CN102226714A - 一种风力发电多机组远程实时状态监测方法 - Google Patents

Abstract

本发明涉及一种风力发电多机组远程实时状态监测方法，属于风电设备状态监测技术领域。本方法的监测对象是风力发电多机组的振动信号，首先采集其振动信号，将其转变成离散信号；再利用多采样率信号处理技术，提取风力发电机组的低频振动信号；然后通过广域网将多采样率处理后的振动信号发送到远程接收端；最后在远程接收端接收相应的振动信号，并进行信号分析，从而实现风力发电多机组状态的远程实时状态监测。本发明利用多采样率信号处理技术来提取风力发电机组的低频振动信号，减小了包含风力发电机组振动信息的数据量，进而在现有网络条件下，实现了基于振动信号的广域网风力发电多机组状态的远程实时监测，同时，该方法具有故障预警功能。

Description

一种风力发电多机组远程实时状态监测方法

技术领域

本发明涉及一种风力发电多机组远程实时状态监测方法，属于风电设备状态监测技术领域。

背景技术

风能作为一种可再生的清洁能源，既不会污染空气，也不会产生任何有害物质。与其它清洁能源相比，风力发电具有技术成熟、成本较低等特点，其在改善能源结构和节能减排等方面的作用受到了广泛关注，目前已成为国际上可再生能源领域发展最快的清洁能源之一。据统计，2003～2007年，全球风力发电的平均增长率为24.7％，累计总装机容量已达9400万kW。2008年，风电成为非水电可再生能源中第一个全球装机超过1亿kW的电力资源。据全球风能理事会预测，到2012年全球风电装机容量将达到2.4亿kW，届时风电约占全球电力供应的3％。据报道，到2008年底，我国已安装风电机组11638台，总装机容量1217万kW。

风电机组的安全运行是获得风电资源的必要前提，而降低风电设备维护费用是降低风力发电成本的一个重要途径。设备状态监测能够深入了解机组运行状态，是目前风电领域的研究热点。在风力机上，振动监测是应用最多的一种监测方法，它主要用于监测发电机的轴承、主轴承、齿轮箱的齿轮和轴承、以及机舱等部件的振动。风力机的振动监测具有低转速动载荷等特点，风力机的低速轴和机舱的振动频率通常低于10Hz，而风力涡轮机组的低速运转限制了振动监测方法对于早期故障的识别，有效地提取风电机组的低频振动信号已成为风电机组状态监测的关键。

由于通过建立大型风电场来降低风力发电的成本已成为风力发电的发展趋势，而大型风力电场多布置于宽阔边远地区，如戈壁滩、草原和近海等地域，恶劣的自然环境对风力发电机组的维护构成挑战。为了改善工作环境和保证机组的安全运行，需要建立可靠的风力发电机组远程状态监测系统，实现对风力发电机组的远程实时监测。目前在线式风力发电机组状态监测和远程故障诊断系统已在风力发电设备中得到应用，部分应用还实现了基于广域网的风电机组状态监测。但是，这些基于广域网的监测系统一般只能实现对功率、转速、电流、风速等参数的监测，无振动量监测，造成了故障预警功能欠缺等缺点。由于风电机组振动信息的数据量非常大，以及受网络传输速度慢的制约，具有故障预警功能的基于振动信号的广域网多机组远程实时状态监测系统，还未得以实际应用。

多采样率信号处理技术通过在一个信号处理系统中采用2个或2个以上的采样速率，其目的是减少存储量、降低计算复杂度，以便于信号的存储、传递和处理。但目前还没有将多采样率信号处理技术用于广域网的风电机组远程振动监测上的应用。

发明内容

本发明的目的是为解决现有技术缺乏基于振动信号的广域网故障预警功能的缺点，提供一种基于振动信号的风力发电多机组远程实时状态监测方法，用于广域网的风电场多机组远程状态监测。

本方法的总的技术方案为：本方法的监测对象是风电机组的振动信号，对于低速轴、高速轴和机舱，振动信号的频率成分通常要分析到m(m≥5)次谐波，而对于齿轮箱，振动信号要包含齿轮的啮合频率成分。对于风力发电场的若干发电机组，首先采集其振动信号，将其转变成离散信号；再利用多采样率信号处理技术，提取风力发电机组的低频振动信号；然后通过广域网将多采样率处理后的振动信号发送到远程接收端；最后在远程接收端接收相应的振动信号，并进行信号分析，从而实现风力发电多机组状态的远程实时状态监测。

