【技术实现步骤摘要】
本专利技术涉及新能源的监控与管理领域，特别是一种新能源发电站的监控故障管理方法及系统。
技术介绍
1、由于受到更多的自然影响，对于及时监测和处理故障显得尤为重要，面对大规模的风电场和光伏电站，传统的人工巡检和维护成本较高。因此，引入智能监测和故障诊断系统，能够降低人工维护成本，提高系统整体运行效率。随着智能电网和能源系统整合的发展，风力和光伏发电作为可再生能源的重要组成部分，需要更为智能和自适应的监测与管理系统，以便更好地与电网协同运行。市场上对于更高效、可靠的可再生能源项目有着较大需求。在新能源技术不断发展的背景下，对于提高风力和光伏发电系统的智能程度、自适应性和可靠性有持续的研发需求。
2、传统的监测系统可能对于实时数据的采集和分析能力有限，导致在故障发生时不能够及时做出反应，从而影响系统的可靠性。现有技术可能在故障诊断的准确性上存在一定局限性，无法有效地区分不同故障模式或对复杂故障的诊断不够精准。针对不同环境条件、工况变化等因素，传统系统可能缺乏智能化的自适应性，无法根据实时数据调整运行策略以优化系统性能。人工巡检和维护成本较高，特别是对于大规模风电场和光伏电站，传统的维护方式效率不高，且容易受到外部环境的限制。现有技术对于复杂多变的环境条件，如极端气象、变化的风向等因素的适应性可能较差。在面对多种故障同时发生的情况下，现有技术可能缺乏综合性的故障处理策略，导致系统运行受到较大影响。
技术实现思路
1、鉴于现有的新能源发电站的监控故障管理及系统中存在的问题，提出了
2、因此，本专利技术所要解决的问题在于监控管理中存在的实时监测不足、故障诊断不够精准、缺乏智能化和自适应性、高维护成本以及对复杂环境因素适应性差的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种新能源发电站的监控故障管理方法，其包括，对新能源发电站进行监控，实时收集发电站监控数据。对发电设备进行检测，依据风力发电和光伏发电不同类型分别构建检测模型，若接收到故障数据进行报警。根据报警信号，根据检测模型判定故障类型，依据优先级处理故障，并实时监控新能源发电站数据，直至运行稳定。
5、作为本专利技术所述新能源发电站的监控故障管理方法的一种优选方案，其中：所述收集的数据包括风力发电数据和光伏发电数据，其中所述风力发电数据包括，转速、振动、电流、电压、功率、叶片表面压力分布、叶片角度温度、湿度、风向、风速及风向异常波动数据。所述光伏发电数据包括，发电功率、电压、电流、光照强度、太阳辐射、温度、电流、电压、湿度及风速数据。其中，共同的数据收集包括，时间戳、故障事件记录、历史性能和故障数据、传感器的状态信息、设备的维护及保养记录。
6、作为本专利技术所述新能源发电站的监控故障管理方法的一种优选方案，其中：所述对发电设备进行检测针对风力发电设备具体表示为，使用arx模型建立传递函数，公式为
7、
8、其中，h(s)是传递函数，b(s)表示外部输入对振动信号的影响，a(s)表示自回归模型的影响，arx模型的结构表示为，
9、a(s)y(t)＝b(s)u(t)+e(s)
10、其中，y(t)是振动信号，u(t)是外部输入信号，e(s)是模型的误差项；
11、对于arx结构的离散时间模型表示为，
12、a(q)y(t)＝b(q)u(t)+e(t)
13、其中q是时间滞后操作符；
14、通过rls算法，递归地更新模型的参数，以最小化目标函数j(t)，
15、
16、其中，p是样本的数量，y(i)是实际的振动信号值，是根据当前模型参数预测的振动信号值，a(q)和b(q)可展开为拉普拉斯变换多项式的离散时间形式，
17、a(q)＝1-a1q-1-...-anaq-na
18、b(q)＝blq-1+...+bnbq-nb
19、则arx模型的传递函数形式可表示为，
20、
21、其中，b1,b2,…,bnb表示外部输入的系数，即外部输入对振动信号的影响；a1,a2,…,ana表示自回归模型的系数，即振动信号的历史值对当前振动信号的影响；根据传递函数模型获得振动信号与外部输入之间的关系，从而推断叶片振动模态的变化，根据变化频率得到设备检测信息。
22、作为本专利技术所述新能源发电站的监控故障管理方法的一种优选方案，其中：所述变化频率的判定包括：假定检测的模态频率为f1，f2,...fn；将在线监控得到的最新模态频率fi，与正常状态下历史频率fx进行一一对比，获得频率的实时转变量△fi，
23、△fi＝|fi-fix|
24、统计历史频率样本，确定频率正常浮动范围，若幅值范围为[fp，fq]，设定判定阈值ft，若△fi>ft时则确认为模态频率发生故障性转变。
25、作为本专利技术所述新能源发电站的监控故障管理方法的一种优选方案，其中：所述构建的检测模型包括风力发电检测模型和光伏发电检测模型，所述风力发电检测模型的构建包括，建立状态空间模型，公式表示为，
26、x＝ax+bu+ewf+gw
27、其中，x是状态向量，包含系统的状态变量；u是输入向量，包含系统的外部输入或控制变量；wf为风向信号，反映机舱方向；w是状态方程的噪声项；a，b,e,g为系数矩阵；选择bp神经网络，输入层为环境变量w，输出层为模型参数θ，通过数据训练神经网络，获得参数映射函数的公式为，
28、θ＝f(w；w)
29、即环境因素到参数的映射，将θ代入压力模型，
30、p(θ(w))＝c(θ(w))x
31、其中，p为叶片表面压力分布，θ(w)是神经网络输出的映射函数；c(θ(w))是映射函数的系数矩阵；得到温度预测模型，表示为，
32、t^＝h(x,u,w；θ)
33、其中，t^表示机舱温度的预测值，通过比较模型输出与实测数据，做出故障判断。
34、作为本专利技术所述新能源发电站的监控故障管理方法的一种优选方案，其中：所述光伏发电检测模型包括，输出功率波动度元模型，
35、δp＝p-p*
36、δw＝w-w*
37、g(δp,δw)->{0,1}
38、其中，δp＝p-p*表示实际输出功率与期望输出功率之间的差异；δw＝w-w*表示实际环境因素与期望环境因素之间的差异；g(δp,δw)表示输入的功率和环境因素的偏差；
39、表面积灰积分模型，
40、rc＝rc-η*m(i,v)
41、其中，rc为光伏板在理想条件下的表面积；η为积灰影响系数；m(i,v)为光伏板电流i和电压v的函数；rc表示经过积灰影响后的表面积；
42、电压不平衡度检测模型：
43、l(δv)本文档来自技高网...
【技术保护点】
1.一种新能源发电站的监控故障管理方法，其特征在于：包括，
2.如权利要求1所述的新能源发电站的监控故障管理方法，其特征在于：所述收集的数据包括风力发电数据和光伏发电数据，其中所述风力发电数据包括，转速、振动、电流、电压、功率、叶片表面压力分布、叶片角度温度、湿度、风向、风速及风向异常波动数据；
3.如权利要求2所述的新能源发电站的监控故障管理方法，其特征在于：所述对发电设备进行检测针对风力发电设备具体表示为，
4.如权利要求3所述的新能源发电站的监控故障管理方法，其特征在于：所述变化频率的判定包括，
5.如权利要求1所述的新能源发电站的监控故障管理方法，其特征在于：所述构建的检测模型包括风力发电检测模型和光伏发电检测模型，所述风力发电检测模型的构建包括，
6.如权利要求5所述的新能源发电站的监控故障管理方法，其特征在于：所述光伏发电检测模型包括，
7.如权利要求6所述的新能源发电站的监控故障管理方法，其特征在于：所述故障的级别按照故障的类别，将故障分为高，中，低三个优先级，其中针对风力发电和光伏发电两种类型
8.一种新能源发电站的监控故障管理系统，基于权利要求1～7任一所述的新能源发电站的监控故障管理方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的新能源发电站的监控故障管理方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的新能源发电站的监控故障管理方法的步骤。
...【技术特征摘要】
1.一种新能源发电站的监控故障管理方法，其特征在于：包括，
2.如权利要求1所述的新能源发电站的监控故障管理方法，其特征在于：所述收集的数据包括风力发电数据和光伏发电数据，其中所述风力发电数据包括，转速、振动、电流、电压、功率、叶片表面压力分布、叶片角度温度、湿度、风向、风速及风向异常波动数据；
3.如权利要求2所述的新能源发电站的监控故障管理方法，其特征在于：所述对发电设备进行检测针对风力发电设备具体表示为，
4.如权利要求3所述的新能源发电站的监控故障管理方法，其特征在于：所述变化频率的判定包括，
5.如权利要求1所述的新能源发电站的监控故障管理方法，其特征在于：所述构建的检测模型包括风力发电检测模型和光伏发电检测模型，所述风力发电检测模型的构建包括，
6.如权利要求5所述的新能源发...
【专利技术属性】
技术研发人员：安少帅，姜绪良，姚正阳，朱静，李锋，张可，郭熙，杨阳，殷杰，曹克楠，朱颉，
申请(专利权)人：华能江苏综合能源服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。