CN110689141B - 风力发电机组的故障诊断方法及设备 - Google Patents
风力发电机组的故障诊断方法及设备 Download PDFInfo
- Publication number
- CN110689141B CN110689141B CN201810631761.5A CN201810631761A CN110689141B CN 110689141 B CN110689141 B CN 110689141B CN 201810631761 A CN201810631761 A CN 201810631761A CN 110689141 B CN110689141 B CN 110689141B
- Authority
- CN
- China
- Prior art keywords
- sub
- group
- operating
- parameters
- period
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 230000001419 dependent effect Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 60
- 230000001133 acceleration Effects 0.000 description 19
- 238000012935 Averaging Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种风力发电机组的故障诊断方法及设备。所述故障诊断方法包括:获取风力发电机组在当前时间段内的各个采样时间点的实际运行数据,其中,所述实际运行数据包括关于第一组运行参数的第一组实际运行数据和关于第二组运行参数的第二组实际运行数据,所述第一组运行参数是与所述故障相关的自变量,所述第二组运行参数是所述第一组运行参数的因变量;基于获取的当前时间段内的第一组实际运行数据,将当前时间段划分为多个子时间段,其中,在时间上连续的两个子时间段内的第一组实际运行数据之间的差异满足第一预设条件;基于所述多个子时间段内的第二组实际运行数据,确定风力发电机组是否存在故障。
Description
技术领域
本发明总体说来涉及风力发电技术领域,更具体地讲,涉及一种风力发电机组的故障诊断方法及设备。
背景技术
在风力发电领域,受到风力资源不稳定性的影响,风力发电机组的风力资源可利用率、发电品质和故障维护等因素直接决定了风力发电机组本身的发电能力,进而影响到风电场的运维和利润。同时,对风力发电机组的寿命件的管理也存在很大的不确定性,很难通过经验去安排对寿命件的定期维护或更新。因此,需要一种能够快速、有效地对风力发电机组进行故障诊断的方法。
发明内容
本发明的示例性实施例在于提供一种风力发电机组的故障诊断方法及设备,其能够快速、有效地对风力发电机组进行故障诊断,以实现对风力发电机组的异常检测和健康预测。
根据本发明的示例性实施例,提供一种风力发电机组的故障诊断方法,所述故障诊断方法包括:获取风力发电机组在当前时间段内的各个采样时间点的实际运行数据,其中,所述实际运行数据包括关于第一组运行参数的第一组实际运行数据和关于第二组运行参数的第二组实际运行数据,所述第一组运行参数是与所述故障相关的自变量,所述第二组运行参数是所述第一组运行参数的因变量;基于获取的当前时间段内的第一组实际运行数据,将当前时间段划分为多个子时间段,其中,在时间上连续的两个子时间段内的第一组实际运行数据之间的差异满足第一预设条件;基于所述多个子时间段内的第二组实际运行数据,确定风力发电机组是否存在故障。
可选地,基于所述多个子时间段内的第二组实际运行数据确定风力发电机组是否存在故障的步骤包括:基于每一个子时间段内的第一组实际运行数据,确定所述每一个子时间段对应的运行条件模式;获取每一个子时间段内的第二组实际运行数据的第一特定类型的统计值,作为所述每一个子时间段关于第二组运行参数的特征值;基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值,确定风力发电机组是否存在故障。
可选地,基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值确定风力发电机组是否存在故障的步骤包括:确定每一个子时间段是否满足第二预设条件,其中,当任一子时间段关于第二组运行参数的特征值与所述任一子时间段所对应的运行条件模式关于第二组运行参数的基准值之间的差值的绝对值大于对应的第一预设阈值时,确定所述任一子时间段满足第二预设条件;如果在所述多个子时间段中,存在一个满足第二预设条件的子时间段的时长超过第一预设时长或存在多个在时间上连续的满足第二预设条件的子时间段的时长总和超过第一预设时长,则确定风力发电机组存在故障。
可选地,基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值确定风力发电机组是否存在故障的步骤包括:如果属于同一运行条件模式的子时间段按先后排序之后,其中存在在排序上连续的两个子时间段关于第二组运行参数的特征值之间的差值的绝对值大于对应的第二预设阈值,则确定风力发电机组存在故障。
可选地,所述故障诊断方法还包括:获取风力发电机组在特定历史时段内的各个采样时间点的关于第一组运行参数的第一组实际运行数据;基于获取的所述特定历史时段内的第一组实际运行数据,将所述特定历史时段划分为多个子历史时段,其中,在时间上连续的两个子历史时段内的第一组实际运行数据之间的差异满足第一预设条件;获取每一个子历史时段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子历史时段关于第一组运行参数的特征值;基于所述多个子历史时段关于第一组运行参数的特征值,对所述多个子历史时段进行聚类,以将聚类得到的各个类别作为各个运行条件模式。
可选地,所述故障诊断方法还包括:基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行,并获取仿真运行得到的关于第二组运行参数的仿真运行数据的第一特定类型的统计值,作为所述每一个运行条件模式关于第二组运行参数的基准值。
可选地,基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行的步骤包括:确定属于所述每一个运行条件模式的子历史时段关于第一组运行参数的特征值的平均值,并基于确定的平均值来生成指示风力发电机组在第二预定时长内的运行条件的运行数据;基于生成的运行数据来进行风力发电机组的仿真运行。
可选地,基于每一个子时间段内的第一组实际运行数据确定所述每一个子时间段对应的运行条件模式的步骤包括:获取每一个子时间段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子时间段关于第一组运行参数的特征值;基于所述每一个子时间段关于第一组运行参数的特征值与各个运行条件模式之间的相似度,确定所述每一个子时间段对应的运行条件模式。
可选地,风力发电机组在所述特定历史时段内无故障运行,其中,所述故障诊断方法还包括:获取风力发电机组在所述特定历史时段内的各个采样时间点的关于第二组运行参数的第二组实际运行数据;获取每一个子历史时段内的第二组实际运行数据的第一特定类型的统计值,作为所述每一个子历史时段关于第二组运行参数的特征值;基于属于每一个运行条件模式的子历史时段关于第二组运行参数的特征值,确定所述每一个运行条件模式关于第二组运行参数的基准值。
可选地,第一预设条件包括:第一组实际运行数据的第三特定类型的统计值之间的差值的绝对值大于对应的第三预设阈值。
可选地,第一特定类型的统计值包括:关于第二组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项;和/或,第二特定类型的统计值包括:关于第一组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项;和/或,第三特定类型的统计值包括:关于第一组运行参数中的运行参数的平均值、方差、标准差和峭度之中的至少一项,和/或,关于第一组运行参数中的运行参数的包络线的统计值和/或频谱特征的统计值。
