技术特征：
1.一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于，包括以下步骤：s101：数据筛选，依据功率特性曲线，使用最小二乘与离散度分析结合的算法对scada数据进行筛选，以保留符合机组正常工况的数据，从而提高模型的精度；s102：建立神经网络模型，使用随机森林算法筛选模型的输入参数以简化模型结构，并通过对比隐含层的数目建立风电机组的神经网络模型；s103：提出指标，结合滑动窗口模型，提出一种能反映机组实时运行状态的指标；s104：确定阈值，通过非参数估计法确定该指标的阈值；s105：预警和监测，实现状态预警及在线监测。2.如权利要求1所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：包括工作系统和管理后台，工作系统通过信号传输的方式与管理后台交互数据，且管理后台配置有处理信息的应用模块。3.如权利要求2所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：工作系统包括分析单元、采集模块、预警模块、以及传输模块，采集模块用于采集的状态参数包括风速、风向、转速、电压、电流、功率、振动、温度等，且采集模块通过传输模块信号连接管理后台。4.如权利要求3所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：分析单元包括角度模块、转速模块、风速模块以及功率模块，且分析单元运用scada系统的相关参数，比如转速、功率、风速、角度等，在此基础上结合广义线性回归算法构建可用于分析各风力发电机组电量的线性模型，说明引起电量损失的具体原因。5.如权利要求2所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：工作系统还包括预测判断模块，预测判断模块可用于全场功率预测、叶片结冰预测、风力发电机组机械状态预测、单机功率曲线对标预测、风机机舱风速预测准确性修正以及判断运行健康状态。6.如权利要求5所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：全场功率预测是指基于arima算法构建全场功率预测模型，利用历史风速、风向、温度、功率、偏航数据用于模型的训练，利用当前相应数据进行模型的预测。7.如权利要求5所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：风力发电机组机械状态预测是指深度挖掘振动信号、温度、风机转速等参数，利用神经网络建立预测模型，并用历史数据对模型进行训练，再利用当前参数进行风电机组机械状态的预测。8.如权利要求1所述的一种基于功率曲线分析与神经网络的风电机组故障预警方法，其特征在于：针对步骤s105，可先利用保局投影方法对风电机组状态参数进行特征提取，再建立目标状态参数的神经网络预测模型，运用信息熵方法对目标状态参数预测模型的残差变化趋势进行分析来判断风电机组是否为健康状态，若健康，则允许此风电机组进行正常工作且对此风电机组进行实时监测，若不健康，则启动预警模块进行及时预警，并传输至管理后台进行预处理。
技术总结
本发明公开了一种基于功率曲线分析与神经网络的风电机组故障预警方法，充分利用SCADA数据，且不需要对风电机组复杂的物理特性进行分析，将该方法分别用于风电场的变桨系统和偏航系统的故障预警，进一步证明方法的有效性，LPP特征提取降低了建模和预测的难度，提高了预测精度，神经网络算法中的极端学习机在学习速度和泛化性能上都比传统的BP神经网络更有优势，与极端学习机预测模型对比，核极端学习机预测模型在稳定性和预测精度上有一定的改善，信息熵方法结合熵的概念，能够对数据的变化剧烈程度进行量化，该方法能够实现风电机组早期故障的检测，从而达到故障预警的目的。的。的。
技术研发人员：徐志轩 张舒翔 唐宏芬 曹庆才 尹男 张建新 张树晓 张礼兴 郭旭峰 荀佳萌 曹善桥 高德兰 刘显荣 石如心 王娟
受保护的技术使用者：中国大唐集团新能源科学技术研究院有限公司
技术研发日：2021.12.22
技术公布日：2022/4/12