【CN110247423A】一种用于风力发电机组的风坡识别与预警系统及方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910354553.X(22)申请日 2019.04.29(71)申请人 武汉大学地址 430072 湖北省武汉市武昌区珞珈山武汉大学 申请人 南瑞集团有限公司(72)发明人 唐飞　刘涤尘　卿梦娇　刘福锁　方勇杰　李威　薛峰　赖业宁　卿梦琪　梁伟强　(74)专利代理机构 武汉科皓知识产权代理事务所(特殊普通合伙) 42222代理人 鲁力(51)Int.Cl.H02J 3/38(2006.01) (54)发明名称一种含风电场电力系统在线同调识别方法(57)摘要本发明涉及一种含风电场电力系统在线同调识别方法，本发明在第一步将风电功率注入对于原系统的影响等效为发电机节点的自导纳变化，计算出风机功率置换后的所连电机功角变化近似值，构建发电机耦合程度拉普拉斯矩阵并求出离线分类结果；第二步基于离线的发电机耦合程度约束，在对发电机在线同调识别中放大风电场接入对电力系统固有振荡模式的影响，运用发电机之间的耦合关系修正从功角轨迹中提取的信息，得到在线分群结果；第三步将风机接入后的发电机之间相关程度映射到低维空间中，提取前k个特征向量，采用修正余弦距离计算相似度，最终得到在线同调分群结果。本方法能够更加准确地完成不同故障信息下的风机并网系统中的

同调机群在线识别。

权利要求书2页 说明书6页 附图1页CN 110021961 A2019.07.16

CN 110021961

A1.一种含风电场电力系统在线同调识别方法，其特征在于，包括：步骤1，含风电场电力系统离线分类求解步骤：首先计算出风机功率置换后的所连电机功角变化近似值，用电机节点构建动态图论GD，并定义边权值从而得到改进发电机耦合程度拉普拉斯矩阵，解出该广义特征问题的费德勒矢量u,再用k-means算法对费德勒矢量u各行元素进行分类得到离线分类结果；步骤2，基于发电机耦合程度约束的半监督在线识别步骤：根据步骤1获得的离线分类结果对电力系统邻接图的功角权值矩阵进行修正，使得类内同调机组间的距离小于类间同调机组间的距离，进而运用发电机之间的耦合关系修正从功角轨迹中提取的信息；步骤3，基于修正余弦相似度因子的特征向量模式识别步骤：为了将风机接入后的发电机之间相关程度映射到低维空间中，提取改进算法的前k个特征向量V＝[v1,v2,…vk]；采用修正余弦距离计算相似度，通过对各维度数据减去平均值，对各维度数据进行中心化处理,解决向量维度量纲的差异性,将系统发电机之间的相关程度映射到k维子空间中最终得到在线同调分群结果。2.根据权利要求1所述的一种含风电场电力系统在线同调识别方法，其特征在于，所述的步骤1中，获取含风电场电力系统离线分类结果的具体操作方法如下：步骤1.1，计算传统电力系统收缩导纳矩阵，将风电场并入电力系统后，将风机注入的功率以电流的形式加在原电力系统的同步发电机节点上，通过修改原电力系统同步发电机节点的自导纳对风机注入的电流进行折算，得到含风电场的收缩导纳矩阵：YWii＝ΔYi+Ygii式中:YWii为等效收缩导纳矩阵，ΔYi为风机并入后节点导纳矩阵变化量，ΔYgii为原系统发电机节点导纳矩阵；步骤1.2，将风电场和最近的同步机组联合分析，将二者等效为一个虚拟的发电机节点VG，计算该等效发电机的等效功角：δ′r＝arcsin(P′rsinδr/Pr)式中，Pr，δi为同步发电机r的初始功率和功角,P′r,δ′r为等效发电机节点VG的等效功率和等效功角；步骤1.3，通过构建无向图GD(V,VG,E,W)反映电力系统中同调机群的耦合程度，定义其耦合程度拉普拉斯矩阵LD:

风力发电系统功率预测算法

----宋停云与您分享----

----宋停云与您分享---- 风力发电系统功率预测算法

风力发电系统的功率预测算法是基于多种因素的综合分析，包括风速、风向、空气密度、机械损耗等。下面将详细介绍风力发电系统功率预测算法的步骤。

步骤一：数据收集

首先，需要收集风力发电系统的历史数据，包括风速、风向、空气密度和实际功率输出等信息。这些数据可以通过气象站、传感器等设备获取，或者从已有的数据库中提取。

步骤二：数据预处理

在进行预测之前，需要对数据进行预处理，以去除异常值、处理缺失数据等。常用的方法包括插值法、平均法和回归法等，可以根据实际情况选择合适的方法。

步骤三：特征工程

特征工程是指选取适当的特征来描述数据，以提高预测算法的准确性。在风力发电系统功率预测中，常用的特征包括风速、风向、空气密度等。此外，还----宋停云与您分享----

----宋停云与您分享---- 可以考虑添加一些衍生特征，如风速的平均值、方差等。

步骤四：模型选择

选择合适的预测模型是功率预测算法的核心。常用的模型包括线性回归、支持向量机、随机森林等。可以通过交叉验证等方法，选择最优的模型。

步骤五：模型训练与优化

在选择好模型后，需要使用历史数据进行模型的训练和优化。通常采用的方法是将数据集分为训练集和测试集，使用训练集来训练模型，然后使用测试集来评估模型的性能。

步骤六：模型评估与调优

在模型训练完成后，需要对模型进行评估，并进行调优。评估指标可以选择均方根误差（RMSE）、平均绝对误差（MAE）等指标。如果模型的性能不够理想，可以尝试调整模型的参数，或者使用其他模型进行比较。

步骤七：模型应用与预测 ----宋停云与您分享----

----宋停云与您分享---- 当模型经过评估和调优后，即可将其应用于实际的功率预测中。根据实时获取的风速、风向、空气密度等信息，输入到模型中，即可得到对应的功率输出预测结果。

第13期2018年7月No.13July，2018无线互联科技Wireless Internet Technology

作为一种绿色无污染的新能源，风能越来越受到重视，

它将成为人类未来主要的能源资源[1]。受复杂多变的环境因

素影响，风电机组各部件性能会在运行中逐渐下降，最终导

致部件发生故障。而对风电机组部件进行故障预警则可提

前发现隐患，有利于优化维护计划，避免因部件故障延误而

导致更加严重的整机故障。

传统风电机组故障预警方法有振动分析、声学分析、润

滑分析等，这些方法需要采集高频率的振动数据或额外安

装高成本附加设备或者传感器，导致难以广泛应用于风场

中。风机数据采集与监控（Supervisory Control And Data Acquisition，SCADA）系统作为风机状态监测的重要组成部

分，能够提供监测风机状态与风机部件运行状态的数据，基

于SCADA数据驱动的风机部件故障预警方法已经被广泛应

用于风场中。通过SCADA数据建立神经网络模型对风机部

件进行故障预警不需要对风机组件的机械结构有深入了解。

当SCADA数据充足的情况下，能够实现对风机多部件的故

障预警。神经网络对风机组件故障预警的这些优点，使其成

为风机关键部件故障预警的重要方法之一[2-4]。Garcia等[5]在2006年提出通过利用神经网络建立风机

组件正常模型对风机齿轮箱进行故障预警，该方法通过神

经网络正常模型的预测值与实际值进行比较得到误差，将

在正常行为模型定义的置信区

间之外的误差判断为异常。研

究结果表明，使用Garcia提出

的方法只能提前26小时监测

到风机齿轮箱发生故障，预警

时间过短导致无法针对即将

发生的故障制定相应的维护

计划。Zaher等[6]在2009年提

出类似的方法，即通过观察神经网络的预测值与实时数据之间的误差和误差频率的增加

来实现故障预警。该方法能够提前6个月对齿轮箱轴承故

障进行识别，但是因为缺乏定量的判据来判断风机组件是

风力发电机组 测风激光雷达 技术要求与试验方法

1. 引言

1.1 概述

风力发电是一种利用风能转换为电能的可再生能源的技术。随着全球对清洁能源需求的增加，风力发电机组逐渐成为主要的电力供应方式之一。测风激光雷达是一种用于准确测量大气中风速和方向的先进技术。本文将围绕着风力发电机组与测风激光雷达之间的关系，探讨其技术要求和试验方法。

1.2 文章结构

本文共分为五个部分，分别是引言、风力发电机组技术要求、测风激光雷达技术要求、技术要求与试验方法比较分析以及结论与展望。在引言部分，我们将对文章进行一个整体的介绍和概述。随后，在各个章节中，我们将详细讨论风力发电机组和测风激光雷达的相关技术要求，并通过比较分析它们之间相互影响和依赖关系来探讨它们在实际应用中可能出现的问题。最后，在结论与展望部分，我们将对本文所阐述的内容进行总结评价，并提出未来研究的方向。

1.3 目的

本文的主要目的是对风力发电机组和测风激光雷达技术要求与试验方法进行详细研究和比较分析。通过探讨它们的原理、功能需求、设计要素、安全考虑以及技术参数等方面，可以更好地了解它们之间的关联性，为相关领域的研究和应用提供参考依据。同时，通过对比分析不同技术标准和试验方法，可以揭示出可能存在的差异和问题，并为进一步改进和优化这些技术提供指导意见。最终，本文旨在促进风力发电领域与测风激光雷达领域之间的交流与合作，推动能源行业向更加清洁、高效和可持续发展迈进。

2. 风力发电机组技术要求：

2.1 功能需求：

风力发电机组作为一种可再生能源装置，其功能需求主要包括以下几个方面：

1）高效转化：能够将风能高效转化为电能，实现最大化的能量利用；

2）稳定输出：具备稳定的电力输出特性，能够适应不同风速和气候条件下的工作环境；

3）自适应调节：具备自动调节机制，可以根据实时的风速变化进行叶片转速的控制，以更好地匹配风能资源；

4）系统监测：配备完善的监测系统，对设备运行状态、功率输出等进行实时监测和数据记录；