一种变流器过温预警方法和系统与流程

本发明涉及变流器领域，具体涉及一种变流器过温预警方法和系统。

背景技术：

风能作为一种清洁的可再生能源，越来越受到世界各国的重视，中国新能源战略已经把大力发展风力发电设为重点。变流器是风力发电系统中的核心部件之一，变流出现故障将直接导致风力发电机停止工作，造成很大的经济损失。变流器过温是变流器的主要故障之一，如何能提前预知过温，以便及时应对处理避免故障停机减少经济损失是业界关切的问题。

现阶段，人们普遍采用的应对变流器过温预警方式有设定温度阈值tthr，当温度达到阈值tthr时触发警报。还有一种方式是计算全场的变流器的温度平均值tavg,再将变流器的温度tr与对比，根据差值t△大小判断过温状态。

设定温度阈值的方式技术死板，阈值设定过高，当温度达到预警值时往往已经来不及处理，阈值设定过低则容易引起误报，且难以应对不同的季节、不同地理位置的温度正常波动。

通过对比变流器温度与全场变流器的温度平均值的方式，其弊端是：

一、当变流器数量过少甚至只有单台时，平均值失去意义。

二、一般风电场风力发电机分布的面积很广，各区域的局部温度和风力不尽相同，局部温度差会累加到待测变流器温度与全场变流器温度均值的偏差t△上，特别是风力变化阶段，各个风力发电机的输出功率变化时刻是不一样的(发电功率对变流器温度的影响很大)，导致变流器温度的升降步调不一致，也会影响待测变流器当前温度与全场变流器温度均值的差值，容易造成误判。

以上两种应对变流器过温预警方式方案都没有数据可视化的部分，判断手段单一、误判率高。

技术实现要素：

本发明的目的是提供一种变流器过温预警方法和系统，以解决现有技术的变流器过温预警方法判断手段单一、误判率高的技术问题。

本发明为了解决其技术问题所采用的技术方案是：

一种变流器过温预警方法，其包括：

建模步骤：根据变流器的历史运行参数数据得出变流器的温度变化模型，所述温度变化模型模拟了变流器的运行参数中温度参数与温度参数以外的其它参数的关系；

测算步骤：将变流器当前的实时运行参数中温度参数以外的其它参数传入所述温度变化模型中进行计算,得到变流器的预期温度；

判断步骤：根据所述预期温度与变流器的温度参数的偏差值判断变流器是否过温。

进一步地，所述的变流器过温预警方法还包括：

显示步骤：显示变流器的实时温度曲线和温度报警信息。

进一步地，所述建模步骤包括：

采集变流器在正常运行情况下的运行参数的历史数据；

对采集到的变流器运行参数的历史数据进行清洗；

利用机器学习算法对清洗后的数据进行挖掘，得出变流器正常运行情况下的温度变化模型。

进一步地，对采集到的变流器运行参数的历史数据进行清洗包括去除无效数据、保留有效数据、数据格式转换。

进一步地，所述判断步骤中，当所述预期温度与变流器的温度参数的偏差值超出设定的阈值范围时，则判断变流器过温。

一种变流器过温预警系统，其包括：

模型生成模块，用于根据变流器的历史运行参数数据得出变流器的温度变化模型，所述温度变化模型模拟了变流器的运行参数中温度参数与温度参数以外的其它参数的关系；

计算模块，用于将变流器当前的实时运行参数中温度参数以外的其它参数传入所述温度变化模型中进行计算,得到变流器的预期温度；

判断模块，用于根据所述预期温度与变流器的温度参数的偏差值判断变流器是否过温。

进一步地，所述变流器过温预警系统还包括：

显示模块，用于将变流器实时温度曲线和温度报警信息显示给用户，

进一步地，所述模型生成模块包括：

数据获取单元，用于获取采集变流器在正常运行情况下的运行参数的历史数据；

数据处理单元，用于对采集到的变流器运行参数的历史数据进行清洗；

机器学习单元，用于利用机器学习算法对清洗后的数据进行挖掘，得出变流器在正常运行情况下的温度变化模型。

进一步地，所述数据处理单元对采集到的变流器运行参数的历史数据进行清洗包括去除无效数据、保留有效数据和数据格式转换。

进一步地，当所述预期温度与变流器的温度参数的偏差值超出设定的阈值范围时，所述判断模块判断变流器过温。

与现有技术相比较，采用本发明的变流器过温预警方法和系统，利用人工智能中的机器学习技术，根据变流器的历史运行参数数据得出变流器的温度变化模型，可以更加精准的匹配温度随设备自身其他参数变化的曲线，将变流器当前的实时运行参数中温度参数以外的其它参数传入所述温度变化模型中进行计算,得到变流器的预期温度，根据所述预期温度与变流器的温度参数的偏差值判断变流器是否过温，可以提高判断的准确性。

附图说明

图1为本发明实施例的变流器过温预警方法的流程图。

图2为图1中步骤s1的具体流程图。

图3为本发明实施例的变流器过温预警系统的结构示意图。

图4为图3中的模型生成模块的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供了一种变流器过温预警方法，其包括步骤s1-s4，下面分别进行说明。

步骤s1、建模步骤：根据变流器的历史运行参数数据得出变流器的温度变化模型，所述温度变化模型模拟了变流器的运行参数中温度参数与温度参数以外的其它参数的关系。

需要说明的是，变流器在运行时，进行变流器监测时，会实时采集其运行数据，采集到的数据会被保存在数据库中。变流器的运行参数包括:设备号、时间戳、电网有功功率、电网无功功率、模块温度、电网ab线电压有效值、电网bc线电压有效值、电网ca线电压有效值、电网a相电流有效值、电网b相电流有效值、电网c相电流有效值、直流侧电压、直流侧电流、直流侧功率、电网频率、母线电压实测值、mppt目标功率、功率因数、额定功率、系统状态机。通过到数据库中获取变流器的历史运行参数数据，采用人工智能的利用机器学习算法对变流器的历史运行参数数据训练，即可得出变流器正常运行情况下的温度变化模型。

具体地，步骤s1包括：

步骤s11：采集变流器在正常运行情况下的运行参数的历史数据；

步骤s12：对采集到的变流器运行参数的历史数据进行清洗；

步骤s11：利用机器学习算法对清洗后的数据进行挖掘，得出变流器正常运行情况下的温度变化模型。

需要说明的是，在步骤s12中，对采集到的变流器运行参数的历史数据进行清洗包括去除无效数据、保留有效数据、数据格式转换。

步骤s2、测算步骤：将变流器当前的实时运行参数中温度参数以外的其它参数传入所述温度变化模型中进行计算,得到变流器的预期温度。

需要说明的是，步骤s2中，通过获取变流器当前的实时运行参数，将温度参数以外的其它参数传入所述温度变化模型中进行计算,即可得到变流器的预期温度，所述预期温度是在变流器正常运行时应有的温度。

步骤s3、判断步骤：根据所述预期温度与变流器的温度参数的偏差值判断变流器是否过温。

需要说明的是，在进行判断时，首先要设定一个偏差的阈值范围，当所述预期温度与变流器的温度参数的偏差值超出设定的阈值范围时，则说明温度偏差较大，判断变流器过温，进行报警。当所述预期温度与变流器的温度参数的偏差值在设定的阈值范围内时，则说明变流器的当前温度与变流器正常运行的温度偏差不大，判断变流器正常运行。

步骤s4、显示步骤：显示变流器的实时温度曲线和温度报警信息。

需要说明的是，在对变流器的温度进行监控时，需要实时显示变流器的温度，并且当变流器过温时，显示报警信息，以便于监控人员能实时了解变流器的实时温度，并且及时发现报警信息，进行故障处理。

如图3所示，本发明实施例中，还提供了一种变流器过温预警系统，其包括模型生成模块21、计算模块22、判断模块23和显示模块24。所述模型生成模块21，用于根据变流器的历史运行参数数据得出变流器的温度变化模型，所述温度变化模型模拟了变流器的运行参数中温度参数与温度参数以外的其它参数的关系。所述计算模块22，用于将变流器当前的实时运行参数中温度参数以外的其它参数传入所述温度变化模型中进行计算,得到变流器的预期温度。所述判断模块23，用于根据所述预期温度与变流器的温度参数的偏差值判断变流器是否过温，当所述预期温度与变流器的温度参数的偏差值超出设定的阈值范围时，所述判断模块23判断变流器过温。所述显示模块24，用于将变流器实时温度曲线和温度报警信息显示给用户，

进一步地，如图4所示，所述模型生成模块21包括数据获取单元211、数据处理单元222和机器学习单元223。所述数据获取单元211，用于获取采集变流器在正常运行情况下的运行参数的历史数据。所述数据处理单元222，用于对采集到的变流器运行参数的历史数据进行清洗,所述数据处理单元对采集到的变流器运行参数的历史数据进行清洗，包括去除无效数据、补全缺失数据和数据格式转换。所述机器学习单元223，用于利用机器学习算法对清洗后的数据进行挖掘，得出变流器在正常运行情况下的温度变化模型。

综上所述，采用本发明的变流器过温预警方法和系统，利用人工智能中的机器学习技术，根据变流器的历史运行参数数据得出变流器的温度变化模型，可以更加精准的匹配温度随设备自身其他参数变化的曲线，将变流器当前的实时运行参数中温度参数以外的其它参数传入所述温度变化模型中进行计算,得到变流器的预期温度，根据所述预期温度与变流器的温度参数的偏差值判断变流器是否过温，可以提高判断的准确性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。