CN107355342A - 风力发电机组变桨异常的识别方法及装置 - Google Patents
风力发电机组变桨异常的识别方法及装置 Download PDFInfo
- Publication number
- CN107355342A CN107355342A CN201710523174.XA CN201710523174A CN107355342A CN 107355342 A CN107355342 A CN 107355342A CN 201710523174 A CN201710523174 A CN 201710523174A CN 107355342 A CN107355342 A CN 107355342A
- Authority
- CN
- China
- Prior art keywords
- pitch angle
- angle signal
- sequence
- blade
- saltus step
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000002547 anomalous effect Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 8
- 210000004209 hair Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明提供了一种风力发电机组变桨异常的识别方法及装置,该方法包括:获取每个桨叶的桨距角信号;根据每个桨叶的桨距角信号确定是否发生变桨异常,变桨异常包括桨距角跳变或桨距角不同步,能够在风力发电机组发生变桨故障前处于变桨异常状态时,快速识别出该变桨异常状态,特别是识别出桨距角跳变或桨距角不同步,进而能够及时对变桨异常状态进行处理,有效防止变桨电机等关键部件的损坏,并有效提高风力发电机组输出的有功功率。
Description
技术领域
本发明实施例涉及风力发电技术领域,尤其涉及一种风力发电机组变桨异常的识别方法及装置。
背景技术
风力发电机组的变桨控制是根据风速来确定变桨速度,进而对桨叶的桨距角进行调整的过程。变桨控制的原理为:机舱上面的风速仪测量风速,把风速信息传送到塔底柜,塔底柜中的控制器对风速信息进行分析并计算出变桨速度需求值,并把变桨信息需求值传送到轮毂变桨系统的中心箱,中心箱将变桨速度需求值转送给3个轴箱,轴箱根据变桨速度需求值通过变桨驱动来调节桨叶的桨距角。
通过变桨控制,一方面可以改变风力发电机组的转速和功率输出,另一方面还可以改变风力发电机组的受力。调整后的桨叶的桨距角在0度到90度之间。在桨叶位于做功位置时桨叶最大的面积几乎是朝着风向的,着风面积最大。当利用桨叶刹车时,桨叶的前端是朝着风向的,着风面积最小。
目前风力发电机组的变桨控制中对变桨异常的判断是故障级别的,即当变桨出现明确的故障特征时执行故障停机,这种对变桨的处理方法无法从早期识别出异常状态,若风力发电机组长期运行在该状态下,会导致风力发电机组输出的有功功率下降,并导致变桨电机等关键部件的损坏。
发明内容
本发明实施例提供一种风力发电机组变桨异常的识别方法及装置,解决了现有技术中的变桨处理方法无法从早期识别出异常状态,使风力发电机组长期运行在异常状态下导致风力发电机组输出的有功功率下降,变桨电机等关键部件的损坏的技术问题。
第一方面,本发明实施例提供一种风力发电机组变桨异常的识别方法,包括:
获取每个桨叶的桨距角信号;
根据每个桨叶的所述桨距角信号确定是否发生变桨异常,所述变桨异常包括桨距角跳变或桨距角不同步。
其中,桨距角跳变为有至少一个桨叶的桨距角信号在一个或一个以上采样周期内与其他桨叶的桨距角信号之间存在差异;桨距角不同步为在所有采样周期内相邻两个桨叶的桨距角信号之间存在差异。
第二方面,本发明实施例提供一种风力发电机组变桨异常的识别装置,包括:
桨距角信号获取程序模块,用于获取每个桨叶的桨距角信号;
变桨异常识别程序模块,用于根据每个桨叶的所述桨距角信号确定是否发生变桨异常,所述变桨异常包括桨距角跳变或桨距角不同步。
第三方面,本发明实施例提供了一种计算机设备,包括处理器和存储计算机指令的存储器,所述计算机指令被处理器运行时,处理器执行上述所述方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如上述所述方法。
本发明实施例提供一种风力发电机组变桨异常的识别方法及装置,通过获取每个桨叶的桨距角信号;根据每个桨叶的桨距角信号确定是否发生变桨异常,变桨异常包括桨距角跳变或桨距角不同步,能够在风力发电机组发生变桨故障前处于变桨异常状态时,快速识别出该变桨异常状态,特别是识别出桨距角跳变或桨距角不同步,进而能够及时对变桨异常状态进行处理,有效防止变桨电机等关键部件的损坏,并有效提高风力发电机组输出的有功功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明风力发电机组变桨异常的识别方法实施例一的流程图;
图2为本发明实施例一中变桨正常状态下的各个桨叶的桨距角信号的示意图;
图3为本发明实施例一中桨距角跳变状态下的各个桨叶的桨距角信号的示意图;
图4为本发明实施例一中桨距角不同步状态下的各个桨叶的桨距角信号的示意图;
图5为本发明风力发电机组变桨异常的识别方法实施例二的流程图;
图6为本发明实施例二中每个跳变特征序列的示意图;
图7为本发明实施例二中任意相邻两个桨叶的桨距角信号对应的余弦相似度序列的示意图;
图8为本发明风力发电机组变桨异常的识别装置实施例一的结构示意图;
图9为本发明风力发电机组变桨异常的识别装置实施例二的结构示意图;
图10为本发明计算机设备实施例一的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
为了清楚起见,首先说明本发明使用的特定词或短语的定义。
桨距角跳变:有至少一个桨叶的桨距角信号在一个或一个以上采样周期内与其他桨叶的桨距角信号之间存在差异。
桨距角不同步:在所有采样周期内相邻两个桨叶的桨距角信号之间存在差异。
余弦相似度:又称为余弦相似性,通过计算两个向量的夹角余弦值来评估它们的相似度。两个向量的夹角越小,余弦值越接近于1,它们的方向更加吻合,则越相似。
图1为本发明风力发电机组变桨异常的识别方法实施例一的流程图,如图1所示,则本实施例提供的风力发电机组变桨异常的识别方法的执行主体为风力发电机组变桨异常的识别装置,该风力发电机组变桨异常的识别装置可集成在风力发电机组的主控系统中,或者集成在与风力发电机组相连的外部平台上,本实施例对此不做限定。则本实施例提供的风力发电机组变桨异常的识别方法包括以下几个步骤。
步骤101,获取每个桨叶的桨距角信号。
具体地,本实施例中,每个桨叶的桨距角信号的获取方式可以为实时测量的方法或者为从主控存储器中读取风力发电机组故障文件,从风力发电机组的故障文件中的故障记录参数中获取,本实施例中对此不做限定。
具体地,若每个桨叶的桨距角信号的获取方式为实时测量的方法,则采用旋转编码器进行实时测量。本实施例中,每个桨叶轴承的内齿圈和对应的旋转编码器的测量小齿轮啮合,测量小齿轮把桨叶转动的信号传给对应的旋转编码器,经过旋转编码器的计数作用把该桨叶的桨距角测算出来,通常每个风力发电机组有三个桨叶,因此会测量出三个桨距角信号。
具体地,若每个桨叶的桨距角信号的获取方式为从风力发电机组的故障文件的故障记录参数中获取的,则该风力发电机组的故障文件为在风力发电机组发生故障时自动生成的,并存储于机组的主控存储器中。风力发电机组的故障每触发一次,就会有一个故障文件生成,该故障文件记录了风力发电机组每次故障前90s至故障后30s的主要运行参数,这些参数为风力发电机组的故障记录参数,其中包含有三个桨叶的桨距角信号,获取最近一次发生故障之前的预设时间段内的桨距角信号。发生故障之前的预设时间段可以为发生故障前的90s,采样周期可以与控制周期相同,为20ms,则获取的每个桨叶的桨距角信号为离散型信号,并且有4500个数据。其中,图2为本发明实施例一中变桨正常状态下的各个桨叶的桨距角信号的示意图,如图2所示,在变桨正常状态下的各个桨叶的桨距角信号无论在幅值还是时间上的吻合度高,没有发生某一个或多个桨距角的幅值跳变较大,或者任意两个桨距角间明显不同步的现象。
步骤102,根据每个桨叶的桨距角信号确定是否发生变桨异常,变桨异常包括桨距角跳变或桨距角不同步。
具体地,本实施例中,根据获取到的每个桨叶的桨距角信号,对每个桨距角信号按照预设策略进行处理,得到检测每个桨距角信号是否发生桨距角跳变或桨距角不同步的特征量,根据桨距角跳变的特征量判断每个桨距角是否发生桨距角跳变,并根据桨距角不同步的特征量判断每个桨距角是否发生桨距角不同步。本实施例中,对检测每个桨距角信号是否发生桨距角跳变或桨距角不同步的特征量不做限定。如检测每个桨距角信号是否发生桨距角跳变的特征量为跳变特征序列及对应的跳变阈值,检测每个桨距角信号是否发生桨距角不同步的特征量可以为任意两个桨距角信号之间的余弦相似度和不同步阈值,还可以为任意两个桨距角信号之间的差值和预设异常阈值等。
本实施例中,对检测每个桨叶是否发生桨距角跳变和检测每个桨叶是否发生桨距角不同步的先后顺序不做限定。如可以对每个桨叶是否发生桨距角跳变和桨距角不同步进行同步检测。也可以先检测每个桨叶是否发生桨距角跳变后检测每个桨叶是否发生桨距角不同步,或者先检测每个桨叶是否桨距角不同步后检测每个桨叶是否发生桨距角跳变。
本实施例中,图3为本发明实施例一中桨距角跳变状态下的各个桨叶的桨距角信号的示意图,图4为本发明实施例一中桨距角不同步状态下的各个桨叶的桨距角信号的示意图。如图3所示,三个桨距角信号中的一个出现跳变,跳变在一个或者多个周期内完成,持续一个周期或者多个周期,并且跳变幅值较大。如图4所示,三个桨距角信号中有一个桨距角信号的变化趋势与另外两个桨距角的变化趋势不同步,则说明发生了桨距角不同步。
需要说明的是,在识别出每个桨叶是否发生变桨异常后,输出识别结果,若识别结果为某一个或多个桨叶发生变桨异常,则在识别结果中可携带变桨异常的桨叶标识信息并发出变桨异常的预警并推送相应的运维建议。
本实施例提供的风力发电机组变桨异常的识别方法,通过获取每个桨叶的桨距角信号;根据每个桨叶的桨距角信号确定是否发生变桨异常,变桨异常包括桨距角跳变或桨距角不同步,能够在风力发电机组发生变桨故障前处于变桨异常状态时,快速识别出该变桨异常状态,特别是识别出桨距角跳变或桨距角不同步,进而能够及时对变桨异常状态进行处理,有效防止变桨电机等关键部件的损坏,并有效提高风力发电机组输出的有功功率。
图5为本发明风力发电机组变桨异常的识别方法实施例二的流程图,如图5所示,本实施例提供的风力发电机组变桨异常的识别方法,是在本发明风力发电机组变桨异常的识别方法实施例一的基础上,对步骤101-步骤102的进一步细化,则本实施例提供的风力发电机组变桨异常的识别方法包括以下步骤。
步骤501,获取每个桨叶的桨距角信号。
进一步地,本实施例中,获取每个桨叶的桨距角信号,具体包括:
首先,读取风力发电机组故障记录参数。
具体地,本实施例中,在主控存储器中存储了风力发电机组的故障文件,该风力发电机组的故障文件是在风力发电机组发生故障时自动生成的。风力发电机组的故障每触发一次,就会有一个故障文件生成,该故障文件记录了风力发电机组的故障记录参数,其中包含有三支桨叶的桨距角信号。
然后,从故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨距角信号。
具体地,本实施例中,由于每次发生故障时,故障文件均记录了风力发电机组每次故障前90s至故障后30s的主要运行参数,其中包括了三个桨叶的桨距角信号,所以获取发生故障之前的预设时间段内的桨距角信号。本实施例中,该预设时间段为90s。
本实施例中,故障文件中记录的三个桨叶的桨距角信号为离散型信号,采样周期可以与控制周期相同,为20ms,所以获取的每个桨叶的桨距角信号有4500个数据。
本实施例中,读取风力发电机组故障记录参数;从故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨距角信号,能够通过自动生成的故障文件中的故障记录参数中获取桨距角信号,无需对桨距角信号进行长期采集,使故障记录参数中的桨距角信号能够表征长期采集的桨距角信号。
步骤502,根据每个桨叶的桨距角信号确定是否发生变桨异常。
进一步地,本实施例中,根据每个桨叶的桨距角信号确定是否发生变桨异常,具体包括:
对每个桨叶是否发生桨距角跳变和/或桨距角不同步进行同步检测。
本实施例中,对每个桨叶是否发生桨距角跳变和/或桨距角不同步进行同步检测能够有效提高确定是否发生变桨异常的效率。
进一步地,本实施例中,变桨异常包括桨距角跳变;根据各个桨叶的桨距角信号确定是否发生变桨异常,具体包括步骤502a1-步骤502a5。变桨异常包括桨距角不同步;根据各个桨叶的桨距角信号确定该桨叶发生是否发生变桨异常,具体包括步骤502b1-步骤502b6。
进一步地,变桨异常包括桨距角跳变;根据各个桨叶的桨距角信号确定是否发生变桨异常,具体包括:
步骤502a1,计算所有桨叶的桨距角信号的全局均值和窗口均值序列。
具体地,本实施例中,计算所有桨叶的桨距角信号的全局均值,具体包括:
首先,计算每个桨距角信号的绝对值的中位数。
其次,计算所有桨距角信号绝对值的中位数的均值。
具体地,本实施例中,三个桨距角信号可分别表示为PA1、PA2和PA3,则计算每个桨距角信号的绝对值的中位数,并计算所有桨距角信号绝对值的中位数的均值可表示为式(1)所示:
M=(median(|PA1|)+median(|PA2|)+median(|PA2|))/3 (1)
其中,median|PA1|、median|PA2|、median|PA3|分别为第一桨距角信号、第二桨距角信号和第三桨距角信号的绝对值的中位数,M为所有桨距角信号绝对值的中位数的均值。
最后,将均值和预设数值中的最大值确定为全局均值。
具体地,本实施例中,将均值和预设数值中的最大值确定为全局均值可表示为式(2)所示:
A=max(N,M) (2)
其中,N为预设数值,该预设数值是对本实施例提供的识别是否桨距角跳变进行多次应用后,寻优得到的,在本实施例中该预设数值为0.5。
本实施例中,将均值和预设数值中的最大值确定为全局均值是为了避免在后续计算桨距角信号的跳变特征序列中,全局均值作为除数,由于过小会造成桨距角信号的跳变特征序列的值是无穷大,影响判断结果的现象发生。
本实施例中,计算所有桨叶的桨距角信号的全局均值能够从整体上把握桨距角信号是否发生桨距角跳变。
具体地,本实施例中,计算所有桨叶的桨距角信号的窗口均值序列,具体包括:
首先,计算同一采样时刻所有桨叶的桨距角信号的均值序列。
具体地,计算同一采样时刻所有桨叶的桨距角信号的均值序列可表示为式(3)所示:
Xj=(PA1j+PA2j+PA3j)/3 (3)
其中,Xj为同一采样时刻所有桨叶的桨距角信号的均值序列,其中,j为均值序列中均值的个数,其也为每个桨距角信号的采样个数。
其次,在预设时间段内设置多个第一窗口,计算每个第一窗口内的均值序列的均值。
本实施例中,可通过滑动窗口的形式在预设时间段内设置多个第一窗口,每个第一窗口的长度相等,每次滑动一个数据点,第一窗口长度通过寻优得到。以第一窗口长度为5为例,计算每个第一窗口内的均值序列的均值可表示为式(3)所示:
最后,基于所有第一窗口内的均值序列的均值形成窗口均值序列。
具体地,在每个第一窗口中具有一个均值序列的均值,将所有第一窗口内的均值序列的均值形成窗口均值序列。
需要说明的是,Yj序列的前两个数均为Xk的前5个数的平均值,Yj序列的最后两个数均为Xk的后5个数的平均值,经过这样处理后的Yj序列的数据长度仍为j,与桨距角信号的长度相同。
本实施例中,计算所有桨叶的桨距角信号的窗口均值序列可从局部上把握桨距角信号是否发生桨距角跳变。
步骤502a2,确定全局均值分别和窗口均值序列中每个窗口均值的最大值,形成最大值序列。
具体地,本实施例中,确定全局均值分别和窗口均值序列中每个窗口均值的最大值,形成最大值序列可表示为式(4)所示:
Avj=pmax(Yj,A) (4)
其中,pmax为确定最大值序列的函数,Avj为最大值序列。
本实施例中,将全局均值分别与窗口均值序列中每个窗口均值进行比较,取出最大值,所有最大值形成的序列为最大值序列,其中,最大值序列的长度与窗口均值序列的长度相同,均为j。
步骤502a3,根据任意相邻两个桨叶的桨距角信号之间的差值及最大值序列计算每个跳变特征序列。
进一步地,本实施例中,风力发电机组包括第一桨叶、第二桨叶和第三桨叶,所以确定的跳变特征序列有三个。
本实施例中,图6为本发明实施例二中每个跳变特征序列的示意图,如图6所示,根据任意相邻两个桨叶的桨距角信号之间的差值及最大值序列计算每个跳变特征序列,具体包括:
在预设时间内,将每个采样时刻的第二桨叶的桨距角信号和第三桨叶的桨距角信号的差值与最大值序列的比值所构成的序列作为第一跳变特征序列。具体可表示为式(5)所示:
B1=(PA2j-PA3j)/Avj (5)
在预设时间内,将每个采样时刻的第一桨叶的桨距角信号和第三桨叶的桨距角信号的差值与最大值序列的比值所构成的序列作为第二跳变特征序列。具体可表示为式(6)所示:
B2=(PA1j-PA3j)/Avj (6)
在预设时间内,将每个采样时刻的第一桨叶的桨距角信号和第二桨叶的桨距角信号的差值与最大值序列的比值所构成的序列作为第三跳变特征序列。具体可表示为式(7)所示:
B3=(PA1j-PA2j)/Avj (7)
步骤502a4,计算三个跳变特征序列的标准差和预设分位点,根据标准差和预设分位点确定跳变阈值。
进一步地,根据三个跳变特征序列,确定跳变阈值。在确定跳变阈值时,计算三个跳变特征序列的标准差和预设分位点,其中,预设分位点可以为75%分位点。标准差可以反映数据波动大小,75%分位点可以反映出大部分数据的分布范围,通过以上两个指标的综合作用可以确定跳变阈值。
优选地,本实施例中,根据标准差和预设分位点确定跳变阈值,具体包括:
计算标准差的5倍数值和75%的分位点的10倍数值;将标准差的5倍数值和75%的分位点的10倍数值中的最大值确定为跳变阈值。具体可表示为式(8)所示:
T=max(5*sd(B),10*quantile(abs(B))[4])) (8)
其中,B表示由三个跳变特征序列形成的跳变向量,该跳变向量的维度为4500*3。sd(B)表示三个跳变特征序列的标准差,quantile(abs(B))[4])表示三个跳变特征序列的75%分位点。
步骤502a5,根据所有跳变特征序列及跳变阈值识别桨距角信号是否发生桨距角跳变,若是,则执行步骤503,否则执行步骤504。
进一步地,本实施例中,根据所有跳变特征序列及跳变阈值识别桨距角信号是否发生桨距角跳变,具体包括:
若三个跳变特征序列的其中两个跳变特征序列在同一采样时刻的特征值均大于跳变阈值,且另一个跳变特征序列的特征值小于跳变阈值,则确定桨距角信号发生桨距角跳变。
具体地,本实施例中,判断每个采样时刻的三个跳变特征序列的跳变特征值与跳变阈值的大小,若在同一采样时刻有两个跳变特征序列的跳变特征值均大于跳变阈值,且另一个跳变特征序列的跳变特征值小于跳变阈值,则确定桨距角信号发生桨距角跳变。可表示为式(9)、式(10)或式(11)所示。
B1j>T且B2j>T且B3j<T (9)
B2j>T且B3j>T且B1j<T (10)
B1j>T且B3j>T且B2j<T (11)
其中,在式(9)、式(10)或式(11)中的同一式中,j的取值为同一值,表示在同一采样时刻对应的B值。
本实施例中,根据三个跳变特征序列的其中两个跳变特征序列在同一采样时刻的特征值均大于跳变阈值,且另一个跳变特征序列的特征值小于跳变阈值而确定的桨距角信号发生桨距角跳变,能够确定一个桨距角信号发生跳变,或两个桨距角信号同时向同一方向发生跳变。
本实施例中,根据所有跳变特征序列及跳变阈值识别桨距角信号是否发生桨距角跳变的方式还可以为其他方式,例如:可根据三个跳变特征序列的其中两个跳变特征序列在同一采样时刻的特征值均小于跳变阈值,且另一个跳变特征序列的特征值大于跳变阈值而确定的桨距角信号发生桨距角跳变,以便能够判断出发生其他跳变的情况。
进一步地,本实施例中,变桨异常包括桨距角不同步;根据各个桨叶的桨距角信号确定该桨叶发生是否发生变桨异常,具体包括:
步骤502b1,判断预设时间内任一桨叶中是否存在幅值为负的桨距角信号,若是,则执行步骤502b2,否则,执行步骤502b3。
步骤502b2,将预设时间内该桨叶的桨距角信号向上平移预设幅值,以使该桨叶的桨距角信号幅值非负。
进一步地,本实施例中,为了避免在步骤502b3中计算出的余弦相似度为负值的情况,本实施例中,首先判断预设时间内任一桨叶中是否存在幅值为负的桨距角信号,若是,则将预设时间内该桨叶的桨距角信号向上平移预设幅值,以使该桨叶的桨距角信号幅值非负。在将预设时间内该桨叶的桨距角信号向上平移时,可确定每个桨距角信号中的幅值为负的最大幅值,并将该桨距角信号整体均加上绝对值大于最大幅值的正数,以使该桨叶的桨距角信号幅值非负。
步骤502b3,在预设时间内设置多个第二窗口,计算每个第二窗口内的任意相邻两个桨叶的桨距角信号的余弦相似度。
步骤502b4,将任意相邻两个桨叶的桨距角信号对应的所有第二窗口的余弦相似度形成每个余弦相似度序列。
具体地,图7为本发明实施例二中任意相邻两个桨叶的桨距角信号对应的余弦相似度序列的示意图,如图7所示,本实施例中,可以以滑动窗口的形式在预设时间内设置多个第二窗口,每个第二窗口的长度相等,每次滑动一个采样点,第二窗口的长度为b。第二窗口的长度通过寻优获得。以第二窗口长度为5为例,计算每个第二窗口内的任意相邻两个桨叶的桨距角信号的余弦相似度,并将任意相邻两个桨叶的桨距角信号对应的所有第二窗口的余弦相似度形成每个桨距角信号的余弦相似度序列具体可表示为式(12)-式(14)所示:
其中,S11i为第一桨叶和第二桨叶间的桨距角信号的余弦相似度序列,成为第一余弦相似度序列,S23i为第二桨叶和第三桨叶间的桨距角信号的余弦相似度序列,称为第二余弦相似度序列,S31i为第三桨叶和第一桨叶间的桨距角信号的余弦相似度序列,称为第三余弦相似度序列。
需要说明的是,第一窗口的长度和第二窗口的长度可以相同,也可不同,本实施例中不做限定。
步骤502b5,判断是否在两个余弦相似度序列中同时存在小于不同步阈值的余弦相似度,若是,则执行步骤502b6,否则,执行步骤504。
步骤502b6,确定桨距角信号发生桨距角不同步。
其中,本实施例中,不同步阈值是在分析大量正常变桨的桨距角信号后确定的,通常情况下在0.92-0.97这个范围内被确定,或其他适宜的数值,本实施例中对此不做限定。
本实施例中,判断S12i、S23i、S31i中是否在两个余弦相似度序列中同时存在小于不同步阈值的余弦相似度,若是,则确定桨距角信号发生桨距角不同步。具体地,若S12i和S23i中同时存在小于不同步阈值的余弦相似度,则说明第二桨叶的桨距角信号发生桨距角不同步,若S23i和S31i中同时存在小于不同步阈值的余弦相似度,则说明第三桨叶的桨距角信号发生桨距角不同步,若S12i和S31i中同时存在小于不同步阈值的余弦相似度,则说明第一桨叶的桨距角信号发生桨距角不同步。
本实施例中,采用判断是否在两个余弦相似度序列中同时存在小于不同步阈值的余弦相似度的方法确定是否发生桨距角不同步,由于余弦相似度序列有一个渐变过程,所以能够提前发现异常趋势,并且能够提高判断发生桨距角不同步的精度。
步骤503,输出桨距角信号发生桨距角跳变或桨距角不同步的识别结果,并发出变桨异常的预警,推送相应的运维建议。
本实施例中,输出的桨距角信号发生桨距角跳变或桨距角不同步的识别结果中可携带发生变桨异常的桨叶标识信息。
本实施例中,对发出变桨异常的预警的形式不做限定,如可以以灯光、声音、信息提示等形式进行预警。
本实施例中,推动的运维建议可以为检测旋转编码器和变桨电机是否出现异常或受到干扰。
步骤504,输出桨距角信号未发生桨距角跳变或桨距角不同步的识别结果。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图8为本发明风力发电机组变桨异常的识别装置实施例一的结构示意图,如图8所示,本实施例提供的风力发电机组变桨异常的识别装置包括:桨距角信号获取程序模块81,变桨异常识别程序模块82。
其中,桨距角信号获取程序模块81,用于获取每个桨叶的桨距角信号。变桨异常识别程序模块82,用于根据每个桨叶的桨距角信号确定是否发生变桨异常,变桨异常包括桨距角跳变或桨距角不同步。
其中,桨距角跳变为有至少一个桨叶的桨距角信号在一个或一个以上采样周期内与其他桨叶的桨距角信号之间存在差异;桨距角不同步为在所有采样周期内相邻两个桨叶的桨距角信号之间存在差异。
本实施例提供的风力发电机组变桨异常的识别装置可以执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图9为本发明风力发电机组变桨异常的识别装置实施例二的结构示意图,如图9所示,本实施例提供的风力发电机组变桨异常的识别装置在本发明风力发电机组变桨异常的识别装置实施例一的基础上,进一步地,还包括以下特征。
进一步地,桨距角信号获取程序模块81,具体包括:故障记录参数读取模块811和桨距角信号获得子模块812。
其中,故障记录参数读取模块811,用于读取风力发电机组故障记录参数。桨距角信号获得子程序模块812,用于从故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨距角信号。
进一步地,变桨异常识别程序模块82,具体用于:对每个桨叶是否发生桨距角跳变和桨距角不同步进行同步检测。
进一步地,变桨异常识别程序模块82,具体包括:全局均值计算程序模块821,窗口均值序列计算程序模块822,最大值序列确定程序模块823,跳变特征序列计算程序模块824,桨距角跳变识别程序模块825。
其中,全局均值计算程序模块821,用于计算所有桨叶的桨距角信号的全局均值。窗口均值序列计算程序模块822,用于计算所有桨叶的桨距角信号的窗口均值序列。最大值序列确定程序模块823,用于确定全局均值分别和窗口均值序列中每个窗口均值的的最大值,形成最大值序列。跳变特征序列计算程序模块824,用于根据任意相邻两个桨叶的桨距角信号之间的差值及最大值序列计算每个跳变特征序列。桨距角跳变识别程序模块825,用于根据所有跳变特征序列及跳变阈值识别桨距角信号是否发生桨距角跳变。
进一步地,桨距角跳变识别程序模块825,具体用于:若三个跳变特征序列的其中两个跳变特征序列在同一采样时刻的跳变特征值均大于跳变阈值,且另一个跳变特征序列的跳变特征值小于跳变阈值,则确定桨距角信号发生桨距角跳变。
进一步地,全局均值计算程序模块821,具体包括:中位数计算程序模块821a,中位数均值计算程序模块821b,全局均值确定程序模块821c。
其中,中位数计算程序模块821a,用于计算每个桨距角信号的绝对值的中位数。中位数均值计算程序模块821b,用于计算所有桨距角信号绝对值的中位数的均值。全局均值确定程序模块821c,用于将均值和预设数值中的最大值确定为全局均值。
进一步地,窗口均值序列计算程序模块822,具体包括:均值序列计算程序模块822a,均值序列的均值计算程序模块822b,窗口均值序列确定程序模块822c。
其中,均值序列计算程序模块822a,用于计算同一采样时刻所有桨叶的桨距角信号的均值序列。均值序列的均值计算程序模块822b,用于在预设时间段内设置多个第一窗口,计算每个第一窗口内的均值序列的均值。窗口均值序列确定程序模块822c,用于将所有第一窗口内的均值序列的均值形成窗口均值序列。
进一步地,跳变特征序列计算程序模块824,具体包括:第一跳变特征序列计算程序模块824a,第二跳变特征序列计算程序模块824b,第三跳变特征序列计算程序模块824c。
其中,第一跳变特征序列计算程序模块824a,用于在预设时间内,将每个采样时刻的第二桨叶的桨距角信号和第三桨叶的桨距角信号的差值与最大值序列的比值所构成的序列作为第一跳变特征序列。第二跳变特征序列计算程序模块824b,用于在预设时间内,将每个采样时刻的第一桨叶的桨距角信号和第三桨叶的桨距角信号的差值与最大值序列的比值所构成的序列作为第二跳变特征序列。第三跳变特征序列计算程序模块824c,用于在预设时间内,将每个采样时刻的第一桨叶的桨距角信号和第二桨叶的桨距角信号的差值与最大值序列的比值所构成的序列作为第三跳变特征序列。
进一步地,变桨异常识别程序模块82,还包括:跳变阈值计算程序模块826。
其中,跳变阈值计算程序模块826,用于计算三个跳变特征序列的标准差和预设分位点;根据标准差和预设分位点确定跳变阈值。
进一步地,变桨异常识别程序模块82,具体包括:余弦相似度计算程序模块827,余弦相似度序列确定程序模块828,桨距角不同步确定程序模块829。
其中,余弦相似度计算程序模块827,用于在预设时间内设置多个第二窗口,计算每个第二窗口内的任意相邻两个桨叶的桨距角信号的余弦相似度。余弦相似度序列确定程序模块828,用于将任意相邻两个桨叶的桨距角信号对应的所有第二窗口的余弦相似度形成每个余弦相似度序列。桨距角不同步确定程序模块829,用于若两个余弦相似度序列中同时存在小于不同步阈值的余弦相似度,则确定桨距角信号发生桨距角不同步。
进一步地,变桨异常识别程序模块82,还包括:预处理程序模块8210。
其中,预处理程序模块8210,用于若预设时间内任一桨叶中存在幅值为负的桨距角信号,则将预设时间内该桨叶的桨距角信号幅值向上平移预设幅值,以使该桨叶的桨距角信号幅值非负。
本实施例提供的风力发电机组变桨异常的识别装置可以执行图2所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图10为本发明计算机设备实施例一的结构示意图,如图10所示,本实施例提供了的计算机设备,包括:处理器1001和存储计算机指令的存储器1002。
其中,计算机指令被处理器1001运行时执行本发明风力发电机组变桨异常的识别方法实施例一中的方法:即执行获取每个桨叶的桨距角信号;根据每个桨叶的所述桨距角信号确定是否发生变桨异常,所述变桨异常包括桨距角跳变或桨距角不同步。
本发明再一实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行本发明风力发电机组变桨异常的识别方法实施例一中的方法,即执行获取每个桨叶的桨距角信号;根据每个桨叶的所述桨距角信号确定是否发生变桨异常,所述变桨异常包括桨距角跳变或桨距角不同步。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (24)
1.一种风力发电机组变桨异常的识别方法,其特征在于,包括:
获取每个桨叶的桨距角信号;
根据每个桨叶的所述桨距角信号确定是否发生变桨异常,所述变桨异常包括桨距角跳变或桨距角不同步;
其中,桨距角跳变为有至少一个桨叶的桨距角信号在一个或一个以上采样周期内与其他桨叶的桨距角信号之间存在差异;桨距角不同步为在所有采样周期内相邻两个桨叶的桨距角信号之间存在差异。
2.根据权利要求1所述的方法,其特征在于,所述获取每个桨叶的桨距角信号,具体包括:
读取风力发电机组故障记录参数;
从所述故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨距角信号。
3.根据权利要求1或2所述的方法,其特征在于,所述根据每个桨叶的所述桨距角信号确定是否发生变桨异常,具体包括:
对每个桨叶是否发生桨距角跳变和/或桨距角不同步进行同步检测。
4.根据权利要求1或2所述的方法,其特征在于,所述变桨异常包括桨距角跳变,所述根据各个桨叶的所述桨距角信号确定是否发生变桨异常,具体包括:
计算所有桨叶的所述桨距角信号的全局均值和窗口均值序列;
确定所述全局均值分别和窗口均值序列中每个窗口均值的最大值,形成最大值序列;
根据任意相邻两个桨叶的桨距角信号之间的差值及所述最大值序列计算每个跳变特征序列;
根据所有跳变特征序列及跳变阈值识别桨距角信号是否发生桨距角跳变。
5.根据权利要求4所述的方法,其特征在于,所述根据所有跳变特征序列及跳变阈值识别桨距角信号是否发生桨距角跳变,具体包括:
若三个跳变特征序列的其中两个跳变特征序列在同一采样时刻的跳变特征值均大于跳变阈值,且另一个跳变特征序列的跳变特征值小于跳变阈值,则确定桨距角信号发生桨距角跳变。
6.根据权利要求5所述的方法,其特征在于,所述计算所有桨叶的所述桨距角信号的全局均值,具体包括:
计算每个桨距角信号的绝对值的中位数;
计算所有桨距角信号绝对值的中位数的均值;
将所述均值和预设数值中的最大值确定为所述全局均值。
7.根据权利要求6所述的方法,其特征在于,所述计算所有桨叶的所述桨距角信号的窗口均值序列,具体包括:
计算同一采样时刻所有桨叶的桨距角信号的均值序列;
在所述预设时间段内设置多个第一窗口,计算每个所述第一窗口内的均值序列的均值;
基于所有第一窗口内的均值序列的均值形成所述窗口均值序列。
8.根据权利要求7所述的方法,其特征在于,所述根据任意相邻两个桨叶的桨距角信号之间的差值及所述最大值序列计算每个跳变特征序列,具体包括:
在所述预设时间内,将每个采样时刻的第二桨叶的桨距角信号和第三桨叶的桨距角信号的差值与所述最大值序列的比值所构成的序列作为第一跳变特征序列;
在所述预设时间内,将每个采样时刻的第一桨叶的桨距角信号和第三桨叶的桨距角信号的差值与所述最大值序列的比值所构成的序列作为第二跳变特征序列;
在所述预设时间内,将每个采样时刻的第一桨叶的桨距角信号和第二桨叶的桨距角信号的差值与所述最大值序列的比值所构成的序列作为第三跳变特征序列。
9.根据权利要求8所述的方法,其特征在于,所述根据三个跳变特征序列及跳变阈值识别桨距角信号是否发生桨距角跳变之前,还包括:
计算三个跳变特征序列的标准差和预设分位点;
根据所述标准差和所述预设分位点确定跳变阈值。
10.根据权利要求1或2所述的方法,其特征在于,所述根据各个桨叶的所述桨距角信号确定该桨叶发生是否发生变桨异常,还包括:
在预设时间内设置多个第二窗口,计算每个所述第二窗口内的任意相邻两个桨叶的桨距角信号的余弦相似度;
将任意相邻两个桨叶的桨距角信号对应的所有所述第二窗口的余弦相似度形成每个余弦相似度序列;
若在两个余弦相似度序列中同时存在小于不同步阈值的余弦相似度,则确定所述桨距角信号发生桨距角不同步。
11.根据权利要求10所述的方法,其特征在于,所述在所述预设时间内设置多个第二窗口,计算每个所述第二窗口内的任意相邻两个桨叶的桨距角信号的余弦相似度之前,还包括:
若所述预设时间内任一桨叶中存在幅值为负的桨距角信号,则将所述预设时间内该桨叶的桨距角信号幅值向上平移预设幅值,以使该桨叶的桨距角信号幅值非负。
12.一种风力发电机组变桨异常的识别装置,其特征在于,包括:
桨距角信号获取程序模块,用于获取每个桨叶的桨距角信号;
变桨异常识别程序模块,用于根据每个桨叶的所述桨距角信号确定是否发生变桨异常,所述变桨异常包括桨距角跳变或桨距角不同步;
其中,桨距角跳变为有至少一个桨叶的桨距角信号在一个或一个以上采样周期内与其他桨叶的桨距角信号之间存在差异;桨距角不同步为在所有采样周期内相邻两个桨叶的桨距角信号之间存在差异。
13.根据权利要求12所述的装置,其特征在于,所述桨距角信号获取程序模块,具体包括:
故障记录参数读取程序模块,用于读取风力发电机组故障记录参数;
桨距角信号获得子程序模块,用于从所述故障记录参数中获取风力发电机组发生故障之前的预设时间段内的桨距角信号。
14.根据权利要求12或13所述的装置,其特征在于,所述变桨异常识别程序模块,具体用于:
对每个桨叶是否发生桨距角跳变和/或桨距角不同步进行同步检测。
15.根据权利要求12或13所述的装置,其特征在于,所述变桨异常包括桨距角跳变,所述变桨异常识别程序模块,具体包括:
全局均值计算程序模块,用于计算所有桨叶的所述桨距角信号的全局均值;
窗口均值序列计算程序模块,用于计算所有桨叶的所述桨距角信号的窗口均值序列;
最大值序列确定程序模块,用于确定所述全局均值分别和窗口均值序列中的每个窗口均值的最大值,形成最大值序列;
跳变特征序列计算程序模块,用于根据任意相邻两个桨叶的桨距角信号之间的差值及所述最大值序列计算每个跳变特征序列;
桨距角跳变识别程序模块,用于根据所有跳变特征序列及跳变阈值识别桨距角信号是否发生桨距角跳变。
16.根据权利要求15所述的装置,其特征在于,所述桨距角跳变识别程序模块,具体用于:
若三个跳变特征序列的其中两个跳变特征序列在同一采样时刻的跳变特征值均大于跳变阈值,且另一个跳变特征序列的跳变特征值小于跳变阈值,则确定桨距角信号发生桨距角跳变。
17.根据权利要求16所述的装置,其特征在于,所述全局均值计算程序模块,具体包括:
中位数计算程序模块,用于计算每个桨距角信号的绝对值的中位数;
中位数均值计算程序模块,用于计算所有桨距角信号绝对值的中位数的均值;
全局均值确定程序模块,用于将所述均值和预设数值中的最大值确定为所述全局均值。
18.根据权利要求17所述的装置,其特征在于,所述窗口均值序列计算程序模块,具体包括:
均值序列计算程序模块,用于计算同一采样时刻所有桨叶的桨距角信号的均值序列;
均值序列的均值计算程序模块,用于在所述预设时间段内设置多个第一窗口,计算每个所述第一窗口内的均值序列的均值;
窗口均值序列确定程序模块,用于基于所有第一窗口内的均值序列的均值形成所述窗口均值序列。
19.根据权利要求18所述的装置,其特征在于,所述跳变特征序列计算程序模块,具体包括:
第一跳变特征序列计算程序模块,用于在所述预设时间内,将每个采样时刻的第二桨叶的桨距角信号和第三桨叶的桨距角信号的差值与所述最大值序列的比值所构成的序列作为第一跳变特征序列;
第二跳变特征序列计算程序模块,用于在所述预设时间内,将每个采样时刻的第一桨叶的桨距角信号和第三桨叶的桨距角信号的差值与所述最大值序列的比值所构成的序列作为第二跳变特征序列;
第三跳变特征序列计算程序模块,用于在所述预设时间内,将每个采样时刻的第一桨叶的桨距角信号和第二桨叶的桨距角信号的差值与所述最大值序列的比值所构成的序列作为第三跳变特征序列。
20.根据权利要求19所述的装置,其特征在于,所述变桨异常识别程序模块,还包括:
跳变阈值计算程序模块,用于计算三个跳变特征序列的标准差和预设分位点;根据所述标准差和所述预设分位点确定跳变阈值。
21.根据权利要求12或13所述的装置,其特征在于,所述变桨异常识别程序模块,具体包括:
余弦相似度计算程序模块,用于在所述预设时间内设置多个第二窗口,计算每个所述第二窗口内的任意相邻两个桨叶的桨距角信号的余弦相似度;
余弦相似度序列确定程序模块,用于将任意相邻两个桨叶的桨距角信号对应的所有所述第二窗口的余弦相似度形成每个余弦相似度序列;
桨距角不同步确定程序模块,用于若两个余弦相似度序列中同时存在小于不同步阈值的余弦相似度,则确定所述桨距角信号发生桨距角不同步。
22.根据权利要求21所述的装置,其特征在于,所述变桨异常识别单元还包括:
预处理程序模块,用于若所述预设时间内任一桨叶中存在幅值为负的桨距角信号,则将所述预设时间内该桨叶的桨距角信号向上平移预设幅值,以使该桨叶的桨距角信号幅值非负。
23.一种计算机设备,包括处理器和存储计算机指令的存储器,其特征在于,所述计算机指令被处理器运行时,处理器执行如权利要求1所述的方法。
24.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710523174.XA CN107355342B (zh) | 2017-06-30 | 2017-06-30 | 风力发电机组变桨异常的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710523174.XA CN107355342B (zh) | 2017-06-30 | 2017-06-30 | 风力发电机组变桨异常的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107355342A true CN107355342A (zh) | 2017-11-17 |
CN107355342B CN107355342B (zh) | 2019-04-23 |
Family
ID=60274076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710523174.XA Active CN107355342B (zh) | 2017-06-30 | 2017-06-30 | 风力发电机组变桨异常的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107355342B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089078A (zh) * | 2017-12-07 | 2018-05-29 | 北京能源集团有限责任公司 | 设备劣化预警方法及系统 |
CN109086793A (zh) * | 2018-06-27 | 2018-12-25 | 东北大学 | 一种风力发电机的异常识别方法 |
CN109707563A (zh) * | 2018-12-26 | 2019-05-03 | 北京金风科创风电设备有限公司 | 变桨驱动器重启控制方法、装置及风力发电机组 |
CN110322895A (zh) * | 2018-03-27 | 2019-10-11 | 亿度慧达教育科技(北京)有限公司 | 语音评测方法及计算机存储介质 |
CN110646202A (zh) * | 2018-06-08 | 2020-01-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN111412116A (zh) * | 2020-04-30 | 2020-07-14 | 河北新天科创新能源技术有限公司 | 一种风机变桨轴承的失效分析方法 |
CN113027698A (zh) * | 2019-12-25 | 2021-06-25 | 新疆金风科技股份有限公司 | 风力发电机组的变桨控制回路异常的检测方法和装置 |
CN113090474A (zh) * | 2021-04-20 | 2021-07-09 | 华电电力科学研究院有限公司 | 一种基于数据分类标识的风电机组变桨异常监测方法 |
CN113236485A (zh) * | 2021-05-26 | 2021-08-10 | 李晓程 | 一种风电机组提高风能利用率的控制方法及其控制系统 |
CN113404651A (zh) * | 2020-03-16 | 2021-09-17 | 北京金风科创风电设备有限公司 | 风力发电机组的数据异常检测方法和装置 |
CN113969871A (zh) * | 2020-07-23 | 2022-01-25 | 新疆金风科技股份有限公司 | 变桨系统的齿形带的预警方法和预警装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101660493A (zh) * | 2008-08-29 | 2010-03-03 | 维斯塔斯风力系统有限公司 | 用于测试桨距系统故障的桨距控制系统 |
CN101918710A (zh) * | 2007-11-07 | 2010-12-15 | 维斯塔斯风力系统集团公司 | 桨距和负载缺陷的诊断 |
CN101994647A (zh) * | 2009-08-28 | 2011-03-30 | 西门子公司 | 风力涡轮的控制方法、中央控制器及其系统 |
CN102748215A (zh) * | 2012-07-12 | 2012-10-24 | 国电南京自动化股份有限公司 | 风力发电机组的安全链系统及其故障快速识别方法 |
CN102889172A (zh) * | 2012-10-16 | 2013-01-23 | 国电联合动力技术有限公司 | 一种顺序记录风力发电机组故障的系统和方法 |
CN104728040A (zh) * | 2013-12-20 | 2015-06-24 | 西门子公司 | 检测桨距角调整故障 |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN106150900A (zh) * | 2016-06-30 | 2016-11-23 | 华仪风能有限公司 | 双馈‑异步风力发电系统及其运行方法 |
-
2017
- 2017-06-30 CN CN201710523174.XA patent/CN107355342B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101918710A (zh) * | 2007-11-07 | 2010-12-15 | 维斯塔斯风力系统集团公司 | 桨距和负载缺陷的诊断 |
CN101660493A (zh) * | 2008-08-29 | 2010-03-03 | 维斯塔斯风力系统有限公司 | 用于测试桨距系统故障的桨距控制系统 |
CN101994647A (zh) * | 2009-08-28 | 2011-03-30 | 西门子公司 | 风力涡轮的控制方法、中央控制器及其系统 |
CN102748215A (zh) * | 2012-07-12 | 2012-10-24 | 国电南京自动化股份有限公司 | 风力发电机组的安全链系统及其故障快速识别方法 |
CN102889172A (zh) * | 2012-10-16 | 2013-01-23 | 国电联合动力技术有限公司 | 一种顺序记录风力发电机组故障的系统和方法 |
CN104728040A (zh) * | 2013-12-20 | 2015-06-24 | 西门子公司 | 检测桨距角调整故障 |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN106150900A (zh) * | 2016-06-30 | 2016-11-23 | 华仪风能有限公司 | 双馈‑异步风力发电系统及其运行方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089078A (zh) * | 2017-12-07 | 2018-05-29 | 北京能源集团有限责任公司 | 设备劣化预警方法及系统 |
CN110322895A (zh) * | 2018-03-27 | 2019-10-11 | 亿度慧达教育科技(北京)有限公司 | 语音评测方法及计算机存储介质 |
CN110646202A (zh) * | 2018-06-08 | 2020-01-03 | 西门子股份公司 | 用于检测轴承的磨损的方法和装置 |
CN109086793A (zh) * | 2018-06-27 | 2018-12-25 | 东北大学 | 一种风力发电机的异常识别方法 |
CN109707563A (zh) * | 2018-12-26 | 2019-05-03 | 北京金风科创风电设备有限公司 | 变桨驱动器重启控制方法、装置及风力发电机组 |
CN109707563B (zh) * | 2018-12-26 | 2021-06-11 | 北京金风科创风电设备有限公司 | 变桨驱动器重启控制方法、装置及风力发电机组 |
CN113027698B (zh) * | 2019-12-25 | 2022-07-12 | 新疆金风科技股份有限公司 | 风力发电机组的变桨控制回路异常的检测方法和装置 |
CN113027698A (zh) * | 2019-12-25 | 2021-06-25 | 新疆金风科技股份有限公司 | 风力发电机组的变桨控制回路异常的检测方法和装置 |
CN113404651B (zh) * | 2020-03-16 | 2022-08-26 | 北京金风科创风电设备有限公司 | 风力发电机组的数据异常检测方法和装置 |
CN113404651A (zh) * | 2020-03-16 | 2021-09-17 | 北京金风科创风电设备有限公司 | 风力发电机组的数据异常检测方法和装置 |
CN111412116A (zh) * | 2020-04-30 | 2020-07-14 | 河北新天科创新能源技术有限公司 | 一种风机变桨轴承的失效分析方法 |
CN113969871A (zh) * | 2020-07-23 | 2022-01-25 | 新疆金风科技股份有限公司 | 变桨系统的齿形带的预警方法和预警装置 |
CN113090474A (zh) * | 2021-04-20 | 2021-07-09 | 华电电力科学研究院有限公司 | 一种基于数据分类标识的风电机组变桨异常监测方法 |
CN113090474B (zh) * | 2021-04-20 | 2022-02-18 | 华电电力科学研究院有限公司 | 一种基于数据分类标识的风电机组变桨异常监测方法 |
CN113236485B (zh) * | 2021-05-26 | 2022-06-21 | 李晓程 | 一种风电机组提高风能利用率的控制方法及其控制系统 |
CN113236485A (zh) * | 2021-05-26 | 2021-08-10 | 李晓程 | 一种风电机组提高风能利用率的控制方法及其控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107355342B (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107355342A (zh) | 风力发电机组变桨异常的识别方法及装置 | |
US20210341901A1 (en) | Induction motor condition monitoring using machine learning | |
CN110318947B (zh) | 风力发电机组的偏航控制方法、设备及系统 | |
CN108708824B (zh) | 风力发电机组的偏航控制方法及装置 | |
CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
CN107689059A (zh) | 风力发电机组变桨异常的识别方法及装置 | |
CN110388302A (zh) | 风力发电机的数据异常检测方法和设备 | |
Gangsar et al. | Online diagnostics of mechanical and electrical faults in induction motor using multiclass support vector machine algorithms based on frequency domain vibration and current signals | |
CN107327367B (zh) | 风力发电机组变桨异常的识别方法及装置 | |
CN113027695B (zh) | 风力发电机组的桨距角异常的检测方法及装置 | |
CN108105031A (zh) | 风力发电机组控制系统和方法 | |
CN114330571A (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
CN113297291A (zh) | 监测方法、系统、可读存储介质和风力发电机 | |
CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
CN114645824A (zh) | 用于风力发电机组的叶片失速识别方法和装置 | |
CN117375095A (zh) | 基于态势感知的电网调度方法、系统、装置及存储介质 | |
CN114002622B (zh) | 通信检测方法、装置和可读存储介质 | |
Pang et al. | Multi kernel fusion convolutional neural network for wind turbine fault diagnosis | |
CN113027698B (zh) | 风力发电机组的变桨控制回路异常的检测方法和装置 | |
CN114492531A (zh) | 电梯故障检测方法、装置及计算机可读存储介质 | |
CN115792700A (zh) | 牵引电机匝间短路故障检测方法以及相关设备 | |
Demian et al. | A neural approach for the fault diagnostics in induction machines | |
CN115358531B (zh) | 一种虚拟电厂运行风险分析方法及装置 | |
CN116893297B (zh) | 旋转设备能耗的监测方法、监测系统 | |
CN116821730B (zh) | 风机故障检测方法、控制装置及存储介质 |
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 |