CN109959411A - 一种识别风力发电机组异常的方法和设备 - Google Patents
一种识别风力发电机组异常的方法和设备 Download PDFInfo
- Publication number
- CN109959411A CN109959411A CN201711437392.8A CN201711437392A CN109959411A CN 109959411 A CN109959411 A CN 109959411A CN 201711437392 A CN201711437392 A CN 201711437392A CN 109959411 A CN109959411 A CN 109959411A
- Authority
- CN
- China
- Prior art keywords
- generating set
- wind power
- power generating
- phase current
- vibration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims description 73
- 238000004804 winding Methods 0.000 claims description 41
- 230000001133 acceleration Effects 0.000 claims description 25
- 238000013481 data capture Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000001020 rhythmical effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000012552 review Methods 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
提供一种识别风力发电机组异常的方法和设备,所述方法包括:确定所述风力发电机组的机侧电流的平衡状态;确定所述风力发电机组的振动状态;基于风力发电机组的机侧电流的平衡状态结果和风力发电机组的振动状态结果来对所述风力发电机组的异常进行识别。根据所述方法和设备,可以结合风力发电机组的振动状态和机侧电流的平衡状态确定发电机组是否发生异常,有效地降低了不可检测的故障所导致的风力发电机组部件的损坏风险,更好地提升了风力发电机组的可靠性和寿命。
Description
技术领域
本发明总体说来涉及风力发电领域,更具体地讲,涉及一种识别风力发电机组异常的方法和设备。
背景技术
直驱式风力发电机能量吸收转化过程为:动能(执行机构:叶轮)—非工频电能(执行机构:发电机)—电能(执行机构:全功率变流器)—高品质工频电能(执行机构:电网),可以看出,全功率变流器的稳定性和可靠性对风力发电机组的可靠运行影响至关重要,直接决定风力发电机组的出力状况和生命周期的价值收益。
通常,风力发电机组的发电机系统、机械部件连接件等出现的一些异常损坏是由全功率变流器故障所引起的风力发电机组机侧电流不平衡长期作用所导致的,目前,针对全功率变流器的运行状态已有相应的故障检测,但是在实际运行中,全功率变流器未触发故障时风力发电组的发电机系统、机械部件连接件等依然会出现一些异常损坏。现有的检测方式无法检测出一些小概率事件所导致的风力发电机组异常。
发明内容
本发明的示例性实施例在于提供一种识别风力发电机组异常的方法和设备。
根据本发明的示例性实施例的一方面,提供一种识别风力发电机组异常的方法,包括:确定所述风力发电机组的机侧电流的平衡状态;确定所述风力发电机组的振动状态;基于所述风力发电机组的机侧电流的平衡状态和所述风力发电机组的振动状态对所述风力发电机组的异常进行识别。
可选地,所述基于所述风力发电机组的机侧电流的平衡状态和所述风力发电机组的振动状态来对所述风力发电机组的异常进行识别的步骤包括:当所述风力发电机组的机侧电流处于不平衡状态且所述风力发电机组振动异常时,确定所述风力发电机组发生异常。
可选地,所述确定所述风力发电机组的机侧电流的平衡状态的步骤包括:获取所述风力发电机组的预定绕组的三相电流评价数据,其中,所述三相电流评价数据为预定时间段内的各个周期的所述预定绕组的三相电流和的绝对值的平均值;判断所述三相电流评价数据是否在第一预定范围内,根据判断结果确定所述风力发电机组的机侧电流的平衡状态。
可选地,所述根据判断结果确定所述风力发电机组的机侧电流的平衡状态的步骤包括:当所述三相电流评价数据在第一预定范围内时,确定所述风力发电机组的机侧电流处于不平衡状态。
