CN110412966A - 监测变桨电机温度异常的方法和装置 - Google Patents

监测变桨电机温度异常的方法和装置 Download PDF

Info

Publication number
CN110412966A
CN110412966A CN201810395002.3A CN201810395002A CN110412966A CN 110412966 A CN110412966 A CN 110412966A CN 201810395002 A CN201810395002 A CN 201810395002A CN 110412966 A CN110412966 A CN 110412966A
Authority
CN
China
Prior art keywords
data
rate
limit value
pitch motor
temperature change
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.)
Granted
Application number
CN201810395002.3A
Other languages
English (en)
Other versions
CN110412966B (zh
Inventor
田元兴
刘健
侠惠芳
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.)
Jinfeng Technology Co ltd
Original Assignee
Xinjiang Goldwind Science and Technology Co Ltd
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 Xinjiang Goldwind Science and Technology Co Ltd filed Critical Xinjiang Goldwind Science and Technology Co Ltd
Priority to CN201810395002.3A priority Critical patent/CN110412966B/zh
Publication of CN110412966A publication Critical patent/CN110412966A/zh
Application granted granted Critical
Publication of CN110412966B publication Critical patent/CN110412966B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Wind Motors (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明提供了一种监测变桨电机温度异常的方法，所述方法包括以下步骤：获取风力发电机组的实时数据；根据获取的实时数据计算与变桨电机温度异常相关的衍生变量；基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并通过对特征参数进行数据统计以计算出所述特征参数的最优限值。本发明能够从叶片开裂的角度对变桨电机温度异常特征进行准确提取，并确定变桨电机温度异常的特征参数以及相应的特征参数的最优限值，从而为机组大部件进行预警模型的建立和预警分析提供依据。

Description

监测变桨电机温度异常的方法和装置
技术领域
本发明涉及风电技术领域，具体地讲，涉及一种监测变桨电机温度异常的方法和装置。
背景技术
随着风力发电机组(以下简称“机组”)在低风速地区的快速布局，机组在复杂的运行环境下的健康状况显得尤为重要，叶片及变桨系统承接了机组吸收风能、调速以及气动刹车的重要任务，因此，叶片及变桨系统的健康状况逐渐成为近年来风电行业内重点研究的方向。而在机组运行过程中，叶片及变桨系统处于不断的旋转状态，且需要经历极端风况、极端湍流和高风切变等恶劣风况。目前，在批量运行的机组中，除了防雷系统，叶片系统没有任何其它监测传感器，一旦有叶片发生断裂、开裂等现象，运维人员很难及时发现并消除隐患。其中，叶片断裂多发生在叶片根部和叶片中部，呈折断形式，导致叶片断裂的原因主要有叶片设计缺陷、叶片材料质量不符合要求、生产商家经验不足等。叶片开裂多发生在叶尖和叶片中部前缘处，呈纵向分离张口形式，导致叶片开裂的原因主要有在设计生产过程中对尾边区域及叶片表层的不重视、风沙磨损侵蚀，修复不及时以及雷击损坏等。近年来，不少风电场相继出现了叶片断裂、叶片掉落、叶片开裂、叶片开洞和轴承开裂等事故，因此，如何在问题发生前就能监测到问题将要发生便成为了近年来风电行业技术人员研究的重大课题。
现有技术中，对变桨电机温度的监测主要是依靠报警故障停机的方式，例如图1中所示的传统变桨电机温度异常监测系统。从图1可知，变桨变频器对变桨电机的温度滤波值进行温度上限和温度下限的判断，得出变桨故障字，主控系统再根据变桨变频器得出的变桨故障字判断出变桨电机温度是否异常，并在变桨电机温度异常时，控制风力发电机组停机。传统变桨电机温度异常监测系统的监测手段过于简单、被动，只有温度异常到机组停机时才能被监测到，对于变桨电机温度为什么会异常，主要有什么原因引起的温度异常未能给出精确判断。
发明内容
本发明针对现有的技术不足，提供了一种监测变桨电机温度异常的方法和装置。
本发明的一方面提供一种监测变桨电机温度异常的方法，所述方法包括以下步骤：获取风力发电机组的实时数据；根据获取的实时数据计算与变桨电机温度异常相关的衍生变量；基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并通过对特征参数进行数据统计以计算出所述特征参数的最优限值。
优选地，所述实时数据被划分为故障风力发电机组的运行数据和正常风力发电机组的运行数据，包括实时数据的获取时间、风力发电机组编号、变桨电机的温度和变桨桨距角，所述特征参数包括温度变化率ΔS、温度变化率占比P和跳跃点距离β中的至少一个。
优选地，所述根据获取的实时数据计算与变桨电机温度异常相关的衍生变量的步骤包括：对获取的实时数据进行数据清洗；基于数据清洗结果计算与变桨电机温度异常相关的衍生变量，所述衍生变量包括：时间差Δt、变桨电机温度差ΔT、变桨角度差ΔA和变桨电机温度变化率ΔS，所述变桨电机温度变化率ΔS为变桨电机温度差ΔT与时间差Δt之比；分别对所述实时数据和所述衍生变量进行数据预处理，以去除超出特定阈值范围的实时数据和衍生变量数据。
优选地，所述超出特定阈值范围的实时数据和衍生变量数据包括变桨电机的温度T＞＞150℃的数据、变桨电机温度差ΔT＞4.6℃的整行数据、变桨角度差ΔA＞50°的数据以及时间差Δt＜5s和Δt＞10min的数据。
优选地，所述基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并计算所述特征参数的最优限值的步骤包括：根据变桨电机的温度变化率ΔS求取温度变化率占比P，并设定温度变化率ΔS和温度变化率占比P的寻优区间以进行数据统计；根据数据统计结果分析得出特征参数变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值，其中，所述最优限值为变桨电机温度异常的误报率最低时的特征参数值；根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值。
优选地，所述根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值的步骤包括：对变桨电机的温度变化率ΔS中相邻且符号相反的两个数据进行标识并计算被标识的相邻且符号相反的两个数据之差的绝对值作为所述跳跃点距离β，以及对变桨电机的温度变化率ΔS中相隔且符号相反的两个数据进行标识并计算被标识的相隔且符号相反的两个数据之差的绝对值作为所述跳跃点距离β；提取大于预设阈值的跳跃点距离β并建立相应的分布直方图；通过对温度变化率ΔS的最优限值和分布直方图进行分析以求取跳跃点距离β的最优限值。
优选地，所述预设阈值为0.1。
优选地，还包括：根据求取的特征参数的最优限值建立针对风力发电机组的变桨电机温度异常进行预警的预警模型，并基于该预警模型进行预警判断。
本发明的另一方面提供了一种监测变桨电机温度异常的装置，所述装置包括：实时数据获取模块，被配置为获取风力发电机组的实时数据；衍生变量计算模块，被配置为根据获取的实时数据计算与变桨电机温度异常相关的衍生变量；最优限值求取模块，被配置为基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并通过对特征参数进行数据统计以计算出所述特征参数的最优限值。