根据本发明的另一示例性实施例,提供一种风力发电机组的故障诊断设备,所述故障诊断设备包括:运行数据获取单元,用于获取风力发电机组在当前时间段内的各个采样时间点的实际运行数据,其中,所述实际运行数据包括关于第一组运行参数的第一组实际运行数据和关于第二组运行参数的第二组实际运行数据,所述第一组运行参数是与所述故障相关的自变量,所述第二组运行参数是所述第一组运行参数的因变量;时间段划分单元,用于基于获取的当前时间段内的第一组实际运行数据,将当前时间段划分为多个子时间段,其中,在时间上连续的两个子时间段内的第一组实际运行数据之间的差异满足第一预设条件;确定单元,用于基于所述多个子时间段内的第二组实际运行数据,确定风力发电机组是否存在故障。
可选地,确定单元包括:模式确定单元,用于基于每一个子时间段内的第一组实际运行数据,确定所述每一个子时间段对应的运行条件模式;故障确定单元,用于获取每一个子时间段内的第二组实际运行数据的第一特定类型的统计值,作为所述每一个子时间段关于第二组运行参数的特征值;并基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值,确定风力发电机组是否存在故障。
可选地,故障确定单元确定每一个子时间段是否满足第二预设条件,其中,当任一子时间段关于第二组运行参数的特征值与所述任一子时间段所对应的运行条件模式关于第二组运行参数的基准值之间的差值的绝对值大于对应的第一预设阈值时,确定所述任一子时间段满足第二预设条件;其中,如果在所述多个子时间段中,存在一个满足第二预设条件的子时间段的时长超过第一预设时长或存在多个在时间上连续的满足第二预设条件的子时间段的时长总和超过第一预设时长,则故障确定单元确定风力发电机组存在故障。
可选地,如果属于同一运行条件模式的子时间段按先后排序之后,其中存在在排序上连续的两个子时间段关于第二组运行参数的特征值之间的差值的绝对值大于对应的第二预设阈值,则故障确定单元确定风力发电机组存在故障。
可选地,运行数据获取单元获取风力发电机组在特定历史时段内的各个采样时间点的关于第一组运行参数的第一组实际运行数据;时间段划分单元基于获取的所述特定历史时段内的第一组实际运行数据,将所述特定历史时段划分为多个子历史时段,其中,在时间上连续的两个子历史时段内的第一组实际运行数据之间的差异满足第一预设条件;其中,所述故障诊断设备还包括:模式获取单元,用于获取每一个子历史时段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子历史时段关于第一组运行参数的特征值;并基于所述多个子历史时段关于第一组运行参数的特征值,对所述多个子历史时段进行聚类,以将聚类得到的各个类别作为各个运行条件模式。
可选地,所述故障诊断设备还包括:基准值获取单元,用于基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行,并获取仿真运行得到的关于第二组运行参数的仿真运行数据的第一特定类型的统计值,作为所述每一个运行条件模式关于第二组运行参数的基准值。
可选地,基准值获取单元确定属于所述每一个运行条件模式的子历史时段关于第一组运行参数的特征值的平均值,基于确定的平均值来生成指示风力发电机组在第二预定时长内的运行条件的运行数据;并基于生成的运行数据来进行风力发电机组的仿真运行。
可选地,模式确定单元获取每一个子时间段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子时间段关于第一组运行参数的特征值;并基于所述每一个子时间段关于第一组运行参数的特征值与各个运行条件模式之间的相似度,确定所述每一个子时间段对应的运行条件模式。
可选地,风力发电机组在所述特定历史时段内无故障运行,其中,运行数据获取单元获取风力发电机组在所述特定历史时段内的各个采样时间点的关于第二组运行参数的第二组实际运行数据;其中,所述故障诊断设备还包括:基准值获取单元,用于获取每一个子历史时段内的第二组实际运行数据的第一特定类型的统计值,作为所述每一个子历史时段关于第二组运行参数的特征值;并基于属于每一个运行条件模式的子历史时段关于第二组运行参数的特征值,确定所述每一个运行条件模式关于第二组运行参数的基准值。
可选地,第一预设条件包括:第一组实际运行数据的第三特定类型的统计值之间的差值的绝对值大于对应的第三预设阈值。
可选地,第一特定类型的统计值包括:关于第二组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项;和/或,第二特定类型的统计值包括:关于第一组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项;和/或,第三特定类型的统计值包括:关于第一组运行参数中的运行参数的平均值、方差、标准差和峭度之中的至少一项,和/或,关于第一组运行参数中的运行参数的包络线的统计值和/或频谱特征的统计值。
根据本发明的另一示例性实施例,提供一种存储有计算机程序的计算机可读存储介质,当所述计算机程序被处理器执行时实现如上所述的风力发电机组的故障诊断方法。
根据本发明的另一示例性实施例,提供一种风力发电机组的故障诊断设备,所述故障诊断设备包括: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,实现如上所述的风力发电机组的故障诊断方法,以实现对至少一台风力发电机组进行故障诊断。
根据本发明示例性实施例的风力发电机组的故障诊断方法及设备,针对具有时间特性的风力发电机组数据,基于风力发电机组的实际运行数据将当前时间段划分为多个子时间段,并基于与各个子时间段的实际运行数据匹配相应的运行条件模式,实现按照风力发电机组运行工况等因素进行风力发电机组数据的时间序列模式的识别,以便更有效地确定风力发电机组是否存在故障。进一步地,还能够通过对不同运行条件模式下的子时间段的数据分析,更准确地确定风力发电机组是否存在故障。
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示出根据本发明的示例性实施例的风力发电机组的故障诊断方法的流程图;
图2示出根据本发明的示例性实施例的将当前时间段划分为多个子时间段的示例;
图3示出根据本发明的示例性实施例的基于多个子时间段内的第二组实际运行数据确定风力发电机组是否存在故障的步骤的流程图;
图4示出根据本发明的示例性实施例的获取各个运行条件模式的方法的流程图;
图5示出根据本发明的示例性实施例的诊断风力发电机组的整机振动是否存在异常的示例;
图6示出根据本发明的示例性实施例的风力发电机组的故障诊断设备的框图;
图7示出根据本发明的示例性实施例的风力发电机组的故障诊断设备的框图。
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示出根据本发明的示例性实施例的风力发电机组的故障诊断方法的流程图。作为示例,所述故障诊断方法可在风力发电机组中执行,也可在场群控制器中执行,这里,场群控制器可指风电场控制器(WFC,wind farm controller),用于控制整个风电场包括的所有风力发电机组。此外,所述故障诊断方法也可由专门的用于处理风力发电机组的数据的数据处理平台来执行,例如,云端大数据平台。
参照图1,在步骤S10,获取风力发电机组在当前时间段内的各个采样时间点的实际运行数据,其中,所述实际运行数据包括关于第一组运行参数的第一组实际运行数据和关于第二组运行参数的第二组实际运行数据,所述第一组运行参数是与所述故障相关的自变量,所述第二组运行参数是所述第一组运行参数的因变量。
这里,当前时间段可以是当前时刻以前的一定时长的时间段,例如,当前时间段可以是当前时刻以前的N个小时,其中,N为大于零的数。相邻的采样时间点之间间隔采样周期。
这里,每个采样时间点的关于第一组运行参数的第一组实际运行数据包括:在该采样时间点采集到的第一组运行参数的实际参数值;每个采样时间点的关于第二组运行参数的第二组实际运行数据包括:在该采样时间点采集到的第二组运行参数的实际参数值。第一组运行参数包括至少一个运行参数,第二组运行参数包括至少一个运行参数,第一组运行参数完全不同于第二组运行参数。应该理解,第一组运行参数和第二组运行参数可以是风力发电机组运行时的风参数和/或风力发电机组自身的运行参数。
具体说来,可根据需要诊断的风力发电机组的具体故障(也即,待诊断故障),来设置第一组运行参数和第二组运行参数。第二组运行参数与需要诊断的具体故障直接相关,其参数值能够体现风力发电机组是否存在该故障,而第一组运行参数与第二组运行参数有强相关性,第一组运行参数的实际参数值会影响第二组运行参数的实际参数值的变化,也即,可将第一组运行参数认为是自变量,第二组运行参数相当于第一组运行参数的因变量。
例如,当需要诊断的故障是风力发电机组的振动是否存在异常时,由于风力发电机组的整机振动与运行风况有强相关性,例如,风速越大,机舱振动越强烈,因此,可将第一组运行参数设置为环境风速,将第二组运行参数设置为风力发电机组的机舱加速度。例如,当需要诊断的故障是风力发电机组的发电机温升是否存在异常时,由于,风速越大风带走的发电机热量越多,风速越大功率越大电流越大导致发电机的发热量越大,因此,可将第一组运行参数设置为发电机的输出有功功率和环境风速,将第二组运行参数设置为发电机的温升。例如,当需要诊断的是风力发电机组的转速控制性能是否存在异常时,可将第一组运行参数设置为风力发电机组的桨距角,将第二组运行参数设置为发电机的转速。
在步骤S20,基于获取的当前时间段内的第一组实际运行数据,将当前时间段划分为多个子时间段,使得划分后的在时间上连续的两个子时间段内的第一组实际运行数据之间的差异满足第一预设条件。具体说来,针对在时间上连续的两个子时间段,其中一个子时间段内的第一组实际运行数据与另一个子时间段内的第一组实际运行数据之间的差异满足第一预设条件。
作为示例,第一预设条件可包括:在时间上连续的两个子时间段内的第一组实际运行数据的第一特定类型的统计值之间的差值的绝对值大于对应的第一预设阈值。具体说来,针对在时间上连续的两个子时间段,其中一个子时间段内的第一组实际运行数据的第一特定类型的统计值与另一个子时间段内的第一组实际运行数据的第一特定类型的统计值之间的差值的绝对值大于对应的第一预设阈值。
这里,第一特定类型包括至少一种类型,并且,第一预设阈值包括与所述至少一种类型一一对应的第一阈值,即,每种类型分别对应各自的第一阈值。作为示例,每种类型可指示针对具体的一个运行参数的参数值的具体统计方式,例如,一种类型可指示针对环境风速值取平均,另一种类型可指示针对输出功率值取平均。
作为示例,第一特定类型的统计值可包括:关于第一组运行参数中的运行参数的平均值、方差、标准差、峭度之中的至少一项,和/或,关于第一组运行参数中的运行参数的包络线和/或频谱特征的统计值。例如,包络线的统计值可包括包络线的平均值。例如,频谱特征的统计值可包括频谱最大值点的频率值和/或强度值。例如,子时间段关于环境风速这一运行参数的平均值即该子时间段内的环境风速值的平均值。例如,子时间段关于机舱加速度这一运行参数的包络线的平均值即基于该子时间段内的机舱加速度值获取的包络线的平均值。
应该理解,第一特定类型的统计值包括:针对第一组运行参数中的至少一个运行参数的统计值。第一特定类型的统计值可包括:针对第一组运行参数中的同一运行参数的一个或多个统计值,例如,可包括针对环境风速的平均值和湍流强度。在第一特定类型中,针对不同运行参数的具体统计方式可以相同或不同。此外,当第一特定类型包括多种类型时,在时间上连续的两个子时间段内的第一组实际运行数据的至少一种类型的统计值之间的差值应超过与该类型的统计值对应的第一阈值。
作为示例,如果第一组运行参数中的一个运行参数(例如,环境风速)的实际参数值的均值水平通常不稳定,在基于该运行参数划分子时间段时,可基于随着时间该运行参数的实际参数值的均值水平(和/或,方差、标准差、峭度等)是否发生显著性变化来划分当前时间段,以使划分后的连续的两个子时间段内的该运行参数的实际参数值的平均值(和/或,方差、标准差、峭度等)之间的差值的绝对值超过对应的第一预设阈值。例如,可使用累积和(Cumulative Sum,CUSUM)方法,基于随着时间该运行参数的实际参数值的均值水平是否发生显著性变化来划分当前时间段。例如,当第一特定类型的统计值包括:环境风速值的平均值和输出功率值的平均值时,可基于随着时间环境风速的均值水平和输出功率的均值水平之中任一发生显著性变化来划分当前时间段。
作为另一示例,如果第一组运行参数中的一个运行参数(例如,机舱加速度)的实际参数值的均值水平稳定,实际参数值通常围绕均值上下波动,在基于该运行参数划分子时间段时,可基于随着时间该运行参数的实际参数值所对应的包络线的均值水平是否发生显著性变化来划分当前时间段,以使划分后的连续的两个子时间段内的该运行参数的实际参数值所对应的包络线的平均值之间的差值的绝对值大于对应的第一预设阈值;和/或,可基于随着时间该运行参数的实际参数值所对应的频谱特征是否发生显著性变化来划分当前时间段,以使划分后的连续的两个子时间段内的该运行参数的实际参数值所对应的频谱特征的统计值之间的差值的绝对值大于对应的第一预设阈值。
图2示出在当前时间段内的各个采样时间点的实际的环境风速值及子时间段的划分情况,其中,横坐标指示时间,纵坐标指示环境风速值,子时间段划分指示线指示子时间段的划分情况,相邻的两段与横坐标轴平行的子时间段划分指示线指示两个相邻的子时段,划分后的相邻的子时间段的环境风速平均值之间的差值的绝对值大于3米/秒。
在步骤S30,基于所述多个子时间段内的第二组实际运行数据,确定风力发电机组是否存在故障。
根据本发明的示例性实施例,除了对与需要诊断的故障直接相关的实际运行参数值进行分析,还对影响该实际运行参数值变化的其他类型的实际运行参数值进行分析,并基于分析结果来有效划分当前时间段,以基于划分后的子时间段的与故障直接相关的实际运行参数值进行故障分析,从而使故障分析结果更为客观、准确。
下面,将结合图3来描述步骤S30的优选示例性实施例。
图3示出根据本发明的示例性实施例的基于多个子时间段内的第二组实际运行数据确定风力发电机组是否存在故障的步骤的流程图。
参照图3,在步骤S301,确定每一个子时间段对应的运行条件模式,其中,针对任一子时间段,基于所述任一子时间段内的第一组实际运行数据,确定所述任一子时间段对应的运行条件模式。
这里,任一子时间段对应的运行条件模式能够指示在该子时间段内,风力发电机组关于第一组运行参数的具体运行条件。例如,当第一组运行参数包括环境风速时,运行条件模式能够指示运行时的风况。
可预先设置与第一组运行参数相关的各个运行条件模式,从而基于任一子时间段内的第一组实际运行数据,即可确定该子时间段对应的运行条件模式。
下面,将结合图4来描述根据本发明的示例性实施例的获取各个运行条件模式的方法的流程。如图4所示,根据本发明的示例性实施例的风力发电机组的故障诊断方法还可包括:步骤S40至步骤S80。
在步骤S40,获取风力发电机组在特定历史时段内的各个采样时间点的关于第一组运行参数的第一组实际运行数据。
在步骤S50,基于获取的所述特定历史时段内的第一组实际运行数据,将所述特定历史时段划分为多个子历史时段,其中,在时间上连续的两个子历史时段内的第一组实际运行数据之间的差异满足第一预设条件。
作为示例,第一预设条件可包括:在时间上连续的两个子历史时段内的第一组实际运行数据的第一特定类型的统计值之间的差值的绝对值大于对应的第一预设阈值。
在步骤S60,获取每一个子历史时段关于第一组运行参数的特征值,其中,针对任一子历史时段,获取所述任一子历史时段内的第一组实际运行数据的第二特定类型的统计值,作为所述任一子历史时段关于第一组运行参数的特征值。这里,第二特定类型包括至少一种类型。作为示例,每种类型可指示针对具体的一个运行参数的参数值的具体统计方式,例如,一种类型可指示针对环境风速值取平均,另一种类型可指示针对输出功率值取平均。
作为示例,第二特定类型的统计值可包括:关于第一组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项。此外,第二特定类型的统计值也可包括:关于第一组运行参数中的运行参数的包络线和/或频谱特征的统计值等。
应该理解,第二特定类型的统计值包括:针对第一组运行参数中的每一个运行参数的统计值。第二特定类型的统计值可包括:针对第一组运行参数中的同一运行参数的一个或多个统计值,例如,可包括针对环境风速的平均值和湍流强度。在第二特定类型中,针对不同运行参数的具体统计方式可以相同或不同。
在步骤S70,基于所述多个子历史时段关于第一组运行参数的特征值,对所述多个子历史时段进行聚类,以将聚类得到的M个类别分别作为M个运行条件模式,其中,M为大于0的整数。应该理解,可使用各种适当的聚类方法来进行聚类。
例如,第一组运行参数可包括环境风速和输出功率,第二特定类型可包括对环境风速值取平均和对输出功率值取平均,在步骤S70,可基于每个子历史时段的环境风速平均值和输出功率平均值,来对所述多个子历史时段进行聚类。
返回图3,相应地,作为示例,步骤S301可包括:获取每一个子时间段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子时间段关于第一组运行参数的特征值;基于所述每一个子时间段关于第一组运行参数的特征值与各个运行条件模式所包括的子历史时段关于第一组运行参数的特征值之间的相似度,确定所述每一个子时间段对应的运行条件模式。具体说来,将与所述每一个子时间段关于第一组运行参数的特征值相似度最高(例如,距离最近)的运行条件模式,确定为所述每一个子时间段对应的运行条件模式。
在步骤S302,获取每一个子时间段关于第二组运行参数的特征值,其中,针对任一子时间段,获取所述任一子时间段内的第二组实际运行数据的第三特定类型的统计值,作为所述任一子时间段关于第二组运行参数的特征值。这里,第三特定类型包括至少一种类型。作为示例,每种类型可指示针对具体的一个运行参数的参数值的具体统计方式。
作为示例,第三特定类型的统计值可包括:关于第二组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项。此外,第三特定类型的统计值也可包括:关于第二组运行参数中的运行参数的包络线和/或频谱特征的统计值等。
应该理解,第三特定类型的统计值包括:针对第二组运行参数中的每一个运行参数的统计值。第三特定类型的统计值可包括:针对第二组运行参数中的同一运行参数的一个或多个统计值。在第三特定类型中,针对不同运行参数的具体统计方式可以相同或不同。
例如,当第二组运行参数包括发电机温升,第三特定类型的统计值包括发电机温升平均值和发电机温升最大值时,获取任一子时间段内的第二组实际运行数据的第三特定类型的统计值的步骤可包括:获取该子时间段内的各个采样时间点的发电机温升值的平均值和该子时间段内的各个采样时间点的发电机温升值中的最大值。
在步骤S303,基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值,确定风力发电机组是否存在故障。
作为示例,可先确定每一个子时间段是否满足第二预设条件,其中,当任一子时间段关于第二组运行参数的特征值与所述任一子时间段所对应的运行条件模式关于第二组运行参数的基准值之间的差值的绝对值大于对应的第二预设阈值时,确定所述任一子时间段满足第二预设条件;如果在所述多个子时间段中,存在一个满足第二预设条件的子时间段的时长超过第一预设时长或存在多个在时间上连续的满足第二预设条件的子时间段的时长总和超过第一预设时长,则可确定风力发电机组存在故障。
这里,第三特定类型包括至少一种类型,关于第二组运行参数的基准值包括与所述至少一种类型一一对应的基准值,第二预设阈值包括与所述至少一种类型一一对应的第二阈值。作为示例,当子时间段关于第二组运行参数的特征值包括多个特征值时,可当子时间段的至少一个特征值与对应的基准值之间的差值的绝对值大于对应的第二阈值时,确定该子时间段满足第二预设条件。
作为另一示例,如果属于同一运行条件模式的子时间段按先后排序之后,其中存在在排序上连续的两个子时间段关于第二组运行参数的特征值之间的差值的绝对值大于对应的第三预设阈值,则可确定风力发电机组存在故障。这里,第三特定类型包括至少一种类型,第三预设阈值包括与所述至少一种类型一一对应的第三阈值。具体说来,针对在排序上连续的两个子时间段,如果其中一个子时间段关于第二组运行参数的特征值与其中另一个子时间段关于第二组运行参数的特征值之间的差值的绝对值大于对应的第三预设阈值,则可确定风力发电机组存在故障。根据本发明的示例性实施例,可基于同一运行条件模式下的子时间段关于第二组运行参数的特征值的变化趋势是否出现显著偏差,来确定风力发电机组是否存在故障。
作为另一示例,可先确定每一个子时间段是否满足第二预设条件;如果属于同一运行条件模式的子时间段按先后排序之后,其中存在一个满足第二预设条件的子时间段的时长超过第二预设时长或存在多个在排序上连续的满足第二预设条件的子时间段的时长总和超过第二预设时长,则可确定风力发电机组存在故障。
可通过下述示例性实施例来获取每个运行条件模式关于第二组运行参数的基准值。
作为示例,根据本发明的示例性实施例的风力发电机组的故障诊断方法还可包括:基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行,并获取仿真运行得到的关于第二组运行参数的仿真运行数据的第三特定类型的统计值,作为所述每一个运行条件模式关于第二组运行参数的基准值。
作为示例,基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行的步骤可包括:确定属于所述每一个运行条件模式的子历史时段关于第一组运行参数的特征值的平均值,基于确定的平均值来生成指示风力发电机组在第三预定时长内的运行条件的运行数据;并基于生成的运行数据来进行风力发电机组的仿真运行。
例如,当第一组运行参数包括环境风速时,可确定属于所述每一个运行条件模式的子历史时段关于第一组运行参数的特征值的平均值,并基于确定的平均值来生成指示风力发电机组在第三预定时长(例如,10分钟)内的风况的运行数据,将生成的运行数据作为仿真运行的运行条件来进行风力发电机组的仿真运行。
作为另一示例,风力发电机组在所述特定历史时段内无故障运行,根据本发明的示例性实施例的风力发电机组的故障诊断方法还可包括:获取风力发电机组在所述特定历史时段内的各个采样时间点的关于第二组运行参数的第二组实际运行数据;获取每一个子历史时段内的第二组实际运行数据的第三特定类型的统计值,作为所述每一个子历史时段关于第二组运行参数的特征值;基于属于每一个运行条件模式的子历史时段关于第二组运行参数的特征值,确定所述每一个运行条件模式关于第二组运行参数的基准值。例如,将属于每一个运行条件模式的子历史时段关于第二组运行参数的特征值的均值,作为所述每一个运行条件模式关于第二组运行参数的基准值。
根据本发明的示例性实施例,能够基于不同运行条件模式下的子时间段的风机健康表现,来对风力发电机组进行故障诊断。
图5示出根据本发明的另一示例性实施例的风力发电机组的故障诊断方法的流程图。这里,所述故障诊断方法具体用于诊断风力发电机组的整机振动是否存在异常,第一组运行参数包括环境风速;第二组运行参数包括风力发电机组的机舱加速度。
参照图5,在步骤S101,获取风力发电机组在当前时间段内的各个采样时间点的环境风速值和机舱加速度值。
在步骤S102,基于获取的当前时间段内的各个采样时间点的环境风速值,将当前时间段划分为多个子时间段,其中,在时间上连续的两个子时间段的环境风速平均值之间的差值的绝对值大于3米/秒。
在步骤S103,基于每一个子时间段内的环境风速值,确定所述每一个子时间段对应的运行条件模式。作为示例,可基于每一个子时间段的环境风速平均值及湍流强度,确定所述每一个子时间段对应的运行条件模式。
作为示例,各个运行条件模式可通过下述方式获取:获取风力发电机组在特定历史时段内的各个采样时间点的环境风速值;基于获取的所述特定历史时段内的环境风速值,将所述特定历史时段划分为多个子历史时段,其中,在时间上连续的两个子历史时段的环境风速平均值之间的差值的绝对值大于3米/秒;获取每一个子历史时段的环境风速平均值及湍流强度;基于所述多个子历史时段的环境风速平均值及湍流强度,对所述多个子历史时段进行聚类,以将聚类得到的各个类别作为各个运行条件模式。
在步骤S104,获取每一个子时间段内的机舱加速度值的统计值,作为所述每一个子时间段关于机舱加速度的特征值。作为示例,机舱加速度值的统计值可包括机舱加速度值的平均值、最大值、标准差之中的至少一项。
在步骤S105,基于所述多个子时间段所对应的运行条件模式及关于机舱加速度的特征值,确定风力发电机组是否存在故障。
作为示例,可首先确定每一个子时间段是否满足第二预设条件,其中,当任一子时间段关于机舱加速度的特征值与该子时间段所对应的运行条件模式关于机舱加速度的基准值之间的差值的绝对值大于对应的阈值时,则确定该子时间段满足第二预设条件;如果在所述多个子时间段中,存在一个满足第二预设条件的子时间段的时长超过第一预设时长或存在多个在时间上连续的满足第二预设条件的子时间段的时长总和超过第一预设时长,则可确定风力发电机组的整机振动存在异常。例如,第一预设时长可为10秒。
运行条件模式关于机舱加速度的基准值可通过下述方式获取:基于属于每一个运行条件模式的子历史时段的环境风速平均值及湍流强度来进行风力发电机组的仿真运行,并获取仿真运行得到的关于机舱加速度的仿真运行数据的统计值,作为所述每一个运行条件模式关于机舱加速度的基准值。应该理解,关于机舱加速度的仿真运行数据的统计值的类型与关于机舱加速度的特征值的类型相同。
作为另一示例,如果属于同一运行条件模式的子时间段按先后排序之后,其中存在在排序上连续的两个子时间段关于机舱加速度的特征值之间的差值的绝对值大于对应的阈值,则可确定风力发电机组的整机振动存在异常。
图6示出根据本发明的示例性实施例的风力发电机组的故障诊断设备的框图。如图6所示,根据本发明的示例性实施例的风力发电机组的故障诊断设备包括:运行数据获取单元10、时间段划分单元20和确定单元30。
具体说来,运行数据获取单元10用于获取风力发电机组在当前时间段内的各个采样时间点的实际运行数据,其中,所述实际运行数据包括关于第一组运行参数的第一组实际运行数据和关于第二组运行参数的第二组实际运行数据,所述第一组运行参数是与所述故障相关的自变量,所述第二组运行参数是所述第一组运行参数的因变量。
时间段划分单元20用于基于获取的当前时间段内的第一组实际运行数据,将当前时间段划分为多个子时间段,其中,在时间上连续的两个子时间段内的第一组实际运行数据之间的差异满足第一预设条件。
作为示例,第一预设条件可包括:第一组实际运行数据的第一特定类型的统计值之间的差值的绝对值大于对应的第一预设阈值,其中,第一特定类型包括至少一种类型,并且,第一预设阈值包括与所述至少一种类型一一对应的第一阈值。
作为示例,第一特定类型的统计值可包括:关于第一组运行参数中的运行参数的平均值、方差、标准差和峭度之中的至少一项,和/或,关于第一组运行参数中的运行参数的包络线的统计值和/或频谱特征的统计值。
确定单元30用于基于所述多个子时间段内的第二组实际运行数据,确定风力发电机组是否存在故障。
作为示例,确定单元30可包括:模式确定单元(未示出)和故障确定单元(未示出)。
模式确定单元用于基于每一个子时间段内的第一组实际运行数据,确定所述每一个子时间段对应的运行条件模式。
作为示例,运行数据获取单元10可获取风力发电机组在特定历史时段内的各个采样时间点的关于第一组运行参数的第一组实际运行数据;时间段划分单元20可基于获取的所述特定历史时段内的第一组实际运行数据,将所述特定历史时段划分为多个子历史时段,其中,在时间上连续的两个子历史时段内的第一组实际运行数据之间的差异满足第一预设条件;其中,根据本发明的示例性实施例的风力发电机组的故障诊断设备还可包括:模式获取单元(未示出),用于获取每一个子历史时段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子历史时段关于第一组运行参数的特征值,其中,第二特定类型的统计值包括至少一种类型的统计值;并基于所述多个子历史时段关于第一组运行参数的特征值,对所述多个子历史时段进行聚类,以将聚类得到的各个类别作为各个运行条件模式。
作为示例,第二特定类型的统计值可包括:关于第二组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项。
作为示例,模式确定单元可获取每一个子时间段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子时间段关于第一组运行参数的特征值;并基于所述每一个子时间段关于第一组运行参数的特征值与各个运行条件模式之间的相似度,确定所述每一个子时间段对应的运行条件模式。
故障确定单元用于获取每一个子时间段内的第二组实际运行数据的第三特定类型的统计值,作为所述每一个子时间段关于第二组运行参数的特征值,其中,第三特定类型包括至少一种类型;并基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值,确定风力发电机组是否存在故障。
作为示例,第三特定类型的统计值可包括:关于第一组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项。
作为示例,故障确定单元可确定每一个子时间段是否满足第二预设条件,其中,当任一子时间段关于第二组运行参数的特征值与所述任一子时间段所对应的运行条件模式关于第二组运行参数的基准值之间的差值的绝对值大于对应的第二预设阈值时,确定所述任一子时间段满足第二预设条件,其中,第三特定类型包括至少一种类型,关于第二组运行参数的基准值包括与所述至少一种类型一一对应的基准值,第二预设阈值包括与所述至少一种类型一一对应的第二阈值;其中,如果在所述多个子时间段中,存在一个满足第二预设条件的子时间段的时长超过第一预设时长或存在多个在时间上连续的满足第二预设条件的子时间段的时长总和超过第一预设时长,则故障确定单元确定风力发电机组存在故障。
作为另一示例,如果属于同一运行条件模式的子时间段按先后排序之后,其中存在在排序上连续的两个子时间段关于第二组运行参数的特征值之间的差值的绝对值大于对应的第三预设阈值,则故障确定单元可确定风力发电机组存在故障,其中,第三特定类型包括至少一种类型,第三预设阈值包括与所述至少一种类型一一对应的第三阈值。
作为另一示例,故障确定单元可确定每一个子时间段是否满足第二预设条件,其中,当任一子时间段关于第二组运行参数的特征值与所述任一子时间段所对应的运行条件模式关于第二组运行参数的基准值之间的差值的绝对值大于对应的第二预设阈值时,确定所述任一子时间段满足第二预设条件,其中,第三特定类型包括至少一种类型,关于第二组运行参数的基准值包括与所述至少一种类型一一对应的基准值,第二预设阈值包括与所述至少一种类型一一对应的第二阈值;其中,如果属于同一运行条件模式的子时间段按先后排序之后,其中存在一个满足第二预设条件的子时间段的时长超过第二预设时长或存在多个在排序上连续的满足第二预设条件的子时间段的时长总和超过第二预设时长,则故障确定单元确定风力发电机组存在故障。
作为示例,根据本发明的示例性实施例的风力发电机组的故障诊断设备还可包括:基准值获取单元。
作为一个示例,基准值获取单元可用于基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行,并获取仿真运行得到的关于第二组运行参数的仿真运行数据的第三特定类型的统计值,作为所述每一个运行条件模式关于第二组运行参数的基准值。
作为示例,基准值获取单元可确定属于所述每一个运行条件模式的子历史时段关于第一组运行参数的特征值的平均值,基于确定的平均值来生成指示风力发电机组在第三预定时长内的运行条件的运行数据;并基于生成的运行数据来进行风力发电机组的仿真运行。
作为另一示例,风力发电机组在所述特定历史时段内无故障运行,其中,运行数据获取单元获取风力发电机组在所述特定历史时段内的各个采样时间点的关于第二组运行参数的第二组实际运行数据;其中,基准值获取单元可用于获取每一个子历史时段内的第二组实际运行数据的第三特定类型的统计值,作为所述每一个子历史时段关于第二组运行参数的特征值;并基于属于每一个运行条件模式的子历史时段关于第二组运行参数的特征值,确定所述每一个运行条件模式关于第二组运行参数的基准值。
应该理解,根据本发明的示例性实施例的风力发电机组的故障诊断设备的具体实现方式可参照结合图1至图5描述的相关具体实现方式来实现,在此不再赘述。
此外,应该理解,根据本发明的示例性实施例的风力发电机组的故障诊断设备中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理,可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
图7示出根据本发明的示例性实施例的风力发电机组的故障诊断设备40的框图。这里,风力发电机组的故障诊断设备40可仅用于对单台风力发电机组进行故障诊断,例如,风力发电机组的故障诊断设备40可以是该风力发电机组的主控制器;风力发电机组的故障诊断设备40也可用于对多台风力发电机组进行故障诊断,例如,风力发电机组的故障诊断设备40可以是场群控制器。此外,风力发电机组的故障诊断设备40也可以是用于云端大数据平台的硬件设备,例如,服务器。
如图7所示,风力发电机组的故障诊断设备40的组件可以包括但不限于:一个或更多个处理器或处理单元401、系统存储器402、连接不同系统组件(包括处理单元401和系统存储器402)的总线403。
总线403表示多种总线结构中的一种或多种。举例来说,这些总线结构包括但不限于:工业体系结构(ISA)总线、微通道体系结构(MAC)总线、增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
在本发明的另一示例性实施例中,风力发电机组的故障诊断设备40还可包括一种或多种计算机系统可读介质。这些介质可以是任何能够被风力发电机组的故障诊断设备40访问的可用介质,包括易失性介质和非易失性介质、可移动介质或不可移动介质。
系统存储器402可包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)404和/或高速缓存存储器405。系统存储器402可进一步包括其它可移动/不可移动、易失性/非易失性计算机系统存储介质。仅作为示例,系统存储器402还可包括存储系统406,其中,存储系统406可以用于读写不可移动的、非易失性磁介质(图7中未示出,通常被称为“硬盘驱动器”)。尽管图7中未示出,但系统存储器402还可包括用于对可移动非易失性磁盘(例如软盘)读写的磁盘驱动器、以及对可移动非易失性光盘(例如CD-ROM、DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。系统存储器402可以包括至少一个程序产品,其中,程序产品具有被配置为执行本发明各实施例的多个功能的至少一个程序模块407。
具有至少一个程序模块407的程序/实用工具408可被存储在例如系统存储器402中,这样的程序模块407包括但不限于:操作系统、一个或更多个应用程序、其它程序模块以及程序数据,此外,这些示例中的每一个或某种组合中可包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法,以对至少一台风力发电机组进行故障诊断。
风力发电机组的故障诊断设备40也可以与显示器50以及一个或更多个其它外部设备60(例如键盘、指向设备等)通信,还可以与一个或更多个使得用户能够与该风力发电机组的故障诊断设备40交互的设备通信和/或与使得风力发电机组的故障诊断设备40能与一个或更多个其它计算设备进行通信的任何设备(例如网卡、调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口409进行。此外,风力发电机组的故障诊断设备40还可通过网络适配器410与一个或更多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络(例如因特网))进行通信。如图7中所示,网络适配器410可通过总线403与风力发电机组的故障诊断设备40的其它模块通信。应当明白,尽管图7中未示出,但是可结合计算机系统使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意,图7仅仅示意性地示出了可以用于实现本发明中各个实施方式的风力发电机组的故障诊断设备40的示意图。本领域技术人员可以理解,该风力发电机组的故障诊断设备40可以由当前风机控制系统中现有的控制设备来实现,或者可通过引入附加控制设备来实现,还可以由风机控制系统中的现有控制设备和新增的附加设备一起实现。
此外,本发明还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序可包括用于执行上述风力发电机组的故障诊断方法中各种操作的指令。该计算机可读存储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。计算机可读存储介质的示例包括: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)。
此外,本发明还提供了一种风力发电机组的故障诊断设备,包括存储有计算机程序的可读存储介质,所述计算机程序包括用于执行上述风力发电机组的故障诊断方法中各种操作的指令。
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 (22)
1.一种风力发电机组的故障诊断方法,其特征在于,所述故障诊断方法包括:
获取风力发电机组在当前时间段内的各个采样时间点的实际运行数据,其中,所述实际运行数据包括关于第一组运行参数的第一组实际运行数据和关于第二组运行参数的第二组实际运行数据,所述第一组运行参数是与所述故障相关的自变量,所述第二组运行参数是所述第一组运行参数的因变量;
基于获取的当前时间段内的第一组实际运行数据,将当前时间段划分为多个子时间段,其中,在时间上连续的两个子时间段内的第一组实际运行数据之间的差异满足第一预设条件;
基于所述多个子时间段内的第二组实际运行数据,确定风力发电机组是否存在故障,
其中,基于所述多个子时间段内的第二组实际运行数据确定风力发电机组是否存在故障的步骤包括:
基于每一个子时间段内的第一组实际运行数据,从预置的各个运行条件模式中确定所述每一个子时间段对应的运行条件模式;
获取每一个子时间段内的第二组实际运行数据的第一特定类型的统计值,作为所述每一个子时间段关于第二组运行参数的特征值;
基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值,确定风力发电机组是否存在故障。
2.根据权利要求1所述的故障诊断方法,其特征在于,基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值确定风力发电机组是否存在故障的步骤包括:
确定每一个子时间段是否满足第二预设条件,其中,当任一子时间段关于第二组运行参数的特征值与所述任一子时间段所对应的运行条件模式关于第二组运行参数的基准值之间的差值的绝对值大于对应的第一预设阈值时,确定所述任一子时间段满足第二预设条件;
如果在所述多个子时间段中,存在一个满足第二预设条件的子时间段的时长超过第一预设时长或存在多个在时间上连续的满足第二预设条件的子时间段的时长总和超过第一预设时长,则确定风力发电机组存在故障。
3.根据权利要求1所述的故障诊断方法,其特征在于,基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值确定风力发电机组是否存在故障的步骤包括:
如果属于同一运行条件模式的子时间段按先后排序之后,其中存在在排序上连续的两个子时间段关于第二组运行参数的特征值之间的差值的绝对值大于对应的第二预设阈值,则确定风力发电机组存在故障。
4.根据权利要求1所述的故障诊断方法,其特征在于,所述故障诊断方法还包括:
获取风力发电机组在特定历史时段内的各个采样时间点的关于第一组运行参数的第一组实际运行数据;
基于获取的所述特定历史时段内的第一组实际运行数据,将所述特定历史时段划分为多个子历史时段,其中,在时间上连续的两个子历史时段内的第一组实际运行数据之间的差异满足第一预设条件;
获取每一个子历史时段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子历史时段关于第一组运行参数的特征值;
基于所述多个子历史时段关于第一组运行参数的特征值,对所述多个子历史时段进行聚类,以将聚类得到的各个类别作为各个运行条件模式。
5.根据权利要求4所述的故障诊断方法,其特征在于,所述故障诊断方法还包括:
基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行,并获取仿真运行得到的关于第二组运行参数的仿真运行数据的第一特定类型的统计值,作为所述每一个运行条件模式关于第二组运行参数的基准值。
6.根据权利要求5所述的故障诊断方法,其特征在于,基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行的步骤包括:
确定属于所述每一个运行条件模式的子历史时段关于第一组运行参数的特征值的平均值,并基于确定的平均值来生成指示风力发电机组在第二预定时长内的运行条件的运行数据;
基于生成的运行数据来进行风力发电机组的仿真运行。
7.根据权利要求4所述的故障诊断方法,其特征在于,基于每一个子时间段内的第一组实际运行数据确定所述每一个子时间段对应的运行条件模式的步骤包括:
获取每一个子时间段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子时间段关于第一组运行参数的特征值;
基于所述每一个子时间段关于第一组运行参数的特征值与各个运行条件模式之间的相似度,确定所述每一个子时间段对应的运行条件模式。
8.根据权利要求4所述的故障诊断方法,其特征在于,风力发电机组在所述特定历史时段内无故障运行,其中,所述故障诊断方法还包括:
获取风力发电机组在所述特定历史时段内的各个采样时间点的关于第二组运行参数的第二组实际运行数据;
获取每一个子历史时段内的第二组实际运行数据的第一特定类型的统计值,作为所述每一个子历史时段关于第二组运行参数的特征值;
基于属于每一个运行条件模式的子历史时段关于第二组运行参数的特征值,确定所述每一个运行条件模式关于第二组运行参数的基准值。
9.根据权利要求1或4所述的故障诊断方法,其特征在于,第一预设条件包括:第一组实际运行数据的第三特定类型的统计值之间的差值的绝对值大于对应的第三预设阈值。
10.根据权利要求9所述的故障诊断方法,其特征在于,
第一特定类型的统计值包括:关于第二组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项;
和/或,第二特定类型的统计值包括:关于第一组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项;
和/或,第三特定类型的统计值包括:关于第一组运行参数中的运行参数的平均值、方差、标准差和峭度之中的至少一项,和/或,关于第一组运行参数中的运行参数的包络线的统计值和/或频谱特征的统计值。
11.一种风力发电机组的故障诊断设备,其特征在于,所述故障诊断设备包括:
运行数据获取单元,用于获取风力发电机组在当前时间段内的各个采样时间点的实际运行数据,其中,所述实际运行数据包括关于第一组运行参数的第一组实际运行数据和关于第二组运行参数的第二组实际运行数据,所述第一组运行参数是与所述故障相关的自变量,所述第二组运行参数是所述第一组运行参数的因变量;
时间段划分单元,用于基于获取的当前时间段内的第一组实际运行数据,将当前时间段划分为多个子时间段,其中,在时间上连续的两个子时间段内的第一组实际运行数据之间的差异满足第一预设条件;
确定单元,用于基于所述多个子时间段内的第二组实际运行数据,确定风力发电机组是否存在故障,
其中,确定单元包括:
模式确定单元,用于基于每一个子时间段内的第一组实际运行数据,从预置的各个运行条件模式中确定所述每一个子时间段对应的运行条件模式;
故障确定单元,用于获取每一个子时间段内的第二组实际运行数据的第一特定类型的统计值,作为所述每一个子时间段关于第二组运行参数的特征值;并基于所述多个子时间段所对应的运行条件模式及关于第二组运行参数的特征值,确定风力发电机组是否存在故障。
12.根据权利要求11所述的故障诊断设备,其特征在于,故障确定单元确定每一个子时间段是否满足第二预设条件,其中,当任一子时间段关于第二组运行参数的特征值与所述任一子时间段所对应的运行条件模式关于第二组运行参数的基准值之间的差值的绝对值大于对应的第一预设阈值时,确定所述任一子时间段满足第二预设条件;
其中,如果在所述多个子时间段中,存在一个满足第二预设条件的子时间段的时长超过第一预设时长或存在多个在时间上连续的满足第二预设条件的子时间段的时长总和超过第一预设时长,则故障确定单元确定风力发电机组存在故障。
13.根据权利要求11所述的故障诊断设备,其特征在于,如果属于同一运行条件模式的子时间段按先后排序之后,其中存在在排序上连续的两个子时间段关于第二组运行参数的特征值之间的差值的绝对值大于对应的第二预设阈值,则故障确定单元确定风力发电机组存在故障。
14.根据权利要求11所述的故障诊断设备,其特征在于,
运行数据获取单元获取风力发电机组在特定历史时段内的各个采样时间点的关于第一组运行参数的第一组实际运行数据;
时间段划分单元基于获取的所述特定历史时段内的第一组实际运行数据,将所述特定历史时段划分为多个子历史时段,其中,在时间上连续的两个子历史时段内的第一组实际运行数据之间的差异满足第一预设条件;
其中,所述故障诊断设备还包括:模式获取单元,用于获取每一个子历史时段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子历史时段关于第一组运行参数的特征值;并基于所述多个子历史时段关于第一组运行参数的特征值,对所述多个子历史时段进行聚类,以将聚类得到的各个类别作为各个运行条件模式。
15.根据权利要求14所述的故障诊断设备,其特征在于,所述故障诊断设备还包括:
基准值获取单元,用于基于属于每一个运行条件模式的子历史时段关于第一组运行参数的特征值来进行风力发电机组的仿真运行,并获取仿真运行得到的关于第二组运行参数的仿真运行数据的第一特定类型的统计值,作为所述每一个运行条件模式关于第二组运行参数的基准值。
16.根据权利要求15所述的故障诊断设备,其特征在于,基准值获取单元确定属于所述每一个运行条件模式的子历史时段关于第一组运行参数的特征值的平均值,基于确定的平均值来生成指示风力发电机组在第二预定时长内的运行条件的运行数据;并基于生成的运行数据来进行风力发电机组的仿真运行。
17.根据权利要求14所述的故障诊断设备,其特征在于,模式确定单元获取每一个子时间段内的第一组实际运行数据的第二特定类型的统计值,作为所述每一个子时间段关于第一组运行参数的特征值;并基于所述每一个子时间段关于第一组运行参数的特征值与各个运行条件模式之间的相似度,确定所述每一个子时间段对应的运行条件模式。
18.根据权利要求14所述的故障诊断设备,其特征在于,风力发电机组在所述特定历史时段内无故障运行,其中,
运行数据获取单元获取风力发电机组在所述特定历史时段内的各个采样时间点的关于第二组运行参数的第二组实际运行数据;
其中,所述故障诊断设备还包括:基准值获取单元,用于获取每一个子历史时段内的第二组实际运行数据的第一特定类型的统计值,作为所述每一个子历史时段关于第二组运行参数的特征值;并基于属于每一个运行条件模式的子历史时段关于第二组运行参数的特征值,确定所述每一个运行条件模式关于第二组运行参数的基准值。
19.根据权利要求11或14所述的故障诊断设备,其特征在于,第一预设条件包括:第一组实际运行数据的第三特定类型的统计值之间的差值的绝对值大于对应的第三预设阈值。
20.根据权利要求19所述的故障诊断设备,其特征在于,
第一特定类型的统计值包括:关于第二组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项;
和/或,第二特定类型的统计值包括:关于第一组运行参数中的每一个运行参数的平均值、最大值、方差、标准差和峭度之中的至少一项;
和/或,第三特定类型的统计值包括:关于第一组运行参数中的运行参数的平均值、方差、标准差和峭度之中的至少一项,和/或,关于第一组运行参数中的运行参数的包络线的统计值和/或频谱特征的统计值。
21.一种存储有计算机程序的计算机可读存储介质,其特征在于,当所述计算机程序被处理器执行时实现如权利要求1至10中的任意一项所述的风力发电机组的故障诊断方法。
22.一种风力发电机组的故障诊断设备,其特征在于,所述故障诊断设备包括:
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,实现如权利要求1至10中的任意一项所述的风力发电机组的故障诊断方法,以实现对至少一台风力发电机组进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810631761.5A CN110689141B (zh) | 2018-06-19 | 2018-06-19 | 风力发电机组的故障诊断方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810631761.5A CN110689141B (zh) | 2018-06-19 | 2018-06-19 | 风力发电机组的故障诊断方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689141A CN110689141A (zh) | 2020-01-14 |
CN110689141B true CN110689141B (zh) | 2022-04-12 |
Family
ID=69106260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810631761.5A Active CN110689141B (zh) | 2018-06-19 | 2018-06-19 | 风力发电机组的故障诊断方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689141B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113494428B (zh) * | 2020-03-20 | 2022-11-22 | 新疆金风科技股份有限公司 | 风力发电机组的故障检测方法和装置 |
CN111596125B (zh) * | 2020-04-03 | 2022-09-30 | 远景智能国际私人投资有限公司 | 发电量的确定方法、装置、设备及存储介质 |
CN114060227A (zh) * | 2020-07-29 | 2022-02-18 | 新疆金风科技股份有限公司 | 风电机组的异常振动工况识别方法和装置 |
CN113592116B (zh) * | 2021-09-28 | 2022-03-01 | 阿里云计算有限公司 | 设备状态分析方法、装置、设备和存储介质 |
CN114004991A (zh) * | 2021-10-09 | 2022-02-01 | 华能(浙江)能源开发有限公司清洁能源分公司 | 风电机组的故障识别方法及装置 |
CN115596620B (zh) * | 2022-12-15 | 2023-03-07 | 深圳鹏锐信息技术股份有限公司 | 基于人工智能的风力发电机组故障智能分析方法及系统 |
CN116757681B (zh) * | 2023-08-16 | 2023-11-28 | 武汉联动设计股份有限公司 | 一种风电机组发电效率实时监控诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
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 |
CN107704933A (zh) * | 2017-09-01 | 2018-02-16 | 新疆金风科技股份有限公司 | 风力发电机组故障诊断系统和方法 |
CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
CN108131247A (zh) * | 2017-12-20 | 2018-06-08 | 北京金风科创风电设备有限公司 | 用于风力发电机组的数据处理方法和装置 |
Family Cites Families (5)
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 |
CN201402209Y (zh) * | 2009-03-30 | 2010-02-10 | 唐德尧 | 一种风力发电机组的智能化故障监测诊断系统 |
CN102721924B (zh) * | 2012-06-26 | 2014-07-02 | 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 |
CN103216383B (zh) * | 2013-04-18 | 2014-10-22 | 北京金风科创风电设备有限公司 | 风力发电机组控制系统和控制方法 |
CN107992970B (zh) * | 2017-12-06 | 2021-10-26 | 北京金风慧能技术有限公司 | 风力发电机组的输出功率预测方法和设备 |
-
2018
- 2018-06-19 CN CN201810631761.5A patent/CN110689141B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
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 |
CN107704933A (zh) * | 2017-09-01 | 2018-02-16 | 新疆金风科技股份有限公司 | 风力发电机组故障诊断系统和方法 |
CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
CN108131247A (zh) * | 2017-12-20 | 2018-06-08 | 北京金风科创风电设备有限公司 | 用于风力发电机组的数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110689141A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689141B (zh) | 风力发电机组的故障诊断方法及设备 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN110991666B (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
CN112449696B (zh) | 时序数据诊断装置、追加学习方法及程序 | |
EP2068220A1 (en) | methods and systems for performing diagnostics regarding underlying root causes in turbine engines | |
RU2757436C2 (ru) | Устройство и способ контроля указаний на неисправность от транспортного средства, компьютерочитаемый носитель | |
JP2008014679A (ja) | 設備診断方法、設備診断システム及びコンピュータプログラム | |
JP5827425B1 (ja) | 予兆診断システム及び予兆診断方法 | |
EP2923311A1 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
JP5827426B1 (ja) | 予兆診断システム及び予兆診断方法 | |
US9116965B2 (en) | Method and apparatus for monitoring performance characteristics of a system and identifying faults | |
CN109947786A (zh) | 风电场中故障自动排查方法、装置及计算机可读存储介质 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
US20190332102A1 (en) | Machine health monitoring of rotating machinery | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
US20230239194A1 (en) | Node health prediction based on failure issues experienced prior to deployment in a cloud computing system | |
JP7460545B2 (ja) | 電気機械的マシンの調子を監視して故障を予測するシステム及び方法 | |
EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
EP3336349A1 (en) | Method and system for configuring wind turbines | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
CN116480534A (zh) | 一种风电机组健康度评估和检修方法、系统、设备及介质 | |
CN112162528A (zh) | 一种数控机床的故障诊断方法、装置、设备和存储介质 | |
JP2021516808A (ja) | 複雑なシステムにおける状態予測の説明のためのシステム及び方法 | |
US11495114B2 (en) | Alert similarity and label transfer |
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 |