TWI482041B - 風力發電機的效能評估方法及裝置 - Google Patents
風力發電機的效能評估方法及裝置 Download PDFInfo
- Publication number
- TWI482041B TWI482041B TW100140414A TW100140414A TWI482041B TW I482041 B TWI482041 B TW I482041B TW 100140414 A TW100140414 A TW 100140414A TW 100140414 A TW100140414 A TW 100140414A TW I482041 B TWI482041 B TW I482041B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- mapped
- operational data
- power generator
- wind power
- Prior art date
Links
Landscapes
- Wind Motors (AREA)
Description
本發明是有關於一種發電機效能評估方法及裝置,且特別是有關於一種風力發電機之轉子系統的效能評估方法及裝置。
風力發電機是近幾年來發展蓬勃的新興綠能產業。截至去年統計,全球裝機容量每年增長超過30%,年安裝量達到1.5億千瓦,發電量將占全球總量的12%。以全球乾淨能源的投資趨勢與發展來看,大型風力發電仍是目前增長最快的選擇方案。囿於氣候風場難以準確預測與不穩定的情形之下,發展一套監控系統來預先評估目前發電效能與可能發生故障,藉以穩定風力發電發電品質的需求一直是此一產業之重點發展項目。
風力發電機為一種透過轉子將風能轉換成機械能,再經過齒輪系統升速,最後透過發電機使機械能轉變為電能的一種裝置。影響風力發電機發電效能的因素非常多,例如風場的穩定與否、機械能轉換過程中的能量損耗等,但其中最主要的因素還是取決於風力發電機如何在環境中擷取最多的風能,並將風能有效的轉換成機械能,也就是所謂的轉子效率。以氣體動力學的角度來看,可藉由氣動轉矩、氣動功率簡單模擬轉子效率:
其中,P aero
是對於風機半徑為R w
所對應的風機轉子的氣動功率,T rot
為風機轉子的氣動轉矩,U eq
為等效風速,ρ
為此時的空氣密度,ω rot
為轉子轉速,θ pitch
為葉片仰角,λ
=R w
.ω rot
/u eq
為尖速比。C p
(λ
,θ pitch
)為能量功率係數,此一係數是風機的重要特徵,可以理解成風場所提供之理論風能與轉子氣動功率P aero
之比值,不同葉片設計會直接影響到其係數理論值的高低,進而影響轉子於環境中擷取風能的能力。
理論上藉著上述氣動功率公式可計算出此時風力發電機轉子效率理論值,再透過外加感測器擷取轉子氣動轉矩T rot
所得出的轉子效率實際值,只要比較此二值之差異就可對轉子效率做有效的監測。但在實際狀況中,一方面公式裡的能量功率係數C p
(λ
,θ pitch
)僅能透過實驗插值得知,並無理論可求得確切之值,故無法由此一公式直接計算出氣動功率;另一方面因成本與技術上等現實面考量,目前亦無法針對氣動轉矩T rot
做監測,也因此事實上並無法得知轉子效率實際值。
為了避免直接量測氣動轉矩T rot
與計算其理論值的困難,習知技術均只針對發電機發電效率做監測,其方法可歸納為以下幾類:例如建模法、額外的感測器、透過經驗法則進行錯誤偵測等。圖1是習知發電機電力監控的示意
圖。請參照圖1,習知的電力監控系統10是利用經齒輪箱12與發電機13轉換後的電力進行監控。其中,電力監控系統10將風速U eq
、葉片仰角θ pitch
、轉子轉速ω rot
等變數15輸入轉子系統11,由轉子系統11產生氣動轉矩T rot
,經由齒輪箱12的轉換後提供給發電機13。評估裝置14則會根據從發電機13所測量到的平均功率變數(Pmeas
)16,生成發電效率指標17。此情形雖能提供發電效率指標,但卻無法針對轉子系統11的效能做監控,在發電效率不如預期的情況之下,亦無法進一步得知是內部何種關鍵零件出了問題。
有鑑於此,本發明提出一種風力發電機的效能評估方法及系統,可評估轉子效能。
本發明提出一種風力發電機的效能評估方法。此方法係擷取風力發電機的多筆運轉資料,其中每一筆運轉資料包括風力發電機的轉子系統的多個特徵參數。接著,將上述的運轉資料映射至非線性形態的特徵空間,然後利用一個單分類模型描述映射後的運轉資料在特徵空間中的狀態分佈。最後,在擷取到新進運轉資料時,將此新進運轉資料映射至特徵空間,並利用上述求得的單分類模型計算映射後的新進運轉資料與狀態分佈的相似度指標,用以作為評估轉子系統之效能的效能指標。
本發明提出一種風力發電機的效能評估系統,其包括
資料擷取單元、資料映射單元、狀態分佈建立單元及相似度度量單元。其中,資料擷取單元係用以擷取風力發電機的多筆運轉資料,每一筆運轉資料包括風力發電機的轉子系統的多個特徵參數。資料映射單元係用以將運轉資料映射至非線性形態的特徵空間。狀態分佈建立單元係利用單分類模型描述映射後的運轉資料在特徵空間中的狀態分佈。相似度度量單元係利用單分類模型計算新進運轉資料與狀態分佈的相似度指標,用以作為評估轉子系統之效能的效能指標,其中所述新進運轉資料是由資料擷取單元擷取並經由資料映射單元映射至特徵空間。
基於上述,本發明之風力發電機的效能評估方法及系統透過感知器或控制器中可蒐集的環境與狀態資料,建立風力發電機之轉子狀態的基準狀態分佈,並藉由與基準狀態分佈之相似度度量,而達到轉子效能評斷與故障偵測。
為讓本發明之上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
為了避免直接量測氣動轉矩與計算其理論值的困難,本案採用單類別分類的概念,透過監測轉子系統的其他變數以建立其狀態分佈基準,藉此只需利用現行系統中可擷取到資料與正常狀態數據來訓練模型,即可在不需要外加感測器與花費大量時間蒐集異常狀況數據資料的情形下,有效的建立轉子效能之評斷指標。透過此一評斷指標
就能在整機異常狀況下看出是否是因轉子所造成,進而可推論出其他關鍵元件是否正常。
以風力風電機為例,圖2是依照本發明一實施例所繪示之轉子效能評估的示意圖。請參照圖2,本實施例的轉子效能評估系統20除了將風速U eq
、葉片仰角θ pitch
、轉子轉速ω rot
等三個變數25輸入轉子系統21,由轉子系統21產生氣動轉矩T rot
,並經由齒輪箱22提供給發電機23外,還將這三個變數25構成一筆運轉資料輸入評估裝置24。接著,在正常運轉下取得足夠的數據,由評估裝置24訓練出發電機23的正常運轉模型,並建立一轉子效能指標26以表示轉子系統21的效能。此模型是以非線性的型態在多維空間中分布,其建模流程與技術將詳述於後。最後,此轉子效能指標26便可在風力發電機運轉時用來判別當前的數據是否被接受。如被接受,代表轉子效率正常;如被拒絕,代表轉子效率處於異常狀態,此時,風力發電機也就處於異常狀態。亦即,錯誤被偵測出。
圖3是依照本發明一實施例所繪示之風力發電機的效能評估裝置的方塊圖。圖4是依照本發明一實施例所繪示之風力發電機的效能評估方法的流程圖。請同時參照圖3及圖4,本實施例的效能評估裝置30例如是配置在風力發電機(未繪示)內或是與風力發電機連接的具運算能力的電子裝置,其包括資料擷取單元31、資料映射單元32、狀態分佈建立單元33及相似度度量單元34。以下即搭配效能評估裝置30中的各項元件說明本發明之風力發電機的
效能評估方法的詳細步驟:
首先,由資料擷取單元31擷取風力發電機的多筆運轉資料(步驟S402)。其中,每一筆運轉資料包括風力發電機的轉子系統的多個特徵參數,這些參數則包括轉子系統運轉時的風速、葉片角度及轉子轉速。
詳言之,本實施例研究的對象為水平軸風力發電機,以其控制系統所記錄之實際運轉資料為依據,進行轉子效能評估。其中,每一筆資料中有三個特徵值,分別為風速、葉片角度以及轉子轉速,其例如是每10分鐘記錄一次。假設風力發電機的啟動風速為每秒4公尺(4m/s),關機風速為每秒25公尺(25m/s),風力發電機處於滿載狀態時轉速上限約為每分鐘轉速(Revolution Per Minute,RPM)16.7,發電機的最低轉子轉速為12RPM。藉上述條件,可預設標準以對資料擷取單元31所擷取的資料進行正常狀態資料選取,以去除不正常或離散的運轉資料,其步驟可分為:(1)將每一筆運轉資料中的風速與一個風速區間比較,以去除風速在風速區間之外的運轉資料。例如,可選出風速在風速區間[4,25]m/s的運轉資料,而去除在此風速區間之外的運轉資料;(2)將每一筆運轉資料中的轉子轉速與最低轉子轉速比較,以去除轉子轉速低於最低轉子轉速的運轉資料。例如,可選出高於轉子最低轉速12RPM以上的運轉資料,而去除其他低於該最低轉子轉速的運轉資料;以及(3)去除較為離散或曾經有出現警訊記錄的運轉資
料。
回到圖4,接著由資料映射單元32將資料擷取單元31所擷取的運轉資料映射至非線性形態的特徵空間(步驟S404)。詳言之,在無法直接量測轉子效能的限制下,本實施例係將運轉資料映射至非線性的多維度特徵空間上,以尋求可包覆正常運轉資料的模型,作為後續評估轉子效能的依據。
對於這些映射後的運轉資料,狀態分佈建立單元33會利用一種單分類模型來描述映射後的運轉資料在特徵空間中的狀態分佈(步驟S406)。詳言之,本實施例係依據運轉資料的特色採用以支持向量資料描述(Support vector data description,SVDD)模型或核主成份分析(Kernel principal component analysis,KPCA)模型等單分類模型,來對轉子基準狀態分佈進行描述,藉此可用以對正常狀態與異常狀態的資料進行分類,上述兩種模型的實施方式將詳述於後。由狀態分佈建立單元33利用單分類模型描述狀態分佈的資料例如是預先儲存在資料儲存單元(未繪示)中,以作為後續評估新進運轉資料是否正常的依據。
最後,由相似度度量單元34利用上述狀態分佈建立單元33所求得的單分類模型,計算新進運轉資料與狀態分佈的相似度指標,而用以作為評估轉子裝置之效能的效能指標(步驟S408)。其中,上述的新進運轉資料例如是由資料擷取單元31擷取,並經由資料映射單元32映射至特徵空間之後的資料。
相似度度量單元34所計算的相似度指標可在風力發電機運轉時,用來評估當前的轉子效率,並進而判別當前轉子的狀態是否正常。若此相似度指標落在預設區間內,即代表轉子效率正常;若非在預設區間內,則代表轉子效率處於異常狀態,此時效能評估裝置30即可發出警告以通知相關人員進行處理。
本發明採用單類別分類的概念,有效建立複雜迴轉機械內轉子正常運轉的基準狀態分佈,而藉由將新監測到的運轉資料與此基準狀態分佈進行相似度度量,可達到效能評斷與故障偵測的目的。上述的單分類模型包括支持向量資料描述(SVDD)模型及核主成份分析(KPCA)模型,以下即分別舉一實施例詳細說明。
在使用支持向量資料描述模型作為單分類模型的實施例中,狀態分佈建立單元33會求取對於映射後的運轉資料具有最佳包覆的超球體(Hypersphere),以描述映射後運轉資料在特徵空間中的狀態分佈。詳言之,支持向量資料描述(SVDD)之結果可解釋為特徵空間上對於正常資料具有某種最佳包覆的超球體,其表面即為用來分類正常狀態與異常狀態的決策邊界,上述最佳包覆的性質可以描述成下列的最佳化問題:最小化;限制於。
其中,Φ(x i
)為資料x i
映射至特徵空間後的特徵向量,R
為超球體的半徑,C
為懲罰權重(penalty weight),ξ i
為鬆弛變數(slack variable),M
為訓練資料的資料筆數。藉著拉格朗日乘數法(Lagrange multiplier)可得其對偶問題(Dual problem)如下:最大化;限制於。
其中,L
為拉氏函數(Lagrange function),K
(x i
,x j
)為一事先定義的核函數,α i
為拉氏乘數(Lagrange multipliers)。以此實施例而言,核函數K
(x i
,x j
)選用高斯核函數(Gauss kernel function),與其參數(parameter)σ的關係如下:K
(x i
,x j
)=exp(∥x i
-x j
∥2
/2σ2
)。
接著,再透過卡羅需-庫恩-塔克條件(Karush-Kuhn-Tucker Conditions,KKT conditions)與懲罰權重C
可求得超球體半徑R
與球心a
:
其中,Φ(x i
)為第i
筆訓練資料x i
映射至特徵空間的結果。
對於新監測之運轉資料,狀態分佈建立單元33會計算新進運轉資料映射到特徵空間後的特徵向量與超
球體的球心a
的距離,然後再計算此距離與超球體的半徑R
的比值,以做為相似度指標,其公式如下:
上述的相似度指標除了可作為評估轉子系統效能的效能指標外,當此相似度指標超過了預設數值時,例如,還可判定轉子系統的運算出現異常,而提供故障之警示。
需說明的是,對於上述使用支持向量資料描述模型建立轉子基準狀態分佈的方法,本發明還提供適應性的調整機制,以求得對於正常狀態資料的最佳包覆。詳言之,圖5是依照本發明一實施例所繪示的利用支持向量資料描述模型建立轉子基準狀態分佈的方法流程圖。請參照圖5,本實施例的方法步驟如下:
首先,設定支持向量資料描述模型的核參數及懲罰權重(步驟S502)。接著,對於映射至特徵空間的運轉資料,利用所設定的核參數計算每兩筆運轉資料的核函數值(步驟S504)。然後,再根據卡羅需-庫恩-塔克條件及懲罰權重,利用所計算的核函數值求得超球體的半徑及球心(步驟S506)。
在算出超球體的半徑及球心之後,即利用此超球體計算運算資料落在超球體外部的比例(步驟S508),並判斷此比例是否大於預設比例(步驟S510),據以判別是否此超球體的大小符合需求。詳言之,狀態分佈建立單元33例如會計算映射至特徵空間的運轉資料落在超球體之外的
比例,並與預設目標拒絕比例(Target rejection rate)比較,此預設比例例如是1%、3%或5%。其中,若所計算的比例大於預設比例,則狀態分佈建立單元33會回到步驟S502,重新設定核參數及懲罰權重,而重新計算超球體的半徑及球心;反之,若所計算的比例不大於預設比例,則狀態分佈建立單元33即可利用所求得的超球體的半徑及球心,計算映射後的新進運轉資料與狀態分佈的相似度指標(步驟S512),藉以做為評估轉子系統效能的依據。
另一方面,在使用核主成份分析(KPCA)模型的實施例中,狀態分佈建立單元33會利用核主成份分析模型求取對於映射後的運轉資料滿足一資料散佈最大原則(maximal amount of variance)的多維子空間,以描述狀態分佈。詳言之,核主成份分析為非線性的降維分析技巧,透過重建錯誤的計算,藉以達成單分類的功效。
基本上,主成份分析可以看成解矩陣特徵值的問題,例如,其結果為特徵空間上中的一個q維本徵子空間(eigenspace)。此子空間的找尋必須滿足資料散佈最大原則,也就是找尋特徵空間中共變異矩陣的特徵向量V,其中λ
為求得的特徵值,q為事先由使用者所決定的子空間維度。根據推導,特徵向量可表示為下列映射後運轉資料Φ(x
)的線性組合:
其中,x i
為訓練資料(即轉子系統正常運轉下的運轉資料)、α i
為權重值。針對映射後資料Φ(x
),可定義下列的核矩陣(kernel matrix)K
:K ij
=(Φ(x i
).Φ(x j
))=exp(∥x i
-x j
∥2
/2σ2
)。
藉此,原問題可轉換成另一個等價的特徵值問題: M λ
α=Kα
。
其中,上述核矩陣K
解出來的特徵值λ
由大到小排列可得λ 1 λ 2 λ 3 ... λ M
,其所對應到的特徵向量分別為α 1
,α 2
,α 3
,...,α M
。對於新監測之運算資料,可藉由此運轉資料在維度q
之多維子空間上的重建錯誤值,以做為該相似度指標,此重建錯誤值的定義如下:
其中,;
上述的相似度指標除了可作為評估轉子系統效能的效能指標外,當此相似度指標超過了閥值時,例如,還可判定轉子系統的運算出現異常,進而提供故障之警示。
需說明的是,對於上述使用核主成份分析模型建立轉
子基準狀態分佈的方法,本發明還提供適應性的調整機制,以求得對於正常狀態資料的最佳描述。詳言之,圖6是依照本發明一實施例所繪示的利用核主成份分析模型建立轉子基準狀態分佈的方法流程圖。請參照圖6,本實施例的方法步驟如下:
首先,設定核主成份分析模型的核參數及多維子空間的維度(步驟S602)。接著,對於映射至特徵空間的運轉資料,利用所設定的核參數計算每兩筆運轉資料的核函數值,並聚集成為核矩陣(步驟S604)。然後,解出此核矩陣的多個特徵值及各個特徵值對應的特徵向量(步驟S606)。
在解出核矩陣的特徵值之後,接著則計算映射至特徵空間的各個運轉資料在該維度之多維子空間上的重建錯誤值(步驟S608)。根據預設目標拒絕比例(Target rejection rate)(例如是1%、3%或5%)與重建錯誤值計算出對應閥值,根據此一閥值計算測試資料的錯誤拒絕率(False Rejection Rate,FRR)與錯誤接受率(False Acceptance Rate,FAR)的比例(步驟S610),並與一預設比例值比較,以判斷此比例是否大於預設比例值(步驟S612)。其中,若所計算的比例大於該預設比例值,即回到步驟S602,重新設定核參數及多維子空間的維度,並重新計算核主成份分析模型的特徵值及各個特徵值對應的特徵向量;反之,若所計算的比例不大於預設比例值,則利用所求得的特徵值及各個特徵值對應的特徵向量,計算映射後
的新進運轉資料與狀態分佈的相似度指標(步驟S614)。
