CN117703690A - 一种风力发电机组健康状态评估方法及*** - Google Patents
一种风力发电机组健康状态评估方法及*** Download PDFInfo
- Publication number
- CN117703690A CN117703690A CN202311863625.6A CN202311863625A CN117703690A CN 117703690 A CN117703690 A CN 117703690A CN 202311863625 A CN202311863625 A CN 202311863625A CN 117703690 A CN117703690 A CN 117703690A
- Authority
- CN
- China
- Prior art keywords
- variable
- working condition
- analysis
- health
- wind generating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 120
- 238000012544 monitoring process Methods 0.000 claims abstract description 90
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 241000039077 Copula Species 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 12
- 230000008878 coupling Effects 0.000 abstract description 8
- 238000010168 coupling process Methods 0.000 abstract description 8
- 238000005859 coupling reaction Methods 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 10
- 238000010977 unit operation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风力发电机组健康状态评估方法,通过将获取的风力发电机组的监测数据按照标签量、分析变量和工况变量进行划分,计算分析变量和工况变量之间的相关性,根据分析变量和工况变量之间的相关性获取分析变量对应的工况变量集合;将根据获取的风力发电机组的监测数据的工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据;筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,即可获得每一时刻分析变量的健康等级,本发明采用设备组合工况分析方法,在不同的工况组合条件下对机组实时监测数据进行健康状态分析,能够解决装备健康状态离散、运行工况耦合、运维决策多变等问题。
Description
技术领域
本发明属于发电机状态监测评估领域,具体涉及一种风力发电机组健康状态评估方法及***。
背景技术
当前风能作为清洁能源在改善中国能源结构方面发挥着越来越重要的作用,但随之而来的风电场安全性和经济效益问题也逐渐引起关注。风力发电机组作为分布式的复杂机电***的典型,具有物理分散、逻辑一体、多主体、多模态的典型特性,其服役健康状态受区域内离散单元装备健康状态、个性运行工况、差异化生产调度和主观运维决策等多元强耦合不确定因素综合影响,在时间和空间上呈现复杂的耦合和聚合特性。SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制***)是以计算机为基础的DCS与电力自动化监控***,它应用领域很广,可以应用于电力、冶金、石油、化工、燃气、铁路等领域的数据采集与监视控制以及过程控制等诸多领域。它作为能量管理***(EMS***)的一个最主要的子***,有着信息完整、提高效率、正确掌握***运行状态、加快决策、能帮助快速诊断出***故障状态等优势,现已经成为电力调度不可缺少的工具。它对提高电网运行的可靠性、安全性与经济效益,减轻调度负担,实现电力调度自动化与现代化,提高调度的效率和水平方面有着不可替代的作用。
风力发电机组普遍使用的SCADA***的报警机制对于机组安全平稳运行具有重要作用,但是目前SCADA报警机制很大程度依赖于具体监测变量的经验判断,且报警往往具有滞后性和片面性,对异常的预警能力较弱。同时,目前风力发电机组监测***分析多为定性分析,仅能判断正常与异常,进而只有一刀切的单一报警,而不能提供***监测变量的劣化过程和趋势,无法对不同异常引起的报警进行等级划分,难以在异常真正发生的时刻乃至之前及时地发出报警,需要能够将从监测变量到整机的健康状态进行准确量化分析的方法和***。
发明内容
本发明的目的在于提供一种风力发电机组健康状态评估方法及***,以克服传统风机健康状态分析和预警方法的不足,在SCADA告警之前,对风力发电机组进行准确分析,实现监测变量和整机的健康状态预警。
一种风力发电机组健康状态评估方法,包括以下步骤:
S1,将获取的风力发电机组的监测数据按照标签量、分析变量和工况变量进行划分,计算分析变量和工况变量之间的相关性,根据分析变量和工况变量之间的相关性获取分析变量对应的工况变量集合;
S2,将根据获取的风力发电机组的监测数据的工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据;
S3,根据步骤S2划分的多个区间得到不同工况组合,筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,即可获得每一时刻分析变量的健康等级,进一步获得整机不同时刻的健康等级和整机每一天的健康等级。
优选的,采用copula非线性分析方法,计算每个分析变量与每个工况变量之间的非线性相关性,构建分析变量与工况变量间的相关系数矩阵,根据强相关性判定设定阈值,辨识与每一个分析变量最相关的工况变量集合。
优选的,采用箱线图的方法,计算工况变量监测数据的各个箱线图特征值,把每一组数据由小到大排列,找到将该组数据四等分的数,将第一四分位数、中位数、第三四分位数作为区间划分的端点,对工况变量数值区间进行初始划分。
优选的,设一个分析变量在某一组合工况下的数据为x1,x2,…,xN,其中N为数据长度,则
其中C为该时刻所在组合工况下的中心值,M为该时刻所在组合工况下的标准差。
优选的,收集需要分析的时刻的分析变量和工况变量监测数据,根据上述确定的对应工况阈值中心,量化计算该时刻分析变量监测值到中心值的偏离程度,确定该时刻分析变量的健康等级;根据正常工况分析变量健康等级设定阈值,作为监测变量告警的依据指标。
优选的,获得每一时刻不同分析变量的健康等级后,融合所有分析变量每一天的健康等级,获得整机不同时刻的健康等级,进一步得到整机每一天的健康等级,构建整机健康等级变化曲线。
一种风力发电机组健康状态评估***,包括变量划分模块,区间划分模块和评估模块;
变量划分模块,将获取的风力发电机组的监测数据按照标签量、分析变量和工况变量进行划分,计算分析变量和工况变量之间的相关性,根据分析变量和工况变量之间的相关性获取分析变量对应的工况变量集合;
区间划分模块,将根据获取的风力发电机组的监测数据的工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据;
评估模块,根据划分的多个区间得到不同工况组合,筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,即可获得每一时刻分析变量的健康等级,进一步获得整机不同时刻的健康等级和整机每一天的健康等级。
优选的,采用copula非线性分析方法,计算每个分析变量与每个工况变量之间的非线性相关性,构建分析变量与工况变量间的相关系数矩阵,根据强相关性判定设定阈值,辨识与每一个分析变量最相关的工况变量集合。
优选的,采用箱线图的方法,计算工况变量监测数据的各个箱线图特征值,把每一组数据由小到大排列,找到将该组数据四等分的数,将第一四分位数、中位数、第三四分位数作为区间划分的端点,对工况变量数值区间进行初始划分。
优选的,设一个分析变量在某一组合工况下的数据为x1,x2,…,xN,其中N为数据长度,则
其中C为该时刻所在组合工况下的中心值,M为该时刻所在组合工况下的标准差。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供一种风力发电机组健康状态评估方法,通过将获取的风力发电机组的监测数据按照标签量、分析变量和工况变量进行划分,计算分析变量和工况变量之间的相关性,根据分析变量和工况变量之间的相关性获取分析变量对应的工况变量集合;将根据获取的风力发电机组的监测数据的工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据;根据划分的多个区间得到不同工况组合,筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,即可获得每一时刻分析变量的健康等级,进一步获得整机不同时刻的健康等级和整机每一天的健康等级。本发明采用设备组合工况分析方法,在不同的工况组合条件下对机组实时监测数据进行健康状态分析,能够解决装备健康状态离散、运行工况耦合、运维决策多变等问题。
本发明采用设备组合工况分析方法,在不同的工况组合条件下对机组实时监测数据进行健康状态分析,能够解决装备健康状态离散、运行工况耦合、运维决策多变等问题。本发明相对现有的风力发电机组监测报警机制依赖于先验知识的设定前提,提出了基于数据本身分布规律的健康状态评价和报警机制,使得风力发电机组监测报警具有连续性和可追溯性;
本发明和传统的SCADA报警机制相比,突出考虑从监测变量数据本身的分布规律中挖掘和提取***状态特征,减少人员操作和运维决策对监测判异的影响,具有更强的通用性和稳定性。
附图说明
图1是本发明风力发电机组健康状态评估方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供一种风力发电机组健康状态评估方法,包括以下步骤:
S1,将获取的风力发电机组的监测数据按照标签量、分析变量和工况变量进行划分,计算分析变量和工况变量之间的相关性,根据分析变量和工况变量之间的相关性获取分析变量对应的工况变量集合;
S2,将根据获取的风力发电机组的监测数据的工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据;
S3,根据步骤S2划分的多个区间得到不同工况组合,筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,即可获得每一时刻分析变量的健康等级,进一步获得整机不同时刻的健康等级和整机每一天的健康等级。
本发明采用设备组合工况分析方法,在不同的工况组合条件下对机组实时监测数据进行健康状态分析,能够解决装备健康状态离散、运行工况耦合、运维决策多变等问题。
步骤S1中,***监测数据变量类别划分:收集风力发电机组监测变量,根据***监测变量的实际指标和物理意义,结合监测数据有无情况和风机运行状态监测分析经验,分辨机组的运行状态量和工况量,将监测值划分为标签量、分析变量和工况变量。
基于copula非线性分析的工况变量辨识:采用copula非线性分析方法,计算每个分析变量与每个工况变量之间的非线性相关性,构建分析变量与工况变量间的相关系数矩阵,根据强相关性判定设定阈值,辨识与每一个分析变量最相关的工况变量集合。
设X1,X2,…XN是N个随机变量,它们各自的边缘分布分别为F1(x1),F2(x2),…,FN(xN),它们的联合分布为H(x1,x2,…,xN),则Copula非线性相关性计算可由下式得到,
C(u1,u2,…,uN)=H[F1 -1(u1),F2 -1(u2),…,FN -1(uN)]
其中C(u1,u2,…,uN)为Copula函数,F-1(u)代表F(u)的反函数。
风力发电机组运行工况划分步骤:对于辨识得到的每一个工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据。
基于箱线图的工况区间划分:采用箱线图的方法,计算工况变量监测数据的各个箱线图特征值,把每一组数据由小到大排列,找到将该组数据四等分的数,将第一四分位数Q1、中位数Q2、第三四分位数Q3作为区间划分的端点,对工况变量数值区间进行初始划分。
面向现场的工况区间划分调整:以上述方法中划分的工况区间为基础,根据专家经验、监测***逻辑和机组实际工作状况,对工况区间划分进行调整。
步骤S3中,分析变量阈值中心确定:按照工况组合筛选每一个分析变量在该工况组合下的监测数据,计算每一个工况下每一个分析变量的中心值和标准差,作为不同工况下变量和机组状态的判定依据。
设一个分析变量在某一组合工况下的数据为x1,x2,…,xN,其中N为数据长度,则
其中C为该时刻所在组合工况下的中心值,M为该时刻所在组合工况下的标准差。
分析变量健康等级确定:收集需要分析的时刻的分析变量和工况变量监测数据,根据上述确定的对应工况阈值中心,量化计算该时刻分析变量监测值到中心值的偏离程度,确定该时刻分析变量的健康等级;根据正常工况分析变量健康等级设定阈值,作为监测变量告警的依据指标。
其中,D为监测数据,C为该时刻所在组合工况下的中心值,M为该时刻所在组合工况下的标准差,Result表示该时刻,该分析变量的健康等级,其物理意义为监测值偏离中心值的程度,值越大,越偏离中心值,健康情况越差。
整机健康等级确定:获得每一时刻不同分析变量的健康等级后,融合所有分析变量每一天的健康等级,获得整机不同时刻的健康等级,进一步得到整机每一天的健康等级,构建整机健康等级变化曲线。
本发明相对现有的风力发电机组监测报警机制依赖于先验知识的设定前提,提出了基于数据本身分布规律的风力发电机组健康状态评估机制,使得风力发电机组监测报警具有连续性和可追溯性;
本发明和传统的SCADA报警机制相比,突出考虑从监测变量数据本身的分布规律中挖掘和提取***状态特征,减少人员操作和运维决策对监测判异的影响,具有更强的通用性和稳定性;
本发明的工况划分和阈值设定都由算法提供基础,并能结合现场实际随时调整,对复杂多变的机组运行条件和运维决策具有更强的适应性;
本发明方案合理,容易实现,并提供了柔性算法***,能充分发挥基于数据分析的优势,为后续的纠正和改进提供了良好的基础
本发明提供一种风力发电机组健康状态评估方法,针对装备健康状态离散、运行工况耦合、运维决策多变的问题,本发明采用设备组合工况分析方法,在不同的工况组合条件下对机组实时监测数据进行健康状态分析。由于机组运行时的实时监测数据往往会受到工况变化的影响,并在不同工况下呈现不同分布,因此本发明着重于区分并分析不同工况条件下机组运行状态变量的分布特征,以此消除不同工况对变量分析的影响。同时,针对传统报警机制滞后性、非连续性等特点,本发明提出量化的机组健康状态评价方式,采用了风力发电机组从变量到整机的健康等级计算方法,然后依据健康等级构建从变量到整机的健康状态变化曲线,并作为监测***报警的判据。
具体包括以下步骤:
S1,风力发电机组监测变量辨识步骤:采集风力发电机组的历史监测数据,并将历史监测数据划分为标签量、分析变量和工况变量,并计算变量间相关性,获取分析变量对应的工况变量集合。标签量用于区分机组编号和时间。
(2)风力发电机组运行工况划分步骤。对于步骤1)辨识得到的每一个工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据,并根据现场实际对工况区间进行调整。
(3)机组健康状态量化分析与告警步骤。依据步骤2)得到的不同工况组合筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,量化计算每一时刻分析变量的健康等级,进一步获得整机不同时刻的健康等级和整机每一天的健康等级。
包括以下步骤:
1)风力发电机组监测变量辨识步骤。收集风力发电机组SCADA***监测数据,将监测变量类别划分标签量、分析变量和工况变量,并计算变量间相关性,获取分析变量对应的工况变量集合。
1.1)***监测数据变量类别划分。收集风力发电机组监测变量,根据***监测变量的实际指标和物理意义,结合监测数据有无情况和风机运行状态监测分析经验,分辨机组的运行状态量和工况量,将监测值划分为三个部分:标签量,分析变量,工况变量。
1.2)基于copula非线性分析的工况变量辨识。采用copula非线性分析方法,计算每个分析变量与每个工况变量之间的非线性相关性,构建分析变量与工况变量间的相关系数矩阵,根据强相关性判定设定阈值,辨识与每一个分析变量最相关的工况变量集合。
2)风力发电机组运行工况划分步骤。对于1.2)辨识得到的每一个工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据,并根据现场实际对工况区间进行调整。
2.1)基于箱线图的工况区间划分。采用箱线图的方法,计算工况变量监测数据的各个箱线图特征值,将特征值作为区间划分的端点,对工况变量数值区间进行初始划分。
2.2)面向现场的工况区间划分调整。以2.1)中划分的工况区间为基础,根据专家经验、监测***逻辑和机组实际工作状况,对工况区间划分进行调整。
3)机组健康状态量化分析与告警步骤。依据不同工况组合筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,量化计算每一时刻分析变量的健康等级,进一步获得整机不同时刻的健康等级和整机每一天的健康等级。
3.1)分析变量阈值中心确定。按照工况组合筛选每一个分析变量在该工况组合下的监测数据,计算每一个工况下每一个分析变量的中心值和标准差,作为不同工况下变量和机组状态的判定依据。
3.2)分析变量健康等级确定。收集需要分析的时刻的分析变量和工况变量监测数据,根据3.1)确定的对应工况阈值中心,量化计算该时刻分析变量监测值到中心值的偏离程度,确定该时刻分析变量的健康等级;根据正常工况分析变量健康等级设定阈值,作为监测变量告警的依据指标。
3.3)整机健康等级确定。获得每一时刻不同分析变量的健康等级后,融合所有分析变量每一天的健康等级,获得整机不同时刻的健康等级,进一步得到整机每一天的健康等级,构建整机健康等级变化曲线。
本发明采用设备组合工况分析方法,在不同的工况组合条件下对机组实时监测数据进行健康状态分析,能够解决装备健康状态离散、运行工况耦合、运维决策多变等问题。本发明相对现有的风力发电机组监测报警机制依赖于先验知识的设定前提,提出了基于数据本身分布规律的健康状态评价和报警机制,使得风力发电机组监测报警具有连续性和可追溯性;
本发明和传统的SCADA报警机制相比,突出考虑从监测变量数据本身的分布规律中挖掘和提取***状态特征,减少人员操作和运维决策对监测判异的影响,具有更强的通用性和稳定性;
本发明的工况划分和阈值设定都由算法提供基础,并能结合现场实际随时调整,对复杂多变的机组运行条件和运维决策具有更强的适应性;
本发明方案合理,容易实现,并提供了柔性算法***,能充分发挥基于数据分析的优势,为后续的纠正和改进提供了良好的基础。
Claims (10)
1.一种风力发电机组健康状态评估方法,其特征在于,包括以下步骤:
S1,将获取的风力发电机组的监测数据按照标签量、分析变量和工况变量进行划分,计算分析变量和工况变量之间的相关性,根据分析变量和工况变量之间的相关性获取分析变量对应的工况变量集合;
S2,将根据获取的风力发电机组的监测数据的工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据;
S3,根据步骤S2划分的多个区间得到不同工况组合,筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,即可获得每一时刻分析变量的健康等级,进一步获得整机不同时刻的健康等级和整机每一天的健康等级。
2.根据权利要求1所述的一种风力发电机组健康状态评估方法,其特征在于,采用copula非线性分析方法,计算每个分析变量与每个工况变量之间的非线性相关性,构建分析变量与工况变量间的相关系数矩阵,根据强相关性判定设定阈值,辨识与每一个分析变量最相关的工况变量集合。
3.根据权利要求1所述的一种风力发电机组健康状态评估方法,其特征在于,采用箱线图的方法,计算工况变量监测数据的各个箱线图特征值,把每一组数据由小到大排列,找到将该组数据四等分的数,将第一四分位数、中位数、第三四分位数作为区间划分的端点,对工况变量数值区间进行初始划分。
4.根据权利要求1所述的一种风力发电机组健康状态评估方法,其特征在于,设一个分析变量在某一组合工况下的数据为x1,x2,…,xN,其中N为数据长度,则
其中C为该时刻所在组合工况下的中心值,M为该时刻所在组合工况下的标准差。
5.根据权利要求1所述的一种风力发电机组健康状态评估方法,其特征在于,收集需要分析的时刻的分析变量和工况变量监测数据,根据上述确定的对应工况阈值中心,量化计算该时刻分析变量监测值到中心值的偏离程度,确定该时刻分析变量的健康等级;根据正常工况分析变量健康等级设定阈值,作为监测变量告警的依据指标。
6.根据权利要求1所述的一种风力发电机组健康状态评估方法,其特征在于,获得每一时刻不同分析变量的健康等级后,融合所有分析变量每一天的健康等级,获得整机不同时刻的健康等级,进一步得到整机每一天的健康等级,构建整机健康等级变化曲线。
7.一种风力发电机组健康状态评估***,其特征在于,包括变量划分模块,区间划分模块和评估模块;
变量划分模块,将获取的风力发电机组的监测数据按照标签量、分析变量和工况变量进行划分,计算分析变量和工况变量之间的相关性,根据分析变量和工况变量之间的相关性获取分析变量对应的工况变量集合;
区间划分模块,将根据获取的风力发电机组的监测数据的工况变量,采用箱线图的方法将工况变量数值划分为多个区间,作为机组运行状态不同工况的判断依据;
评估模块,根据划分的多个区间得到不同工况组合,筛选每一个分析变量对应工况组合下的监测数据,确定变量阈值中心,即可获得每一时刻分析变量的健康等级,进一步获得整机不同时刻的健康等级和整机每一天的健康等级。
8.根据权利要求7所述的一种风力发电机组健康状态评估***,其特征在于,采用copula非线性分析方法,计算每个分析变量与每个工况变量之间的非线性相关性,构建分析变量与工况变量间的相关系数矩阵,根据强相关性判定设定阈值,辨识与每一个分析变量最相关的工况变量集合。
9.根据权利要求7所述的一种风力发电机组健康状态评估***,其特征在于,采用箱线图的方法,计算工况变量监测数据的各个箱线图特征值,把每一组数据由小到大排列,找到将该组数据四等分的数,将第一四分位数、中位数、第三四分位数作为区间划分的端点,对工况变量数值区间进行初始划分。
10.根据权利要求7所述的一种风力发电机组健康状态评估***,其特征在于,设一个分析变量在某一组合工况下的数据为x1,x2,…,xN,其中N为数据长度,则
其中C为该时刻所在组合工况下的中心值,M为该时刻所在组合工况下的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311863625.6A CN117703690A (zh) | 2023-12-29 | 2023-12-29 | 一种风力发电机组健康状态评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311863625.6A CN117703690A (zh) | 2023-12-29 | 2023-12-29 | 一种风力发电机组健康状态评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117703690A true CN117703690A (zh) | 2024-03-15 |
Family
ID=90148006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311863625.6A Pending CN117703690A (zh) | 2023-12-29 | 2023-12-29 | 一种风力发电机组健康状态评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117703690A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118150893A (zh) * | 2024-05-08 | 2024-06-07 | 工业富联(杭州)数据科技有限公司 | 设备健康状态评估方法及存储介质 |
-
2023
- 2023-12-29 CN CN202311863625.6A patent/CN117703690A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118150893A (zh) * | 2024-05-08 | 2024-06-07 | 工业富联(杭州)数据科技有限公司 | 设备健康状态评估方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN106712713B (zh) | 一种光伏电站的监测***以及监测和异常定位方法 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断***及方法 | |
CN117703690A (zh) | 一种风力发电机组健康状态评估方法及*** | |
CN103912448B (zh) | 一种区域风电场机组功率特性监测方法 | |
CN109885021A (zh) | 一种基于实时采集数据对采集设备进行监测的方法及*** | |
CN108763729A (zh) | 基于网络结构熵的流程工业机电***耦合状态评估方法 | |
CN111667102A (zh) | 一种用于电力***变压器元件运行状态故障预警的智能挖掘算法 | |
CN103729804A (zh) | 一种应对电能质量预警的在线决策支持方法 | |
CN112861350A (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析*** | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN113221453A (zh) | 风电机组齿轮箱输出轴故障监测预警方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和*** | |
McGrail et al. | Data mining techniques to assess the condition of high voltage electrical plant | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和*** | |
CN117335570B (zh) | 一种弹性配电网全景信息可视化监测***及方法 | |
CN115423051A (zh) | 电力巡检数据挖掘、设备状态分类及风险预测***及方法 | |
CN110824292A (zh) | 一种基于特征分类的配电网失压故障智能识别方法 | |
CN113447764A (zh) | 应用于电网的智慧监测及故障管控方法 | |
CN113158552B (zh) | 基于时间序列的生物反应器运行状况分级预测方法及*** | |
CN117648588B (zh) | 基于相关性网络图聚类分析的气象雷达参数异常识别方法 | |
CN117131992B (zh) | 大数据电力抢修热点预测*** | |
CN117993562A (zh) | 基于人工智能大数据分析的风电机组故障预测方法及*** |
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 |