CN111812504B - 风力发电机组故障诊断方法及系统 - Google Patents
风力发电机组故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111812504B CN111812504B CN201910286601.6A CN201910286601A CN111812504B CN 111812504 B CN111812504 B CN 111812504B CN 201910286601 A CN201910286601 A CN 201910286601A CN 111812504 B CN111812504 B CN 111812504B
- Authority
- CN
- China
- Prior art keywords
- fault
- generating set
- wind generating
- simulation model
- signal
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
本发明实施例公开了一种风力发电机组故障诊断方法及系统。该方法包括:采集风力发电机组的运行参数信号;利用特征分量提取模型提取运行参数信号的特征分量;根据特征分量确定风力发电机组的运行数据,将运行数据与风力发电机组的电能质量指标进行基于故障阈值的闭环差分运算;根据差分运算结果,确定风力发电机组发生故障的故障信息,并生成故障预警信息。根据本发明实施例,能够准确、高效地对风力发电机组进行故障诊断,实现基于电能质量指标的故障预警效果。
Description
技术领域
本发明涉及风力发电技术领域,尤其涉及一种风力发电机组故障诊断方法及系统。
背景技术
随着科学技术和经济社会的发展,我国的电力事业也取得了跨越式进步,现在电网呈现出大机组、远距离、超高压、智能化等新的特征。资源短缺、环境问题和经济发展的矛盾越发凸显。新能源发电的诞生和发展是解决当前矛盾的有效手段。风能作为最具商业潜力和活力的可再生能源之一,使用清洁简单,且成本较低,为国家节能减排作出了突出贡献。
风力发电机组接入电力系统之前,都需要参照各种仿真软件平台的仿真结果,在确保风力发电机组的各项电能质量、高低电压穿越性能、无功响应和有功调节性能的前提下,设置风力发电机组的各种模型参数,以将风力发电机组安全有效的接入电力系统。
目前,主流的电力系统仿真软件包括:电力系统计算机辅助设计(Power SystemsComputer Aided Design,PSCAD)、矩阵实验室(Matrix Laboratory,MATLAB)、电力系统电磁机电暂态混合仿真程序(Digital SimuLation and Electrical Network,DIGSILENT)等。而利用上述的电力系统仿真软件设置各种模型和模型参数的方法一般为,将采集到的各种数据输入仿真软件平台,由工程师人工处理仿真结果,根据仿真结果进行分析,并给出结论。这种方法由于需要进行人工处理,无法对风力发电机组进行故障诊断,导致各种模型和模型参数的设置的准确性和效率较低。
发明内容
本发明实施例提供一种风力发电机组故障诊断系统及系统,能够准确、高效地对风力发电机组进行故障诊断,实现基于电能质量指标的故障预警效果。
一方面,本发明实施例提供了一种风力发电机组故障诊断方法,方法包括:
采集风力发电机组的运行参数信号;
利用特征分量提取模型提取运行参数信号的特征分量;
根据特征分量确定风力发电机组的运行数据,将运行数据与风力发电机组的电能质量指标进行基于故障阈值的闭环差分运算;
根据差分运算结果,确定风力发电机组发生故障的故障信息,并生成故障预警信息。
在本发明的一个实施例中,故障信息包括故障权值分布,生成故障预警信息包括:
根据故障权值分布,确定发生各类故障的故障概率和/或故障优先级,并根据故障概率和/或故障优先级生成故障预警信息。
在本发明的一个实施例中,利用特征分量提取模型提取运行参数信号的特征分量之前,还包括:
对运行参数信号进行降噪处理,并根据运行参数信号的参数特性,将运行参数信号分为多类。
在本发明的一个实施例中,方法还包括:
根据故障预警信息和运行参数信号,调整电力系统仿真模型和/或电力系统仿真模型的模型参数;
其中,电力系统仿真模型包括电磁暂态仿真模型、气动系统仿真模型、载荷平衡系统仿真模型、控制策略仿真模型、滤波器仿真模型和锁相环仿真模型中的至少一种。
在本发明的一个实施例中,故障阈值包括故障动态阈值。
在本发明的一个实施例中,故障动态阈值根据电力系统仿真模型和风力发电机组的硬件抗压特性中的至少一种确定。
在本发明的一个实施例中,方法还包括:
将调整后的电力系统仿真模型和模型参数加载至风力发电机组的主控制器。
在本发明的一个实施例中,方法还包括:
将故障预警信息和运行参数信号转换为光信号进行传输。
在本发明的一个实施例中,风力发电机组的信号包括以下所列项中的一种或几种组合:
风力发电机组的变流控制器的模拟量输出信号、风力发电机组的主控系统的模拟量输入信号、风力发电机组的变流器的数字量输入信号、风力发电机组的数字量输出信号、风力发电机组的运行环境采集信号。
另一方面,本发明实施例提供了一种风力发电机组故障诊断系统,系统包括:
信号采集单元,用于采集风力发电机组的运行参数信号;
现场可编程门阵列单元,与信号采集单元连接,包括:
特征分量提取模块,用于利用特征分量提取模型提取运行参数信号的特征分量;
故障判定模块,用于根据特征分量确定风力发电机组的运行数据,将运行数据与风力发电机组的电能质量指标进行基于故障阈值的闭环差分运算;以及根据差分运算结果,确定风力发电机组发生故障的故障信息,并生成故障预警信息。
在本发明的一个实施例中,故障信息包括故障权值分布,故障判定模块具体用于:
根据故障权值分布,确定发生各类故障的故障概率和/或故障优先级,并根据故障概率和/或故障优先级生成故障预警信息。
在本发明的一个实施例中,现场可编程门阵列单元还包括:
预处理模块,用于对运行参数信号进行降噪处理,并根据运行参数信号的参数特性,将运行参数信号分为多类,并将分类后的运行参数信号发送至特征分量提取模块。
在本发明的一个实施例中,系统还包括:
仿真单元,仿真单元内设置有针对风力发电机组的电力系统仿真模型,并且用于根据故障预警信息和运行参数信号,调整电力系统仿真模型和/或电力系统仿真模型的模型参数;
其中,电力系统仿真模型包括电磁暂态仿真模型、气动系统仿真模型、载荷平衡系统仿真模型、控制策略仿真模型、滤波器仿真模型和锁相环仿真模型中的至少一种。
在本发明的一个实施例中,故障阈值包括故障动态阈值。
在本发明的一个实施例中,故障判定模块还用于根据电力系统仿真模型和风力发电机组的硬件抗压特性中的至少一种确定故障动态阈值。
在本发明的一个实施例中,仿真单元还用于:
将调整后的电力系统仿真模型和模型参数加载至风力发电机组的主控制器。
在本发明的一个实施例中,系统还包括:
电光转换单元,用于将现场可编程门阵列单元输出的故障预警信息和运行参数信号转换为光信号,并将光信号传输至仿真单元。
在本发明的一个实施例中,风力发电机组的运行参数信号包括以下所列项中的一种或几种组合:
风力发电机组的变流控制器的模拟量输出信号、风力发电机组的主控系统的模拟量输入信号、风力发电机组的变流器的数字量输入信号、风力发电机组的数字量输出信号、风力发电机组的运行环境采集信号。
本发明实施例的风力发电机组故障诊断方法及系统,能够利用特征分量提取模型提取采集的运行参数信号的特征分量,并利用特征分量得到风力发电机组真实的运行数据,将运行数据与电能质量指标进行基于故障阈值的闭环差分运算,从而得到风力发电机组发生故障的故障信息和故障预警信息。因此,根据本发明实施例能够针对不同的风力发电机组及风力发电机组所处的运行环境,准确、高效地对风力发电机组进行故障诊断,实现基于电能质量指标的故障预警效果,以提高风力发电机组的电力系统仿真模型和模型参数的设置的准确性和效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提供的风力发电机组故障诊断方法的流程示意图;
图2示出了本发明实施例提供的风力发电机组故障诊断系统的第一种结构示意图;
图3示出了本发明实施例提供的风力发电机组故障诊断系统的第二种结构示意图;
图4示出了本发明实施例提供的风力发电机组故障诊断系统的第三结构示意图;
图5示出了本发明实施例提供的风力发电机组故障诊断系统的第四结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1示出了本发明实施例提供的风力发电机组故障诊断方法的流程示意图。如图1所示,该风力发电机组故障诊断方法包括:
S101:采集风力发电机组的运行参数信号。
S102:利用特征分量提取模型提取运行参数信号的特征分量。
S103:根据特征分量确定风力发电机组的运行数据,将运行数据与风力发电机组的电能质量指标进行基于故障阈值的闭环差分运算。
S104:根据差分运算结果,确定风力发电机组发生故障的故障信息,并生成故障预警信息。
在本发明实施例中,能够利用特征分量提取模型提取采集的运行参数信号的特征分量,并利用特征分量得到风力发电机组真实的运行数据,将运行数据与电能质量指标进行基于故障阈值的闭环差分运算,从而得到风力发电机组发生故障的故障信息和故障预警信息。因此,根据本发明实施例能够针对不同的风力发电机组及风力发电机组所处的运行环境,准确、高效地对风力发电机组进行故障诊断,实现基于电能质量指标的故障预警效果,以提高风力发电机组的电力系统仿真模型和模型参数的设置的准确性和效率。
在本发明实施例的步骤S101中,风力发电机组的信号可以包括以下所列项中的一种或几种组合:
风力发电机组的变流控制器的模拟量输出信号、风力发电机组的主控系统的模拟量输入信号、风力发电机组的变流器的数字量输入信号、风力发电机组的数字量输出信号、风力发电机组的运行环境采集信号。
具体地,变流控制器的模拟量输出信号可以包括:变流控制器的绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)反馈的电流信号、三相网侧电压信号、三相网侧电流信号、直流母线电压信号和直流母线电流信号等。主控系统的模拟量输入信号可以包括:风力发电机组转矩信号、风力发电机组的额定无功信号和风力发电机组给定功率的上下限阈值信号等。变流器的数字量输入信号可以包括:风力发电机组变流器的IGBT发出的脉冲宽度调制(Pulse Width Modulation,PWM)信号。风力发电机组的数字量输出信号可以包括:各种复位信号和各种使能信号等。风力发电机组的运行环境采集信号可以包括:接入传感器模拟风力发电机组的现场运行环境,得到的温度采集信号和湿度采集信号等。
在本发明实施例中,在步骤S102、利用特征分量提取模型提取运行参数信号的特征分量之前,还包括:
对运行参数信号进行降噪处理,并根据运行参数信号的参数特性,将运行参数信号分为多类。
通过对运行参数信号进行降噪和分类处理,能够实现对运行参数信号的预处理,从而降低噪声的干扰,提高分析处理的准确性。
在本发明实施例的步骤S102中,可以利用基于三相对称分量法或信号延迟法建立的特征分量提取模型提取运行参数信号的特征分量,例如,提取电压的正序分量、电压的负序分量、电压的瞬态值、电流的正序分量、电流的负序分量和电流的瞬态值等等。
其中,三相对称分量法是电力系统短路电流计算的基本方法,其目的是将一组不对称的ABC量,变换为三组各自对称的三相分量,分别称为正序分量、负序分量和零序分量量。与各序电压、电流量对应。电力系统发生不对称故障后产生的不对称电压、电流量,通过应用三相对称分量法,可以将其分解到三个序网,在各序网内按照序电压、电流对称的方式进行分析,之后再合成为实际的ABC量,从而使得不对称故障计算大为简化。
信号延迟法可以采用逻辑门实现数量级的延迟,或采用延时单元实现延迟,或采用更快的时钟通过计数器实现延迟,或采用先进先出(First Input First Output,FIFO)存储器实现延迟,或采用移位寄存器实现延迟。
在本发明实施例的步骤S103中,可以将特征分量导入故障模型中,计算出风力发电机组真实运行的运行数据;然后,可以设定故障阈值,将运行数据与风力发电机组的电能质量指标进行基于故障阈值的闭环差分运算,将差分运算结果输入至用于确定风力发电机组发生故障的故障信息的统计算法中,确定风力发电机组发生故障的故障信息。
其中,差分(difference)又名差分函数或差分运算,差分的结果反映了离散量之间的一种变化。在本发明实施例中,上述的运行参数信号采集、运行参数信号处理以及导入故障模型得到运行数据,构成了闭环,在故障模型中做一阶差分可以得到闭环差分运算的差分结构。
在本发明实施例中,上述统计算法可以为相似度算法或基于神经网络的非线性算法。
在本发明实施例中,故障阈值可以包括故障动态阈值。其中,故障动态阈值根据电力系统仿真模型和风力发电机组的硬件抗压特性中的至少一种确定。具体地,电力系统仿真模型与风电场的电网特性、风力发电机组的电网特性相匹配。需要说的是,故障阈值还可以包括故障静态阈值。
