CN108021026B - 一种风力发电机组故障预警及控制参数在线优化方法 - Google Patents

Abstract

本发明公开了一种风力发电机组故障预警及控制参数在线优化方法，该方法是根据机组的振动、转速、温度、桨叶角度、变桨速率等易测的时域信号，采用频谱分析方法提取出机组各大部件的特征频率，对风力发电机组各个部件的运行状态进行监测。风力发电机组各部件正常运作时，其特征频率在一定阈值范围内；当某部件的特征频率超出阈值，则说明该部件损坏或出现异常。此时，机组报出相应的故障预警，并对塔架及传动链加阻、变桨与转矩滤波器和PID参数等主控参数进行在线优化调整，防微杜渐，保证机组的可靠运行，具有实际推广价值，值得推广。

Description

一种风力发电机组故障预警及控制参数在线优化方法

技术领域

本发明涉及风力发电机组故障预警及控制参数在线优化的技术领域，尤其是指一种风力发电机组故障预警及控制参数在线优化方法。

背景技术

随着风电行业的高速发展，风力发电机组装机规模不断增长，运行年限的增加，机组关键大部件(如传动系统、偏航系统、变桨系统等)的故障频出，关键部件故障的发生导致机组的运行和维护成本也越来越高，对风电设备制造商及风电开发商造成了重大经济损失。因此，提前预警故障，保证风力发电机组控制参数的准确性，降低机组大故障率及运维成本，成为整机制造商及风电开发商控制经济成本的最有效的途径。

目前，调整风力发电机组控制参数的方法有：

1)经典控制理论中的工程设计方法。该方法通过串联校正和反馈校正直接计算得到校正成典型系统后的控制器参数理论值，但该方法计算过程复杂，需要对模型进行近似化处理，且校正后还需进行大量的调整试凑，因此优化效果并不明显。

2)小信号建模分析法。该方法利用小信号模型在忽略控制器的条件下，对系统进行特征根分析，使用根轨迹分析控制器参数对系统性能的影响。虽然该方法物理概念清晰。但是小信号分析是在系统确定的运行点进行线性化处理并在此基础上进行零极点配置的，而当系统的运行状态改变或发生大干扰故障时，优化后的控制参数可能会使系统性能变差，需要重新进行优化等。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种简单易行、收敛速度快的风力发电机组故障预警及控制参数在线优化方法，当机组需报出相应的故障预警后，对塔架及传动链加阻、变桨与转矩滤波器和PID参数等主控参数进行在线优化调整，防微杜渐，以保证机组的可靠运行。

为实现上述目的，本发明所提供的技术方案为：一种风力发电机组故障预警及控制参数在线优化方法，包括以下步骤：

1)故障预警

首先，实时采集风力发电机组的运行数据，包括振动、转速、温度、桨叶角度、变桨速率；然后对风力发电机组的关键部件进行频谱特性分析，最后再对风力发电机组各个部件的特征频率及对应幅值运行状态进行监测；其中，当风力发电机组各部件正常运作时，说明其特征频率不偏移且对应的幅值在预设阈值范围内；若某部件的特征频率发生大范围变化或对应的幅值超出理论阈值，则说明该部件损坏或出现异常，此时，机组报出相应的故障，为发生损坏的零件进行预警；

2)控制参数在线优化

当风力发电机组的某部件出现故障预警时，说明此刻的系统控制参数不利于当前机组的稳定运行，需要进行参数调整；此时，采用一种改进的粒子群参数优化算法，对控制参数进行在线调整优化，以满足风力发电机组的实际运行要求，保证机组的可靠运行；其中，改进的粒子群参数优化算法包括以下步骤：

2.1)假设在D维的目标空间中，有m个粒子组成一个群落，初始化第i个粒子的位置为X_i＝(x_i1,x_i2,…,x_iD)，第i个粒子的速度为V_i＝(v_i1,v_i2,…,v_iD)，i＝1,2,…,m；

2.2)输入第i个粒子参数，实时存储机组运行的数据；

2.3)若存储的数据量达标，则对存储的数据进行频谱分析，获得特征频率的能量幅值；若存储的数据量不达标，则返回步骤2.2)继续执行；

2.4)更新下一组粒子参数，并判断是否达到m个粒子；若达到m个粒子，则进入步骤2.5)；否则，返回步骤2.2)继续执行；

2.5)根据频率幅值，找出局部最优解Pbest_i和全局最优解Gbest；

2.6)根据下列公式不断更新粒子的速度及位置：

式中，t表示时刻，d表示目标空间维度d＝1,2,…,D，v_id(t)表示t时刻第i个粒子在d维的更新速度，v_id(t+1)表示t+1时刻第i个粒子在d维的更新速度，x_id(t)表示t时刻第i个粒子在d维的位置，x_id(t+1)表示t+1时刻第i个粒子在d维的位置，c₁和c₂表示学习因子，rand()表示随机数，Pbest_i表示第i个粒子的局部最优解，Gbest表示全局最优解；

2.7)若达到最大迭代次数或者小于或等于频率幅值的正常阈值，则输出最优参数；否则，返回步骤2.2)继续执行，直到符合终止条件。

在步骤1)中，对风力发电机组的关键部件进行频谱特性分析采用的是FFT、DFT、倒谱、包络谱这些频谱分析方法。

在步骤2)中，所述控制参数包括风力发电机组的塔架及传动链加阻、变桨与转矩滤波器和PID参数。

在步骤2)中，m的取值为10～20。

在步骤2)中，所述学习因子c₁和c₂通常等于2。

本发明与现有技术相比，具有如下优点与有益效果：

1、无需增加硬件传感器，且不影响机组的原有安全保护功能，就能对风力发电机组关键部件进行提前故障预警，防微杜渐，具体是在机组各部件出现异常的初期，进行故障预警，及时检修，防止部件出现严重的损坏，降低维修成本。

2、可实现在线调整优化控制参数(及时准确地在线调整合理的控制参数)，防止突发事故，减少机组的停机时间，能有效提高风力发电机组的整体动态特性，节约机组的运维成本。

3、提升机组性能，进而提升发电量，增加风电场的直接经济效益。

附图说明

图1为本发明方法的框架图。

图2为经典粒子群优化算法流程图。

图3为本发明改进后的粒子群参数优化算法流程图。

图4为实际风机运行转速频谱图。

图5为实际风机运行Y轴振动谱图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所提供的风力发电机组故障预警及控制参数在线优化方法，主要包含两部分：故障预警和控制参数在线优化，其具体情况如下：

1)故障预警

风力发电机组的状态监测技术是综合利用对风电设备振动、温度、压力状态信号进行检测分析结果，结合诊断对象的工作环境，来定量识别风力发电机组各个部件的运行状态。而本发明提出的故障预警判断依据是风力发电机组不同部件的频谱特性。

首先，实时采集风力发电机组运行数据，包括振动、转速、温度、桨叶角度、变桨速率等易测的时域信号；然后采用FFT、DFT、倒谱、包络谱等频谱分析方法(优选FFT频谱分析方法)对风力发电机组的关键部件进行频谱特性进行分析，最后对风力发电机组各个部件的特征频率及对应幅值运行状态进行监测。其中，当风力发电机组各部件正常运作时，说明其特征频率不偏移且对应的幅值在一定阈值范围内；若某部件的特征频率发生较大范围变化或对应的幅值超出理论阈值，则说明该部件损坏或出现异常。此时，机组则报出相应的故障，为发生损坏的零件进行预警。如图4、图5所示，我们举实例说明机组实时信号的频谱特性异常的故障预警，具体如下：

图4是某风场某台机组实际运行的转速信号频谱图。由图可知，该机组的传动链频率的能量幅值超出了正常能量幅值范围，说明传动链固有频率被激励，容易引起打滑或者传动链部件的损坏等问题，此时则机组会报出传动链频率能量过高的故障预警。现场运维人员也可第一时间进行硬件排查检修，避免由于发现较晚引起的更大故障。

图5是某风场某台机组实际运行的Y轴振动频谱图。正常运行机组的Y轴振动频谱图中，有塔架的固有频谱、3P频率等低频；但由图可知，该机组的Y轴振动频谱中出现了除了塔架的固有频谱、3P频率以外的低频信号0.18Hz。该低频信号的出现说明变桨环路参数出现了问题，此刻就需要对变桨增益参数进行调整，以避免引起变桨系统的损坏。

2)控制参数在线优化

当风力发电机组的某部件出现故障预警时，说明此刻的系统控制参数不利于当前机组的稳定运行，需要进行参数调整。本发明根据模拟鸟群捕食行为的粒子群算法，提出一种满足风力发电机组实际运行要求的改进的粒子群参数优化算法，对控制参数进行在线调整优化，防微杜渐，保证机组的可靠运行。其中，经典的粒子群优化算法具体算法流程参见图2所示。

由于机组出厂前，已经基于理论模型设定了最优的机组运行参数，故本发明所描述的控制参数在线优化，是在设定初始最优参数的基础上，在一定比例范围内，进行系数的微调。针对风力发电机组实际运行的特殊性，本发明对上述经典的粒子群优化算法进行相关步骤的改进优化，具体算法流程如图3所示。改进后的粒子群参数优化算法的基本步骤如下：

2.1)假设在D维的目标空间中，有m个粒子组成一个群落，初始化第i个粒子的位置为X_i＝(x_i1,x_i2,…,x_iD)，第i个粒子的速度为V_i＝(v_i1,v_i2,…,v_iD)，i＝1,2,…,m；

2.2)输入第i个粒子参数，实时存储机组运行的数据；

2.3)若存储的数据量达标，则对存储的数据进行频谱分析，获得特征频率的能量幅值；若存储的数据量不达标，则返回步骤2.2)继续执行；

2.4)更新下一组粒子参数，并判断是否达到m个粒子；若达到m个粒子，则进入步骤2.5)；否则，返回步骤2.2)继续执行；

2.5)根据频率幅值，找出局部最优解Pbest_i和全局最优解Gbest；

2.6)根据下列公式不断更新粒子的速度及位置：

式中，t表示时刻，d表示目标空间维度d＝1,2,…,D，v_id(t)表示t时刻第i个粒子在d维的更新速度，v_id(t+1)表示t+1时刻第i个粒子在d维的更新速度，x_id(t)表示t时刻第i个粒子在d维的位置，x_id(t+1)表示t+1时刻第i个粒子在d维的位置，c₁和c₂表示学习因子，rand()表示随机数，Pbest_i表示第i个粒子的局部最优解，Gbest表示全局最优解；

2.7)若达到最大迭代次数或者小于或等于频率幅值的正常阈值，则输出最优参数；否则，返回步骤2.2)继续执行，直到符合终止条件。

其中，上述算法的参数选择如下：

粒子数：一般取10～20，对于大部分的问题10个粒子已经足够可以取得好的结果。

粒子的维数：由优化问题决定，如变桨控制的目标参数有2个。

粒子的范围：由优化问题决定，每一维可是设定不同的范围。

学习因子：c₁和c₂通常等于2。

上述算法可在保证机组稳定运行的基础上，对有偏差的控制参数进行微调，防止机组发生较大的故障或部件损坏。

综上所述，本发明根据机组的振动、转速、温度、桨叶角度、变桨速率等易测的时域信号，采用频谱分析方法提取出机组各大部件的特征频率，对风力发电机组各个部件的运行状态进行监测。风力发电机组各部件正常运作时，其特征频率在一定阈值范围内；当某部件的特征频率超出阈值，则说明该部件损坏或出现异常。此时，机组报出相应的故障预警，并对塔架及传动链加阻、变桨与转矩滤波器和PID参数等主控参数进行在线优化调整，防微杜渐，保证机组的可靠运行，具有实际推广价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.一种风力发电机组故障预警及控制参数在线优化方法，其特征在于，包括以下步骤：

1)故障预警

首先，实时采集风力发电机组的运行数据，包括振动、转速、温度、桨叶角度、变桨速率；然后对风力发电机组的关键部件进行频谱特性分析，最后再对风力发电机组各个部件的特征频率及对应幅值运行状态进行监测；其中，当风力发电机组各部件正常运作时，说明其特征频率不偏移且对应的幅值在预设阈值范围内；若某部件的特征频率发生大范围变化或对应的幅值超出理论阈值，则说明该部件损坏或出现异常，此时，机组报出相应的故障，为发生损坏的零件进行预警；

2)控制参数在线优化

当风力发电机组的某部件出现故障预警时，说明此刻的系统控制参数不利于当前机组的稳定运行，需要进行参数调整；此时，采用一种改进的粒子群参数优化算法，对控制参数进行在线调整优化，以满足风力发电机组的实际运行要求，保证机组的可靠运行；其中，改进的粒子群参数优化算法包括以下步骤：

2.1)假设在D维的目标空间中，有m个粒子组成一个群落，初始化第i个粒子的位置为X_i＝(x_i1,x_i2,…,x_iD)，第i个粒子的速度为V_i＝(v_i1,v_i2,…,v_iD)，i＝1,2,…,m；

2.2)输入第i个粒子参数，实时存储机组运行的数据；

2.3)若存储的数据量达标，则对存储的数据进行频谱分析，获得特征频率的能量幅值；若存储的数据量不达标，则返回步骤2.2)继续执行；

2.4)更新下一组粒子参数，并判断是否达到m个粒子；若达到m个粒子，则进入步骤2.5)；否则，返回步骤2.2)继续执行；

2.5)根据频率幅值，找出局部最优解Pbest_i和全局最优解Gbest；

2.6)根据下列公式不断更新粒子的速度及位置：

式中，t表示时刻，d表示目标空间维度d＝1,2,…,D，v_id(t)表示t时刻第i个粒子在d维的更新速度，v_id(t+1)表示t+1时刻第i个粒子在d维的更新速度，x_id(t)表示t时刻第i个粒子在d维的位置，x_id(t+1)表示t+1时刻第i个粒子在d维的位置，c₁和c₂表示学习因子，rand()表示随机数，Pbest_i表示第i个粒子的局部最优解，Gbest表示全局最优解；

2.7)若达到最大迭代次数或者小于或等于频率幅值的正常阈值，则输出最优参数；否则，返回步骤2.2)继续执行，直到符合终止条件。

2.根据权利要求1所述的一种风力发电机组故障预警及控制参数在线优化方法，其特征在于：在步骤1)中，对风力发电机组的关键部件进行频谱特性分析采用的是FFT、DFT、倒谱、包络谱这些频谱分析方法。

3.根据权利要求1所述的一种风力发电机组故障预警及控制参数在线优化方法，其特征在于：在步骤2)中，所述控制参数包括风力发电机组的塔架及传动链加阻、变桨与转矩滤波器和PID参数。

4.根据权利要求1所述的一种风力发电机组故障预警及控制参数在线优化方法，其特征在于：在步骤2)中，m的取值为10～20。

5.根据权利要求1所述的一种风力发电机组故障预警及控制参数在线优化方法，其特征在于：在步骤2)中，所述学习因子c₁和c₂等于2。

Images