CN102830250B - 一种基于空间相关性的风电场风速传感器故障诊断方法 - Google Patents

Abstract

一种基于空间相关性的风电场风速传感器故障诊断方法，涉及风电场运行中风速传感器的故障诊断。技术要点是，包括如下步骤：1)将风电场风速传感器阵列中每3个邻接且风速空间相关性最佳的风速传感器划分为一个故障互诊群落，将传感器阵列分解为多个故障互诊群落；2)同一个故障互诊群落内，基于FIR神经网络进行虚拟风速计算，将迎风、下风风速传感器的测量风速折算成中央风速传感器位置的虚拟风速；3)同一个故障互诊群落内，将中央风速传感器位置的虚拟风速看成中央风速传感器测量风速的冗余，进行虚拟-实测混合表决，检出故障风速传感器。采用本发明的技术方案，能在不增添任何物理设备的情况下，实时检出风电场风速传感器故障。

Description

一种基于空间相关性的风电场风速传感器故障诊断方法

技术领域

本发明涉及风电场运行过程中风速传感器的故障诊断方法。

背景技术

现有的绝大多数风电机组采取风杯风速传感器，传感器裸露于机舱顶部，雷击，冰雹，水锤，鸟类撞击，材料腐蚀，机械磨损等可能引起风杯转速不准或者停转，导致机组控制器获得的风速信息偏离实际风速，令机组运行紊乱，出力效率低下，致使机组事故率攀升，乃至对电网形成冲击。及时发现风速传感器故障，对机组运行的可靠性、安全性与并网质量有重要意义。

目前，风速传感器故障诊断主要有三种方法。第一种是数据融合法，通过检测风速数据是否违背风电机组多类传感器关联关系，进而检出风速传感器故障。但各类传感器的关联关系受机组控制策略影响，使这种方法更适合机组按固定的控制策略运行的情形，在不断强调风电场调度与机组动态优化控制情形下，其准确性与计算量均面临挑战。第二种是硬件冗余法，为单台风电机组部署3个或者3个以上的风速传感器，基于数据统计与分析检出并剔除故障传感器，但这种方法需要对机舱额外开洞以安装更多的风速传感器，我国风资源丰富地区普遍富含沙尘或者富含水珠，对机舱的密封性要求严格，额外的开洞带来机舱密封的困难，实际工程中，鲜有机组使用3个或者3个以上风速传感器。第三种是时间相关法，这种方法借助风速的时间统计特性，基于历史风速数据计算目标点的期望风速，通过对期望风速与实测风速的综合分析，检出故障这种方法能与控制策略解耦，不需要额外的硬件，工程可用性好。但是，由于历史风速与当下风速的相关性是统计意义上的这种方法容易形成误检和漏检。可见，目前的风电机组风速传感器检测技术在工程可用性或者置信水平方面存在缺陷。

发明内容

本发明的目的是针对现有风速传感器故障诊断方法存在与机组控制策略相关，工程可用性，置信度等方面的缺陷，提出基于风速相关性的风速传感器故障诊断原理及其实现方法。

为达此目的，本发明采用的技术方案技术要点是，包括如下步骤：1)将风电场风速传感器阵列中每3个邻接且风速空间相关性最佳的风速传感器划分为一个故障互诊群落，将传感器阵列分解为多个故障互诊群落；2)同一个故障互诊群落内，基于FIR神经网络进行虚拟风速计算，将迎风、下风风速传感器的测量风速折算成中央风速传感器位置的虚拟风速；3)同一个故障互诊群落内，将中央风速传感器位置的虚拟风速看成中央风速传感器测量风速的冗余，进行虚拟-实测混合表决，检出故障风速传感器。

本发明的有益效果是，该方法在不增加额外硬件开销的情况下可靠检出风速传感器故障，服务于风电机组和风电场的安全运行；同时，风速传感器故障检测与机组控制解耦，独立于机组控制系统，能形成独立程序，部署在风电场SCADA系统，方便工程实现和实施。

附图说明

下面结合附图和具体实施方式对本发明作进一步说明。

图1是本发明中风电场风速传感器阵列图。

图2是本发明中基于空间相关性的风速传感器故障诊断原理图。

图3是本发明中神经网络结构图。

图4是本发明中FIR滤波器。

具体实施方式

首先，把由风电场风速传感器组成的风速传感器阵列划分为故障互诊群落。图1是本发明中风电场风速传感器阵列图。A_ij代表风速传感器编号，其位置坐标为(x_ij，y_ij)。划分故障互诊群落步骤如下：

第一步，确定风电场风速传感器阵列中每个传感器的最佳下相关传感器。“最佳”本质上是指风速相关性最高。

第二步，将相互关联的最佳下相关传感器依次连接，组成关联链。例如，如果第一步中求得，A₁₁，A₁₂，A₂₂，A₃₃，A₄₃的最佳下关联点分别是A₁₂，A₂₂，A₃₃，A₄₃，A₅₁，那么A₁₁-A₁₂-A₂₂-A₃₃-A₄₃-A₅₁组成关联链。

第三步，以3个传感器为一个组合，将关联链依次划分为群落，形成故障互诊群落。第二步的例子形成的关联链可以划分为两个互诊群落，分别为(A₁₂，A₂₂，A₃₃)和(A₃₃，A₄₃，A₅₁)。当然，并不是所有的关联链中传感器的个数都是3的整数倍，如果关联链的元素大于3个，那么通过后向重复使用相关点凑成互诊群落，如关联链是A₁₁-A₁₂-A₂₂-A₃₃-A₄₃的情况下，划分互诊群落为(A₁₁，A₁₂，A₂₂)和(A₂₂，A₃₃，A₄₃)。

通过上述3个步骤实现故障互诊群落的划分的过程中，求得每个点的最佳下相关点是关键问题，关系到诊断结果的置信水平。优先选取偏离风向最小的点作为相关点。因而，目标传感器的最佳下相关传感器选取原则如下：

(1)取处于目标传感器下风向的传感器；

(2)取与目标传感器连线偏离风向最小的传感器；

(3)取与目标传感器距离最近的传感器。如果原则(2)作用下选取得出的点多于1个，从中选取与目标诊断点距离最近的点作为空间相关点。

下面以A₃₃为例，说明最佳下相关点选取的具体算法。

步骤1：下风向判别。设某一时刻下，风向为α。首先，求取沿风向过A₃₃的点的直线：

k₁(x-x₃₃)+(y-y₃₃)＝0，(k₁＝tan(-α))，(1)

然后，过A₃₃作(1)式表示的直线的垂线：

k₂(x-x₃₃)+(y-y₃₃)＝0，(k₁k₂＝-1)(2)

最后，将各点坐标(x_ij，y_ij)代入(2)式，满足(3)式的处于下风向。

步骤2：在步骤1筛选出来的点中，搜索偏离风向最小的点。先求取目标点(x_ij，y_ij)与A₃₃连线(斜率k₃)，然后按(4)式求取该直线与(1)式代表的直线的夹角β，再搜索使(4)式右边取值最小的点。如果只有一个符合要求点，那么就是要求取的相关点，如果不止一个点，进入步骤3。

$\tan \mathrm{\β}=\left|\frac{k_3-k_1}{1+k_1{k}_3}\right|,$ $(k_3=\frac{y_{33}-y_{\mathrm{ij}}}{x_{33}-x_{\mathrm{ij}}})---\left(4\right)$

步骤3，在步骤2中筛选出来的多个点中，按(5)式分别求取各点与A₃₃的距离d，使d值取值最小的点就是目标点。

$d=\sqrt{{(x_{\mathrm{ij}}-x_{33})}^2+{(y_{\mathrm{ij}}-y_{33})}^2}---\left(5\right)$

按照上述方法，在风电场风速传感器阵列确定，风电场风向确定时，风速传感器故障互诊群落确定。

按上述方法将风电场风速传感器故障互诊群落后，在同一个故障互诊群落内进行虚拟风速计算。为表述方便，不妨假设选取的故障互诊群落如图2所示，基于该图示，说明虚拟风速计算方法及其实施步骤。图2中，P，Q，R表示风速传感器，按风经过的先后顺序，将风速传感器分为迎风风速传感器、中央风速传感器，下风风速传感器，图示风向下，P为迎风风速传感器，Q为中央风速传感器，R为下风风速传感器。按如下步骤实现虚拟风速计算。

第一步，确定采用的神经网络类型。本发明利用FIR神经网络计算虚拟风速。图3是本发明中用及的FIR神经网络结构，网络包括输入层、隐含层、输出层，各层之间采用全连接，隐含层节点和输出层节点激活函数都采用sigmoid函数，并且在3层结构的每个连接均加入图4所示FIR滤波器。网络中，连接1-1层i节点到1层k节点的连接权值为

这个连接对应的FIR滤波器的突触权值为

第二步，具体化神经网络基本结构。以图2中P，Q，R组成的故障互诊群落为例说明虚拟风速计算原理。P，Q，R是风电场中实际机组或者测风台的风速传感器，因而，它们之间距离、地形地貌不随时间改变，在神经网络训练成熟后，它们对风速的影响为网络所隐含，可以不作为网络输入。这样，用于计算虚拟风速的FIR神经网络输入层为2个节点，第1个输入节点输入为风速序列，第2个节点为风向序列；输出层为1个节点，输出虚拟风速序列；隐含层取3个节点。

虚拟风速计算需要用及历史信息，FIR神经网络中，滤波器的阶数决定网络对历史信息的存储能力。风速越低，空间相关法计算虚拟风速要求回溯的时间越长，即要求FIR滤波器存储越多的历史信息，因而，当FIR滤波器的阶数由风电场最低有效风速决定。设输入层和隐含层，隐含层和输出层之间的FIR滤波器阶数为M，M_o有

$\left\{\begin{array}{c}M=\frac{L}{u_{\min }\·t_w}\\ M_o=1\end{array}\right.---\left(6\right)$

其中，L表示P点(或R点)到Q点的距离，t_w是风速传感器输出风速测量值的时间间隔(通常为2s)，u_min表示最小有效风速，由于机组控制相关的风速通常处于3-40m/s之间，u_min可取3m/s。此时，涉及空间相关性运算的历史信息由输入层与隐含层之间的FIR滤波器充分存储。隐含层与输出层之间的FIR滤波器设计为1阶的原因是，风速是一种随时间连续变化的物理量，存储上一时刻与输出相关的中间量(隐含层的输出)，有利于提高当下时刻的网络输出的准确性，但如果阶数过大，则会对有效信息产生有害平滑，因而FIR滤波器取能体现风速连续变化的最小值1。

第三步，确定神经网络的计算模型。若设t₀为当前时刻，u_QP(t₀)的值由传感器P在时间区间[t₀-Mt_w，t₀]内的某一个测量值决定，因而由P点的实测风速计算Q点t₀时刻虚拟风速时，网络输入的风速序列X₀与风向序列X₁分别为

X₀＝{u_p(t₀-Mt_w)，u_p(t₀-(M-1)t_w)…u_p(t₀)}(7)

X₁＝{α(t₀-Mt_w)，α(t₀-(M-1)t_w)…α(t₀)}(8)

网络输出

Y＝{u_QP(t₀)}                            (9)

类似的，用传感器R在时间区间[t₀-Mt_w，t₀]内的某一个测量值可以推导u_QP(t₀-Mt_w)，由R点的实测风速计算Q风速时，网络输入的风速序列X₀与风向序列X₁分别为

X₀＝{u_p(t₀-Mt_w)，u_p(t₀-(M-1)t_w)…u_p(t₀)}(10)

X₁＝{α(t₀-Mt_w)，α(t₀-(M-1)t_w)…α(t₀)}(11)

网络输出

Y＝{u_QP(t₀-Mt_w)}                        (12)

以风速、风向覆盖全面为原则，选取风电场风向数据，传感器P，Q，R的实测风速数据，分别参照(7)-(9)式，(10)-(12)式将数据分割为训练样本集。网络训练方法是，学习每个样本之后，根据(13)、(14)式更新权值

$\left\{\begin{array}{c}\mathrm{\Δ}{w}_{\mathrm{ik}}^l\left(n\right)={\mathrm{\α}}_w\mathrm{\Δ}{w}_{\mathrm{ik}}^l(n-1)+{\mathrm{\η}}_w{\mathrm{\δ}}_k^l\left(n\right)C_{\mathrm{ik}}^l\left(q^{-1}\right)x_i^{l-1}\left(n\right)\\ \mathrm{\Δ}{c}_{\mathrm{ikj}}^l\left(n\right)={\mathrm{\α}}_c\mathrm{\Δ}{c}_{\mathrm{ikj}}^l(n-1)+{\mathrm{\η}}_c{\mathrm{\δ}}_k^l\left(n\right)x_i^{l-1}\left(n\right)\end{array}\right.---\left(13\right)$

${\mathrm{\δ}}_k^l\left(n\right)=\left\{\begin{array}{c}{e}_k\left(n\right){\hat{x}}_k^l\left(n\right),l=L\\ {\hat{x}}_k^l\left(n\right)\underset{p=1}{\overset{N_{l+1}}{\mathrm{\Σ}}}{\mathrm{\δ}}_p^{l+1}{w}_{\mathrm{kp}}^{l+1}{C}_{\mathrm{ik}}^{l+1}\left(q^{-1}\right),1\≤l\≤L-1\end{array}\right.---\left(14\right)$

其中，α_w、α_c分别是的动量系数，η_w、η_c为对应的学习系数。 ${\hat{x}}_k^l\left(n\right)=\underset{i=1}{\overset{N_l}{\mathrm{\Σ}}}\left[w_{\mathrm{ik}}^l{C}_{\mathrm{ik}}^l\left(q^{-1}\right)x_i^{l-1}\left(n\right)\right]$ 是诱导局部域，N₁是l层的节点数，

表示1-1层神经元的输出作为FIR滤波器的输入，q^-1是延时算子，q^-1x(n)＝x(n-1)， $C_{\mathrm{ik}}^l\left(q^{-1}\right)=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{c}_{\mathrm{ikj}}^l\left(q^{-j}\right),$ 瞬间误差定义为

$\mathrm{\ϵ}\left(n\right)=\frac{1}{2}\underset{k=1}{\overset{N_L}{\mathrm{\Σ}}}{e}_k^2\left(n\right)=\frac{1}{2}\underset{k=1}{\overset{N_L}{\mathrm{\Σ}}}{[d_k\left(n\right)-y_k\left(n\right)]}^2---\left(15\right)$

其中，d_k(n)与y_k(n)分别是期望输出和实际输出。当Δε(n)＝ε(n+1)-ε(n)＜0时，动量系数和学习系数分别增加Δα，Δη。

按上面给出的训练方法，实际训练中，可以选取动量系数α_w、α_c为0.1；学习系数η_w、η_c分别取0.8，0.5；Δα，Δη分别取0.001，0.02；期望输出均为Q风速传感器的实际测量风速；训练目标为瞬间误差Δε(n)≤0.001。训练采用串行方式，每个回合训练完后，从上面描述的样本集的随机位置开始训练，直到样本集被遍历，以提高训练的随机性。

将训练好的用于计算u_QP(·)的网络称为Pre_NN，而用于计算u_QP(·)的网络称为Bac_NN。单独考察t₀时刻断面，Pre_NN与Bac_NN输出的虚拟风速在时间上存在落差。但是Pre_NN和Bac_NN连续输入时，均产生连续输出，从连续的输出中可以选取t_m时刻各自的计算风速u_QP(t_m)和u_QR(t_m)，并且t_m可持续变化，形成u_QP(t)，u_QR(t)。

计算得出虚拟风速后，在同一故障互诊群落内，将虚拟风速当作中央风速传感器实际输出的冗余，通虚拟-实测混合表决方法检出故障传感器。

图2是本发明中基于空间相关性的风速传感器故障诊断原理图。根据图2给定的群落为例说明故障诊断方法。传感器Q实测数据为u_Q(t)，虚拟风速u_QP(t)和u_QR(t)可以按上面给定的方法计算得到，这三个数据均描述t_m时刻Q位置的风速，互为冗余。因此，可以借鉴基于硬件冗余的传感器故障诊断方法，进行群落内传感器诊断。由于2个或2个以上的风速传感器同时故障的概率极低，因此基于中央风速传感器位置的虚拟风速和中央风速传感器的实测风速进行混合表决，本发明中，借助奇偶方程进行2/3表决，奇偶方程为

$\left\{\begin{array}{c}{e}_1=|u_{\mathrm{QP}}\left(t\right)-u_{\mathrm{QR}}\left(t\right)|\\ e_2=|u_{\mathrm{QP}}\left(t\right)-u_Q\left(t\right)|\\ e_3=|u_{\mathrm{QR}}\left(t\right)-u_Q\left(t\right)|\end{array}\right.---\left(16\right)$

根据风速传感器的测量精度，虚拟风速计算的精度设置一个合理的门限值e_T，当所有传感器正常时，有e_k＜e_T(k＝1，2，3)，若其中之一发生故障，对应的残差e_k将超过门限值e_T。具体判据总结如下：

(1)若e₁＞e_T且e₂＞e_T则是u_QP(t)错误，传感器P故障，即迎风风速传感器故障；

(2)若e₂＞e_T且e₃＞e_T则是u_Q(t)错误，传感器Q故障，即中央风速传感器故障；

(3)若e₁＞e_T且e₃＞e_T则是u_QR(t)错误，传感器R故障，即下风风速传感器故障。

其余的故障互诊群落也采取相同的诊断方法，完成风电场所有风速传感器故障诊断。

Claims (1)

1.一种基于空间相关性的风电场风速传感器故障诊断方法，其特征在于，包含以下几个步骤：

A、将风电场风速传感器阵列分解为多个故障互诊群落，其步骤为：第一步，分别以风电场中各个风速传感器为母传感器，确定处于母传感器下风向的邻居风速传感器，用直线连接母传感器所在位置与邻居传感器所在位置，找出这些直线中偏离风向最小的那条直线所对应的邻居传感器，即是最佳下相关传感器；第二步，顺次连接母传感器及其最佳下相关传感器，组成关联链；第三步，以关联链上每3个顺次的传感器为一个群落，将每个关联链划分为多个故障互诊群落；

B、在同一个故障互诊群落内，基于风速的空间相关性，利用FIR神经网络进行虚拟风速计算，将迎风、下风风速传感器的测量风速折算成中央风速传感器位置的虚拟风速，所述FIR神经网络具有输入层、隐含层、输出层3层，该神经网络输入层含有2个输入节点，隐含层含有3个节点，输出层含有1个输出节点，2个输入节点中的一个输入节点持续输入迎风风速传感器或者下风风速传感器测量风速，另一个输入节点持续输入风电场实测风向，神经网络输出为中央风速传感器所在位置的虚拟风速序列；

C、在同一个故障互诊群落内，把由迎风风速传感器测量风速计算得到的中央风速传感器所在位置的虚拟风速u_QP(t)、由下风风速传感器测量风速计算得到的中央风速传感器所在位置的虚拟风速u_QR(t)当作中央风速传感器测量输出u_Q(t)的冗余，通过判断上述三种风速两两之间的残差是否超过设定的阈值T来判断迎风风速传感器、下风风速传感器、中央风速传感器是否发生故障，具体判断依据是：

1)如果|u_QP(t)-u_Q(t)|>T且|u_QP(t)-u_QR(t)|>T，则是迎风风速传感器发生故障，2)如果|u_QR(t)-u_Q(t)|>T且|u_QP(t)-u_QR(t)|>T，则是下风风速传感器发生故障，3)如果|u_QR(t)-u_Q(t)|>T且|u_QP(t)-u_Q(t)|>T，则是中央风速传感器发生故障。

Images