装置 | |
| Zhang et al. | An unsupervised anomaly detection approach based on industrial big data | |
| CN112633692A (zh) | 查窃电阈值的获取方法和装置、查窃电装置和方法 | |
| Chen | Data Anomaly Diagnosis Method of Temperature Sensor Based on Deep Neural Network | |
| Liu et al. | Wind turbine spindle operating state recognition and early warning driven by SCADA data | |
| CN118153922B (zh) | 风电场多维度后评估平台、方法及终端设备 | |
| CN115811278B (zh) | 基于离散率的分布式光伏故障检测方法及装置 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
| KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |