CN107524572A - 一种风力发电机组在线状态监测和故障诊断方法 - Google Patents
一种风力发电机组在线状态监测和故障诊断方法 Download PDFInfo
- Publication number
- CN107524572A CN107524572A CN201610460845.8A CN201610460845A CN107524572A CN 107524572 A CN107524572 A CN 107524572A CN 201610460845 A CN201610460845 A CN 201610460845A CN 107524572 A CN107524572 A CN 107524572A
- Authority
- CN
- China
- Prior art keywords
- mrow
- state
- msup
- wind
- difference
- 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.)
- Pending
Links
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
-
- 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
- F05B2270/00—Control
- F05B2270/40—Type of control system
- F05B2270/404—Type of control system active, predictive, or anticipative
Landscapes
- Wind Motors (AREA)
Abstract
本发明提出一种风力发电机组在线状态监测和故障诊断方法,采用无迹卡尔曼方法对作为状态量、输入量和测量量的SCADA数据进行处理,获得所述状态量当前的预测值;计算所述状态量当前的预测值与SCADA数据中所述状态量的实测值之间的差值作为第一差值,当所述第一差值超过阈值时,则当前报警故障需要维修。本发明方法采集数据量小,可实时在线检测机组故障,可靠性强,运行成本低。
Description
技术领域
本发明属于风力发电技术领域,具体涉及一种基于无迹卡尔曼方法和SCADA数据分析的风力发电机组在线状态监测和故障诊断方法。
背景技术
随着全球范围能源危机和环境污染问题的日益加剧,开发利用可再生能源,实现能源的可持续发展逐渐成为各国能源发展战略的重要举措。风能作为可再生能源之一,具有可再生、分布广、无污染、储量丰富等特点,逐渐成为可再生能源发展的热点之一。2014中国风电发展报告指出2013年全国风电新增装机容量16089MW,与2012年相比增加3130MW。2013年全国累计风电装机容量91413MW,西藏那曲超高海拔试验风电场的建成投产,标志着我国风电场建设已遍布全国各省市自治区。同时,2013年全国新增风电并网容量14490MW,累计并网容量77160MW。全国风力发电量134.9TWh,是继火电、水电之后的第三大电源。在“十三五”期间,我国将进一步提高可再生能源比重,计划到2020年,风电机组装机容量达到2亿千瓦,发电量所占比重达到5%以上,进而使风能实现从替补电源到替代电源的转变。
风场一般处于偏远地区,同时风电机组的机舱都位于高空,当风电机组发生故障时,难以第一时间对故障进行准确判断,制定正确维修方案,且维修困难,导致维修成本增加。例如,对于工作寿命为20年的机组,运行维护成本估计占到风场收入的10%~15%;对于海上风场,用于风力机运行维护的成本高达风场收入的20%~25%。
因此,开发低成本的风力发电机组状态监测和故障诊断方法对于提高风力发电机组的可靠性,降低机组运行成本具有重大意义。目前对风电机组的故障检测方法主要是基于振动或电气等高频信号的故障检测方法,这些检测方法对传感器、采集单元等硬件设备的性能均有较高要求,需要在风力发电机组设备上增加额外的硬件接口,既增加了风力发电机组的维护成本,又给实际操作过程带来不便。此外,高频信号数据量较大,难以实时诊断出故障所在和制定维修方案。另外还有基于数据的风力发电机组故障诊断方法,该方法采用神经网络等智能算法,通过对SCADA历史数据进行训练,得到风力发电机组的数据模型用于故障诊断。该方法对选用的SCADA历史数据的健康性有较高要求,其数据模型和输出结果缺少风力发电原理的理论支持,因此其故障诊断结果的有效性和准确性仍需进行广泛验证。
发明内容
本发明针对现有方法的不足,提供一种基于无迹卡尔曼方法和SCADA数据分析的风力发电机组在线状态监测和故障诊断方法,采集数据量小,可实时在线检测机组故障,可靠性强,运行成本低。
为了解决上述技术问题,本发明提供一种风力发电机组在线状态监测和故障诊断方法,采用无迹卡尔曼方法对作为状态量、输入量和测量量的SCADA数据进行处理,获得所述状态量当前的预测值;计算所述状态量当前的预测值与SCADA数据中所述状态量的实测值之间的差值作为第一差值,当所述第一差值超过阈值时,则当前报警故障需要维修。
进一步,获得所述状态量当前预测值的方法为:
S1建立风力发电机组的非线性系统模型,非线性系统模型如下式所示,
x(k+1)=f(x(k),u(k))+Q(k) (1)
y(k)=h(x(k))+R(k) (2)
式中,x(k)、u(k)和y(k)分别为风力发电机组在k时刻的状态量、输入量和测量量,Q(k)和R(k)分别为系统噪声和测量噪声,f(x(k),u(k))为与状态量x(k)和输入量u(k)有关的风力发电机组系统方程,h(x(k))为与状态量x(k)有关的测量方程;
S2初始化k=0时刻状态量的最优估计值x+(0)和协方差Px +(0),初始化方法如下,
x+(0)=E[x(0)] (3)
Px +(0)=E[(x(0)-x+(0))(x(0)-x+(0))T] (4)
式中,E[]表示期望,上标T表示矩阵转置;
S3时间更新
S31根据k-1时刻状态量的最优估计值x+(k-1)和协方差Px +(k-1)构建sigma点集σ(i)(k-1)及对应的权值W(i),如下式所示,
W(i)=1/2n (7)
式中,i为sigma点编号,n为状态量个数;
S32用已知的风力发电机组系统方程f(x(k),u(k))对sigma点集σ(i)(k-1)进行时间更新,获得变换后的sigma点集x(i)(k),其如下所示,
x(i)(k)=f(σ(i)(k-1),u(k)) (8)
S33加权计算获得状态量的先验估计值及协方差Px -(k),
式中,∑表示连加求和;
S4测量更新
S41用已知测量方程h(x(k))对变换后的sigma点集x(i)(k)进行测量更新,得到测量后的sigma点集y(i)(k),
y(i)(k)=h(x(i)(k)) (11)
S42加权计算得到测量量的预测值及协方差Py(k),
S43估计x和之间的协方差Pxy(k),
S44对状态量的先验估计值进行测量更新,得到状态量的最优估计值x+(k)和协方差Px +(k),
Px +(k)=Px -(k)-K(k)Py(k)KT(k) (16)
式中,K(k)为卡尔曼增益,为协方差Py(k)的逆矩阵;
S5将状态量的最优估计值x+(k)作为状态量的预测值进行输出。
进一步,设置所述阈值的方法为:采用无迹卡尔曼方法分别对对健康条件和故障条件下的SCADA数据进行处理获得健康条件下状态量的预测值和故障条件下状态量的预测值;计算健康条件下状态量的预测值和故障条件下状态量的预测值分别与SCADA数据中对应状态量的实测值之间的差值作为第二差值和第三差值;根据所述第二差值和第三差值的变化状态确定所述阈值。
本发明与现有技术相比,其显著优点在于:(1)本发明直接采用SCADA数据,无需额外加装硬件设备和接口,不改变风力发电机组现有设备及结构,降低了故障诊断的成本,提高风力发电机组的可靠性和经济性;(2)本发明建立了风力发电机组状态量的预测模型,实现了基于理论模型的风力发电机组状态预测和故障诊断;(3)本发明采用无迹卡尔曼方法对风力发电机组状态量进行预测,有效的提高了预测结果的精度和故障诊断结果的准确性;(4)本发明对故障特征信号的归纳和分析,有利于风力发电机组故障的起因和作用机制研究,以优化风力发电系统设计。
附图说明
图1是本发明方法流程简图。
图2是本发明方法流程详图。
图3是采用无迹卡尔曼方法获得所述状态量当前预测值的流程图。
具体实施方式
容易理解,依据本发明的技术方案,在不变更本发明的实质精神的情况下,本领域的一般技术人员可以想象出本发明风力发电机组在线状态监测和故障诊断方法的多种实施方式。因此,以下具体实施方式和附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
结合图1,本发明风力发电机组在线状态监测和故障诊断方法包括以下几部分:
A、从风力发电机组SCADA系统中获取反应风力发电机组运行环境和工作状态的各种SCADA数据,并将各种SCADA数据分别作为状态量、输入量和测量量;
B、采用无迹卡尔曼方法处理作为状态量、输入量和测量量的SCADA数据,获得风力发电机组当前各状态量的预测值;
C、采用无迹卡尔曼方法对健康条件下风力发电机组SCADA数据进行分析获得健康条件下状态量的预测值,然后将健康条件下状态量的预测值与SCADA数据中对应状态量的实测值进行比较,获取两者之间的差值,并确定差值的波动范围;
同时,采用无迹卡尔曼方法对故障条件下风力发电机组SCADA数据进行分析获得故障条件下状态量预测值,然后将故障条件下状态量的预测值与SCADA数据中对应状态量的实测值进行比较,获取两者在不同故障模式下各状态量差值在数值和变化趋势上的行为,将该行为作为相应故障的特征信号;
根据所述健康条件下差值的波动范围以及故障条件下差值在数值和变化趋势上的行为构建故障特征信号数据库,即根据所述健康条件下差值的波动范围以及故障条件下差值在数值和变化趋势确定故障发生时各个状态量对应差值的阈值,作为故障诊断的依据;
D、计算当前各状态量预测值与SCADA数据中对应状态量的差值,如果当前各状态量预测值与SCADA数据中对应状态量的实测值的差值超过所设定的阈值,则诊断为风力发电机组发生规章需要维修故障的诊断。
步骤A中,风力发电机组SCADA系统是风力发电系统的一部分,能够以较低频率记录风力发电机组运行过程中的各种数据,这些数据称为SCADA数据。SCADA数据中含有风力发电机组健康状态下的各种数据,但因信号频率较低,以往SCADA数据一般只用于机组的整体性能评估,极少用于机组的在线故障检测。通过SCADA系统无需额外加装传感器和数据采集单元等硬件设备,即可获得风力发电机组运行的各种SCADA数据,SCADA数据中含有风力发电机组当前健康状态的运行数据,可通过相关技术手段提取故障信号。
步骤B中,所采用的无迹卡尔曼方法对于非线性系统状态预测具有良好的适用性,该方法中的系统模型根据风力发电基本原理进行构建,其状态量的预测值相比于基于数据模型的预测值具有更完善的理论基础,可靠性更高。
在本发明所述无迹卡尔曼方法中,假设已知k-1时刻状态量的最优估计值x+(k-1)和协方差Px +(k-1),通过k时刻系统方程f(x(k),u(k))和输入量u(k)可以得到k时刻状态量的先验估计值根据测量方程h(x(k))和k时刻的测量量y(k)对先验估计值进行修正,得到k时刻状态量的最优估计值x+(k)并作为预测值输出。所述采用无迹卡尔曼方法获得风力发电机组各状态量预测值的详细步骤如下:
S1.建立风力发电机组的非线性系统模型,系统模型可表示如下,
x(k+1)=f(x(k),u(k))+Q(k) (1)
y(k)=h(x(k))+R(k) (2)
式中,x(k)、u(k)和y(k)分别为风力发电机组状态量、输入量和测量量,Q(k)和R(k)分别为系统噪声和测量噪声,f(x(k),u(k))为与状态量x(k)和输入量u(k)有关的风力发电机组系统方程,h(x(k))为与状态量x(k)有关的测量方程。
S2.初始化0时刻状态量的最优估计值x+(0)和协方差Px +(0),方法如下,
x+(0)=E[x(0)] (3)
Px +(0)=E[(x(0)-x+(0))(x(0)-x+(0))T] (4)
式中,E[]表示期望,上标T表示矩阵转置。
S3.时间更新
S31.根据k-1时刻状态量的最优估计值x+(k-1)和协方差Px +(k-1)构建sigma点集σ(i)(k-1)及对应权值W(i),如下所示,
W(i)=1/2n (7)
式中,i为sigma点编号,n为状态量个数。
S32.用已知的风力发电机组系统方程f(x(k),u(k))对sigma点集σ(i)(k-1)进行时间更新,获得变换后的sigma点集x(i)(k),其如下所示,
x(i)(k)=f(σ(i)(k-1),u(k)) (8)
S33.加权计算获得状态量的先验估计值及协方差Px -(k),
式中,∑表示连加求和。
S4.测量更新
S41.用已知测量方程h(x(k))对变换后的sigma点集x(i)(k)进行测量更新,得到测量后的sigma点集y(i)(k),
y(i)(k)=h(x(i)(k)) (11)
S42.加权计算得到测量量的预测值及协方差Py(k),
S43.估计和之间的协方差Pxy(k),
S44.对状态量的先验估计值进行测量更新,得到状态量的最优估计值x+(k)和协方差Px +(k),
Px +(k)=Px -(k)-K(k)Py(k)KT(k) (16)
式中,K(k)为卡尔曼增益,为协方差Py(k)的逆矩阵。
S5将状态量的最优估计值x+(k)作为状态量的预测值进行输出。
所述的无迹卡尔曼方法对不同风力发电机组故障引起的输入量、状态量和测量量变化具有不同的敏感性,通过有针对性的设计无迹卡尔曼方法的输入量、状态量和测量量,可以提高本发明方法对风力发电机组故障的敏感程度和诊断能力。
本发明采可以SCADA数据中的风速、电压、桨距角等作为输入量,转速、转矩和功率等作为状态量,无迹卡尔曼方法根据系统当前输入量和前一时刻状态量,对系统当前状态量的真值进行预测,并通过与测量量对比不断修正预测结果,使结果更精确。同时,本发明所述无迹卡尔曼方法对不同故障引起的输入量和状态量变化具有不同的敏感性,通过有针对性的设计无迹卡尔曼方法的输入量和状态量将提高该方法对风力发电机组故障的敏感程度和诊断能力。
实施例
参见图1所示系统方案示意图,SCADA系统能够对风力发电机组运行过程中的各项数据进行监测并以低频数据模式进行保存。本发明所举实施例以SCADA数据中的发电机转矩Tg和风轮转速w为状态量,以风速v和桨距角β为输入量,以发电机功率p为测量量。在风力发电机组运行过程中,读取SCADA系统现有数据即可获得发电机转矩Tg和风轮转速w在k-1时刻的最优状态估计值和协方差,以此构建sigma点和对应权值。当k时刻SCADA系统完成对风力发电机组各数据的采样和保存之后,读取k时刻的风速和桨距角作为无迹卡尔曼方法输入量,再根据风力发电机组系统方程f(x(k),u(k))得到k时刻发电机转矩Tg和风轮转速w的先验估计。通过测量方程h(x(k))得到k时刻功率p的预测值,读取SCADA数据中k时刻的功率,并将两者进行对比。根据对比结果对k时刻发电机转矩Tg和风轮转速w的先验估计进行修正,得到k时刻发电机转矩Tg和风轮转速w的最优估计和协方差。通过预测结果与实际测量结果之间的对比获取两者之间差值的大小和变化趋势,根据故障特征信号阈值实现故障诊断。
参见图2所示无迹卡尔曼方法结构图,其具体步骤如下:
S1.所述风力发电机组的非线性系统模型可表示为
x(k+1)=f(x(k),u(k))+Q(k) (1)
y(k)=h(x(k))+R(k) (2)
式中,x(k)=[Tg(k),w(k)]T为风力发电机组状态量,Tg(k)为发电机转矩,w(k)为风轮转速,u(k)=[v(k),β(k)]T为风力发电机组输入量,v(k)为风速,β(k)为桨距角,y(k)=p(k)为风力发电机组测量量,p(k)为功率。
S2.初始化0时刻状态量的最优估计值x+(0)和协方差Px +(0)
x+(0)=E[x(0)] (3)
Px +(0)=E[(x(0)-x+(0))(x(0)-x+(0))T] (4)
S3.时间更新
S31.根据k-1时刻状态量的最优估计值x+(k-1)和协方差Px +(k-1)构建sigma点集σ(i)(k-1)及对应权值W(i)
W(i)=1/2n (7)
S32.用已知的风力发电机组系统方程f(x(k),u(k))对sigma点集进行变换,分别得到变换后发电机转矩Tg和风轮转速w的sigma点集Tg (i)(k)和w(i)(k)
式中,pg、m1分别为发电机极对数和相数,rs、rr、xs、xr分别为折算后发电机定子绕组和转子绕组的电阻和漏抗,wg、w1分别为发电机转速和同步转速,C为修正系数,ρ0为空气密度,R为风轮半径,Cp为风能利用系数,λ=wR/v为叶尖速比,Jr、Jg分别为风轮和发电机转动惯量,N、η分别为齿轮箱传动比和效率,Δt为时间步长,为w(i)(k-1)的导数。
在上述风力发电机组模型中,为使状态预测结果更加精确,需要根据机组实际参数对固定的模型参数进行设定。
S33.加权计算得到发电机转矩Tg和风轮转速w的先验估计及协方差
式中,和Qw(k-1)分别为发电机转矩Tg和风轮转速w的系统噪声。
S4.测量更新
S41.用已知测量方程h(x(k))进行测量更新,得到测量量功率p(k)的sigma点集p(i)(k)
p(i)(k)=Nw(i)(k)Tg (i)(k) (15)
S42.加权计算得到测量量的预测值及协方差Py(k)
S43.估计和之间的协方差Pxy(k)
S44.对状态量的先验估计进行测量更新,得到状态量的最优估计x+(k)和协方差Px +(k)
Px +(k)=Px -(k)-K(k)Py(k)KT(k) (21)
S5.输出发电机转矩Tg和风轮转速w的预测结果。
上述无迹卡尔曼方法中的风力发电机组系统方程和测量方程为健康状态下的系统模型,得到的k时刻状态量的预测结果为健康状态下机组电机转矩Tg和风轮转速w真实值的最优估计。读取SCADA数据中k时刻的发电机转矩和风轮转速的实际值,并与无迹卡尔曼方法的预测结果进行对比。健康状态下,实际值与预测结果差值的波动反映了系统的噪声水平。故障状态下,因不同故障模式的作用机制不同,导致风力发电机组相关状态量发生变化,并被SCADA系统记录下来。此时,采用SCADA数据和无迹卡尔曼方法对健康风力发电机组状态量应有的最优估计进行预测,预测结果与实际值之间存在差值,该差值的大小和行为因不同故障模式的影响而具有不同的表现,可以作为故障的特征信号。
根据上述过程,通过模型仿真和SCADA历史数据分析,可采用本发明方法对风力发电机组常见故障的特征信号进行提取,通过归纳和整理得到各故障特征信号的变化阈值,并建立故障特征信号数据库,作为故障诊断的依据。
通过上述过程,将每一时刻的风力发电机组状态量的预测结果与SCADA实际结果进行对比,根据故障特征信号数据库判断两者差值的大小和趋势是否超过阈值,给出故障诊断结果。
Claims (3)
1.一种风力发电机组在线状态监测和故障诊断方法,其特征在于,
采用无迹卡尔曼方法对作为状态量、输入量和测量量的SCADA数据进行处理,获得所述状态量当前的预测值;
计算所述状态量当前的预测值与SCADA数据中所述状态量的实测值之间的差值作为第一差值,当所述第一差值超过阈值时,则当前报警故障需要维修。
2.如权利要求1所述风力发电机组在线状态监测和故障诊断方法,其特征在于,获得所述状态量当前预测值的方法为:
S1建立风力发电机组的非线性系统模型,非线性系统模型如下式所示,
x(k+1)=f(x(k),u(k))+Q(k) (1)
y(k)=h(x(k))+R(k) (2)
式中,x(k)、u(k)和y(k)分别为风力发电机组在k时刻的状态量、输入量和测量量,Q(k)和R(k)分别为系统噪声和测量噪声,f(x(k),u(k))为与状态量x(k)和输入量u(k)有关的风力发电机组系统方程,h(x(k))为与状态量x(k)有关的测量方程;
S2初始化k=0时刻状态量的最优估计值x+(0)和协方差Px +(0),初始化方法如下,
x+(0)=E[x(0)] (3)
<mrow>
<msup>
<msub>
<mi>P</mi>
<mi>x</mi>
</msub>
<mo>+</mo>
</msup>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>-</mo>
<msup>
<mi>x</mi>
<mo>+</mo>
</msup>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>-</mo>
<msup>
<mi>x</mi>
<mo>+</mo>
</msup>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,E[]表示期望,上标T表示矩阵转置;
S3时间更新
S31根据k-1时刻状态量的最优估计值x+(k-1)和协方差Px +(k-1)构建sigma点集σ(i)(k-1)及对应的权值W(i),如下式所示,
<mrow>
<msup>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>x</mi>
<mo>+</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>nP</mi>
<mi>x</mi>
</msub>
<mo>+</mo>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>...</mo>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>x</mi>
<mo>+</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<msup>
<msub>
<mi>nP</mi>
<mi>x</mi>
</msub>
<mo>+</mo>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>...</mo>
<mn>2</mn>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
W(i)=1/2n (7)
式中,i为sigma点编号,n为状态量个数;
S32用已知的风力发电机组系统方程f(x(k),u(k))对sigma点集σ(i)(k-1)进行时间更新,获得变换后的sigma点集x(i)(k),其如下所示,
x(i)(k)=f(σ(i)(k-1),u(k)) (8)
S33加权计算获得状态量的先验估计值及协方差Px-(k),
式中,∑表示连加求和;
S4测量更新
S41用已知测量方程h(x(k))对变换后的sigma点集x(i)(k)进行测量更新,得到测量后的sigma点集y(i)(k),
y(i)(k)=h(x(i)(k)) (11)
S42加权计算得到测量量的预测值及协方差Py(k),
S43估计和之间的协方差Pxy(k),
S44对状态量的先验估计值进行测量更新,得到状态量的最优估计值x+(k)和协方差Px +(k),
Px +(k)=Px -(k)-K(k)Py(k)KT(k) (16)
式中,K(k)为卡尔曼增益,为协方差Py(k)的逆矩阵;
S5将状态量的最优估计值x+(k)作为状态量的预测值进行输出。
3.如权利要求1所述风力发电机组在线状态监测和故障诊断方法,其特征在于,设置所述阈值的方法为:
采用无迹卡尔曼方法分别对对健康条件和故障条件下的SCADA数据进行处理获得健康条件下状态量的预测值和故障条件下状态量的预测值;
计算健康条件下状态量的预测值和故障条件下状态量的预测值分别与SCADA数据中对应状态量的实测值之间的差值作为第二差值和第三差值;
根据所述第二差值和第三差值的变化状态确定所述阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460845.8A CN107524572A (zh) | 2016-06-22 | 2016-06-22 | 一种风力发电机组在线状态监测和故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610460845.8A CN107524572A (zh) | 2016-06-22 | 2016-06-22 | 一种风力发电机组在线状态监测和故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107524572A true CN107524572A (zh) | 2017-12-29 |
Family
ID=60735606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610460845.8A Pending CN107524572A (zh) | 2016-06-22 | 2016-06-22 | 一种风力发电机组在线状态监测和故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107524572A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109653961A (zh) * | 2018-12-14 | 2019-04-19 | 三重能有限公司 | 一种风力发电机的监测方法及装置 |
WO2019165759A1 (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 风电场中的风力发电机组的前馈控制方法和设备 |
CN111208425A (zh) * | 2020-01-13 | 2020-05-29 | 郑州轻工业大学 | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 |
CN111399479A (zh) * | 2020-03-26 | 2020-07-10 | 华润电力技术研究院有限公司 | 一种基于参数预测的高加系统故障监测方法及系统 |
CN111783856A (zh) * | 2020-06-18 | 2020-10-16 | 杭州未名信科科技有限公司 | 一种面向制造业的设备故障辅助诊断方法及系统 |
CN112162563A (zh) * | 2020-09-15 | 2021-01-01 | 郑州轻工业大学 | 基于自适应弱敏无迹Kalman滤波的直升机状态估计方法 |
CN113661458A (zh) * | 2019-04-01 | 2021-11-16 | Ntn株式会社 | 状态监测系统及具备该状态监测系统的风力发电系统 |
CN113969870A (zh) * | 2020-07-23 | 2022-01-25 | 北京金风科创风电设备有限公司 | 用于风力发电机组估计器的监测方法及其装置 |
CN114061743A (zh) * | 2020-08-03 | 2022-02-18 | 新疆金风科技股份有限公司 | 风力发电机组的振动监测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
US20160034856A1 (en) * | 2014-07-31 | 2016-02-04 | Doosan Heavy Industries & Construction Co., Ltd. | Wind power plant management system and method thereof |
-
2016
- 2016-06-22 CN CN201610460845.8A patent/CN107524572A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
US20160034856A1 (en) * | 2014-07-31 | 2016-02-04 | Doosan Heavy Industries & Construction Co., Ltd. | Wind power plant management system and method thereof |
Non-Patent Citations (1)
Title |
---|
AMIN MIRZAEE, ETC: "Fault diagnosis and accommodation of nonlinear systems based on multiple-model adaptive unscented Kalman filter and switched MPC and H-infinity loop-shaping controller", 《JOURNAL OF PROCESS CONTROL》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019165759A1 (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 风电场中的风力发电机组的前馈控制方法和设备 |
CN110206685A (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 风电场中的风力发电机组的前馈控制方法和设备 |
CN110206685B (zh) * | 2018-02-28 | 2020-07-28 | 北京金风科创风电设备有限公司 | 风电场中的风力发电机组的前馈控制方法和设备 |
US11293400B2 (en) | 2018-02-28 | 2022-04-05 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Feedforward control method and device for wind turbine set in wind farm |
CN109653961A (zh) * | 2018-12-14 | 2019-04-19 | 三重能有限公司 | 一种风力发电机的监测方法及装置 |
CN113661458A (zh) * | 2019-04-01 | 2021-11-16 | Ntn株式会社 | 状态监测系统及具备该状态监测系统的风力发电系统 |
CN111208425B (zh) * | 2020-01-13 | 2022-02-18 | 郑州轻工业大学 | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 |
CN111208425A (zh) * | 2020-01-13 | 2020-05-29 | 郑州轻工业大学 | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 |
CN111399479A (zh) * | 2020-03-26 | 2020-07-10 | 华润电力技术研究院有限公司 | 一种基于参数预测的高加系统故障监测方法及系统 |
CN111783856A (zh) * | 2020-06-18 | 2020-10-16 | 杭州未名信科科技有限公司 | 一种面向制造业的设备故障辅助诊断方法及系统 |
CN111783856B (zh) * | 2020-06-18 | 2022-10-04 | 杭州未名信科科技有限公司 | 一种面向制造业的设备故障辅助诊断方法及系统 |
CN113969870A (zh) * | 2020-07-23 | 2022-01-25 | 北京金风科创风电设备有限公司 | 用于风力发电机组估计器的监测方法及其装置 |
CN114061743A (zh) * | 2020-08-03 | 2022-02-18 | 新疆金风科技股份有限公司 | 风力发电机组的振动监测方法、装置、设备及介质 |
CN112162563A (zh) * | 2020-09-15 | 2021-01-01 | 郑州轻工业大学 | 基于自适应弱敏无迹Kalman滤波的直升机状态估计方法 |
CN112162563B (zh) * | 2020-09-15 | 2023-01-31 | 郑州轻工业大学 | 基于自适应弱敏无迹Kalman滤波的直升机状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107524572A (zh) | 一种风力发电机组在线状态监测和故障诊断方法 | |
Jangamshetti et al. | Site matching of wind turbine generators: a case study | |
CN109740953A (zh) | 一种风电机组的实时状态评估方法 | |
CN103439109B (zh) | 一种风力发电机组传动系统故障预警的方法 | |
CN102954857B (zh) | 基于电流信号的风电机组的叶片不平衡故障诊断方法 | |
CN103940611B (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
CN106100579B (zh) | 一种基于数据分析的光伏电站故障诊断方法 | |
CN103176128A (zh) | 一种风力发电机组状态预报及智能故障诊断方法及系统 | |
CN106368908A (zh) | 一种基于scada系统风电机组功率曲线测试方法 | |
CN103759891B (zh) | 一种双馈风力发电机叶片不平衡在线故障诊断方法 | |
CN105784353A (zh) | 一种风力发电机齿轮箱故障诊断方法 | |
CN105205569A (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
CN108629520B (zh) | 一种微气象环境下的高压输电线路运行状态评估方法 | |
CN102915471A (zh) | 一种风电扰动在线安全预警的方法 | |
CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
CN105956785A (zh) | 一种风力发电机组运行状态评判方法 | |
Li et al. | Imbalance fault detection based on the integrated analysis strategy for variable-speed wind turbines | |
CN107886171A (zh) | 一种基于pmu数据的断路器状态在线诊断方法及系统 | |
CN101277014A (zh) | 风力发电接入系统方案选择方法 | |
CN114033617B (zh) | 一种控制参量自适应调整的可控风力发电方法及系统 | |
Liew et al. | Wind characterization by three blade savonius wind turbine using iot | |
CN112083270A (zh) | 一种基于相关系数的风电场集电线路单相接地故障选线方法 | |
CN108278184A (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
CN104617578A (zh) | 一种含风电场电力系统的可用输电能力的获取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |