CN105508149A - 用于风力发电机组的故障检测方法及装置 - Google Patents
用于风力发电机组的故障检测方法及装置 Download PDFInfo
- Publication number
- CN105508149A CN105508149A CN201511032748.0A CN201511032748A CN105508149A CN 105508149 A CN105508149 A CN 105508149A CN 201511032748 A CN201511032748 A CN 201511032748A CN 105508149 A CN105508149 A CN 105508149A
- Authority
- CN
- China
- Prior art keywords
- generating set
- power generating
- wind power
- described wind
- theoretical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
Abstract
本发明实施例提供一种用于风力发电机组的故障检测方法及装置,所述方法包括:根据所述风力发电机组的第一组运行/环境数据确定所述风力发电机组的实际风能利用系数序列;根据所述风力发电机组的第二组运行/环境数据确定所述风力发电机组的理论风能利用系数序列;当所述实际风能利用系数序列相对于所述理论风能利用系数序列的变化率大于变化率阈值时,确定所述风力发电机组发生故障。本发明实施例提供的故障检测方法及装置,自动确定所述风力发电机组故障,可以对风力发电机组的故障进行智能检测,节省大量的人力物力和财力的投入,保证了时效性,安全高效。
Description
技术领域
本发明涉及风力发电机组的检测的技术领域,尤其涉及一种用于风力发电机组的故障检测方法及装置。
背景技术
在风力发电机组中,以叶片为例,叶片是捕获风能的最重要部件,叶片状态的好坏直接影响着风力发电机组的发电量状况,当风力发电机组的叶片出现故障时如果能够及时得到预测和预警,这样便能最大限度地保证机组的发电情况,以及避免出现因叶片故障未及时处理而导致整个机组出现重大事故。
目前,对风力发电机组的故障检测主要通过人工对风力发电机组的各组件进行机械性能测试以及对环境因素进行测试,根据各组件机械性能的测试结果以及环境因素的测试结果综合确定,无法实现自动检测,检测效率低。
发明内容
本发明的目的在于提供一种用于风力发电机组的故障检测方法及装置,可以对风力发电机组的故障进行智能检测,安全高效。
根据本发明的一方面,本发明提供一种用于风力发电机组的故障检测方法,所述方法包括:根据所述风力发电机组的第一组运行/环境数据确定所述风力发电机组的实际风能利用系数序列;根据所述风力发电机组的第二组运行/环境数据确定所述风力发电机组的理论风能利用系数序列;当所述实际风能利用系数序列相对于所述理论风能利用系数序列的变化率大于变化率阈值时,确定所述风力发电机组发生故障。
进一步的,所述第一组运行/环境数据包括所述风力发电机组的输出功率、外部风速和外部空气密度;
根据Cp=P/0.5πR2ρv3计算所述风电机组的实际风能利用系数Cp,其中,P为所述风力发电机组的输出功率,R为所述风力发电机组的叶轮半径,ρ为所述风力发电机组的外部空气密度,v为所述风力发电机组的外部风速,所述实际风能利用系数序列包含至少一个实际风能利用系数Cp。
进一步的,所述第二组运行/环境数据包括所述风力发电机组的桨距角、叶片旋转角速度和外部风速;
根据 计算所述风电机组的理论风能利用系数Cp’;
或者,根据 计算所述风电机组的理论风能利用系数Cp,,其中
或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中,
上述各公式中,β为所述风力发电机组的桨距角,λ=ωR/v,ω为所述风力发电机组的叶片旋转角速度,R为所述风力发电机组的叶轮半径,v为所述风力发电机组的外部风速;所述理论风能利用系数序列包括至少一个理论风能利用系数Cp’。
进一步的,所述方法在所述确定所述风力发电机组发生故障步骤之后还包括:根据所述风力发电机组的第三组运行/环境数据和故障模型,对所述风力发电机组进行故障诊断并预警。
进一步的,所述第三组运行/环境数据至少包括如下数据之一:所述风力发电机组的输出功率、外部风速、外部空气密度、所述风力发电机组的桨距角、叶片旋转角速度、叶片表面特性数据、叶片气动性能数据、叶片振动频率和叶片载荷。
