【技术实现步骤摘要】
本专利技术涉及变流器控制，尤其涉及一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置。
技术介绍
1、变流器是风力发电电力变换和传输中居于核心地位，其作用主要是解决在风机转速变化的情况下，如何保证发电恒频输出的问题。风电变流器根据风速大小适应发电机转速，使风机实现最佳风能捕获。它将风机在自然风作用下发出的电压频率、幅值不稳定的电能转换为频率、幅值稳定、符合电网要求的电能后并入电网。变流器是风电机组中较为昂贵的部件之一，同时，也是最容易受损的部件之一，其损耗大部分由内部的过温、过电流、过电压导致。其中涉及电流、电压的电气异常现象不仅原因和表现形式多样，而且会引起变流器温度升高。研究和分析变流器的电气异常是评估变流器状态的重要工作。由于变流器高频运行特征，变流器的电流、电压也呈现出短期内剧烈波动的特征，显著不同于普通的电流、电压变化。
2、目前关于变流器的电气异常检测的方法和设备主要集中在以下几个方面：1.基于硬件监测设备，针对变流器的功率性能是否正常。2.基于变流器的高频电流电压本身的电气异常监测。3.基于专家知识库的故障模式做出诊断。4.针对变流器电流幅值、电流平均值等特征做出的异常检测。但是这些方法大多是与变流器生产厂家或者是变流器的研究机构所提供，但在风电行业的实际生产当中，只能获取到秒级、分钟级的scada数据，上述方法无法适用，同时，在实际生产运行过程中的关于变流器电气异常的监测大部分是基于过电流、过电压和电流电压不平衡等的监测，这些监测无法准确有效监测到变流器软起动过程是否
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置。本专利技术要解决的技术问题通过以下技术方案实现：
2、本专利技术实施例的第一方面提供一种基于scada数据的变流器电气异常检测方法，包括以下步骤：
3、根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值；其中，所述电气异常检测非参数回归模型，包括：软启动非参数回归模型和容量平衡非参数回归模型中的至少一种；所述软启动非参数回归模型表征网侧电流和机侧电流的之间的关系，所述容量平衡非参数回归模型表征网侧功率和机侧功率的之间的关系；
4、根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域；所述正常区域包括：软启动正常区域和容量平衡正常区域中的至少一种；
5、根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态。
6、在本专利技术的一个实施例中，所述根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态，包括：
7、根据所述待检测网侧电气数据和所述待检测机侧电气数据在所述正常区域的边界对应的边界值确定多个上边界比值和下边界比值；
8、若所述多个上边界比值的预设比例分位数大于1，或所述多个下边界比值的预设比例分位数小于1，则变流器的工作状态为异常状态。
9、在本专利技术的一个实施例中，所述电气异常检测非参数回归模型通过以下步骤训练得到：
10、构建表征所述网侧电气参数、所述机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式；其中，所述网侧电气参数和所述机侧电气参数的类型相同，所述机侧电气参数包括：机侧电流或机侧功率，所述网侧电气参数包括：网侧电流或网侧功率；
11、基于非均匀有理b样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式；
12、根据所述网侧样本电气数据、所述机侧样本电气数据、所述回归表达式和分位数损失目标函数训练得到未知参数的估计值，以确定电气异常检测非参数回归模型；其中，所述网侧样本电气数据和所述机侧样本电气数据均为在变流器正常工况下获取的样本数据。
13、在本专利技术的一个实施例中，所述基于非均匀有理b样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式，包括：
14、使用非均匀有理b样条函数逼近初始非参数回归模型的表达式中的未知函数，以将初始非参数回归模型的表达式转化为基于未知参数的回归表达式。
15、在本专利技术的一个实施例中，所述根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域，包括：
16、根据所述机侧样本电气数据和所述非参数回归模型确定网侧样本电气参数预测值；
17、根据网侧样本电气数据和所述网侧样本电气参数预测值确定误差标准差；
18、根据所述误差标准差和对勾函数确定误差近似函数；
19、根据电气异常检测非参数回归模型和误差近似函数确定正常区域。
20、在本专利技术的一个实施例中，所述根据网侧样本电气数据和所述网侧样本电气参数预测值确定误差标准差，包括：
21、根据网侧样本电气数据和所述网侧样本电气参数预测值确定每个机侧样本电气数据的多个训练误差；
22、根据所述每个机侧样本电气数据的多个训练误差确定每个机侧样本电气数据的误差均值；
23、根据所述训练误差和所述误差均值确定每个机侧样本电气数据的误差标准差。
24、在本专利技术的一个实施例中，所述根据电气异常检测非参数回归模型和误差近似函数确定正常区域，包括：
25、所述电气异常检测非参数回归模型加上所述误差近似函数确定正常区域的上边界，所述电气异常检测非参数回归模型减去所述误差近似函数确定正常区域的下边界。
26、本专利技术实施例提供一种基于scada数据的变流器电气异常检测模型训练方法，包括以下步骤：
27、构建表征所述网侧电气参数、所述机侧电气参数和模型误差之间的关系的初始非参数回归模型的表达式；其中，所述网侧电气参数和所述机侧电气参数的类型相同，所述机侧电气参数包括：机侧电流或机侧功率，所述网侧电气参数包括：网侧电流或网侧功率；
28、基于非均匀有理b样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式；
29、根据所述网侧样本电气数据、所述机侧样本电气数据、所述回归表达式和分位数损失目标函数训练得到未知参数的估计值，以确定电气异常检测非参数回归模型；其中，所述网侧样本电气数据和所述机侧样本电气数据均为在变流器正常工况下获取的样本数据。
30、本专利技术实施例提供一种基于scada数据的变流器电气异常检测系统，包括：
31、预测模块，用于根据待检测机侧电气数据和电气异常检测非参数回归模型确定待检测网侧电气参数预测值；其中，所述电气异常检测非参数回归模型，包括：软启动非参数回归模型和容量平衡非参数回归模型中的至少本文档来自技高网...
【技术保护点】
1.一种基于SCADA数据的变流器电气异常检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态，包括：
3.如权利要求1所述的方法，其特征在于，所述电气异常检测非参数回归模型通过以下步骤训练得到：
4.如权利要求3所述的方法，其特征在于，所述基于非均匀有理B样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式，包括：
5.如权利要求3所述的方法，其特征在于，所述根据所述待检测网侧电气参数预测值、所述电气异常检测非参数回归模型的误差标准差和对勾函数确定正常区域，包括：
6.如权利要求5所述的方法，其特征在于，所述根据网侧样本电气数据和所述网侧样本电气参数预测值确定误差标准差，包括：
7.如权利要求5所述的方法，其特征在于，所述根据电气异常检测非参数回归模型和误差近似函数确定正常区域，包括：
8.一种基于SCADA数据的变流器电气异常检测模型训练方法，
9.一种基于SCADA数据的变流器电气异常检测系统，其特征在于，包括：
10.一种基于SCADA数据的变流器电气异常检测模型训练装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于scada数据的变流器电气异常检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述根据所述待检测网侧电气数据与所述待检测机侧电气数据在所述正常区域的边界对应的边界值的比值确定变流器的工作状态，包括：
3.如权利要求1所述的方法，其特征在于，所述电气异常检测非参数回归模型通过以下步骤训练得到：
4.如权利要求3所述的方法，其特征在于，所述基于非均匀有理b样条函数将初始非参数回归模型的表达式转化为基于未知参数的回归表达式，包括：
5.如权利要求3所述的方法，其特征在于，所述根据所述待检测网侧电气参数预测值、所...
【专利技术属性】
技术研发人员：常二中，安阳明，金超，
申请(专利权)人：北京天泽智云科技有限公司，
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。