綜上所述,本發明之風力發電機的效能評估方法及裝置透過環境與狀態資料建立轉子狀態之基準狀態分佈,藉由與基準分佈之相似度度量達到效能評斷與故障偵測。其中,透過相似度度量轉化之可量化的效能指標,可指明轉子系統的健康程度,降低監測成本,並簡化傳統上異常偵測所需另外佈建感測器之流程。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作些許之更動與潤飾,故本發明之保護範圍當視後附之申請專利範圍所界定者為準。
10‧‧‧電力監控系統
11、21‧‧‧轉子系統
12、22‧‧‧齒輪箱
13、23‧‧‧發電機
14、24‧‧‧評估裝置
15、25‧‧‧變數
16‧‧‧平均功率變數
17‧‧‧發電效率指標
20‧‧‧效能評估系統
26‧‧‧轉子效能指標
30‧‧‧效能評估裝置
31‧‧‧資料擷取單元
32‧‧‧資料映射單元
33‧‧‧狀態分佈建立單元
34‧‧‧相似度度量單元
S402~S408‧‧‧本發明一實施例之風力發電機的效能評估方法的步驟
S502~S512‧‧‧本發明一實施例之利用支持向量資料描述模型建立轉子基準狀態分佈的方法步驟
S602~S614‧‧‧本發明一實施例之利用核主成份分析模型建立轉子基準狀態分佈的方法步驟
圖1是習知發電機電力監控的示意圖。
圖2是依照本發明一實施例所繪示之轉子效能評估的示意圖。
圖3是依照本發明一實施例所繪示之風力發電機的效能評估裝置的方塊圖。
圖4是依照本發明一實施例所繪示之風力發電機的效能評估方法的流程圖。
圖5是依照本發明一實施例所繪示的利用支持向量資料描述模型建立轉子基準狀態分佈的方法流程圖。
圖6是依照本發明一實施例所繪示的利用核主成份分析模型建立轉子基準狀態分佈的方法流程圖。
S402~S408‧‧‧本發明一實施例之風力發電機的效能評估方法的步驟
Claims (17)
- 一種風力發電機的效能評估方法,包括下列步驟:擷取一風力發電機於不同時點之多筆運轉資料,每一該些運轉資料包括該風力發電機的一轉子系統隨時間而變動之多個特徵參數;映射該些運轉資料至非線性形態的一特徵空間;利用一單分類模型描述映射後的該些運轉資料在該特徵空間中之一狀態分佈;以及擷取於下一時點之一新進運轉資料並映射至該特徵空間,利用該單分類模型計算映射後的該新進運轉資料與該狀態分佈的一相似度指標,用以作為評估該轉子系統之效能的一效能指標。
- 如申請專利範圍第1項所述之風力發電機的效能評估方法,其中該些特徵參數包括該轉子系統運轉時所測量到的風速、葉片角度及轉子轉速。
- 如申請專利範圍第2項所述之風力發電機的效能評估方法,其中在擷取該風力發電機的多筆運轉資料的步驟之後,更包括:分別將該些特徵參數與其各自之一預設標準比較,以去除不正常或離散的運轉資料。
- 如申請專利範圍第3項所述之風力發電機的效能評估方法,其中分別將該些特徵參數與其各自之該預設標準比較,以去除不正常或離散的運轉資料的步驟包括:將每一該些運轉資料中的風速與一風速區間比較,去 除風速在該風速區間之外的運轉資料;以及將每一該些運轉資料中的轉子轉速與一最低轉子轉速比較,去除轉子轉速低於該最低轉子轉速的運轉資料。
- 如申請專利範圍第1項所述之風力發電機的效能評估方法,其中利用該單分類模型描述映射後的該些運轉資料在該特徵空間中之該狀態分佈的步驟包括:利用一支持向量資料描述(Support vector data description,SVDD)模型求取對於映射後的該些運轉資料具有最佳包覆的一超球體,以描述該狀態分佈。
- 如申請專利範圍第5項所述之風力發電機的效能評估方法,其中利用該支持向量資料描述模型求取對於映射後的該些運轉資料具有最佳包覆的該超球體,以描述該狀態分佈的步驟包括:設定該支持向量資料描述模型的一核參數(kernel parameter)及一懲罰權重(penalty weight);對於映射至該特徵空間的該些運轉資料,利用所設定的核參數計算每兩筆運轉資料的一核函數值;根據一卡羅需-庫恩-塔克條件(Karush-Kuhn-Tucker Conditions,KKT conditions)與該懲罰權重,利用所計算的該些核函數值求得該超球體的一半徑及一球心。