在本发明实施例的步骤S104中,故障信息可以包括故障权值分布,可以先通过模糊聚类分析法求取故障的平均值,进而根据比例求取不同故障类型的权值分布。
此时,生成故障预警信息包括:根据故障权值分布,确定发生各类故障的故障概率和/或故障优先级,并根据故障概率和/或故障优先级生成故障预警信息。
本发明实施例的风力发电机组故障诊断系统,能够对风力发电机组进行故障诊断,能够对故障优先级和故障概率进行统计。
在本发明实施例中,方法还包括:
根据故障预警信息和运行参数信号,调整电力系统仿真模型和/或电力系统仿真模型的模型参数。
在本发明实施例中,可以利用半实物实时数字仿真(Real Time DigitalSimulator,RTDS)平台,调整上述的电力系统仿真模型和/或电力系统仿真模型的模型参数。其中,在RTDS平台中可以预先设置风力发电机组的各个部位的电力系统仿真模型,电力系统仿真模型具体可以包括:电磁暂态仿真模型、气动系统仿真模型、载荷平衡系统仿真模型、控制策略仿真模型、滤波器仿真模型和锁相环仿真模型中的至少一种。
RTDS平台可以建立仿真数据和模型库,导出各个模型参数的波形特征(例如,幅值、频率、谐波、畸变等),结合故障预警信息和运行参数信号,可以对电力系统仿真模型和/或电力系统仿真模型的模型参数做出相应的调整,直到得到最优的仿真结果。
在本发明实施例中,由于故障动态阈值根据电力系统仿真模型确定,因此,当利用故障预警信息和运行参数信号,调整电力系统仿真模型和/或电力系统仿真模型的模型参数后,故障动态阈值也随之优化,从而形成对故障动态阈值的闭环控制。
在本发明实施例中,方法还包括:
将调整后的电力系统仿真模型和模型参数加载至风力发电机组的主控制器,以形成闭环控制,并完成对风力发电机组的电力系统仿真,准确、高效地实现各种电力系统仿真模型和模型参数的设置。
在本发明实施例中,方法还包括:
将故障预警信息和运行参数信号转换为光信号进行传输。
在本发明实施例中,通过信号的转换以及光信号的传输,能够大大增加接口的利用率和传输效率,降低外界信号的干扰。
图2示出了本发明实施例提供的风力发电机组故障诊断系统的第一种结构示意图。如图2所示,该风力发电机组故障诊断系统包括信号采集单元201和现场可编程门阵列(Field-Programmable Gate Array,FPGA)单元202。其中,信号采集单元201除了包括各种传感器以外,还包括光耦转换电路、数模转换电路,信号采集单元201与风力发电机组的变流控制器、变流器、主控系统等连接,用于采集风力发电机组的运行参数信号。FPGA单元202与信号采集单元201连接,用于获取信号采集单元201采集的运行参数信号,并对运行参数信号处理得到故障信息和故障预警信息。
在本发明实施例中,能够利用特征分量提取模型提取采集的运行参数信号的特征分量,并利用特征分量得到风力发电机组真实的运行数据,将运行数据与电能质量指标进行基于故障阈值的闭环差分运算,从而得到风力发电机组发生故障的故障信息和故障预警信息。因此,根据本发明实施例能够针对不同的风力发电机组及风力发电机组所处的运行环境,准确、高效地对风力发电机组进行故障诊断,实现基于电能质量指标的故障预警效果,以提高风力发电机组的电力系统仿真模型和模型参数的设置的准确性和效率。
在本发明实施例中,风力发电机组的信号可以包括以下所列项中的一种或几种组合:
风力发电机组的变流控制器的模拟量输出信号、风力发电机组的主控系统的模拟量输入信号、风力发电机组的变流器的数字量输入信号、风力发电机组的数字量输出信号、风力发电机组的运行环境采集信号。
具体地,变流控制器的模拟量输出信号可以包括:变流控制器的绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)反馈的电流信号、三相网侧电压信号、三相网侧电流信号、直流母线电压信号和直流母线电流信号等。主控系统的模拟量输入信号可以包括:风力发电机组转矩信号、风力发电机组的额定无功信号和风力发电机组给定功率的上下限阈值信号等。变流器的数字量输入信号可以包括:风力发电机组变流器的IGBT发出的脉冲宽度调制(Pulse Width Modulation,PWM)信号。风力发电机组的数字量输出信号可以包括:各种复位信号和各种使能信号等。风力发电机组的运行环境采集信号可以包括:接入传感器模拟风力发电机组的现场运行环境,得到的温度采集信号和湿度采集信号等。
图3示出了本发明实施例提供的风力发电机组故障诊断系统的第二种结构示意图。如图3所示,在本发明实施例中,FPGA单元202可以运行内嵌的处理器,通过软件代码实现运行参数信号的预处理、特征分量提取、故障判定以及故障预警信息输出。其中,FPGA单元202可以包括预处理模块、特征分量提取模块和故障判定模块。
预处理模块用于对运行参数信号进行降噪处理,并根据运行参数信号的参数特性,将运行参数信号分为多类,并将分类后的运行参数信号发送至特征分量提取模块。
特征分量提取模块用于利用特征分量提取模型提取运行参数信号的特征分量。其中,特征分量提取模块可以具体用于利用基于三相对称分量法或信号延迟法建立的特征分量提取模型提取运行参数信号的特征分量,例如,提取电压的正序分量、电压的负序分量、电压的瞬态值、电流的正序分量、电流的负序分量和电流的瞬态值等等。
特征分量提取模型基于三相对称法或信号延迟法建立。本发明实施例并不对特征分量提取模型建立过程进行限定,任何可用的模型建立过程均可应用于本发明实施例中。
故障判定模块用于根据特征分量确定风力发电机组的运行数据,将运行数据与风力发电机组的电能质量指标进行基于故障动态阈值的闭环差分运算;以及根据差分运算结果,确定风力发电机组发生故障的故障信息,并生成故障预警信息。
其中,故障判定模块可以具体用于将特征分量导入故障模型中,计算出风力发电机组真实运行的运行数据;然后,可以设定故障阈值,将运行数据与风力发电机组的电能质量指标进行基于故障阈值的闭环差分运算,将差分运算结果输入至用于确定风力发电机组发生故障的故障信息的统计算法中,确定风力发电机组发生故障的故障信息。
在本发明实施例中,上述的运行参数信号采集、运行参数信号处理以及导入故障模型得到运行数据,构成了闭环,在故障模型中做一阶差分可以得到闭环差分运算的差分结构。
故障阈值可以包括故障动态阈值。其中,故障判定模块还用于根据电力系统仿真模型和风力发电机组的硬件抗压特性中的至少一种确定故障动态阈值。具体地,电力系统仿真模型与风电场的电网特性、风力发电机组的电网特性相匹配。需要说的是,故障阈值还可以包括故障静态阈值。上述统计算法可以为相似度算法或基于神经网络的非线性算法。
在本发明实施例中,故障信息可以包括故障权值分布,故障判定模块可以具体还用于先通过模糊聚类分析法求取故障的平均值,进而根据比例求取不同故障类型的权值分布;然后根据故障权值分布,确定发生各类故障的故障概率和/或故障优先级,并根据故障概率和/或故障优先级生成故障预警信息。
本发明实施例的风力发电机组故障诊断系统,能够对风力发电机组进行故障诊断,能够对故障优先级和故障概率进行统计。
在本发明的一个实施例中,本发明实施例提供的风力发电机组故障诊断系统还包括:电光转换单元。如图4所示,图4示出了本发明实施例提供的风力发电机组故障诊断系统的第三种结构示意图。
电光转换单元203,用于将FPGA单元202输出的故障预警信息和运行参数信号转换为光信号,并将光信号传输至仿真单元。
在本发明的一个实施例中,传输光信号所采用的协议可以为:aurora协议。其中,Aurora协议是由Xilinx公司提供的一个开放、免费的链路层协议,可以用来进行点到点的串行数据传输,具有实现高性能数据传输系统的高效率和简单易用的特点。Aurora协议是一个用于在点对点串行链路间移动数据的可扩展轻量级链路层协议。这为物理层提供透明接口,让专有协议或业界标准协议上层能方便地使用高速收发器。
通过信号的转换以及光信号的传输,能够大大增加接口的利用率和传输效率,降低外界信号的干扰。
在本发明的一个实施例中,本发明实施例提供的风力发电机组故障诊断系统还包括:仿真单元。如图5所示,图5示出了本发明实施例提供的风力发电机组故障诊断系统的第四种结构示意图。
其中,仿真单元204内设置有针对风力发电机组的电力系统仿真模型,并且用于根据故障预警信息和运行参数信号,调整电力系统仿真模型和/或电力系统仿真模型的模型参数。
在本发明实施例中,仿真单元204可以为RTDS平台,RTDS平台能够调整电力系统仿真模型和/或电力系统仿真模型的模型参数。其中,在RTDS平台中可以预先设置风力发电机组的各个部位的电力系统仿真模型,电力系统仿真模型具体可以包括:电磁暂态仿真模型、气动系统仿真模型、载荷平衡系统仿真模型、控制策略仿真模型、滤波器仿真模型和锁相环仿真模型中的至少一种。本发明实施例并不对建立仿真数据模型的具体过程进行限定,任何可用的方式均可以应用于本发明实施例中
RTDS平台可以建立仿真数据和模型库,导出各个模型参数的波形特征(例如,幅值、频率、谐波、畸变等),结合故障预警信息和运行参数信号,可以对电力系统仿真模型和/或电力系统仿真模型的模型参数做出相应的调整,直到得到最优的仿真结果。
在本发明的一个实施例中,仿真单元204还用于将调整后的电力系统仿真模型和模型参数加载至风力发电机组的主控制器。
具体的,可以通过仿真器在线将电力系统仿真模型和模型参数下载至风力发电机组的主控制器中,以形成闭环控制,并完成对风力发电机组的电力系统仿真,准确、高效地实现各种电力系统仿真模型和模型参数的设置。
在本发明实施例中,优化后的电力系统仿真模型和模型参数还会被反馈给故障判定模块,由于故障判定模块根据电力系统仿真模型确定故障动态阈值,因此,当利用故障预警信息和运行参数信号,调整电力系统仿真模型和/或电力系统仿真模型的模型参数后,故障动态阈值也随之优化,从而形成对故障动态阈值的闭环控制。
在本发明的一个实施例中,RTDS单元还可以对仿真信息和故障报文进行打印。
综上所述,本发明实施例的风力发电机组故障诊断方法及系统,能够对风力发电机组进行故障诊断,能够对故障优先级和发生概率进行统计,并且能够缩减仿真模型与实物风机发电机组现场运行之间的误差,还能够利用光信号进行数据传输,提高数据传输效率,降低外界信号的干扰。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (16)
1.一种风力发电机组故障诊断方法,其特征在于,所述方法包括:
采集风力发电机组的运行参数信号;
对所述运行参数信号进行预处理;
利用特征分量提取模型提取所述运行参数信号的特征分量,所述特征分量包括电压的正序分量、电压的负序分量、电压的瞬态值、电流的正序分量、电流的负序分量、电流的瞬态值;
根据所述特征分量确定所述风力发电机组的运行数据,将所述运行数据与所述风力发电机组的电能质量指标进行基于故障阈值的闭环差分运算;
根据差分运算结果,确定所述风力发电机组发生故障的故障信息,并生成故障预警信息;
其中,所述根据所述特征分量确定所述风力发电机组的运行数据,包括:
将所述特征分量导入故障模型中,计算出所述风力发电机组真实运行的所述运行数据;
所述方法还包括:
根据所述故障预警信息和所述运行参数信号,调整电力系统仿真模型和/或所述电力系统仿真模型的模型参数,所述故障阈值包括故障动态阈值,所述故障动态阈值根据所述电力系统仿真模型确定。
2.根据权利要求1所述的方法,其特征在于,所述故障信息包括故障权值分布,生成故障预警信息包括:
根据所述故障权值分布,确定发生各类故障的故障概率和/或故障优先级,并根据所述故障概率和/或所述故障优先级生成所述故障预警信息。
3.根据权利要求1所述的方法,其特征在于,所述对所述运行参数信号进行预处理的步骤包括:
对所述运行参数信号进行降噪处理,并根据所述运行参数信号的参数特性,将所述运行参数信号分为多类。
4.根据权利要求1所述的方法,其特征在于,
所述电力系统仿真模型包括电磁暂态仿真模型、气动系统仿真模型、载荷平衡系统仿真模型、控制策略仿真模型、滤波器仿真模型和锁相环仿真模型中的至少一种。
5.根据权利要求4所述的方法,其特征在于,所述故障动态阈值还根据所述风力发电机组的硬件抗压特性确定。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
将调整后的所述电力系统仿真模型和所述模型参数加载至所述风力发电机组的主控制器。
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
将所述故障预警信息和所述运行参数信号转换为光信号进行传输。
8.根据权利要求1所述的方法,其特征在于,所述风力发电机组的信号包括以下所列项中的一种或几种组合:
所述风力发电机组的变流控制器的模拟量输出信号、所述风力发电机组的主控系统的模拟量输入信号、所述风力发电机组的变流器的数字量输入信号、所述风力发电机组的数字量输出信号、所述风力发电机组的运行环境采集信号。
9.一种风力发电机组故障诊断系统,其特征在于,所述系统包括:
信号采集单元,用于采集风力发电机组的运行参数信号;
现场可编程门阵列单元,与所述信号采集单元连接,包括:
预处理模块,用于对所述运行参数信号进行预处理;
特征分量提取模块,用于利用特征分量提取模型提取所述运行参数信号的特征分量,所述特征分量包括电压的正序分量、电压的负序分量、电压的瞬态值、电流的正序分量、电流的负序分量、电流的瞬态值;
故障判定模块,用于根据所述特征分量确定所述风力发电机组的运行数据,将所述运行数据与所述风力发电机组的电能质量指标进行基于故障阈值的闭环差分运算;以及根据差分运算结果,确定所述风力发电机组发生故障的故障信息,并生成故障预警信息;
所述故障判定模块用于:将所述特征分量导入故障模型中,计算出所述风力发电机组真实运行的所述运行数据;
仿真单元,所述仿真单元内设置有针对所述风力发电机组的电力系统仿真模型,用于根据所述故障预警信息和所述运行参数信号,调整电力系统仿真模型和/或所述电力系统仿真模型的模型参数,所述故障阈值包括故障动态阈值,所述故障动态阈值根据所述电力系统仿真模型确定。
10.根据权利要求9所述的系统,其特征在于,所述故障信息包括故障权值分布,所述故障判定模块具体用于:
根据所述故障权值分布,确定发生各类故障的故障概率和/或故障优先级,并根据所述故障概率和/或所述故障优先级生成所述故障预警信息。
11.根据权利要求9所述的系统,其特征在于,所述预处理模块具体用于:
对所述运行参数信号进行降噪处理,并根据所述运行参数信号的参数特性,将所述运行参数信号分为多类,并将分类后的运行参数信号发送至所述特征分量提取模块。
12.根据权利要求9所述的系统,其特征在于,所述系统还包括:
所述电力系统仿真模型包括电磁暂态仿真模型、气动系统仿真模型、载荷平衡系统仿真模型、控制策略仿真模型、滤波器仿真模型和锁相环仿真模型中的至少一种。
13.根据权利要求12所述的系统,其特征在于,所述故障判定模块还用于根据所述风力发电机组的硬件抗压特性确定所述故障动态阈值。
14.根据权利要求13所述的系统,其特征在于,所述仿真单元还用于:
将调整后的所述电力系统仿真模型和所述模型参数加载至所述风力发电机组的主控制器。
15.根据权利要求12所述的系统,其特征在于,所述系统还包括:
电光转换单元,用于将所述现场可编程门阵列单元输出的所述故障预警信息和所述运行参数信号转换为光信号,并将所述光信号传输至仿真单元。
16.根据权利要求9所述的系统,其特征在于,所述风力发电机组的运行参数信号包括以下所列项中的一种或几种组合:
所述风力发电机组的变流控制器的模拟量输出信号、所述风力发电机组的主控系统的模拟量输入信号、所述风力发电机组的变流器的数字量输入信号、所述风力发电机组的数字量输出信号、所述风力发电机组的运行环境采集信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910286601.6A CN111812504B (zh) | 2019-04-10 | 2019-04-10 | 风力发电机组故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910286601.6A CN111812504B (zh) | 2019-04-10 | 2019-04-10 | 风力发电机组故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812504A CN111812504A (zh) | 2020-10-23 |
CN111812504B true CN111812504B (zh) | 2023-07-28 |
Family
ID=72844340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910286601.6A Active CN111812504B (zh) | 2019-04-10 | 2019-04-10 | 风力发电机组故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812504B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
US20150120248A1 (en) * | 2013-10-30 | 2015-04-30 | General Electric Company | System and method for diagnosing machine faults |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN105403811B (zh) * | 2015-12-14 | 2018-09-11 | 北京天诚同创电气有限公司 | 风电场电网故障诊断方法和装置 |
CN107327367B (zh) * | 2017-06-30 | 2018-12-07 | 北京金风科创风电设备有限公司 | 风力发电机组变桨异常的识别方法及装置 |
CN107192951B (zh) * | 2017-07-31 | 2019-07-23 | 湖南科技大学 | 一种风力发电机三相转子电流微故障诊断方法 |
-
2019
- 2019-04-10 CN CN201910286601.6A patent/CN111812504B/zh active Active
Non-Patent Citations (1)
Title |
---|
葛耀中.《新型继电保护和故障测距的原理与技术》.西安交通大学出版社,2007,第4-12页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111812504A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112531694B (zh) | 基于数字孪生技术的交直流混合电网全域实时模拟方法 | |
Li et al. | Dynamic equivalent modeling of two-staged photovoltaic power station clusters based on dynamic affinity propagation clustering algorithm | |
CN102508167B (zh) | 一种电池管理系统自动测试、自动标定参数的装置和方法 | |
CN103761372B (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
CN101882167B (zh) | 一种大规模风电集中接入电网的风电场等值建模方法 | |
CN104331543A (zh) | 一种船舶电力推进系统故障诊断专家系统和建立方法 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN105404937A (zh) | 一种光伏电站短期功率预测方法和系统 | |
CN104881741A (zh) | 基于支持向量机的电力系统暂态稳定判断方法 | |
CN105226650A (zh) | 基于微燃机-储能联合运行策略的微电网可靠性计算方法 | |
CN107045574A (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
CN103474989A (zh) | 一种基于灵敏度分析的网络重构方法 | |
CN103207924B (zh) | 风力发电机组机械暂态与电气暂态混合仿真系统及方法 | |
CN104574221B9 (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
CN106410862A (zh) | 基于有功恢复斜率校正的风电场单机等值方法 | |
CN103630785A (zh) | 光伏逆变器复合粒子过程在线剩余寿命评估方法 | |
CN111812504B (zh) | 风力发电机组故障诊断方法及系统 | |
CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
CN117335426A (zh) | 一种适用于短期电压稳定性评估的关键特征识别方法 | |
Elkanishy et al. | An FPGA decision tree classifier to supervise a communication SoC | |
CN115377999A (zh) | 一种基于宽频测量数据的次同步振荡辨识的方法 | |
CN113537821A (zh) | 一种电力系统状态的快速评估方法及系统 | |
CN110957723B (zh) | 一种数据驱动的在线快速评估电网暂态电压安全性的方法 |
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 |