一种基于机器学习的风电机组功率性能分析方法与流程

1.本发明涉及风力发电机技术领域，具体而言，涉及一种基于机器学习的风电机组功率性能分析方法。


背景技术：

2.就目前而言，由于风电机组各系统模块化，通过profibus/can通讯与主控进行数据交互，且数据刷新速度快，形成了数量大、多源、异构和复杂的风电机组实时监测数据。并且，大量的监测数据互相独立，由于无法对这些数据进行把控，进而无法判定风电机组内各个设备的性能劣化程度，导致了风电机组的运维人员无法及时获知机组预警情况，不仅给机组埋下了安全隐患，而且造成了大量的电量损失。基于此，我们设计了一种基于机器学习的风电机组功率性能分析方法及系统，以克服上述问题。


技术实现要素：

3.本发明的目的在于提供一种基于机器学习的风电机组功率性能分析方法，本发明的实施例通过以下技术方案实现：
4.一种基于机器学习的风电机组功率性能分析方法，该方法的步骤包括：
5.获取机组的运行数据，经过数据加工后基于第一设定条件对机组的运行数据进行判断，若机组的运行数据满足第一设定条件，则进入下一步骤；若机组的运行数据不满足第一设定条件，则终止；
6.构建并训练性能分析模型，通过第一优化模块、第二优化模块对性能分析模型进行反馈优化，并将机组的运行数据输入至优化后的性能分析模型内进行计算，得到机组性能劣化程度分析内容；
7.基于机组性能劣化程度分析内容获取机组性能劣化处理方案及机组性能劣化程度，基于第二设定条件对机组性能劣化程度进行判断，根据判断结果对机组进行设定程度的预警及处理，完成对机组性能劣化程度的判定及处理。
8.可选的，第一设定条件具体为：判断机组是否处于运行状态，判断机组的实时功率数据是否为预期功率数据，判断机组的运行桨角是否为最小桨角。
9.可选的，性能分析模型由输入层、隐藏层、输出层所组成，其中，隐藏层采用sigmoid函数作为激励函数，输入层、输出层均采用线性函数作为激励函数；
10.sigmoid函数的计算公式为：
[0011][0012]
其中，x为输入数值；
[0013]
性能分析模型的训练过程为：
[0014]
获取机组的运行数据和机组的标准数据，以机组的运行数据作为训练集，以机组的标准数据作为测试集；
[0015]
将训练集输入至性能分析模型，得到预测的机组性能劣化程度分析内容，计算测试集与预测的机组性能劣化程度分析内容之间的损失值，若损失值超过阈值，则重新获取机组的运行数据和机组的标准数据；若损失值不超过阈值，则完成性能分析模型的训练。
[0016]
可选的，第一优化模块内部预设有正则化算法，以防止性能分析模型过拟合，其计算公式为：
[0017][0018]
其中，ω为神经元的权值，ωi为第i个神经元的权值，k为全连接层的数量。
[0019]
可选的，第二优化模块具体为参数调节模块，用以对性能分析模型进行调参。
[0020]
可选的，第二设定条件具体为根据机组性能劣化程度对预警等级进行判断，其中，预警等级分为一级预警、二级预警、三级预警。
[0021]
可选的，其中，
[0022]
三级预警：机组的功率小于当前风速平均功率的10％，且1小时内机组的功率变化率小于20％；
[0023]
二级预警：机组的功率小于当前风速平均功率的15％，且1小时内机组的功率变化率小于20％，且大于10％；
[0024]
一级预警：机组的功率小于当前风速平均功率的30％，且1小时内机组的功率变化率小于10％。
[0025]
本发明实施例的技术方案至少具有如下优点和有益效果：
[0026]
本实施例通过机器学习识别设备性能状态，预警设备性能劣化情况，减少故障停机损失和隐藏的发电性能不合格损失，实现大型集控对风电机组功率性能的集中时时管控；
[0027]
本实施例汇集实时采集风电机组的运行数据进行分析，获取风电机组的性能劣化程度，并根据性能劣化程度的趋势进行评估，可及时调整风机运行控制策略，或停机降低机组磨损，降低机组故障率，或不断优化发电性能，提升机组创效能力。
附图说明
[0028]
图1为本发明提供的一种基于机器学习的风电机组功率性能分析方法的流程示意图；
[0029]
图2为本发明提供的一种基于机器学习的风电机组功率性能分析系统的原理示意图。
具体实施方式
[0030]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0031]
如图1所示，一种基于机器学习的风电机组功率性能分析方法，该方法的步骤包
括：
[0032]
获取机组的运行数据，经过数据加工后基于第一设定条件对机组的运行数据进行判断，若机组的运行数据满足第一设定条件，则进入下一步骤；若机组的运行数据不满足第一设定条件，则终止；
[0033]
在本实施例中，机组的运行数据包括：风电机组的功率、风速、温度、桨角、振动及故障告警等数据。
[0034]
构建并训练性能分析模型，通过第一优化模块、第二优化模块对性能分析模型进行反馈优化，并将机组的运行数据输入至优化后的性能分析模型内进行计算，得到机组性能劣化程度分析内容；
[0035]
基于机组性能劣化程度分析内容获取机组性能劣化处理方案及机组性能劣化程度，基于第二设定条件对机组性能劣化程度进行判断，根据判断结果对机组进行设定程度的预警及处理，完成对机组性能劣化程度的判定及处理。
[0036]
在本实施例中，第一设定条件具体为：判断机组是否处于运行状态，判断机组的实时功率数据是否为预期功率数据，判断机组的运行桨角是否为最小桨角。
[0037]
在本实施例中，性能分析模型由输入层、隐藏层、输出层所组成，其中，隐藏层采用sigmoid函数作为激励函数，输入层、输出层均采用线性函数作为激励函数；
[0038]
sigmoid函数的计算公式为：
[0039][0040]
其中，x为输入数值；
[0041]
性能分析模型的训练过程为：
[0042]
获取机组的运行数据和机组的标准数据，以机组的运行数据作为训练集，以机组的标准数据作为测试集；
[0043]
将训练集输入至性能分析模型，得到预测的机组性能劣化程度分析内容，计算测试集与预测的机组性能劣化程度分析内容之间的损失值，若损失值超过阈值，则重新获取机组的运行数据和机组的标准数据；若损失值不超过阈值，则完成性能分析模型的训练。
[0044]
另外，本实施例中的性能分析模型可以通过大量的历史数据进行训练，从而提高模型的精确性以及实用性。
[0045]
在本实施例中，第一优化模块内部预设有正则化算法，以防止性能分析模型过拟合，其计算公式为：
[0046][0047]
其中，ω为神经元的权值，ωi为第i个神经元的权值，k为全连接层的数量。
[0048]
在本实施例中，第二优化模块具体为参数调节模块，用以对性能分析模型进行调参。
[0049]
在本实施例中，第二设定条件具体为根据机组性能劣化程度对预警等级进行判断，其中，预警等级分为一级预警、二级预警、三级预警。
[0050]
在本实施例中，其中，
[0051]
三级预警：机组的功率小于当前风速平均功率的10％，且1小时内机组的功率变化率小于20％；
[0052]
二级预警：机组的功率小于当前风速平均功率的15％，且1小时内机组的功率变化率小于20％，且大于10％；
[0053]
一级预警：机组的功率小于当前风速平均功率的30％，且1小时内机组的功率变化率小于10％。
[0054]
结合上述实施例，本实施例通过机器学习算法与大量历史数据训练设备模型，实现模型计算反映风电机组功率曲线偏离正常状态程度的定量化标识，以表征设备性能劣化程度。
[0055]
本实施例的具体判定方式为：机组功率性能劣化程度＝发电状态and功率小于全场平均功率曲线该风速下的功率and 1小时功率变化率and桨距角大于最小桨角and不断变化的瞬时风速。
[0056]
如图2所示，基于本实施例的方法，本实施例还提供了一种基于机器学习的风电机组功率性能分析系统，包括：依次连接的多个机型、采集服务器、大数据平台、性能分析模块、预警检修处理模块，以及数据库；数据库分别连接性能分析模块、预警检修处理模块，预警检修处理模块分别连接性能分析模块与多个机型，其中，多个机型具体以通讯协议方式与采集服务器连接。
[0057]
综上所述，本实施例通过机器学习识别设备性能状态，预警设备性能劣化情况，减少故障停机损失和隐藏的发电性能不合格损失，实现大型集控对风电机组功率性能的集中时时管控。
[0058]
本实施例汇集实时采集风电机组的功率、风速、温度、振动及故障告警等数据进行分析，在发电状态下，连续规定时间机组的有功功率变化较小，同时桨距角大于最小桨角，风速不断变化，预判定为功率。在此基础上，继续对该风电机组齿轮箱、发电机、变流器及其重要部件温度、振动进行判定，对机组告警信息进行判定，若均未超过运行范围，则判定为机组功率。根据劣化趋势评估，可及时调整风机运行控制策略，或停机降低机组磨损，降低机组故障率，或不断优化发电性能，提升机组创效能力。
[0059]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。