龍源風電機組性能智能診斷預警平臺
2022-04-18 20:11:28
次
一、項目背景
風力發(fā)電作為新能源產(chǎn)業(yè)技術(shù)之一，已得到社會各方面的全面認可。但是由于自然環(huán)境和負荷不穩(wěn)定等因素，導致風電機組在使用過程中，機組部件會逐漸磨損和腐蝕、斷裂，最終引起故障而停機或者大部件損壞。從而進行風電機組性能劣化預警，及時掌握部件損壞情況，在機組部件進入故障前，進行隱患排查、修理及更換，是提升風力發(fā)電的安全性和經(jīng)濟性的必要手段。
二、問題與挑戰(zhàn)
1、不能忽視的時序。風機機組性能劣化是一個具有時間跨度的現(xiàn)象，無法依據(jù)單點檢測判定是否發(fā)生劣化，需要綜合一段時間內(nèi)的機組運行數(shù)據(jù)分析機組在一段時間內(nèi)是否發(fā)生劣化。如圖是風速和功率散點圖：
2、劣化的強相關(guān)聯(lián)。風機機組劣化是一個動態(tài)過程，同一時刻某一劣化現(xiàn)象往往會引起另一劣化現(xiàn)象，所以需要將每一種劣化割裂開進行分析。
3、二維世界的損失。風機機組數(shù)據(jù)是一段時間內(nèi)的積累，反應了風速和功率曲線形態(tài)上，時間作為第三維數(shù)據(jù)無法體現(xiàn)，而時間是風電機組性能劣化預警的重要因素。
三、解決方案
利用機器學習算法，分析與風機劣化的相關(guān)的影響因素，構(gòu)建基于風機功率曲線的劣化分類模型。引入時間平移窗口，將時序考慮進算法模型，分析機組劣化開始和結(jié)束時間。
引入機器學習算法，分析風機機組不同劣化現(xiàn)象的影響因素，探索風機劣化原因。利用圖像處理技術(shù)，提取機組功率特性曲線特征，構(gòu)建分類模型，預測風機機組劣化類型，劣化類型包括離散點離散度大、起點偏移、出現(xiàn)限負荷點、曲線形態(tài)異常等。
以時間小窗口為切入點，動態(tài)分析機組功率特性曲線的變化過程，利用劣化分類模型分析不同時間出現(xiàn)不同類劣化的起止時間。
四、應用價值
建立風電機組性能劣化預警模型，離線或在線批量預警風電機組性能劣化，分析各類劣化原因，確定劣化發(fā)生時間。
準確把握機組的實時運行狀態(tài),并對其早期缺陷及時預警,有助于防范機組嚴重故障的發(fā)生。
風電場引入風電機組性能劣化預警，保證風電場發(fā)電機組安全運行，提升風力發(fā)電的安全性和經(jīng)濟性，促進風力發(fā)電技術(shù)蓬勃發(fā)展。
首頁
Tempo大數(shù)據(jù)分析平臺
Tempo商業(yè)智能平臺
Tempo人工智能平臺
Tempo數(shù)據(jù)工廠平臺
Tempo指標平臺
Tempo數(shù)據(jù)治理平臺
Tempo主數(shù)據(jù)管理平臺
陜公網(wǎng)安備 61019002000171號