根据本发明的另一方面,本发明还提供一种用于风力发电机组的故障检测装置,所述装置包括:实际风能利用系数序列确定单元,用于根据所述风力发电机组的第一组运行/环境数据确定所述风力发电机组的实际风能利用系数序列;理论风能利用系数序列确定单元,用于根据所述风力发电机组的第二组运行/环境数据确定所述风力发电机组的理论风能利用系数序列;以及,故障确定单元,用于当所述实际风能利用系数序列相对于所述理论风能利用系数序列的变化率大于变化率阈值时,确定所述风力发电机组故障。
进一步的,所述第一组运行/环境数据包括所述风力发电机组的输出功率、外部风速和外部空气密度;
所述实际风能利用系数序列确定单元用于根据:Cp=P/0.5πR2ρv3计算所述风电机组的实际风能利用系数Cp,其中,P为所述风力发电机组的输出功率,R为所述风力发电机组的叶轮半径,ρ为所述风力发电机组的外部空气密度,v为所述风力发电机组的外部风速速,所述实际风能利用系数序列包含至少一个实际风能利用系数Cp。
进一步的,所述第二组运行/环境数据包括所述风力发电机组的桨距角、叶片旋转角速度和外部风速,所述理论风能利用系数序列确定单元用于:
根据 计算所述风电机组的理论风能利用系数Cp’;
或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中
或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中,
上述各公式中,β为所述风力发电机组的桨距角,λ=ωR/v,ω为所述风力发电机组的叶片旋转角速度,R为所述风力发电机组的叶轮半径,v为所述风力发电机组的外部风速;所述理论风能利用系数序列包括至少一个理论风能利用系数Cp’。
进一步的,所述装置还包括:与所述故障确定单元连接的故障诊断单元,用于根据所述风力发电机组的第三组运行/环境数据和故障模型,对所述风力发电机组进行故障诊断并预警,所述第三组运行/环境数据至少包括如下数据之一:所述风力发电机组的输出功率、外部风速、外部空气密度、所述风力发电机组的桨距角、叶片旋转角速度、叶片表面特性数据、叶片气动性能数据、叶片振动频率和叶片载荷。
进一步的,所述用于风力发电机组的故障检测装置集成在所述风力发电机组的主控制器或者主控PLC中。
本发明实施例提供的用于风力发电机组的故障检测方法及装置,相对于人工对风力发电机组的各组件进行机械性能测试以及环境因素测试的方式,分别根据风力发电机组的不同运行/环境数据确定实际风能利用系数序列和理论风能利用系数序列,当实际风能利用系数序列相对于理论风能利用系数序列的变化率大于变化率阈值时,自动确定风力发电机组故障,可以对风力发电机组的故障进行智能检测,节省大量的人力物力和财力的投入,保证了时效性,安全高效。
附图说明
图1是示出本发明示例性实施例一的一种用于风力发电机组的故障检测方法流程图;
图2是示出本发明示例性实施例三的一种用于风力发电机组的故障检测装置结构图。
具体实施方式
下面结合附图对本发明示例性实施例的用于风力发电机组的故障检测方法及装置进行详细描述。
风力发电机组中的各个部件以及子系统之间存在相互联系的复杂系统,通过风力发电机组的数据采集与监视控制(SupervisoryControlAndDataAcquisition,SCADA)以及安装在各个部件上的传感器所采集到的风力发电机组的运行/环境数据中必然会包含着风电机组各个部件及子系统之间的关系。
本实施例可以在选定风场以随机抽样的方式选取一定数量的风力发电机组,并在选定的风力发电机组上通过专门的传感器和数据采集设备采集数据,其中采集的数据包括风力发电机组的运行数据和环境数据。运行数据可以包括但不限于:风力发电机组的输出功率、叶片旋转角速度、叶片桨距角、叶片表面特性数据、叶片气动性能数据、叶片振动频率和/或叶片载荷等;环境数据包括但不限于:空气密度和/或风速等。
实施例一
图1是示出本发明示例性实施例一的一种用于风力发电机组的故障检测方法流程图。
参照图1,一种用于风力发电机组的故障检测方法,包括S110、S120和S130。
在S110,根据所述风力发电机组的第一组运行/环境数据确定所述风力发电机组的实际风能利用系数序列。
在本实施例中,可以通过包括但不限于以下的传感器获取风力发电机组的运行/环境数据。例如:在风力发电机组叶片中使用测量载荷、振动、角速度以及桨距角等叶片参数的应变片;在风力发电机组叶片中单独安装振动传感器、载荷传感器、桨距角传感器或者叶片角速度传感器;在风力发电机组叶片中同时安装振动传感器、载荷传感器、桨距角传感器以及角速度传感器等。
运行/环境数据从传感器或者数据采集设备向控制器传输的数据传输方式可以包括但不限于:通过光纤进行传输、通过电缆进行传输、通过以太网进行传输和/或在数据传输过程中采用TCP协议等。在数据传输的过程中,可以传输模拟信号也可以传输数字信号。
在本实施例中,风力发电机组的可编程逻辑控制器(ProgrammableLogicController,PLC)的工作频率为50Hz,运行/环境数据的采样速率为0.02秒。
在本实施例中,可选的,第一组运行/环境数据包括但不限于该风力发电机组的输出功率、外部风速和外部空气密度等。
在S120,根据该风力发电机组的第二组运行/环境数据确定风力发电机组的理论风能利用系数序列。
在本实施例中,可选的,第二组运行/环境数据包括但不限于风力发电机组的桨距角、叶片旋转角速度和外部风速等。
在S130,当上述实际风能利用系数序列相对于理论风能利用系数序列的变化率大于变化率阈值时,确定该风力发电机组发生故障。
当实际风能利用系数序列相对于理论风能利用系数序列的变化率小于变化率阈值时,可以认为这种实际风能利用系数序列相对于理论风能利用系数序列的变化是由于误差造成的,此时的实际风能利用系数序列与理论风能利用系数序列对应的值是相等的,风力发电机组的发电量以及运行状态正常。其中,实际风能利用系数序列相对于理论风能利用系数序列的变化率=(实际风能利用系数序列中实际风能利用系数的值-理论风能利用系数序列中对应的理论风能利用系数的值)/理论风能利用系数序列中对应的理论风能利用系数的值。
当风力发电机组正常运行时,由于实际风能利用系数序列与理论风能利用系数序列对应的值是相等的,因此将风力发电机组的设计发电量(理论值)作为风力发电机组的实时发电量(实际值)。
本发明实施例提供的用于风力发电机组的故障检测方法,相对于人工对风力发电机组的各组件进行机械性能测试以及环境因素测试的方式,分别根据风力发电机组的不同运行/环境数据确定实际风能利用系数序列和理论风能利用系数序列,当该实际风能利用系数序列相对于理论风能利用系数序列的变化率大于变化率阈值时,自动确定该风力发电机组故障,可以对风力发电机组的故障进行智能检测,节省大量的人力物力和财力的投入,保证了时效性,安全高效。
实施例二
本实施例提供用于风力发电机组的故障检测方法,在本实施例中,对应于实施例一中的S110,根据贝茨理论,风力发电机组从风中得到的功率为:P=0.5πR2ρCp(λ,β)v3,其中,P代表风力发电机组输出功率;R代表风力发电机组叶轮半径;ρ为风力发电机组的外部空气密度;v为风力发电机组的外部风速;β代表桨距角;λ代表叶尖速比,Cp代表风能利用系数。
由于λ=ωR/v,其中ω代表叶片旋转角速度,因此可以得到实际风能利用系数Cp的计算公式Cp=P/0.5πR2ρv3。其中,P为所述风力发电机组的输出功率,R为所述风力发电机组的叶轮半径,ρ为所述风力发电机组的外部空气密度,v为所述风力发电机组的外部风速。实际风能利用系数序列包括至少一个实际风能利用系数。
在本实施例中,根据所采集到的输出功率P、风速v、空气密度ρ这第一组运行/环境数据的实时数据,可以实时得到该风力发电机组的实际风能利用系数Cp。将一段时间内的实际风能利用系数Cp序列绘制成实际风能利用系数曲线。
对应于实施例一中的在S120,在设计风力发电机组的过程中,可以根据数据拟合的方式得到风电机组的理论风能利用系数Cp’,理论风能利用系数包括至少一个理论风能利用系数,根据不同的数据拟合方法,风电机组的理论风能利用系数Cp’会有不同的表达式,但是这些表达式都能够准确的描述出Cp’的变化规律,也就是说虽然表达式不同,它们的变化规律是一样的。例如,包括但不限于:
可以通过 计算该风电机组的理论风能利用系数Cp’,其中,β为风力发电机组的桨距角,ω为风力发电机组的叶片旋转角速度,v为风力发电机组的外部风速。
或者,可以通过 计算所述风电机组的理论风能利用系数Cp’,其中其中,β为风力发电机组的桨距角,ω为风力发电机组的叶片旋转角速度,v为风力发电机组的外部风速。
或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中,其中,β为风力发电机组的桨距角,ω为风力发电机组的叶片旋转角速度,v为风力发电机组的外部风速。
在本实施例中,根据采集到的桨距角β、叶片旋转角速度ω以及风速v这第二组运行/环境数据的实时数据,可以实时的得到风力发电机组的理论风能利用系数Cp’。将一段时间内的理论风能利用系数Cp’序列绘制成理论风能利用系数曲线。
通过比较实际风能利用系数曲线和理论风能利用系数曲线便能够很直观地看出该风力发电机组的实际发电情况。
可选的,在本实施例中,将变化率阈值设置为5%,具体的比较过程可以如下所示:
当Cp与Cp’两条曲线上相对应值的偏差在5%以内时,此时可以忽略由于误差所造成的影响,即认为此时的风能利用系数的实际值Cp与理论值Cp’是相等的,确定此时Cp’的发电量以及运行状态是正常的。
