CN110414022B - 一种风力发电机组叶片开裂的预警方法及系统 - Google Patents
一种风力发电机组叶片开裂的预警方法及系统 Download PDFInfo
- Publication number
- CN110414022B CN110414022B CN201810393681.0A CN201810393681A CN110414022B CN 110414022 B CN110414022 B CN 110414022B CN 201810393681 A CN201810393681 A CN 201810393681A CN 110414022 B CN110414022 B CN 110414022B
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- temperature change
- change rate
- value
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风力发电机组叶片开裂的预警方法及系统,所述方法包括以下步骤:获取风力发电机组的实际运行数据;根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量;分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理;基于预处理后的实际运行数据和预警衍生变量构建预警模型,并根据构建的预警模型对叶片开裂进行预警。本发明能够克服了部分兆瓦级风力发电机机组叶片开裂而变桨电机传感器检测的温度变化不明显的问题,提供叶片运行的实时在线监测和提前预警,为叶片的可靠稳定提供了保证。
Description
技术领域
本发明涉及风电技术领域,具体地讲,涉及一种风力发电机组叶片开裂的预警方法及系统。
背景技术
风力发电机组(以下简称“机组”)的三支叶片外表由于天气、环境以及自身材质等因素,在运行一段时间后有可能会产生裂纹,造成叶片开裂、断裂的情况。其中,叶片断裂多发生在叶片根部和叶片中部,呈折断形式,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。叶片的开裂和断裂对机组运行将造成重大损伤,因此,预警技术的研究和探索是风力发电机组行业的一项核心技术。叶轮变桨系统的主要组成为导流罩、变桨轴承、变桨控制柜、变桨电机、轮毂和变桨齿形带等,其中,轮毂的运行原理是叶片吸收风能,带动轮毂转动,叶片运行中如果有裂纹,机组的叶轮不平衡载荷增加,对应的变桨电机就需要更大转矩电流来驱动叶片变桨动作,因此,将不可测的叶片开裂、断裂特性映射到可测量的变桨电机扭矩上,变桨电机运行扭矩越大,变桨电机的温度变化越剧烈。
目前对于机组的叶片外表探测技术主要有人工探测、无人机探测和大数据在线预警探测等方法。其中,通过大数据在线预警探测方法对叶片外表进行检测主要是基于载荷的变化,将检测机组的载荷变化对比正常运行机组的载荷变化,若检测机组的叶片载荷越大,则表明叶片有裂纹的概率越大。大数据在线预警探测方法对比人工监测和无人机图像识别,具有更加简洁、稳定、安全和节约经济价值的效果,但部分兆瓦级风力发电机组叶片开裂时变桨电机的传感器检测温度变化并不明显,因此,不能进行提前或者及时的故障预警,便造成了部分兆瓦级风力发电机组的叶片开裂,导致机组运行故障。
发明内容
本发明针对现有的技术不足,提供了一种风力发电机组叶片开裂的预警方法及系统。
本发明的一方面提供一种风力发电机组叶片开裂的预警方法,所述方法包括以下步骤:获取风力发电机组的实际运行数据;根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量;分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理;基于预处理后的实际运行数据和预警衍生变量构建预警模型,并根据构建的预警模型对叶片开裂进行预警。
优选地,所述实际运行数据包括实际运行数据的获取时间、变桨电机的温度和叶片的桨距角。
优选地,所述根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量的步骤包括:计算所述实际运行数据的获取时间的时间差,其中,所述时间差为获取时间中相邻时间的后一时间减去前一时间;根据所述时间差对应地计算出变桨电机的温度差和桨距角差;根据变桨电机的温度差和时间差计算变桨电机的温度变化率。
优选地,所述分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理的步骤包括:去除所述实际运行数据中的缺失值和空值;去除所述实际运行数据和所述预警衍生变量中的误差数据,其中,所述误差数据包括变桨电机的温度大于等于150℃的数据和桨距角差大于50°的数据。
