CN107229017A - 一种风力发电机组变桨蓄电池异常故障预测方法 - Google Patents
一种风力发电机组变桨蓄电池异常故障预测方法 Download PDFInfo
- Publication number
- CN107229017A CN107229017A CN201710009019.6A CN201710009019A CN107229017A CN 107229017 A CN107229017 A CN 107229017A CN 201710009019 A CN201710009019 A CN 201710009019A CN 107229017 A CN107229017 A CN 107229017A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal failure
- abnormal
- failure
- hiding information
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Abstract
一种风力发电机组变桨蓄电池异常故障预测方法,包括如下步骤:首先对历史的变桨蓄电池异常故障数据和同时刻可导致变桨蓄电池异常故障的相关变量数据进行处理,消除数据噪声,处理因检测系统引起的异常数据;然后从处理后的数据中挖掘出变桨蓄电池异常故障的隐藏信息,将该隐藏信息与处理后的数据进行相似性分析,构造出异常故障分类器模型;最后,采用异常故障分类器对实时数据及隐藏信息进行分类,检索变桨蓄电池异常故障案例库,匹配与实时数据、隐藏信息、以及分类结果最具相似度的故障信息,作出预测,随后用实际情况验证预测结果,并根据验证结果完善故障案例库或加权修正异常故障分类器,实现异常故障的准确预测。
Description
技术领域
本发明涉及一种风力发电机组变桨蓄电池异常故障预测方法。
背景技术
随着风电机组运行时间的延长,变桨蓄电池异常故障数量大幅度增长。变桨蓄电池出现故障或缺少针对性的维护都会增加机组停止运行的时间,造成发电量的损失。
大多数变桨蓄电池检测方法主要是从增加蓄电池测量装置,信号处理单元等方法来检测蓄电池,可以得到准确的检测数据,但需要费用购买专用设备,甚至需要更改变桨蓄电池的柜体结构。
目前的一种检测方法通过系统操作平台调节模拟的风力发电机组桨叶,触发紧急顺桨命令,记录顺桨数据,然后用顺桨数据分析蓄电池性能,并与蓄电池标准参数做对比,从而检测出性能下降的蓄电池。这种方法依据模拟测试的顺桨数据,而得出蓄电池的性能评价,忽略了蓄电池是风电机组的一部分,它的性能不只受自身顺桨运行的影响,也会受到机组运行状态的影响,另外,模拟测试机组的紧急顺桨并不能完全等同于实际机组的紧急顺桨,同样,模拟记录的顺桨数据也不能全面准确的包含蓄电池的性能信息。
以往的方法虽能检测出性能下降的蓄电池,但却无法判断蓄电池性能下降的原因,也不能提前预测蓄电池的异常,使维护和更换工作变得滞后且没有针对性,增加人力物力的成本。
发明内容
本发明的目的是克服现有技术的缺点,提出一种风力发电机组变桨蓄电池异常故障预测方法。本发明可推断出变桨蓄电池性能下降的原因,且能防范于未然,提前预测蓄电池的异常,从而降低变桨蓄电池的异常故障率,减少机组因蓄电池异常故障停机造成的效益损失。
本发明对变桨蓄电池异常故障数据和同时刻可导致变桨蓄电池异常故障的相关变量数据进行处理,从处理后的数据中挖掘出变桨蓄电池异常故障的隐藏信息,用隐藏信息与处理后数据的相似性构造异常故障分类器模型,然后使用分类器对实时数据及隐藏信息进行分类,并将分类结果、实时数据及隐藏信息与异常故障案例库中的数据进行相似度比较,以相似度高低来预测变桨蓄电池异常故障。同时,通过实际结果完善异常故障案例库,或修正异常故障分类器模型。
具体步骤如下:
首先,对变桨蓄电池异常故障数据和同时刻可导致变桨蓄电池异常故障的相关变量数据进行处理,剔除因检测系统引起的异常数据和孤立点数据。从处理后的数据中挖掘出反映变桨蓄电池性能异常的隐藏信息,用隐藏信息数据、处理后的数据和维修记录数据建立异常故障案例库。
其次,用处理后的数据与挖掘出的隐藏信息的相似性构建异常故障分类器模型。将实时数据和隐藏信息输入异常故障分类器,得到故障类别。用故障类别、隐藏信息和实时数据与异常故障案例库中的数据进行匹配,计算得到与异常故障案例库中匹配程度最高的案例,进行故障预测。
最后,通过对比实际结果与预测结果是否一致,来补充异常故障案例库,或加权修正异常故障分类器模型。
本发明提出的变桨蓄电池异常故障预测方法,有以下优点:方便在数据采集与监视控制系统里实现该预测功能;从大量历史故障数据中挖掘有效信息,构造异常故障分类器模型,建立故障案例库,成本低,针对性强,故障判断准确性高;通过实时数据的分析,及时发现潜在的故障,提出了变桨蓄电池异常故障预测方法,从而在最早的时间发现蓄电池的异常,以对其进行及时的维护和更换。
附图说明
图1本发明流程图。
具体实施方式
下面结合附图和具体实施方式进一步说明本发明。
如图1所示,本发明实施例的具体步骤如下:
1、数据文件合成处理
