[发明专利]基于神经网络模型的风力发电机运行状态分析方法

权利要求书

1.一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于包括如下步骤：(1)读取数据库：读取风电场远程集控中心数据存储的历史数据；

(2)数据预处理：对读取的历史数据进行预处理，去除读取数据中的无效数据；

(3)神经网络建模：以预处理后的数据作为输入，采用神经网络和机器学习方法建立风力发电机的风能转换功率特性曲线模型；

(4)风能转换功率特性曲线模型存储：将获得的风力发电机的风能转换功率特性曲线模型存储到数据库中；

(5)读取风能转换功率特性曲线模型：读取数据库中存储的风力发电机的风能转换功率特性曲线模型；

(6)获取数据：实时获取风力发电机输出功率、风速、风向、温度和空气密度数据；

(7)期望输出功率计算：以获取的风速、风向、温度和空气密度数据作为风能转换功率特性曲线模型输入，计算期望风力发电机输出功率；

(8)期望输出功率与实际输出功率偏差统计：对期望风力发电机输出功率与风力发电机实际输出功率进行偏差统计；

(9)风力发电机运行状态判定：根据实际输出功率采集数据相对于期望输出功率的波动采用多数投票算法对风力发电机运行状态进行判定。

2.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于所述的读取的历史数据包括风力发电机输出功率、风速、风向、温度和空气密度。

3.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于所述的无效数据包括停机时采集的数据，故障时采集的数据，极端天气条件下采集的数据，网络故障时采集的数据，传感器故障时采集的数据和风力发电机调试时采集的数据。

4.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于所述的神经网络为径向基神经网络，径向基神经网络的结构为：①核函数为Tansig函数；②输入层节点为4个；③输出层节点为1个；④神经网络层数为1层；采用的机器学习方法为正交最小二乘学习方法，用于对径向神经网络进行训练。

5.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于所述的期望输出功率与实际输出功率偏差统计为10分钟内获取的实际输出功率与期望输出功率间的绝对差值同期望输出功率的比值超出偏差限值的次数，其中偏差限值的定义为以期望输出功率为基准，允许围绕其波动的范围，偏差限值为1％和3％，偏差限值的数值是通过对带有风力发电机运行状态标记的输出功率数据进行统计得出的。

6.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于当实际输出功率采样点相对于期望输出功率波动多数在1％以内，则判定风力发电机为正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数在1％～3％内，则判定风力发电机非正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数超过3％，则判定风力发电机为故障状态。

7.根据权利要求2所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于读取的历史数据的时间长度为1年，数据的采集时间间隔为1分钟。

8.根据权利要求3所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于对读取的历史数据进行预处理中极端天气条件是指雷击、冰雹、飓风、地震、海啸、洪水、火山喷发。

9.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于读取的风能转换功率特性曲线模型为经神经网络建模获得的风能转换功率特性曲线模型。

10.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于实时获取风力发电机输出功率、风速、风向、温度和空气密度数据的采集时间间隔为1分钟。