- 如申請專利範圍第6項所述之風力發電機的效能評估方法,其中利用該支持向量資料描述模型求取對於映射後的該些運轉資料具有最佳包覆的該超球體,以描述該狀態分佈的步驟更包括: 計算映射至該特徵空間的該些運轉資料落在該超球體之外的一比例,並判斷該比例是否大於一預設比例;若該比例大於該預設比例,重新設定該核參數及該懲罰權重,並重新計算該超球體的該半徑及該球心;以及若該比例不大於該預設比例,利用所求得的該超球體的該半徑及該球心,計算映射後的該新進運轉資料與該狀態分佈的該相似度指標。
- 如申請專利範圍第6項所述之風力發電機的效能評估方法,其中利用該單分類模型計算映射後的該新進運轉資料與該狀態分佈的該相似度指標的步驟包括:計算映射至該特徵空間的該新進運轉資料與該超球體的該球心的一距離;以及計算該距離與該超球體的該半徑的一比值,以做為該相似度指標。
- 如申請專利範圍第1項所述之風力發電機的效能評估方法,其中利用該單分類模型描述映射後的該些運轉資料在該特徵空間中之該狀態分佈的步驟包括:利用一核主成份分析(Kernel principal component analysis,KPCA)模型求取對於映射後的該些運轉資料滿足一資料散佈最大原則(maximal amount of variance)的一多維子空間,以描述該狀態分佈。
- 如申請專利範圍第9項所述之風力發電機的效能評估方法,其中利用該核主成份分析模型求取對於映射後的該些運轉資料滿足該資料散佈最大原則的該多維子空 間,以描述該狀態分佈的步驟包括:設定該核主成份分析模型的一核參數及該多維子空間的一維度;對於映射至該特徵空間的該些運轉資料,利用所設定的核參數計算每兩筆運轉資料的一核函數值,並聚集成為一核矩陣;解出該核矩陣的多個特徵值及各該些特徵值對應的一特徵向量。
- 如申請專利範圍第10項所述之風力發電機的效能評估方法,其中利用該核主成份分析模型求取對於映射後的該些運轉資料滿足該資料散佈最大原則的該多維子空間,以描述該狀態分佈的步驟更包括:計算映射至該特徵空間的各該些運轉資料在該維度之該多維子空間上的一重建錯誤值:
- 如申請專利範圍第11項所述之風力發電機的效能評估方法,其中利用該單分類模型計算映射後的該新進運轉資料與該狀態分佈的該相似度指標的步驟包括:計算映射後的該新進運轉資料在該維度之該多維子空間上的重建錯誤值,以做為該相似度指標。
- 一種風力發電機的效能評估裝置,包括:一資料擷取單元,擷取一風力發電機於不同時點之多筆運轉資料,每一該些運轉資料包括該風力發電機的一轉子裝置隨時間而變動之多個特徵參數;一資料映射單元,映射該些運轉資料至非線性形態的一特徵空間;一狀態分佈建立單元,利用一單分類模型描述映射後的該些運轉資料在該特徵空間中之一狀態分佈;以及一相似度度量單元,利用該單分類模型計算一新進運轉資料與該狀態分佈的一相似度指標,用以作為評估該轉子裝置之效能的一效能指標,其中該新進運轉資料是由該 資料擷取單元於下一時點擷取並經由該資料映射單元映射至該特徵空間。
- 如申請專利範圍第13項所述之風力發電機的效能評估裝置,其中該狀態分佈建立單元包括利用一支持向量資料描述模型求取對於映射後的該些運轉資料具有最佳包覆的一超球體,以描述該狀態分佈。
- 如申請專利範圍第13項所述之風力發電機的效能評估裝置,其中該狀態分佈建立單元包括利用一核主成份分析模型求取對於映射後的該些運轉資料滿足一資料散佈最大原則的一多維子空間,以描述該狀態分佈。
- 如申請專利範圍第13項所述之風力發電機的效能評估裝置,更包括:一資料儲存單元,儲存該狀態分佈建立單元利用該單分類模型所描述的該狀態分佈的資料。
- 如申請專利範圍第13項所述之風力發電機的效能評估裝置,其中該些特徵參數包括該轉子裝置運轉時所測量到的風速、葉片角度及轉子轉速。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161473403P | 2011-04-08 | 2011-04-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201245997A TW201245997A (en) | 2012-11-16 |
TWI482041B true TWI482041B (zh) | 2015-04-21 |
Family
ID=48094450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW100140414A TWI482041B (zh) | 2011-04-08 | 2011-11-04 | 風力發電機的效能評估方法及裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI482041B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI660323B (zh) * | 2014-06-27 | 2019-05-21 | 全家便利商店股份有限公司 | 能源監控管理系統與能源監控管理方法 |
CN111433694A (zh) * | 2017-11-29 | 2020-07-17 | 三菱日立电力系统株式会社 | 运转条件评价装置、运转条件评价方法及发电设备的控制系统 |
CN110378555A (zh) * | 2019-06-11 | 2019-10-25 | 重庆大学 | 一种针对风力发电场功率调度过程效能评估方法 |
CN111667379A (zh) * | 2020-05-26 | 2020-09-15 | 湖南科技大学 | 基于风电数据升维与球面数据拟合的故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200628697A (en) * | 2005-01-14 | 2006-08-16 | Vrb Power Systems Inc | Power generation system incorporating a vanadium redox battery and a direct current wind turbine generator |
TW200949067A (en) * | 2008-05-27 | 2009-12-01 | chun-liang Xu | A parameter transmission system established by using WSN for wind-powered electricity generating set |
US20100066087A1 (en) * | 2007-05-25 | 2010-03-18 | Mitsubishi Heavy Industries, Ltd. | Wind turbine generator, wind turbine generator system, and power generation control method of wind turbine generator |
TW201016962A (en) * | 2008-10-29 | 2010-05-01 | Mitsubishi Heavy Ind Ltd | Wind power generator, and control method therefor |
-
2011
- 2011-11-04 TW TW100140414A patent/TWI482041B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200628697A (en) * | 2005-01-14 | 2006-08-16 | Vrb Power Systems Inc | Power generation system incorporating a vanadium redox battery and a direct current wind turbine generator |
US20100066087A1 (en) * | 2007-05-25 | 2010-03-18 | Mitsubishi Heavy Industries, Ltd. | Wind turbine generator, wind turbine generator system, and power generation control method of wind turbine generator |
TW200949067A (en) * | 2008-05-27 | 2009-12-01 | chun-liang Xu | A parameter transmission system established by using WSN for wind-powered electricity generating set |
TW201016962A (en) * | 2008-10-29 | 2010-05-01 | Mitsubishi Heavy Ind Ltd | Wind power generator, and control method therefor |
WO2010050260A1 (ja) * | 2008-10-29 | 2010-05-06 | 三菱重工業株式会社 | 風力発電装置及びその制御方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201245997A (en) | 2012-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105205569B (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
Schlechtingen et al. | Using data-mining approaches for wind turbine power curve monitoring: A comparative study | |
CN104198138B (zh) | 一种风力发电机组异常振动的预警方法及系统 | |
Liu et al. | Global geometric similarity scheme for feature selection in fault diagnosis | |
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 | |
TWI482041B (zh) | 風力發電機的效能評估方法及裝置 | |
CN105508149B (zh) | 用于风力发电机组的故障检测方法及装置 | |
CN105654239B (zh) | 用于风力发电机组极端风况的识别方法、装置及系统 | |
CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
CN106875037A (zh) | 风力预测方法及装置 | |
CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
DK2981711T3 (en) | PROCEDURE FOR EFFICIENCY MONITORING OF A WINDOW ENERGY PARK | |
CN114165392A (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN113418617A (zh) | 一种风电场箱式变压器三维温度场测量与诊断方法 | |
CN108052963A (zh) | 风电功率预测建模的数据筛选方法、装置及风力发电机组 | |
CN111400845B (zh) | 风电机组的发电性能评估方法和装置 | |
Tong et al. | A novel ellipsoidal semisupervised extreme learning machine algorithm and its application in wind turbine blade icing fault detection | |
WO2024041409A1 (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 | |
TWI753338B (zh) | 資料整合方法及資料整合系統 | |
Si et al. | A data-driven approach for fault detection of offshore wind turbines using random forests | |
CN112231979B (zh) | 基于计算流体力学和机器学习的山区瞬时风况预报方法 | |
Qiao et al. | Research on SCADA data preprocessing method of Wind Turbine | |
CN111242411B (zh) | 一种风电机组功率特性评价方法及系统 | |
Bao et al. | Iterative modeling of wind turbine power curve based on least‐square B‐spline approximation |