当Cp与Cp’两条曲线上相对应值的偏差大于5%甚至更高时,此时可以判定风力发电机组的运行状态出现了异常,应该及时地对风力发电机组进行故障诊断及预警。
可选的,对于本实施例而言,当确定风力发电机组发生故障时,根据风力发电机组的运行/环境数据和故障模型,对风力发电机组进行故障诊断并预警。
可以设置计算机终端和/或亚马逊云服务(AmazonWebServices,AWS)云平台,采用Matlab、Python、R语言或者Labview等软件,利用数据挖掘技术以及数理统计的相关知识对采集到的大量的风力发电机组的运行/环境数据进行数据分析,利用数学的相关知识在计算机终端通过matlab仿真软件对叶片出现的各类故障进行数学建模,待模型完善之后将数据的分析结果与故障模型做匹配后,进而得到实际风能利用系数与理论风能利用系数出现偏差的原因是由于叶片出现的哪些具体故障所引起的,从而实现风电机组发电量的实时在线检测以及对风电机组的叶片所出现的各类故障做出智能预测和预警。
故障模型可以根据风力发电机组实际运行过程中的运行/环境数据建立,在建立时可以通过统计风力发电机组的各种运行/环境数据的权重来实现,同时,可以采用多个修正系数作为调整参数以适应不同机型和不同的地区;故障模型的建立可以基于一个风场一台或多台风力发电机组的数据,然后直接推广到该风场的其他风力发电机组以及其他的风场进行应用,也可能在每一个风场都会采集数据,建立特定风场的故障模型。
故障模型也可以不根据风力发电机组实际运行过程中的运行/环境数据建立,而是通过在实验室搭建类似叶片的实验模型,然后通过此实验模型得到实验数据,然后对数据进行分析处理并且建立故障模型,最后推广应用到风力发电机组中;或者,直接通过计算机软件仿真数据建立数学模型(故障模型),然后推广应用于风力发电机组。
实施例三
图2是示出本发明示例性实施例三的一种用于风力发电机组的故障检测装置结构图。
参照图2,一种用于风力发电机组的故障检测装置,包括实际风能利用系数序列确定单元201、理论风能利用系数序列确定单元202和故障确定单元203。
实际风能利用系数序列确定单元201,用于根据风力发电机组的第一组运行/环境数据确定该风力发电机组的实际风能利用系数序列。
理论风能利用系数序列确定单元202,用于根据风力发电机组的第二组运行/环境数据确定该风力发电机组的理论风能利用系数序列。
故障确定单元203,用于当实际风能利用系数序列相对于理论风能利用系数序列的变化率大于变化率阈值时,确定该风力发电机组故障。
可选的,第一组运行/环境数据包括风力发电机组的输出功率、外部风速和外部空气密度。
可选的,第二组运行/环境数据包括风力发电机组的桨距角、叶片旋转角速度和所述外部风速。
可选的,实际风能利用系数序列确定单元根据:Cp=P/0.5πR2ρv3计算风电机组的实际风能利用系数Cp,其中,P为风力发电机组的输出功率,R为风力发电机组的叶轮半径,ρ为风力发电机组的外部空气密度,v为风力发电机组的外部风速。
可选的,理论风能利用系数序列确定单元用于:根据 计算所述风电机组的理论风能利用系数Cp’;或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中,上述各公式中,β为所述风力发电机组的桨距角,λ=ωR/v,ω为所述风力发电机组的叶片旋转角速度,R为所述风力发电机组的叶轮半径,v为所述风力发电机组的外部风速。计算
进一步的,该装置还可以包括故障诊断单元。
故障诊断单元(图中未示出),用于当确定风力发电机组故障时,根据风力发电机组的运行/环境数据和故障模型,对该风力发电机组进行故障诊断并预警。
可选的,运行/环境数据至少包括如下数据之一:风力发电机组的输出功率、外部风速、外部空气密度、风力发电机组的桨距角、叶片旋转角速度、叶片表面特性数据、叶片气动性能数据、叶片振动频率和叶片载荷。
进一步的,该装置还可以包括正常运行确定单元。
正常运行确定单元(图中未示出),用于当实际风能利用系数序列相对于理论风能利用系数序列的变化率小于变化率阈值时,确定该风力发电机组正常运行。
进一步的,该装置还可以包括发电量确定单元。
发电量确定单元,当风力发电机组正常运行时,将风力发电机组的设计发电量作为风力发电机组的实时发电量。
可选的,本实施例中的用于风力发电机组的故障检测装置集成在风力发电机组的主控制器中。
可选的,本实施例中的用于风力发电机组的故障检测装置集成在风力发电机组的主控PLC中。
本发明实施例提供的用于风力发电机组的故障检测装置,相对于人工对风力发电机组的各组件进行机械性能测试以及环境因素测试的方式,分别根据风力发电机组的不同运行/环境数据确定实际风能利用系数序列和理论风能利用系数序列,当所述实际风能利用系数序列相对于所述理论风能利用系数序列的变化率大于变化率阈值时,自动确定所述风力发电机组故障,可以对风力发电机组的故障进行智能检测,节省大量的人力物力和财力的投入,保证了时效性,安全高效。
上述根据本发明的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CDROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的处理方法。此外,当通用计算机访问用于实现在此示出的处理的代码时,代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种用于风力发电机组的故障检测方法,其特征在于,所述方法包括:
根据所述风力发电机组的第一组运行/环境数据确定所述风力发电机组的实际风能利用系数序列;
根据所述风力发电机组的第二组运行/环境数据确定所述风力发电机组的理论风能利用系数序列;
当所述实际风能利用系数序列相对于所述理论风能利用系数序列的变化率大于变化率阈值时,确定所述风力发电机组发生故障。
2.根据权利要求1所述的故障检测方法,其特征在于,所述第一组运行/环境数据包括所述风力发电机组的输出功率、外部风速和外部空气密度;
根据Cp=P/0.5πR2ρv3计算所述风电机组的实际风能利用系数Cp,其中,P为所述风力发电机组的输出功率,R为所述风力发电机组的叶轮半径,ρ为所述风力发电机组的外部空气密度,v为所述风力发电机组的外部风速,所述实际风能利用系数序列包含至少一个实际风能利用系数Cp。
3.根据权利要求1或2所述的故障检测方法,其特征在于,所述第二组运行/环境数据包括所述风力发电机组的桨距角、叶片旋转角速度和外部风速;
根据 计算所述风电机组的理论风能利用系数Cp’;
或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中
或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中,
上述各公式中,β为所述风力发电机组的桨距角,λ=ωR/v,ω为所述风力发电机组的叶片旋转角速度,R为所述风力发电机组的叶轮半径,v为所述风力发电机组的外部风速;所述理论风能利用系数序列包括至少一个理论风能利用系数Cp’。
4.根据权利要求1所述的故障检测方法,其特征在于,所述方法在所述确定所述风力发电机组发生故障步骤之后还包括:
根据所述风力发电机组的第三组运行/环境数据和故障模型,对所述风力发电机组进行故障诊断并预警。
5.根据权利要求4所述的故障检测方法,其特征在于,所述第三组运行/环境数据至少包括如下数据之一:所述风力发电机组的输出功率、外部风速、外部空气密度、所述风力发电机组的桨距角、叶片旋转角速度、叶片表面特性数据、叶片气动性能数据、叶片振动频率和叶片载荷。
6.一种用于风力发电机组的故障检测装置,其特征在于,所述装置包括:
实际风能利用系数序列确定单元,用于根据所述风力发电机组的第一组运行/环境数据确定所述风力发电机组的实际风能利用系数序列;
理论风能利用系数序列确定单元,用于根据所述风力发电机组的第二组运行/环境数据确定所述风力发电机组的理论风能利用系数序列;以及,
故障确定单元,用于当所述实际风能利用系数序列相对于所述理论风能利用系数序列的变化率大于变化率阈值时,确定所述风力发电机组故障。
7.根据权利要求6所述的故障检测装置,其特征在于,所述第一组运行/环境数据包括所述风力发电机组的输出功率、外部风速和外部空气密度;
所述实际风能利用系数序列确定单元用于根据:Cp=P/0.5πR2ρv3计算所述风电机组的实际风能利用系数Cp,其中,P为所述风力发电机组的输出功率,R为所述风力发电机组的叶轮半径,ρ为所述风力发电机组的外部空气密度,v为所述风力发电机组的外部风速速,所述实际风能利用系数序列包含至少一个实际风能利用系数Cp。
8.根据权利要求6或7所述的故障检测装置,其特征在于,所述第二组运行/环境数据包括所述风力发电机组的桨距角、叶片旋转角速度和外部风速,所述理论风能利用系数序列确定单元用于:
根据 计算所述风电机组的理论风能利用系数Cp’;
或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中
或者,根据 计算所述风电机组的理论风能利用系数Cp’,其中,
上述各公式中,β为所述风力发电机组的桨距角,λ=ωR/v,ω为所述风力发电机组的叶片旋转角速度,R为所述风力发电机组的叶轮半径,v为所述风力发电机组的外部风速;所述理论风能利用系数序列包括至少一个理论风能利用系数Cp’。
9.根据权利要求6所述的故障检测装置,其特征在于,所述装置还包括:与所述故障确定单元连接的故障诊断单元,用于根据所述风力发电机组的第三组运行/环境数据和故障模型,对所述风力发电机组进行故障诊断并预警,所述第三组运行/环境数据至少包括如下数据之一:所述风力发电机组的输出功率、外部风速、外部空气密度、所述风力发电机组的桨距角、叶片旋转角速度、叶片表面特性数据、叶片气动性能数据、叶片振动频率和叶片载荷。
10.根据权利要求6至9任一项所述的故障检测装置,其特征在于,所述用于风力发电机组的故障检测装置集成在所述风力发电机组的主控制器或者主控PLC中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511032748.0A CN105508149B (zh) | 2015-12-31 | 2015-12-31 | 用于风力发电机组的故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511032748.0A CN105508149B (zh) | 2015-12-31 | 2015-12-31 | 用于风力发电机组的故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105508149A true CN105508149A (zh) | 2016-04-20 |
CN105508149B CN105508149B (zh) | 2018-12-07 |
Family
ID=55716379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511032748.0A Active CN105508149B (zh) | 2015-12-31 | 2015-12-31 | 用于风力发电机组的故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105508149B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108119316A (zh) * | 2017-11-16 | 2018-06-05 | 云南电网有限责任公司电力科学研究院 | 基于暂态录波数据的风力发电机运行故障新类型发现方法 |
WO2018103286A1 (zh) * | 2016-12-05 | 2018-06-14 | 北京金风科创风电设备有限公司 | 检测风电机组的等效载荷的方法和设备 |
WO2018171165A1 (zh) * | 2017-03-24 | 2018-09-27 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
CN108845242A (zh) * | 2018-05-25 | 2018-11-20 | 北京金风科创风电设备有限公司 | 故障识别方法和装置、计算机可读存储介质 |
CN108900125A (zh) * | 2018-05-25 | 2018-11-27 | 北京金风科创风电设备有限公司 | 故障容错方法和装置、计算机可读存储介质 |
WO2019223350A1 (zh) * | 2018-05-25 | 2019-11-28 | 北京金风科创风电设备有限公司 | 风力发电机组的故障处理方法和装置、计算机可读存储介质 |
CN113125954A (zh) * | 2021-04-16 | 2021-07-16 | 安徽大学 | 一种电动汽车驱动电机的故障诊断方法和应用 |
WO2022142213A1 (zh) * | 2020-12-30 | 2022-07-07 | 北京金风科创风电设备有限公司 | 叶片故障诊断方法、装置、系统及存储介质 |
CN115596620A (zh) * | 2022-12-15 | 2023-01-13 | 深圳鹏锐信息技术股份有限公司(Cn) | 基于人工智能的风力发电机组故障智能分析方法及系统 |
WO2023231247A1 (zh) * | 2022-05-31 | 2023-12-07 | 金风科技股份有限公司 | 风力发电机组的维护方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009140435A1 (en) * | 2008-05-13 | 2009-11-19 | Purdue Research Foundation | Monitoring of wind turbines |
US20130025352A1 (en) * | 2010-04-13 | 2013-01-31 | Gamesa Innovation & Technology, S.L. | Methods for monitoring wind turbines |
CN103696913A (zh) * | 2013-12-31 | 2014-04-02 | 西安热工研究院有限公司 | 一种实时监测风电机组运行时的风能利用偏差的方法 |
CN104863798A (zh) * | 2014-02-25 | 2015-08-26 | 常州铠甲智能科技有限公司 | 基于分布式存储的风电机组状态监测系统及其监测方法 |
CN105065212A (zh) * | 2015-08-13 | 2015-11-18 | 南车株洲电力机车研究所有限公司 | 一种风电场风电机组校验方法及系统 |
-
2015
- 2015-12-31 CN CN201511032748.0A patent/CN105508149B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009140435A1 (en) * | 2008-05-13 | 2009-11-19 | Purdue Research Foundation | Monitoring of wind turbines |
US20130025352A1 (en) * | 2010-04-13 | 2013-01-31 | Gamesa Innovation & Technology, S.L. | Methods for monitoring wind turbines |
CN103696913A (zh) * | 2013-12-31 | 2014-04-02 | 西安热工研究院有限公司 | 一种实时监测风电机组运行时的风能利用偏差的方法 |
CN104863798A (zh) * | 2014-02-25 | 2015-08-26 | 常州铠甲智能科技有限公司 | 基于分布式存储的风电机组状态监测系统及其监测方法 |
CN105065212A (zh) * | 2015-08-13 | 2015-11-18 | 南车株洲电力机车研究所有限公司 | 一种风电场风电机组校验方法及系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10337498B2 (en) | 2016-12-05 | 2019-07-02 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method and device for detecting equivalent load of wind turbine |
WO2018103286A1 (zh) * | 2016-12-05 | 2018-06-14 | 北京金风科创风电设备有限公司 | 检测风电机组的等效载荷的方法和设备 |
WO2018171165A1 (zh) * | 2017-03-24 | 2018-09-27 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
US11035346B2 (en) | 2017-03-24 | 2021-06-15 | Xinjiang Goldwind Science & Technology Co., Ltd. | Method and device for predicting wind turbine fault |
CN108119316A (zh) * | 2017-11-16 | 2018-06-05 | 云南电网有限责任公司电力科学研究院 | 基于暂态录波数据的风力发电机运行故障新类型发现方法 |
WO2019223350A1 (zh) * | 2018-05-25 | 2019-11-28 | 北京金风科创风电设备有限公司 | 风力发电机组的故障处理方法和装置、计算机可读存储介质 |
CN108900125B (zh) * | 2018-05-25 | 2019-09-13 | 北京金风科创风电设备有限公司 | 故障容错方法和装置、计算机可读存储介质 |
CN108845242B (zh) * | 2018-05-25 | 2019-09-13 | 北京金风科创风电设备有限公司 | 故障识别方法和装置、计算机可读存储介质 |
CN108900125A (zh) * | 2018-05-25 | 2018-11-27 | 北京金风科创风电设备有限公司 | 故障容错方法和装置、计算机可读存储介质 |
CN108845242A (zh) * | 2018-05-25 | 2018-11-20 | 北京金风科创风电设备有限公司 | 故障识别方法和装置、计算机可读存储介质 |
US11146192B2 (en) | 2018-05-25 | 2021-10-12 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Fault handling method and apparatus for wind power generator set, and computer readable storage medium |
WO2022142213A1 (zh) * | 2020-12-30 | 2022-07-07 | 北京金风科创风电设备有限公司 | 叶片故障诊断方法、装置、系统及存储介质 |
CN113125954A (zh) * | 2021-04-16 | 2021-07-16 | 安徽大学 | 一种电动汽车驱动电机的故障诊断方法和应用 |
WO2023231247A1 (zh) * | 2022-05-31 | 2023-12-07 | 金风科技股份有限公司 | 风力发电机组的维护方法、装置及设备 |
CN115596620A (zh) * | 2022-12-15 | 2023-01-13 | 深圳鹏锐信息技术股份有限公司(Cn) | 基于人工智能的风力发电机组故障智能分析方法及系统 |
CN115596620B (zh) * | 2022-12-15 | 2023-03-07 | 深圳鹏锐信息技术股份有限公司 | 基于人工智能的风力发电机组故障智能分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105508149B (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105508149A (zh) | 用于风力发电机组的故障检测方法及装置 | |
CN107346357B (zh) | 一种基于整体耦合模型的海上风机疲劳分析系统 | |
KR101519483B1 (ko) | 풍력발전단지의 시뮬레이션 장치 | |
KR102403593B1 (ko) | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 | |
CN110905732B (zh) | 风电机组风轮不平衡的辨识方法、系统及储存介质 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN108918161B (zh) | 一种测试标定系统及控制方法 | |
CN104018988A (zh) | 基于物理组件模型和实时数据的风力发电机组监测系统 | |
CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
CN104074687A (zh) | 一种用于兆瓦级风电机组的载荷及性能测试方法及装置 | |
CN104564542A (zh) | 一种基于大数据技术的故障诊断系统及其诊断方法 | |
CN102830692A (zh) | 风电机组主控制系统低电压穿越一致性测试系统及其方法 | |
WO2023173701A1 (zh) | 海上风电机组控制系统及控制方法 | |
CN108593231A (zh) | 运载火箭随机振动试验条件确定方法 | |
CN105508146B (zh) | 风力发电机组的偏航测试系统 | |
Matzke et al. | Full scale system simulation of a 2.7 MW wind turbine on a system test bench | |
CN103675356A (zh) | 基于粒子群优化的风速仪故障检测方法和系统 | |
CN105332862A (zh) | 用于检测风力发电机组工作状态的方法、装置和系统 | |
Simani et al. | Fault diagnosis of a wind turbine simulated model via neural networks | |
CN104215849A (zh) | 一种潮流能发电装置模拟测试平台及测试方法 | |
CN106338307A (zh) | 具有偏航状态监测功能的风电机组状态监测系统和方法 | |
CN114268112B (zh) | 基于相量测量单元优化配置的静态电压稳定裕度预测方法 | |
CN113504302B (zh) | 风机叶片状态监测的方法、系统、电子设备及存储介质 | |
CN114294172A (zh) | 风电机组塔架一阶频率测量方法及装置 | |
CN114297798A (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |