CN111878322B - 风力发电机装置 - Google Patents
风力发电机装置 Download PDFInfo
- Publication number
- CN111878322B CN111878322B CN202010769749.8A CN202010769749A CN111878322B CN 111878322 B CN111878322 B CN 111878322B CN 202010769749 A CN202010769749 A CN 202010769749A CN 111878322 B CN111878322 B CN 111878322B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- wind
- domain signal
- feature
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 230000032683 aging Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims 2
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000012360 testing method Methods 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001228 spectrum 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
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- 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
本发明涉及一种风力发电机装置，具体是一种包含风力发电机单元和模块的风力发电机装置，其包括对风机进行各项数据记录以及监控，以及完成风机的故障诊断以及各个部件的寿命预测，从而形成一个功能完备的风力发电机装置，实现对风机的各项性能进行方便、快捷、准确的诊断分析。
Description
技术领域
本发明涉及一种风力发电机装置，具体是一种包含风力发电机单元和模块的风力发电机装置。
背景技术
为应对全球气候变化以及能源短缺、能源供应安全严峻的形势，风能作为可再生能源以其清洁、安全、永续的特点，在各国能源战略中的地位不断提高，近年来风能发展很快并开始在能源供应中发挥重要作用。随着我国风能开发的飞速发展，近年来大批兆瓦级新型风力发电机组投入规模化生产运行，质量和运行可靠性问题比较突出，而且众所周知，由于风资源分布的限制，风电场通常地处边远地区，运行环境差，维护难度大，因此，为了合理地运营和完善地维护风电场，提高风力发电机组的运行效率和可靠性，就需要有性能完善的系统能够对每一台风力发电机组进行长期的实时监控，能够全方面的监测风力发电机组的各项指标，定期对风力发电机组进行故障诊断，尽早发现问题，提升风力发电场的综合管理水平，减少运行维护成本。部分厂家也有通过一些手段实施了对风力发电机组的部分参数的监控，但是不能形成完整的数据监控、故障预警、电能质量分析以及后期全面评估的功能体系，无法对风机的各项性能进行方便、快捷、准确的评估，因此设计一种功能完备的风力发电机组就十分的必要。
发明内容
本发明的目的是为了解决上述问题，提供一种对风力发电机装置，其包括对风机进行各项数据记录以及监控，以及完成风机的故障诊断以及各个部件的寿命预测，从而形成一个功能完备的风力发电机装置，实现对风机的各项性能进行方便、快捷、准确的诊断分析。
本发明提供了一种风力发电机装置，包括：一个或多个转子叶片、机舱、齿轮箱、轮毂、发电机以及风力发电机控制系统，其中所述控制系统包括数据采集单元、数据分析单元、数据存储单元和通讯单元，数据采集单元采集风机的实时状态数据和风机关键信息，数据分析单元对信息进行分析，数据存储单元进行数据存储，前置机设备通过通讯单元进行通讯。
其中数据分析单元包括信号特征提取单元、信号分析单元以及决策反馈单元；信号特征提取单元从采集单元采集到的信号中进行特征提取，从而完成对风机运行状态的评判；信号分析单元通过特征数据对风机的各种数据进行统计分析，决策反馈单元通过信号特征提取单元和信号分析单元的分析结果，计算出用以优化风机运行的各类决策性控制参数，并通过总线通讯单元将控制参数反馈至风机对象。
其中，信号分析单元包括风力发电机组能量可利用率计算模块、风力发电机组故障分析模块、风力发电机组功率曲线考核模块、风力发电机组风资源及发电量统计模块、风力发电机组部件老化预测模块、风力发电机组整机性能评估模块。
其中，风力发电机组故障分析模块具体包括风力发电机部件的故障分析方法，所述故障分析方法包括以下步骤：
步骤一、采集风力发电机部件在已知工况下各类故障的振动信号x(t)形成数据总样本集X；
步骤二、采用算法对数据总样本集X中的振动信号x(t)进行分解并将分解处理后的数据进行降噪处理，降噪处理包括剔除趋势项以及剔除明显噪声干扰项，其中采用算法对数据样本集X中的振动信号x(t)分解的计算公式为：
式中，IMFk(t)表示原始信号的第k个本征模态方程，m表示原始信号可以分解的本征模态方程的个数，rm(t)表示分解的最后余量；
其中，步骤二中的剔除明显噪声干扰项的过程根据上述分解结果来选择滤波器的尺寸。
步骤二中时频变换的计算公式为：
式中，x(n)表示时域波形，X(k)表示频域波形，N表示时域波形的点数。
将降噪后的信号进行时频变换，形成时域信号和频域信号；
步骤三、将步骤二中所获得的时域信号和频域信号变换成时域信号图和频域信号图，其中，步骤三中时域信号和频域信号的变换过程包括分别对时域信号和频域信号进行归一化处理，使其幅值处于[-1,1]区间内，再将归一化处理后的时域信号和频域信号分别转换成对应的时域信号图和频域信号图，其中时域信号和频域信号的变换过程包括分别对时域信号和频域信号进行归一化处理，使其幅值处于[-1,1]区间内，再将归一化处理后的时域信号和频域信号分别转换成对应的时域信号图和频域信号图；
所述时域信号和频域信号的转换步骤如下：
步骤1)、将降噪后的时域信号转化到频域；
步骤2)、将时域信号或频域信号分别均分为M个子小段，每个子小段包括N个采样点；
步骤3)、按照转化公式将每一个点转化到对应信号图中的每一个像素点，转换过程中每一个信号点的幅值对应信号图中的灰度值，转换过程的表达公式为：R[i,j]＝X[(i-1)*M+j]
式中，i＝1:N，i表示每个子小段信号中对应的第i个点，j＝1:M，j表示其中的第j个子小段信号，X[]表示信号归一化处理后对应的幅值，R[i,j]表示信号图中在(i,j)位置处对应的灰度的大小。
步骤四、采用神经网络分别挖掘提取上述步骤三中时域信号图和频域信号图中的故障特征，形成故障特征集Q1；
步骤五、对待测数据样本B按照上述步骤二至步骤四进行处理，形成待测样本的特征集Q2；
步骤六、分析步骤四中特征集Q1与步骤五中特征集Q2间的分布，采用迁移学习算法对特征集Q1和特征集Q2进行学习，使其满足特征空间的同分布，从而形成新的特征集Q3，步骤六中采用迁移学习算法对步骤四中的特征集T1和步骤五中的特征集T2进行特征间的学习及特征重要度的修正；
步骤七、采用支持向量机SVM对步骤六中形成的特征集Q3进行训练，得到分类模型；
步骤八、采用分类模型对待测数据样本B进行故障诊断，得出诊断结果。
本发明的有益效果在于：
本发明的风力发电机装置，其可以实时全面的监测风机运行的各种数据和参数，结合自带的分析认证单元，能够完成对风力发电机组的功率曲线、可利用率、能量可利用率、发电量、故障频次、风资源等的统计，全方面的监测风力发电机组的各项指标，定时对风力发电机组进行性能评估，尤其是本发明的风力发电机组故障分析模块有利于故障的快速定位，能够帮助风电场尽早发现问题，提升风力发电场的综合管理水平，减少运行维护成本，风力发电机组部件老化预测模块能够对风力发电机的重要部件进行老化预测，从而能够及时发现容易出现老化的部件，及时进行更换，从而进一步降低维护成本，改善运行条件。
附图说明
图1是风力发电机装置的结构示意图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
如图1所示，本发明提供了一种风力发电机装置100，包括一个或多个转子系统，叶片103、机舱104、齿轮箱、轮毂102、塔架101、发电机以及风力发电机控制设备；
控制设备包括被测设备、前置机设备、服务器设备、客户端设备；
被测设备指风力发电机组控制系统，被测设备通过以太网实现与前置机设备之间的通讯，在不影响风力发电机组控制系统正常运行的前提下，将风机的实时状态数据和风机关键数据发送至前置机设备。
前置机设备，包括数据采集单元、数据分析单元、数据存储单元和通讯单元；
其中数据采集单元包括电网信号采集单元、CMS振动信号采集单元、总线信号通讯单元，电网信号采集单元采集电网中的电压和电流信号，CMS振动信号采集单元采集风机设备的振动信号、总线信号通讯单元使用CAN open、ModBus、ADS、RS485等总线通讯方式与被测设备进行通讯，以获取风机的实时状态数据和风机关键信息，实时状态数据包括风速、发电机转速、发电量、设备温度、压力、各种传感器的实时测量数据、故障报警信息等，风机关键信息包括叶片、齿轮箱、发电机、主轴、变流器、变浆系统、主控系统、液压站、刹车系统、润滑系统、风速仪、风向标、振动模块这些部件的型号、批次及维保信息等。
数据分析单元包括信号特征提取单元、信号分析单元以及决策反馈单元。
信号特征提取单元从采集单元采集到的信号中进行特征提取，从而完成对风机运行状态的评判。
信号分析单元通过特征数据对风机的各种数据进行统计分析，包括重要配件关键信息记录模块、风力发电机组可利用率计算模块、风力发电机组能量可利用率计算模块、风力发电机组故障分析模块、风力发电机组功率曲线考核模块、风力发电机组风资源及发电量统计模块、风力发电机组部件老化判定模块、风力发电机组整机性能评估模块、电能质量测试认证模块、电网适应性测试认证模块、振动测试认证模块、噪声测试认证模块、报表自动生成模块。
决策反馈单元通过信号特征提取单元和信号分析单元的分析结果，计算出用以优化风机运行的各类决策性控制参数，并通过总线通讯单元将控制参数反馈至风机对象。
客户端设备包括电脑端程序和手机移动终端程序。
电脑端程序可运行桌面版客户端程序，实现对风机数据的实时查看，离线分析，故障查看、报告浏览、运维排班、以及控制指令发送。
手机移动端通过无线网络接入服务器设备，可实现对风机数据的实时查看、故障查看、报告浏览、运维排班、控制指令发送。
服务器设备，完成数据的保存和管理功能，包括前端数据采集设备所采集到的风机的实时状态数据和风机关键信息，以及监控分析设备的分析认证单元通过分析以后得到的电能质量分析结果、风资源和发电量统计结果、风机性能评估结果的数据存储。数据存储设备的通讯单元通过以太网接收前端数据采集设备采集到的数据和监控分析设备分析后得到的结果并在数据存储设备中进行存储。
所述前置机设备通过真实信号硬接线和总线通信线缆同时连接被测设备。
所述的重要部件关键信息记录模块主要用于记录叶片、齿轮箱、发电机、主轴、变流器、变浆系统、主控系统、液压站、刹车系统、润滑系统、风速仪、风向标、振动模块等重要配件的厂家、型号、生产批次、维修日期等内容。
风力发电机组故障分析模块具体包括风力发电机部件的故障分析方法，所述故障分析方法包括以下步骤：步骤一、采集风力发电机部件在已知工况下各类故障的振动信号x(t)形成数据总样本集X；步骤二、采用算法对数据总样本集X中的振动信号x(t)进行分解并将分解处理后的数据进行降噪处理，将降噪后的信号进行时频变换，形成时域信号和频域信号；步骤三、将步骤二中所获得的时域信号和频域信号变换成时域信号图和频域信号图；步骤四、采用神经网络分别挖掘提取上述步骤三中时域信号图和频域信号图中的故障特征，形成故障特征集Q1；步骤五、对待测数据样本B按照上述步骤二至步骤四进行处理，形成待测样本的特征集Q2；步骤六、分析步骤四中特征集Q1与步骤五中特征集Q2间的分布，采用迁移学习算法对特征集Q1和特征集Q2进行学习，使其满足特征空间的同分布，从而形成新的特征集Q3；步骤七、采用支持向量机SVM对步骤六中形成的特征集Q3进行训练，得到分类模型；步骤八、采用分类模型对待测数据样本B进行故障诊断，得出诊断结果。
步骤三中时域信号和频域信号的变换过程包括分别对时域信号和频域信号进行归一化处理，使其幅值处于[-1,1]区间内，再将归一化处理后的时域信号和频域信号分别转换成对应的时域信号图和频域信号图；所述时域信号和频域信号的转换步骤如下：步骤1)、将降噪后的时域信号转化到频域；步骤2)、将时域信号或频域信号分别均分为M个子小段，每个子小段包括N个采样点；步骤3)、按照转化公式将每一个点转化到对应信号图中的每一个像素点，转换过程中每一个信号点的幅值对应信号图中的灰度值，转换过程的表达公式为：R[i,j]＝X[(i-1)*M+j]
式中，i＝1:N，i表示每个子小段信号中对应的第i个点，j＝1:M，j表示其中的第j个子小段信号，X[]表示信号归一化处理后对应的幅值，R[i,j]表示信号图中在(i,j)位置处对应的灰度的大小。步骤二中的降噪处理包括剔除趋势项以及剔除明显噪声干扰项。步骤二中采用算法对数据样本集X中的振动信号x(t)分解的计算公式为：
式中，IMFk(t)表示原始信号的第k个本征模态方程，m表示原始信号可以分解的本征模态方程的个数，rm(t)表示分解的最后余量。步骤二中的剔除明显噪声干扰项的过程根据上述分解结果来选择滤波器的尺寸。步骤二中时频变换的计算公式为：
式中，x(n)表示时域波形，X(k)表示频域波形，N表示时域波形的点数。
步骤六中采用迁移学习算法对步骤四中的特征集T1和步骤五中的特征集T2进行特征间的学习及特征重要度的修正。
所述风力发电机组功率曲线考核模块，通过对指定时间段内的发电机组发电功率的统计，得出该时间段内的功率曲线，并与风机的额定功率曲线进行对比，得出风力发电机组的发电性能考核结果。
风力发电机组风资源及发电量统计，通过对指定时间段内的风资源情况统计和同期的发电量的统计，得出环境因素(风资源情况)对发电量的影响。
风力发电机组整机性能评估模块，指通过综合风力发电机组的发电情况、故障情况、重要部件及传感器老化情况综合得出的对风力发电机组整机性能的评估结果。
低压穿越测试认证模块，指根据低压穿越的发生条件，通过自动测试序列的方式在并网点模拟电压跌落，监测风机是否能够保持并网直到电网恢复正常，从而验证风机的低压穿越能力。
电能质量测试认证模块，指通过对风力发电机组发电所产生的电能的电压、频率和波形进行测量分析，从而得到对电能质量的评价结果。
电网适应性测试认证模块，指根据电网适应性测试的流程，运行产生电网电压偏差、频率偏差、三相电压不平衡、闪变与谐波等电力系统运行极限工况，从而测试风力发电机组对这些偏差的适应能力。
振动测试认证模块，是指结合风力发电机组所受外部激振力及其自身特点，研究认证风电系统整机系统、偏航系统、叶片、齿轮箱、主轴承、发电机的特征。
噪声测试认证，是指对风力发电机组在工作过程中所产生的噪声进行测量认证，评价风电机组的噪声是否满足国际测量标准，对风力发电机组的噪声测量的内容包括计权视在声功率级、1/3倍频程频谱和音值，以及指向性、次声、低频噪声和脉冲噪声。
报表自动生成模块，包括自动生成每一台风机的整机性能评估报告，低压穿越测试认证报告、电能质量测试认证报告、电网适应性测试认证报告、振动测试认证报告、噪声测试认证报告。
前置机设备，基于NI-cRIO平台实现，搭配不同的I/O模块实现电网电压电流的采集以及总线数据的传输。
客户端，提供给用户进行在线监控单元和分析认证结果的运行情况查看，模块运行。
数据存储设备为实时数据库，利用实时数据库优于关系数据库的高实时性、高读写速度以及较低的磁盘空间占用率等特性，保证系统能够高速实时的保存大量原始数据，提高执行效率。
其中风力发电机组部件老化预测模块包括风力发电机组部件的部件老化预测方法，该方法包括以下步骤：
S1：获取风力发电机组部件的设备数据，设备数据包括测量数据和故障报告；
S2：对设备数据进行数据清洗、标准化和简化，获得预处理数据；进一步包括步骤：S21：将设备数据中的空缺值利用插值方法填补；S22：将测量数据中的运行状态参数转换为指示分类的数值；S23：对当前设备数据按照下面公式进行归一化，获得预处理数据：
xi＝(xi-μ)/σ2；
其中，xi表示第i个设备数据；μ表示均值；σ表示方差；使得均值为0，方差为1。
S3：使用变分自编码器对预处理数据进行特征提取并分类，获得分类结果。其中，S3步骤进一步包括步骤：S31：初始化变分自编码器；S32：设置变分自编码器的目标函数L：
L＝Ez[log h(x|z)]-KL(p(z|x)||h(z|x)) (2)；
其中，x表示输入数据，z表示所提取的特征，h(x|z)表示编码器解码器部分估计的原始数据概率分布，h(z|x)表示特征z的假设概率分布，p(z|x)表示特征z的条件概率分布，KL(p(z|x)||h(z|x))表示h(z|x)与p(z|x)的KL散度；
S33：使用Adam自适应下降法对变分自编码器进行训练；
S34：利用训练后的变分自编码器对预处理数据进行特征提取，获得特征数据；
S35：根据特征数据的均值将特征数据分为多类，获得分类结果。
本实施例中，特征数据服从高斯分布N(μ,σ2)，μ表示均值；σ表示方差。
S4：将分类结果转化为One-hot编码并与设备数据拼接，获得第一输入数据；第一输入数据为三维张量并包括三个维度，包括批、序列长度和变量维度；
S5：将第一输入数据输入一序列对序列预测模型1的编码器11中，编码器11对第一输入数据提取高维特征C＝TiRU(XEn)，XEn表示编码器的输入部分，TiGRU(XEn)表示编码器的模型。本实施例中，序列对序列预测模型1包括依次连接的编码器11、注意力层12和解码器13。编码器11包括至少一双向门控循环神经网络，S5步骤进一步包括步骤：S51：通过序列对序列预测模型1的全连接层将第一输入数据的变量维度转换为双向门控循环神经网络的隐藏状态向量的长度；S52：将转换后的第一输入数据输入一双向门控循环神经网络中，获得高维特征。
S6：对高维特征进行线性叠加形成注意力层12；其中，S6步骤进一步包括步骤：S61：通过双向门控循环神经网络和softmax函数形成
权重
其中，Waj表示第j个高维特征的权重，Cj表示S5所提取的高维特征；S62：将权重与高维特征线性叠加，形成注意力层12，
线性叠加公式为：
其中，αij表示第j个高维特征对第i个注意力元的权重，n表示注意力层的神经元数；
注意力层12的表达式为：A＝[A1,A2,...,Am]。
其中A表示注意力层，Am表示第m个注意力神经元；
S7：将注意力层12与一待预测序列的数据融合，获得第二输入数据；将第二输入数据输入序列对序列预测模型1的解码器13中，获得多个预测结果，且每一时刻对应多个不同的预测结果。其中，S7步骤进一步包括步骤：S71：将注意力层12与待预测序列的数据融合，获得融合数据XDe；
XDe＝[XDeo,A]；
其中，XDeo表示待预测序列的数据。S72：将融合数据输入另一双向门控循环神经网络，获得预测结果；S73：设置当前双向门控循环神经网络的目标函数MSE；
其中，Rm表示预测所得剩余寿命，
表示真实剩余寿命；S74：使用Adam自适应下降法对当前双向门控循环神经网络进行训练。
S8：利用核密度估计拟合其方差与预测结果分位点的函数关系，获得最优分位点，并将最优分位点作为最终预测结果。
该风力发电机装置包括对风机进行各项数据记录以及监控，以及完成风机的故障分析诊断以及各个部件的寿命预测，从而形成一个功能完备的风力发电机装置，实现对风机的各项性能进行方便、快捷、准确的诊断分析。
Claims (8)
1.一种风力发电机装置，包括：一个或多个转子叶片、机舱、齿轮箱、轮毂、发电机以及风力发电机控制系统，其中所述控制系统包括数据采集单元、数据分析单元、数据存储单元和通讯单元，数据采集单元采集风机的实时状态数据和风机关键信息，数据分析单元对信息进行分析，数据存储单元进行数据存储，前置机设备通过通讯单元进行通讯；
所述的数据分析单元包括信号特征提取单元、信号分析单元以及决策反馈单元；信号特征提取单元从采集单元采集到的信号中进行特征提取，从而完成对风机运行状态的评判；信号分析单元通过特征数据对风机的各种数据进行统计分析，决策反馈单元通过信号特征提取单元和信号分析单元的分析结果，计算出用以优化风机运行的各类决策性控制参数，并通过总线通讯单元将控制参数反馈至风机对象；
所述信号分析单元包括风力发电机组能量可利用率计算模块、风力发电机组故障分析模块、风力发电机组功率曲线考核模块、风力发电机组风资源及发电量统计模块、风力发电机组部件老化预测模块、风力发电机组整机性能评估模块；
所述风力发电机组部件老化预测模块具体包括风力发电机组部件的老化预测方法，所述方法包括以下步骤：
S1：获取风力发电机组部件的设备数据，设备数据包括测量数据和故障报告；
S2：对设备数据进行数据清洗、标准化和简化，获得预处理数据；步骤S2进一步包括步骤：S21：将设备数据中的空缺值利用插值方法填补；S22：将测量数据中的运行状态参数转换为指示分类的数值；S23：对当前设备数据按照下面公式进行归一化，获得预处理数据：xi＝(xi-μ)/σ2；其中，xi表示第i个设备数据；μ表示均值；σ表示方差；使得均值为0，方差为1；
S3：使用变分自编码器对预处理数据进行特征提取并分类，获得分类结果；步骤S3进一步包括步骤：S31：初始化变分自编码器；S32：设置变分自编码器的目标函数L：L＝Ez[logh(x|z)]-KL(p(z|x)||h(z|x))；其中，x表示输入数据，z表示所提取的特征，h(x|z)表示编码器解码器部分估计的原始数据概率分布，h(z|x)表示特征z的假设概率分布，p(z|x)表示特征z的条件概率分布，KL(p(z|x)||h(z|x))表示h(z|x)与p(z|x)的KL散度；S33：使用Adam自适应下降法对变分自编码器进行训练；S34：利用训练后的变分自编码器对预处理数据进行特征提取，获得特征数据；S35：根据特征数据的均值将特征数据分为多类，获得分类结果；
S4：将分类结果转化为One-hot编码并与设备数据拼接，获得第一输入数据；第一输入数据为三维张量并包括三个维度，包括批、序列长度和变量维度；
S5：将第一输入数据输入一序列对序列预测模型的编码器中，编码器对第一输入数据提取高维特征C＝TiRU(XEn)，XEn表示编码器的输入部分，TiGRU(XEn)表示编码器的模型；序列对序列预测模型包括依次连接的编码器、注意力层和解码器；编码器包括至少一双向门控循环神经网络；步骤S5进一步包括步骤：S51：通过序列对序列预测模型的全连接层将第一输入数据的变量维度转换为双向门控循环神经网络的隐藏状态向量的长度；S52：将转换后的第一输入数据输入一双向门控循环神经网络中，获得高维特征；
S6：对高维特征进行线性叠加形成注意力层；步骤S6进一步包括步骤：S61：通过双向门控循环神经网络和softmax函数形成权重
其中，Waj表示第j个高维特征的权重，Cj表示S5所提取的高维特征；S62：将权重与高维特征线性叠加，形成注意力层，线性叠加公式为：
其中，αij表示第j个高维特征对第i个注意力元的权重，n表示注意力层的神经元数；注意力层的表达式为：A＝[A1,A2,...,Am]；
其中A表示注意力层，Am表示第m个注意力神经元；
S7：将注意力层与一待预测序列的数据融合，获得第二输入数据；将第二输入数据输入序列对序列预测模型的解码器中，获得多个预测结果，且每一时刻对应多个不同的预测结果；步骤S7进一步包括步骤：S71：将注意力层与待预测序列的数据融合，获得融合数据XDe；XDe＝[XDeo,A]；其中，XDeo表示待预测序列的数据；S72：将融合数据输入另一双向门控循环神经网络，获得预测结果；S73：设置当前双向门控循环神经网络的目标函数MSE；
其中，Rm表示预测所得剩余寿命，
表示真实剩余寿命；S74：使用Adam自适应下降法对当前双向门控循环神经网络进行训练；
S8：利用核密度估计拟合其方差与预测结果分位点的函数关系，获得最优分位点，并将最优分位点作为最终预测结果。
2.如权利要求1所述的风力发电机装置，其特征在于，其中所述风力发电机组故障分析模块具体包括风力发电机部件的故障分析方法，所述故障分析方法包括以下步骤：
步骤一、采集风力发电机部件在已知工况下各类故障的振动信号x(t)形成数据总样本集X；
步骤二、采用算法对数据总样本集X中的振动信号x(t)进行分解并将分解处理后的数据进行降噪处理，将降噪后的信号进行时频变换，形成时域信号和频域信号；
步骤三、将步骤二中所获得的时域信号和频域信号变换成时域信号图和频域信号图；
步骤四、采用神经网络分别挖掘提取上述步骤三中时域信号图和频域信号图中的故障特征，形成故障特征集Q1；
步骤五、对待测数据样本B按照上述步骤二至步骤四进行处理，形成待测样本的特征集Q2；
步骤六、分析步骤四中特征集Q1与步骤五中特征集Q2间的分布，采用迁移学习算法对特征集Q1和特征集Q2进行学习，使其满足特征空间的同分布，从而形成新的特征集Q3；
步骤七、采用支持向量机SVM对步骤六中形成的特征集Q3进行训练，得到分类模型；
步骤八、采用分类模型对待测数据样本B进行故障诊断，得出诊断结果。
3.如权利要求2所述的风力发电机装置，其特征在于，步骤三中时域信号和频域信号的变换过程包括分别对时域信号和频域信号进行归一化处理，使其幅值处于[-1,1]区间内，再将归一化处理后的时域信号和频域信号分别转换成对应的时域信号图和频域信号图；
所述时域信号和频域信号的转换步骤如下：
步骤1)、将降噪后的时域信号转化到频域；
步骤2)、将时域信号或频域信号分别均分为M个子小段，每个子小段包括N个采样点；
步骤3)、按照转化公式将每一个点转化到对应信号图中的每一个像素点，转换过程中每一个信号点的幅值对应信号图中的灰度值，转换过程的表达公式为：
R[i,j]＝X[(i-1)*M+j]
式中，i＝1:N，i表示每个子小段信号中对应的第i个点，j＝1:M，j表示其中的第j个子小段信号，X[]表示信号归一化处理后对应的幅值，R[i,j]表示信号图中在(i,j)位置处对应的灰度的大小。
4.根据权利要求3所述的风力发电机装置，其特征在于：所述步骤二中的降噪处理包括消除趋势项以及消除明显噪声干扰项。
5.根据权利要求4所述的风力发电机装置，其特征在于：所述步骤二中采用算法对数据样本集X中的振动信号x(t)分解的计算公式为：
式中，IMFk(t)表示原始信号的第k个本征模态方程，m表示原始信号可以分解的本征模态方程的个数，rm(t)表示分解的最后余量。
6.根据权利要求5所述的风力发电机装置，其特征在于：所述步骤二中的剔除明显噪声干扰项的过程根据上述分解结果来选择滤波器的尺寸。
7.根据权利要求6所述的风力发电机装置，其特征在于：所述步骤二中时频变换的计算公式为：
式中，x(n)表示时域波形，X(k)表示频域波形，N表示时域波形的点数。
8.根据权利要求7所述的风力发电机装置，其特征在于：步骤六中采用迁移学习算法对步骤四中的特征集Q1和步骤五中的特征集Q2进行特征间的学习及特征重要度的修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010769749.8A CN111878322B (zh) | 2020-08-03 | 2020-08-03 | 风力发电机装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010769749.8A CN111878322B (zh) | 2020-08-03 | 2020-08-03 | 风力发电机装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111878322A CN111878322A (zh) | 2020-11-03 |
| CN111878322B true CN111878322B (zh) | 2021-04-20 |
Family
ID=73206094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010769749.8A Active CN111878322B (zh) | 2020-08-03 | 2020-08-03 | 风力发电机装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111878322B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112798956A (zh) * | 2020-12-31 | 2021-05-14 | 江苏国科智能电气有限公司 | 基于多分辨率时序循环神经网络的风电机组故障诊断方法 |
| CN113719431B (zh) * | 2021-11-03 | 2022-02-08 | 浙江中自庆安新能源技术有限公司 | 一种风机塔筒剩余寿命测量方法及系统 |
| CN114893362B (zh) * | 2022-05-26 | 2023-04-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种评估潜在退役风机叶片时空分布的方法和系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102434387A (zh) * | 2011-11-16 | 2012-05-02 | 三一电气有限责任公司 | 风机检测诊断系统 |
| CN105351152A (zh) * | 2015-11-18 | 2016-02-24 | 电子科技大学 | 一种基于ZigBee与GPRS技术的远程海上风电监测装置 |
| CN108252873B (zh) * | 2017-05-18 | 2020-09-04 | 北京铭峰科技有限公司 | 一种风力发电机组在线数据监测及其性能评估的系统 |
| CN109611288B (zh) * | 2018-12-29 | 2021-03-30 | 南京安维士传动技术股份有限公司 | 一种基于大数据的风电运维平台 |
| CN110487547B (zh) * | 2019-07-31 | 2020-07-31 | 中国特种设备检测研究院 | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 |
-
2020
- 2020-08-03 CN CN202010769749.8A patent/CN111878322B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111878322A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111878322B (zh) | 风力发电机装置 | |
| CN108252873B (zh) | 一种风力发电机组在线数据监测及其性能评估的系统 | |
| CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
| CN110259646B (zh) | 一种基于历史数据的风力发电机组部件状态预警方法 | |
| CN110594107B (zh) | 一种基于快速梯度提升机的风电机组故障检测方法及装置 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
| CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
| CN111581888B (zh) | 风力发电机轴承剩余使用寿命预测模型的构建方法 | |
| CN106979126A (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
| Hwang et al. | SVM-RBM based predictive maintenance scheme for IoT-enabled smart factory | |
| CN105065212A (zh) | 一种风电场风电机组校验方法及系统 | |
| CN112116262A (zh) | 一种风力发电机组设备健康度的评价方法 | |
| CN111709190A (zh) | 风电机组运行数据图像识别方法及装置 | |
| CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
| Kim et al. | Design of wind turbine fault detection system based on performance curve | |
| Long et al. | A CBA-KELM-based recognition method for fault diagnosis of wind turbines with time-domain analysis and multisensor data fusion | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| Sánchez et al. | Wind Turbines Acoustic Inspections performed with UAV and sound frequency domain analysis | |
| CN111594392A (zh) | 一种风力发电塔筒螺栓在线监测方法 | |
| CN109798226B (zh) | 一种风电机组塔筒载荷预测方法和系统 | |
| Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
| CN111639852B (zh) | 基于小波奇异值的水电机组振动状态实时评估方法及系统 | |
| Yongjie et al. | Research on early fault diagnostic method of wind turbines | |
| CN112036240A (zh) | 一种基于分频算法诊断下机架松动故障的方法及系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221226 Address after: Room 2105, East Tower, No. 753, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong 510699 Patentee after: Guangzhou Hexing Kechuang Energy Co.,Ltd. Address before: Guangdong University of technology, 729 Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong 510095 Patentee before: GUANGDONG University OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |