CN111396266A - 一种基于gbrt的风电机组发电机轴承故障预警方法 - Google Patents
一种基于gbrt的风电机组发电机轴承故障预警方法 Download PDFInfo
- Publication number
- CN111396266A CN111396266A CN202010147125.2A CN202010147125A CN111396266A CN 111396266 A CN111396266 A CN 111396266A CN 202010147125 A CN202010147125 A CN 202010147125A CN 111396266 A CN111396266 A CN 111396266A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- wind turbine
- variable
- turbine generator
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 12
- 230000008030 elimination Effects 0.000 claims description 12
- 238000003379 elimination reaction Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- 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
- F03D80/70—Bearing or lubricating arrangements
-
- 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
- F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
- F03D9/20—Wind motors characterised by the driven apparatus
- F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
-
- 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
Abstract
本发明公开了一种基于GBRT的风电机组发电机轴承故障预警方法,包括离线训练阶段和在线应用阶段,该方法分为离线训练与在线应用两个阶段,主要包括目标变量及相关变量选取,数据预处理流程设计,变量估计模型训练,实时运行残差获取,判别准则设计等环节。本发明选取风电机组正常运行状态的数据集,首先设计预处理流程剔除各类异常数据,之后选取GBRT作为变量估计模型,对目标变量进行实时估计,再结合异常特性设计综合性的判别准则,保证了预警结果的准确性,能够实现发电机轴承故障的提前感知,对于减少机组停机时间,减少运维成本具有重大的意义,具有实用价值。
Description
技术领域
本发明涉及风电机组故障预警技术领域,尤其涉及一种基于GBRT的风电机组发电机轴承故障预警方法。
背景技术
风力发电,由于其可再生无污染的优势在全球范围内得到了快速发展,截止到2018年,全球风机装机容量已达到591.1GW。随着风电市场的迅速发展,其运维需求也越来越高,运维需求持续升高的一个主要原因是风电机组的高故障率。
风电机组是由多组件多子系统组成的复杂系统,机组通常运行在远郊平原、山区、临海等偏远地区,运行环境恶劣多变,关键组件的故障会导致整机的停机检修,带来大量的经济损失。
风电机组的所有子系统中,发电机是核心组成,其故障带来的停机时间较长且经济损失也较大。在发电机子系统中,故障频率最高的组件是发电机轴承,发电机轴承常因冷却系统异常,润滑油不足等原因出现故障,或因为机械原因出现轴承跑圈等故障。发电机轴承故障会直接导致发电机系统其他部件损伤,风机发电性能降低,机组直接停机等。
目前,风电机组的故障统计数据表明,发生故障次数较多的部件主要是变流器、齿轮箱、变桨系统、控制柜、偏航系统等,根据部分风电场的运行数据统计,故障诊断、检修以及风电机组受累停运时间占故障损失运行时间的79%,而定期维护时间仅占12%。对于大部件如果仅采用故障后被动的维修方式,容易造成缺陷扩大,维修时间延长,长期停机,加剧经济损失,对于海上风电机组,海上运输、吊装、维修成本更加高昂。
因此,实现发电机轴承的故障预警对于减少机组停机时间,减少运维成本具有重大的意义。
目前对于轴承的故障诊断及预警主要是针对CMS振动信号进行特征提取及分析,但CMS监测设备不是每台风电机组都有安装,因此对于轴承故障的及时发现及处理是有困难的。
发明内容
本发明是为了克服现有技术中磨损故障监测手段较少、专用监测设备成本高的不足的技术问题,提供一种基于GBRT的风电机组发电机轴承故障预警方法,该方法选取风电机组正常运行状态的数据集,首先设计预处理流程剔除各类异常数据,之后选取GBRT作为变量估计模型,对目标变量进行实时估计,再结合异常特性设计综合性的判别准则,保证了预警结果的准确性,该方法能够实现发电机轴承故障的提前感知,具有实用价值。
为了实现上述目的,本发明采用以下技术方案:
一种基于GBRT的风电机组发电机轴承故障预警方法,所述方法包括离线训练阶段和在线应用阶段,所述方法包括以下步骤:
S1、进行离线训练阶段;
S2、进行数据获取和变量选取,构造数据集;
S3、设计数据预处理流程,并构建训练集:所述数据预处理流程步骤包括异常运行状态值剔除,孤立异常点剔除,以及停机状态数据剔除。
S4、建模,并对选取后的模型进行训练;
S5、进行残差训练,获取训练集估计残差序列;
S6、阙值上限设置;
S7、进行在线应用阶段;
S8、实时估计:获取风电机组的实时运行数据作为测试集,输入至离线阶段训练完成的GBRT模型获取模型估计值;
S9、实时估计残差获取:将目标变量实际运行值减去模型输出,即目标变量估计值,获取实时估计残差;
S10、实时判断,进行判别准则设计:设计连续超限判别准则与百分比超限判别准则相结合的方式进行轴承故障预警;
S11、得出最终预警结果。
本发明方案中,基于正常行为建模,通过对目标变量的精确估计,并结合异常特性设计综合性的判别准则进行风电机组发电机轴承的故障预警,保证了预警结果的准确性,能够实现发电机轴承故障的提前感知,具有实用价值。
作为优选,所述步骤S2中进行数据获取和变量选取,构造数据集具体表现为获取风电机组SCADA系统中记录的正常运行时期运行数据,选取发电机轴承温度作为目标变量y,与发电机运行状况相关的变量作为相关变量X,构造数据集。
作为优选,所述步骤S3的预处理流程包括以下步骤:
a)异常运行状态值为不符合风电机组控制策略的数据,依据在不同风速下的运行机理,当出现风速大于切入风速,同时输出功率小于功率阈值,或风速大于额定风速,同时输出功率小于额定功率减去功率阈值时,该数据点归类为异常运行状态值,予以剔除;
b)孤立异常点是由传感器记录错误或通信异常导致的记录错误值,具体判断条件基于变量的正常运行范围,当温度变量值大于150度或小于环境温度值,风速变量值大于机组切出风速或小于机组切入风速,功率变量值大于机组额定功率或为负值时,该数据点归类为孤立异常点,予以剔除;
c)结合机组的运维档案,当机组处于停机检修状态,SCADA系统是否同步停机未知,因此在机组停机期间SCADA系统依然可能存在记录数据,该数据无法表征机组正常运行状态,予以剔除。
由于风电机组运行环境恶劣多变,以及风湍流等因素影响,正常运行时期的数据集中包含多种异常数据,因此需要基于所构造的数据集设计数据预处理流程。
作为优选,所述步骤S4包括以下步骤:
步骤一、基于正常行为建模,对风电机组发电机轴承的正常工作状态进行表征;
步骤二、选取梯度提升回归树GBRT作为变量估计模型对发电机轴承温度进行建模;
步骤三、对目标变量发电机轴承温度进行实时估计。
作为优选,所述正常行为建模的输入包括经预处理后的数据集作为训练集[Xtrain,ytrain]。
作为优选,所述选取梯度提升回归树GBRT的包括以下步骤:
a)输入训练集[Xtrain,ytrain],其中Xtrain为训练集相关变量,ytrain为训练集目标变量;
d)对rmi拟合一个回归树,得到第m棵树的叶节点区域Rmj,其中j=1,2,...,J;
作为优选,所述步骤S5具体包括将训练集中目标变量每时刻的实际运行值减去变量估计模型的输出值,即目标变量估计值,得到训练集该时刻的估计残差,训练集所有时刻的估计残差构成训练集残差序列。
作为优选,所述步骤S6中阙值上限设置包括以下步骤:
步骤一、求取训练集残差序列的均值μtrain及标准差σtrain进行阈值设置;
步骤二、选取均值加三倍标准差作为估计残差的阈值上限U=μtrain+3σtrain。
由于发电机轴承故障会引起轴承温度的异常提升,因此只需要考虑温度异常上升情况,不再考虑阈值下限。
作为优选,所述步骤S10中判别准则设计包括以下步骤:
步骤一、在时刻t,获取该时刻轴承温度的实际运行值与模型估计值的残差rt;
步骤二、如果残差值大于阈值上限,即rt>U,基于历史残差序列,计算在时刻t之前连续超过阈值上限U的数据点个数QS,并计算时刻t之前的一天范围内,超过阈值上限U的数据点个数所占一天时间范围内总数据点个数的百分比QP,其中S表示连续超限判别准则参数,P表示连续超限判别准则参数;
步骤三、当满足判别准则条件QS≥S或QP≥P时,在时刻t给出报警;当满足条件QS<S且QP<P,或残差值不大于阈值上限,即rt≤U时,在时刻t均不给出报警。
由于发电机轴承温度异常有不同的表现形式,有连续出现异常值的异常特性或出现数据波动性大的异常特性,因此需要设计连续超限判别准则与百分比超限判别准则相结合的方式进行轴承故障预警。
作为优选,所述与发电机运行状况相关的变量包括发电机运行参数、环境参数和系统参数;所述发电机运行参数包括发电机绕组温度,发电机转速;所述环境参数包括环境温度、风速和风向;所述系统参数包括系统状态、有功功率、无功功率、功率因数、偏航角、桨距角和机舱温度;上述所有参数组成相关变量X。
本发明的有益效果是:
1)针对风电机组正常运行时期依然存在各类异常数据的情况,设计规范化的预处理流程,对不同类型的异常数据进行针对性的辨识及剔除,保证了所构造训练集能够准确表征风电机组正常运行状态,为目标变量的精确估计提供数据基础;
2)选取GBRT作为变量估计模型对目标变量进行实时估计,该模型不需要复杂的特征工程,能够有效防止模型过拟合,保证了模型的可靠性与准确性;
3)结合不同的异常特性设计不同的判别准则,多判别准则同时进行判断减少了故障漏报的可能性,保证了预警结果的准确性。
附图说明
图1是本发明的风电机组发电机轴承故障的一种预警方法流程图。
图2是本发明的实施例中的一种变量估计模型拟合结果图。
图3是本发明的实施例中的一种估计残差阈值上限示意图。
图4是本发明的实施例中的一种预警结果图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例1:本实施例的一种基于GBRT的风电机组发电机轴承故障预警方法,如图1所示,上述方法包括离线训练阶段和在线应用阶段,上述方法包括以下步骤:
S1、进行离线训练阶段;
S2、进行数据获取和变量选取,构造数据集:获取风电机组SCADA系统中记录的正常运行时期运行数据,选取发电机轴承温度作为目标变量y,与发电机运行状况相关的变量作为相关变量X,构造数据集。
与发电机运行状况相关的变量包括发电机运行参数、环境参数和系统参数。发电机运行参数包括发电机绕组温度,发电机转速。环境参数包括环境温度、风速和风向。系统参数包括系统状态、有功功率、无功功率、功率因数、偏航角、桨距角和机舱温度。
上述所有参数组成相关变量X。
S3、设计数据预处理流程,并构建训练集:数据预处理流程步骤包括异常运行状态值剔除,孤立异常点剔除,以及停机状态数据剔除。由于风电机组运行环境恶劣多变,以及风湍流等因素影响,正常运行时期的数据集中包含多种异常数据,因此需要基于所构造的数据集设计数据预处理流程。
步骤S3的预处理流程包括以下步骤:
a)异常运行状态值为不符合风电机组控制策略的数据,依据在不同风速下的运行机理,当出现风速大于切入风速,同时输出功率小于功率阈值,或风速大于额定风速,同时输出功率小于额定功率减去功率阈值时,该数据点归类为异常运行状态值,予以剔除;
b)孤立异常点是由传感器记录错误或通信异常导致的记录错误值,具体判断条件基于变量的正常运行范围,当温度变量值大于150度或小于环境温度值,风速变量值大于机组切出风速或小于机组切入风速,功率变量值大于机组额定功率或为负值时,该数据点归类为孤立异常点,予以剔除;
c)结合机组的运维档案,当机组处于停机检修状态,SCADA系统是否同步停机未知,因此在机组停机期间SCADA系统依然可能存在记录数据,该数据无法表征机组正常运行状态,予以剔除。
S4、建模,并对选取后的模型进行训练。
步骤S4包括以下步骤:
步骤一、基于正常行为建模,正常行为建模的输入包括经预处理后的数据集作为训练集[Xtrain,ytrain],并对风电机组发电机轴承的正常工作状态进行表征;
步骤二、选取梯度提升回归树GBRT作为变量估计模型对发电机轴承温度进行建模,选取梯度提升回归树GBRT的包括以下步骤:
a)输入训练集[Xtrain,ytrain],其中Xtrain为训练集相关变量,ytrain为训练集目标变量;f(Xtrain)为一个回归树的模型估计值,损失函数L(ytrain,f(Xtrain)),输出为回归树N为训练数据集样本个数,M为回归树的个数;
d)对rmi拟合一个回归树,得到第m棵树的叶节点区域Rmj,其中j=1,2,...,J;
步骤三、对目标变量发电机轴承温度进行实时估计。
S5、进行残差训练,获取训练集估计残差序列:将训练集中目标变量每时刻的实际运行值减去变量估计模型的输出值,即目标变量估计值,得到训练集该时刻的估计残差,训练集所有时刻的估计残差构成训练集残差序列。
S6、阙值上限设置;由于发电机轴承故障会引起轴承温度的异常提升,因此只需要考虑温度异常上升情况,不再考虑阈值下限。
步骤S6中阙值上限设置包括以下步骤:
步骤一、求取训练集残差序列的均值μtrain及标准差σtrain进行阈值设置;
步骤二、选取均值加三倍标准差作为估计残差的阈值上限U=μtrain+3σtrain。
S7、进行在线应用阶段;
S8、实时估计:获取风电机组的实时运行数据作为测试集,输入至离线阶段训练完成的GBRT模型获取模型估计值;
S9、实时估计残差获取:将目标变量实际运行值减去模型输出,即目标变量估计值,获取实时估计残差;
S10、实时判断,进行判别准则设计:设计连续超限判别准则与百分比超限判别准则相结合的方式进行轴承故障预警。
由于发电机轴承温度异常有不同的表现形式,有连续出现异常值的异常特性或出现数据波动性大的异常特性,因此需要设计连续超限判别准则与百分比超限判别准则相结合的方式进行轴承故障预警,连续超限判别准则对应轴承温度出现连续异常值的异常特性,设置连续超限判别准则参数S,百分比超限判别准则对应出现轴承温度数据波动性大的异常特性,设置连续超限判别准则参数P%。
步骤S10中判别准则设计包括以下步骤:
步骤一、在时刻t,获取该时刻轴承温度的实际运行值与模型估计值的残差rt;
步骤二、如果残差值大于阈值上限,即rt>U,基于历史残差序列,计算在时刻t之前连续超过阈值上限U的数据点个数QS,并计算时刻t之前的一天范围内,超过阈值上限U的数据点个数所占一天时间范围内总数据点个数的百分比QP,其中S表示连续超限判别准则参数,P表示连续超限判别准则参数;
步骤三、当满足判别准则条件QS≥S或QP≥P时,在时刻t给出报警;当满足条件QS<S且QP<P,或残差值不大于阈值上限,即rt≤U时,在时刻t均不给出报警。
S11、得出最终预警结果。
需要说明的是,离线训练阶段结束后,如需进入在线应用阶段,可以判断风电机组是否需要进入在线应用阶段,当风电机组需要进入在线应用阶段,则直接从在线应用阶段开始实施本发明方法,离线训练阶段和在线应用阶段也可以同时进行。
实施例2:
本实施例针对某风电场某发生过发电机轴承组件损坏的风电机组进行故障预警,该机组于2016.05.10发生发电机异响,检修后确认为发生发电机轴承损坏,并于2016.05.20后恢复运行,该风电机组SCADA系统采集到的数据时间范围为2016.01.01 00:00:00至2017.04.2023:55:00,数据采样间隔为5min。
本实施例中风电机组发电机轴承组件故障预警方法的实施数据集即为上述风电机组SCADA运行数据,方法实施步骤具体如下:
1.进行数据获取和变量选取,构造数据集:已知该风电机组恢复运行后为正常运行时期,为避免季节因素影响,选取相同时间段的目标变量和相关变量数据构造训练集和测试集,选取2017.01.01 00:00:00至2017.04.20 23:55:00的数据构造初始训练集,选取2016.01.01 00:00:00至2016.05.10 23:55:00的数据构造测试集。
2.设计数据预处理流程,并构建训练集:对所构造的初始训练集设计预处理流程,预处理步骤包括异常运行状态值剔除,孤立异常点剔除,以及停机状态数据剔除,经预处理后的数据集作为训练集[Xtrain,ytrain],作为正常行为建模的输入,在本实施例中,切入风速为2m/s,额定风速为14m/s,切出风速为25m/s,额定功率为1500kW,功率阈值为10kW,对辨识出的各类异常数据予以剔除。
3.建模,并对选取后的模型进行训练:基于正常行为建模,对风电机组发电机轴承的正常工作状态进行表征,选取梯度提升回归树GBRT作为变量估计模型对发电机轴承温度进行建模,对轴承温度进行实时估计。
4.进行残差训练,获取训练集估计残差序列。
5.阙值上限设置:基于训练集残差序列,求取残差序列均值μtrain及标准差σtrain,由于轴承故障会引起轴承温度的异常提升,因此选取均值加三倍标准差作为估计残差的阈值上限U=μtrain+3σtrain,不再考虑阈值下限。
5.离线训练阶段使用训练集训练好模型之后,可以直接进入在线应用阶段输入测试集得到目标变量实时估计值和实时估计残差值。
变量估计结果如图2所示,蓝线为训练集加测试集的目标变量实际运行值,黄线为训练集的目标变量模型估计值,绿线为测试集的目标变量模型估计值,红线为训练集加测试集的目标变量实际运行值减去模型估计值的估计残差值,拟合指标选取为均方根误差RMSE,其中训练集RMSE为1.8158,测试集RMSE为8.2407。由于附图颜色表现限制,已作标注处理。
如图3所示为阈值上限示意图,其中绿线为训练集残差序列,黄线为测试集残差序列,黑线为估计残差阈值上限。由于附图颜色表现限制,已作标注处理。
6.实时判断,进行判别准则设计:由于发电机轴承温度异常有不同的表现形式,有连续出现异常值的异常特性或出现数据波动性大的异常特性,因此设计连续超限判别准则与百分比超限判别准则结合的方式进行轴承故障预警,连续超限判别准则对应出现连续温度异常值的异常特性,设置连续超限判别准则参数S,百分比超限判别准则对应出现温度数据波动性大的异常特性,设置百分比超限判别准则参数P%,在本实施例中设置S=P=30。
7.在测试集的时刻t,获取该时刻目标变量实际运行值与模型估计值的残差rt。
如果残差值大于阈值上限,即rt>U,基于历史残差序列,计算时刻t之前连续超过阈值上限U的数据点个数QS,并计算时刻t之前一天时间范围内,超过阈值上限U的数据点个数所占一天范围内总数据点个数的百分比QP,当满足判别准则条件QS≥S或QP≥P时,在时刻t给出报警;当满足条件QS<S且QP<P,或残差值不大于阈值上限,即rt≤U时,在时刻t均不给出报警。
对测试集所有时刻数据点均执行此操作,最终预警结果图如图4所示,绿线为训练集残差序列,黄线为测试集残差序列,黑线为残差阈值上限,红色圆圈为给出报警时刻对应数据点,最早报警时刻为2016.03.30 06:25:00,在该时刻两种判别准则均满足,因此在该时刻最终给出报警,在故障发生前40天实现预警。由于附图颜色表现限制,已作标注处理。
本发明公开了一种基于梯度提升回归树GBRT的风电机组发电机轴承故障预警方法。该方法分为离线训练与在线应用两个阶段,主要包括目标变量及相关变量选取,数据预处理流程设计,变量估计模型训练,实时运行残差获取,判别准则设计等环节。该方法基于正常行为建模,通过对目标变量的精确估计,并结合异常特性设计综合性的判别准则进行风电机组发电机轴承的故障预警,该方法选取风电机组正常运行状态的数据集,首先设计预处理流程剔除各类异常数据,之后选取GBRT作为变量估计模型,对目标变量进行实时估计,再结合异常特性设计综合性的判别准则,保证了预警结果的准确性。
离线训练中采集风电机组数据采集与监视控制(SCADA)系统记录的正常运行时期的数据集,设计数据预处理流程构建训练集,选取目标变量并基于正常行为建模,选取GBRT作为变量估计模型对目标变量进行实时估计,获取训练集估计残差序列;在线应用阶段,风电机组实时运行数据作为测试集输入至训练完成的GBRT模型,获取实时估计残差,并结合不同的异常特性设计不同的判别准则,给出最终预警结果。
在本发明故障预警方法中,数据预处理流程保证了训练集能够表征风电机组正常运行状态,从而保证了正常行为建模的可靠性;在线应用时,通过获取实时估计残差对机组状态进行实时监测,实现了机组参数异常的及时感知,避免异常向故障的演变;通过结合不同的异常特性设计不同的判别准则,降低了故障漏报的概率,保证了预警结果的准确性。
本发明方法能够实现风电机组发电机轴承故障的提前感知与预警,避免机组异常演变为灾难性故障,从而能够指导风电机组的预测性维护,具有较强的理论性与实用性。
通过实施例的结果显示,本发明能够在发电机轴承故障发生前实现准确的报警,结果具有有效性与可靠性,能够实现发电机轴承故障的提前感知,具有实用价值,对于减少机组停机时间,减少运维成本具有重大的意义。
Claims (10)
1.一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述方法包括离线训练阶段和在线应用阶段,所述方法包括以下步骤:
S1、进行离线训练阶段;
S2、进行数据获取和变量选取,构造数据集;
S3、设计数据预处理流程,并构建训练集:所述数据预处理流程步骤包括异常运行状态值剔除,孤立异常点剔除,以及停机状态数据剔除。
S4、建模,并对选取后的模型进行训练;
S5、进行残差训练,获取训练集估计残差序列;
S6、阙值上限设置;
S7、进行在线应用阶段;
S8、实时估计:获取风电机组的实时运行数据作为测试集,输入至离线阶段训练完成的GBRT模型获取模型估计值;
S9、实时估计残差获取:将目标变量实际运行值减去模型输出,即目标变量估计值,获取实时估计残差;
S10、实时判断,进行判别准则设计:设计连续超限判别准则与百分比超限判别准则相结合的方式进行轴承故障预警;
S11、得出最终预警结果。
2.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述步骤S2中进行数据获取和变量选取,构造数据集具体表现为获取风电机组SCADA系统中记录的正常运行时期运行数据,选取发电机轴承温度作为目标变量y,与发电机运行状况相关的变量作为相关变量X,构造数据集。
3.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述步骤S3的预处理流程包括以下步骤:
a)异常运行状态值为不符合风电机组控制策略的数据,依据在不同风速下的运行机理,当出现风速大于切入风速,同时输出功率小于功率阈值,或风速大于额定风速,同时输出功率小于额定功率减去功率阈值时,该数据点归类为异常运行状态值,予以剔除;
b)孤立异常点是由传感器记录错误或通信异常导致的记录错误值,具体判断条件基于变量的正常运行范围,当温度变量值大于150度或小于环境温度值,风速变量值大于机组切出风速或小于机组切入风速,功率变量值大于机组额定功率或为负值时,该数据点归类为孤立异常点,予以剔除;
c)结合机组的运维档案,当机组处于停机检修状态,SCADA系统是否同步停机未知,因此在机组停机期间SCADA系统依然可能存在记录数据,该数据无法表征机组正常运行状态,予以剔除。
4.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述步骤S4包括以下步骤:
步骤一、基于正常行为建模,对风电机组发电机轴承的正常工作状态进行表征;
步骤二、选取梯度提升回归树GBRT作为变量估计模型对发电机轴承温度进行建模;
步骤三、对目标变量发电机轴承温度进行实时估计。
5.根据权利要求4所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述正常行为建模的输入包括经预处理后的数据集作为训练集[Xtrain,ytrain]。
6.根据权利要求4或5所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述选取梯度提升回归树GBRT的包括以下步骤:
a)输入训练集[Xtrain,ytrain],其中Xtrain为训练集相关变量,ytrain为训练集目标变量;f(Xtrain)为一个回归树的模型估计值,损失函数L(ytrain,f(Xtrain)),输出为回归树N为训练数据集样本个数,M为回归树的个数;
d)对rmi拟合一个回归树,得到第m棵树的叶节点区域Rmj,其中j=1,2,...,J;
7.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述步骤S5具体包括将训练集中目标变量每时刻的实际运行值减去变量估计模型的输出值,即目标变量估计值,得到训练集该时刻的估计残差,训练集所有时刻的估计残差构成训练集残差序列。
8.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述步骤S6中阙值上限设置包括以下步骤:
步骤一、求取训练集残差序列的均值μtrain及标准差σtrain进行阈值设置;
步骤二、选取均值加三倍标准差作为估计残差的阈值上限U=μtrain+3σtrain。
9.根据权利要求1所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述步骤S10中判别准则设计包括以下步骤:
步骤一、在时刻t,获取该时刻轴承温度的实际运行值与模型估计值的残差rt;
步骤二、如果残差值大于阈值上限,即rt>U,基于历史残差序列,计算在时刻t之前连续超过阈值上限U的数据点个数QS,并计算时刻t之前的一天范围内,超过阈值上限U的数据点个数所占一天时间范围内总数据点个数的百分比QP,其中S表示连续超限判别准则参数,P表示连续超限判别准则参数;
步骤三、当满足判别准则条件QS≥S或QP≥P时,在时刻t给出报警;当满足条件QS<S且QP<P,或残差值不大于阈值上限,即rt≤U时,在时刻t均不给出报警。
10.根据权利要求2所述的一种基于GBRT的风电机组发电机轴承故障预警方法,其特征在于,所述与发电机运行状况相关的变量包括发电机运行参数、环境参数和系统参数;所述发电机运行参数包括发电机绕组温度,发电机转速;所述环境参数包括环境温度、风速和风向;所述系统参数包括系统状态、有功功率、无功功率、功率因数、偏航角、桨距角和机舱温度;上述所有参数组成相关变量X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010147125.2A CN111396266A (zh) | 2020-03-05 | 2020-03-05 | 一种基于gbrt的风电机组发电机轴承故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010147125.2A CN111396266A (zh) | 2020-03-05 | 2020-03-05 | 一种基于gbrt的风电机组发电机轴承故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111396266A true CN111396266A (zh) | 2020-07-10 |
Family
ID=71434508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010147125.2A Pending CN111396266A (zh) | 2020-03-05 | 2020-03-05 | 一种基于gbrt的风电机组发电机轴承故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111396266A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051082A (zh) * | 2020-09-10 | 2020-12-08 | 天津大学 | 一种供热系统换热器运行中故障诊断方法 |
CN117117858A (zh) * | 2023-10-18 | 2023-11-24 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组功率预测方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200396A (zh) * | 2014-08-26 | 2014-12-10 | 燕山大学 | 一种风力发电机部件故障预警方法 |
CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
CN110020737A (zh) * | 2018-01-02 | 2019-07-16 | 航天信息股份有限公司 | 粮食温度预测方法与装置 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
-
2020
- 2020-03-05 CN CN202010147125.2A patent/CN111396266A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200396A (zh) * | 2014-08-26 | 2014-12-10 | 燕山大学 | 一种风力发电机部件故障预警方法 |
CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
CN110020737A (zh) * | 2018-01-02 | 2019-07-16 | 航天信息股份有限公司 | 粮食温度预测方法与装置 |
CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051082A (zh) * | 2020-09-10 | 2020-12-08 | 天津大学 | 一种供热系统换热器运行中故障诊断方法 |
CN117117858A (zh) * | 2023-10-18 | 2023-11-24 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组功率预测方法、装置及存储介质 |
CN117117858B (zh) * | 2023-10-18 | 2024-01-30 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组功率预测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220469B (zh) | 一种风机状态估计的方法及系统 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
Yang et al. | Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy | |
CN111396266A (zh) | 一种基于gbrt的风电机组发电机轴承故障预警方法 | |
CN109583075B (zh) | 基于温度参数预测的永磁直驱风力机服役质量评价方法 | |
Kim et al. | Design of wind turbine fault detection system based on performance curve | |
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 | |
CN111814849A (zh) | 一种基于da-rnn的风电机组关键组件故障预警方法 | |
US20220099532A1 (en) | Systems and methods for operating a power generating asset | |
CN111814848B (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
CN114165392A (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
Nuñez-Montoya et al. | Development of a wind turbine digital-twin for failure prognosis: first results | |
CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks | |
CN114320773A (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN112855462A (zh) | 一种风机设备预警方法及系统 | |
Letzgus | SCADA-data analysis for condition monitoring of wind turbines | |
Yang et al. | Intelligent fan system based on big data and artificial intelligence | |
CN116956047B (zh) | 一种基于风力发电数据的风电机组性能评估系统 | |
Li et al. | A method based on artificial neural network to estimate the health of wind turbine | |
Márquez et al. | Introduction to non-destructive testing and condition monitoring techniques for renewable energy industrial assets |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |