CN117869207A - 一种风电机组发电性能检测方法、装置 - Google Patents
一种风电机组发电性能检测方法、装置 Download PDFInfo
- Publication number
- CN117869207A CN117869207A CN202311637635.8A CN202311637635A CN117869207A CN 117869207 A CN117869207 A CN 117869207A CN 202311637635 A CN202311637635 A CN 202311637635A CN 117869207 A CN117869207 A CN 117869207A
- Authority
- CN
- China
- Prior art keywords
- image
- wind turbine
- power curve
- power
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010248 power generation Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000003745 diagnosis Methods 0.000 claims abstract description 41
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001052 transient effect Effects 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本说明书实施例公开了一种风电机组发电性能检测方法、装置，方法包括：获取待测风电机组的历史数据，所述历史数据包括风速和功率；基于历史数据，生成该风电机组的功率曲线的二值图像；利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界；将功率曲线上位于最优分割边界外的数据识别为异常点，利用贝叶斯根因诊断模型对异常点进行异常诊断，输出风电机组的异常原因。装置基于方法实现。本说明书实施例能够识别各类型号的风电机组上的异常数据并能得到异常原因。
Description
技术领域
本说明书的一个或多个实施例涉及风力发电技术领域，特别的涉及一种风电机组发电性能检测方法、装置。
背景技术
风电机组的功率特性是评估其性能的重要指标，它直接影响到风电机组发电量的多少。风电机组服役后，需要及时进行功率特性评估。
由于所受工况瞬态多变且工作环境恶劣，所以风电机组是一个复杂、多变量、非线性的不确定***。一般新能源发电运营商运营的机组型号、品牌众多难以建立统一的评估体系，而且运行数据的量级非常大，人工分析费时费力。
当前迫切需要一种解决评估风电机组发电性能的方法，能实时评估发电机组效率，并可以识别影响其性能的具体根因。
发明内容
本说明书一个或多个实施例描述了一种风电机组发电性能检测方法、装置，能识别各种机组型号的风电机组的异常数据并能识别该异常数据对性能影响的具体根因。
第一方面，本说明书实施例提供了一种风电机组发电性能检测方法，包括：
获取待测风电机组的历史数据，所述历史数据包括风速和功率；
基于历史数据，生成该风电机组的功率曲线的二值图像；
利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界；
将功率曲线上位于最优分割边界外的数据识别为异常点，利用贝叶斯根因诊断模型对异常点进行异常诊断，输出风电机组的异常原因。
在一些实施例中，所述基于历史数据，生成该风电机组的功率曲线的二值图像，包括：
基于历史数据，生成初始尺度下的风电机组的功率曲线的二值图像；
利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，建立一个多尺度空间，形成多个不同尺度下的风电机组的功率曲线的二值图像；
利用第一能量函数Es＝w1Ng+w2Sg+w3(1-L)，计算多个不同尺度下的风电机组的功率曲线的二值图像的Es第一能量值，其中，Ng为欧拉数的梯度，Sg为面积梯度，w1，w2和w3是权重；
将最小第一能量值所对应的尺度下的风电机组的功率曲线的二值图像确定为最优尺度下的风电机组的功率曲线的二值图像，以送入主动形状模型进行建模。
在一些实施例中，所述利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界，包括：
利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像；
将功率曲线的二值图像转化为双特征图像，基于双特征图像，计算用于评价候选图像的类不确定性；
基于类不确定性和IoU约束，从候选分割边界中确定最优分割边界；
其中，所述功率曲线的二值图像转化为双特征图像，具体为：
对功率曲线的二值图像，基于二进制距离变换，得到特征图像B；
基于局部数据像素分布的密度和散度，在特征图像B上形成特征图像T；
所述基于类不确定性和IoU约束，从候选分割边界中确定最优分割边界，具体为：
对特征图像B和特征图像T进行类不确定性计算；
以第二能量函数最小化，IoU约束最大化为目标，利用第二能量函数计算第二能量值，从候选分割边界确定最优分割边界；
其中，所述第二能量函数：E(r)＝∑c∈ΩHr(g(c))(1-Rr)+Hr(g(c))Rr+1-Hr(g(c)))(1-Rr)，E(r)为第二能量值.Hr(g(c))为分段r处任一像素点c的类不确定性，Rr为分段r处的IoU约束；U和V分别代表特征图像B和特征图像T的像素集。
在一些实施例中，所述对功率曲线的二值图像，基于二进制距离变换，得到特征图像B，具体为：
通过搜索所述功率曲线的二值图像中的前景区域内的数据像素点与边界的最小空间距离，将功率曲线的二值图像转化为功率曲线的灰度图像，即得到特征图像B；
所述基于局部数据像素分布的密度和散度，在特征图像B上形成特征图像T，具体为：
计算每个数据像素在一定规格的移动窗口中的密度Rc和散度Lc；
基于密度Rc和散度Lc，形成复合特征Tc；
其中，w1和w2是Rc和Lc的权值，Tc归一化为(1，d)，d为特征图像B中的最大二进制距离变换值；
基于复合特征，在特征图像B上形成特征图像T。
在一些实施例中，在所述利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界之后，还包括：
基于历史数据与二值化图像转化过程中的映射关系，将具有最优分割边界的功率曲线的灰度图像转换为具有最优分割边界的功率曲线的彩色图像；
对彩色图像中的正常点和异常点进行标识，并对异常点数据进行分类。
在一些实施例中，所述异常点数据进行分类，具体为：通过识别彩色图像中异常点数据的线形，确定异常点数据类型为I型或II型或III型；
I型指风速高于切入速度时，功率值为负值或接近零功率值的数据；II型指分散或随机分布的数据；III型指具有相似输出功率值且持续一段时间的堆叠数据。
在一些实施例中，所述利用贝叶斯根因诊断模型对异常点进行异常诊断，输出风电机组的异常原因，包括：
获取该异常点所在时刻的历史参数，所述异常点的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；
将该异常点的历史参数输入贝叶斯根因诊断模型，输出风电机组的异常原因；
其中，所述贝叶斯根因诊断模型根据如下过程训练得到：
获取多台风电机组不同时刻的历史参数，所述多台风电机组的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；
对每一时刻的多台风电机组的历史参数进行正常或异常数据打标，所述异常数据还标识有根因标签；
从多台风电机组所有时刻的历史参数中，统计不同根因导致异常发生的先验概率；
将多台风电机组的历史参数中的多个参数进行任意组合，利用贝叶斯算法，对不同参数组合进行联合概率密度计算，以获得不同参数组合下异常发生的后验概率；
其中，Pr(Fm|xT+1)表示给定xT+1的状态Fm的后验概率，Pr((Fm)是Fm的先验概率，是X在Fm状态下的概率密度函数，/>是x在/>条件下的概率密度函数，/>是/>的先验概率，Fm指风机在不同时刻下的状态，/>指风机在不同时刻下Fm所处的状态外的其他状态；
将不同参数组合下异常发生的最大后验概率，确定为该异常的最终后验概率；
利用多台风电机组不同时刻的历史参数按如上步骤训练后，得到训练好的贝叶斯根因诊断模型。
在一些实施例中，所述历史数据或所述历史参数从SCADA***采集获得。
第二方面，本说明书实施例提供了一种风电机组发电性能检测装置，包括：
获取模块，用于获取待测风电机组的历史数据，所述历史数据包括风速和功率；
二值图像生成模块，用于基于历史数据，生成该风电机组的功率曲线的二值图像；
分割边界确定模块，用于利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界；
诊断模块，用于利用贝叶斯根因诊断模型对最优分割边界识别得到的异常点进行异常诊断，输出风电机组的异常原因。
在一些实施例中，所述二值图像生成模块包括：
第一图像生成单元，用于基于历史数据，生成初始尺度下的风电机组的功率曲线的二值图像；
第二图像生成单元，用于利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，建立一个多尺度空间，形成多个不同尺度下的风电机组的功率曲线的二值图像；
计算单元，用于利用第一能量函数Es＝w1Ng+w2Sg+w3(1-L)，计算多个不同尺度下的风电机组的功率曲线的二值图像的Es第一能量值，其中，Ng为欧拉数的梯度，Sg为面积梯度，w1，w2和w3是权重；
第三图像生成单元，用于将最小第一能量值所对应的尺度下的风电机组的功率曲线的二值图像确定为最优尺度下的风电机组的功率曲线的二值图像，以送入主动形状模型进行建模。
本说明书一些实施例提供的技术方案带来的有益效果至少包括：
在本说明书一个或多个实施例中，本说明书实施例方法适用多种机型风电机组的性能识别，先对单台风电机组进行异常点识别，并通过基于所有风电机组的历史参数训练得到的贝叶斯诊断模型，对异常点进行根因识别；在异常点识别过程中，先构建最优尺度下的功率曲线的二值图像，再基于功率曲线的二值图像利用主动形状模型进行建模，生成带有候选分组边界的候选图像，之后通过类不确定性和IoU约束从候选分割边界中确定最优分割边界，以准确识别得到位于最优分割边界外的数据，即异常数据；在诊断过程中，贝叶斯诊断模型是通过统计概率和联合概率密度计算训练得到，能有效识别异常数据的根因。
附图说明
