CN110410282B - 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 - Google Patents

基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 Download PDF

Info

Publication number
CN110410282B
CN110410282B CN201910671934.0A CN201910671934A CN110410282B CN 110410282 B CN110410282 B CN 110410282B CN 201910671934 A CN201910671934 A CN 201910671934A CN 110410282 B CN110410282 B CN 110410282B
Authority
CN
China
Prior art keywords
data
wind turbine
turbine generator
som
fault
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.)
Active
Application number
CN201910671934.0A
Other languages
English (en)
Other versions
CN110410282A (zh
Inventor
梁涛
崔洁
石欢
陈博
李宗琪
程立钦
钱思琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN201910671934.0A priority Critical patent/CN110410282B/zh
Publication of CN110410282A publication Critical patent/CN110410282A/zh
Application granted granted Critical
Publication of CN110410282B publication Critical patent/CN110410282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • 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
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • 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
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • F03D80/50—Maintenance or repair
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开一种基于SOM‑MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，首先根据局部异常因子算法、偏最小二乘法和拉普拉斯特征映射降维技术对获取的实时数据进行处理，提取影响机组健康状况的重要特征参量；其次将这些特征参量输入到SOM‑MQE健康状态评估模型中，计算风电机组健康衰退指数并评估机组的健康状态；最后，利用模糊C均值软聚类算法将状态异常机组运行数据进行聚类分析，确定机组故障类型。本发明可以实时、准确的对风电机组的健康状态进行监测并实现对故障部件的准确定位，检测风电机组状态异常准确度达99.9％左右，为维修人员针对风机的实时运行情况进行相应的检修提供了指导意见。

Description

基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊 断方法
技术领域
本发明涉及风力发电技术与计算机监测技术领域，尤其涉及一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法。
背景技术
随着化石和各类矿产资源的逐渐耗尽和人类对能源需求的日益增加，人们对可再生能源的利用给予了高度的重视，其中风能的装机容量最大，成为占比最高的可再生能源。
然而在风电机组装机容量持续增长的同时，单机可靠性问题却不容乐观。一方面风电机组故障频发，降低了风能利用率，较低的可靠性导致风电场运行及维护费用居高不下，大大增加了运维成本；另一方面，风电机组通常坐落于山区等较偏于的地方，海上风电场也处于近海及临海区域，工作环境恶劣，且机舱一般安装在离地数十米甚至上百米的高空处，对风电机组的运行状况进行实时检查及健康度评估十分困难。因此，亟需一种风电机组健康状态在线监测及故障诊断方法。
发明内容
本发明的目的是提供一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，以解决上述现有技术存在的问题，使风电机组的运行状况能够进行实时检查及健康度评估。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，步骤一：历史数据清洗：从SCADA系统中获取风电机组的特征参量历史数据，采用局部异常因子LOF算法对提取的特征参量历史数据进行预处理，剔除异常数据点；
步骤二：特征提取：利用偏最小二乘PLS算法对风机运行过程中产生的风速、叶轮转速、有功功率、桨叶的实际值、发电机转速、齿轮箱油温、齿轮箱轴承温度、偏航角度、发电机扭矩、发电机转矩实际值、塔筒加速度、功率因数、环境温度、轮毂温度、机舱温度、轴承的温度特征参量进行特征提取；
步骤三：数据降维：使用基于拉普拉斯特征映射LE降维技术将特征参量数据压缩至三维，经过压缩的数据代表了输入与输出之间的关系；
步骤四：计算健康值：以风机维修后三周的运行数据作为基准状态数据，将自组织映射神经网络SOM算法作为一种映射技术，SOM的输入层是基准状态数据，输出层是经过训练后的输出权重，采用最小量化误差MQE评价标准衡量风电机组健康状态退化程度；
步骤五：设置报警限：选定置信度为99.9％，即0.1％的误报警率，采用核平滑密度估计法设定报警界限；
步骤六：获取故障历史数据：从SCADA系统中获取内风电机组各类故障的历史数据；
步骤七：故障数据处理：采用LOF、PLS和LE算法对故障历史数据进行清洗和降维处理；
步骤八：划分故障类型：采用模糊C均值软聚类SFCM算法对数据的故障类型进行聚类分析并确定聚类中心点，SFCM算法通过将相似度高的数据聚为一类从而完成对风电机组故障类别的划分；
步骤九：实时数据处理：从SCADA系统中实时获取风电机组的特征参量数据，采用LOF和LE算法对数据进行清洗和降维处理；
步骤十：健康度计算：由训练好的SOM-MQE健康评估模型确定机组运行状态；
步骤十一：故障诊断：如若机组健康状态衰退，采用SFCM算法将风电机组运行数据聚为一类并确定聚类中心，通过计算该时刻聚类中心与各故障类型聚类中心的欧式距离来对故障部件进行定位。
优选的，所述步骤一中的预处理过程为：LOF算法通过比较样本对象附近的密度与邻域的密度来判断异常程度，数据点LOF值为：
Figure BDA0002142013850000021
其中，lrdk(p)为p邻域局部可达密度，lrdk(o)为o点局部可达密度，Nk(p)是k邻域距离，表示任何与对象p的距离小于k距离数据的集合。
优选的，构造k近邻图，采用热核法对k近邻图的每条边赋值，构造出的图为近邻图G。
优选的，使用风电机组基准数据作为SOM算法的输入训练网络，此时在输出层会产生获胜神经元的权值向量W，新输入数据的权值向量Z和基准数据产生的权值向量W之间的距离作为衡量风电机组健康状态的评价指标，距离越大表明风电机组健康衰退现象越严重，反之距离越小表明风电机组此时状态与基准时刻状态越接近。
本发明公开了以下技术效果：(1)可以实时诊断风电机组健康状态，节省人力，减少人员调度；(2)通过设置报警界限可以提前两到三天预知机组故障情况，预检预修，减少发电损失，降低维修成本和运维费用；(3)可以对故障部件进行准确定位，减少故障排查时间。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明具体实施方式中风电机组健康状态在线监测及故障诊断方法流程图；
图2为本发明具体实施方式中SOM-MQE计算健康值的流程图；
图3为SFCM故障诊断流程图；
图4为实时数据获取流程图。
具体实施方式