可选地,所述获取所述风力发电机组的预定绕组的三相电流评价数据的步骤包括:针对所述预定时间段内的每个周期,获取所述预定绕组每一相的初始相电流;通过对所述每一相的初始相电流进行滤波处理以得到所述预定绕组每一相的相电流数据;针对所述预定时间段内的每个周期,将所述预定绕组的每一相的相电流数据相加并取绝对值以得到三相电流和的绝对值;将所有周期的三相电流和的绝对值的平均值作为三相电流评价数据。
可选地,所述确定所述风力发电机组的振动状态的步骤包括:获取所述风力发电机组的振动评价数据,其中,所述振动评价数据为所述预定时间段内所述风力发电机组的转频数据;判断所述转频数据是否在第二预定范围内,根据判断结果确定所述风力发电机组的振动状态。
可选地,所述根据判断结果确定所述风力发电机组的振动状态的步骤包括:当所述转频数据在第二预定范围内,确定所述风力发电机组振动异常。
可选地,所述获取所述风力发电机组的振动评价数据的步骤包括:针对所述预定时间段内的每个周期,获取所述风力发电机组的加速度;将所述风力发电机的加速度进行时频变换以得到频谱图,将所述频谱图中的最大能量的幅值所对应的频率作为有效特征频率;获取所述预定时间段内所述风力发电机组的加速度最大值所对应的转速;将所述有效特征频率和所述转速的比值作为风力发电机组的振动评价数据。
根据本发明示例性实施例的另一方面,提供一种识别风力发电机组异常的设备,包括:状态确定模块,用于确定所述风力发电机组的机侧电流的平衡状态;振动确定模块,用于确定所述风力发电机组的振动状态;识别模块,用于基于所述状态确定模块和所述振动确定单元的确定结果来对所述风力发电机组的异常进行识别。
可选地,所述识别模块执行以下操作:当所述风力发电机组的机侧电流处于不平衡状态且所述风力发电机组振动异常时,确定所述风力发电机组发生异常。
可选地,所述状态确定模块包括:电流评价数据获取单元,用于获取所述风力发电机组的预定绕组的三相电流评价数据,其中,所述三相电流评价数据为预定时间段内的各个周期的所述预定绕组的三相电流和的绝对值的平均值;电流状态判断单元,用于判断所述三相电流评价数据是否在第一预定范围内,根据判断结果确定所述风力发电机组的机侧电流的平衡状态。
可选地,所述电流状态判断单元执行以下操作:当所述三相电流评价数据在第一预定范围内时,确定所述风力发电机组的机侧电流处于不平衡状态。
可选地,所述电流评价数据获取单元执行以下操作:针对所述预定时间段内的每个周期,获取所述预定绕组每一相的初始相电流;通过对所述每一相的初始相电流进行滤波处理以得到所述预定绕组每一相的相电流数据;针对所述预定时间段内的每个周期,将所述预定绕组的每一相的相电流数据相加并取绝对值以得到三相电流和的绝对值;将所有周期的三相电流和的绝对值的平均值作为三相电流评价数据。
可选地,所述振动确定模块包括:振动评价数据获取单元,用于获取所述风力发电机组的振动评价数据,其中,所述振动评价数据为所述预定时间段内所述风力发电机组的转频数据;振动状态判断单元,用于判断所述转频数据是否在第二预定范围内,根据判断结果确定所述风力发电机组的振动状态。
可选地,所述振动状态判断单元执行以下操作:当所述转频数据在第二预定范围内,确定所述风力发电机组振动异常。
可选地,所述振动评价数据获取单元执行以下操作:针对所述预定时间段内的每个周期,获取所述风力发电机组的加速度;将所述风力发电机的加速度进行时频变换以得到频谱图,将所述频谱图中的最大能量的幅值所对应的频率作为有效特征频率;获取所述预定时间段内所述风力发电机组的加速度最大值所对应的转速;将所述有效特征频率和所述转速的比值作为风力发电机组的振动评价数据。
根据本发明示例性实施例的另一方面,提供一种存储有计算机程序的计算机可读存储介质,当所述计算机程序在被处理器执行时实现根据本发明的识别风力发电机组的振动异常的方法。
根据本发明示例性实施例的另一方面,提供一种识别风力发电机组异常的系统,所述计算装置包括:处理器;存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现根据本发明的识别风力发电机组的振动异常的方法。
根据本发明示例性实施例的识别风力发电机组的振动异常的方法和设备,可以结合风力发电机组的振动状态和机侧电流的平衡状态确定发电机组是否发生异常,有效地降低了不可检测的故障所导致的风力发电机组部件的损坏风险,更好地提升了风力发电机组的可靠性和寿命。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述,本发明示例性实施例的上述和其他目的和特点将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的识别风力发电机组振动异常的方法的流程图;
图2示出根据本发明示例性实施例的确定风力发电机组的机侧电流的平衡状态的步骤的流程图;
图3示出根据本发明示例性实施例的确定风力发电机组的振动状态的步骤的流程图;
图4示出根据本发明示例性实施例的识别风力发电机组振动异常的设备的框图;
图5示出根据本发明示例性实施例的状态确定模块的框图;