为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种风电机组发电性能检测方法的流程图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述。
本说明书中的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本说明书实施例提出了一种风电机组的发电性能检测方法，用于识别各种机型风电机组的历史发电数据，以识别该风电机组是否存在异常数据，若存在，则能诊断得到该异常数据发生的原因。
如图1，本说明书实施例的一种风电机组的发电性能检测方法，包括：
步骤102，获取待测风电机组的历史数据，所述历史数据包括风速和功率；
步骤104，基于历史数据，生成该风电机组的功率曲线的二值图像；
步骤106，利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界；
步骤108，将功率曲线上位于最优分割边界外的数据识别为异常点，利用贝叶斯根因诊断模型对异常点进行诊断，输出风电机组的异常原因。
本说明书实施例的方法执行于控制端，能从SCADA***或者通过工业网关获取风电机组上的相关数据，之后对采集数据进行步骤104～步骤108的处理检测。所述控制端设于控制终端设备处。
本说明书实施例的方法能识别各种机型风电机组的发电性能，利用主动形状模型对功率曲线的二值图像进行建模，并基于类不确定性和IoU约束选出具有最优分割边界的候选图像，通过最优分割边界确定位于边界外的数据为异常点，位于边界内的数据为正常数据，以此方式检测风电机组性能。当存在异常点时，还能利用贝叶斯根因诊断模型对其进行异常诊断，得到异常原因，以便于对风电机组进行有效合理维修。
接下来，将详细描述上述各个步骤。
在步骤102中，所述控制终端设备与SCADA***对接，从SCADA***获得相关历史数据，或者，所述控制终端设备通过设于风电机组旁侧的工业网关获取对应风电机组上的传感器数据。
在步骤104中，所述基于历史数据，生成该风电机组的功率曲线的二值图像，包括：
步骤1041，基于历史数据，生成初始尺度下的风电机组的功率曲线的二值图像；
所述初始尺度可以是一个预定义的小尺度。
二值图像生成过程如下：
依据公式将风速和功率数据转化为二值图像上的数据像素。
xi＝[(vi-vmin)/Δx]
yi＝[(pi-pmin)/Δy]
其中pmax，Pmin，vmax，vmin表示功率和风速的最大值和最小值，(xi，yi)是数据像素的索引，(vi，pi)是对应的WPC数据点，Δx和Δy是用于二值化的比例因子。如果内部至少有一个数据点，则将像素设置为1，即数据像素，用DP表示；如果内部没有任何数据点，则设置为0，即背景像素。
步骤1043，利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，建立一个多尺度空间，形成多个不同尺度下的风电机组的功率曲线的二值图像；
利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，根据滤波时间k来形成不同尺度空间。一般来说，随着k的增加，二值化的图像可能会缺失更多的形状细节。高斯核(G)可以用高斯函数表示。
步骤1045，利用第一能量函数Es＝w1Ng+w2Sg+w3(1-L)，计算多个不同尺度下的风电机组的功率曲线的二值图像的Es第一能量值，其中，Ng为欧拉数梯度，Sg为面积梯度，w1，w2和w3是权重；
欧拉数N、轮廓L、面积S，用于确定最优尺度。在不失去一般性的情况下，所有指标在初始尺度上相对于二值图像归一化为[0，1]。
欧拉数梯度
面积梯度
其中，I(x，y)为图像中像素的值，如果该像素属于物体，则为1，否则为0，表示取梯度运算符。
步骤1047，将最小第一能量值所对应的尺度下的风电机组的功率曲线的二值图像确定为最优尺度下的风电机组的功率曲线的二值图像，以送入主动形状模型进行建模。
将最小第一能量值所对应的尺度为最优尺度，即获得最优滤波时间k。将该最优尺度下的风电机组的功率曲线的二值图像投入后续步骤106使用。
在步骤106中，所述利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界，包括：
步骤1061，利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像；
所述主动形状模型ASM对功率曲线形状进行建模，生成一组候选分割数据来过滤异常数据。
步骤1063，将功率曲线的二值图像转化为双特征图像，基于双特征图像，计算用于评价候选图像的类不确定性；
所述功率曲线的二值图像转化为双特征图像，具体为：
步骤I，对功率曲线的二值图像，基于二进制距离变换(BDT)，得到特征图像B。此过程通过搜索所述功率曲线的二值图像中的前景区域内的数据像素点与边界的最小空间距离，如用一种快速的欧氏距离变换算法，计算数据像素到边界的距离，将功率曲线的二值图像转化为功率曲线的灰度图像，即特征图像B。
在此过程中，由于I型、II型、III型异常点的二进制距离变换值一般较小，所以会表现出较低的正常置信度。
步骤II，基于局部数据像素(DP)分布的密度和散度，在特征图像B上形成特征图像T。
先计算每个数据像素在一定规格的移动窗口中的密度Rc和散度Lc；异常点通常在图像空间中分布为散点或不均匀，通过计算每个DP在n×n大小的移动窗口中的密度Rc和散度Lc。
Rc计算移动窗口中DP的比率。Ω是二值WPC图像中所有DP的集合，Ωc是以Ω中每个数据像素p为中心的n×n大小的移动窗口。对于Ωc中的任何像素c，如果这个像素是DP，则等于1，否则为0。
Lc为DP散度，定义为Ωc内所有DP与其质心相对于S的平均距离的比值。pi(xi，yi)表示Ωc中的任何DP。xm，ym表示xi和yi的平均值。M是Ωc和中DP的计数，是Ωc中的最大距离。
其次，基于密度Rc和散度Lc，形成复合特征Tc；
其中，w1和w2是Rc和Lc的权值，Tc归一化为(1，d)，d为特征图像B中的最大二进制距离变换值；
最后，基于复合特征，在特征图像B上形成特征图像T。
在特征图像T中，异常DP通常Rc较低，Lc较高。
步骤1065，基于类不确定性和IoU约束，从候选分割边界中确定最优分割边界；
步骤I’，对特征图像B和特征图像T进行类不确定性计算；
具体地，在给定的分段r下确定类不确定性的基本思想是基于这些类的概率分布的先验知识，计算属于异常或正常类的每个DP的不确定性。
对于任何DP，c的强度为g＝(gb，gt)，其中gb和gt分别为特征图像B和T中的强度。c在分段r处的类不确定性公式如下：
其中θr是c在r处属于正常类的先验概率，pn，r(g)和pa，r(g)是在r处的强度g属于正常类和异常类的概率密度函数。pr(g)是任何强度为g的DP的先验概率，表示为：
pr(g)＝θrpn，r(g)+(1-θr)pa，r·(g)
当gb和gt是相关时，假设B和T中gb和gt的强度分布是相关的，pn，r(g)和pa，r(g)可以改写为联合概率密度函数的形式：
pn，r(g)＝pn，r(gb，gt)，pa，r(g)＝pa，r(gb，gt)
当gb和gt是独立时，联合概率密度函数可以公式化为两个独立的概率密度函数的乘法：
pn，r(g)＝pn，r(gb)pn，r(gt)
pa，r(g)＝pa，r(gb)pa，r(gt)
步骤II’，以第二能量函数最小化，IoU约束最大化为目标，利用第二能量函数计算第二能量值，从候选分割边界确定最优分割边界；
其中，所述第二能量函数：E(r)＝∑c∈ΩHr(g(c))(1-Rr)+Hr(g(c))Rr+(1-Hr(g(c)))(1-Rr)，E(r)为第二能量值，Hr(g(c))为分段r处任一像素点c的类不确定性，Rr为分段r处的IoU约束，以确保可变形模型尽可能地覆盖目标WPC区域；U和V分别代表特征图像B和特征图像T的像素集。
通过最小能量搜索最优的分割ro：
ro＝arg min{E(e)}，r∈Υ
γ是由可变形状模型生成的所有分割的候选部分。在将平均形状与目标WPC图像进行初始对齐后，应用Powell算法在能量空间中寻找最优r。
本说明书实施例的方法，在步骤106之后，还包括：
基于历史数据与二值化图像转化过程中的映射关系，将具有最优分割边界的功率曲线的灰度图像转换为具有最优分割边界的功率曲线的彩色图像；
对彩色图像中的正常点和异常点进行标识，并对异常点数据进行分类。将位于最优分割边界外的数据确定为异常点，在位于最优分割边界内的数据为正常点。并且对异常点进行分类，利用线检测器识别线状I型和III型异常数据，其余的异常数据则分为II型。I型指风速高于切入速度时，功率值为负值或接近零功率值的数据；II型指分散或随机分布的数据；III型指具有相似输出功率值且持续一段时间的堆叠数据。
在步骤108中，所述利用贝叶斯根因诊断模型对异常点进行异常诊断，输出风电机组的异常原因，包括：
步骤1081，获取该异常点所在时刻的历史参数，所述异常点的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；
参数由SCADA***监控，连续记录参数值在一个数据库中，采样频率为10分钟或15分钟。
步骤1083，将该异常点的历史参数输入贝叶斯根因诊断模型，输出风电机组的异常原因。
该模型基于多个维度的历史参数训练获得，能更全面准确诊断出该异常点的异常原因。此外，所述历史参数的维度不限于上述6个，还可以更多个；同时，所述历史参数的维度可以根据训练和精度需要减少，例如包括风速、功率，或者任意2个或多个参数。
其中，所述贝叶斯根因诊断模型根据如下过程训练得到：
步骤201，获取多台风电机组不同时刻的历史参数，所述多台风电机组的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；
例如，
风电机组1号：
T1时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)；T2时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)；…Tn时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)。
风电机组2号：
T1时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)；T2时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)；…Tn时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)。
步骤203，对每一时刻的多台风电机组的历史参数进行正常或异常数据打标，所述异常数据还标识有根因标签；
通过专家知识或历史数据预先定义齿轮箱、发电机、叶片等大部件的特定故障原因。如给定一个具有有限状态集的风力涡轮机，F＝{F1，...，FM}，其中M是根据现有知识得出的包括健康状态和故障状态等已知状态的数量。由于状态分布的概率是确定的，因此可以根据输入的观测结果来确定T+1时风力涡轮机的状态。从统计学上讲，探索T+1时任何状态的Fm(m＝1、2、…，M)的概率，并根据获得的概率对状态进行优先排序，以便风电场的维修人员能够缩小故障范围，提供更准确的反应。
基于专家或历史数据(包含出故障的数据)，对数据进行打标。例如，
风电机组1号：
T1时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)，状态“正常”；T2时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)，状态“异常”，根因标签“齿轮箱故障”；…Tn时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)，状态“正常”。
风电机组2号：
T1时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)，状态“异常”，根因标签“叶片故障”；T2时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)，状态“正常”；…Tn时刻参数(风速、功率输出、变桨角、发电机转速、传动系振动加速度、塔振动加速度)，状态“正常”。
步骤205，从多台风电机组所有时刻的历史参数中，统计不同根因导致异常发生的先验概率；
步骤207，将多台风电机组的历史参数中的多个参数进行任意组合，利用贝叶斯算法，对不同参数组合进行联合概率密度计算，以获得不同参数组合下异常发生的后验概率；
其中，Pr(Fm|xT+1)表示给定xT+1的状态Fm的后验概率，PrFm)是Fm的先验概率，是X在Fm状态下的概率密度函数，/>是x在/>条件下的概率密度函数，/>是/>的先验概率，Fm指风机在不同时刻下的状态，/>指风机在不同时刻下Fm所处的状态外的其他状态；
上述概率密度函数采用多元正态分布的概率密度函数，其中的多元的数量基于参数的维度确定。假定参数只考虑速度和功率时，二元正态分布的概率密度函数为：
其中，μx1和μX2为随机变量X1和X2的平均值，σx1和σX2为X1和X2的标准差，ρ为X1和X2之间的相关系数。给定二元正态分布DT×2，可以通过根据标签F1和F2将观察结果分组来进一步产生两个数据集和/>
当参数包括风速、功率输出、变桨角时，不同参数组合可以有(风速、功率输出、变桨角)、(风速、功率输出)、(风速、变桨角)、(功率输出、变桨角)。当参数包括多个维度属性时，不同参数组合进行任意两个参数组合、三个参数组合，以构成多种组合可能。每种组合进行联合概率密度计算。
步骤209，将不同参数组合下异常发生的最大后验概率，确定为该异常的最终后验概率；
在获得每种组合的联合概率密度计算后，得到不同异常原因发生的概率值，将其中最大概率确定为最终后验概率。
属性参数一般与潜在的故障原因相关联。通过观测多个属性的值，可以使用多元正态分布的概率密度函数来计算每个属性值组合对应于特定故障状态的概率。即，将这些属性值作为输入，可以计算它们同时出现的概率，从而确定可能的故障状态。
利用多台风电机组不同时刻的历史参数按如上步骤训练后，得到训练好的贝叶斯根因诊断模型。通过观察采样过程的连续几次迭代结果是否趋于稳定来判断是否满足收敛条件，或者根据可接受的误差范围来设定收敛阈值。待满足收敛条件后，即得到训练好的诊断模型。
本说明书实施例还提供一种风电机组发电性能检测装置，其包括获取模块、二值图像生成模块、分割边界确定模块、诊断模块，其中：
获取模块，用于获取待测风电机组的历史数据，所述历史数据包括风速和功率；
二值图像生成模块，用于基于历史数据，生成该风电机组的功率曲线的二值图像；
分割边界确定模块，用于利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界；
诊断模块，用于利用贝叶斯根因诊断模型对最优分割边界识别得到的异常点进行异常诊断，输出风电机组的异常原因。
其中，所述二值图像生成模块包括：
第一图像生成单元，用于基于历史数据，生成初始尺度下的风电机组的功率曲线的二值图像；
第二图像生成单元，用于利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，建立一个多尺度空间，形成多个不同尺度下的风电机组的功率曲线的二值图像；
计算单元，用于利用第一能量函数Es＝w1Ng+w2Sg+w3(1-L)，计算多个不同尺度下的风电机组的功率曲线的二值图像的Es第一能量值，其中，Ng为欧拉数的梯度，Sg为面积梯度，w1，w2和w3是权重；
第三图像生成单元，用于将最小第一能量值所对应的尺度下的风电机组的功率曲线的二值图像确定为最优尺度下的风电机组的功率曲线的二值图像，以送入主动形状模型进行建模。
其中，所述分割边界确定模块包括：
候选单元，利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像；
双特征图像形成单元，用于将功率曲线的二值图像转化为双特征图像；
计算单元，用于基于双特征图像，计算用于评价候选图像的类不确定性；
最优确定单元，用于基于类不确定性和IoU约束，从候选分割边界中确定最优分割边界。
其中，所述诊断模块包括：
获取单元，用于获取该异常点所在时刻的历史参数，所述异常点的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；
诊断单元，用于将该异常点的历史参数输入贝叶斯根因诊断模型，输出风电机组的异常原因。
本说明书实施例的装置还包括训练模块，用于训练贝叶斯根因诊断模型。
训练过程如下：
获取多台风电机组不同时刻的历史参数，所述多台风电机组的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；
对每一时刻的多台风电机组的历史参数进行正常或异常数据打标，所述异常数据还标识有根因标签；
从多台风电机组所有时刻的历史参数中，统计不同根因导致异常发生的先验概率；
将多台风电机组的历史参数中的多个参数进行任意组合，利用贝叶斯算法，对不同参数组合进行联合概率密度计算，以获得不同参数组合下异常发生的后验概率；
将不同参数组合下异常发生的最大后验概率，确定为该异常的最终后验概率；
利用多台风电机组不同时刻的历史参数按如上步骤训练后，得到训练好的贝叶斯根因诊断模型。
以上所述的实施例仅仅是本说明书的优选实施例方式进行描述，并非对本说明书的范围进行限定，在不脱离本说明书的设计精神的前提下，本领域普通技术人员对本说明书的技术方案作出的各种变形及改进，均应落入本说明书的权利要求书确定的保护范围内。
Claims (10)
1.一种风电机组发电性能检测方法，其特征在于，包括：
获取待测风电机组的历史数据，所述历史数据包括风速和功率；
基于历史数据，生成该风电机组的功率曲线的二值图像；
利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界；
将功率曲线上位于最优分割边界外的数据识别为异常点，利用贝叶斯根因诊断模型对异常点进行异常诊断，输出风电机组的异常原因。
2.根据权利要求1所述的方法，其特征在于，所述基于历史数据，生成该风电机组的功率曲线的二值图像，包括：
基于历史数据，生成初始尺度下的风电机组的功率曲线的二值图像；
利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，建立一个多尺度空间，形成多个不同尺度下的风电机组的功率曲线的二值图像；
利用第一能量函数Es＝w1Ng+w2Sg+w3(1-L)，计算多个不同尺度下的风电机组的功率曲线的二值图像的Es第一能量值，其中，Ng为欧拉数的梯度，Sg为面积梯度，w1，w2和w3是权重；
将最小第一能量值所对应的尺度下的风电机组的功率曲线的二值图像确定为最优尺度下的风电机组的功率曲线的二值图像，以送入主动形状模型进行建模。
3.根据权利要求1所述的方法，其特征在于，所述利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界，包括：
利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像；
将功率曲线的二值图像转化为双特征图像，基于双特征图像，计算用于评价候选图像的类不确定性；
基于类不确定性和IoU约束，从候选分割边界中确定最优分割边界；
其中，所述功率曲线的二值图像转化为双特征图像，具体为：
对功率曲线的二值图像，基于二进制距离变换，得到特征图像B；
基于局部数据像素分布的密度和散度，在特征图像B上形成特征图像T；
所述基于类不确定性和IoU约束，从候选分割边界中确定最优分割边界，具体为：
对特征图像B和特征图像进行类不确定性计算；
以第二能量函数最小化，IoU约束最大化为目标，利用第二能量函数计算第二能量值，从候选分割边界确定最优分割边界；
其中，所述第二能量函数：E(r)＝∑c∈ΩHr(g(c))(1-Rr)+Hr(g(c))Rr+(1-Hr(g(c)))(1-Rr)，E(r)为第二能量值，Hr(g(c))为分段r处任一像素点c的类不确定性，Rr为分段r处的IoU约束；U和V分别代表特征图像B和特征图像T的像素集。
4.根据权利要求3所述的方法，其特征在于，
所述对功率曲线的二值图像，基于二进制距离变换，得到特征图像B，具体为：
通过搜索所述功率曲线的二值图像中的前景区域内的数据像素点与边界的最小空间距离，将功率曲线的二值图像转化为功率曲线的灰度图像，即得到特征图像B；
所述基于局部数据像素分布的密度和散度，在特征图像B上形成特征图像T，具体为：
计算每个数据像素在一定规格的移动窗口中的密度Rc和散度Lc；
基于密度Rc和散度Lc，形成复合特征Tc；
其中，w1和w2是Rc和Lc的权值，Tc归一化为(1,d)，d为特征图像B中的最大二进制距离变换值；
基于复合特征，在特征图像B上形成特征图像T。
5.根据权利要求1所述的方法，其特征在于，在所述利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界之后，还包括：
基于历史数据与二值化图像转化过程中的映射关系，将具有最优分割边界的功率曲线的灰度图像转换为具有最优分割边界的功率曲线的彩色图像；
对彩色图像中的正常点和异常点进行标识，并对异常点数据进行分类。
6.根据权利要求5所述的方法，所述异常点数据进行分类，具体为：通过识别彩色图像中异常点数据的线形，确定异常点数据类型为I型或II型或III型；
I型指风速高于切入速度时，功率值为负值或接近零功率值的数据；II型指分散或随机分布的数据；III型指具有相似输出功率值且持续一段时间的堆叠数据。
7.根据权利要求1所述的方法，其特征在于，所述利用贝叶斯根因诊断模型对异常点进行异常诊断，输出风电机组的异常原因，包括：
获取该异常点所在时刻的历史参数，所述异常点的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；
将该异常点的历史参数输入贝叶斯根因诊断模型，输出风电机组的异常原因；
其中，所述贝叶斯根因诊断模型根据如下过程训练得到：
获取多台风电机组不同时刻的历史参数，所述多台风电机组的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；
对每一时刻的多台风电机组的历史参数进行正常或异常数据打标，所述异常数据还标识有根因标签；
从多台风电机组所有时刻的历史参数中，统计不同根因导致异常发生的先验概率；
将多台风电机组的历史参数中的多个参数进行任意组合，利用贝叶斯算法，对不同参数组合进行联合概率密度计算，以获得不同参数组合下异常发生的后验概率；
其中，Pr(Fm|χT+1)表示给定xT+1的状态Fm的后验概率，Pr(Fm)是Fm的先验概率，是X在Fm状态下的概率密度函数，/>是x在/>条件下的概率密度函数，/>是/>的先验概率，Fm指风机在不同时刻下的状态，/>指风机在不同时刻下Fm所处的状态外的其他状态；
将不同参数组合下异常发生的最大后验概率，确定为该异常的最终后验概率；
利用多台风电机组不同时刻的历史参数按如上步骤训练后，得到训练好的贝叶斯根因诊断模型。
8.根据权利要求7所述的方法，所述历史数据或所述历史参数从SCADA***采集获得。
9.一种风电机组发电性能检测装置，其特征在于，包括：
获取模块，用于获取待测风电机组的历史数据，所述历史数据包括风速和功率；
二值图像生成模块，用于基于历史数据，生成该风电机组的功率曲线的二值图像；
分割边界确定模块，用于利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和IoU约束从候选分割边界中确定最优分割边界；
诊断模块，用于利用贝叶斯根因诊断模型对最优分割边界识别得到的异常点进行异常诊断，输出风电机组的异常原因。
10.根据权利要求9所述的装置，其特征在于，所述二值图像生成模块包括：
第一图像生成单元，用于基于历史数据，生成初始尺度下的风电机组的功率曲线的二值图像；
第二图像生成单元，用于利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，建立一个多尺度空间，形成多个不同尺度下的风电机组的功率曲线的二值图像；
计算单元，用于利用第一能量函数Es＝w1Ng+w2Sg+w3(1-L)，计算多个不同尺度下的风电机组的功率曲线的二值图像的Es第一能量值，其中，Ng为欧拉数的梯度，Sg为面积梯度，w1，w2和w3是权重；
第三图像生成单元，用于将最小第一能量值所对应的尺度下的风电机组的功率曲线的二值图像确定为最优尺度下的风电机组的功率曲线的二值图像，以送入主动形状模型进行建模。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311637635.8A CN117869207A (zh) | 2023-12-01 | 2023-12-01 | 一种风电机组发电性能检测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311637635.8A CN117869207A (zh) | 2023-12-01 | 2023-12-01 | 一种风电机组发电性能检测方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117869207A true CN117869207A (zh) | 2024-04-12 |
Family
ID=90577825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311637635.8A Pending CN117869207A (zh) | 2023-12-01 | 2023-12-01 | 一种风电机组发电性能检测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117869207A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN104819107A (zh) * | 2015-05-13 | 2015-08-05 | 北京天源科创风电技术有限责任公司 | 一种风电机组功率曲线异常漂移的诊断方法及*** |
| WO2018014825A1 (zh) * | 2016-07-21 | 2018-01-25 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
| CN108204341A (zh) * | 2016-12-19 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风电场运行状态的识别方法和装置 |
| CN109980683A (zh) * | 2019-03-22 | 2019-07-05 | 中国电建集团青海省电力设计院有限公司 | 一种风电场功率不确定预测方法 |
| CN115822887A (zh) * | 2022-12-05 | 2023-03-21 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组的性能评估与能效诊断方法及*** |
-
2023
- 2023-12-01 CN CN202311637635.8A patent/CN117869207A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN104819107A (zh) * | 2015-05-13 | 2015-08-05 | 北京天源科创风电技术有限责任公司 | 一种风电机组功率曲线异常漂移的诊断方法及*** |
| WO2018014825A1 (zh) * | 2016-07-21 | 2018-01-25 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
| CN108204341A (zh) * | 2016-12-19 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风电场运行状态的识别方法和装置 |
| CN109980683A (zh) * | 2019-03-22 | 2019-07-05 | 中国电建集团青海省电力设计院有限公司 | 一种风电场功率不确定预测方法 |
| CN115822887A (zh) * | 2022-12-05 | 2023-03-21 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组的性能评估与能效诊断方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Teng et al. | DNN‐based approach for fault detection in a direct drive wind turbine<? show [AQ ID= Q1]?> | |
| Zheng et al. | Raw wind data preprocessing: a data-mining approach | |
| CN105467975B (zh) | 一种设备故障诊断方法 | |
| US20120304008A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN110735769A (zh) | 一种预测风机故障的方法及装置、*** | |
| Wang et al. | A fast abnormal data cleaning algorithm for performance evaluation of wind turbine | |
| Gonzalez et al. | On the use of high-frequency SCADA data for improved wind turbine performance monitoring | |
| CN113574480A (zh) | 用于预测设备损坏的装置 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| EP4080304A1 (en) | System and method for cyberattack detection in a wind turbine control system | |
| 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***故障评估值的方法 | |
| CN117932501A (zh) | 一种电能表运行状态管理方法和*** | |
| He et al. | A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot | |
| TWI780434B (zh) | 異常診斷裝置及方法 | |
| CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
| CN117869207A (zh) | 一种风电机组发电性能检测方法、装置 | |
| Jastrzebska et al. | Measuring wind turbine health using fuzzy-concept-based drifting models | |
| CN117036732A (zh) | 一种基于融合模型的机电设备检测***、方法及设备 | |
| CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
| Murthy et al. | Power system insulator condition monitoring automation using mean shift tracker-FIS combined approach | |
| CN114372616B (zh) | 基于组合识别和空间相关性的新能源出力异常校正方法 | |
| CN118035873B (zh) | 一种并行卷积改进三元组网络的故障诊断方法 |
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 |