一种数据驱动的风电机组状态辨识及分类方法与流程

1.本发明涉及风电机组技术领域，更确切地说，它涉及一种数据驱动的风电机组状态辨识及分类方法。


背景技术：

2.随着国家碳达峰、碳中和计划的提出，风电产业迎来空前发展的机遇期。我国风电场大多位于偏远地区，具有多点分散、位置偏远及不易抵达等特点，这给各发电集团的运营管理带来了一系列挑战。因此，建设“无人值班、少人值守”的风电场将成为应对这一系列挑战的解决策略和新趋势，其中，大型风电集控中心正是适应这一趋势的关键部分。
3.未来，大型风电集控中心将负责监测、控制以及调度各个风电场，但下属风电场机组设备机型迥异、生产厂家众多，导致风电机组运行状态的定义差别较大。因此，集控中心势必要获取一种通用的机组状态辨识、分类方法，对所属风电场机组进行统一管理。


技术实现要素：

4.本发明的目的是克服现有技术中的不足，提供了一种数据驱动的风电机组状态辨识及分类方法。
5.第一方面，提供了一种数据驱动的风电机组状态辨识及分类方法，包括：
6.s1、建立风电机组运行状态表及状态触发条件；
7.s2、获取机组状态相关特征参量实时数据集；
8.s3、对特征参量实时数据集进行预处理；
9.s4、依据状态触发条件，对机组状态进行辨识与分类。
10.作为优选，s1中，所述风电机组运行状态表中的机组状态包括正常发电状态、待机状态、异常限电降出力状态、电网限电降出力状态、场内受累停机状态、场外受累停机状态、计划内维护停机状态和故障停机状态；其中，所述待机状态包括待风子状态和低温子状态。
11.作为优选，s2中，所述特征参量实时数据集中的特征参量包括：风电机组变流器网侧功率、机组并网标志位、风速、风向、风电机组机舱舱外温度、风电机组齿轮箱油温、风电机组变流器功率模块温度、发电机轴承温度、发电机绕组温度、agc/avc电网指令测点、风电机组主控故障状态、风电机组维护开关状态和风电场场内各个开关状态。
12.作为优选，s1中，
13.正常发电状态对应的状态触发条件为：风电机组变流器网侧功率≥并网最低阈值，且机组并网标志位置
‘1’
；
14.待风子状态对应的状态触发条件为：风速＜第一风速阈值，且持续时间达到第一时间阈值；或者风速＞第二风速阈值，且持续时间达到第一时间阈值；或者风向变化＞对风误差最大阈值，且持续时间达到第二时间阈值；
15.低温子状态对应的状态触发条件为：风电机组机舱舱外温度＜气温阈值，且持续时间达到第三时间阈值；或者风电机组齿轮箱油温＜第一油温阈值，且持续时间达到第四
时间阈值；
16.异常限电降出力状态对应的状态触发条件为：风电机组变流器功率模块温度＞功率模块温度阈值，且持续时间达到第五时间阈值；或者风电机组齿轮箱油温＞第二油温阈值，且持续时间达到第六时间阈值；或者发电机绕组温度＞绕组温度阈值，且持续时间达到第七时间阈值；或者发电机轴承温度＞轴承温度阈值，且持续时间达到第八时间阈值；
17.电网限电降出力状态对应的状态触发条件为：风电场agc/avc读取限电指令；
18.场内受累停机状态对应的状态触发条件为：风电场场内任一开关断开；风电场场内开关包括：风电机组环网柜开关、集电线路开关和升压站开关；
19.场外受累停机状态对应的状态触发条件为：风电场接收到agc/avc电网指令进行全场停电；
20.计划内维护停机状态对应的状态触发条件为：风电机组故障码未激活，且风电机组维护开关状态置
‘1’
；
21.故障停机状态对应的状态触发条件为：风电机组故障码激活。
22.作为优选，s3包括：
23.s301、从特征参量实时数据集中剔除具体数值，获取特征参量名称序列，并选择序列中的某个特征参量，作为表头；
24.s302、将s301选择的特征向量的数值部分按时间戳进行升序排列；
25.s303、选择固定的采样间隔，对s302中特征向量的数值部分进行时间切片，从而实现数据的重采样；所述采样间隔的范围为1-30秒；
26.s304、删除因数据重采样形成的空数据nan连续片段，并对余下的非连续nan部分进行数据填充，填充值为前一个非nan数值；
27.s305、所有特征参量按照s301至s304进行操作；
28.s306、对所有特征参量按照时间进行统一并表，获取标准化的扁平数据矩阵。
29.第二方面，提供了一种数据驱动的风电机组状态辨识及分类装置，用于执行第一方面任一所述数据驱动的风电机组状态辨识及分类方法，包括：
30.建立模块，用于建立风电机组运行状态表及状态触发条件；
31.获取模块，用于获取机组状态相关特征参量实时数据集；
32.预处理模块，用于对特征参量实时数据集进行预处理；
33.辨识模块，用于依据状态触发条件，对机组状态进行辨识与分类。
34.第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的数据驱动的风电机组状态辨识及分类方法。
35.第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面任一所述的数据驱动的风电机组状态辨识及分类方法。
36.本发明的有益效果是：本发明从风电场整场运行、维护角度出发，建立基于风电机组可用性维度的状态分类表及状态触发条件，降低了风电集控中心统一管理难度；并且，本发明在对风电机组状态统一分类前进行了数据清洗，进而可以对数据进行关联分析。
附图说明
37.图1为本技术提供的一种数据驱动的风电机组状态辨识及分类方法的流程图；
38.图2为本技术提供的风电机组状态相关特征参量数据预处理的流程图；
39.图3为本技术提供的数据驱动的风电机组状态辨识及分类装置的结构示意图。
具体实施方式
40.下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
41.实施例1：
42.现有技术中，一方面风电机组状态由主机厂家定义，不同厂家定义差异较大，导致风电集控中心统一管理难度极大，另一方面由主机厂家定义的风电机组状态以单台机组为考虑对象，缺少以整个风电场为背景的机组状态定义。此外，各风电场与大型集控中心通讯通常采用变位上传的数据传输模式，致使每条数据的时间戳是独立的，无法进行数据关联分析。
43.为了解决上述问题，本技术提供了一种数据驱动的风电机组状态辨识及分类方法，本技术从风电场整场出发，重新定义机组状态，并对统一的风电机组状态进行辨识及分类，还在对风电机组状态统一分类前进行了数据清洗。具体地，如图1所示，该方法包括：
44.s1、建立风电机组运行状态表及状态触发条件；
45.s2、获取机组状态相关特征参量实时数据集；
46.s3、对特征参量实时数据集进行预处理；
47.s4、依据状态触发条件，对机组状态进行辨识与分类。
48.s1中，从风电场整场运行、维护角度出发，风电机组可用状态分为运行及备用，不可用状态分为计划停运与非计划停运两部分。运行状态包括正常发电、待机、异常限电降出力以及电网限电降出力4种；其中，待机可细分为待风与低温两个次级状态。备用状态包括场内受累停机与场外受累停机停机2个状态。计划停运即计划内维护停机状态，非计划停运即故障停机状态。所有风电机组状态分类、释义见以下表1。
49.表1
[0050][0051]
s2中，特征参量实时数据集中的特征参量包括：风电机组变流器网侧功率、机组并网标志位、风速、风向、风电机组机舱舱外温度、风电机组齿轮箱油温、风电机组变流器功率模块温度、发电机轴承温度、发电机绕组温度、agc/avc电网指令测点、风电机组主控故障状态、风电机组维护开关状态和风电场场内各个开关状态。需要说明的是，风电机组维护开关与风电场场内各个开关并无关系，其作用为：风电机组维护开关激活使得机组进入维护状态，机组将不能自动启机；只有维护开关激活后，运维人员才能进行机组排故与维护。
[0052]
s1中，正常发电状态对应的状态触发条件为：风电机组变流器网侧功率≥并网最低阈值，且机组并网标志位置
‘1’
；
[0053]
待风子状态对应的状态触发条件为：风速＜第一风速阈值，且持续时间达到第一时间阈值；或者风速＞第二风速阈值，且持续时间达到第一时间阈值；或者风向变化＞对风误差最大阈值，且持续时间达到第二时间阈值；
[0054]
低温子状态对应的状态触发条件为：风电机组机舱舱外温度＜气温阈值，且持续时间达到第三时间阈值；或者风电机组齿轮箱油温＜第一油温阈值，且持续时间达到第四时间阈值
[0055]
异常限电降出力状态对应的状态触发条件为：风电机组变流器功率模块温度＞功率模块温度阈值，且持续时间达到第五时间阈值；或者风电机组齿轮箱油温＞第二油温阈值，且持续时间达到第六时间阈值；或者发电机绕组温度＞绕组温度阈值，且持续时间达到第七时间阈值；或者发电机轴承温度＞轴承温度阈值，且持续时间达到第八时间阈值；
[0056]
电网限电降出力状态对应的状态触发条件为：风电场agc/avc读取限电指令；
[0057]
场内受累停机状态对应的状态触发条件为：风电场场内任一开关断开；风电场场内开关包括：风电机组环网柜开关、集电线路开关和升压站开关；
[0058]
场外受累停机状态对应的状态触发条件为：风电场接收到agc/avc电网指令进行全场停电；
[0059]
计划内维护停机状态对应的状态触发条件为：风电机组故障码未激活，且风电机
组维护开关状态置
‘1’
；
[0060]
故障停机状态对应的状态触发条件为：风电机组故障码激活。需要说明的是，上述各类特征参量的阈值由具体的风电机组机型决定，本技术在此不做限定。
[0061]
经过s1和s2，本技术已获取状态分类表、状态触发条件及机组状态相关特征参量实时数据集，但是由于风电场机组数量众多，各机组测点种类庞杂，因此需要对各个特征参量进行数据预处理，最终形成一个标准的扁平数据矩阵。
[0062]
具体地，如图2所示，s3包括：
[0063]
s301、从特征参量实时数据集中剔除具体数值，获取特征参量名称序列，并选择序列中的某个特征参量，作为表头；
[0064]
s302、将s301选择的特征向量的数值部分按时间戳进行升序排列；
[0065]
s303、选择固定的采样间隔，对s302中特征向量的数值部分进行时间切片，从而实现数据的重采样；采样间隔的范围为1-30秒(优选为10秒)；
[0066]
s304、删除因数据重采样形成的空数据nan连续片段，并对余下的非连续nan部分进行数据填充，填充值为前一个非nan数值；
[0067]
s305、所有特征参量按照s301至s304进行操作；
[0068]
s306、对所有特征参量按照时间进行统一并表，获取标准化的扁平数据矩阵。
[0069]
综上所述，本发明从风电场整场运行、维护角度出发，建立基于风电机组可用性维度的状态分类表及状态触发条件，降低了风电集控中心统一管理难度；并且，本发明在对风电机组状态统一分类前进行了数据清洗，进而可以对数据进行关联分析。