一种风电机组功率异常诊断方法、系统及设备技术方案

本发明专利技术公开了一种风电机组功率异常诊断方法、系统及设备，通过采集机组SCADA的历史运行数据并通过四分位法和准则法对运行数据中的风速

【技术实现步骤摘要】
一种风电机组功率异常诊断方法、系统及设备


[0001]本专利技术属于风力发电
，涉及一种风电机组功率异常诊断方法、系统及设备。

技术介绍

[0002]随着风电机组装机容量屡创新高，风力发电技术的发展和风能的大规模开发利用为市场经济的发展带来了巨大的机遇，同时也提出了与可靠性、成本效益和能源安全相关的关键挑战。风电机组运行在极端、多变的天气条件下，结构复杂、变速变载、维护维修困难，这使得风电机组的故障率高、停机时间长、维修费用居高不下。风电机组一般配备有SCADA(监控与数据采集系统)，用来监测风电机组运行中产生的温度、电压、电流、风速、转速、功率等参数，具有简单的超阈值报警功能，但其报警阈值不能随着风机的劣化程度变化而变化，进而造成故障误报率明显上升。

技术实现思路

[0003]本专利技术的目的在于解决现有技术中报警阈值不能随着风机的劣化程度变化而变化，进而造成故障误报率明显上升的问题，提供一种风电机组功率异常诊断方法、系统及设备。
[0004]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0005]本专利技术提出的一种风电机组功率异常诊断方法，包括如下步骤：
[0006]根据预处理后的风电机组数据获取皮尔逊相关系数，对皮尔逊相关系数进行处理获取合格参数；
[0007]对预处理后的风电机组数据和合格参数进行归一化后输入至故障预警模型，获取优化的故障预警模型；
[0008]获取优化的故障预警模型输出值与实际观测值之间的向量相似度，根据向量相似度确定报警阈值，实现风电机组功率异常诊断。
[0009]优选地，预处理后的对风电机组数据采用四分位法和3σ准则法进行预处理，具体如下：
[0010]四分位法：将多维时序矩阵按照风速最小值到风速最大值以0.1m/s的区间间隔进行划分，对每个区间内的风机有功功率值按照从小到大进行排序得到功率值序列[p1，p2，p3，
…
，p
n
]；
[0011]计算下四分位数Q1、上四分位数Q3、四分位差I
QR
：
[0012][0013][0014]I
QR
＝Q3‑
Q1[0015]设置运行数据正常值的范围为[N1，N2]，正常值区间下界N1、正常值区间上界N2计算方法如下：
[0016]N1＝Q1
‑
1.5I
QR
[0017]N2＝Q2+1.5I
QR
[0018]3σ准则法：将风速在最小值到最大值之间以0.1m/s的区间进行划分，针对每个风速区间内的运行数据，假定风机运行数据x是服从正态分布的，则P(|x
‑
μ|>3σ)≤0.003，其中，μ表示正态总体的数学期望，σ表示正态总体的标准差，对于大于μ+3σ或小于μ
‑
3σ的数据值作为异常值，予以剔除。
[0019]优选地，获取皮尔逊相关系数rho的方法如下：
[0020][0021]其中，x
a,i
为a列数据的第i条数据；为a列数据的均值；x
b,i
为b列数据的第i条数据；为b列数据的均值；m为a列或b列数据的条数，皮尔逊相关系数的取值范围在[
‑
1,1]之间，相关系数rho的绝对值越大相关度越高。
[0022]优选地，归一化处理如下：
[0023][0024]其中，X
*
表示归一化后的数值；X
i
表示第i列数据，X
i,min
表示第i列数据的最小值；X
i,max
表示第i列数据的最大值。
[0025]优选地，采用随机森林算法建立发电机有功功率故障预警模型，故障预警模型平均百分比误差MAPE的计算公式如下：
[0026][0027]其中，m为测试集数据条数，y
i
′
为模型预测值，y
i
为真实观测值。
[0028]优选地，向量相似度S的获取方法如下：
[0029][0030]X
r
[0031]其中，比较向量基准向量X0＝[1,1,
…
1]T
，预警模型输出值X
est
＝[x
e1
,e2,
…
x
en
]T
，实际观测值X
obs
＝[x
o1
,o2,
…
x
on
]T
，向量相
似度S越接近1，风电机组有功功率越趋近于正常状态。
[0032]优选地，采用滑动窗口法处理风电机组有功功率的相似度序列为：
[0033]S(X
est
,X
obs
)＝[S1,S2,
…
S
N
,
…
,S
m
][0034]预警阈值其中，k为预警值系数，根据实际情况调整数值大小；为正常运行时的平均相似度最小值；
[0035]正常运行时的平均相似度最小值根据窗口内连续N个相似度平均值获取，
[0036]本专利技术提出的一种风电机组功率异常诊断系统，包括：
[0037]合格参数获取模块，所述合格参数获取模块用于根据预处理后的风电机组数据获取皮尔逊相关系数，对皮尔逊相关系数进行处理获取合格参数；
[0038]预警模型优化模块，所述预警模型优化模块用于对预处理后的风电机组数据和合格参数进行归一化后输入至故障预警模型，获取优化的故障预警模型；
[0039]报警阈值获取模块，所述报警阈值获取模块用于获取优化的故障预警模型输出值与实际观测值之间的向量相似度，根据向量相似度确定报警阈值，实现风电机组功率异常诊断。
[0040]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现风电机组功率异常诊断方法的步骤。
[0041]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现风电机组功率异常诊断方法的步骤。
[0042]与现有技术相比，本专利技术具有以下有益效果：
[0043]本专利技术提出的一种风电机组功率异常诊断方法，对运行数据进行预处理以剔除异常值，保留正常运行数据。获取风电发电机有功功率与输入参数间的皮尔逊相关系数，按照皮尔逊相关系数的绝对值排序选取输入变量参数，并对输入输出数据进行处理、及数据集划分，进而将实时运行数据代入发电功率预警模型计算模型输出值与实际观测值之间的向量相似度，确定报警阈值，比较两者的向量相似度与报警阈值的大小进行报警，提升故障预警时间，保障风力发电机组安全稳定运行。本专利技术采用机器学习算法建立优化的风电机组的故障预警模型，并获取向量相似度进而确定报警阈值可以在故障发生前及时预警，提早发现微弱故障，降低误报警率、提升故障提前预警的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组功率异常诊断方法，其特征在于，包括如下步骤：根据预处理后的风电机组数据获取皮尔逊相关系数，对皮尔逊相关系数进行处理获取合格参数；对预处理后的风电机组数据和合格参数进行归一化后输入至故障预警模型，获取优化的故障预警模型；获取优化的故障预警模型输出值与实际观测值之间的向量相似度，根据向量相似度确定报警阈值，实现风电机组功率异常诊断。2.根据权利要求1所述的风电机组功率异常诊断方法，其特征在于，预处理后的对风电机组数据采用四分位法和3σ准则法进行预处理，具体如下：四分位法：将多维时序矩阵按照风速最小值到风速最大值以0.1m/s的区间间隔进行划分，对每个区间内的风机有功功率值按照从小到大进行排序得到功率值序列[p1，p2，p3，
…
，p
n
]；计算下四分位数Q1、上四分位数Q3、四分位差I
QR
：：I
QR
＝Q3‑
Q1设置运行数据正常值的范围为[N1，N2]，正常值区间下界N1、正常值区间上界N2计算方法如下：N1＝Q1‑
1.5I
QR
N2＝Q2+1.5I
QR
3σ准则法：将风速在最小值到最大值之间以0.1m/s的区间进行划分，针对每个风速区间内的运行数据，假定风机运行数据x是服从正态分布的，则P(|x
‑
μ|>3σ)≤0.003，其中，μ表示正态总体的数学期望，σ表示正态总体的标准差，对于大于μ+3σ或小于μ
‑
3σ的数据值作为异常值，予以剔除。3.根据权利要求1所述的风电机组功率异常诊断方法，其特征在于，获取皮尔逊相关系数rho的方法如下：其中，x
a,i
为a列数据的第i条数据；为a列数据的均值；x
b,i
为b列数据的第i条数据；为b列数据的均值；m为a列或b列数据的条数，皮尔逊相关系数的取值范围在[
‑
1,1]之间，相关系数rho的绝对值越大相关度越高。
4.根据权利要求1所述的风电机组功率异常诊断方法，其特征在于，归一化处理如下：其中，X
*
表示归一化后的数值；X
i
表示第i列数据，X
i,min
表示第i列数据的最小值；X
i,max
表示第i列数据的最大值。5.根据权利要求1所述的风电...

【专利技术属性】
技术研发人员：安留明，沙德生，刘兴伟，李德永，周利鹏，石永利，宋佳琛，宋庆龙，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：