CN104807644A - 一种风电机组变桨系统的故障预警方法及系统 - Google Patents

Abstract

本发明公开一种风电机组变桨系统的故障预警方法，包括步骤：(1)采集各个风电场中风力发电机组的实时运行参数、温度数据，从采集的数据中读取风电机组变桨系统相关联的运行数据；(2)数据预处理：包括数据有效性判断和数据归一化处理；(3)特征提取；(4)构造预警算法模型。还提供了一种风电机组变桨系统的故障预警系统。

Description

一种风电机组变桨系统的故障预警方法及系统

技术领域

本发明属于风电技术在线监测分析的技术领域，具体地涉及一种风电机组变桨系统的故障预警方法及系统。

背景技术

风力发电机组变桨系统是现如今兆瓦级变速恒频风电机组的重要组成部分，对保证机组的安全、高效、稳定的运行起着重要的作用。由于机组安装在高山、荒野、海滩、海岛等风口处，受无规律的变向变负荷的风力作用以及强阵风的冲击，变桨系统通过控制叶片的角度来控制风轮的转速，进而控制风机的输出功率，因此频繁变载和变速的影响使其成为风电机组中故障率较高的部件之一。通过故障的智能预警可以有效减少设备发生故障的次数，避免重大故障的发生，同时提前安排合理的检修计划，有利于提高设备的可靠性，提高风资源利用率，减低风电成本。

目前，数据采集与监控(SCADA)系统在风电机组状态监测方面应用广泛，其主要功能是实现数据定期采集、监测机组各部件的状态数据、调节参数和故障报警等。但是，现有SCADA系统单参数绝对阈值评估缺乏有效的系统状态预警算法，当监测数据超过阈值时给出报警信息，这样容易产生大量的误报信息或者故障已经恶化到一定程度时才报警，预警灵敏度较低，无法起到故障预警的作用。因此，准确的提取变桨系统的故障特征参数，建立合理的预警算法，才可以更好的反映系统的运行状况，提高故障预警的准确性。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种风电机组变桨系统的故障预警方法,其能够在运行过程中更准确更灵敏地发现系统中的异常变化，从而比已有检测控制系统提供更早更准确的故障预警，能够提供实时在线监测、事前预警，使变桨系统运行可靠性得到全面提升。

本发明的技术解决方案是：这种风电机组变桨系统的故障预警方法，包括以下步骤：

(1)采集各个风电场中风力发电机组的实时运行参数、温度数据，从采集的数据中读取风电机组变桨系统相关联的运行数据；

(2)数据预处理：包括数据有效性判断和数据归一化处理；数据有效性判断是通过单侧点数据筛选和关联性测点比较，从中剔除异常数据；数据归一化处理是降低采集设备不同而造成不同采集点或不同风机数据之间的差异，同时将数据限制到故障分析所需要的输入数据范围；

(3)特征提取：提取反映变桨系统运行状态的特征参量；

(4)构造预警算法模型：当输入的实时运行数据超过设定的预警线，并持续Ts，报警；数据分析预测部分传来的预测数据，按照相应的规则，对比变桨系统当前的运行数据，如果预测数据与当前的运行数据的偏差超过设定的阈值，报警；当偏差值没有超过预警值，但是当前的运行数据偏离预测数据，且偏离值呈现逐步放大的趋势，进行提前报警。

本发明通过数据预处理和特征提取，从历史数据分析得出变桨系统的特征参量，构造预警算法模型，所以能够在运行过程中更准确更灵敏地发现系统中的异常变化，从而比已有检测控制系统提供更早更准确的故障预警，能够提供实时在线监测、事前预警，使变桨系统运行可靠性得到全面提升。

还提供了一种风电机组变桨系统的故障预警系统，其包括：

数据采集接口模块，其配置来采集各个风电场中风力发电机组的实时运行参数、温度数据，从采集的数据中读取风电机组变桨系统相关联的运行数据；

数据预处理模块，其配置来进行数据有效性判断和数据归一化处理；

数据有效性判断是通过单侧点数据筛选和关联性测点比较，从中剔除异常数据；数据归一化处理是降低采集设备不同而造成不同采集点或不同风机数据之间的差异，同时将数据限制到故障分析所需要的输入数据范围；

数据特征提取模块，其配置来提取反映变桨系统运行状态的特征参量；

故障预警模块，其配置来当输入的实时运行数据超过设定的预警线，并持续Ts，报警；数据分析预测部分传来的预测数据，按照相应的规则，对比变桨系统当前的运行数据，如果预测数据与当前的运行数据的偏差超过设定的阈值，报警；当偏差值没有超过预警值，但是当前的运行数据偏离预测数据，且偏离值呈现逐步放大的趋势，进行提前报警。

附图说明

图1示出了根据本发明的风电机组变桨系统的故障预警方法的流程图；

图2示出了本发明一个具体实施例的流程图；

图3示出了根据本发明的风电机组变桨系统的故障预警系统的结构示意图。

具体实施方式

这种风电机组变桨系统的故障预警方法，包括以下步骤：

(1)采集各个风电场中风力发电机组的实时运行参数、温度数据，从采集的数据中读取风电机组变桨系统相关联的运行数据；

(2)数据预处理：包括数据有效性判断和数据归一化处理；数据有效性判断是通过单侧点数据筛选和关联性测点比较，从中剔除异常数据；数据归一化处理是降低采集设备不同而造成不同采集点或不同风机数据之间的差异，同时将数据限制到故障分析所需要的输入数据范围；

(3)特征提取：提取反映变桨系统运行状态的特征参量；

(4)构造预警算法模型：当输入的实时运行数据超过设定的预警线，并持续Ts，报警；数据分析预测部分传来的预测数据，按照相应的规则，对比变桨系统当前的运行数据，如果预测数据与当前的运行数据的偏差超过设定的阈值，报警；当偏差值没有超过预警值，但是当前的运行数据偏离预测数据，且偏离值呈现逐步放大的趋势，进行提前报警。

本发明通过数据预处理和特征提取，从历史数据分析得出变桨系统的特征参量，构造预警算法模型，所以能够在运行过程中更准确更灵敏地发现系统中的异常变化，从而比已有检测控制系统提供更早更准确的故障预警，能够提供实时在线监测、事前预警，使变桨系统运行可靠性得到全面提升。

优选地，该方法还包括步骤(5)数据存储与回放：对数据进行存储，对历史工况、测点实时值、预测值、偏差数据进行回放。

优选地，所述步骤(4)中所述数据分析预测部分采用支持向量机回归预测方法，建立一个多输入多输出的回归模型，以风速、发电机组功率为输入，变桨系统特征参数观测值为输出；首先利用正常工作机组从切入风速到切出风速范围内，变桨系统处于不同运行状态下的正常运行数据作为训练样本集，对观测值向量回归模型进行训练。

优选地，给定样本集 $s=\{(x_i,y_i){|}_{i-1}^n,x_i\∈X\⊆R,y_i\∈Y\⊆R^n\},$ 其中xi为输入变量，yi是对应的预期值，回归函数为f(x)＝(w*x)+b

式中，w∈Rⁿ为权值矢量，b∈R是偏置门限，w*x表示w与x点乘；

w和b通过求解公式(1)的最优问题来获取：

       $\min \frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}(a_i-a_i^{*})(a_j-a_j^{*})k(x_i,x_j)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i(\mathrm{\ϵ}-y_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i^{*}(\mathrm{\ϵ}+y_i)$

       $s.t.\left\{\begin{array}{c}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}(a_i-a_i^{*})=0\\ a_i-a_i^{*}\∈[0,C]\end{array}\right.$

其中ε为回归允许最大误差；a*和a为拉格朗日乘子；C为给定的正常数，用来平衡回归函数f的平坦程度和偏差大于ε样本点的个数。

优选地，变桨系统特征参数的预测数据与当前的运行数据的偏差根据公式(2)获得：

       $\mathrm{\δ}=\sqrt{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{(a_i-a_i^{\′})}^2},i=\mathrm{1,2},...p$

其中ai是第i个特征参数的实测值，ai‘为第i个特征参数的观测值，p表示提取的变桨系统特征参量的个数。

还提供了一种风电机组变桨系统的故障预警系统，其包括：

数据采集接口模块，其配置来采集各个风电场中风力发电机组的实时运行参数、温度数据，从采集的数据中读取风电机组变桨系统相关联的运行数据；

数据预处理模块，其配置来进行数据有效性判断和数据归一化处理；

数据有效性判断是通过单侧点数据筛选和关联性测点比较，从中剔除异常数据；数据归一化处理是降低采集设备不同而造成不同采集点或不同风机数据之间的差异，同时将数据限制到故障分析所需要的输入数据范围；

数据特征提取模块，其配置来提取反映变桨系统运行状态的特征参量；

故障预警模块，其配置来当输入的实时运行数据超过设定的预警线，并持续Ts，报警；数据分析预测部分传来的预测数据，按照相应的规则，对比变桨系统当前的运行数据，如果预测数据与当前的运行数据的偏差超过设定的阈值，报警；当偏差值没有超过预警值，但是当前的运行数据偏离预测数据，且偏离值呈现逐步放大的趋势，进行提前报警。优选地，在电动机出口处安装单独的电流互感器来检测电流大小，为电流速断保护装置提供测量值。

优选地，该系统还包括：数据回放模块，其配置来对数据进行存储，对历史工况、测点实时值、预测值、偏差数据进行回放。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (7)

1.一种风电机组变桨系统的故障预警方法，其特征在于：包括以下步骤：

(1)采集各个风电场中风力发电机组的实时运行参数、温度数据，从采集的数据中读取风电机组变桨系统相关联的运行数据；

(2)数据预处理：包括数据有效性判断和数据归一化处理；数据有效性判断是通过单侧点数据筛选和关联性测点比较，从中剔除异常数据；数据归一化处理是降低采集设备不同而造成不同采集点或不同风机数据之间的差异，同时将数据限制到故障分析所需要的输入数据范围；

(3)特征提取：提取反映变桨系统运行状态的特征参量；

(4)构造预警算法模型：当输入的实时运行数据超过设定的预警线，并持续Ts，报警；数据分析预测部分传来的预测数据，按照相应的规则，对比变桨系统当前的运行数据，如果预测数据与当前的运行数据的偏差超过设定的阈值，报警；当偏差值没有超过预警值，但是当前的运行数据偏离预测数据，且偏离值呈现逐步放大的趋势，进行提前报警。

2.根据权利要求1所述的风电机组变桨系统的故障预警方法，其特征在于：该方法还包括步骤(5)数据存储与回放：对数据进行存储，对历史工况、测点实时值、预测值、偏差数据进行回放。

3.根据权利要求1或2所述的风电机组变桨系统的故障预警方法，其特征在于：所述步骤(4)中所述数据分析预测部分采用支持向量机回归预测方法，建立一个多输入多输出的回归模型，以风速、发电机组功率为输入，变桨系统特征参数观测值为输出；首先利用正常工作机组从切入风速到切出风速范围内，变桨系统处于不同运行状态下的正常运行数据作为训练样本集，对观测值向量回归模型进行训练。

4.根据权利要求3所述的风电机组变桨系统的故障预警方法，其特征在于：

给定样本集其中xi为输入变量，yi是对应的预期值，回归函数为f(x)＝(w*x)+b

式中，w∈Rⁿ为权值矢量，b∈R是偏置门限，w*x表示w与x点乘；

w和b通过求解公式(1)的最优问题来获取：

$\min \frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}(a_i-a_i^{*})(a_j-a_j^{*})k(x_i,x_j)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i(\mathrm{\ϵ}-y_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i^{*}(\mathrm{\ϵ}+y_i)$

$s.t.\left\{\begin{array}{c}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}(a_i-a_i^{*})=0\\ a_i-a_i^{*}\∈[0,C]\end{array}\right.---\left(1\right)$

其中ε为回归允许最大误差；a*和a为拉格朗日乘子；C为给定的正常数，用来平衡回归函数f的平坦程度和偏差大于ε样本点的个数。

5.根据权利要求4所述的风电机组变桨系统的故障预警方法，其特征在于：变桨系统特征参数的预测数据与当前的运行数据的偏差根据公式(2)获得：

$\mathrm{\δ}=\sqrt{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{(a_i-a_i^{\′})}^2},i=\mathrm{1,2},\·\·\·p$

其中ai是第i个特征参数的实测值，ai‘为第i个特征参数的观测值，p表示提取的变桨系统特征参量的个数。

6.一种风电机组变桨系统的故障预警系统，其特征在于：其包括：

数据采集接口模块，其配置来采集各个风电场中风力发电机组的实时运行参数、温度数据，从采集的数据中读取风电机组变桨系统相关联的运行数据；

数据预处理模块，其配置来进行数据有效性判断和数据归一化处理；

数据有效性判断是通过单侧点数据筛选和关联性测点比较，从中剔除异常数据；数据归一化处理是降低采集设备不同而造成不同采集点或不同风机数据之间的差异，同时将数据限制到故障分析所需要的输入数据范围；

数据特征提取模块，其配置来提取反映变桨系统运行状态的特征参量；

故障预警模块，其配置来当输入的实时运行数据超过设定的预警线，并持续Ts，报警；数据分析预测部分传来的预测数据，按照相应的规则，对比变桨系统当前的运行数据，如果预测数据与当前的运行数据的偏差超过设定的阈值，报警；当偏差值没有超过预警值，但是当前的运行数据偏离预测数据，且偏离值呈现逐步放大的趋势，进行提前报警。

7.根据权利要求6所述的风电机组变桨系统的故障预警系统，其特征在于：其还包括：

数据回放模块，其配置来对数据进行存储，对历史工况、测点实时值、预测值、偏差数据进行回放。