图6示出根据本发明示例性实施例的振动确定模块的框图。
具体实施方式
现将详细参照本发明的实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
图1示出根据本发明示例性实施例的识别风力发电机组异常的方法的流程图。
如图1所示,在步骤S100,确定所述风力发电机组的机侧电流的平衡状态。作为示例,风力发电机组的机侧电流处于平衡状态是指在预定时间段内风力发电机组的机侧绕组的每一相的电流有效值都相等,反之,风力发电机组的机侧电流处于不平衡状态是指在预定时间段内风力发电机组的机侧绕组的某一相的电流有效值与其他两相的电流有效值偏差较大。
在一个可选实施例中,将结合图2来具体描述确定风力发电机组的机侧电流的平衡状态的步骤。
图2示出根据本发明示例性实施例的确定风力发电机组的机侧电流的平衡状态的步骤的流程图。
如图2所示,在步骤S110,获取所述风力发电机组的预定绕组的三相电流评价数据,其中,所述三相电流评价数据为预定时间段内的各个周期的所述预定绕组的三相电流和的绝对值的平均值。
作为示例,关于获取发电机组的预定绕组的三相电流评价数据,首先针对预定时间段内的每个周期,获取所述预定绕组每一相的初始相电流,然后通过对所述每一相的初始相电流进行滤波处理以得到所述预定绕组每一相的相电流数据,接着针对预定时间段内的每个周期,将所述预定绕组的每一相的相电流数据相加并取绝对值以得到三相电流和的绝对值,最后将所有周期的三相电流和的绝对值的平均值作为三相电流评价数据。
例如,首先获取绕组A每一相在预定时间段T所包括的n个周期的初始相电流,将初始相电流进行滤波处理以去除异常的初始相电流,假设最终经滤波处理后得到的绕组A在预定时间T所包括的n个周期的相电流数据为(IU1、IV1、IW1)、(IU2、IV2、IW2)、(IU3、IV3、IW3)······(IUn、IVn、IWn),通过下面的等式SUMn=|IUn+IVn+IWn|来确定绕组A在第n个周期的三相电流和的绝对值,接着将通过下面的等式来确定所有周期的三相电流和的绝对值的平均值:SUM=(SUM1+SUM2+SUM3+......+SUMn)/n,并将得到的SUM作为预定时间T的三相电流评价数据。
在获取到预定时间段内的三相电流评价数据后,在步骤S121,判断所述三相电流评价数据是否在第一预定范围内。作为示例,所述第一预定范围可以是风力发电机组的机侧电流不平衡时的最低报警电流阈值和最高报警电流阈值的电流值区间,例如,假设最低报警电流阈值为80A,最高报警电流阈值为200A,第一预定范围就是大于80A且小于200A的电流值区间。当所述三相电流评价数据不在第一预定范围内时,在步骤S122确定所述风力发电机组的机侧电流处于平衡状态;当所述三相电流评价数据在第一预定范围内时,在步骤S123确定所述风力发电机组的机侧电流处于不平衡状态。应理解,上述第一预定范围不限于80A-200A,也可以是根据实际应用场景设置的任意范围。
返回参照图1,在步骤S200,确定所述风力发电机组的振动状态。
在一个可选实施例中,将结合图3来具体描述确定所述风力发电机组的振动状态的步骤。
图3示出根据本发明示例性实施例的确定风力发电机组的振动状态的步骤的流程图。
如图3所示,在步骤210,获取所述风力发电机组的振动评价数据,其中,所述振动评价数据为预定时间段内所述风力发电机组的转频数据。
作为示例,关于获取所述风力发电机组的振动评价数据,首先针对所述预定时间段内的每个周期,获取所述风力发电机组的加速度,作为示例,风力发电机组的加速度可以是风力发电机组沿预定方向的加速度,例如,风力发电机组沿第一预定方向和/或第二预定方向的加速度,例如,第一预定方向可以是指风力发电机组的头部至尾部的方向,第二预定方向可以是指风力发电机组与风向垂直的方向。然后将所述风力发电机的加速度进行时频变换以得到频谱图,将所述频谱图中的最大能量的幅值所对应的频率作为有效特征频率,接着获取所述预定时间段内所述风力发电机组的加速度最大值所对应的转速,最后将所述有效特征频率和所述转速的比值作为风力发电机组的振动评价数据。
例如,首先获取预定时间段T所包括的n个周期的风力发电机组沿第一预定方向的加速度(xa1、xa2、xa3······xan),然后将上述加速度数据进行时频转换(例如,傅里叶转换等)以得到频谱图,例如,该频谱图表示信号频率域能量的关系,频谱图的横坐标为信号频率,纵坐标为信号频率所对应的能量的幅值,将所述频谱图中的最大能量的幅值所对应的频率作为有效特征频率Fx,然后获取上述加速度中的最大加速xax所对应的转速Nx,最后将Nx/Fx作为风力发电机组沿第一预定方向的振动评价数据。此外,风力发电机组沿第二预定方向的振动评价数据的求取方式与该方式相似,在此不再赘述。
在获取到预定时间段内的振动评价数据后,在步骤S221,判断所述振动评价数据是否在第二预定范围内。这里,作为示例,所述第二预定范围可包括一个或多个子区间范围。例如,第二预定范围可以包括第一预定子范围和第二预定子范围,假设第一预定子范围是大于0.66且小于0.8,第二预定子范围是大于0.33且小于0.40,在确定了第一预定子范围和第二预定子范围后,判断振动评价数据在第一预定子范围或者第二预定子范围内,当振动评价数据不在第一预定子范围内,同时也不在第二预定子范围内时,在步骤S222确定所述风力发电机组振动正常,当振动评价数据在第一预定子范围或者第二预定子范围内时,在步骤S223确定所述风力发电机组振动异常,应理解,上述第一预定子范围不限于0.66-0.8A,第二预定子范围不限于0.33-0.40,也可以是根据实际应用场景设置的任意范围。
返回参照图1,在获取到风力发电机组的机侧电流的平衡状态和风力发电机组的振动状态后,可基于风力发电机组的机侧电流的平衡状态和风力发电机组的振动状态来对风力发电机组的异常进行识别。
作为示例,当所述风力发电机组的机侧电流处于不平衡状态且风力发电机组振动异常时,确定所述风力发电机组发生异常。
在一个可选实施例中,在步骤S121,当确定风力发电机组的机侧电流处于平衡状态时,可以输出电流评价的逻辑值0,当确定风力发电机组的机侧电流处于不平衡状态时,可以输出电流评价的逻辑值1,相应地,在步骤S221,当确定风力发电机组振动正常时,可以输出振动评价的逻辑值0,当确定风力发电机组振动异常时,可以输出振动评价的逻辑值1。在步骤S300,接收风力发电机组的电流评价的逻辑值和振动评价的逻辑值后,可以将风力发电机组的电流评价的逻辑值和振动评价的逻辑值进行逻辑与运算,并将逻辑与运算后输出1的结果的情况视为风力发电机组发生异常。
这里,如果确定风力发电机组发生了异常时,可以检查是否是由于全功率变流器的功率单元异常、电缆短路或者发电机绕组绝缘导致的风力发电机组异常。
通过上述方法,可以结合风力发电机组的振动状态和机侧电流的平衡状态确定发电机组是否发生异常,有效地降低了不易检测的故障所导致的风力发电机组部件的损坏风险,更好地提升了风力发电机组的可靠性和寿命。
图4示出根据本发明示例性实施例的识别风力发电机组异常的设备的框图。如图4所示,根据本发明示例性实施例的识别风力发电机组异常的设备包括:状态确定模块100、振动确定模块200和识别模块300。
状态确定模块100用于确定所述风力发电机组的机侧电流的平衡状态。这里,风力发电机组的机侧电流处于平衡状态是指在风力发电机组的机侧绕组的每一相的电流有效值都相等,反之,风力发电机组的机侧电流处于不平衡状态是指在风力发电机组的机侧绕组的某一相的电流有效值与其他两相的电流有效值偏差较大。
图5示出根据本发明示例性实施例的状态确定模块100的框图。
如图5所示,状态确定模块100包括:电流评价数据获取单元110和电流状态判断单元120。
电流评价数据获取单元110用于获取所述风力发电机组的预定绕组的三相电流评价数据,其中,所述三相电流评价数据为预定时间段内的各个周期的所述预定绕组的三相电流和的绝对值的平均值。
作为示例,电流评价数据获取单元110执行以下操作以获取三相电流评价数据:针对预定时间段内的每个周期,获取所述预定绕组每一相的初始相电流;通过对所述每一相的初始相电流进行滤波处理以得到所述预定绕组每一相的相电流数据;针对预定时间段内的每个周期,将所述预定绕组的每一相的相电流数据相加并取绝对值以得到三相电流和的绝对值;将所有周期的三相电流和的绝对值的平均值作为三相电流评价数据。
在获取到预定时间段内的三相电流评价数据后,电流状态判断单元120用于判断所述三相电流评价数据是否在第一预定范围内,根据判断结果确定所述风力发电机组的机侧电流的平衡状态。
例如,当所述三相电流评价数据在第一预定范围内时,电流状态判断单元120确定所述风力发电机组的机侧电流处于不平衡状态;当所述三相电流评价数据在第一预定范围内时,电流状态判断单元120确定所述风力发电机的机侧电流处于不平衡状态。
返回参照图4,振动确定模块200用于确定所述风力发电机组的振动状态。
图6示出根据本发明示例性实施例的振动确定模块200的框图。
如图6所示,作为示例,振动确定模块200包括:振动评价数据获取单元210和振动状态判断单元220。
振动评价数据获取单元210用于获取所述风力发电机组的振动评价数据,其中,所述振动评价数据为预定时间段内所述风力发电机组的转频数据。
作为示例,振动评价数据获取单元210执行以下操作来获取振动评价数据:针对所述预定时间段内的每个周期,获取所述风力发电机组的加速度;将所述风力发电机的加速度进行时频变换以得到频谱图,将所述频谱图中的最大能量的幅值所对应的频率作为有效特征频率,;获取所述预定时间段内所述风力发电机组的加速度最大值所对应的转速;将所述有效特征频率和所述转速的比值作为风力发电机组的振动评价数据。
在获取到振动评价数据后,振动状态判断单元220用于判断所述转频数据是否在第二预定范围内,根据判断结果确定所述风力发电机组的振动状态,这里,作为示例,所述第二预定范围可包括一个或多个子区间范围。
例如,当所述转频数据在第二预定范围内时,振动状态判断单元220确定所述风力发电机组振动异常。当所述转频数据不在第二预定范围内时,振动状态判断单元220确定所述风力发电机组振动正常。
返回参照图4,在获取到风力发电机组的机侧电流的平衡状态和风力发电机组的振动状态后,识别模块300用于基于状态确定模块和振动确定模块的确定结果来对所述风力发电机组的异常进行识别。
作为示例,当所述风力发电机组的机侧电流处于不平衡状态且风力发电机组振动异常时,识别模块300确定所述风力发电机组发生异常。
这里,如果确定风力发电机组发生异常时,可以检查是否是由于全功率变流器的功率单元异常、电缆短路或者发电机绕组绝缘导致的风力发电机组异常。
根据本发明示例性实施例的识别风力发电机组振动异常的方法和设备,可以结合风力发电机组的振动状态和机侧电流的平衡状态确定发电机组是否发生异常,有效地降低了不易检测的故障所导致的风力发电机组部件的损坏风险,更好地提升了风力发电机组的可靠性和寿命。
根据本发明的示例性实施例还提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述识别风力发电机组振动异常的方法的计算机程序。该计算机可读记录介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括:只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
根据本发明的示例性实施例还提供一种识别风力发电机组异常的系统。该系统包括处理器和存储器。存储器用于存储计算机程序。所述计算机程序被处理器执行使得处理器执行如上所述的识别风力发电机组振动异常的方法的计算机程序。
虽然已表示和描述了本发明的一些示例性实施例,但本领域技术人员应该理解,在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下,可以对这些实施例进行修改。
Claims (18)
1.一种识别风力发电机组异常的方法,其特征在于,包括:
确定所述风力发电机组的机侧电流的平衡状态;
确定所述风力发电机组的振动状态;
基于所述风力发电机组的机侧电流的平衡状态和所述风力发电机组的振动状态对所述风力发电机组的异常进行识别。
2.如权利要求1所述的方法,其特征在于,所述基于所述风力发电机组的机侧电流的平衡状态和所述风力发电机组的振动状态对所述风力发电机组的异常进行识别的步骤包括:
当所述风力发电机组的机侧电流处于不平衡状态且所述风力发电机组振动异常时,确定所述风力发电机组发生异常。
3.如权利要求1所述的方法,其特征在于,所述确定所述风力发电机组的机侧电流的平衡状态的步骤包括:
获取所述风力发电机组的预定绕组的三相电流评价数据,其中,所述三相电流评价数据为预定时间段内的各个周期的所述预定绕组的三相电流和的绝对值的平均值;
判断所述三相电流评价数据是否在第一预定范围内,根据判断结果确定所述风力发电机组的机侧电流的平衡状态。
4.如权利要求3所述的方法,其特征在于,所述根据判断结果确定所述风力发电机组的机侧电流的平衡状态的步骤包括:
当所述三相电流评价数据在第一预定范围内时,确定所述风力发电机组的机侧电流处于不平衡状态。
5.如权利要求3所述的方法,其特征在于,所述获取所述风力发电机组的预定绕组的三相电流评价数据的步骤包括:
针对所述预定时间段内的每个周期,获取所述预定绕组每一相的初始相电流;
通过对所述每一相的初始相电流进行滤波处理以得到所述预定绕组每一相的相电流数据;
针对所述预定时间段内的每个周期,将所述预定绕组的每一相的相电流数据相加并取绝对值以得到三相电流和的绝对值;
将所有周期的三相电流和的绝对值的平均值作为三相电流评价数据。
6.如权利要求1所述的方法,其特征在于,所述确定所述风力发电机组的振动状态的步骤包括:
获取所述风力发电机组的振动评价数据,其中,所述振动评价数据为所述预定时间段内所述风力发电机组的转频数据;
判断所述转频数据是否在第二预定范围内,根据判断结果确定所述风力发电机组的振动状态。
7.如权利要求6所述的方法,其特征在于,所述根据判断结果确定所述风力发电机组的振动状态的步骤包括:
当所述转频数据在第二预定范围内,确定所述风力发电机组振动异常。
8.如权利要求6所述的方法,其特征在于,所述获取所述风力发电机组的振动评价数据的步骤包括:
针对所述预定时间段内的每个周期,获取所述风力发电机组的加速度;
将所述风力发电机组的加速度进行时频变换以得到频谱图,将所述频谱图中的最大能量的幅值所对应的频率作为有效特征频率;
获取所述预定时间段内所述风力发电机组的加速度最大值所对应的转速;
将所述有效特征频率和所述转速的比值作为风力发电机组的振动评价数据。
9.一种识别风力发电机组异常的设备,其特征在于,包括:
状态确定模块,用于确定所述风力发电机组的机侧电流的平衡状态;
振动确定模块,用于确定所述风力发电机组的振动状态;
识别模块,用于基于所述状态确定模块和所述振动确定模块的确定结果对所述风力发电机组的异常进行识别。
10.如权利要求9所述的设备,其特征在于,所述识别模块执行以下操作:
当所述风力发电机组的机侧电流处于不平衡状态且所述风力发电机组振动异常时,确定所述风力发电机组发生异常。
11.如权利要求9所述的设备,其特征在于,所述状态确定模块包括:
电流评价数据获取单元,用于获取所述风力发电机组的预定绕组的三相电流评价数据,其中,所述三相电流评价数据为预定时间段内的各个周期的所述预定绕组的三相电流和的绝对值的平均值;
电流状态判断单元,用于判断所述三相电流评价数据是否在第一预定范围内,根据判断结果确定所述风力发电机组的机侧电流的平衡状态。
12.如权利要求11所述的设备,其特征在于,所述电流状态判断单元执行以下操作:
当所述三相电流评价数据在第一预定范围内时,确定所述风力发电机组的机侧电流处于不平衡状态。
13.如权利要求11所述的设备,其特征在于,所述电流评价数据获取单元执行以下操作:
针对所述预定时间段内的每个周期,获取所述预定绕组每一相的初始相电流;
通过对所述每一相的初始相电流进行滤波处理以得到所述预定绕组每一相的相电流数据;
针对所述预定时间段内的每个周期,将所述预定绕组的每一相的相电流数据相加并取绝对值以得到三相电流和的绝对值;
将所有周期的三相电流和的绝对值的平均值作为三相电流评价数据。
14.如权利要求9所述的设备,其特征在于,所述振动确定模块包括:
振动评价数据获取单元,用于获取所述风力发电机组的振动评价数据,其中,所述振动评价数据为所述预定时间段内所述风力发电机组的转频数据;
振动状态判断单元,用于判断所述转频数据是否在第二预定范围内,根据判断结果确定所述风力发电机组的振动状态。
15.如权利要求14所述的设备,其特征在于,所述振动状态判断单元执行以下操作:
当所述转频数据在第二预定范围内,确定所述风力发电机组振动异常。
16.如权利要求14所述的设备,其特征在于,所述振动评价数据获取单元执行以下操作:
针对所述预定时间段内的每个周期,获取所述风力发电机组的加速度;
将所述风力发电机组的加速度进行时频变换以得到频谱图,将所述频谱图中的最大能量的幅值所对应的频率作为有效特征频率;
获取所述预定时间段内所述风力发电机组的加速度最大值所对应的转速;
将所述有效特征频率和所述转速的比值作为风力发电机组的振动评价数据。
17.一种存储有计算机程序的计算机可读存储介质,当所述计算机程序在被处理器执行时实现权利要求1至8中的任意一项所述的方法。
18.一种识别风力发电机组异常的系统,其特征在于,所述系统包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现权利要求1至8中的任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437392.8A CN109959411A (zh) | 2017-12-26 | 2017-12-26 | 一种识别风力发电机组异常的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437392.8A CN109959411A (zh) | 2017-12-26 | 2017-12-26 | 一种识别风力发电机组异常的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109959411A true CN109959411A (zh) | 2019-07-02 |
Family
ID=67022618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711437392.8A Pending CN109959411A (zh) | 2017-12-26 | 2017-12-26 | 一种识别风力发电机组异常的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109959411A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787654B (zh) * | 2019-11-26 | 2022-12-21 | 日商富士電機機器制御股份有限公司 | 診斷裝置、分電盤、控制盤、診斷方法及機械診斷程式 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201243209Y (zh) * | 2008-05-06 | 2009-05-20 | 成都阜特科技有限公司 | 风力发电机组控制系统 |
CN201717614U (zh) * | 2009-04-09 | 2011-01-19 | 北京天源科创风电技术有限责任公司 | 风力发电机组发电机过电流及三相不平衡检测保护装置 |
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
KR101345598B1 (ko) * | 2012-08-08 | 2013-12-27 | 경희대학교 산학협력단 | 풍력발전기 상태 모니터링 방법 및 시스템 |
CN106525225A (zh) * | 2016-11-07 | 2017-03-22 | 南京理工大学 | 基于嵌入式计算机和采集卡的风力发电机组监测设备和方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN107061186A (zh) * | 2017-06-09 | 2017-08-18 | 北京金风慧能技术有限公司 | 风力发电机组振动异常预警方法和装置 |
-
2017
- 2017-12-26 CN CN201711437392.8A patent/CN109959411A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201243209Y (zh) * | 2008-05-06 | 2009-05-20 | 成都阜特科技有限公司 | 风力发电机组控制系统 |
CN201717614U (zh) * | 2009-04-09 | 2011-01-19 | 北京天源科创风电技术有限责任公司 | 风力发电机组发电机过电流及三相不平衡检测保护装置 |
KR101345598B1 (ko) * | 2012-08-08 | 2013-12-27 | 경희대학교 산학협력단 | 풍력발전기 상태 모니터링 방법 및 시스템 |
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
CN106525225A (zh) * | 2016-11-07 | 2017-03-22 | 南京理工大学 | 基于嵌入式计算机和采集卡的风力发电机组监测设备和方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN107061186A (zh) * | 2017-06-09 | 2017-08-18 | 北京金风慧能技术有限公司 | 风力发电机组振动异常预警方法和装置 |
Non-Patent Citations (2)
Title |
---|
刘文艺: "《风力发电机组振动监测与故障诊断技术》", 31 January 2016, 中国矿业大学出版社 * |
才家刚 等: "《三相异步电动机维修手册》", 31 March 2014, 上海科学技术出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787654B (zh) * | 2019-11-26 | 2022-12-21 | 日商富士電機機器制御股份有限公司 | 診斷裝置、分電盤、控制盤、診斷方法及機械診斷程式 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leite et al. | Detection of localized bearing faults in induction machines by spectral kurtosis and envelope analysis of stator current | |
Faiz et al. | Comprehensive review on inter‐turn fault indexes in permanent magnet motors | |
Soua et al. | Determination of the combined vibrational and acoustic emission signature of a wind turbine gearbox and generator shaft in service as a pre-requisite for effective condition monitoring | |
CN103926506B (zh) | 基于构建函数的汽轮发电机转子绕组短路故障诊断方法 | |
CN103019135A (zh) | 风机部件的寿命预测方法及系统 | |
Chen et al. | Bearing corrosion failure diagnosis of doubly fed induction generator in wind turbines based on stator current analysis | |
US10408879B2 (en) | Method and apparatus for diagnosing a fault condition in an electric machine | |
Odgaard et al. | Results of a wind turbine FDI competition | |
Jaros et al. | Advanced signal processing methods for condition monitoring | |
CN108051739B (zh) | 用于监测永磁电机转子失磁故障的方法和系统 | |
CN108680858B (zh) | 用于监测永磁同步电机转子失磁故障的方法和系统 | |
Meinguet et al. | Change‐detection algorithm for short‐circuit fault detection in closed‐loop AC drives | |
Tian et al. | A review of fault diagnosis for traction induction motor | |
Wei et al. | Extended Park's vector method in early inter‐turn short circuit fault detection for the stator windings of offshore wind doubly‐fed induction generators | |
Senanayaka et al. | Multiple fault diagnosis of electric powertrains under variable speeds using convolutional neural networks | |
CN110297183B (zh) | 一种同步调相机转子匝间短路故障诊断方法、装置及存储介质 | |
Armando Mazzoletti et al. | Interturn short‐circuit fault diagnosis in PMSM with partitioned stator windings | |
CN109959411A (zh) | 一种识别风力发电机组异常的方法和设备 | |
Hichem et al. | Fuzzy monitoring of stator and rotor winding faults for DFIG used in wind energy conversion system | |
Vaimann et al. | Artificial intelligence in monitoring and diagnostics of electrical energy conversion systems | |
He et al. | Enhanced wind turbine main drivetrain gearbox and bearing monitoring and diagnostics via information fusion of acoustic, electrical, and vibration signatures | |
Arunan et al. | Differential fault detection scheme for islanded AC microgrids using digital signal processing and machine learning techniques | |
Refaat et al. | ANN-based diagnosis of incipient stator winding turn faults for three-phase induction motors in the presence of unbalanced supply voltage | |
Nazemi et al. | Stator and rotor turn‐to‐turn fault detection in wound rotor induction machines based on the air‐gap magnetic field distortion | |
Pietrzak et al. | Stator winding fault detection of permanent magnet synchronous motors based on the bispectrum analysis |
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: 20190702 |