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，所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-2，本发明提供一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，
步骤一：历史数据清洗：从SCADA系统中获取较长时间段内风电机组的特征参量历史数据，采用LOF算法对提取的特征参量历史数据进行预处理，剔除异常数据点。LOF算法通过比较样本对象附近的密度与邻域的密度来判断异常程度，无需过多训练，能满足对风机异常数据检测的需求，根据公式1计算数据点LOF值：
Figure BDA0002142013850000041
其中，lrdk(p)为p邻域局部可达密度，lrdk(o)为o点局部可达密度，Nk(p)是k邻域距离，表示任何与对象p的距离小于k距离数据的集合。
步骤二：特征提取：利用PLS对风机运行过程中产生的全部特征参量进行特征提取，所述特征参量包括风机运行过程中产生的风速、叶轮转速、有功功率、桨叶的实际值、发电机转速、齿轮箱油温、齿轮箱轴承温度、偏航角度、发电机扭矩、发电机转矩实际值、塔筒加速度、功率因数、环境温度、轮毂温度、机舱温度、轴承的温度。PLS在提取主成分特征向量ti时一方面要尽可能代表自变量矩阵X中的信息，另一方面要尽可能解释因变量y(由于风机健康状态主要通过输出功率这一指标反映，所以这里只考虑功率这一单因变量，用y表示)，因此可以用主成分ti与y二者之间的关系来反映模型的内部信息。主成分ti对因变量y的解释能力为:
Rd(y；ti)＝r2(y,ti)………………………………(2)
其中，r(y,ti)是y与ti之间的相关系数。通过自变量矩阵X与主成分ti之间的关系以及ti对因变量y的解释能力，可以得到第k个自变量对因变量y的重要指标VIPk为：
Figure BDA0002142013850000051
其中p为自变量个数，ωik为权值向量ωi的第k个分量；
反映了第k个自变量对ti的边际贡献为：
Figure BDA0002142013850000052
其中自变量Xk通过主成分ti来传递对y的解释，Xk通过ωik来影响ti，ti通过Rd(y；ti)来影响因变量y。当ωik和Rd(y；ti)都很大时，第k个自变量Xk对y的重要性即VIPk很大。选取前m个特征参量作为经过PLS提取出来的重要特征。
步骤三：数据降维：基于LE降维技术将提取的特征参量压缩至三维空间，经过压缩的数据以最简洁的形式代表了输入与输出之间的关系。LE是一种典型的基于谱图理论的非线性降维方法，它在降维过程中通过保持数据之间的局部近邻关系得到数据在低维空间中的表示，即数据在高维空间中是近邻关系，在低维空间仍保持其近邻关系。首先采用k近邻方法构造近邻图G。对于每个风电机组数据点xi∈X，计算它与X中每个样本之间的距离并按从小到大的顺序排列，取与xi最近的k个样本点构成样本xi的k近邻集。令Nk(xi)表示样本xi的k近邻集，则
Nk(xi)＝{xj∈X|||xi-xj||2≤dk(xi)}………………………(5)
其中dk(xi)表示xi的第k距离。如果xi与xj是近邻关系，则将xi与xj用一条边连接起来，构成一个k近邻图。然后采用热核法对每条边赋权值，热核法权值表达式为:
Figure BDA0002142013850000053
其中，β是调整高斯核函数的比例因子，通常由数据集X中所有样本的平均相似度决定。若样本间距离越小，则Wij的值越小；反之则越大。由上述方法构造出来的图为近邻图G。最后构造优化问题并转化为广义特征值问题，将原始高维数据在低维空间中表示。由于LE方法的目的是降维过程中保持数据间的局部近邻关系，使得数据在高维空间中是近邻关系，在低维空间中仍保持其近邻关系。因此，构造如下的优化问题:
Figure BDA0002142013850000061
如果样本xi与xj之间距离越近，则权值越大，对应的低维表示yi与yj对目标函数的贡献越大，使得近邻样本嵌入到低维空间中仍保持近邻关系。整理上式可得：
Figure BDA0002142013850000062
为了在嵌入过程中排除任意缩放因子确保优化问题有解，并且在降维后排除平凡解，加入限制条件:
tr(YTDY)＝1………………………………………(9)
根据拉格朗日乘子法对函数表达式F(Y)：
F(Y)＝tr(YTLY)-λ[tr(YTDY)-1]……………………(10)
求Y的偏导为零得：
LY＝λDY…………………………………………(11)
选取特征值中前三个最小非零特征值对应的特征向量即为高维数据在低维空间中的表示。
步骤四：计算健康值：
采用SOM算法结合MQE评估标准计算风电机组健康衰退指数。使用风电机组基准数据作为SOM算法的输入训练网络，此时在输出层会产生获胜神经元的权值向量W，新输入数据的权值向量Z和基准数据产生的权值向量W之间的距离可以作为衡量风电机组健康状态的评价指标，距离越大表明风电机组健康衰退现象越严重，反之距离越小表明风电机组此时状态与基准时刻状态越接近。图2为SOM-MQE计算健康值的流程图，具体步骤为：
Step1：取维修后三周的数据作为基准数据，经过清洗和降维等数据处理过程后，将其作为SOM算法的输入；
Step2：初始化：对输出层各神经元权重赋初值并进行归一化处理得到权值向量矩阵W＝[ωi1,ωi2,ωi3]T，i＝1,2,...,m；建立初始优胜邻域，并对学习率α(t)赋初值；
Step3：归一化：对输入数据进行归一化处理；
Step4：寻找获胜神经元：当某个神经元的权重向量与输入向量的欧氏距离最小时，称该神经元为获胜神经元。这样，输入向量x的最佳匹配神经元可由下式计算:
||x-ωc||＝min{||x-ωi||}，i＝1,1,...,m……………(12)
Step5：权值调整：对优胜邻域内的神经元权值进行调整：
Figure BDA0002142013850000071
其中，
Figure BDA0002142013850000072
为一个预定义的邻域函数。若神经元权重的距离在邻域函数的范围内，则
Figure BDA0002142013850000073
神经元权重需要更新；否则，若神经元权重的距离在邻域函数的范围外，则
Figure BDA0002142013850000074
神经元权重不需要更新；
Step6：结束检查：判断学习率是否小于阈值，若是则结束循环，输出神经元权重向量W，若不是则继续重复Step3～Step6；
Step7：计算健康值：输入数据权重向量Z和基准数据权重向量W之间的距离可以用作性能指标，以定量测量风电机组退化状态。输入数据权重向量Z和基准数据权重向量W之间的距离定义为最小量化误差(MQE)
MQE＝||W-Z||……………………(14)
步骤五：设置报警限：选定置信度为99.9％(即0.1％的误报警率)，采用核平滑密度估计法设定报警界限。定义核密度估计算子：
Figure BDA0002142013850000075
式中，x代表数据点，xi为数据集中的观察点，h为带宽矩阵，K为核函数，满足公式(16)
K(x)≥0且
Figure BDA0002142013850000081
本研究选用高斯核函数，利用核平滑密度估计法得到报警界限。
步骤六：获取故障历史数据：从SCADA系统中获取较长时间段内风电机组各类故障的历史数据；
步骤七：故障数据处理：采用LOF、PLS和LE算法对故障历史数据进行清洗和降维等处理；
步骤八：划分故障类型：采用模糊C均值软聚类(SFCM)算法对数据的故障类型进行聚类分析并确定聚类中心点。SFCM算法通过寻找数据间的相似性，将相似性高的个体聚为一类，可以将样本同时划分到多个类别中，从而实现“软聚类”。在实际工程中，风电机组的故障类型可能不止一种，由于风机各部件之间存在严重的耦合作用，当一个部件发生损坏时可能也会引起其他部件产生故障，仅将这种样本归为一种故障类型会造成对风机的漏检漏修，针对这一局限性，提出SFCM算法。SFCM以软划分规则替代FCM中的最大隶属度原则，使样本可以被同时划分在多个类别中，并且SFCM是在FCM基础上实现的。
FCM中的隶属函数μik表示样本xk与子集xi的隶属关系，给定数据集X＝{x1,x2,…xn},mj(j＝1,2,...,k)为每个类的聚类中心，k为类别数目，μj(xi)是第i个样本对应第j类的隶属度函数，则基于隶属度函数的聚类损失函数可以写为：
Figure BDA0002142013850000082
其中，
Figure BDA0002142013850000083
为加权指数，也称为平滑因子，b在大多情况下取值为2。
令Jf对mj和μj(xi)的偏导数为0，求得公式(17)的极小值必要条件为：
Figure BDA0002142013850000084
Figure BDA0002142013850000091
用当前的聚类中心根据公式(19)计算隶属度函数；用当前的隶属度函数根据公式(18)重新计算各个聚类的中心。当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成模糊聚类划分。
SFCM算法先利用FCM计算出每个样本对每个类别的隶属度矩阵U＝(μik)i×k，再采用软划分规则对样本进行分类。软化分规则具体如下:
<1>若样本xi的最大隶属度μik满足:
μik＞0.5+0.5T-1……………………(20)
则xi被唯一地划分为类别k。式中，T为聚类个数。
<2>若样本xi的最大隶属度μik满足:
μik＞(T+δ)-1……………………(21)
则xi被划分为类别j时xi可属于多个类别。式中δ为重叠度，值越大表示两类别的重叠部分越大，一般取δ＝0.1T。
步骤九：实时数据处理：获取风电机组的特征参量实时数据，采用LOF和LE算法对数据进行清洗和降维处理；
步骤十：健康度计算：由训练好的SOM-MQE健康评估模型确定机组运行状态；
步骤十一：故障诊断：如若机组健康状态衰退，采用SFCM算法将风电机组运行数据聚为一类并确定聚类中心，通过计算该时刻聚类中心与各故障类型聚类中心的欧式距离来对故障部件进行定位。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，其特征在于，包括如下步骤：
步骤一：历史数据清洗：从SCADA系统中获取风电机组的特征参量历史数据，采用局部异常因子LOF算法对提取的特征参量历史数据进行预处理，剔除异常数据点；
步骤二：特征提取：利用偏最小二乘PLS算法对风机运行过程中产生的风速、叶轮转速、有功功率、桨叶的实际值、发电机转速、齿轮箱油温、齿轮箱轴承温度、偏航角度、发电机扭矩、发电机转矩实际值、塔筒加速度、功率因数、环境温度、轮毂温度、机舱温度、轴承的温度特征参量进行特征提取；
步骤三：数据降维：使用基于拉普拉斯特征映射LE降维技术将特征参量数据压缩至三维，经过压缩的数据代表了输入与输出之间的关系；
步骤四：计算健康值：以风机维修后三周的运行数据作为基准状态数据，将自组织映射神经网络SOM算法作为一种映射技术，SOM的输入层是基准状态数据，输出层是经过训练后的输出权重，采用最小量化误差MQE评价标准衡量风电机组健康状态退化程度；
步骤五：设置报警限：选定置信度为99.9％，即0.1％的误报警率，采用核平滑密度估计法设定报警界限；
步骤六：获取故障历史数据：从SCADA系统中获取内风电机组各类故障的历史数据；
步骤七：故障数据处理：采用LOF、PLS和LE算法对故障历史数据进行清洗和降维处理；
步骤八：划分故障类型：采用模糊C均值软聚类SFCM算法对数据的故障类型进行聚类分析并确定聚类中心点，SFCM算法通过将相似度高的数据聚为一类从而完成对风电机组故障类别的划分；
步骤九：实时数据处理：从SCADA系统中实时获取风电机组的特征参量数据，采用LOF和LE算法对数据进行清洗和降维处理；
步骤十：健康度计算：由训练好的SOM-MQE健康评估模型确定机组运行状态；
步骤十一：故障诊断：如若机组健康状态衰退，采用SFCM算法将风电机组运行数据聚为一类并确定聚类中心，通过计算所述聚类中心与各故障类型聚类中心的欧式距离来对故障部件进行定位。
2.根据权利要求1所述的基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，其特征在于：所述步骤一中的预处理过程为：LOF算法通过比较样本对象附近的密度与邻域的密度来判断异常程度，数据点LOF值为：
Figure FDA0002451548340000021
其中，lrdk(p)为p邻域局部可达密度，lrdk(o)为o点局部可达密度，Nk(p)是k邻域距离，表示任何与对象p的距离小于k距离数据的集合。
3.根据权利要求1所述的基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，其特征在于：构造k近邻图，采用热核法对k近邻图的每条边赋值，构造出的图为近邻图G。
4.根据权利要求1所述的基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，其特征在于：使用风电机组基准数据作为SOM算法的输入训练网络，此时在输出层会产生获胜神经元的权值向量W，新输入数据的权值向量Z和基准数据产生的权值向量W之间的距离作为衡量风电机组健康状态的评价指标，距离越大表明风电机组健康衰退现象越严重，反之距离越小表明风电机组此时状态与基准时刻状态越接近。
CN201910671934.0A 2019-07-24 2019-07-24 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 Active CN110410282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910671934.0A CN110410282B (zh) 2019-07-24 2019-07-24 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910671934.0A CN110410282B (zh) 2019-07-24 2019-07-24 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法

Publications (2)

Publication Number Publication Date
CN110410282A CN110410282A (zh) 2019-11-05
CN110410282B true CN110410282B (zh) 2020-06-16

Family

ID=68362861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910671934.0A Active CN110410282B (zh) 2019-07-24 2019-07-24 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法

Country Status (1)

Country Link
CN (1) CN110410282B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110940518B (zh) * 2019-11-27 2021-08-24 中北大学 一种基于故障数据的航天传动机构分析方法
CN111026741A (zh) * 2019-12-04 2020-04-17 国网天津市电力公司电力科学研究院 基于时间序列相似性的数据清洗方法及装置
CN111443259A (zh) * 2020-03-30 2020-07-24 国网山东省电力公司德州供电公司 基于局部异常因子检测的有源配电网故障诊断方法及系统
CN111623905B (zh) * 2020-05-21 2022-05-13 国电联合动力技术有限公司 风电机组轴承温度预警方法及装置
CN111881617B (zh) * 2020-07-02 2024-03-26 上海电气风电集团股份有限公司 数据处理方法、风力发电机组的性能评估方法及系统
CN113447813B (zh) * 2020-09-03 2022-09-13 中国绿发投资集团有限公司 海上风力发电机组的故障诊断方法及设备
CN112197890B (zh) * 2020-09-08 2021-07-13 西安交通大学 一种热量表性能退化评估方法、存储介质及设备
CN112525505A (zh) * 2020-11-06 2021-03-19 上海电气风电集团股份有限公司 故障检测方法、系统和存储介质
CN112528414A (zh) * 2020-12-17 2021-03-19 震兑工业智能科技有限公司 一种基于som-mqe的飞机发动机故障预警方法
CN112733283A (zh) * 2020-12-21 2021-04-30 北京华能新锐控制技术有限公司 一种风电机组部件故障预测方法
CN112682269A (zh) * 2020-12-21 2021-04-20 浙江工业大学 一种基于oc-rkelm的风电机组状态监测方法
CN112746934B (zh) * 2020-12-31 2022-03-15 江苏国科智能电气有限公司 一种自联想神经网络诊断风机故障方法
CN112834224B (zh) * 2021-01-05 2023-05-23 广东核电合营有限公司 一种核电汽轮发电机健康状态评估方法及系统
CN112700162A (zh) * 2021-01-12 2021-04-23 上海电气集团股份有限公司 轨道交通空调运行状态的评估方法及装置
CN113162118A (zh) * 2021-05-18 2021-07-23 山东建筑大学 一种风力发电机组海上低压穿越检测方法
CN113281003B (zh) * 2021-06-18 2022-05-03 浙江华东测绘与工程安全技术有限公司 固定式海工结构实时损伤监测和荷载水平监测方法
CN113721207B (zh) * 2021-08-31 2023-10-31 北京无线电测量研究所 一种基于大数据的雷达时寿件更换的预警方法和系统
CN114167730A (zh) * 2021-12-09 2022-03-11 哈电发电设备国家工程研究中心有限公司 一种火电机组送风机整体健康状态评价方法、计算机及存储介质
CN114837902B (zh) * 2022-06-02 2023-03-28 中节能风力发电股份有限公司 一种风电机组健康度评估方法、系统、设备和介质
CN116025529B (zh) * 2023-03-23 2023-08-15 中车山东风电有限公司 一种风电机组自主健康评估方法及自愈调控方法及系统
CN116401536B (zh) * 2023-06-08 2023-08-15 华电电力科学研究院有限公司 一种风电机组风速计的故障诊断方法、装置及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768115B (zh) * 2012-06-27 2016-04-20 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
CN103645052B (zh) * 2013-12-11 2016-03-30 北京航空航天大学 一种风电机组齿轮箱远程在线状态监测及寿命评估方法
CN104807644B (zh) * 2015-04-14 2019-04-05 北京中恒博瑞数字电力科技有限公司 一种风电机组变桨系统的故障预警方法及系统
KR101704937B1 (ko) * 2015-12-07 2017-02-22 두산중공업 주식회사 기상정보를 기반으로 한 풍력설비의 정비방법 및 정비시스템
CN105787584B (zh) * 2016-01-28 2020-03-10 华北电力大学（保定） 一种基于云平台的风电机群故障预警方法
CN108331718B (zh) * 2018-04-10 2024-03-12 国电联合动力技术有限公司 风电机组偏航系统在线监测机构及故障诊断系统和方法

Also Published As

Publication number Publication date
CN110410282A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110410282B (zh) 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法
CN107941537B (zh) 一种机械设备健康状态评估方法
CN111709490B (zh) 一种基于gru神经网络的风机健康状态评估方法
CN106682814B (zh) 一种基于故障知识库的风电机组故障智能诊断方法
US11840998B2 (en) Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning
CN107341349B (zh) 风机健康评估的方法、系统、存储器及控制器
CN111539553B (zh) 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN111582392B (zh) 一种风电机组关键部件多工况健康状态在线监测方法
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN110362045B (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
Zhan et al. Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation
CN112733283A (zh) 一种风电机组部件故障预测方法
CN110006552B (zh) 一种机组设备温度异常检测方法
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN114856941A (zh) 海上风电场及机组故障诊断运维系统及其诊断运维方法
CN111103137A (zh) 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法
CN116484751B (zh) 一种风电机组部件的疲劳寿命评估方法及装置
Yang et al. Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
Tang et al. Applications of K-nearest neighbor algorithm in intelligent diagnosis of wind turbine blades damage
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
CN116771610A (zh) 一种调整风电机组变桨系统故障评估值的方法
CN116011982A (zh) 一种磨煤机磨辊断裂在线监测方法及系统
CN112682269A (zh) 一种基于oc-rkelm的风电机组状态监测方法
Barahona et al. Applying design knowledge and machine learning to scada data for classification of wind turbine operating regimes

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