本發明涉及新能源,具體涉及風儲一體化構網型變流器多機系統故障分析方法及裝置。
背景技術:
1、隨著世界能源格局的變更,光伏發電與風力發電日益成為各國深入研究、大力發展的熱點。我國幅員遼闊,風光資源豐富,先后建立了一大批風電場、光伏電站,而風光變流器集成了風電變流器和光伏變流器的功能。
2、目前用于電力系統,特別是風光變流器多機風力發電系統的故障分析及控制優化方法包括多種算法,如遺傳算法、模擬退火算法、支持向量機法、現場信號檢測診斷等。
3、其中,遺傳算法、模擬退火算法等存在確定目標函數困難、診斷時間過長以及尋優過程中可能丟失最優解的問題,故障診斷的準確性低。基于支持向量機的故障診斷方法中核函數參數的選擇對診斷結果影響較大,故障分析結果不準確。現場信號檢測診斷存在傳感器數量較少,在復雜工況下的診斷能力有限,故障診斷的效率低。
技術實現思路
1、有鑒于此,本發明提供了一種風儲一體化構網型變流器多機系統故障分析方法及裝置,以解決故障診斷的準確性低和效率低的問題。
2、第一方面,本發明提供了一種風儲一體化構網型變流器多機系統故障分析方法,該風儲一體化構網型變流器多機系統故障分析方法包括:獲取風儲一體化構網型變流器多機系統的當前故障工況數據;利用k近鄰模型對當前故障工況數據進行故障分析,得到當前故障工況種類;利用k均值聚類算法對當前故障工況數據進行聚類分析,獲取當前故障工況種類之間的故障關聯信息;基于當前故障工況種類和故障關聯信息對風儲一體化構網型變流器多機系統中的參數進行調整。
3、在該實現方式中,利用k近鄰模型對當前故障工況數據進行故障分析,能夠智能識別和預測系統可能發生的故障類型,實現了故障分析的自動化和智能化;在此基礎上,利用k均值聚類算法進一步深入分析不同故障之間的關聯性,挖掘故障發生的共同原因或特定條件下的特定原因。k近鄰和k均值聚類算法的集成使用,發揮了協同效應,提高了故障分析和處理的整體效能,實現了從故障識別、原因分析到控制優化的一體化解決方案,解決故障診斷的準確性低和效率低的問題,能夠提高風儲一體化構網型變流器多機系統的穩定性和可靠性。
4、在一種可選的實施方式中,利用k近鄰模型對當前故障工況數據進行故障分析,得到當前故障工況種類之前還包括:獲取歷史故障工況數據和對應的歷史故障工況種類;將歷史故障工況數據和對應的歷史故障工況種類劃分為訓練集和測試集;利用訓練集對k近鄰模型進行訓練;利用訓練后的k近鄰模型讀取測試集中的歷史故障工況數據,輸出測試故障工況種類;當測試故障工況種類和測試集中的歷史故障工況種類不同時,基于測試故障工況種類和測試集中的歷史故障工況種類之間的差異信息對k近鄰模型的參數進行調整,并再次對k近鄰模型進行訓練;當測試故障工況種類和測試集中的歷史故障工況種類相同時,輸出訓練后的k近鄰模型。
5、在該實現方式中,利用歷史故障數據對k近鄰模型進行訓練,并利用歷史故障數據進一步測試,針對歷史故障數據進行深入分析,能夠更準確地識別故障原因,提高故障診斷的準確性。
6、在一種可選的實施方式中,利用k近鄰模型對當前故障工況數據進行故障分析,得到當前故障工況種類包括:計算當前故障工況數據與每組歷史故障工況數據之間的歐氏距離;基于歐氏距離對歷史故障工況數據進行排序,確定歐氏距離最小的預設數量的歷史故障工況數據;獲取預設數量的歷史故障工況數據對應的預設數量的歷史故障工況種類;將預設數量的歷史故障工況種類中數量最多的故障工況種類作為當前故障工況種類。
7、在一種可選的實施方式中,得到當前故障工況種類之后還包括:基于當前故障工況種類運行風儲一體化構網型變流器多機系統模型,得到檢測故障工況數據,風儲一體化構網型變流器多機系統模型用于模擬運行風儲一體化構網型變流器多機系統;當檢測故障工況數據和當前故障工況數據不同時,基于檢測故障工況數據和當前故障工況數據之間的差異信息對k近鄰模型的參數進行調整,并再次對k近鄰模型進行訓練。
8、在一種可選的實施方式中,利用k均值聚類算法對當前故障工況數據進行聚類分析,獲取當前故障工況種類之間的故障關聯信息包括:基于當前故障工況種類運行風儲一體化構網型變流器多機系統模型,得到驗證故障工況數據,風儲一體化構網型變流器多機系統模型用于模擬運行風儲一體化構網型變流器多機系統;當驗證故障工況數據與當前故障工況數據相同時,利用k均值聚類算法對當前故障工況數據進行聚類分析,確定具有相似特征的當前故障工況數據;基于具有相似特征的當前故障工況數據,獲取對應的當前故障工況種類之間的故障關聯信息。
9、在該實現方式中,k-均值聚類算法,對風儲一體化構網型變流器多機系統中的故障工況數據進行了深入分析和研究,將具有相似特征的數據聚集在一起,分析當前故障工況種類之間的內在聯系,能夠提高故障處理的效率。
10、在一種可選的實施方式中,基于當前故障工況種類和故障關聯信息對風儲一體化構網型變流器多機系統中的參數進行調整之后還包括:基于調整后的參數運行風儲一體化構網型變流器多機系統模型,得到調整工況數據;將調整工況數據與非故障工況數據進行比對,判斷風儲一體化構網型變流器多機系統的穩定性。
11、在一種可選的實施方式中,構建風儲一體化構網型變流器多機系統模型的步驟包括:獲取風儲一體化構網型變流器多機系統的運行參數,運行參數包括節點信息和線路參數;利用pandapower功能包,基于運行參數構建風儲一體化構網型變流器多機系統模型。
12、在該實現方式中,通過結合pandapower數據包進行系統建模與k近鄰和k均值聚類算法的數據分析,形成了一套完整的故障分析與協同控制優化流程,提高了故障診斷的準確性和系統控制的智能化水平。
13、在一種可選的實施方式中,該風儲一體化構網型變流器多機系統故障分析方法還包括:基于歷史故障工況種類運行風儲一體化構網型變流器多機系統模型,得到模擬故障工況數據;基于模擬故障工況數據和歷史故障工況數據之間的差異信息對風儲一體化構網型變流器多機系統模的參數進行調整。
14、第二方面,本發明提供了一種計算機設備,包括:存儲器和處理器,存儲器和處理器之間互相通信連接,存儲器中存儲有計算機指令,處理器通過執行計算機指令,從而執行上述第一方面或其對應的任一實施方式的風儲一體化構網型變流器多機系統故障分析方法。
15、第三方面,本發明提供了一種計算機可讀存儲介質,該計算機可讀存儲介質上存儲有計算機指令,計算機指令用于使計算機執行上述第一方面或其對應的任一實施方式的風儲一體化構網型變流器多機系統故障分析方法。
16、第四方面,本發明提供了一種計算機程序產品,包括計算機指令,計算機指令用于使計算機執行上述第一方面或其對應的任一實施方式的風儲一體化構網型變流器多機系統故障分析方法。
1.一種風儲一體化構網型變流器多機系統故障分析方法,其特征在于,所述方法包括:
2.根據權利要求1所述的風儲一體化構網型變流器多機系統故障分析方法,其特征在于,所述利用k近鄰模型對所述當前故障工況數據進行故障分析,得到當前故障工況種類之前還包括:
3.根據權利要求2所述的風儲一體化構網型變流器多機系統故障分析方法,其特征在于,所述利用k近鄰模型對所述當前故障工況數據進行故障分析,得到當前故障工況種類包括:
4.根據權利要求2所述的風儲一體化構網型變流器多機系統故障分析方法,其特征在于,所述得到當前故障工況種類之后還包括:
5.根據權利要求2所述的風儲一體化構網型變流器多機系統故障分析方法,其特征在于,所述利用k均值聚類算法對所述當前故障工況數據進行聚類分析,獲取所述當前故障工況種類之間的故障關聯信息包括:
6.根據權利要求5所述的風儲一體化構網型變流器多機系統故障分析方法,其特征在于,所述基于所述當前故障工況種類和所述故障關聯信息對所述風儲一體化構網型變流器多機系統中的參數進行調整之后還包括:
7.根據權利要求4-6任一項所述的風儲一體化構網型變流器多機系統故障分析方法,其特征在于,構建風儲一體化構網型變流器多機系統模型的步驟包括:
8.根據權利要求7所述的風儲一體化構網型變流器多機系統故障分析方法,其特征在于,所述方法還包括:
9.一種計算機設備,其特征在于,包括:
10.一種計算機可讀存儲介質,其特征在于,所述計算機可讀存儲介質上存儲有計算機指令,所述計算機指令用于使計算機執行權利要求1至8中任一項所述的風儲一體化構網型變流器多機系統故障分析方法。
11.一種計算機程序產品,其特征在于,包括計算機指令,所述計算機指令用于使計算機執行權利要求1至8中任一項所述的風儲一體化構網型變流器多機系統故障分析方法。