优选地,所述基于预处理后的实际运行数据和预警衍生变量构建预警模型并根据构建的预警模型对叶片开裂进行预警的步骤包括:根据变桨电机的温度变化率构建预警模型;根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值,并当温度变化率占比值大于等于用于触发叶片开裂的警报值G时触发警报,其中,所述温度变化率占比值为满足特定条件的温度变化率的数量占变桨电机的温度变化率的总量的比值。
优选地,所述根据变桨电机的温度变化率的数据构建预警模型的步骤包括:建立与温度变化率对应的赋值矩阵,所述赋值矩阵中的元素的初始值为0;确定温度变化率中处于预定范围内的数据,并将赋值矩阵中与其对应的元素赋值为第一值;确定温度变化率中处于所述预定范围内的相邻且符号相反和/或相隔且符号相反的任意两个数据,并将赋值矩阵中与其对应的元素值赋值为第二值;确定温度变化率中满足以下条件的数据并将赋值矩阵中与其对应的元素值赋值为第三值:相邻且符号相反和/或相隔且符号相反的任意两个温度变化率,所述任意两个温度变化率的绝对值中的一个大于等于阈值α,另一个小于阈值α,且所述任意两个温度变化率之差的绝对值大于阈值γ的数据;通过对赋值矩阵中的元素进行第一值、第二值和第三值的赋值得出新的赋值矩阵,以完成预警模型的构建,其中,所述特定条件为α<<|ΔS|<β,ΔS为温度变化率,α=0.11,β=0.657,所述阈值γ=0.18,所述警报值G=0.01。
优选地,所述根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值的步骤包括:
根据新的赋值矩阵计算与每个变桨电机对应的剩余第一值的数量占该新的赋值矩阵总数据行数的比例值,以得到与每个变桨电机对应的温度变化率占比值。
根据本发明的另一方面提供了一种风力发电机组叶片开裂的预警系统,所述系统包括:实际运行数据获取模块,被配置为获取风力发电机组的实际运行数据;预警衍生变量计算模块,被配置为根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量;数据预处理模块,被配置为分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理;预警模块,被配置为基于预处理后的实际运行数据和预警衍生变量构建预警模型,并根据构建的预警模型对叶片开裂进行预警。
优选地,所述实际运行数据包括实际运行数据的获取时间、变桨电机的温度和叶片的桨距角。
优选地,所述预警衍生变量计算模块被配置为:计算所述实际运行数据的获取时间的时间差,其中,所述时间差为获取时间中相邻时间的后一时间减去前一时间;根据所述时间差对应地计算出变桨电机的温度差和桨距角差;根据变桨电机的温度差和时间差计算变桨电机的温度变化率。
优选地,所述数据预处理模块被配置为:去除所述实际运行数据中的缺失值和空值;去除所述实际运行数据和所述预警衍生变量中的误差数据,其中,所述误差数据包括变桨电机的温度大于等于150℃的数据和桨距角差大于50°的数据。
优选地,所述预警模块被配置为:预警模型建立单元,根据变桨电机的温度变化率构建预警模型;预警判断单元,根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值,并当温度变化率占比值大于等于用于触发叶片开裂的警报值G时触发警报,其中,所述温度变化率占比值为满足特定条件的温度变化率的数量占变桨电机的温度变化率的总量的比值。
优选地,所述预警模型建立单元被配置为:建立与温度变化率对应的赋值矩阵,所述赋值矩阵中的元素的初始值为0;确定温度变化率中处于预定范围内的数据,并将赋值矩阵中与其对应的元素赋值为第一值;确定温度变化率中处于所述预定范围内的相邻且符号相反和/或相隔且符号相反的任意两个数据,并将赋值矩阵中与其对应的元素值赋值为第二值;确定温度变化率中满足以下条件的数据并将赋值矩阵中与其对应的元素值赋值为第三值:相邻且符号相反和/或相隔且符号相反的任意两个温度变化率,所述任意两个温度变化率的绝对值中的一个大于等于阈值α,另一个小于阈值α,且所述任意两个温度变化率之差的绝对值大于阈值γ的数据;通过对赋值矩阵中的元素进行第一值、第二值和第三值的赋值得出新的赋值矩阵,以完成预警模型的构建,其中,所述特定条件为α<<|ΔS|<β,ΔS为温度变化率,α=0.11,β=0.657,所述阈值γ=0.18,所述警报值G=0.01。
优选地,所述预警判断单元还被配置为:根据新的赋值矩阵计算与每个变桨电机对应的剩余第一值的数量占该新的赋值矩阵总数据行数的比例值,以得到与每个变桨电机对应的温度变化率占比值。
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风力发电机组叶片开裂的预警方法。
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风力发电机组叶片开裂的预警方法。
在本发明中,基于变桨电机的温度变化率构建预警模型,进而实现大数据预警风力发电机组叶片开裂的问题,实现了叶片运行的实时在线监测和提前预警工作,为叶片的可靠稳定提供了保证。
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一种风力发电机组叶片开裂的预警方法流程图;
图2示出根据本发明的实施例的构建预警模型的流程图;
图3示出根据本发明的实施例的进行预警判断的流程图;
图4示出根据本发明的示例性的实施例的由数据集1和数据集2对风力发电机组叶片开裂进行预警的流程图;
图5示出根据本发明的实施例的一种风力发电机组叶片开裂的预警系统框图;
图6示出根据本发明的实施例的预警模块的框图。
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。
图1是示出根据本发明的实施例的一种风力发电机组叶片开裂的预警方法流程图。
如图1所示,首先,在步骤S100,获取风力发电机组的实际运行数据。具体地,获取的风力发电机组的实际运行数据包括实际运行数据的获取时间、变桨电机的温度和叶片的桨距角。根据本发明的实施例,由于风力发电机组分布广泛、环境差异大、地理位置高低不同以及不同机组的各自特性带来的变桨电机温度值的差异也大,因此,这里,选择采用同一台机组进行测试,假设从SCADA(Supervisory Control And Data Acquisition)数据采集与监视控制系统中获取该风力发电机组的一个月的实际运行数据,其中,获取的实际运行数据包括时间数据t、变桨电机的温度数据T和叶片的桨距角数据A。
在步骤S200,根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量。具体地,先计算实际运行数据的获取时间的时间差,其中,时间差为获取时间中相邻时间的后一时间减去前一时间,然后,根据计算的时间差对应地计算出与变桨电机的温度差和桨距角差,再根据变桨电机的温度差和时间差计算得出变桨电机的温度变化率,由此得出与风力发电机组叶片开裂相关的预警衍生变量时间差、变桨电机的温度差、桨距角差和变桨电机的温度变化率。根据本发明的实施例,假设根据获取的实际运行数据中的时间数据t、变桨电机的温度数据T和桨距角数据A分别计算得出时间差、变桨电机的温度差和桨距角差,其中,时间差的计算公式如下:
Δt=tn-tn-1 (1)
上式中Δt为获取时间中相邻时间的后一时间减去前一时间,tn为第n个时间数据。
变桨电机的温度差的计算公式如下:
ΔT=Tn-Tn-1 (2)
上式中ΔT为获取的实际运行数据中的与时间数据t相对应的温度数据的温度差,Tn为第n个时间数据对应的变桨电机温度。
桨距角差的计算公式如下:
ΔA=An-An-1 (3)
上式中ΔA为获取的实际运行数据中的与时间数据t相对应的桨距角数据的变桨角度差,An为第n个时间数据对应的桨距角数据。
根据本发明的实施例,将得到的时间差、变桨电机温度差和桨距角差分别进行首行补0,并入Data数据矩阵。假设从获取的实际运行数据中选取连续6个时间数据以及该与时间数据相对应的变桨电机的温度数据和桨距角数据,根据选取的数据进行时间差、变桨电机温度差和桨距角差的计算,首行补0后生成6行7列的数据矩阵。假设在获取的实际运行数据中任意选择一组时间数据为3、7、13、19、24、30,则根据相应的变桨电机的温度数据和桨距角数据分别对衍生变量时间差、变桨电机的温度差和桨距角差进行计算,得出结果如下表所示:
表1衍生变量的计算结果
根据表1中所示时间差和叶片1、叶片2和叶片3的变桨电机的温度差计算得出叶片1、叶片2和叶片3的变桨电机的温度变化率,计算公式如下:
ΔS=Tn-Tn-1/tn-tn-1 (4)
根据上述举例,通过公式(4)计算得出相应的三个叶片的变桨电机的温度变化率,其中,叶片1的变桨电机的温度变化率为:0、0.11、-0.35、0.33、-0.38、0.17,叶片2的变桨电机的温度变化率为:0、0.29、0.17、-0.17、-0.08、-0.03,叶片3的变桨电机的温度变化率为:0、0.10、-0.08、-0.33、0.2、-0.45。
在步骤S300,分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理。具体地,去除实际运行数据中的缺失值和空值,再去除实际运行数据和预警衍生变量中的误差数据。根据本发明的实施例,假设对获取的实际运行数据进行分析后,得出的NA(缺失值)和空值数据中有离散的数据,也有连续的数据,那么,对于连续大于10分钟的NA(缺失值)数据和空值数据可进行整行数据的删除,而对于连续小于10分钟的NA(缺失值)数据和空值数据以及离散数据则进行对应删除。应理解,上述对于缺失值和空值数据的删除的举例仅是示例性举例,本发明可采用的数据删除的方法不限于此。再去除实际运行数据和预警衍生变量中的误差数据,例如,去除变桨电机的温度大于等于150℃的数据和桨距角差大于50°的数据,这里,误差数据是指在风力发电机组运行过程中的明显异常数据。应理解,上述对于误差数据的举例仅是示例性举例,本发明可采用的误差数据不限于此。
在步骤S400,基于预处理后的实际运行数据和预警衍生变量构建预警模型,并根据构建的预警模型对叶片开裂进行预警。具体地,根据变桨电机的温度变化率的数据构建预警模型,然后,根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值,并当温度变化率占比值大于等于用于触发叶片开裂的警报值G时触发警报,其中,温度变化率占比值为满足特定条件的温度变化率的数量占变桨电机的温度变化率的总量的比值。下面将参照图2来详细说明根据本发明实施例的构建预警模型的过程。
图2是示出根据本发明的实施例的构建预警模型的流程图。
如图2所示,在步骤S201中,建立与温度变化率对应的赋值矩阵,赋值矩阵中的元素的初始值为0。具体地,在数据Data中增加L1、L2、L3三列,且L1、L2、L3三列的初始值均设为0,其中,L1、L2、L3分别代表叶片1、叶片2和叶片3的变桨电机1-3的温度变化率对应的映射数据。根据本发明的实施例,假设取每个叶片的8个温度变化率,分别建立与三个叶片的温度变化率相对应的映射,则得到的赋值矩阵为一个8行3列的0矩阵。
在步骤S202中,确定温度变化率中处于预定范围内的数据,并将赋值矩阵中与其对应的元素赋值为第一值。具体地,将特定条件内的变桨电机的温度变化率映射到赋值矩阵处的0值进行重新赋值。根据上述举例,这里,选取L1列数据元素进行元素赋值,即对叶片1的变桨电机的温度变化率ΔS进行分析,假设与L1列数据元素相对应的叶片1的变桨电机的温度变化率ΔS为0、0.10、-0.08、-0.33、0.2、-0.45、-0.6、-0.4,取特定条件为α<<|ΔS|<β,其中,α=0.11,β=0.657,则将0.11<<|ΔS|<0.657的数据所在位置处赋值为第一值,这里将第一值设为1,即得出L1列数据元素为0、0、0、1、1、1、1、1。应理解,上述对于特定条件的举例仅是示例性举例,本发明可采用的特定条件不限于此。
在步骤S203中,确定温度变化率中处于预定范围内的相邻且符号相反和/或相隔且符号相反的任意两个数据,并将赋值矩阵中与其对应的元素值赋值为第二值。根据上述举例,-0.33和0.2为相邻且符号相反的数据,-0.45和0.2也为相邻且符号相反的数据,0.2和-0.6为相隔且相反的数据,则将对应位置处的赋值更改为第二值,假设第二值为2,则L1列数据元素相应的赋值变更为0、0、0、2、2、2、2、1。
在步骤S204中,确定温度变化率中满足以下条件的数据并将赋值矩阵中与其对应的元素值赋值为第三值:相邻且符号相反和/或相隔且符号相反的任意两个温度变化率,任意两个温度变化率的绝对值中的一个大于等于阈值α,另一个小于阈值α,且任意两个温度变化率之差的绝对值大于阈值γ的数据。根据上述举例,假设阈值γ=0.18,则在叶片1的变桨电机的温度变化率0、0.10、-0.08、-0.33、0.2、-0.45、-0.6、-0.4中,0.10和-0.33相隔且符号相反,并同时满足绝对值中一个大于0.11,一个小于0.11的条件,以及两个数据之间的距离为0.43大于γ的取值0.18的条件,因此,将对应位置处的赋值更改为第三值,假设第三值为3,则L1列数据元素相应的赋值变更为0、3、0、3、2、2、2、1。应理解,上述对于阈值γ的举例仅是示例性举例,本发明可采用的阈值γ不限于此。
在步骤S205中,通过对赋值矩阵中的元素进行第一值、第二值和第三值的赋值得出新的赋值矩阵,以完成预警模型的构建。根据上述举例,通过对三个叶片的变桨电机的温度变化率分别进行分析和赋值以得到新的赋值矩阵,其中,赋值1表示为叶片开裂造成的风力发电机组的变桨电机温度异常,赋值2和3则表示为其他原因造成的变桨电机温度异常,例如卡桨、轴承断裂等原因。最后,根据构建的预警模型对风力发电机组叶片开裂进行预警。
返回图1,再根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值,并当温度变化率占比值大于等于用于触发叶片开裂的警报值G时触发警报。具体地,根据新的赋值矩阵计算与每个变桨电机对应的剩余第一值的数量占该新的赋值矩阵总数据行数的比例值,以得到与每个变桨电机对应的温度变化率占比值,然后,判断温度变化率占比值与警报值G的大小。如图3所示,分别统计出新的赋值矩阵中L1、L2、L3三列中赋值为1的数量占每一列总量的比值,求取三个叶片的变桨电机的温度变化率占比值P1、P2和P3,再根据三个叶片的变桨电机的温度变化率占比值P1、P2和P3,判断是否至少有一个温度变化率占比值大于等于叶片开裂的警报值G,若是,则判断为预警机组并继续进行预警判断,否则不触发警报。根据上述举例,假设警报值G=0.01,这里,警报值是通过对近几年内损坏的多台机组以及同时段内正常运行的机组的实际运行数据进行监测分析得出的。由叶片1的变桨电机的温度变化率占比值P1=0.125即可判断该风力发电机组为触发预警机组,触发警报。应理解,上述对于警报值的举例仅是示例性举例,本发明可采用的警报值不限于此。
根据本发明的实施例,通过获取的该风力发电机组的一个月的实际运行数据对风力发电机组叶片开裂进行预警后,若判断为触发预警机组,则还需要将该风力发电机组的一个月的实际运行数据分为前半月数据和后半月数据,并分别对前半月数据和后半月数据进行如上所述预警模型的预警。如图4所示,数据集1为前半月数据,数据集2为后半月数据,则分别对数据集1的预警值G1和数据集2的预警值G2进行判断。由于在风力发电机组的实际运行中,温度变化越剧烈,风力发电机组损坏的可能性越大,所以,在对数据集1的预警值G1和数据集2的预警值G2进行判断时,比较G1和G2的大小,并当数据集1的预警值G1小于数据集2的预警值G2时触发预警并发出警报,否则,不触发警报,预警结束。
图5是示出根据本发明的实施例的一种风力发电机组叶片开裂的预警系统框图。
参照图5,风力发电机组叶片开裂的预警系统500可包括实际运行数据获取模块501、预警衍生变量计算模块502、数据预处理模块503和预警模块504。根据本发明的实施例,风力发电机组叶片开裂的预警系统500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,实际运行数据获取模块501被配置为获取风力发电机组的实际运行数据。预警衍生变量计算模块502被配置为根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量。数据预处理模块503被配置为分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理。预警模块504被配置为基于预处理后的实际运行数据和预警衍生变量构建预警模型,并根据构建的预警模型对叶片开裂进行预警。
根据本发明的实施例,实际运行数据获取模块501中实际运行数据包括实际运行数据的获取时间、变桨电机的温度和叶片的桨距角。预警衍生变量计算模块502根据实际运行数据获取模块501获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量,具体地,预警衍生变量计算模块502先计算实际运行数据的获取时间的时间差,其中,时间差为获取时间中相邻时间的后一时间减去前一时间,再根据计算的时间差对应地计算出变桨电机的温度差和桨距角差,最后,根据变桨电机的温度差和时间差计算变桨电机的温度变化率。
数据预处理模块503对实际运行数据获取模块501和预警衍生变量计算模块502中的数据进行数据预处理,以分别去除数据预处理模块503和预警衍生变量计算模块502中的缺失值和空值以及误差数据,其中,误差数据包括变桨电机的温度误差数据和桨距角差的误差数据。例如,去除变桨电机的温度数据中大于等于150℃的数据和桨距角差数据中大于50°的数据。应理解,上述对于误差数据的举例仅是示例性举例,本发明可采用的误差数据不限于此。
预警模块504基于数据预处理模块503得到的预处理后的实际运行数据和预警衍生变量来构建预警模型,具体地,根据变桨电机的温度变化率构建预警模型,再根据构建的预警模型对风力发电机组的叶片开裂进行预警。下面将参照图6来详细说明根据本发明实施例的预警模块504。
图6示出根据本发明的实施例的预警模块的框图。
参照图6,预警模块504包括预警模型建立单元601和预警判断单元602。具体地,预警模型建立单元601根据变桨电机的温度变化率构建预警模型,预警判断单元602根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值,并当温度变化率占比值大于等于用于触发叶片开裂的警报值G时触发警报,其中,温度变化率占比值为满足特定条件的温度变化率的数量占变桨电机的温度变化率的总量的比值。根据本发明的实施例,预警模型建立单元601建立与温度变化率对应的赋值矩阵,赋值矩阵中的元素的初始值为0,然后,确定温度变化率中处于预定范围内的数据,并将赋值矩阵中与其对应的元素赋值为第一值,确定温度变化率中处于预定范围内的相邻且符号相反和/或相隔且符号相反的任意两个数据,并将赋值矩阵中与其对应的元素值赋值为第二值,确定温度变化率中满足以下条件的数据并将赋值矩阵中与其对应的元素值赋值为第三值:相邻且符号相反和/或相隔且符号相反的任意两个温度变化率,任意两个温度变化率的绝对值中的一个大于等于阈值α,另一个小于阈值α,且任意两个温度变化率之差的绝对值大于阈值γ的数据,最终,通过对赋值矩阵中的元素进行第一值、第二值和第三值的赋值得出新的赋值矩阵,以完成预警模型的构建。其中,特定条件为α<<|ΔS|<β,α=0.11,β=0.657,阈值γ=0.18。预警判断单元602根据新的赋值矩阵计算与每个变桨电机对应的剩余第一值的数量占该新的赋值矩阵总数据行数的比例值,以得到与每个变桨电机对应的温度变化率占比值,并判断当温度变化率占比值大于等于叶片开裂的警报值G时触发警报。这里,警报值是通过对近几年内损坏的多台机组以及同时段内正常运行的机组的实际运行数据进行监测分析得出的,例如,警报值G=0.01,则对计算的变桨电机的温度变化率占比值进行判断,若温度变化率占比值P大于等于0.01,则判断为触发预警机组,触发警报,否则不触发警报,预警结束。应理解,上述对于警报值的举例仅是示例性举例,本发明可采用的警报值不限于此。
根据本发明的实施例的一种风力发电机组叶片开裂的预警方法及系统能够基于变桨电机的温度构建预警模型,进而实现大数据预警风力发电机组叶片开裂的问题,克服了部分兆瓦级风力发电机机组叶片开裂而变桨电机传感器检测的温度变化不明显的问题,实现了叶片运行的实时在线监测和提前预警工作,为叶片的可靠稳定提供了保证。
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 (14)
1.一种风力发电机组叶片开裂的预警方法,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际运行数据;
根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量;
分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理;
基于预处理后的实际运行数据和预警衍生变量构建预警模型,并根据构建的预警模型对叶片开裂进行预警,
其中,所述基于预处理后的实际运行数据和预警衍生变量构建预警模型并根据构建的预警模型对叶片开裂进行预警的步骤包括:
根据变桨电机的温度变化率构建预警模型,
根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值,并当温度变化率占比值大于等于用于触发叶片开裂的警报值G时触发警报,其中,所述温度变化率占比值为满足特定条件的温度变化率的数量占变桨电机的温度变化率的总量的比值,以及
其中,所述根据变桨电机的温度变化率构建预警模型的步骤包括:
建立与温度变化率对应的赋值矩阵,
通过对赋值矩阵中的元素进行赋值得出新的赋值矩阵,以完成预警模型的构建。
2.如权利要求1所述的方法,其特征在于,所述实际运行数据包括实际运行数据的获取时间、变桨电机的温度和叶片的桨距角。
3.如权利要求2所述的方法,其特征在于,所述根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量的步骤包括:
计算所述实际运行数据的获取时间的时间差,其中,所述时间差为获取时间中相邻时间的后一时间减去前一时间;
根据所述时间差对应地计算出变桨电机的温度差和桨距角差;
根据变桨电机的温度差和时间差计算变桨电机的温度变化率。
4.如权利要求3所述的方法,其特征在于,所述分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理的步骤包括:
去除所述实际运行数据中的缺失值和空值;
去除所述实际运行数据和所述预警衍生变量中的误差数据,其中,所述误差数据包括变桨电机的温度大于等于150℃的数据和桨距角差大于50°的数据。
5.如权利要求1所述的方法,其特征在于,所述赋值矩阵中的元素的初始值为0,其中,通过对赋值矩阵中的元素进行赋值得出新的赋值矩阵,以完成预警模型的构建的步骤包括:
确定温度变化率中处于预定范围内的数据,并将赋值矩阵中与其对应的元素赋值为第一值;
确定温度变化率中处于所述预定范围内的相邻且符号相反和/或相隔且符号相反的任意两个数据,并将赋值矩阵中与其对应的元素值赋值为第二值;
确定温度变化率中满足以下条件的数据并将赋值矩阵中与其对应的元素值赋值为第三值:相邻且符号相反和/或相隔且符号相反的任意两个温度变化率,所述任意两个温度变化率的绝对值中的一个大于等于阈值α,另一个小于阈值α,且所述任意两个温度变化率之差的绝对值大于阈值γ的数据;
通过对赋值矩阵中的元素进行第一值、第二值和第三值的赋值得出新的赋值矩阵,以完成预警模型的构建,
其中,所述预定范围为α<<|ΔS|<β,ΔS为温度变化率,所述阈值α=0.11,所述阈值β=0.657,所述阈值γ=0.18,所述警报值G=0.01。
6.如权利要求5所述的方法,其特征在于,所述根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值的步骤包括:
根据新的赋值矩阵计算与每个变桨电机对应的剩余第一值的数量占该新的赋值矩阵总数据行数的比例值,以得到与每个变桨电机对应的温度变化率占比值。
7.一种风力发电机组叶片开裂的预警系统,其特征在于,所述系统包括:
实际运行数据获取模块,被配置为获取风力发电机组的实际运行数据;
预警衍生变量计算模块,被配置为根据获取的实际运行数据计算与风力发电机组叶片开裂相关的预警衍生变量;
数据预处理模块,被配置为分别对获取的实际运行数据和计算的预警衍生变量进行数据预处理;
预警模块,被配置为基于预处理后的实际运行数据和预警衍生变量构建预警模型,并根据构建的预警模型对叶片开裂进行预警,
其中,所述预警模块包括:
预警模型建立单元,根据变桨电机的温度变化率构建预警模型,
预警判断单元,根据构建的预警模型求取用于预警的风力发电机组叶片的温度变化率占比值,并当温度变化率占比值大于等于用于触发叶片开裂的警报值G时触发警报,其中,所述温度变化率占比值为满足特定条件的温度变化率的数量占变桨电机的温度变化率的总量的比值,以及
其中,所述预警模型建立单元被配置为:
建立与温度变化率对应的赋值矩阵;通过对赋值矩阵中的元素进行赋值得出新的赋值矩阵,以完成预警模型的构建。
8.如权利要求7所述的系统,其特征在于,所述实际运行数据被划分为风力发电机组的正常运行数据和故障时刻数据,包括实际运行数据的获取时间、变桨电机的温度和叶片的桨距角。
9.如权利要求8所述的系统,其特征在于,所述预警衍生变量计算模块被配置为:
计算所述实际运行数据的获取时间的时间差,其中,所述时间差为获取时间中相邻时间的后一时间减去前一时间;
根据所述时间差对应地计算出变桨电机的温度差和桨距角差;
根据变桨电机的温度差和时间差计算变桨电机的温度变化率。
10.如权利要求9所述的系统,其特征在于,所述数据预处理模块被配置为:
去除所述实际运行数据中的缺失值和空值;
去除所述实际运行数据和所述预警衍生变量中的误差数据,其中,所述误差数据包括变桨电机的温度大于等于150℃的数据和桨距角差大于50°的数据。
11.如权利要求7所述的系统,其特征在于,所述赋值矩阵中的元素的初始值为0,其中,所述预警模型建立单元被配置为:
确定温度变化率中处于预定范围内的数据,并将赋值矩阵中与其对应的元素赋值为第一值;
确定温度变化率中处于所述预定范围内的相邻且符号相反和/或相隔且符号相反的任意两个数据,并将赋值矩阵中与其对应的元素值赋值为第二值;
确定温度变化率中满足以下条件的数据并将赋值矩阵中与其对应的元素值赋值为第三值:相邻且符号相反和/或相隔且符号相反的任意两个温度变化率,所述任意两个温度变化率的绝对值中的一个大于等于阈值α,另一个小于阈值α,且所述任意两个温度变化率之差的绝对值大于阈值γ的数据;
通过对赋值矩阵中的元素进行第一值、第二值和第三值的赋值得出新的赋值矩阵,以完成预警模型的构建,
其中,所述特定条件为α<<|ΔS|<β,ΔS为温度变化率,α=0.11,β=0.657,所述阈值γ=0.18,所述警报值G=0.01。
12.如权利要求7所述的系统,其特征在于,所述预警判断单元还被配置为:
根据新的赋值矩阵计算与每个变桨电机对应的剩余第一值的数量占该新的赋值矩阵总数据行数的比例值,以得到与每个变桨电机对应的温度变化率占比值。
13.一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1-6中任一项所述的方法。
14.一种计算机设备,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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810393681.0A CN110414022B (zh) | 2018-04-27 | 2018-04-27 | 一种风力发电机组叶片开裂的预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810393681.0A CN110414022B (zh) | 2018-04-27 | 2018-04-27 | 一种风力发电机组叶片开裂的预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414022A CN110414022A (zh) | 2019-11-05 |
CN110414022B true CN110414022B (zh) | 2023-05-09 |
Family
ID=68346927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810393681.0A Active CN110414022B (zh) | 2018-04-27 | 2018-04-27 | 一种风力发电机组叶片开裂的预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414022B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113357097B (zh) * | 2020-03-02 | 2024-01-26 | 北京金风科创风电设备有限公司 | 风力发电机组的叶片卡桨检测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107449102A (zh) * | 2017-06-28 | 2017-12-08 | 深圳达实智能股份有限公司 | 医院风机盘管故障自诊方法、装置和可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105222742A (zh) * | 2014-05-26 | 2016-01-06 | 通用电气公司 | 浆距故障检测系统和方法 |
-
2018
- 2018-04-27 CN CN201810393681.0A patent/CN110414022B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107449102A (zh) * | 2017-06-28 | 2017-12-08 | 深圳达实智能股份有限公司 | 医院风机盘管故障自诊方法、装置和可读存储介质 |
Non-Patent Citations (1)
Title |
---|
固体热-化-力耦合连续介质理论的研究现状与展望;仲政;《力学季刊》;20171231;第593-618页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110414022A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
US20230003198A1 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
KR20220150979A (ko) | 태양광 어레이의 작동 상태를 결정하기 위한 방법 및 장치, 디바이스 및 저장 매체 | |
CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
WO2023063887A2 (en) | Method and apparatus for predicting state of wind turbine blade, and device and storage medium therefor | |
CN113312804B (zh) | 变压器的温度预警方法、装置、设备及存储介质 | |
CN113931258A (zh) | 自我诊断方法和无负压叠压供水设备 | |
CN110414022B (zh) | 一种风力发电机组叶片开裂的预警方法及系统 | |
CN111191950B (zh) | 风电机组齿轮箱油温异常分析方法及装置 | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
CN114035550B (zh) | 一种基于eso的自主式水下机器人执行机构故障诊断方法 | |
CN114753980A (zh) | 一种风机叶片结冰监测方法及系统 | |
CN112668749B (zh) | 一种基于类标加权极限学习机的煤矿瓦斯预警方法 | |
CN118275890A (zh) | 电池异常的检测方法及检测装置 | |
CN112882898A (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN111222726B (zh) | 测风数据异常的识别方法和设备 | |
CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
CN108825452B (zh) | 确定风力发电机组叶片结冰的方法和装置 | |
CN118686749A (zh) | 监测风机中的螺栓的疲劳损伤程度的方法和装置 | |
CN117851877A (zh) | 基于scada数据关联分析的风电叶片断裂预警方法、装置、可读存储介质 | |
CN116842672A (zh) | 风力发电机组的主轴承的预定载荷确定方法及装置 | |
CN117823357A (zh) | 运行风险评估方法和装置以及计算机可读存储介质 | |
CN118195293A (zh) | 风电场的风险检测方法及装置 | |
CN116204762A (zh) | 风力发电机组变桨轴承的寿命评估方法和装置 | |
CN117705178A (zh) | 风电螺栓信息检测方法、装置、电子设备和存储介质 |
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. |