CN110259646A - 一种基于历史数据的风力发电机组部件状态预警方法 - Google Patents

Abstract

本发明公开了一种基于历史数据的风力发电机组部件状态预警方法，首先，收集风力发电机组的主要运行特征数据；对运行特征数据进行关键部件运行特征数据相关性分析，通过相关性分析提取出与部件运行特征数据敏感度高的特征运行数据；对筛选后的特征数据进行数据清洗；将清洗后的数据输入训练模块建立预测模型，并对模型进行测试、参数整定，通过训练学习算法最终得到预测模型；将预测模型部署到风力发电机组上，再运行预测模型得到关键部件运行特征数据预测值，当模型预测值与实际值偏差大于预先设定的阀值时，报警输出，从而实现风力发电机组预警保护停机。本发明具有预测精确、可靠性高、经济性好等优点。

Description

一种基于历史数据的风力发电机组部件状态预警方法

技术领域

本发明涉及风力发电机组故障诊断预警的技术领域，尤其是指一种基于历史数据的风力发电机组部件状态预警方法。

背景技术

“互联网+智慧能源”时代背景下，数字化、智能化与传统风电产业的深度融合成为风能技术发展新趋势。通过风电场智能化来提高风电机组运行稳定性，降低运维成本，成为行业内公认提高市场竞争力的必然选择。兆瓦级双馈型风力发电机组投运我国市场已超10年，运行涵盖平原、高原、山地、近海等不同复杂地理环境，大部分投运机组逐步进入磨损老化期，项目故障率逐年攀升，尤其发电机、齿轮箱这类大型部件，一旦发生重大故障其更换、维修费用高昂。传统的预防性维修方式不能有效地预测故障发生的时间、有效遏制风电事故的频繁发生。如何利用数字化、智能化技术对关键部件状态预警的意义重大。

发明内容

本发明的目的在于降低风电机组事故发生率，提高风机的运行效率，实现风电机组出力的最大化，提出了一种基于历史数据的风力发电机组部件状态预警方法，通过风机运行时产生的功率、温度、转速等关键信号历史数据，应用现代信息技术和人工神经网络建立预测模型，该模型可实时预测部件运行关键特征数据，当预测值超过阀值时代表系统部件运行存在异常，从而达到预警停机保护的目的，通过对风机运行状态的趋势预，逐步从预防性维修过渡到故障预测和健康管理，以此降低机组事故发生率，降低维修费用，减少维修时间，提高机组运行效率和可靠性利用。

为实现上述目的，本发明所提供的技术方案为：一种基于历史数据的风力发电机组部件状态预警方法，包括以下步骤：

1)收集风力发电机组的主要运行特征数据；

2)对收集到的运行特征数据进行关键部件运行特征数据相关性分析，通过相关性分析提取出与部件运行特征数据敏感度高的特征运行数据；

3)对筛选后的特征数据进行数据清洗，把异常点和无效点这些影响模型建立的数据点剔除；

4)将清洗后的数据输入训练模块建立预测模型，并对模型进行测试、参数整定，通过训练学习算法最终得到预测模型；

5)将预测模型部署到风力发电机组上，再运行预测模型得到关键部件运行特征数据预测值，当模型预测值与实际值偏差大于预先设定的阀值时，报警输出，从而实现风力发电机组预警保护停机。

在步骤1)中，通过SDADA系统获取风力发电机组的关键运行历史数据，选择10min平均值标签点，选择数据时间段1年作为一个完整历史数据训练跨度周期。

在步骤3)中，把异常点和无效点这些干扰影响模型建立的数据点剔除，包括停机数据、限功率数据和异常数据点。

在步骤4)中，首先假设清洗后与预测目标相关的特征数据个数为R，样本采样数为W，将输入数据序列、输出数据序列转化为矩阵，输入矩阵inputs维数为R×W，输出矩阵targets维数为1×W；

样本输入矩阵、输出矩阵在输入到模型前需要进行归一化处理，即把样本的数值范围变换至[0.01,1]；根据每个特征标量的物理意义确定其标称最大值，归一化公式为：归一化值＝0.01+(0.99×实际值)/物理意义标称最大值；

将归一化后的输入矩阵与权值矩阵wih做点运算，wih矩阵维数为hnodes×R，得到hidden_inputs变量，维数为hnodes×W，其中hnodes为训练维数，它大小决定了训练的复杂度：

Hidden_inputs＝wih·inputs

把得到的Hidden_inputs输入对数-s形函数得到Hidden_outputs，对数-s形函数表达式为：

式中，a为函数输出，e为自然常数，n为整数；该函数的输入在(∞,∞)之间取值，输出在0到1之间取值；

将Hidden_outputs与who权值矩阵进行点运算得到final_inputs变量，who矩阵维数为1×hnodes，得到的final_inputs变量维数为1×W：

final_inputs＝who·Hidden_outputs

把得到的final_inputs输入对数-s形函数得到final_outputs，维数为1×W；

随机生成wih、who权值矩阵值初使值，并利用随机矩阵生成算法将随机值限定在±1之间，训练学习算法如下：

①计算输出偏差与目标之前的偏差output_errors＝targets-final_outputs，更新who，更新规则为：

who+＝L×output_errors×final_outputs*(1.0-final_outputs)·Hidden_outputs^T

其中，L为学习率，取0.1，T为矩阵转置；

②计算隐含偏差hidden_errors＝who^T·output_errors，更新wih，更新规则为：

wih+＝L*hidden_errors*Hidden_outputs*(1.0-Hidden_outputs)·inputs^T；

通过重复①、②过程直到模型输出与目标误差精度达到要求，最终确定wih、who权值矩阵参数，完成模型训练学习；

完成模型训练以后，在测试模型时需要将模型输出矩阵数据进行逆归一化，即把模型输出数值转换到其实际值，逆归一化公式如下：

逆归一化值＝物理意义标称最大值×(预测值–0.01)/0.99。

本发明与现有技术相比，具有如下优点与有益效果：

1、利用风电机组的温度、油压、转速、风速等各项指标数据，来建立预测模型，来对风机发生故障时的异常数据进行预警，它与传统的建模技术不同，不依赖于物理数学模型的建立精准度，也不需要对模型进行参数辨识整定，而是通过历史特征数据间的多变量特定关联来反向逆推系统模型，对系统状态进行预测，且经仿真分析回归率高达97％以上，如图2所示。机组运行历史数据可从传统的SCADA系统获取，具有很强的可行性，而且不增加硬件成本。

2、利用滚动式窗口计算，可实现预测模型参数定期自动更新，以适应不同运行工况下各种变化，即通过自学习迭代来保证模型参数的最优化，可有效避免局部最优陷阱。通过在兆瓦级风力发电机组上部署实施，模型预测输出与实测数据间的偏差在0.09％-1.7％范围内，平均预测偏差为0.87％，如图3所示。

总之，本发明方法具有预测精确、可靠性高、方便推广、经济性好等优点。

附图说明

图1为本发明方法的逻辑流程示意图。

图2为回归率分析示意图。

图3为温度预测偏差分布示意图。

图4为部署实测界面图。

图5为部署预测偏差趋势图。

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，本实施例所提供的基于历史数据的风力发电机组部件状态预警方法，具体是以某南方项目实施为例对轴子轴承A温度实施预警，首先，通过SDADA系统获取该项目风力发电机组的关键运行历史数据，选择10min平均值标签点，样本数据是该风电场1#机组2017年6月30日00:00至2018年6月30日00:00数据，数据是10分钟一组。

经过相关性分析，选择样本数据包括：(1)室外温度10分钟平均值，(2)轮毂温度10分钟平均值，(3)机舱温度10分钟平均值，(4)转子轴承B温度10分钟平均值，(5)发电机功率10分钟平均值，(6)发电机转速10分钟平均值，(7)风速10分钟平均值，(8)有功功率设定值，(9)转子轴承A温度10分钟平均值。其中，(1)-(8)是输入样本数据，(9)是输出样本数据(目标样本数据)。

把异常点和无效点等这些干扰影响模型建立的数据点剔除，如停机数据(含正常停机、故障停机、维护停机)、限功率数据、异常数据点等；将清洗后的数据输入训练模块建立预测模型，并对模型进行测试、参数整定，最终得到预测模型：

与预测目标思子轴承A温度相关的特征数据个数为8，样本采样数为418990，将输入数据序列、输出数据序列转化为矩阵，输入矩阵inputs维数为8×418990，输出矩阵targets维数为1×418990；

样本输入矩阵、输出矩阵在输入到模型前需要进行归一化处理，即把样本的数值范围变换至[0.01,1]。根据每个特征标量的物理意义确定其标称最大值，归一化公式如下：归一化值＝0.01+(0.99×实际值)/物理意义标称最大值。

将归一化后的输入矩阵与权值矩阵wih做点运算，wih矩阵维数为10×8，得到hidden_inputs变量，维数为10×418890：

Hidden_inputs＝wih·inputs

把得到的Hidden_inputs输入对数-s形函数得到Hidden_outputs，维数为10×418890，对数-s形函数表达式为：

式中，a为函数输出，e为自然常数，其值约为2.71828，n为整数；该函数的输入在(∞,∞)之间取值，输出在0到1之间取值。

将Hidden_outputs与who权值矩阵进行点运算得到final_inputs变量，who矩阵维数为1×10，得到的final_inputs变量维数为1×418890：

final_inputs＝who·Hidden_outputs

把得到的final_inputs输入对数-s形函数得到final_outputs，维数为1×418890，对数-s形函数表达式为：

该函数的输入在(∞,∞)之间取值，输出在0到1之间取值。

随机生成wih、who权值矩阵值初使值，并利用随机矩阵生成算法将随机值限定在±1之间，训练学习算法如下：

①计算输出偏差与目标之前的偏差output_errors＝targets-final_outputs，更新who，更新规则为：

who+＝L×output_errors×final_outputs*(1.0-final_outputs)·Hidden_outputs^T

其中，L为学习率，取0.1，T为矩阵转置。

②计算隐含偏差hidden_errors＝who^T·output_errors，更新wih，更新规则为：wih+＝L*hidden_errors*Hidden_outputs*(1.0-Hidden_outputs)·inputs^T

其中，L为学习率，取0.1，T为矩阵转置。

通过重复①、②过程最终可确定wih、who权值矩阵参数，完成模型训练学习。

完成模型训练以后，在测试模型时需要将模型输出矩阵数据进行逆归一化，即把模型输出数值转换到其实际值。逆归一化公式如下：

逆归一化值＝物理意义标称最大值×(预测值–0.01)/0.99

得到wih、who权值矩阵：

Wih＝[-1.5961501286006281042 0.0263034016182911618840.19954709161630218572 0.027511489343909865946

0.20842817355450177219 1.9109642487980591508-0.025974490477664907012

-0.33753618830230025516；-1.332269530905881405 0.073800353647646893540.36510090388651827986

0.025951698960348816569 0.21217071330241960014 1.5664666291405522358-0.021131383952706049578

-0.44385165149712701993；-13.063513304546139793-2.27758775991438477961.7756620984409641206

0.47335304769064023844 0.78067808608141775473 13.125913505336097131-0.032714182997571283895

10.024073010031255393；0.97618710416163734234-0.095285517854706361374-0.39367780554757414446

-0.021970091436979002214-0.19232508477357454502-1.11330135752755876590.016047551428412062946

0.51944669257251074868；-17.187363263141925529 4.68517113120232675530.19064416524754504434

0.57348788697685015858-2.224046823262575856 21.742711869937703995-0.0077515575299158014089

-14.888684630233758099；2.6768455841866023448-1.13997925683047296450.96120416132024977252

-2.9292785748984622174-0.045715017056382631355 0.37211416323716078880.3150825303548369094

-2.744940904016836658；18.619424874687233284-5.2408557713406302981.9881351955543662413

-0.61987419327643999978 2.3691455423688849713-23.293600086288186901-0.0076102862547994046261

15.927635457462750779；-15.51072427305360435-2.53760930417959418291.1336945082111142824

0.44219743143862416668 0.86424665036096393056 15.580000909228770567-0.037475355691738848618

11.710747131043289571；-91.575298861090544733 2.7082844039956746052-6.3016675910104824609

0.94204048598082512633-0.86582416729980327119 104.70007037369020964-0.080580997045924487865

-2.2021563173222107324；14.233443446116281095 2.4098532454922616534.8353497112907675159

-0.45815523002362340543-0.82273772118583488044-14.3010329981469457290.035082216483279964059

-10.848888223501347738]；

Who＝[-17.173669800370689131 35.423946944806502302-12.403773855756350386 20.325141997266825911 -0.75575815278426516919 -0.074412078464383635268 -0.70943104954653879446 -11.221995352688409753 -0.05177138299769248192-23.500341960357612692]；

回归率分析及预测温度偏差如图2、3所示。将预测模型部署到风力发电机组上，如图4所示。在风力发电机组正常运行工况下，由模型得到关键部件运行特征数据预测值及偏差趋势，如图5所示。当模型预测值与实际值偏差大于预先设定的阀值时，模型发出预警实现设备保护停机。

在采用以上方案后，本发明方法与现有技术相比，具有如下优点：

1、预测准确度高

本发明方法主要原理是利用历史数据来建立预测模型，通过预测目标相关性分析来筛选训练输入特征变量，再进行数据清洗得到训练所需求数据，通过训练算法来建立数据预测模型，部署实测预测精度高达98％以上。

2、可靠性高、方便推广

预测算法根据项目前一年运行历史数据进行离线训练得到预测模型，不占用设备资源进行实时训练，整个过程易于实现推广，在稳定性、时效性上容易被客户和工程技术人员所认可和接受。

本发明方法原理简单实用，较为方便地移植到MY2.0MW、SCD3.0MW、MYSE5.5等机型，同时也可以适用于市场上大部分水平轴风力发电机机型。

3、经济性好

本发明属于软件算法，无硬件成本，具有极高的性价比。

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 (4)

1.一种基于历史数据的风力发电机组部件状态预警方法，其特征在于，包括以下步骤：

1)收集风力发电机组的主要运行特征数据；

2)对收集到的运行特征数据进行关键部件运行特征数据相关性分析，通过相关性分析提取出与部件运行特征数据敏感度高的特征运行数据；

3)对筛选后的特征数据进行数据清洗，把异常点和无效点这些影响模型建立的数据点剔除；

4)将清洗后的数据输入训练模块建立预测模型，并对模型进行测试、参数整定，通过训练学习算法最终得到预测模型；

5)将预测模型部署到风力发电机组上，再运行预测模型得到关键部件运行特征数据预测值，当模型预测值与实际值偏差大于预先设定的阀值时，报警输出，从而实现风力发电机组预警保护停机。

2.根据权利要求1所述的一种基于历史数据的风力发电机组部件状态预警方法，其特征在于：在步骤1)中，通过SDADA系统获取风力发电机组的关键运行历史数据，选择10min平均值标签点，选择数据时间段1年作为一个完整历史数据训练跨度周期。

3.根据权利要求1所述的一种基于历史数据的风力发电机组部件状态预警方法，其特征在于：在步骤3)中，把异常点和无效点这些干扰影响模型建立的数据点剔除，包括停机数据、限功率数据和异常数据点。

4.根据权利要求1所述的一种基于历史数据的风力发电机组部件状态预警方法，其特征在于：在步骤4)中，首先假设清洗后与预测目标相关的特征数据个数为R，样本采样数为W，将输入数据序列、输出数据序列转化为矩阵，输入矩阵inputs维数为R×W，输出矩阵targets维数为1×W；

样本输入矩阵、输出矩阵在输入到模型前需要进行归一化处理，即把样本的数值范围变换至[0.01,1]；根据每个特征标量的物理意义确定其标称最大值，归一化公式为：归一化值＝0.01+(0.99×实际值)/物理意义标称最大值；

将归一化后的输入矩阵与权值矩阵wih做点运算，wih矩阵维数为hnodes×R，得到hidden_inputs变量，维数为hnodes×W，其中hnodes为训练维数，它大小决定了训练的复杂度：

Hidden_inputs＝wih·inputs

把得到的Hidden_inputs输入对数-s形函数得到Hidden_outputs，对数-s形函数表达式为：

式中，a为函数输出，e为自然常数，n为整数；该函数的输入在(∞,∞)之间取值，输出在0到1之间取值；

将Hidden_outputs与who权值矩阵进行点运算得到final_inputs变量，who矩阵维数为1×hnodes，得到的final_inputs变量维数为1×W：

final_inputs＝who·Hidden_outputs

把得到的final_inputs输入对数-s形函数得到final_outputs，维数为1×W；

随机生成wih、who权值矩阵值初使值，并利用随机矩阵生成算法将随机值限定在±1之间，训练学习算法如下：

①计算输出偏差与目标之前的偏差output_errors＝targets-final_outputs，更新who，更新规则为：

who+＝L×output_errors×final_outputs*(1.0-final_outputs)·Hidden_outputs^T

其中，L为学习率，取0.1，T为矩阵转置；

②计算隐含偏差hidden_errors＝who^T·output_errors，更新wih，更新规则为：

wih+＝L*hidden_errors*Hidden_outputs*(1.0-Hidden_outputs)·inputs^T；

通过重复①、②过程直到模型输出与目标误差精度达到要求，最终确定wih、who权值矩阵参数，完成模型训练学习；

完成模型训练以后，在测试模型时需要将模型输出矩阵数据进行逆归一化，即把模型输出数值转换到其实际值，逆归一化公式如下：

逆归一化值＝物理意义标称最大值×(预测值–0.01)/0.99。