CN114320773B - 一种基于功率曲线分析与神经网络的风电机组故障预警方法 - Google Patents
一种基于功率曲线分析与神经网络的风电机组故障预警方法 Download PDFInfo
- Publication number
- CN114320773B CN114320773B CN202111580061.6A CN202111580061A CN114320773B CN 114320773 B CN114320773 B CN 114320773B CN 202111580061 A CN202111580061 A CN 202111580061A CN 114320773 B CN114320773 B CN 114320773B
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- early warning
- neural network
- prediction
- turbine generator
- 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.)
- Active
Links
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种基于功率曲线分析与神经网络的风电机组故障预警方法，充分利用SCADA数据，且不需要对风电机组复杂的物理特性进行分析，将该方法分别用于风电场的变桨***和偏航***的故障预警，进一步证明方法的有效性，LPP特征提取降低了建模和预测的难度，提高了预测精度，神经网络算法中的极端学习机在学习速度和泛化性能上都比传统的BP神经网络更有优势，与极端学习机预测模型对比，核极端学习机预测模型在稳定性和预测精度上有一定的改善，信息熵方法结合熵的概念，能够对数据的变化剧烈程度进行量化，该方法能够实现风电机组早期故障的检测，从而达到故障预警的目的。
Description
技术领域
本发明涉及风电机组自动化技术领域，特别涉及一种基于功率曲线分析与神经网络的风电机组故障预警方法。
背景技术
风电机组运行环境恶劣，导致风电机组故障频发，给风电机组的安全稳定，运行带来不良影响，从而给风力发电的发展带来严重挑战，因此，实现风电机组早期故障的预警对风力发电的大规模发展有着重要意义。由于风电机组运行状态的多变性和不可预测性，对风电机组故障预警研究已经逐渐成为风电发展中的重要研究方向。近年来，随着人工智能技术的发展，越来越多的先进智能算法成功应用于各个领域中，因此，本方案选择采用神经网络算法应用于风电机组故障预警的研究中，且预测的结果也更加准确。
发明内容
本发明的目的在于提供一种基于功率曲线分析与神经网络的风电机组故障预警方法，可以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于功率曲线分析与神经网络的风电机组故障预警方法，包括以下步骤：
S101：数据筛选，依据功率特性曲线，使用最小二乘与离散度分析结合的算法对SCADA数据进行筛选，以保留符合机组正常工况的数据，从而提高模型的精度；
S102：建立神经网络模型，使用随机森林算法筛选模型的输入参数以简化模型结构，并通过对比隐含层的数目建立风电机组的神经网络模型；
S103：提出指标，结合滑动窗口模型，提出一种能反映机组实时运行状态的指标；
S104：确定阈值，通过非参数估计法确定该指标的阈值；
S105：预警和监测，实现状态预警及在线监测。
进一步地，包括工作***和管理后台，工作***通过信号传输的方式与管理后台交互数据，且管理后台配置有处理信息的应用模块。
进一步地，工作***包括分析单元、采集模块、预警模块、以及传输模块，采集模块用于采集的状态参数包括风速、风向、转速、电压、电流、功率、振动、温度等，且采集模块通过传输模块信号连接管理后台。
进一步地，分析单元包括角度模块、转速模块、风速模块以及功率模块，且分析单元运用SCADA***的相关参数，比如转速、功率、风速、角度等，在此基础上结合广义线性回归算法构建可用于分析各风力发电机组电量的线性模型，说明引起电量损失的具体原因。
进一步地，工作***还包括预测判断模块，预测判断模块可用于全场功率预测、叶片结冰预测、风力发电机组机械状态预测、单机功率曲线对标预测、风机机舱风速预测准确性修正以及判断运行健康状态。
进一步地，全场功率预测是指基于ARIMA算法构建全场功率预测模型，利用历史风速、风向、温度、功率、偏航数据用于模型的训练，利用当前相应数据进行模型的预测。
进一步地，风力发电机组机械状态预测是指深度挖掘振动信号、温度、风机转速等参数，利用神经网络建立预测模型，并用历史数据对模型进行训练，再利用当前参数进行风电机组机械状态的预测。
进一步地，针对步骤S105，可先利用保局投影方法对风电机组状态参数进行特征提取，再建立目标状态参数的神经网络预测模型，运用信息熵方法对目标状态参数预测模型的残差变化趋势进行分析来判断风电机组是否为健康状态，若健康，则允许此风电机组进行正常工作且对此风电机组进行实时监测，若不健康，则启动预警模块进行及时预警，并传输至管理后台进行预处理。
与现有技术相比，本发明的有益效果是：该方法充分利用SCADA数据，且不需要对风电机组复杂的物理特性进行分析，将该方法分别用于风电场的变桨***和偏航***的故障预警，进一步证明方法的有效性，LPP特征提取降低了建模和预测的难度，提高了预测精度，神经网络算法中的极端学习机在学习速度和泛化性能上都比传统的BP神经网络更有优势，与极端学习机预测模型对比，核极端学习机预测模型在稳定性和预测精度上有一定的改善，信息熵方法结合熵的概念，能够对数据的变化剧烈程度进行量化，该方法能够实现风电机组早期故障的检测，从而达到故障预警的目的。
附图说明
图1为本发明基于功率曲线分析与神经网络的风电机组故障预警方法的概述流程图；
图2为本发明基于功率曲线分析与神经网络的风电机组故障预警方法的具体流程图；
图3为本发明基于功率曲线分析与神经网络的风电机组故障预警方法的状态预警逻辑图；
图4为本发明基于功率曲线分析与神经网络的风电机组故障预警方法的***组成框图；
图5为本发明基于功率曲线分析与神经网络的风电机组故障预警方法的分析单元组成模块框图；
图6为本发明基于功率曲线分析与神经网络的风电机组故障预警方法的预测判断模块功能组成框图。
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。
参阅图1-2，一种基于功率曲线分析与神经网络的风电机组故障预警方法，包括以下步骤：
S101：数据筛选，依据功率特性曲线，使用最小二乘与离散度分析结合的算法对SCADA数据进行筛选，以保留符合机组正常工况的数据，从而提高模型的精度；
S102：建立神经网络模型，使用随机森林算法筛选模型的输入参数以简化模型结构，并通过对比隐含层的数目建立风电机组的神经网络模型；
S103：提出指标，结合滑动窗口模型，提出一种能反映机组实时运行状态的指标；
S104：确定阈值，通过非参数估计法确定该指标的阈值；
S105：预警和监测，实现状态预警及在线监测。
参阅图4-5，一种基于功率曲线分析与神经网络的风电机组故障预警方法，包括工作***和管理后台，工作***通过信号传输的方式与管理后台交互数据，且管理后台配置有处理信息的应用模块，工作***包括分析单元、采集模块、预警模块、以及传输模块，采集模块用于采集的状态参数包括风速、风向、转速、电压、电流、功率、振动、温度等，且采集模块通过传输模块信号连接管理后台，分析单元包括角度模块、转速模块、风速模块以及功率模块，且分析单元运用SCADA***的相关参数，比如转速、功率、风速、角度等，在此基础上结合广义线性回归算法构建可用于分析各风力发电机组电量的线性模型，说明引起电量损失的具体原因。
请参阅图6，一种基于功率曲线分析与神经网络的风电机组故障预警方法，工作***还包括预测判断模块，预测判断模块可用于全场功率预测、叶片结冰预测、风力发电机组机械状态预测、单机功率曲线对标预测、风机机舱风速预测准确性修正以及判断运行健康状态，全场功率预测是指基于ARIMA算法构建全场功率预测模型，利用历史风速、风向、温度、功率、偏航数据用于模型的训练，利用当前相应数据进行模型的预测，而风力发电机组机械状态预测是指深度挖掘振动信号、温度、风机转速等参数，利用神经网络建立预测模型，并用历史数据对模型进行训练，再利用当前参数进行风电机组机械状态的预测。
预警工作原理：可先利用保局投影方法对风电机组状态参数进行特征提取，再建立目标状态参数的神经网络预测模型，运用信息熵方法对目标状态参数预测模型的残差变化趋势进行分析来判断风电机组是否为健康状态，若健康，则允许此风电机组进行正常工作且对此风电机组进行实时监测，若不健康，则启动预警模块进行及时预警，并传输至管理后台进行预处理。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于，包括以下步骤：
S101：数据筛选，依据功率特性曲线，使用最小二乘与离散度分析结合的算法对SCADA数据进行筛选，以保留符合机组正常工况的数据，从而提高模型的精度；
S102：建立神经网络模型，使用随机森林算法筛选模型的输入参数以简化模型结构，并通过对比隐含层的数目建立风电机组的神经网络模型；
S103：提出指标，结合滑动窗口模型，提出一种能反映机组实时运行状态的指标；
S104：确定阈值，通过非参数估计法确定该指标的阈值；
S105：预警和监测，实现状态预警及在线监测。
2.如权利要求1所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：包括工作***和管理后台，工作***通过信号传输的方式与管理后台交互数据，且管理后台配置有处理信息的应用模块。
3.如权利要求2所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：工作***包括分析单元、采集模块、预警模块、以及传输模块，采集模块用于采集的状态参数包括风速、风向、转速、电压、电流、功率、振动、温度等，且采集模块通过传输模块信号连接管理后台。
4.如权利要求3所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：分析单元包括角度模块、转速模块、风速模块以及功率模块，且分析单元运用SCADA***的相关参数，在此基础上结合广义线性回归算法构建可用于分析各风力发电机组电量的线性模型，说明引起电量损失的具体原因。
5.如权利要求2所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：工作***还包括预测判断模块，预测判断模块可用于全场功率预测、叶片结冰预测、风力发电机组机械状态预测、单机功率曲线对标预测、风机机舱风速预测准确性修正以及判断运行健康状态。
6.如权利要求5所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：全场功率预测是指基于ARIMA算法构建全场功率预测模型，利用历史风速、风向、温度、功率、偏航数据用于模型的训练，利用当前相应数据进行模型的预测。
7.如权利要求5所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：风力发电机组机械状态预测是指深度挖掘振动信号、温度、风机转速参数，利用神经网络建立预测模型，并用历史数据对模型进行训练，再利用当前参数进行风电机组机械状态的预测。
8.如权利要求1所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：针对步骤S105，可先利用保局投影方法对风电机组状态参数进行特征提取，再建立目标状态参数的神经网络预测模型，运用信息熵方法对目标状态参数预测模型的残差变化趋势进行分析来判断风电机组是否为健康状态，若健康，则允许此风电机组进行正常工作且对此风电机组进行实时监测，若不健康，则启动预警模块进行及时预警，并传输至管理后台进行预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111580061.6A CN114320773B (zh) | 2021-12-22 | 2021-12-22 | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111580061.6A CN114320773B (zh) | 2021-12-22 | 2021-12-22 | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114320773A CN114320773A (zh) | 2022-04-12 |
| CN114320773B true CN114320773B (zh) | 2023-09-22 |
Family
ID=81055281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111580061.6A Active CN114320773B (zh) | 2021-12-22 | 2021-12-22 | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114320773B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115079626B (zh) * | 2022-07-21 | 2022-11-22 | 东方电气风电股份有限公司 | 一种风力发电机组部件潜在运行风险的预警方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086360A1 (en) * | 2014-12-02 | 2016-06-09 | Abb Technology Ltd | Wind farm condition monitoring method and system |
| WO2017113998A1 (zh) * | 2015-12-31 | 2017-07-06 | 北京金风科创风电设备有限公司 | 计算机存储介质、计算机程序产品、风电机组故障监测方法和装置 |
| KR102031121B1 (ko) * | 2018-06-05 | 2019-10-11 | 한남대학교 산학협력단 | 레이더를 이용한 풍력발전기 모니터링 시스템 |
| CN112648140A (zh) * | 2020-12-21 | 2021-04-13 | 北京华能新锐控制技术有限公司 | 基于信号重构的风电机组桨距角编码器故障容错方法 |
| CN112733283A (zh) * | 2020-12-21 | 2021-04-30 | 北京华能新锐控制技术有限公司 | 一种风电机组部件故障预测方法 |
-
2021
- 2021-12-22 CN CN202111580061.6A patent/CN114320773B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086360A1 (en) * | 2014-12-02 | 2016-06-09 | Abb Technology Ltd | Wind farm condition monitoring method and system |
| WO2017113998A1 (zh) * | 2015-12-31 | 2017-07-06 | 北京金风科创风电设备有限公司 | 计算机存储介质、计算机程序产品、风电机组故障监测方法和装置 |
| KR102031121B1 (ko) * | 2018-06-05 | 2019-10-11 | 한남대학교 산학협력단 | 레이더를 이용한 풍력발전기 모니터링 시스템 |
| CN112648140A (zh) * | 2020-12-21 | 2021-04-13 | 北京华能新锐控制技术有限公司 | 基于信号重构的风电机组桨距角编码器故障容错方法 |
| CN112733283A (zh) * | 2020-12-21 | 2021-04-30 | 北京华能新锐控制技术有限公司 | 一种风电机组部件故障预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114320773A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Wind turbine fault detection based on SCADA data analysis using ANN | |
| Fu et al. | Condition monitoring of wind turbine gearbox bearing based on deep learning model | |
| CN106662072B (zh) | 风力发电机状态监控方法与*** | |
| CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
| CN109543210A (zh) | 一种基于机器学***台的风电机组故障预测*** | |
| CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
| 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 | |
| CN103150473A (zh) | 一种风电机组发电效率实时监控诊断方法及装置 | |
| CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
| Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
| CN112834211A (zh) | 一种风电机组传动***故障预警方法 | |
| CN113204921B (zh) | 飞机涡扇发动机的剩余使用寿命预测方法及*** | |
| CN113339204A (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| CN114519923A (zh) | 一种电厂智能诊断预警方法和*** | |
| Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN116480534A (zh) | 一种风电机组健康度评估和检修方法、***、设备及介质 | |
| CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控***及方法 | |
| CN116779202A (zh) | 基于数字孪生的核电厂转动设备智能故障诊断方法及*** | |
| CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
| CN117649044A (zh) | 一种海上风电机组多维度量化状态评估方法 | |
| CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
| CN113323819B (zh) | 一种基于模糊专家***的风机安全链故障分析方法及*** | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| Song et al. | Anomaly detection of wind turbine generator based on temporal information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221014 Address after: No. 2, xizhuan Hutong, Caishikou street, Xicheng District, Beijing 100052 Applicant after: Datang renewable energy test and Research Institute Co.,Ltd. Address before: 100041 room a-1725, 2nd floor, building 3, yard 30, Shixing street, Shijingshan District, Beijing Applicant before: CHINA DATANG CORPORATION NEW ENERGY SCIENCE AND TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |