【技術實現步驟摘要】
本專利技術涉及電力檢測，具體來說，涉及一種基于發電工況的風電機組運行性能檢測方法及系統。
技術介紹
1、風力發電作為一種清潔、可再生的能源，因其對環境友好、資源可持續而受到全球廣泛關注，在能源結構優化和碳減排目標的實現中占據著重要地位。近年來，隨著全球對綠色能源需求的快速增長，風電裝機容量持續擴大，風電機組逐漸成為電力系統中不可或缺的組成部分。然而，風電機組的運行性能受多種復雜因素的影響，既包括外部的自然環境變化，也涉及機組內部的機械和電氣狀態。
2、在運行過程中，風電機組需要適應不斷變化的環境條件，如風速的變化、氣溫的波動、空氣濕度的變化，以及雨雪、冰凍等極端天氣條件。這些環境因素直接影響機組的發電效率和運行穩定性。例如，風速的急劇變化可能導致葉片的負載波動，而低溫環境下的積冰現象則可能增加機械阻力，進一步降低運行性能。此外，自然環境中的沙塵暴、腐蝕性海風等，也可能對機組的關鍵部件如葉片和軸承造成磨損，縮短設備壽命。
3、不僅如此，機組本身的運行狀況也充滿挑戰。風電機組通常包含復雜的機械結構和電氣系統，如齒輪箱、發電機和電力轉換設備等。在長期運行過程中，這些部件可能因疲勞、老化或維護不當而出現性能退化。例如，齒輪箱的磨損可能引起傳動效率下降，而發電機的散熱問題可能導致過熱甚至故障。此外，風電機組運行過程中產生的振動和噪聲，也可能預示著內部部件的異常或潛在的故障隱患。
4、面對如此復雜的運行環境和多樣化的影響因素，傳統的風電機組性能檢測方法顯得力不從心。現有檢測方法大多依賴于單一的運行數據分析
5、尤其在高風險工況下，僅依賴運行數據分析可能無法及時捕捉到關鍵性信息。例如，葉片裂紋或表面積冰等異常現象，盡管可能嚴重影響發電性能，但卻無法通過常規的運行參數檢測直接發現。因此，僅依賴單一數據源的分析方法，在面對多模態數據融合和復雜風險環境時顯現出明顯的局限性，難以滿足風電機組高效運行和可靠診斷的需求。由此，亟需一種更加全面、智能和高效的運行性能檢測方法，以應對現代風電機組運行中的多樣化挑戰。
技術實現思路
1、針對相關技術中的問題，本專利技術提出一種基于發電工況的風電機組運行性能檢測方法及系統，以克服現有相關技術所存在的上述技術問題。
2、為此，本專利技術采用的具體技術方案如下：
3、根據本專利技術的一個方面，提供了一種基于發電工況的風電機組運行性能檢測方法，包括以下步驟：
4、s1、基于歷史運行數據及環境數據，預測風電機組當前時刻的風險等級，并根據風險等級動態調整數據采集頻率及范圍；
5、s2、根據調整后的數據采集頻率及范圍，獲取風電機組的實時運行數據及實時圖像數據，并根據實時運行數據對風電機組的當前運行狀態進行工況劃分；
6、s3、利用圖像處理技術對實時圖像數據進行特征提取，并將實時運行數據與實時圖像特征進行融合，得到實時融合特征；
7、s4、基于工況劃分結果，結合動態權重分配策略調整實時融合特征中運行數據和圖像特征的權重；
8、s5、利用預先構建的多模態深度學習模型，結合調整后的實時融合特征預測風電機組的實時發電性能指標，基于預測的實時發電性能指標分析風電機組的運行性能。
9、進一步的，所述基于歷史運行數據及環境數據，預測風電機組當前時刻的風險等級，并根據風險等級動態調整數據采集頻率及范圍包括以下步驟：
10、s11、獲取風電機組的歷史運行數據、環境數據及故障標注數據，并對獲取的歷史數據進行預處理；基于預處理后的歷史數據構建并訓練風險預測模型；
11、s12、獲取上一時刻風電機組的運行數據及環境數據，并利用訓練好的風險預測模型預測風電機組當前時刻的風險等級；根據風電機組當前時刻的風險等級，動態調整數據采集頻率及范圍。
12、進一步的，所述根據風電機組當前時刻的風險等級，動態調整數據采集頻率及范圍包括：
13、當風險等級為低風險時，采集方式為低頻采集，采集范圍包括運行數據中的關鍵指標及以第一分辨率采集的圖像；
14、當風險等級為中風險時，采集方式為中等頻率采集，采集范圍包括運行數據中的所有指標及以第二分辨率采集的圖像；
15、當風險等級為高風險時，采集方式為高頻采集，采集范圍包括運行數據中的所有指標、以第三分辨率采集的圖像及關鍵部件的熱成像圖像；
16、其中，第一分辨率、第二分辨率及第三分辨率依次遞增。
17、進一步的，所述利用圖像處理技術對實時圖像數據進行特征提取，并將實時運行數據與實時圖像特征進行融合，得到實時融合特征包括以下步驟：
18、s31、對實時采集的圖像數據進行清洗和標準化處理，基于圖像處理技術從實時圖像中提取風電機組運行狀態的關鍵特征，并對實時運行數據進行預處理及關鍵動態特征提取；
19、s32、對圖像特征及運行數據特征進行時間同步及空間匹配處理，并將圖像特征和運行數據特征直接拼接，形成實時融合特征向量。
20、進一步的，所述基于工況劃分結果，結合動態權重分配策略調整實時融合特征中運行數據和圖像特征的權重包括以下步驟：
21、s41、根據工況劃分結果確定初始權重分配策略，并根據工況類型預設實時運行數據和實時圖像特征的默認權重比例；
22、s42、基于實時運行數據和實時圖像特征的變化率、波動性及異常強度，分別計算實時運行數據和實時圖像特征的重要性得分；
23、s43、根據實時運行數據和實時圖像特征的重要性得分動態修正默認權重，并利用修正后的權重對運行數據特征和圖像特征進行融合。
24、進一步的，根據工況類型預設實時運行數據和實時圖像特征的默認權重比例包括：
25、當工況類型為低風險工況時，以實時運行參數為主導，且實時運行參數的權重大于實時圖像特征的權重；
26、當工況類型為中風險工況時，實時運行參數和實時圖像特征同等重要，且實時運行參數的權重等于實時圖像特征的權重；
27、當工況類型為高風險工況時，以實時圖像特征為主導，且實時運行參數的權重小于實時圖像特征的權重。
28、進一步的，實時運行數據的重要性得分的計算公式為：
29、
30、實時圖像特征的重要性得分的計算公式為：
31、
32、式中，sr表示實時運行數據的重要性得分，si表示實時圖像特征的重要性得分，ωb、ωv、ωa分別表示變化率、波動性、異常強度的權重，rr、vr、ar分別表示實時運行數據的變化率、波動性及異常強度，ri、vi、ai分別表示實時圖像特征的變化率、波動性及異常強度，xt、yt分別表示當前時刻的運行數據值和圖像特征值，xt-1、本文檔來自技高網...
【技術保護點】
1.一種基于發電工況的風電機組運行性能檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述基于歷史運行數據及環境數據，預測風電機組當前時刻的風險等級，并根據風險等級動態調整數據采集頻率及范圍包括以下步驟：
3.根據權利要求2所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述根據風電機組當前時刻的風險等級，動態調整數據采集頻率及范圍包括：
4.根據權利要求1所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述利用圖像處理技術對實時圖像數據進行特征提取，并將實時運行數據與實時圖像特征進行融合，得到實時融合特征包括以下步驟：
5.根據權利要求1所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述基于工況劃分結果，結合動態權重分配策略調整實時融合特征中運行數據和圖像特征的權重包括以下步驟：
6.根據權利要求5所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，根據工況類型預設實時運行數據和實時圖像特征的默認
7.根據權利要求5所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，實時運行數據的重要性得分的計算公式為：
8.根據權利要求7所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，實時運行數據修正后的權重的計算公式為：
9.根據權利要求1所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述基于預測的實時發電性能指標分析風電機組的運行性能包括以下步驟：
10.一種基于發電工況的風電機組運行性能檢測系統，用于實現權利要求1-9中任一所述的基于發電工況的風電機組運行性能檢測方法的步驟，其特征在于，包括風險等級分析模塊、工況劃分模塊、特征融合模塊、權重分配模塊、性能指標預測模塊及運行性能分析模塊；
...【技術特征摘要】
1.一種基于發電工況的風電機組運行性能檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述基于歷史運行數據及環境數據，預測風電機組當前時刻的風險等級，并根據風險等級動態調整數據采集頻率及范圍包括以下步驟：
3.根據權利要求2所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述根據風電機組當前時刻的風險等級，動態調整數據采集頻率及范圍包括：
4.根據權利要求1所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述利用圖像處理技術對實時圖像數據進行特征提取，并將實時運行數據與實時圖像特征進行融合，得到實時融合特征包括以下步驟：
5.根據權利要求1所述的一種基于發電工況的風電機組運行性能檢測方法，其特征在于，所述基于工況劃分結果，結合動態權重分配策略調整實時融合特征中運行數據和圖像特征的權重包括以...
【專利技術屬性】
技術研發人員：鄭鋼，李生林，李玉鵬，尹正清，祁圣山，
申請(專利權)人：甘肅華電玉門風力發電有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。