基于多源数据的风电机组异常状态种类识别方法及系统技术方案

本发明专利技术公开了基于多源数据的风电机组异常状态种类识别方法及系统，所述方法包括如下操作：采集风电机组机械振动数据、电磁系统数据和风况数据；对风电机组机械振动数据、电磁系统数据进行分析，识别异常状态；利用风电机组历史运行正常数据进行内嵌物理约束的深度神经网络训练，分别建立风况数据与风电机组机械振动数据的相关性网络模型、风况数据与电磁系统数据的相关性网络模型；利用两个相关性网络模型对异常状态数据和风况数据进行相关性校核，判别风电机组异常状态种类。本发明专利技术的方法和系统能够准确区分风电机组运行工况造成的检测值波动和故障造成的异常状态，为运维人员提供检修排查指导。

【技术实现步骤摘要】

本专利技术涉及风电机组运维，具体是基于多源数据的风电机组异常状态种类识别方法及系统。

技术介绍

1、近年来，风电机组的建设运行规模增速迅猛，风电机组的存量庞大，各类小概率的故障风险逐步在实际机组中显现。风电机组状态检测与运维问题成为重要研究问题。由于风电机组涉及机械结构、传动链、电磁系统、电力电子变换电路等各类部件，其运维检修困难较大。同时，由于风电场往往地理位置偏远，交通不便，检修人员现场故障排查成本较高。因此，如何基于现有风电机组监控数据，进行远程智能分析，识别风电机组故障异常状态具有重要意义。

2、目前国内外研究主要集中在风电机组单一维度的状态评估，大多仅考虑某一特定类型的监测数据，进行数据挖掘与故障预警模型开发，忽略了包括风电机组机械振动、电磁变换和外部风况的多源数据的内在关联，多源数据融合利用水平低，监测与预警模型准确度、可信度差，无法满足风电机组运行特性精细化监测与评价需求。

技术实现思路

1、为了解决上述问题，本专利技术提出了一种基于多源数据的风电机组异常状态种类识别方法及系统，对风本文档来自技高网...

【技术保护点】

1.基于多源数据的风电机组异常状态种类识别方法，其特征在于：包括如下操作：

2.根据权利要求1所述的基于多源数据的风电机组异常状态种类识别方法，其特征在于：采集的风电机组机械振动数据、电磁系统数据和风况数据具体为：

3.根据权利要求2所述的基于多源数据的风电机组异常状态种类识别方法，其特征在于：对风电机组机械振动数据进行分析具体操作包括频谱分析和异常值分析，所述频谱分析表达式为：

4.根据权利要求2所述的基于多源数据的风电机组异常状态种类识别方法，其特征在于：对风电机组的电磁系统数据进行分析具体包括：计算风电机组的发电机电磁功率，并将计算得到的发电机电...

【技术特征摘要】

1.基于多源数据的风电机组异常状态种类识别方法，其特征在于：包括如下操作：

2.根据权利要求1所述的基于多源数据的风电机组异常状态种类识别方法，其特征在于：采集的风电机组机械振动数据、电磁系统数据和风况数据具体为：

3.根据权利要求2所述的基于多源数据的风电机组异常状态种类识别方法，其特征在于：对风电机组机械振动数据进行分析具体操作包括频谱分析和异常值分析，所述频谱分析表达式为：

4.根据权利要求2所述的基于多源数据的风电机组异常状态种类识别方法，其特征在于：对风电机组的电磁系统数据进行分析具体包括：计算风电机组的发电机电磁功率，并将计算得到的发电机电磁功率与采集到的发电机电磁功率进行对比，判断偏差是否超过误差正常范围，若超过，则为异常状态，其中，发电机电磁功率的计算表达式为：

5.根据权利要求2所述的基于多源数据的风电机组异常状态种类识别方法，其特征在于：所述风况数据与风电机组机械振动数据的相关性网络模型的物理约束通过试验获取：以正常运行的风电机组为实验对象，基于风电机组历史运行正常数据，分析不同风速条件下，风机塔筒、叶片、传动链、电机的振动频率和振动幅值，获取以1...

【专利技术属性】
技术研发人员：汤奕，邓勇，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：