本发明的风力发电多机组远程实时状态监测方法具体包括如下步骤：

步骤1，开启远程监测系统，计算不同监测对象的初始抽样因子D₀。

所述的初始抽样因子D₀是在监测系统开始运行时计算得到的，

D₀＝k

k∈N＝2^k＜D_e＜2^k+1

对于被测的低速轴、高速轴和机舱，D₀的取值范围为

D₀≤[60f_s/(c·m·v_e)]，                         (1)

其中[·]表示取整运算，f_s为信号的离散采样率，c≥2为一常数，m为谐波次数，v_e表示额定转速。而对于被测的齿轮箱，D₀的表达式为

D₀≤[f_s/(c·m·f_e)]，                      (2)

其中f_e表示在额定转速v_e下齿轮的啮合频率。

步骤2，利用安装在风力发电机组上的多个传感器采集风电机组中低速轴、高速轴和齿轮箱等关键零部件的轴向、径向模拟振动信号和转速信号，并通过信号调理模块实现对信号的放大、抗混叠滤波等预处理。

步骤3，对步骤2得到的模拟信号进行离散采样，将其转变成数字信号，其中离散采样率为f_s。

步骤4，在步骤3的基础上，根据信号计算转子实时速度v，即低速轴、高速轴和齿轮箱等监测对象所对应转子的实时运转速度。

步骤5，根据步骤4得到的不同监测对象的转子实时速度v，计算不同监测对象的抽样因子D。

所述的抽样因子D≥1，

D＝l

l∈N于低速轴和高速轴，D满足

D≤[60f_s/(c·m·v)].                      (3)

而对于齿轮箱，D满足

D≤[f_s/(c·m·f_v)].                       (4)

其中f_v表示转子速度为v时齿轮的啮合频率。

步骤6，在步骤5的基础上，判断得到的不同监测对象的抽样因子是否满足D₀≤D≤D₀+δ，δ∈Z₊，Z₊表示非负整数集合。若不满足，则令D₀＝D；若满足，则D₀为步骤1确定的值不变。

步骤7，根据步骤6确定的不同监测对象的初始抽样因子D₀，对不同监测对象的离散振动信号抗混叠滤波后进行二次抽样，并将形成的数据文件保存于本地局域网内，以免由于网络故障而导致数据的丢失，既可以起到备份数据的作用，也可以用于设备状态的本地诊断，并达到降低采样率，减少数据量的目的。

所述的二次抽样可用下式表示

y(n)＝x(D₀n)，n∈N                        (5)

式中x(n)表示待抽样信号，y(n)表示二次抽样后的信号。

步骤8，对步骤7得到的不同监测对象的二次抽样后的数据进行压缩，通过广域网实现数据的远距离传输至远程接收端。

步骤9，在步骤8的基础上，将远程接收端接收到的压缩数据进行解压缩恢复，得到风电机组的不同监测对象的低频振动信号，利用远程接收端的信号处理模块对恢复的振动信号进行分析，从而得到设备的运行状态。

有益效果

本发明利用多采样率信号处理技术来提取风力发电机组的低频振动信号，减小了包含风力发电机组振动信息的数据量，进而在现有网络条件下，实现了基于振动信号的广域网风力发电多机组状态的远程实时监测，同时，该方法具有故障预警功能。

本发明的方法不仅可以用于广域网，还可以用于局域网内风力发电多机组的状态监测；不仅可以用于风力设备状态检测，还可用于其他离散采样频率高的工程领域的设备状态监测。

附图说明

图1为本发明的风力发电多机组远程实时状态监测原理图；

图2为具体实施方式的风力发电多机组远程实时状态监测的流程图；

图3为具体实施方式中对离散信号进行抽样因子D₀为2的二次抽样示意图。

具体实施方式

本发明的总体技术方案如图1所示。

首先，通过传感器采集风力发电场的若干发电机组的振动信号，并将采集到的振动信号转变成离散信号；

然后，对离散振动信号进行多采样率处理，以降低包含信号的数据文件所占用的存储空间；

之后，通过广域网将多采样率技术处理后的数据文件发送到远程接收端；

最后，通过在远程接收端对接收到的数据进行信号分析，从而实现对风力发电多机组状态的远程实时监测。

下面结合附图和实施例对本发明作进一步的详细说明：

图2表示本发明方法的流程图。

步骤1，启动远程监测设备，计算不同监测对象的初始抽样因子D₀。所述的初始抽样因子D₀只需在监测系统开始运行时一次性计算得到，D₀的取值根据风力涡轮机的额定转速v_e，信号采样率f_s以及齿轮箱的参数来设定，D₀

2^k＜D_e＜2^k＋1

对于被测的低速轴、高速轴和机舱，D₀的取值范围为

D₀≤[60f_s/(c·m·v_e)]，

其中[·]表示取整运算，f_s为系统信号离散采样率，c≥2为一常数，m为谐波次数，v_e表示额定转速。而对于被测的齿轮箱，D₀的表达式为

D₀≤[f_s/(c·m·f_e)]，

其中f_s表示在额定转速v_e下齿轮的啮合频率。

步骤2，通过布置在风力发电机组相关零部件上的传感器采集不同监测对象的模拟振动信号和转速信号时间序列，并将这些信号进行放大、抗混叠滤波等预处理。

步骤3，通过数据采集设备将步骤2得到的不同监测对象的模拟信号转变成离散信号，系统信号采样率为f_s，以便于后序的计算机处理。

步骤4，在步骤3的基础上，根据转速信号计算风力发电机组不同监测对象的转子实时转速v，此转速具有时变性。

步骤5，根据步骤4得到的不同监测对象的转子实时速度v计算抽样因子D，D的取值具有时变性，它会根据转子速度而自动调整。

所述的抽样因子D≥1，

D＝l

l∈N于低速轴和高速轴，D满足

D≤[60f_s/(c·m·v)].

而对于齿轮箱，D满足

D≤[f_s/(c·m·f_v)].

其中f_v表示转子速度为v时齿轮的啮合频率。

步骤6，在步骤5的基础上，将不同监测对象的抽样因子D与其初始抽样因子D₀进行比较，以决定用于二次抽样的抽样因子，为了避免二次抽样因子过于频繁变化，该实施例中，对D是否属于区间[D₀，D₀+δ]进行判断，δ为非负整数，其取值可以根据实际需要来进行设定，本发明推荐为δ≤2。若D不属于区间[D₀，D₀+δ]，将D₀的取值调整为D₀＝D；若D属于区间[D₀，D₀+δ]，则D₀为步骤1确定的值不变。

步骤7，对不同监测对象的离散振动信号抗混叠滤波后进行抽样因子为步骤6确定的初始抽样因子为D₀的二次抽样，这样，二次抽样后数据的采样率变为f_s/D₀，当D₀≥2时就实现了数据量的减少，抽样因子D₀为2的二次抽样过程示意图如图3所示。在对信号二次抽样后，将数据保存于本地，即可以备份数据，又便于进行本地设备状态的监测。

步骤8，对步骤7中不同监测对象的二次抽样后的信号进行压缩，进一步减少数据量。本实施例中的压缩方法可以是rar、zip等格式的压缩方法。并利用广域网将压缩后的数据传输到远程接收端，所述的广域网可以是Internet等网络，传输距离可以是几km，也可达几千km，亦即可以在世界范围内传输。

步骤9，在步骤8的基础上，将远程接收端接收到的压缩数据进行解压缩恢复，得到风电机组不同监测对象的低频振动信号，利用远程接收端的信号处理模块对恢复的振动信号进行分析，从而得到设备的运行状态。

所述的信号处理模块包含从时域、频域、时-频域等角度对信号进行的描述，具体包括：时域波形、轴心轨迹、瀑布图、全息谱、全频谱、包络分析、AR谱分析、趋势分析、统计分析、自相关分析、自功率谱分析、倒谱分析、细化谱分析、解调分析、幅值谱分析、频谱分析、短时傅里叶变换、小波变换、小波包变换、分数阶傅里叶变换、Wigner-Ville分布、经验模态分解(EMD)信号处理、高阶统计量信号处理、基于人工神经网络的专家系统等分析方法。

本实施例以德国Nordex公司的N90风力发电装置为例进行说明，N90的主要参数为：风轮转速9.6～16.9r/min，发电机转速740～1310r/min。假如布置32个传感器进行数据采集，其中24个电涡流传感器，其采样频率f_s为10kHz，用于低速轴和高速轴等零部件的振动信号采集，其余8个为加速度传感器，其采样频率f_s为20kHz，用于齿轮箱的振动信号采集。经每个电涡流传感器采集形成整数型数据的数据量为40KB每秒钟，经每个加速度传感器采集形成整数型数据的数据量为80KB每秒钟，这样，每秒钟就会产生1600KB的整数型数据。假定压缩成rar格式，按照标准压缩方式进行压缩，压缩比大致为7∶1，对于4MB带宽的网络，其网络速度理想值大致为364KB/s，只能实现1台风电机组振动数据的广域网远距离实时传输。利用本发明的方法，在额定转速16.9r/min情况下，对于低速轴和机舱，初始抽取因子D₀的取值为128，对于高速轴，D₀的取值为128，而对于齿轮箱的输入轴、中间轴和高速轴，D₀的取值分别为32，8和2，这样，可将1600KB的数据缩减为130KB，如此就可实现19台风电机组振动数据的广域网远距离实时传输。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种风力发电多机组远程实时状态监测方法，其特征在于：具体包括如下步骤：

步骤1，开启远程监测系统，计算不同监测对象的初始抽样因子D₀；

步骤2，利用安装在风力发电机组上的传感器采集风电机组中低速轴、高速轴和齿轮箱等关键零部件的轴向、径向模拟振动信号和转速信号，并通过信号调理模块实现对信号的放大、抗混叠滤波等预处理；

步骤3，对步骤2得到的模拟信号进行离散采样，将其转变成数字信号，其中离散采样率为f_s；

步骤4，在步骤3的基础上，根据转速信号计算转子实时速度v，即低速轴、高速轴和齿轮箱等监测对象所对应转子的实时运转速度；

步骤5，根据步骤4得到的不同监测对象的转子实时速度v，计算不同监测对象的抽样因子D；

步骤6，在步骤5的基础上，判断得到的不同监测对象的抽样因子是否满足D₀≤D≤D₀+δ，δ∈Z₊，Z₊表示非负整数集合。若不满足，则令D₀＝D；若满足，则D₀为步骤1确定的值不变；

步骤7，根据步骤6确定的不同监测对象的初始抽样因子D₀，对不同监测对象的离散振动信号抗混叠滤波后进行二次抽样，并将形成的数据文件保存于本地局域网内；

步骤8，对步骤7得到的不同监测对象的二次抽样后的数据进行压缩，通过广域网实现数据的远距离传输至远程接收端；

步骤9，在步骤8的基础上，将远程接收端接收到的压缩数据进行解压缩恢复，得到风电机组的不同监测对象的低频振动信号，利用远程接收端的信号处理模块对恢复的振动信号进行分析，从而得到设备的运行状态。

2.根据权利要求1所述的一种风力发电多机组远程实时状态监测方法，其特征在于：所述的步骤1中初始抽样因子D₀在监测系统开始运行时计算得到的，

D₀＝k

k∈N＝2^k＜D_e＜2^k+1

对于被测的低速轴、高速轴和机舱，D₀的取值范围为

D₀≤[60f_s/(c·m·v_e)]

其中[·]表示取整运算，f_s为信号的离散采样率，c≥2为一常数，m为谐波次数，v_e表示额定转速。而对于被测的齿轮箱，D₀的表达式为

D₀≤[f_s/(c·m·f_e)]，

其中f_e表示在额定转速v_e下齿轮的啮合频率。

3.根据权利要求1所述的一种风力发电多机组远程实时状态监测方法，其特征在于：所述的步骤5中抽样因子D≥1，

D＝l

l∈N于低速轴和高速轴，D满足

D≤[60f_s/(c·m·v)].

而对于齿轮箱，D满足

D≤[f_s/(c·m·f_v)].

其中f_v表示转子速度为v时齿轮的啮合频率。

4.根据权利要求1所述的一种风力发电多机组远程实时状态监测方法，其特征在于：所述的不同监测对象包括发电机组的风力涡轮机低速轴、高速轴、齿轮箱以及机舱等零部件的振动信号，对于低速轴、高速轴和机舱，振动信号的频率成分通常要分析到m(m≥5)次谐波，而对于齿轮箱，振动信号要包含齿轮的啮合频率成分。

5.根据权利要求1所述的一种风力发电多机组远程实时状态监测方法，其特征在于：所述的步骤2中安装在风力发电机组上的传感器为多个。

6.根据权利要求1所述的一种风力发电多机组远程实时状态监测方法，其特征在于：步骤8所述的广域网可以是Internet网络，传输距离范围为几km，至几千km，亦即可以在世界范围内传输。

7.根据权利要求1所述的一种风力发电多机组远程实时状态监测方法，其特征在于：步骤9所述的信号处理方法包含从时域、频域、时-频域等角度对信号进行的描述，具体包括：时域波形、轴心轨迹、瀑布图、全息谱、全频谱、包络分析、AR谱分析、趋势分析、统计分析、自相关分析、自功率谱分析、倒谱分析、细化谱分析、解调分析、幅值谱分析、频谱分析、短时傅里叶变换、小波变换、小波包变换、分数阶傅里叶变换、Wigner-Ville分布、经验模态分解(EMD)信号处理、高阶统计量信号处理、基于人工神经网络的专家系统分析方法。

8.根据权利要求1所述的一种风力发电多机组远程实时状态监测方法，其特征在于：所述的方法不仅可以用于广域网，还可以用于局域网内风力发电多机组的状态监测；不仅可以用于风力设备状态检测，还可用于采样率与有用信号成分相差10倍以上的工程领域的设备状态监测。

Images