优选地，所述实时数据被划分为故障风力发电机组的运行数据和正常风力发电机组的运行数据，包括实时数据的获取时间、风力发电机组编号、变桨电机的温度和变桨桨距角，所述特征参数包括温度变化率ΔS、温度变化率占比P和跳跃点距离β中的至少一个。
优选地，所述衍生变量计算模块被配置为：数据清洗单元，对获取的实时数据进行数据清洗；衍生变量计算单元，基于数据清洗结果计算与变桨电机温度异常相关的衍生变量，所述衍生变量包括：时间差Δt、变桨电机温度差ΔT、变桨角度差ΔA和变桨电机温度变化率ΔS，所述变桨电机温度变化率ΔS为变桨电机温度差ΔT与时间差Δt之比；数据预处理单元，分别对所述实时数据和所述衍生变量进行数据预处理，以去除超出特定阈值范围的实时数据和衍生变量数据。
优选地，所述超出特定阈值范围的实时数据和衍生变量数据包括变桨电机的温度T＞＞150℃的数据、变桨电机温度差ΔT＞4.6℃的整行数据、变桨角度差ΔA＞50°的数据以及时间差Δt＜5s和Δt＞10min的数据。
优选地，所述最优限值求取模块被配置为：数据统计单元，根据变桨电机的温度变化率ΔS求取温度变化率占比P，并设定温度变化率ΔS和温度变化率占比P的寻优区间以进行数据统计；最优限值计算单元，根据数据统计结果分析得出特征参数变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值，其中，所述最优限值为变桨电机温度异常的误报率最低时的特征参数值，以及根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值。
优选地，所述最优限值计算单元还被配置为：对变桨电机的温度变化率ΔS中相邻且符号相反的两个数据进行标识并计算被标识的相邻且符号相反的两个数据之差的绝对值作为所述跳跃点距离β，以及对变桨电机的温度变化率ΔS中相隔且符号相反的两个数据进行标识并计算被标识的相隔且符号相反的两个数据之差的绝对值作为所述跳跃点距离β；提取大于预设阈值的跳跃点距离β并建立相应的分布直方图；通过对温度变化率ΔS的最优限值和分布直方图进行分析以求取跳跃点距离β的最优限值。
优选地，还包括：预警模块，被配置为根据求取的特征参数的最优限值建立针对风力发电机组的变桨电机温度异常进行预警的预警模型，并基于该预警模型进行预警判断。
本发明的另一方面提供了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器运行时，所述处理器执行如上所述的监测变桨电机温度异常的方法。
本发明的另一方面提供了一种计算机设备，包括处理器和存储计算机程序的存储器，其特征在于，所述计算机程序被处理器运行时，所述处理器执行如上所述的监测变桨电机温度异常的方法。
在本发明中，通过对兆瓦级风力发电机组的三个变桨电机温度进行分析，从叶片开裂角度来确定变桨电机温度异常的特征参数以及相应的特征参数的最优限值，从而实现对变桨电机温度异常特征的准确提取，同时，通过求取跳跃点距离的最优限值来降低误报，为机组大部件预警分析提供了有力的理论依据。
附图说明
通过以下结合附图进行的描述，本发明的示例性实施例的以上和其他方面、特点和优点将会更加清楚，在附图中：
图1示出根据本发明的实施例的传统变桨电机温度异常监测系统的框图；
图2示出根据本发明的实施例的一种监测变桨电机温度异常的方法流程图；
图3示出根据本发明的实施例的计算与变桨电机温度异常相关的衍生变量的流程图；
图4示出根据本发明的实施例的提取与风力发电机组叶片开裂相关的特征参数并计算不同特征参数的最优限值的流程图；
图5示出根据本发明的示例性的实施例的50分位数分布直方图；
图6示出根据本发明的实施例的一种监测变桨电机温度异常的装置框图；
图7示出根据本发明的实施例的衍生变量模块的框图；
图8示出根据本发明的实施例的最优限值模块的框图。
具体实施方式
提供以下参照附图的描述以帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。以下参照附图的描述包括各种特定细节以帮助理解，但是所述特定细节将仅被视为示例性的。因此，本领域普通技术人员将意识到，在不脱离本发明的范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外，为了清晰和简要，可省略公知功能和结构的描述。
以下描述和权利要求中使用的术语和词语不限于字面含义，而是仅由发明者使用以使得能够清楚和一致地理解本发明。因此，本领域技术人员应该清楚的是，提供本发明的示例性实施例的以下描述仅是说明的目的，而不是限制由权利要求及其等同物限定的本发明的目的。
图2是示出根据本发明的实施例的一种监测变桨电机温度异常的方法流程图。
如图2所示，首先，在步骤S100，获取风力发电机组的实时数据。具体地，分别获取故障风力发电机组的运行数据和正常风力发电机组的运行数据，获取的故障风力发电机组的运行数据和正常风力发电机组的运行数据均数据的获取时间、风力发电机组编号、变桨电机的温度和变桨桨距角。根据本发明的实施例，假设从SCADA(Supervisory Control AndData Acquisition)数据采集与监视控制系统中获取的风力发电机组的实时数据包括16台叶片开裂机组(故障机组)数据和32台正常运行机组数据，且每台机组数据长度均为30天，则获取的实时数据的理论数据长度为370285行。由于机组数据采样间隔的不稳定和网络传输延迟等问题，实际获取的数据长度一般情况下是少于理论数据长度的。这里，假设获取的风力发电机组的实时数据包括时间数据t0，t1，t2，...，tn、风力发电机组编号数据1，2，3，...以及变桨电机温度数据T0，T1，T2，...，Tn和桨距角数据A0，A1，A2，...，An。
在步骤S200，根据获取的实时数据计算与变桨电机温度异常相关的衍生变量。具体地，对获取的实时数据进行数据清洗，再基于数据清洗结果计算与变桨电机温度异常相关的衍生变量，并分别对实时数据和衍生变量进行数据预处理，以去除超出特定阈值范围的实时数据和衍生变量数据。下面将参照图3来详细说明根据本发明实施例的计算与变桨电机温度异常相关的衍生变量的过程。
图3是示出根据本发明的实施例的计算与变桨电机温度异常相关的衍生变量的流程图。
如图3所示，在步骤S301中，对获取的实时数据进行数据清洗。具体地，对获取的实时数据进行分析，并选择相应的数据补缺算法对获取的实时数据进行数据清洗，以完成对实时数据中的空值和异常数据的补缺和过滤。根据上述举例，分别对16台叶片开裂机组(故障机组)数据和32台正常运行机组数据进行数据清洗，假设选择的数据补缺方法如下：将获取的实时数据中有连续NA(缺失值)或者空值大于10分钟的数据进行整行数据的删除，将数据开头或者数据结尾处有连续NA(缺失值)或者空值的数据，并运用最靠近此段数据的非NA值或者非空值数据进行补缺，以及将数据中间有连续NA(缺失值)或者空值的数据，运用线型差值法进行补缺。应理解，上述对于数据补缺算法的举例仅是示例性举例，本发明可采用的数据补缺算法不限于此。
在步骤S302中，基于数据清洗结果计算与变桨电机温度异常相关的衍生变量。具体地，根据步骤S301中得到的数据清洗数据结果来计算与变桨电机温度异常相关的衍生变量，其中，与变桨电机温度异常相关的衍生变量包括时间差Δt、变桨电机温度差ΔT、变桨角度差ΔA和变桨电机温度变化率ΔS。根据上述举例，时间差Δt的计算结果为Δt＝tn-tn-1，变桨电机温度差ΔT的计算结果为ΔT＝Tn-Tn-1，变桨角度差的计算结果为ΔA＝An-An-1，变桨电机温度变化率ΔS则是基于时间差Δt和变桨电机温度差ΔT计算得到的，变桨电机温度变化率的计算结果ΔS为ΔS＝Tn-Tn-1/tn-tn-1。
在步骤S303中，分别对实时数据和衍生变量进行数据预处理。具体地，分别对步骤S301得到的数据清洗结果和步骤S302得到的衍生变量进行数据预处理，以去除超出特定阈值范围的实时数据和衍生变量数据。根据上述举例，基于风力发电机组的工作原理，设置特定阈值范围的取值，例如，可假设将实时数据中变桨电机的温度数据中T＞＞150℃的数据删除，将衍生变量中变桨电机温度差数据中ΔT＞4.6℃的整行数据删除以及将变桨角度差数据中ΔA＞50°的数据和时间差数据中Δt＜5s和Δt＞10min的数据删除，由此来完成对实时数据和衍生变量的数据预处理。这里，特定阈值范围的设置是指删除风力发电机组运行过程中的明显异常数据。应理解，上述对于特定阈值范围的举例仅是示例性举例，本发明可采用的特定阈值范围不限于此。
返回图2，在步骤S300，基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并并通过对特征参数进行数据统计以计算出所述特征参数的最优限值。根据本发明的实施例，特征参数包括温度变化率ΔS、温度变化率占比P和跳跃点距离β中的至少一个，具体地，根据变桨电机的温度变化率ΔS求取温度变化率占比P，并设定温度变化率ΔS和温度变化率占比P的寻优区间进行数据统计。然后，根据数据统计结果分析得出变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值，以保证变桨电机温度异常的误报率最低。最后，再根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值。下面将参照图4来详细说明根据本发明实施例的提取与风力发电机组叶片开裂相关的特征参数并计算不同特征参数的最优限值的过程。
图4是示出根据本发明的实施例的提取与风力发电机组叶片开裂相关的特征参数并计算不同特征参数的最优限值的流程图。
如图4所示，在步骤S401中，根据变桨电机的温度变化率ΔS求取温度变化率占比P，并设定温度变化率ΔS和温度变化率占比P的寻优区间以进行数据统计。根据本发明的实施例，具体地，设定特征参数温度变化率ΔS和温度变化率占比P的寻优区间，分别统计温度变化率ΔS中大于温度变化率限值L的占比P，并当一台机组中至少有一个桨叶的变桨温度变化率ΔS大于温度变化率限值L的占比P值大于或等于温度变化率占比限值R时，增加计数Cij，最终生成特定的数据矩阵并对数据矩阵进行分析以完成数据统计。根据上述举例，分别对16台叶片开裂机组(故障运行机组)数据和32台正常运行机组数据进行上述统计分析，假设将温度变化率限值L的寻优区间设为L1＝0.05，L2＝0.06，...，L11＝0.15，将温度变化率占比限值R(百分比数值)的寻优区间设为R1＝0.5，R2＝0.6，...，R11＝1.5，然后，分别统计温度变化率ΔS中大于温度变化率限值L的占比P，例如，统计温度变化率ΔS中大于温度变化率限值L1＝0.05的个数，计算得出该个数占总温度变化率ΔS个数的比值P，并当一台机组中至少有一个桨叶的变桨温度变化率ΔS大于温度变化率限值L的占比P值大于或等于温度变化率占比限值R时，增加计数，生成特定的数据矩阵。根据本发明的实施例，对16台叶片开裂机组(故障机组)数据和32台正常运行机组数据分别进行数据统计分析，其统计结果如表1所示：
表1温度变化率限值寻优结果
表1中所示数据为分别对16台叶片开裂机组(故障机组)数据和32台正常运行机组数据进行统计分析的结果。其中，0.05～0.15表示的是温度变化率限值L的寻优区间，0.5～1.5表示的是温度变化率占比限值R(百分比数值)的寻优区间，中间对应数字为两组特征参数在不同限值下所预警的故障机组的台数。
在步骤S402中，根据数据统计结果分析得出特征参数变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值。具体地，根据数据统计结果分析出变桨电机温度异常误报率最低时的特征参数值，即变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值。如上述举例，由步骤S401中表1所示数据可知，在变桨电机温度变化率限值L＝0.11和温度变化率占比限值R＝0.9时，对于故障机组的准确预警为5台，对于正常机组的故障预警为误报1台，得出预警的准确率为83.3％，误报率为16.7％，此时，预警的准确率以及误报率为最低。因此，可评估特征参数温度变化率ΔS和温度变化率占比P的最优限值分别为0.11和0.9。
在步骤S403中，根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值。具体地，对变桨电机的温度变化率ΔS中相邻且符号相反的两个数据进行标识并计算被标识的相邻且符号相反的两个数据之差的绝对值作为跳跃点距离β，以及对变桨电机的温度变化率ΔS中相隔且符号相反的两个数据进行标识并计算被标识的相隔且符号相反的两个数据之差的绝对值作为跳跃点距离β，然后，提取大于预设阈值的跳跃点距离β来建立相应的分布直方图，最后，通过对温度变化率ΔΔ的最优限值和分布直方图进行分析以求取跳跃点距离β的最优限值。根据本发明的实施例，假设在变桨电机的温度变化率ΔS数据中有一行数据为：0.12、-0.14、-0.45、-0.54、-0.16、-0.29、...，其中，0.12和-0.14为相邻且符号相反的数据，则对这两个数据进行标识并求取相应的跳跃点距离β，由被标识的0.12和-0.14的差的绝对值可得出相应的跳跃点距离β＝0.26，0.12和-0.45为相隔且符号相反的数据，则对0.12和-0.45也进行标识并求取相应的跳跃点距离β，由被标识的0.12和-0.45的差的绝对值可得出相应的跳跃点距离β＝0.57。应理解，上述对于变桨电机的温度变化率ΔS数据的举例仅是示例性举例，本发明可采用的变桨电机的温度变化率ΔS数据不限于此。然后，提取大于预设阈值的跳跃点距离β并建立分布直方图。根据本发明的实施例，假设预设阈值为0.1，则提取跳跃点距离β＞0.1的数据来建立相应的分布直方图，其中，分布直方图的建立可选取不同的分位数，例如，20、50、80分位数等。这里，选择50分位数对提取跳跃点距离β＞0.1的数据进行分布直方图的建立，结果如图5所示。应理解，上述对于预设阈值的举例仅是示例性举例，本发明可采用的预设阈值不限于此。根据步骤S402中确定的温度变化率ΔS的最优限值0.11来设置跳跃点距离β的基准值为0.22，则从图5可知，在0.05-0.1区间和0.15-0.2区间50分位数分布较集中，且跳跃点距离β的基准值0.22在0.20-0.25区间，因此，选择最接近于跳跃点距离β的基准值0.22的区间来设置最优限值，即选择0.15-0.2区间来确定跳跃点距离β的最优限值。其中，在0.15-0.2区间中选择过大或者过小的数值作为跳跃点距离β的最优限值都会造成数据的不准确问题出现，例如，干扰数据残留过多的问题或者正常数据被删除的问题等，因此，选择0.18作为跳跃点距离β的最优限值。通过跳跃点距离β的最优限值可筛选掉干扰风机叶片开裂的异常数据。根据本发明的实施例，对跳跃点距离β的最优限值进行判定可以进一步的降低变桨电机温度异常的提取误差，提高判断准确率，并且通过对跳跃点距离β的最优限值的计算可进一步的去除其他导致变桨电机温度异常的因素。
返回图2，根据本发明的实施例，根据步骤S300中计算的特征参数的最优限值，可进一步的建立针对风力发电机组的变桨电机温度异常进行预警的预警模型，并基于该预警模型对变桨电机温度异常进行预警判断。
图6是示出根据本发明的实施例的一种监测变桨电机温度异常的装置框图。
如图6所示，监测变桨电机温度异常的装置600可包括实时数据获取模块601、衍生变量计算模块602和最优限值求取模块603。根据本发明的实施例，监测变桨电机温度异常的装置600可通过各种计算装置(例如，计算机、服务器、工作站等)来实现。具体地，实时数据获取模块601被配置为获取风力发电机组的实时数据。衍生变量计算模块602被配置为根据获取的实时数据计算与变桨电机温度异常相关的衍生变量。最优限值求取模块603被配置为基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并通过对特征参数进行数据统计以计算出特征参数的最优限值。
根据本发明的实施例，实时数据获取模块601中的实时数据被划分为故障风力发电机组的运行数据和正常风力发电机组的运行数据，包括实时数据的获取时间、风力发电机组编号、变桨电机的温度和变桨桨距角。衍生变量计算模块602对实时数据获取模块601中获取的实时数据进行数据清洗，并基于数据清洗结果计算与变桨电机温度异常相关的衍生变量，然后，在分别对实时数据和衍生变量进行数据预处理，以去除超出特定阈值范围的实时数据和衍生变量数据。下面将参照图7来详细说明根据本发明实施例的衍生变量计算模块602。
图7是示出根据本发明的实施例的衍生变量计算模块的框图。
如图7所示，衍生变量计算模块602包括数据清洗单元701、衍生变量计算单元702和数据预处理单元703。具体地，数据清洗单元701对获取的实时数据进行数据清洗。衍生变量计算单元702基于数据清洗结果计算与变桨电机温度异常相关的衍生变量，期在，衍生变量包括时间差Δt、变桨电机温度差ΔT、变桨角度差ΔA和变桨电机温度变化率ΔS，变桨电机温度变化率ΔS为变桨电机温度差ΔT与时间差Δt之比。数据预处理单元703分别对实时数据和衍生变量进行数据预处理，以去除超出特定阈值范围的实时数据和衍生变量数据。根据本发明的实施例，基于风力发电机组的工作原理，设置特定阈值范围的取值，例如，将实时数据中变桨电机的温度数据中T＞＞150℃的数据删除，将衍生变量中变桨电机温度差数据中ΔT＞4.6℃的整行数据删除以及将变桨角度差数据中ΔA＞50°的数据和时间差数据中Δt＜5s和Δt＞10min的数据删除，由此来完成对实时数据和衍生变量的数据预处理。应理解，上述对于特定阈值范围的举例仅是示例性举例，本发明可采用的特定阈值范围不限于此。
返回图6，最优限值求取模块603基于衍生变量计算模块602中计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并通过对特征参数进行数据统计以计算出特征参数的最优限值。具体地，根据变桨电机的温度变化率ΔS求取温度变化率占比P，并设定温度变化率ΔS和温度变化率占比P的寻优区间以进行数据统计。再根据数据统计结果分析得出特征参数变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值，其中，最优限值为变桨电机温度异常误报率最低时的特征参数值。最后，根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值。下面将参照图8来详细说明根据本发明实施例的最优限值求取模块603。
图8是示出根据本发明的实施例的最优限值求取模块的框图。
如图8所示，最优限值求取模块603包括数据统计单元801和最优限值计算单元802。具体地，数据统计单元801根据变桨电机的温度变化率ΔS求取温度变化率占比P，并设定温度变化率ΔS和温度变化率占比P的寻优区间以进行数据统计。最优限值计算单元802根据数据统计结果分析得出特征参数变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值，其中，最优限值为变桨电机温度异常误报率最低时的特征参数值，然后，再根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值。根据本发明的实施例，最优限值计算单元802通过以下方式来计算跳跃点距离β的最优限值：对变桨电机的温度变化率ΔS中相邻且符号相反的两个数据进行标识并计算被标识的相邻且符号相反的两个数据之差的绝对值作为跳跃点距离β，以及对变桨电机的温度变化率ΔS中相隔且符号相反的两个数据进行标识并计算被标识的相隔且符号相反的两个数据之差的绝对值作为跳跃点距离β，然后，提取大于预设阈值的跳跃点距离β来建立相应的分布直方图，最后，通过对温度变化率ΔS的最优限值和分布直方图进行分析来求取跳跃点距离β的最优限值。其中，预设阈值为0.1。
返回图6，根据本发明的实施例，监测变桨电机温度异常的装置600还包括预警模块604，被配置为根据求取的特征参数的最优限值建立针对风力发电机组的变桨电机温度异常进行预警的预警模型，并基于该预警模型进行预警判断。
根据本发明的实施例的一种监测变桨电机温度异常的方法和装置能够通过对兆瓦级风力发电机组的三个变桨电机温度进行分析，从叶片开裂的角度来确定变桨电机温度异常的特征参数以及特征参数相应的最优限值，从而实现对变桨电机温度异常特征的准确提取，同时，通过求取跳跃点距离的最优限值来降低误报，为机组大部件预警分析提供了有力的理论依据。
根据本发明的方法可被记录在包括执行由计算机实现的各种操作的程序指令的计算机可读介质中。介质也可以只包括程序指令或者包括与程序指令相结合的数据文件、数据结构等。计算机可读介质的例子包括磁介质(例如硬盘、软盘和磁带)；光学介质(例如CD-ROM和DVD)；磁光介质(例如，光盘)；以及特别配制用于存储并执行程序指令的硬件装置(例如，只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。介质也可以是包括传输规定程序指令、数据结构等的信号的载波的传输介质(例如光学线或金属线、波导等)。程序指令的例子包括例如由编译器产生的机器码和包含可使用解释器由计算机执行的高级代码的文件。
尽管已经参照本发明的特定示例性实施例显示和描述了本发明，但是本领域技术人员将理解，在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可进行各种形式和细节上的各种改变。

Claims (17)

1.一种监测变桨电机温度异常的方法，其特征在于，所述方法包括以下步骤：
获取风力发电机组的实时数据；
根据获取的实时数据计算与变桨电机温度异常相关的衍生变量；
基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并通过对特征参数进行数据统计以计算出所述特征参数的最优限值。
2.如权利要求1所述的方法，其特征在于，所述实时数据被划分为故障风力发电机组的运行数据和正常风力发电机组的运行数据，包括实时数据的获取时间、风力发电机组编号、变桨电机的温度和变桨桨距角，所述特征参数包括温度变化率ΔS、温度变化率占比P和跳跃点距离β中的至少一个。
3.如权利要求2所述的方法，其特征在于，所述根据获取的实时数据计算与变桨电机温度异常相关的衍生变量的步骤包括：
对获取的实时数据进行数据清洗；
基于数据清洗结果计算与变桨电机温度异常相关的衍生变量，所述衍生变量包括：时间差Δt、变桨电机温度差ΔT、变桨角度差ΔA和变桨电机温度变化率ΔS，所述变桨电机温度变化率ΔS为变桨电机温度差ΔT与时间差Δt之比；
分别对所述实时数据和所述衍生变量进行数据预处理，以去除超出特定阈值范围的实时数据和衍生变量数据。
4.如权利要求3所述的方法，其特征在于，所述超出特定阈值范围的实时数据和衍生变量数据包括变桨电机的温度T＞＞150℃的数据、变桨电机温度差ΔT＞4.6℃的整行数据、变桨角度差ΔA＞50°的数据以及时间差Δt＜5s和Δt＞10min的数据。
5.如权利要求2-4中任一项所述的方法，其特征在于，所述基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并计算所述特征参数的最优限值的步骤包括：
根据变桨电机的温度变化率ΔS求取温度变化率占比P，并设定温度变化率ΔS和温度变化率占比P的寻优区间以进行数据统计；
根据数据统计结果分析得出特征参数变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值，其中，所述最优限值为变桨电机温度异常的误报率最低时的特征参数值；
根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值。
6.如权利要求5所述的方法，其特征在于，所述根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值的步骤包括：
对变桨电机的温度变化率ΔS中相邻且符号相反的两个数据进行标识并计算被标识的相邻且符号相反的两个数据之差的绝对值作为所述跳跃点距离β，以及
对变桨电机的温度变化率ΔS中相隔且符号相反的两个数据进行标识并计算被标识的相隔且符号相反的两个数据之差的绝对值作为所述跳跃点距离β；
提取大于预设阈值的跳跃点距离β并建立相应的分布直方图；
通过对温度变化率ΔS的最优限值和分布直方图进行分析以求取跳跃点距离β的最优限值。
7.如权利要求6所述的方法，其特征在于，所述预设阈值为0.1。
8.如权利要求1所述的方法，其特征在于，还包括：根据求取的特征参数的最优限值建立针对风力发电机组的变桨电机温度异常进行预警的预警模型，并基于该预警模型进行预警判断。
9.一种监测变桨电机温度异常的装置，其特征在于，所述装置包括：
实时数据获取模块，被配置为获取风力发电机组的实时数据；
衍生变量计算模块，被配置为根据获取的实时数据计算与变桨电机温度异常相关的衍生变量；
最优限值求取模块，被配置为基于计算的衍生变量提取与风力发电机组叶片开裂相关的特征参数，并通过对特征参数进行数据统计以计算出所述特征参数的最优限值。
10.如权利要求9所述的装置，其特征在于，所述实时数据被划分为故障风力发电机组的运行数据和正常风力发电机组的运行数据，包括实时数据的获取时间、风力发电机组编号、变桨电机的温度和变桨桨距角，所述特征参数包括温度变化率ΔS、温度变化率占比P和跳跃点距离β中的至少一个。
11.如权利要求10所述的装置，其特征在于，所述衍生变量计算模块被配置为：
数据清洗单元，对获取的实时数据进行数据清洗；
衍生变量计算单元，基于数据清洗结果计算与变桨电机温度异常相关的衍生变量，所述衍生变量包括：时间差Δt、变桨电机温度差ΔT、变桨角度差Δ和变桨电机温度变化率ΔS，所述变桨电机温度变化率ΔS为变桨电机温度差Δ与时间差Δt之比；
数据预处理单元，分别对所述实时数据和所述衍生变量进行数据预处理，以去除超出特定阈值范围的实时数据和衍生变量数据。
12.如权利要求11所述的装置，其特征在于，所述超出特定阈值范围的实时数据和衍生变量数据包括变桨电机的温度T＞＞150℃的数据、变桨电机温度差ΔT＞4.6℃的整行数据、变桨角度差ΔA＞50°的数据以及时间差Δt＜5和Δt＞10min的数据。
13.如权利要求10-12中任一项所述的装置，其特征在于，所述最优限值求取模块被配置为：
数据统计单元，根据变桨电机的温度变化率ΔS求取温度变化率占比P，并设定温度变化率ΔS和温度变化率占比P的寻优区间以进行数据统计；
最优限值计算单元，根据数据统计结果分析得出特征参数变桨电机的温度变化率ΔS的最优限值和温度变化率占比P的最优限值，其中，所述最优限值为变桨电机温度异常的误报率最低时的特征参数值，以及根据得出的温度变化率ΔS的最优限值和温度变化率占比P的最优限值来计算跳跃点距离β的最优限值。
14.如权利要求13所述的装置，其特征在于，所述最优限值计算单元还被配置为：
对变桨电机的温度变化率ΔS中相邻且符号相反的两个数据进行标识并计算被标识的相邻且符号相反的两个数据之差的绝对值作为所述跳跃点距离β，以及
对变桨电机的温度变化率ΔS中相隔且符号相反的两个数据进行标识并计算被标识的相隔且符号相反的两个数据之差的绝对值作为所述跳跃点距离β；
提取大于预设阈值的跳跃点距离β并建立相应的分布直方图；
通过对温度变化率ΔS的最优限值和分布直方图进行分析以求取跳跃点距离β的最优限值。
15.如权利要求9所述的装置，其特征在于，还包括：
预警模块，被配置为根据求取的特征参数的最优限值建立针对风力发电机组的变桨电机温度异常进行预警的预警模型，并基于该预警模型进行预警判断。
16.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器运行时，所述处理器执行权利要求1-8中任一项所述的方法。
17.一种计算机设备，包括处理器和存储计算机程序的存储器，其特征在于，所述计算机程序被处理器运行时，所述处理器执行权利要求1-8中任一项所述的方法。
CN201810395002.3A 2018-04-27 2018-04-27 监测变桨电机温度异常的方法和装置 Active CN110412966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810395002.3A CN110412966B (zh) 2018-04-27 2018-04-27 监测变桨电机温度异常的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810395002.3A CN110412966B (zh) 2018-04-27 2018-04-27 监测变桨电机温度异常的方法和装置

Publications (2)

Publication Number Publication Date
CN110412966A true CN110412966A (zh) 2019-11-05
CN110412966B CN110412966B (zh) 2021-05-25

Family

ID=68346778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810395002.3A Active CN110412966B (zh) 2018-04-27 2018-04-27 监测变桨电机温度异常的方法和装置

Country Status (1)

Country Link
CN (1) CN110412966B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110939550A (zh) * 2019-12-13 2020-03-31 风脉能源（武汉）股份有限公司 变桨电机温度异常监测方法和预警方法
CN111913056A (zh) * 2020-05-26 2020-11-10 南方电网调峰调频发电有限公司 一种自适应超实时机组工况启动状态预估方法
CN113446156A (zh) * 2020-03-27 2021-09-28 新疆金风科技股份有限公司 变桨系统的状态监测方法、装置、设备及介质
CN113492999A (zh) * 2020-04-08 2021-10-12 波音公司 检测异常的方法、介质、飞机和训练异常检测系统的方法
CN115143047A (zh) * 2021-03-30 2022-10-04 北京金风科创风电设备有限公司 变桨系统的异常检测方法、装置、电子设备及存储介质
CN115342036A (zh) * 2022-09-02 2022-11-15 西安热工研究院有限公司 一种风力发电组机变桨电机异常预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2187512A (en) * 1985-11-08 1987-09-09 Cecil Arthur Johnson Combined solar power and wind power generator
CN101995290A (zh) * 2009-08-28 2011-03-30 西门子公司 风力发电机振动监测的方法和系统
CN102721924A (zh) * 2012-06-26 2012-10-10 新疆金风科技股份有限公司 风力发电机组的故障预警方法
CN103758696A (zh) * 2014-01-09 2014-04-30 华北电力大学 基于scada温度参数的风电机组安全状况评价方法
CN104807644A (zh) * 2015-04-14 2015-07-29 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2187512A (en) * 1985-11-08 1987-09-09 Cecil Arthur Johnson Combined solar power and wind power generator
CN101995290A (zh) * 2009-08-28 2011-03-30 西门子公司 风力发电机振动监测的方法和系统
CN102721924A (zh) * 2012-06-26 2012-10-10 新疆金风科技股份有限公司 风力发电机组的故障预警方法
CN103758696A (zh) * 2014-01-09 2014-04-30 华北电力大学 基于scada温度参数的风电机组安全状况评价方法
CN104807644A (zh) * 2015-04-14 2015-07-29 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

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110939550A (zh) * 2019-12-13 2020-03-31 风脉能源（武汉）股份有限公司 变桨电机温度异常监测方法和预警方法
CN110939550B (zh) * 2019-12-13 2021-03-30 风脉能源（武汉）股份有限公司 变桨电机温度异常监测方法和预警方法
CN113446156A (zh) * 2020-03-27 2021-09-28 新疆金风科技股份有限公司 变桨系统的状态监测方法、装置、设备及介质
CN113446156B (zh) * 2020-03-27 2023-07-11 新疆金风科技股份有限公司 变桨系统的状态监测方法、装置、设备及介质
CN113492999A (zh) * 2020-04-08 2021-10-12 波音公司 检测异常的方法、介质、飞机和训练异常检测系统的方法
EP3893071A1 (en) * 2020-04-08 2021-10-13 The Boeing Company Anomaly prediction and detection for aircraft equipment
US11580794B2 (en) 2020-04-08 2023-02-14 The Boeing Company Anomaly prediction and detection for aircraft equipment
CN111913056A (zh) * 2020-05-26 2020-11-10 南方电网调峰调频发电有限公司 一种自适应超实时机组工况启动状态预估方法
CN111913056B (zh) * 2020-05-26 2021-10-29 南方电网调峰调频发电有限公司 一种自适应超实时机组工况启动状态预估方法
US11761859B2 (en) 2020-05-26 2023-09-19 Csg Power Generation Co., Ltd. Method for self-adaption faster-than-real-time working condition start-up state prediction and estimation of unit
CN115143047A (zh) * 2021-03-30 2022-10-04 北京金风科创风电设备有限公司 变桨系统的异常检测方法、装置、电子设备及存储介质
CN115342036A (zh) * 2022-09-02 2022-11-15 西安热工研究院有限公司 一种风力发电组机变桨电机异常预警方法及系统

Also Published As

Publication number Publication date
CN110412966B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN110412966A (zh) 监测变桨电机温度异常的方法和装置
CN103150473A (zh) 一种风电机组发电效率实时监控诊断方法及装置
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
CN104200396B (zh) 一种风力发电机部件故障预警方法
CN109242322A (zh) 基于数据分析的火力发电机组健康水平评估方法
CN105134510A (zh) 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN103439091B (zh) 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
CN114444382B (zh) 基于机器学习算法的风电机组齿轮箱故障诊断分析方法
CN112686405A (zh) 一种基于故障树的配电网故障区域划分方法
CN116660672B (zh) 基于大数据的电网设备故障诊断方法及系统
CN111125895B (zh) 一种风力发电机整机服役功率特性在线评估方法
CN105043770B (zh) 一种风电机组振动异常的判断方法及其装置
CN109356798B (zh) 一种基于协整分析的风力发电机齿轮箱状态监测方法
CN103925155A (zh) 一种风电机组输出功率异常的自适应检测方法
CN107728059A (zh) 一种变桨系统状态评估方法
CN111222205A (zh) 一种桨叶开度监测管理系统及方法
CN108506171B (zh) 一种大型半直驱机组齿轮箱冷却系统故障预警方法
CN113221453A (zh) 风电机组齿轮箱输出轴故障监测预警方法
CN112228290A (zh) 一种风力机变桨系统故障智能预警方法
CN113176081A (zh) 一种基于历史数据的汽轮机叶片磨损监测方法
CN114758483B (zh) 一种基于余弦相似性的电力设备动态智能预警方法
CN117365869A (zh) 一种风电机组桨叶扫塔故障的自适应预警策略设计方法
CN110273818B (zh) 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法
CN117272869A (zh) 一种兼顾风力机近尾流和远尾流特性的全尾流解析方法

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee after: Jinfeng Technology Co.,Ltd.

Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd.