[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

说明书

技术领域

本发明涉及一种风力发电机运行状态的分析方法，尤其涉及一种基于神经网络模型的风力发电机运行状态分析方法。

背景技术

随着国家对风电能源产业的大力投入，风电场的规模迅速扩大，致使风电企业的运营管理面临着巨大的压力，尤其是在风力发电机管理和维修方面。同时，风力发电机故障停机时有发生，风电企业担心突发事故的发生。目前，采用的风力发电机运行维护维修手段具有一定滞后性，现场的风力发电机维护维修人员技术水平普遍较低，难以及时有效的对风力发电机进行维护维修。

由于风电场不断建成和投入运营，风力发电机数量迅速增多，及时有效的对风力发电机进行运行维护维修是一个亟待解决的问题。由于风力发电机运行维护维修人员的数量有限，风力发电机运行状态监测技术手段单一等矛盾凸显，由于无法及时对风力发电机进行维护维修造成的风力发电机故障的风险增大。通常，风电场会安装基于数据采集与监视控制系统的报警系统对风力发电机运行状态进行监测，但由于其为故障事后报警，维修人员只能在故障发生后对风力发电机进行维修，无法为维护维修人员提供风力发电机运行状态信息。对于大多数的风电场，其对风力发电机的维护维修还多采用定期巡检和故障事后维修的方式对风力发电机进行维护和维修。由于风力发电机维修资源紧缺和技术条件有限，对风力发电机的维护维修难以达到及时维修，致使在巡检间隔内无法对风力发电机进行及时的维护维修，在巡检间隔内只有当风力发电机发生故障后才会得到维修，不仅会造成维修停机损失，也增加了风力发电机维修成本。

风力发电与火力发电等传统发电方式有着非常大的不同，风力发电具有间歇性和随机性。火力发电等传统发电方式中采用的发电设备运行状态分析方法难于应用到风力发电设备运行状态分析中。针对上述问题，本发明提供了一种基于神经网络模型的风力发电机运行状态分析方法，可对风力发电机运行状态进行实时分析。通过利用风力发电机输出的三相电压数据和三相电流数据内隐含着的风力发电机运行状态信息，实现对风力发电机运行状态进行分析。

发明内容

为了解决上述技术问题本发明提供一种基于神经网络模型的风力发电机运行状态分析方法，目的是对风力发电机运行状态进行分析。

为达上述目的，本发明一种基于神经网络模型的风力发电机运行状态分析方法，包括如下步骤：(1)读取数据库：读取风电场数据采集与监视控制系统数据库中存储的历史数据；(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：对风力发电机实际输出功率与期望风力发电机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样点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，当完成风力发电机运行状态判定后，返回至第(6)步重复执行。

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。

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。

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。

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。