CN103150473A - 一种风电机组发电效率实时监控诊断方法及装置 - Google Patents

Abstract

本发明涉及一种风电机组发电效率实时监控诊断方法及装置，包括以下步骤：分别获取两组风机历史数据信息和两组风机功率信息；根据风机历史数据信息和风机功率信息，分别拟合成两组风机功率曲线；根据风机历史数据信息的风速数据信息计算风机的两组风速分布参数；分别根据风机功率曲线和风速分布参数计算两组风机发电量数据；对两组风机发电量数据进行处理，得到结果数据，根据结果数据与预设值的关系，对风机的发电效率进行评估，根据评估结果对风机控制系统进行优化。本发明能够对风电机组的发电效率进行实时监控并根据监控数据对发电效率进行评估，根据评估结果调整风电机组的控制优化方案，有利于提高风电机组的发电效率。

Description

一种风电机组发电效率实时监控诊断方法及装置

技术领域

本发明涉及一种风电机组监控方法，特别涉及一种风电机组发电效率实时监控诊断方法及装置。

背景技术

风力发电是世界公认的商业化程度较高的可再生能源技术之一。在当今强调环境保护、科学地可持续发展的背景下，风力发电被认为是清洁的能源利用形式。在过去的10年里，由于年平均增长率接近28%，风力发电已成为世界上增长最快的可再生能源。

在风力发电快速发展的同时，风电机组运行过程中暴露出的问题越来越突出，尤其是关键机械部件发生的故障导致机组非正常停机维修，严重降低了发电效率。由于风电机组因故障导致的维修不便性使得应用问题日益突出。例如：如何提高风电机组的利用率、如何减少风电机组的突发事故率和故障停机时间；如何改善风电机组的定期维修保障设备的安全健康运行等等问题。另外由于单台风机的功率越来越大导致风机发生故障后的维修费用也日益提高。因此，深入研究风电机组在线故障诊断技术研制适合风电机组在线故障诊断的技术装备，对可能危及安全的故障零部件实现在线故障诊断对将要出现的重大故障发出早期报警。为减少风电机组突发事故率和故障停机时间，降低维修成本、进行视情维修、提高发电效率和经济效益提供科学依据已成为风电行业当前面临的迫切需要解决的问题之一。据不完全统计，服役超过20年的风电机组，其运行维护费用估计占能源成本的10%～20%;海上风电机组由于运行环境更恶劣、维护操作更困难，这个比例更是高达30%～35%。

风电机组的状态检测和故障诊断显得尤为重要，是保证机组长期稳定运行和安全发电的关键。风电机组故障诊断利于降低故障率、减少维修时间、增加年发电量和提高风电场的经济效益;利于发现早期故障，不仅能为机组维护人员安排备用器件和物资提供必要的时间，而且也能为设计人员提供指导和意见。随着人工智能技术的发展，特别是知识工程、专家系统、人工神经网络等在诊断领域的进一步应用，故障智能诊断已逐渐成为现实。

当前我国风电机组维护主要采用两种方式借助的手段主要是人工经验或离线式检测设备两者各自特点如下

(1)定期检修即每隔一段时间对风电机组进行检修。定期检修主要是依据风机保养和维护的相关规程，对风机进行检修如更换润滑油脂、风机运转时是否存在异响等。定期检修依靠人的经验与水平工作效果因人而异缺点是对密闭在机器内部的故障难以发现。

(2)事故后检修。故障检修主要是指风电机组出现故障之后对有故障的部件进行有针对性地检修。故障检修缺点是对两次检修期间的突发性故障无法发挥作用，对潜伏期较长的故障隐患也难以跟踪和发现。

发明内容

本发明所要解决的技术问题是提供一种能够实时进行叶片故障监测，发电功率评估的风电机组发电效率实时监控诊断方法及装置。

本发明解决上述技术问题的技术方案如下：一种风电机组发电效率实时监控诊断方法，包括以下步骤：

步骤1：分别获取两组风机历史数据信息和两组风机功率信息；

步骤2：根据风机历史数据信息和风机功率信息，分别拟合成两组风机功率曲线；

步骤3：根据风机历史数据信息的风速数据信息计算风机的两组风速分布参数；

步骤4：分别根据风机功率曲线和风速分布参数计算两组风机发电量数据；

步骤5：对两组风机发电量数据进行处理，得到结果数据，根据结果数据与预设值的关系，对风机的发电效率进行评估，根据评估结果对风机控制系统进行优化。

本发明的有益效果是：通过对风机历史数据信息的处理分析，得到风电机组在实际工作状态下的功率特性情况，便于比较风电机组不同工况下的功率特性。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，两组风机历史数据信息和风机功率信息的获取对象为两个风机同一时刻的风机历史数据信息和风机功率信息，或者同一风机不同时刻风机历史数据信息和风机功率信息。

采用上述进一步方案的有益效果是便于进一步比较同一时期内不同风机或者不同时期同一风机的功率特性差异，以确定风电机组间或同一风机电机组不同时期的功率损失。

进一步，所述风机历史数据信息包括风速数据，风向数据，功率数据，发电机转速数据，偏航角度数据，变桨角度数据，设备温度信息和设备压力数据信息。

采用上述进一步方案的有益效果是确定功率损失较大的时期或者风电机组，可进一步利用除风速和功率外的其他数据，初步诊断导致功率损失的主要原因。

进一步，所述步骤2具体为，根据风机历史数据信息，并结合风机功率信息，利用比恩法拟合为风机功率曲线；

所述步骤3中采用Weibull分布对风机历史数据信息中的风速数据进行统计，并利用最大似然法估算Weibull中的参数，最终获得风速分布参数。

采用上述进一步方案的有益效果是利用业界常用的Weibull分布，可以更加准确地模拟风场的实际风速分布特性。

进一步，所述步骤1和步骤2之间还包括：

步骤1a：获取风机事件信息和风机状态信息；

步骤1b：分别检验风机事件信息和风机状态信息是否完整；

步骤1c：根据完整性检验结果分别对风机事件信息和风机状态信息进行剔除故障点数据。

采用上述进一步方案的有益效果是排除由于系统记录错误或者是风机本身不在正常工作状态时，异常数据对最终结果的影响。

进一步，所述步骤1c具体为：当风机事件信息和风机状态信息均完整时，对风机历史数据信息进行数据融合，之后去除风机发生故障时存储的故障点数据；

当风机时间信息和风机状态信息二者中任一者不完整时，对风机历史数据信息采用逻辑法，通过设定阈值去除故障点数据，或者在利用K-means聚类算法去除故障点数据。

采用上述进一步方案的有益效果是逻辑法和聚类算法剔除错误数据后，可保证大部分风机历史数据为正常工况记录数据。

进一步，所述步骤5具体为：

当

时，则两组风机发电效率不一致，需对风机控制系统进行优化，否则，不需要对风机控制系统进行优化。

采用上述进一步方案的有益效果是采用相对差值和预设值比较，对风机控制系统是否需要优化提供可量化的评价方法。

进一步，所述故障点数据包括叶片故障数据，发电机故障数据和传感器故障数据。

采用上述进一步方案的有益效果是对不同原因引发的故障分类，明确控制系统优化的主要方向。

进一步，所述叶片故障数据的监测方法为：

在风机机舱外壁顶部设置两个用于监控风速的对照风速仪；

其中一个对照风速仪上设置加热装置和噪声传感器，所述噪声传感器设置于所述风机机舱外壁顶部；

将设置有加热装置的对照风速仪采集的加热风速数据、另一个对照风速仪上采集的风速数据和噪声传感器采集的噪声数据分别与三组预设值对比；

当加热风速数据大于风速数据且噪声数据同时超过预设值时，存在叶片故障，否则，不存在叶片故障。

采用上述进一步方案的有益效果是采用风速仪对照并结合噪声数据，能够。

进一步，一种风电机组发电效率实时监控诊断装置，包括获取模块，拟合模块，计算分布模块，计算发电量模块和评估模块；

所述获取模块1，用于分别获取两组风机历史数据信息和两组风机功率信息；

所述拟合模块2，用于根据获取模块1获取的风机历史数据信息和风机功率信息，分别拟合成两组风机功率曲线；

所述计算分布模块3，用于根据获取模块1获取的风机历史数据信息的风速数据信息计算风机的两组风速分布参数；

所述计算发电量模块4，用于分别根据拟合模块2得到的风机功率曲线和计算分布模块3得到的风速分布参数计算两组风机发电量数据；

所述评估模块5，用于根据计算发电量模块4计算的两组风机发电量数据进行处理，得到结果数据，根据结果数据与预设值的关系，对风机的发电效率进行评估，根据评估结果对风机控制系统进行优化。

采用上述进一步方案的有益效果是通过对风机历史数据信息的处理分析，得到风电机组在实际工作状态下的功率特性情况，便于比较风电机组不同工况下的功率特性。

附图说明

图1为本发明方法步骤流程图；

图2为本发明装置结构图。

附图中，各标号所代表的部件列表如下：

1、获取模块，2、拟合模块，3、计算分布模块，4、计算发电量模块，5、评估模块。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，为本发明方法步骤流程图，图2为本发明装置结构图。

实施例1

一种风电机组发电效率实时监控诊断方法，包括以下步骤：

步骤1：分别获取两组风机历史数据信息和两组风机功率信息；

步骤2：根据风机历史数据信息和风机功率信息，分别拟合成两组风机功率曲线；

步骤3：根据风机历史数据信息的风速数据信息计算风机的两组风速分布参数；

步骤4：分别根据风机功率曲线和风速分布参数计算两组风机发电量数据；

步骤5：对两组风机发电量数据进行处理，得到结果数据，根据结果数据与预设值的关系，对风机的发电效率进行评估，根据评估结果对风机控制系统进行优化。

两组风机历史数据信息和风机功率信息的获取对象为两个风机同一时刻的风机历史数据信息和风机功率信息，或者同一风机不同时刻风机历史数据信息和风机功率信息。

所述风机历史数据信息包括风速数据，风向数据，功率数据，发电机转速数据，偏航角度数据，变桨角度数据，设备温度信息和设备压力数据信息。

所述步骤2具体为，根据风机历史数据信息，并结合风机功率信息，利用比恩法拟合为风机功率曲线。

所述步骤3中采用Weibull分布对风机历史数据信息中的风速数据进行统计，并利用最大似然法估算Weibull中的参数，最终获得风速分布参数。

风机历史数据表：业界风机数据表格一般情况下包含了：风速，风向，功率，发电机转速，偏航角度，变桨角度，设备温度系列，设备压力数据等。其记录为按照一定的时间间隔（10min或5min）记录一次数据。

事件表和状态表包含风机的事件信息和状态信息，其记录为时间或状态触发型，即当某个事件发生或者状态改变时，生成一条记录。

本发明中需要对不同数据开展融合，数据融合的条件需满足：

1、数据库单台风机的历史数据和事件、状态数据保存于不同的数据表格里

2、事件表格，状态表格和风机历史数据表格的时间列不是相同的集合

主要方法为：

1、选择风机数据主表格，默认为风机历史数据；

2、主表中的时间x[j]序列在副表v[i](增序)中的位置；

v[i[j]]≤x[j]<v[i[j]+1]

3、若为名义变量直接将副表变量Var[i]写入主表，若Var为数值型，则采用差值算法，否则采用持续法，差值算法表示为：

$\frac{{\mathrm{Var}}_{i(j+1)}(x_j-v_{i\left(j\right)})+{\mathrm{Var}}_{i(j)}(v_{i(j+1)}-x_j)}{v_{i(j+1)}-v_{i\left(j\right).}}.$

所述步骤1和步骤2之间还包括：

步骤1a：获取风机事件信息和风机状态信息；

步骤1b：分别检验风机事件信息和风机状态信息是否完整；

步骤1c：根据完整性检验结果分别对风机事件信息和风机状态信息进行剔除故障点数据。

所述步骤1c具体为：当风机事件信息和风机状态信息均完整时，对风机历史数据信息进行数据融合，之后去除风机发生故障时存储的故障点数据；

当风机时间信息和风机状态信息二者中任一者不完整时，对风机历史数据信息采用逻辑法，通过设定阈值去除故障点数据，或者在利用K-means聚类算法去除故障点数据。

所述故障点数据包括叶片故障数据，发电机故障数据和传感器故障数据。

叶片故障包括叶片结冰和叶片断裂，挥舞和摆振是叶片振动断裂的主要形式，其中摆振是叶片断裂的主要原因，避免这种情况需要常采用可变桨叶片的风机，因此叶片故障主要为叶片结冰导致。

发电机常见故障就是油温过高，若长时间会造成发电机损坏。油温过高可能是由于短时间内出力过高，热量散发不出去；也有可能是油循环系统阻塞，流通不畅；还有就是油质下降。

传感器故障

主要指风机控制系统的信号传感器所产生的故障，如风速仪风向仪的损坏。

所述叶片故障的监测方法为：

在风机机舱外壁顶部设置两个用于监控风速的对照风速仪；

其中一个对照风速仪上设置加热装置和噪声传感器；

其中一个对照风速仪上设置加热装置，在所述风机机舱外壁顶部还设置噪声传感器；

将设置有加热装置的对照风速仪采集的加热风速数据、另一个对照风速仪上采集的风速数据和噪声传感器采集的噪声数据分别与三组预设值对比；

当加热风速数据大于风速数据且噪声数据同时超过预设值时，存在叶片故障，否则，不存在叶片故障。

附带加热装置的风速仪风速序列为WS_i（i=1,2,3,…,n）,对照风速仪风速序列为WS’_i（i=1,2,3,…,n）,噪声传感器记录数据为S_i（i=1,2,3,…,n），当下列条件同时满足时，监控数据将记录叶片结冰。

WS_i>3m/s,WS’_i-m=WS’_i-m+1=WS’_i-m+2….=WS’_i,S_i>k

其中m，k为监控系统参数，默认为m=50，k=85（dB）可以根据风场实际情况调整。

在发电效率监测前，需要得到一个实际整成工况状态下的功率曲线（NAPC）。若风机中控室中的SCADA系统记录了有关风机事件和风机状态信息时，则经过数据融合和剔除故障数据后，计算NAPC和曲线一致性检验，对发电效率开展评估。若无可以利用的状态、事件信息或者状态、事件信息记录不够完整时，则要按照下述方法进行故障数据判断。

逻辑法：提取风电机组SCADA数据库中风机历史数据，一般从系统当前时期向前一个完整年的数据，提取主要字段必须包含：风速，风向，功率，发电机转速，偏航角度，变桨角度，温度系列。

低温影响，利用温度（T）、湿度（H）、发电机转速（R）、功率（P）和风速（W）作为分析指标。

当T<0，且湿度H>90%，且R>启动转速，且W<启动风速时，此时判定为有低温冰冻导致的风速计故障。

当变桨角度>8且P<额定功率时，定义为变桨类故障。

自冗余法

每个风电机组数据的SCADA数据均与与该状态量的标准值、阀值进行比较，按照状态数据值的分布和故障概率分布划分对照组进行对照自冗余检查。

风机自冗余检查主要原理：

若标准值不确定的情况时，可采用历史记录的平均值来确定。采用聚类算法利用状态数据对两台或多台风电机组进行对照自冗余检查分类，采用的聚类分析方法为基于网格和密度的聚类算法，每个状态数据集均是由一系列的概率密度分布所决定的，概率密度受时间和空间上的影响。

同时随时间推移，通过分组分析数据概率密度来发现任意形状的类;在状态数据上按不同物理量划分对照组。设定两台或多台机器同时出现故障的机率较低，可将指定状态的数据两两汇总在一起分别比较或者多台的状态数据放入数据集中进行聚类分析。聚类分析可以用于分析多维变量，将其按照状态划分为k个状态组，主要方法为K-means聚类。

聚类采用的主要字段有：风速，风向，发电机转速，功率。聚类时间范围为从当前时期向前推移，直到满足所有0-20m/s风速段内，每1m/s风速区间内不少于3个数据记录。

自冗余检查的结果是，在某一个时刻，不同风机会被划分为不同的类（Groups）中。

功率曲线一致性检验

对于没有风机状态或事件信息的风机监控采集系统数据（SCADA数据），本系统将采用基于机舱风速计的功率曲线对风机发电效率进行判断。

为了研究每台风机的风机运行性能，我们利用SCADA系统所记录的每10分钟的风功率和机舱风速导出各风机的功率曲线。利用气象站的温度、气压数据来调整空气密度从而进一步修正其风功率曲线。

在下面的分析中，我们仅仅说明了各风机功率特性随时间的改变而相应改变，并没有对各风机特性与保证功率曲线之间做比较。

对每台风机的机舱功率曲线（NAPCs），我们用了两种方法对其从：

散点NAPCs---列出每台风机所有10分钟的功率值对10分钟的平均机舱风速图；

风速段NAPCs---风速按1m/s分区间，对风功率求平均值可得到一条简单的功率曲线。

基于对NAPCs的检验，我们得到该风场风机性能有如下趋势：

各风机风功率曲线的一致性；

风机功率曲线随时间推移的一致性。

一种风电机组发电效率实时监控诊断装置，包括获取模块1，拟合模块2，计算分布模块3，计算发电量模块4和评估模块5；

所述获取模块1，用于分别获取两组风机历史数据信息和两组风机功率信息；

将2个不同风机或同一风机不同时间段的“风速段NAPCs”分别记录为P1，P2，这2个为风速的函数；

所述拟合模块2，用于根据获取模块1获取的风机历史数据信息和风机功率信息，分别拟合成两组风机功率曲线；

估算2个不同风机或同一风机不同时间段的风速分布参数。采用Weibull分布，利用最大似然法估算出2对分布参数，分别记为（A1，k1）和（A2，k2），其中Weibull分布概率

密度函数为 $f\left(x\right)=\frac{k}{A}{\left(\frac{x}{A}\right)}^{k-1}{e}^{{(x/A)}^k};$

所述计算分布模块3，用于根据获取模块1获取的风机历史数据信息的风速数据信息计算风机的两组风速分布参数；

计算发电量Pro₁和Pro₂,

${\mathrm{Pro}}_i={\&Integral;}_0^{25}{P}_i\left(x\right)f\left(x\right)\mathrm{dx},(i=\mathrm{1,2});$

所述计算发电量模块4，用于分别根据拟合模块2得到的风机功率曲线和计算分布模块3得到的风速分布参数计算两组风机发电量数据；

所述评估模块5，用于根据计算发电量模块4计算的两组风机发电量数据进行处理，得到结果数据，根据结果数据与预设值的关系，对风机的发电效率进行评估，根据评估结果对风机控制系统进行优化；检验Pro1和Pro2，若2|Pro₁-Pro₂|/(Pro₁+Pro₂)>0.05，则认为2个不同风机或同一风机不同时间段的功率曲线不一致。

本发明在具体实施中采用人工神经网络方法预测故障；

神经网络主要原理：

采用3层BP神经网络结构。网络的拟定输入为风向、风速、叶片转速、电机转速、有功功率、功率、发电频率、发电机温度、齿轮箱油温、液压系统压力等10个参量，在实际的设计中选取敏感度较高的参数作为输入量，可根据运行数据进行调整;输出为机组正常、齿轮箱异常、发电机异常、偏航系统异常4个量。根据风电场运行数据，有事件和状态数据条件下，取得机组在齿轮箱异常、电机异常、偏航系统异常和正常四种状态下的样本值，即预警和报警样本值，在无事件和状态数据条件下，采用2.3.1中的方法判断系温度或系变桨类故障。神经网络输出节点为4个或2个，分别对应上述不同数据情况下的机组异常情况，节点输出值的范围为[0,1]，输出值越大代表异常的可能性越大。

在具体实施中本发明还应用神经网络模型进行故障预测和诊断过程，具体分为两部分：网络模型学习训练和模型的应用。前者在离线时通过目标样本训练神经网络、调节网络权值，从而得到实用的网络模型。当训练输出与预期输出之差在容许范围内时，表明网络已训练好，然后分析目标样本确定各节点的输出阈值。各异常状态对应节点输出的最小值作为该节点输出的第一阈值;各异常状态对应节点输出的平均值作为该节点输出的第二阈值。模型的应用即利用训练得到的诊断模型对运行数据进行故障诊断和预测。用实时测量数据代替网络的输入，用已训练好的模型实时计算输出，若某节点的输出大于第一阈值，小于第二阈值时，对该类故障给予预警，提醒工作人员注意;当节点输出超过第二阈值时，发出报警信号，认为该类事故发生。

在系统的使用方面设置了学习模块和诊断模块。

软件操作方式拟采用菜单按钮的设置模式。设计原则简单方便、易于理解，各个功能模块化，操作直观快捷，安全性好。

软件实现主要包括算法实现和系统实现两部分。

算法实现为自冗余检查算法和BP神经网络算法;

系统实现为整个软件系统的功能，包括诊断模块、训练模块、系统框架、曲线绘制模块、数据查询模块、数据管理模块的软件实现等。系统设计完成后，还应进行测试，包括独立运行测试和融合测试，其目的是确保各模块实现各自的功能，模块间通信正常，不出现错误。

数据库结构

风电机组发电效率实时监控诊断算法及系统具有训练和诊断功能，还需要其他一些辅助功能：实时数据展示、实时监控、历史数据查询、诊断数据查询、故障诊断、数据管理等。此系统可用于对不同风电场不同机组的运行状况进行诊断，因此包含了对远程数据库和本地数据库的操作。其中本地数据库用于储存原始风机数据、风场用户信息、阈值参数等;远程数据库主要用于保存系统诊断所需要的风电机组的参数数据(即机组运行的实时数据)以及实时诊断的计算结果等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种风电机组发电效率实时监控诊断方法，其特征在于，包括以下步骤： 

步骤1：分别获取两组风机历史数据信息和两组风机功率信息； 

步骤2：根据风机历史数据信息和风机功率信息，分别拟合成两组风机功率曲线； 

步骤3：根据风机历史数据信息的风速数据信息计算风机的两组风速分布参数； 

步骤4：分别根据风机功率曲线和风速分布参数计算两组风机发电量数据； 

步骤5：对两组风机发电量数据进行处理，得到结果数据，根据结果数据与预设值的关系，对风机的发电效率进行评估，根据评估结果对风机控制系统进行优化。 

2.根据权利要求1所述的风电机组发电效率实时监控诊断方法，其特征在于：两组风机历史数据信息和风机功率信息的获取对象为两个风机同一时刻的风机历史数据信息和风机功率信息，或者同一风机不同时刻风机历史数据信息和风机功率信息。 

3.根据权利要求1所述的风电机组发电效率实时监控诊断方法，其特征在于：所述风机历史数据信息包括风速数据，风向数据，功率数据，发电机转速数据，偏航角度数据，变桨角度数据，设备温度信息和设备压力数据信息。 

4.据权利要求1所述的风电机组发电效率实时监控诊断方法，其特征在于：所述步骤2具体为，根据风机历史数据信息，并结合风机功率信息，利用比恩法拟合为风机功率曲线; 

所述步骤3中采用Weibull分布对风机历史数据信息中的风速数据进行统计，并利用最大似然法估算Weibull中的参数，最终获得风速分布参数。 

5.根据权利要求1所述的风电机组发电效率实时监控诊断方法，其特征在于，所述步骤1和步骤2之间还包括： 

步骤1a：获取风机事件信息和风机状态信息； 

步骤1b：分别检验风机事件信息和风机状态信息是否完整； 

步骤1c：根据完整性检验结果分别对风机事件信息和风机状态信息进行剔除故障点数据。 

6.根据权利要求5所述的风电机组发电效率实时监控诊断方法，其特征在于，所述步骤1c具体为：当风机事件信息和风机状态信息均完整时，对风机历史数据信息进行数据融合，之后去除风机发生故障时存储的故障点数据； 

当风机时间信息和风机状态信息二者中任一者不完整时，对风机历史数据信息采用逻辑法，通过设定阈值去除故障点数据，或者在利用K-means聚类算法去除故障点数据。 

7.根据权利要求1所述的风电机组发电效率实时监控诊断方法，其特征在于，所述步骤5具体为： 

当

时，则两组风机发电效率不一致，需对风机控制系统进行优化，否则，不需要对风机控制系统进行优化。 

8.据权利要求1所述的风电机组发电效率实时监控诊断方法，其特征在于：所述故障点数据包括叶片故障数据,发电机故障数据和传感器故障数据。 

9.根据权利要求8所述的风电机组发电效率实时监控诊断方法，其特 征在于，用于所述叶片故障数据的监测方法为： 

在风机机舱外壁顶部设置两个用于监控风速的对照风速仪； 

其中一个对照风速仪上设置加热装置和噪声传感器，所述噪声传感器设置于所述风机机舱外壁顶部； 

将设置有加热装置的对照风速仪采集的加热风速数据、另一个对照风速仪上采集的风速数据和噪声传感器采集的噪声数据分别与三组预设值对比； 

当加热风速数据大于风速数据且噪声数据同时超过预设值时，存在叶片故障，否则，不存在叶片故障。 

10.一种风电机组发电效率实时监控诊断装置，其特征在于：包括获取模块（1），拟合模块（2），计算分布模块（3），计算发电量模块（4）和评估模块（5）； 

所述获取模块（1），用于分别获取两组风机历史数据信息和两组风机功率信息； 

所述拟合模块（2），用于根据获取模块（1）获取的风机历史数据信息和风机功率信息，分别拟合成两组风机功率曲线； 

所述计算分布模块（3），用于根据获取模块（1）获取的风机历史数据信息的风速数据信息计算风机的两组风速分布参数； 

所述计算发电量模块（4），用于分别根据拟合模块（2）得到的风机功率曲线和计算分布模块（3）得到的风速分布参数计算两组风机发电量数据； 

所述评估模块（5），用于根据计算发电量模块（4）计算的两组风机发电量数据进行处理，得到结果数据，根据结果数据与预设值的关系，对风机的发电效率进行评估，根据评估结果对风机控制系统进行优化。 

Images