从PLC控制器里和数据采集与监视控制系统里导出需要处理的数据,包括历史的运行数据和历史的故障数据。根据维修记录先从历史的运行数据中提取出机组状态、偏航状态、轮毂温度、机组振动加速度等相关变量数据,再从历史的故障数据中提取出故障时间、变桨蓄电池电压、故障代码等异常故障数据,然后将两次提取的数据合并成一个数据文件,剔除该数据文件里因检测系统引起的异常数据和孤立点数据。该步骤采用蓄电池实际运行数据和相关变量数据作为预测方法的来源,成本低且包含异常故障的根源信息。
2、挖掘隐藏信息
对处理后的数据进行关联规则分析,挖掘出有效信息,比如:机组振动加速度与蓄电池电压,轮毂温度与蓄电池电压,蓄电池使用时间与蓄电池电压等的关联性,并从数据文件中统计出变桨蓄电池是第几次故障、各次故障代码组合、蓄电池使用时间等,分别增加到数据文件的不同列构成新的数据文件。
3、建立异常故障案例库
在数据采集与监视控制系统里用SQL或MySQL数据库软件对步骤2中新的数据文件内容按数据间的相互关联,结合维修记录数据,以风场和机组号建立异常故障案例库。这种方法建立案例库可以提高案例匹配速度,减少异常故障诊断时间;
4、建立异常故障分类器模型
将步骤2中新的数据文件里的每一行数据组成一个多维向量,即异常故障向量,向量间通过余弦相似性分析方法划分故障类别,用贝叶斯分类器算法得到该故障事件所属的类别。相对其他适用的分类器,贝叶斯分类器是一种错误概率较小的分类器。
5、异常故障预测
实时采集蓄电池电压及相关变量等数据,结合对应的隐藏信息,输入异常故障分类器模型,得到故障类别。将故障类别、实时数据和隐藏信息与故障案例库进行相似度比较,通过计算pearson相关系数得到与案例库中匹配程度最高的案例,作出异常故障预测。本发明方法可以在最早的时间发现蓄电池的异常,且能对异常原因进行定位。
6、实时优化完善异常故障预测方法
将步骤5中的预测结果与实际结果进行对比,如果一致则直接扩充异常故障案例库;如果不一致则按步骤2中数据间的关联性对异常故障向量的对应项赋予一定的权重,以此来改进异常故障分类器模型,从而作出准确的预测。步骤5中实时数据及隐藏信息加工处理成案例库的数据存储形式,方便直接扩充完善;实时优化完善异常故障分类器模型,可以保证预测方法准确可靠。
Claims (2)
1.一种风力发电机组变桨蓄电池异常故障预测方法,其特征是,对变桨蓄电池异常故障数据和同时刻可导致变桨蓄电池异常故障的相关变量数据进行处理,从处理后的数据中挖掘出变桨蓄电池异常故障的隐藏信息,用隐藏信息与处理后数据的相似性构造异常故障分类器模型,然后使用分类器对实时数据及隐藏信息进行分类,并将分类结果、实时数据及隐藏信息与异常故障案例库中的数据进行相似度比较,以相似度高低来预测变桨蓄电池异常故障;同时,通过实际结果完善异常故障案例库或修正异常故障分类器。
2.根据权利要求1所述的风力发电机组变桨蓄电池异常故障预测方法,其特征是:所述异常故障预测方法的具体步骤如下:
首先,对变桨蓄电池异常故障数据和同时刻可导致变桨蓄电池异常故障的相关变量数据进行处理,剔除因检测系统引起的异常数据和孤立点数据;从处理后的数据中挖掘出反映变桨蓄电池性能异常的隐藏信息,用隐藏信息数据、处理后的数据和维修记录数据建立异常故障案例库;
其次,用处理后的数据与挖掘出的隐藏信息的相似性构建异常故障分类器模型;将实时数据及隐藏信息输入异常故障分类器,得到故障类别;用故障类别、隐藏信息和实时数据与异常故障案例库中的数据进行匹配,计算得到与异常故障案例库中匹配程度最高的案例,进行异常故障预测;
最后,通过对比实际结果与预测结果是否一致来补充异常故障案例库,或加权修正异常故障分类器模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710009019.6A CN107229017B (zh) | 2017-01-06 | 2017-01-06 | 一种风力发电机组变桨蓄电池异常故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710009019.6A CN107229017B (zh) | 2017-01-06 | 2017-01-06 | 一种风力发电机组变桨蓄电池异常故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107229017A true CN107229017A (zh) | 2017-10-03 |
CN107229017B CN107229017B (zh) | 2019-07-09 |
Family
ID=59932262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710009019.6A Expired - Fee Related CN107229017B (zh) | 2017-01-06 | 2017-01-06 | 一种风力发电机组变桨蓄电池异常故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107229017B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058133A (zh) * | 2019-04-15 | 2019-07-26 | 杭州拓深科技有限公司 | 一种基于反馈机制的电气线路故障电弧误报优化方法 |
CN110596603A (zh) * | 2019-09-24 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池信息的生成方法和装置 |
CN111459906A (zh) * | 2020-03-02 | 2020-07-28 | 西安工业大学 | 一种电机数据库的建立方法 |
CN113759876A (zh) * | 2021-09-14 | 2021-12-07 | 西安交通大学 | 基于案例推理的风电机组故障诊断方法及系统 |
CN113984111A (zh) * | 2021-09-30 | 2022-01-28 | 北京华能新锐控制技术有限公司 | 基于外部环境变化的风电机组控制方法与装置 |
CN116381490A (zh) * | 2023-06-05 | 2023-07-04 | 江苏铭星智能家居有限公司 | 一种基于数据分析的推杆电机性能检测系统及方法 |
CN117825973B (zh) * | 2024-03-01 | 2024-05-17 | 深圳市健网科技有限公司 | 一种用于分布式储能系统的锂电池状态估计方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526586A (zh) * | 2009-04-17 | 2009-09-09 | 上海电力学院 | 一种发电机组嵌入式远程状态监测系统 |
CN102053227A (zh) * | 2009-10-30 | 2011-05-11 | 中国移动通信集团甘肃有限公司 | 蓄电池容量测量方法、测量单元、控制单元及系统 |
CN102778654A (zh) * | 2012-07-27 | 2012-11-14 | 广东明阳风电产业集团有限公司 | 一种风力发电机组变桨蓄电池的检测系统及其检测方法 |
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
KR20150001192A (ko) * | 2013-06-26 | 2015-01-06 | 권동채 | 전기자전거용 배터리의 기능검사시스템 |
CN104267346A (zh) * | 2014-09-10 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种发电机励磁系统故障远程诊断方法 |
JP2015059933A (ja) * | 2013-09-20 | 2015-03-30 | 株式会社東芝 | 二次電池の異常診断装置及び異常診断方法 |
CN104765004A (zh) * | 2015-03-23 | 2015-07-08 | 北京天诚同创电气有限公司 | 风力发电机组变桨电池的检测方法和系统 |
-
2017
- 2017-01-06 CN CN201710009019.6A patent/CN107229017B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526586A (zh) * | 2009-04-17 | 2009-09-09 | 上海电力学院 | 一种发电机组嵌入式远程状态监测系统 |
CN102053227A (zh) * | 2009-10-30 | 2011-05-11 | 中国移动通信集团甘肃有限公司 | 蓄电池容量测量方法、测量单元、控制单元及系统 |
CN102778654A (zh) * | 2012-07-27 | 2012-11-14 | 广东明阳风电产业集团有限公司 | 一种风力发电机组变桨蓄电池的检测系统及其检测方法 |
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
KR20150001192A (ko) * | 2013-06-26 | 2015-01-06 | 권동채 | 전기자전거용 배터리의 기능검사시스템 |
JP2015059933A (ja) * | 2013-09-20 | 2015-03-30 | 株式会社東芝 | 二次電池の異常診断装置及び異常診断方法 |
CN104267346A (zh) * | 2014-09-10 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种发电机励磁系统故障远程诊断方法 |
CN104765004A (zh) * | 2015-03-23 | 2015-07-08 | 北京天诚同创电气有限公司 | 风力发电机组变桨电池的检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
张岩: "蓄电池故障诊断", 《农机使用与维修》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058133A (zh) * | 2019-04-15 | 2019-07-26 | 杭州拓深科技有限公司 | 一种基于反馈机制的电气线路故障电弧误报优化方法 |
CN110058133B (zh) * | 2019-04-15 | 2021-03-02 | 杭州拓深科技有限公司 | 一种基于反馈机制的电气线路故障电弧误报优化方法 |
CN110596603A (zh) * | 2019-09-24 | 2019-12-20 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池信息的生成方法和装置 |
CN111459906A (zh) * | 2020-03-02 | 2020-07-28 | 西安工业大学 | 一种电机数据库的建立方法 |
CN111459906B (zh) * | 2020-03-02 | 2022-11-15 | 西安工业大学 | 一种电机数据库的建立方法 |
CN113759876A (zh) * | 2021-09-14 | 2021-12-07 | 西安交通大学 | 基于案例推理的风电机组故障诊断方法及系统 |
CN113984111A (zh) * | 2021-09-30 | 2022-01-28 | 北京华能新锐控制技术有限公司 | 基于外部环境变化的风电机组控制方法与装置 |
CN116381490A (zh) * | 2023-06-05 | 2023-07-04 | 江苏铭星智能家居有限公司 | 一种基于数据分析的推杆电机性能检测系统及方法 |
CN116381490B (zh) * | 2023-06-05 | 2023-08-11 | 江苏铭星智能家居有限公司 | 一种基于数据分析的推杆电机性能检测系统及方法 |
CN117825973B (zh) * | 2024-03-01 | 2024-05-17 | 深圳市健网科技有限公司 | 一种用于分布式储能系统的锂电池状态估计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107229017B (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229017A (zh) | 一种风力发电机组变桨蓄电池异常故障预测方法 | |
Xiang et al. | Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mechanism | |
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
CN108038049B (zh) | 实时日志控制系统及控制方法、云计算系统及服务器 | |
Marugán et al. | Reliability analysis of detecting false alarms that employ neural networks: A real case study on wind turbines | |
US8112368B2 (en) | Method, apparatus and computer program product for predicting a fault utilizing multi-resolution classifier fusion | |
CN102870057B (zh) | 机械设备的诊断装置、诊断方法及诊断程序 | |
CN109026563B (zh) | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN112611584B (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
EP3564526B1 (en) | Method, electronic device and storage media for monitoring a fatigue damage of a blade of a wind turbine unit | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
Koltsidopoulos Papatzimos et al. | Offshore wind turbine fault alarm prediction | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
Jia et al. | Review on engine vibration fault analysis based on data mining | |
CN207992717U (zh) | 一种水电站闸门在线状态监测系统 | |
Godwin et al. | Classification and detection of electrical control system faults through SCADA data analysis | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
Corrêa et al. | Data-driven approach for labelling process plant event data | |
CN110210634A (zh) | 基于大数据驱动的民航发动机故障诊断与健康管理系统 | |
CN103984851A (zh) | 利用改进灰色模型对变速箱进行剩余寿命预测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190709 Termination date: 20220106 |