发电厂用电电气的二次优化设计

近几年来我国用电需求量越来越大，我国发电厂发电机以及变压器电机容量不断增大，在火电厂用电设备中，设计与使用维护等都存在造价昂贵的情况，而且与发电厂电力系统的正常运行直接相关，发电厂用电电气二次优化设计直接关系到发电厂设备的可靠运行，本文主要分析发电厂用电电气的二次优化设计，希望能为相关人员带来一些帮助。

浅析风电数据质量对封顶预测模型的影响

在大数据技术发展了十年、物联网技术日趋完善的背景下,很多企业坐拥大量数据,希望能够实现数据驱动的决策,进而实现精细化运营,以提高运营效率,减少不必要的成本,并增加企业利润。这个过程离不开对高质量数据的积累、存储、分析、挖掘和建模。本文基于若干风力发电厂在数据挖掘项目中的某些数据质量问题展开讨论,分析了数据质量在不同方面对模型效果的影响。

风电损失功率分析

本文首先参考空气动力学相关知识并结合Box-Cox变换将风电功率残差转换为服从正态分布的数据,并基于正态假设对风机的状态进行基本划分,得到了停止状态、待机状态、满发功率状态、正常状态和异常状态这五个基本状态,并进行了风电状态的占比分析。基于功率曲线本文对风电功率的环境影响因素进行了深入分析,肯定了外界温度对风机的重要影响,并在考虑温度因素的条件下拟合出理想条件下的功率曲线,并与实际功率曲线进行对比,用以实现风电的损失功率分析,最终评估出本文所研究风机的功率利用率约为79.98%,并对损失功率分析得知风机通过及时的维修和合理的维护可避免约5.99%~12.28%的功率损失。

一种针对事件级风电故障的高精度预测模型的探究

本文针对常见的风电故障事件进行类别和性质上的分类,并通过分析事件的发生频率、故障率和差异概率等属性对事件类别和事件性质进行深入分析,结合了属性分析、业务逻辑理解和风电故障相关的经验总结,用以进行后续特征工程中的特征构建。在特征工程过程中,我们主要从线性趋势、波变换、分布描述、异常点和检验统计量等几个角度出发,结合了风电故障的特点以及传统时序分析的技巧,并利用主成分分析去除特征的多重共线性并进行数据降维,随后本文利用LightGBM算法构建了针对故障事件的预测,并实现了针对事件级的时间跨度为7天的高精度预测。最终针对整理的23类风电事件,共有12类事件得到有效预测(预测精度超过70%),其中可以精准预测(预测精度超过90%)的有4件,而综合故障预测精度为85.24%。最后本文将LighGBM与传统机器学习算法进行了对比,证明了算法的高可用性,随后本文对模型的优缺点进行分析,肯定了模型在实际应用中的积极意义,最后本文对模型进行了综合的评价并对改进方向提供了探索思路。

可持续的数据驱动风电场运营模式

在风电场运营中,如果可以提前预测风机故障,便能及时排查、备件、防范与维修,减少风电损失,提高风电场发电效率。我们可以基于风机历史数据(SCADA点表数据+事件数据),训练针对不同故障的预测模型,来实现对风电场的智能运维。然而在实际中,这个过程离不开高质量、有足够大样本的数据。本文中描述了我们在风电场智能运维建设中提出的一种成长式的故障预测模型学习策略,可用于实现可持续的数据驱动的风电场运营模式。