CN115478991B - 风电机组功率曲线形态异常的检测方法、设备及介质 - Google Patents

风电机组功率曲线形态异常的检测方法、设备及介质 Download PDF

Info

Publication number
CN115478991B
CN115478991B CN202211150499.5A CN202211150499A CN115478991B CN 115478991 B CN115478991 B CN 115478991B CN 202211150499 A CN202211150499 A CN 202211150499A CN 115478991 B CN115478991 B CN 115478991B
Authority
CN
China
Prior art keywords
wind turbine
power curve
wind
power
wind speed
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
Application number
CN202211150499.5A
Other languages
English (en)
Other versions
CN115478991A (zh
Inventor
杨宇凡
岳文彦
徐鹤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cecep Wind Power Corp
Original Assignee
Cecep Wind Power Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cecep Wind Power Corp filed Critical Cecep Wind Power Corp
Priority to CN202211150499.5A priority Critical patent/CN115478991B/zh
Publication of CN115478991A publication Critical patent/CN115478991A/zh
Application granted granted Critical
Publication of CN115478991B publication Critical patent/CN115478991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及一种风电机组功率曲线形态异常的检测方法、设备及介质，包括：采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理；基于风电机组SCADA运行数据进行单台风电机组的风速‑功率曲线拟合，得到单台风电机组的风速‑功率曲线拟合函数；利用每台风电机组风速‑功率曲线拟合函数和SCADA运行数据，得到每台风电机组的特征向量；将每台风电机组的特征向量输入到预先训练的风电机组功率曲线形态检测模型进行检测得到该台风电机组功率曲线形态异常的判别结果。本发明根据SCADA运行数据进行单台风电机组的风速‑功率曲线拟合，能够排除掉标准功率曲线带来的误差，提高风电机组功率曲线形态异常判别结果的准确性。

Description

风电机组功率曲线形态异常的检测方法、设备及介质
技术领域
本发明是关于一种风电机组功率曲线形态异常的检测方法、设备及介质，涉及风电机组功率曲线形态识别技术领域。
背景技术
目前，分析风电机组的发电能力主要是根据折算到标准空气密度下风电机组的实际功率曲线与标准功率曲线的形态进行判别，通过二者的线下面积或者两线之间面积的大小来判定风电机组的发电能力是否出现异常。然而，由于这两种曲线的计算、绘制的目的不同，在实际使用过程中，其结果往往不能准确表现出风电机组的发电能力异常情况。
在实际生产运维过程中，风电机组的标准功率曲线往往是通过仿真模拟得到。由于模拟仿真时的条件无法与实际工作环境中的气象等条件完全一致，且未考虑到风电机组的工况对功率曲线的影响，因此得到的标准功率曲线往往要低于风电机组的实际功率曲线。在使用标准功率曲线判别风电机组的发电能力时，无法反映出实际的发电能力情况。
发明内容
针对上述问题，本发明的目的是提供一种能够提高风电机组功率曲线形态异常判别准确性的风电机组功率曲线形态异常的检测方法、设备及介质。
为了实现上述发明目的，本发明采用的技术方案为：
第一方面，本发明提供的风电机组功率曲线形态异常的检测方法，包括：
采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理；
基于预处理后的风电机组SCADA运行数据进行单台风电机组的风速-功率曲线拟合，得到单台风电机组的风速-功率曲线拟合函数；
利用每台风电机组风速-功率曲线拟合函数和SCADA运行数据，得到每台风电机组的特征向量；
将每台风电机组的特征向量输入到预先训练的风电机组功率曲线形态检测模型进行检测得到该台风电机组功率曲线形态异常的判别结果。
进一步地，采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理，包括：采集预设时间段内所有风电机组的SCADA运行数据，包括机组编号、时间戳、风速、实际功率、桨叶角度及风机运行状态；剔除风速、功率、桨叶角度中任意一项为空值的数据；剔除每台风电机组处于非正常工况下的SCADA运行数据。
进一步地，单台风电机组的风速-功率曲线拟合函数采用的功率曲线拟合方法基于GB/T18451.2中的功率曲线拟合方法得到风速为0.5m/s的整数倍时对应的应发功率，对于风速为非0.5m/s的整数倍的风速，采用二次插值的方式计算应发功率，得到的风速-功率曲线拟合函数。
进一步地，每台风电机组的特征向量的计算方法，包括：使用风速-功率曲线拟合函数和SCADA运行数据中的风速计算每台风电机组的应发功率及功率偏差，并将应发功率及功率偏差添加到SCADA运行数据中，得到更新后的SCADA运行数据集D1，D2，…，Dn；对更新后的数据集D1，D2，…，Dn中每台风电机组的数据Di进行数据的筛选和分段，得到分割后的数据集
Figure BDA0003856913980000021
i为风电机组编号；对每台风电机组在每个风速段中的数据
Figure BDA0003856913980000022
计算其数据特征并将各个特征按设定顺序排列得到每个风速段对应的一维特征向量
Figure BDA0003856913980000023
j为风速段编号；将每台风电机组在不同风速段下的各个特征向量进行顺序拼接，得到每台风电机组的一维特征向量
Figure BDA0003856913980000024
进一步地，计算数据特征并将各个特征按设定顺序排列得到每个风速段对应的一维特征向量
Figure BDA0003856913980000031
包括：计算该风速段内的功率偏差的均值μ功率、风速段内的功率偏差的均方根std功率、功率的分布峰值数量N功率、桨叶角度的均值μ桨叶角度、桨叶角度的均方根std桨叶角度及桨叶角度的分布峰值数量N桨叶角度；将各个特征按照上述计算顺序进行排列，得到该风速段对应一维特征向量
Figure BDA0003856913980000032
进一步地，将每台风电机组在不同风速段下的各个特征向量进行顺序拼接，得到每台风电机组的一维特征向量
Figure BDA0003856913980000033
包括：将每个风速段的特征向量
Figure BDA0003856913980000034
按照对应风速段低到高的顺序排序，并按照该顺序依次将各个特征向量进行顺序拼接，得到每台风电机组的一维特征向量
Figure BDA0003856913980000035
进一步地，风电机组功率曲线形态检测模型采用支持向量机模型进行训练，过程为：将特征向量
Figure BDA0003856913980000036
作为训练数据集，基于高斯核的多分类支持向量机进行检测，得到每台风电机组的功率曲线形态异常判别标签
Figure BDA0003856913980000037
根据判别结果与采集的人工标定的风电机组功率曲线形态异常标签，对模型进行参数更新，得到训练完成的风电机组功率曲线形态检测模型，其中，功率曲线形态异常判别标签的取值范围为{0，1，2，3，4}，功率曲线形态异常分类包括功率曲线形态无异常、功率曲线左移、功率曲线右移、功率曲线分叉、功率曲线畸变，其分别对应标签0、1、2、3、4。
第二方面，本发明还提供一种风电机组功率曲线形态异常的检测***，包括：
数据获取单元，被配置为采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理；
曲线拟合单元，被配置为基于预处理后的风电机组SCADA运行数据进行该时间段内的单台风电机组的风速-功率曲线拟合，得到单台风电机组的风速-功率曲线拟合函数；
特征向量计算单元，被配置为利用每台风电机组风速-功率曲线拟合函数和SCADA运行数据，得到每台风电机组的特征向量；
曲线判别单元，被配置为将每台风电机组的特征向量输入到预先训练的风电机组功率曲线形态检测模型进行检测得到该台风电机组功率曲线形态异常的判别结果。
第三方面，本发明还提供一种电子设备，包括计算机程序指令，其中，所述程序指令被处理器执行时用于实现所述的风电机组功率曲线形态异常的检测方法。
第四方面，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述程序指令被处理器执行时用于实现所述的风电机组功率曲线形态异常的检测方法。
本发明由于采取以上技术方案，其具有以下特点：
1、本发明根据SCADA运行数据进行单台风电机组的风速-功率曲线拟合，能够排除掉标准功率曲线带来的误差，提高风电机组功率曲线形态异常判别结果的准确性。
2、本发明对原始SCADA运行数据进行相关计算，提取出了每台风电机组的特征向量，减少了模型的计算量，提升了模型的运行效率。
3、本发明通过风电机组功率曲线形态检测模型给出的风电机组形态异常的判别结果标签，能够对风电运维工作提供指向，有利于相关人员快速识别、定位异常，并对相应形态异常进行修复。
综上，本发明可以广泛应用于风电机组的发电能力分析评价中。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1为本发明实施例的风电机组功率曲线形态异常判别方法流程图；
图2为本发明实施例的风电机组特征向量计算方法流程图；
图3为本发明实施例的分布峰值数量计算方法流程图；
图4为本发明实施例的风电机组功率曲线形态左移的示意图；
图5为本发明实施例的风电机组功率曲线形态右移的示意图；
图6为本发明实施例的风电机组功率曲线形态分叉的示意图；
图7为本发明实施例的风电机组功率曲线形态畸变的示意图；
图8为本发明实施例的分布概率密度曲线和分布峰值数量示意图；
图9为本发明实施例的电子设备结构示意图。
具体实施方式
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
为了便于描述，可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系，这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“上面”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。
由于在使用标准功率曲线判别风电机组的发电能力时，无法反映出实际的发电能力情况。本发明提供的风电机组功率曲线形态异常的检测方法、设备及介质，包括：采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理；基于预处理后的风电机组SCADA运行数据进行单台风电机组的风速-功率曲线拟合，得到单台风电机组的风速-功率曲线拟合函数；利用每台风电机组风速-功率曲线拟合函数和SCADA运行数据，得到每台风电机组的特征向量；将每台风电机组的特征向量输入到预先训练的风电机组功率曲线形态检测模型进行检测得到该台风电机组功率曲线形态异常的判别结果。因此，本发明根据SCADA运行数据进行单台风电机组的风速-功率曲线拟合，能够排除掉标准功率曲线带来的误差，提高风电机组功率曲线形态异常判别结果的准确性。
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一：如图1所示，本实施例提供的风电机组功率曲线形态异常的检测方法，包括：
S1、定义功率曲线形态异常的分类。
本实施例中，功率曲线形态异常分类包括功率曲线左移、功率曲线右移、功率曲线分叉、功率曲线畸变，其分别对应标签1、2、3、4，如图4、图5、图6、图7所示，本实施例中标签0对应功率曲线形态无异常。
S2、采集预设时间段内的所有风电机组的SCADA运行数据并进行数据预处理。
本实施例中，采集的风电机组SCADA运行数据包括以下测点：机组编号、时间戳、风速v风速、实际功率P实际功率、桨叶角度及风机运行状态；其中，风机运行状态包括正常运行、限功率运行、停机三种状态。
本实施例中，对风电机组的SCADA运行数据的预处理方法，包括：
剔除风速、功率、桨叶角度中任意一项为空值的数据；
剔除每台风电机组处于非正常工况下的SCADA运行数据，其中，非正常工况下的SCADA运行数据为风速不在[0，30]范围内、功率不在[0，P额定]范围内或风机运行状态为停机或限功率运行的风电机组SCADA运行数据，P额定为风电机组的额定满发功率。
S3、基于预处理后的风电机组SCADA运行数据，进行该时间段内的单台风电机组的风速-功率曲线拟合，得到单台风电机组的风速-功率曲线拟合函数P＝f(v风速)。
本实施例中，采用的功率曲线拟合方法基于GB/T 18451.2中的功率曲线拟合方法得到风速为0.5m/s的整数倍时对应的应发功率，对于风速为非0.5m/s的整数倍的风速，采用二次插值的方式计算应发功率，得到的风速-功率曲线拟合函数P＝f(v风速)。
s4、利用风速-功率曲线拟合函数P＝f(v风速)和每台风电机组的SCADA运行数据，得到每台风电机组的特征向量
Figure BDA0003856913980000071
n为风电机组总数。
本实施例中，如图2所示，每台风电机组的特征向量的计算方法，包括步骤：
S41、使用风速-功率曲线拟合函数P＝f(v风速)和SCADA运行数据中的风速计算每台风电机组的应发功率P应发功率及功率偏差：P功率偏差＝P应发功率-P实际功率，并将以上两项添加到SCADA运行数据中，得到更新后的SCADA运行数据集D1，D2，…，Dn；
S42、对更新后的数据集D1，D2，…，Dn中每台风电机组的数据Di，i为风电机组编号，按照设定规则进行数据的筛选和分段，得到分割后的数据集
Figure BDA0003856913980000072
具体过程包括：
S421、筛选出所有风速在风电机组的切入风速和满发风速之间的数据，本实施例中，风电机组的切入风速为3.0m/s，满发风速为12.0m/s，筛选出所有风速在[3.0，12.0](m/s)区间内的数据。
S422、将筛选后的数据按照不同的风速区间进行分段，得到分段后的数据集。
本实施例中，将风速从3.0m/s开始到12.0m/s，以每间隔0.5m/s为一个中心，取左右0.25m/s为一个区间，即供19个区间来进行分段：
[2.75，3.25)，[3.25，3.75)，[3.75，4.25)，[4.25，4.75)，[4.75，5.25)，[5.25，5.75)，……，[10.25，10.75)，[10.75，11.25)[11.25，11.75)，[11.75，12.25)；
每个区间的中心分别为3.0m/s、3.5m/s、……、11.5m/s、12.0m/s，得到各个风电机组分段后的数据集
Figure BDA0003856913980000081
以此为例，不限于此。
S43、对每台风电机组在每个风速段中的数据
Figure BDA0003856913980000082
i为风电机组编号，j为风速段编号，计算其数据特征并将各个特征按一定顺序排列得到每个风速段对应的一维特征向量
Figure BDA0003856913980000083
本实施例中，计算数据特征并将各个特征按一定顺序排列得到每个风速段对应的一维特征向量
Figure BDA0003856913980000084
包括：
S431、计算该风速段内的功率偏差的均值：
Figure BDA0003856913980000085
其中，
Figure BDA0003856913980000086
为数据集
Figure BDA0003856913980000087
内的数据条数，
Figure BDA0003856913980000088
为数据集
Figure BDA0003856913980000089
内所有功率数据；
S432、计算该风速段内的功率偏差的均方根：
Figure BDA00038569139800000810
其中，
Figure BDA00038569139800000811
为数据集
Figure BDA00038569139800000812
内的数据条数，
Figure BDA00038569139800000813
为数据集
Figure BDA00038569139800000814
内所有功率数据。
S433、计算风速段内的功率的分布峰值数量N功率；
S434、计算风速段内的桨叶角度的均值：
Figure BDA00038569139800000815
其中，
Figure BDA00038569139800000816
为数据集
Figure BDA00038569139800000817
内的数据条数，
Figure BDA00038569139800000818
为数据集
Figure BDA00038569139800000819
内所有桨叶角度数据；
S435、计算该风速段内的桨叶角度的均方根：
Figure BDA0003856913980000091
其中，
Figure BDA0003856913980000092
为数据集
Figure BDA0003856913980000093
内的数据条数，
Figure BDA0003856913980000094
为数据集
Figure BDA0003856913980000095
内所有桨叶角度数据。
S436、计算风速段内的桨叶角度的分布峰值数量N桨叶角度；
S437、将各个特征按照上述顺序进行排列，得到一维特征向量
Figure BDA0003856913980000096
本实施例中，进一步地，如图3所示，分布峰值数量的计算方法，包括以下步骤：
计算出该风速段内的该测点数据的上四分位数、下四分位数和四分位距，记为Q3、Q1和IQR，其中，IQR＝Q3-Q1；
剔除该风速段内该测点数据在[Q1-1.5IQR，Q3+1.5IQR]范围之外的异常数据；
对该风速段内剩余的该测点数据进行核密度估计，得到一维的该测点分布概率密度曲线y＝p(x)，其中，x为功率值。优选地，本实施例在计算功率分布峰值数量时采用的核函数为均值为0，方差为20的高斯函数；在计算桨叶角度分布峰值数量时采用的核函数为均值为0，方差为5的高斯函数；
计算该密度曲线在[Q1-1.5IQR，Q3+1.5IQR]区间内的该测点分布峰值数量N，分布峰值数量计算方式为：使得
Figure BDA0003856913980000097
且x∈[Q1-1.5IQR，Q3+1.5IQR]的x的个数，其中α为分布系数。优选地，在计算功率分布峰值数量时采用的分布系数为20；在计算桨叶角度分布峰值数量时采用的分布系数为5，分布概率密度曲线和分布峰值数量如图8所示。
S44、将每台风电机组在不同风速段下的各个特征向量进行顺序拼接，
Figure BDA0003856913980000098
Figure BDA0003856913980000099
得到每台风电机组的一维特征向量
Figure BDA00038569139800000910
本实施例中，进一步地，特征向量顺序拼接的方法，包括：
将所有风速段的特征向量
Figure BDA00038569139800000911
按照对应风速段低到高的顺序排序，并按照该顺序依次将各个特征向量进行顺序拼接，得到每台风电机组的一维特征向量，本实施例中最终得到的每台风电机组的特征向量
Figure BDA0003856913980000101
长度为19×6＝114。
S5、将每台风电机组的特征向量采用支持向量机模型进行检测，包括：
将特征向量
Figure BDA0003856913980000102
作为训练数据集，基于的高斯核的多分类支持向量机M进行训练检测，得到每台风电机组的功率曲线形态异常判别标签
Figure BDA0003856913980000103
其中，功率曲线形态异常判别标签的取值范围为{0，1，2，3，4}，功率曲线形态异常分类包括功率曲线形态无异常、功率曲线左移、功率曲线右移、功率曲线分叉、功率曲线畸变，其分别对应标签0、1、2、3、4。
本实施例中，支持向量机模型选择基于高斯核的多分类支持向量机，其输入维度为114，输出维度为1；
S6、采集的人工标定的风电机组功率曲线形态异常真实标签y1，y2，…，yn，根据S5中得到的判别结果
Figure BDA0003856913980000104
更新模型参数，更新过程为：采集人工标定的每台风电机组的功率曲线形态异常真实标签y1，y2，…，yn，，并根据得到的形态异常判别标签
Figure BDA0003856913980000105
和真实标签y1，y2，…，yn对模型中的参数进行迭代更新，得到训练完成的风电机组功率曲线形态检测模型M′；其中，真实标签的取值范围为{0，1，2，3，4}。
S7、训练完成的风电机组功率曲线形态检测模型用于对获取的风电机组的SCADA运行数据进行检测得到风电机组功率曲线形态异常的判别结果，进而可以判定风电机组的发电能力是否出现异常，能够对风电运维工作提供指向，有利于相关人员快速识别、定位异常，并对相应形态。
实施例二：上述实施例一提供了风电机组功率曲线形态异常的检测方法，与之相对应地，本实施例提供一种风电机组功率曲线形态异常的检测***。本实施例提供的***可以实施实施例一的风电机组功率曲线形态异常的检测方法，该***可以通过软件、硬件或软硬结合的方式来实现。为了描述的方便，描述本实施例时以功能分为各种单元分别描述。当然，在实施时可以把各单元的功能在同一个或多个软件和/或硬件中实现。例如，该***可以包括集成的或分开的功能模块或功能单元来执行实施例一各方法中的对应步骤。由于本实施例的***基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例一的部分说明即可，本发明提供的风电机组功率曲线形态异常的检测***的实施例仅仅是示意性的。
具体地，本实施例还提供一种风电机组功率曲线形态异常的检测***，包括：
数据获取单元，被配置为采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理；
曲线拟合单元，被配置为基于预处理后的风电机组SCADA运行数据进行该时间段内的单台风电机组的风速-功率曲线拟合，得到单台风电机组的风速-功率曲线拟合函数；
特征向量计算单元，被配置为利用每台风电机组风速-功率曲线拟合函数和SCADA运行数据，得到每台风电机组的特征向量；
曲线判别单元，被配置为将每台风电机组的特征向量输入到预先训练的风电机组功率曲线形态检测模型进行检测得到该台风电机组功率曲线形态异常的判别结果。
实施例三：本实施例提供一种与本实施例一所提供的风电机组功率曲线形态异常的检测方法对应的电子设备，电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例一的方法。
如图9所示，电子设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。总线可以是工业标准体系结构(ISA，IndustryStandard Architecture)总线，外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，Extended Industry Standard Component)总线等等。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例一所提供的风电机组功率曲线形态异常的检测方法。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实现中，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、光盘等各种可以存储程序代码的介质。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例四：本实施例一的风电机组功率曲线形态异常的检测方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例一所述的风电机组功率曲线形态异常的检测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***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。在本说明书的描述中，参考术语“一个实施例”、“一些实现”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本申请是参照根据本申请实施例的方法、设备(***)、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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种风电机组功率曲线形态异常的检测方法，其特征在于，包括：
采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理；
基于预处理后的风电机组SCADA运行数据进行单台风电机组的风速-功率曲线拟合，得到单台风电机组的风速-功率曲线拟合函数；
利用每台风电机组风速-功率曲线拟合函数和SCADA运行数据，得到每台风电机组的特征向量；
将每台风电机组的特征向量输入到预先训练的风电机组功率曲线形态检测模型进行检测得到该台风电机组功率曲线形态异常的判别结果。
2.根据权利要求1所述的风电机组功率曲线形态异常的检测方法，其特征在于，采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理，包括：
采集预设时间段内所有风电机组的SCADA运行数据，包括机组编号、时间戳、风速、实际功率、桨叶角度及风机运行状态；
剔除风速、功率、桨叶角度中任意一项为空值的数据；
剔除每台风电机组处于非正常工况下的SCADA运行数据。
3.根据权利要求1所述的风电机组功率曲线形态异常的检测方法，其特征在于，单台风电机组的风速-功率曲线拟合函数采用的功率曲线拟合方法基于GB/T 18451.2中的功率曲线拟合方法得到风速为0.5m/s的整数倍时对应的应发功率，对于风速为非0.5m/s的整数倍的风速，采用二次插值的方式计算应发功率，得到风速-功率曲线拟合函数。
4.根据权利要求1所述的风电机组功率曲线形态异常的检测方法，其特征在于，每台风电机组的特征向量的计算方法，包括：
使用风速-功率曲线拟合函数和SCADA运行数据中的风速计算每台风电机组的应发功率及功率偏差，并将应发功率及功率偏差添加到SCADA运行数据中，得到更新后的SCADA运行数据集D1,D2,…,Dn，n为风电机组总数；
对更新后的数据集D1,D2,…,Dn中每台风电机组的数据Di进行数据的筛选和分段，得到分割后的数据集
Figure FDA0004089754450000021
i为风电机组编号；
对每台风电机组在每个风速段中的数据
Figure FDA0004089754450000022
计算其数据特征并将各个特征按设定顺序排列得到每个风速段对应的一维特征向量
Figure FDA0004089754450000023
j为风速段编号；
将每台风电机组在不同风速段下的各个特征向量进行顺序拼接，得到每台风电机组的一维特征向量
Figure FDA0004089754450000024
5.根据权利要求4所述的风电机组功率曲线形态异常的检测方法，其特征在于，计算其数据特征并将各个特征按设定顺序排列得到每个风速段对应的一维特征向量
Figure FDA0004089754450000025
包括：
计算该风速段内的功率偏差的均值μ功率、风速段内的功率偏差的均方根std功率、功率的分布峰值数量N功率、桨叶角度的均值μ桨叶角度、桨叶角度的均方根std桨叶角度及桨叶角度的分布峰值数量N桨叶角度；将各个特征按照上述计算顺序进行排列，得到该风速段对应一维特征向量
Figure FDA0004089754450000026
6.根据权利要求4所述的风电机组功率曲线形态异常的检测方法，其特征在于，将每台风电机组在不同风速段下的各个特征向量进行顺序拼接，得到每台风电机组的一维特征向量
Figure FDA0004089754450000027
包括：
将每个风速段的特征向量
Figure FDA0004089754450000028
按照对应风速段低到高的顺序排序，并按照该顺序依次将各个特征向量进行顺序拼接，得到每台风电机组的一维特征向量
Figure FDA0004089754450000029
Figure FDA00040897544500000210
7.根据权利要求4所述的风电机组功率曲线形态异常的检测方法，其特征在于，风电机组功率曲线形态检测模型采用支持向量机模型进行训练，过程为：
将特征向量
Figure FDA0004089754450000031
作为训练数据集，基于高斯核的多分类支持向量机进行检测，得到每台风电机组的功率曲线形态异常判别标签
Figure FDA0004089754450000032
根据判别结果与采集的人工标定的风电机组功率曲线形态异常标签，对模型进行参数更新，得到训练完成的风电机组功率曲线形态检测模型，其中，功率曲线形态异常判别标签的取值范围为{0,1,2,3,4}，功率曲线形态异常分类包括功率曲线形态无异常、功率曲线左移、功率曲线右移、功率曲线分叉、功率曲线畸变，其分别对应标签0、1、2、3、4。
8.一种风电机组功率曲线形态异常的检测***，其特征在于，包括：
数据获取单元，被配置为采集预设时间段内所有风电机组的SCADA运行数据并进行数据预处理；
曲线拟合单元，被配置为基于预处理后的风电机组SCADA运行数据进行该时间段内的单台风电机组的风速-功率曲线拟合，得到单台风电机组的风速-功率曲线拟合函数；
特征向量计算单元，被配置为利用每台风电机组风速-功率曲线拟合函数和SCADA运行数据，得到每台风电机组的特征向量；
曲线判别单元，被配置为将每台风电机组的特征向量输入到预先训练的风电机组功率曲线形态检测模型进行检测得到该台风电机组功率曲线形态异常的判别结果。
9.一种电子设备，其特征在于，包括计算机程序指令，其中，所述程序指令被处理器执行时用于实现权利要求1～7任一项所述的风电机组功率曲线形态异常的检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述程序指令被处理器执行时用于实现如权利要求1～7任一项所述的风电机组功率曲线形态异常的检测方法。
CN202211150499.5A 2022-09-21 2022-09-21 风电机组功率曲线形态异常的检测方法、设备及介质 Active CN115478991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211150499.5A CN115478991B (zh) 2022-09-21 2022-09-21 风电机组功率曲线形态异常的检测方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211150499.5A CN115478991B (zh) 2022-09-21 2022-09-21 风电机组功率曲线形态异常的检测方法、设备及介质

Publications (2)

Publication Number Publication Date
CN115478991A CN115478991A (zh) 2022-12-16
CN115478991B true CN115478991B (zh) 2023-04-28

Family

ID=84392447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211150499.5A Active CN115478991B (zh) 2022-09-21 2022-09-21 风电机组功率曲线形态异常的检测方法、设备及介质

Country Status (1)

Country Link
CN (1) CN115478991B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514353A (zh) * 2012-06-29 2014-01-15 国际商业机器公司 新增风机的功率预测方法和***
DE102019001356A1 (de) * 2019-02-26 2020-08-27 Senvion Gmbh Verfahren und System zum Steuern einer Windenergieanlagenordnung
CN110795690A (zh) * 2019-10-24 2020-02-14 大唐（赤峰）新能源有限公司 风电场运行异常数据检测方法
CN111666458B (zh) * 2020-06-22 2023-04-18 中国船级社质量认证有限公司 风电机组功率曲线的拟合方法
CN112267972B (zh) * 2020-10-22 2023-05-05 华能国际电力股份有限公司 一种风电机组功率曲线异常智能判定方法
CN113236508B (zh) * 2021-05-31 2022-04-05 浙江运达风电股份有限公司 一种用于风力发电机组风速-功率异常数据检测的方法
CN114565004A (zh) * 2021-11-24 2022-05-31 浙江运达风电股份有限公司 一种风电机组功率曲线异常散点剔除方法及装置

Also Published As

Publication number Publication date
CN115478991A (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
Zheng et al. Raw wind data preprocessing: a data-mining approach
Joshuva et al. A comparative study of Bayes classifiers for blade fault diagnosis in wind turbines through vibration signals
Yesilbudak Partitional clustering-based outlier detection for power curve optimization of wind turbines
CN112611584A (zh) 风力发电机组的疲劳失效检测方法、装置、设备及介质
CN110955862B (zh) 一种用于设备模型趋势相似度的评估方法及装置
CN110007660B (zh) 一种火电厂汽轮机组瞬态等效热应力在线软测量方法
CN112417734A (zh) 一种基于风电场地理信息的风速订正方法及装置
CN110672326B (zh) 轴承故障检测方法与计算机可读存储介质
CN115859148A (zh) 风机叶片振动报警方法及装置
CN111340307A (zh) 预测风机风力发电功率的方法以及相关装置
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
CN115478991B (zh) 风电机组功率曲线形态异常的检测方法、设备及介质
CN113361100B (zh) 一种风速估算方法、装置、设备及计算机可读存储介质
CN100465997C (zh) 基于元胞自动机的图像边缘检测算法
CN111623905B (zh) 风电机组轴承温度预警方法及装置
CN116245233A (zh) 基于超分辨率重建技术的风电场风速降尺度方法
Liang et al. Abnormal data cleaning for wind turbines by image segmentation based on active shape model and class uncertainty
CN112879216B (zh) 风电场的风速修正方法和装置
CN108198173A (zh) 一种混凝土裂缝区域的在线检测方法、装置及终端设备
Yang et al. Convolutional autoencoder-based sensor fault classification
CN114553468A (zh) 一种基于特征交叉与集成学习的三级网络入侵检测方法
Joshuva et al. Fault diagnosis of wind turbine blades using histogram features through nested dichotomy classifiers
Emami et al. Model-based data-driven structural health monitoring of a wind turbine blade
CN116050201B (zh) 基于智能传感器实时采集的三维风场建模方法及装置
CN116150666B (zh) 储能***故障检测方法、装置及智能终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant