[發明專利]基于神經網絡模型的風力發電機運行狀態分析方法

有效

• 申請號: 201210076748.0
• 申請日: 2012-03-21
• 公開（公告）號: CN103323772A
• 公開（公告）日: 2013-09-25
• 發明（設計）人: 肖志東;李濱;鮑曉利;黃錦陽;朗朔
• 申請（專利權）人: 北京光耀能源技術股份有限公司
• 主分類號: G01R31/34
• 分類號: G01R31/34
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種風力發電機運行狀態的分析方法，尤其涉及一種基于神經網絡模型的風力發電機運行狀態分析方法。

背景技術

隨著國家對風電能源產業的大力投入，風電場的規模迅速擴大，致使風電企業的運營管理面臨著巨大的壓力，尤其是在風力發電機管理和維修方面。同時，風力發電機故障停機時有發生，風電企業擔心突發事故的發生。目前，采用的風力發電機運行維護維修手段具有一定滯后性，現場的風力發電機維護維修人員技術水平普遍較低，難以及時有效的對風力發電機進行維護維修。

由于風電場不斷建成和投入運營，風力發電機數量迅速增多，及時有效的對風力發電機進行運行維護維修是一個亟待解決的問題。由于風力發電機運行維護維修人員的數量有限，風力發電機運行狀態監測技術手段單一等矛盾凸顯，由于無法及時對風力發電機進行維護維修造成的風力發電機故障的風險增大。通常，風電場會安裝基于數據采集與監視控制系統的報警系統對風力發電機運行狀態進行監測，但由于其為故障事后報警，維修人員只能在故障發生后對風力發電機進行維修，無法為維護維修人員提供風力發電機運行狀態信息。對于大多數的風電場，其對風力發電機的維護維修還多采用定期巡檢和故障事后維修的方式對風力發電機進行維護和維修。由于風力發電機維修資源緊缺和技術條件有限，對風力發電機的維護維修難以達到及時維修，致使在巡檢間隔內無法對風力發電機進行及時的維護維修，在巡檢間隔內只有當風力發電機發生故障后才會得到維修，不僅會造成維修停機損失，也增加了風力發電機維修成本。

風力發電與火力發電等傳統發電方式有著非常大的不同，風力發電具有間歇性和隨機性。火力發電等傳統發電方式中采用的發電設備運行狀態分析方法難于應用到風力發電設備運行狀態分析中。針對上述問題，本發明提供了一種基于神經網絡模型的風力發電機運行狀態分析方法，可對風力發電機運行狀態進行實時分析。通過利用風力發電機輸出的三相電壓數據和三相電流數據內隱含著的風力發電機運行狀態信息，實現對風力發電機運行狀態進行分析。

發明內容

為了解決上述技術問題本發明提供一種基于神經網絡模型的風力發電機運行狀態分析方法，目的是對風力發電機運行狀態進行分析。

為達上述目的，本發明一種基于神經網絡模型的風力發電機運行狀態分析方法，包括如下步驟：(1)讀取數據庫：讀取風電場數據采集與監視控制系統數據庫中存儲的歷史數據；(2)數據預處理：對讀取的歷史數據進行預處理，去除讀取數據中的無效數據；(3)神經網絡建模：以預處理后的數據作為輸入，采用神經網絡和機器學習方法建立風力發電機的風能轉換功率特性曲線模型；(4)風能轉換功率特性曲線模型存儲：將獲得的風力發電機的風能轉換功率特性曲線模型存儲到數據庫中；(5)讀取風能轉換功率特性曲線模型：讀取數據庫中存儲的風力發電機的風能轉換功率特性曲線模型；(6)獲取數據：實時獲取風力發電機輸出功率、風速、風向、溫度和空氣密度數據；(7)期望輸出功率計算：以獲取的風速、風向、溫度和空氣密度數據作為風能轉換功率特性曲線模型輸入，計算期望風力發電機輸出功率；(8)期望輸出功率與實際輸出功率偏差統計：對風力發電機實際輸出功率與期望風力發電機輸出功率進行偏差統計；(9)風力發電機運行狀態判定：根據實際輸出功率采樣點相對于期望輸出功率的波動采用多數投票算法對風力發電機運行狀態進行判定，當完成風力發電機運行狀態判定后，返回至第(6)步重復執行。

所述的讀取的歷史數據包括風力發電機輸出功率、風速、風向、溫度和空氣密度。

所述的無效數據包括停機時采集的數據，故障時采集的數據，極端天氣條件下采集的數據，網絡故障時采集的數據，傳感器故障時采集的數據和風力發電機調試時采集的數據。

所述的神經網絡為徑向基神經網絡，徑向基神經網絡的結構為：①核函數為Tansig函數；②輸入層節點為4個；③輸出層節點為1個；④神經網絡層數為1層；采用的機器學習方法為正交最小二乘學習方法，用于對徑向神經網絡進行訓練。

所述的期望輸出功率與實際輸出功率偏差統計為10分鐘內獲取的實際輸出功率與期望輸出功率間的絕對差值同期望輸出功率的比值超出偏差限值的次數，其中偏差限值的定義為以期望輸出功率為基準，允許圍繞其波動的范圍，偏差限值為1％和3％，偏差限值的數值是通過對帶有風力發電機運行狀態標記的輸出功率數據進行統計得出的。