CN112232427B - 一种基于分布式回归模型的风力发电机故障检测方法 - Google Patents

Abstract

本发明公开一种基于分布式回归模型的风力发电机故障检测方法，旨在以数据驱动的方式来描述风力发电机自身的测量属性以及环境风速之间的关联性，从而利用误差的异常变化来实施风力发电机的故障检测。本发明方法的优势在于：首先，本发明方法从数据驱动的角度建立了风速数据和风力发电机自身测量数据相互之间的关系模型，并使用支持向量回归这种非线性建模策略挖掘了测量数据间的非线性关系特征。其次，本发明方法通过监测分布式回归模型的误差变化情况来反映是否出现故障，借鉴参考了利用机理模型生成误差的思想优势。最后，在具体的实施案例中，通过实际应用验证了本发明方法的可行性。

Description

一种基于分布式回归模型的风力发电机故障检测方法

技术领域

本发明涉及一种风力发电机故障检测方法，特别涉及一种基于分布式回归模型的风力发电机故障检测方法。

背景技术

在可再生能源领域，风力发电占据着举足轻重的地位。在风力持续的情况下，风力发电机能持续不断的提供电能，风力发电机的应用规模与日俱增。与此同时，风力发电机运行状态的监测就显得越来越重要，及时的检测出风力发电机运行过程中出现的故障对于保证风力发电机的持续稳定的电力输出有重要的研究意义。由于风力发电机是一个大型且复杂的系统，建立相应的动力学模型和电路模型是非常困难的，利用机理模型实施故障检测的方案是不可取的。在当前智能制造与大数据的风潮下，传统的利用机理模型实施风力发电机故障检测的方案也是不合时宜的。

一般而言，风力发电机这个系统中通常会安装有多个传感器，会实时反馈诸如发电机转速，生成的电功率，加速度等数据信息。这些传感器以及相应配套的数据存储设备为实施数据驱动的风力发电机故障检测提供了坚实的数据基础。近年来，已有多种按照模式分类思想实施风力发电机故障检测与诊断的数据驱动的技术。然而，风力发电机的工作状态会受到外部环境风速的直接影响，会随着风速的变化而不断发生变化的。风力发电机的这种工作特性给数据驱动的故障检测方案增加了挑战，因为风力的间歇特性、非线性特性、时序变化特性并非人为可精准预测或可控制的。

从风力发电机运行机理上讲，每个时刻的风力发电机自身数据都是会受到外部环境风速的直接影响，而且风力发电机自身的测量数据之间也是相互关联的。从这个角度上讲，如何挖掘这些测量变量之间的关联性，对于实施数据驱动的风力发电机故障检测具有重要的作用。风力发电机的机理模型能描述出环境风速与风力发电机自身属性(如：风叶转速，功率等)之间的关联性，并通过机理模型误差即可实现故障的检测。由于机理模型的建立过程非常苦难且模型精度难以保证，数据驱动的方法技术是否能通过采样数据的角度，描述出这些测量属性之间的关联性，从而使用数据驱动模型的误差实现故障检测。然而，在现有科研文献与专利材料中，鲜有涉及如何从数据驱动的角度来描述风力发电机各测量属性之间的关联性，并利用误差的异常变化来监测风力发电机的运行状态是否出现了故障。

发明内容

本发明所要解决的主要技术问题是：如何以数据驱动的方式来描述风力发电机自身的测量属性以及环境风速之间关联性，从而利用误差的异常变化来实施风力发电机的故障检测。具体来讲，本发明方法通过支持向量回归这种经典的非线性回归建模策略为测量数据建立分布式的回归模型，再利用回归模型误差来反映出风力发电机运行过程中出现的故障。

本发明方法解决上述问题所采用的技术方案为：一种基于分布式回归模型的风力发电机故障检测方法，包括以下所示步骤：

步骤(1)：在风力发电机正常运行状态下，每间隔60秒采集一次样本数据，每个样本数据具体包括11个数据，依次分别为：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，偏航误差。

步骤(2)：将风速在5m/s至20m/s之间的N个样本数据x₁，x₂，…，x_N组成矩阵X＝[x₁，x₂，…，x_N]，并对X∈R^11×N中各个行向量实施标准化处理从而得到新矩阵其中，x_i∈R^11×1表示第i个样本数据，i∈{1，2，…，N}，R^11×N表示11×N维的实数矩阵，R^11×1表示11×1维的实数向量。

步骤(3)：利用支持向量回归(Support Vector Regression，缩写：SVR)算法建立分布式回归模型，保留相应的参数集合，具体的实施过程如步骤(3.1)至步骤(3.4)所示：

步骤(3.1)：初始化j＝2。

步骤(3.2)：将新矩阵中第j行的行向量记为输出向量z_j∈R^1×N，并将新矩阵/>中其余10行的行向量组成输入矩阵Z_j∈R^10×N；其中，R^1×N表示1×N维的实数向量，R^10×N表示10×N维的实数矩阵。

步骤(3.3)：利用支持向量回归算法建立输入矩阵Z_j与输出向量z_j之间的回归模型：并保留回归模型的参数集合φ_j以备调用；其中，/>表示核矩阵，为系数向量，e_j∈R^1×N为误差向量，上标号T表示矩阵或向量的转置符号，/>表示n_j×N维的实数矩阵，/>表示n_j×1维的实数向量，参数集合φ_j具体包括系数向量θ_j，核函数及其核参数，以及n_j个支持向量。

步骤(3.4)：判断是否满足条件：j＜11；若是，则设置j＝j+1后，返回步骤(3.2)；若否，则已建立包含10个回归模型的分布式回归模型，并保留相应的参数集合φ₂，φ₃，…，φ₁₁。

步骤(4)：将10个误差向量e₂，e₃，…，e₁₁组成误差矩阵E∈R^10×N后，再计算协方差矩阵Λ＝EE^T/(N-1)。

步骤(5)：根据公式Q＝diag{E^TΛ^-1E}计算检测指标向量Q，并将Q中的最大值记做控制上限Q_lim以备调用；其中，diag{}表示将大括号内矩阵对角线元素转变成向量的操作。

步骤(6)：采集最新采样时刻的样本数据x_new∈R^11×1，x_new中的11个数据依次为：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，和偏航误差。

步骤(7)：判断x_new中的第一个数据(即：风速)是否小于等于20且大于等于5；若是，则执行步骤(8)；若否，则风力发电机未产生电能，处于待机状态，并返回步骤(6)继续利用最新采样时刻的样本数据实施风力发电机故障检测。

步骤(8)：对x_new中各行的元素实施与步骤(2)中相同的标准化处理，从而得到新数据向量

步骤(9)：调用步骤(3)中的参数集合，计算得到误差向量e_new∈R^10×1，具体的实施过程如步骤(9.1)至步骤(9.4)所示。

步骤(9.1)：初始化j＝2。

步骤(9.2)：将中第j行的元素记为输出数据y_j，并将/>中其余10行的元素组成输入向量t_j∈R^10×1。

步骤(9.3)：调用参数集合φ_j中的核函数及其核参数和n_j个支持向量，计算出核向量后，再调用参数集合φ_j中的系数向量θ_j计算误差/>

步骤(9.4)：判断是否满足条件：j＜11；若是，则设置j＝j+1后返回步骤(8.2)；若否，则将计算得到的误差f₂，f₃，…，f₁₁组成误差向量e_new＝[f₂，f₃，…，f₁₁]^T∈R^10×1。

步骤(10)：根据公式计算故障检测指标Q_new后，在判断是否满足条件：Q_new≤Q_lim；若是，则当前采样时刻风力发电机运行正常，并返回步骤(6)；若否，则执行步骤(11)从而决策是否触发故障警报。

步骤(11)：返回步骤(6)继续利用最新采样时刻的样本数据实施风力发电机故障检测，若连续6个采样时刻的故障检测指标都不满足步骤(10)中的判断条件，则触发故障警报；反之，则不触发故障警报，并返回步骤(6)继续实施故障检测。

通过以上所述实施步骤，本发明方法的优势介绍如下。

首先，本发明方法从数据驱动的角度建立了风速数据和风力发电机自身数据相互之间的关系模型，并使用支持向量回归这种非线性建模策略挖掘了测量数据间的非线性关系特征。其次，本发明方法通过监测分布式回归模型的误差变化情况来反映是否出现故障，借鉴参考了利用机理模型生成误差的思想的优势。最后，在即将陈述的具体实施案例中，通过实际应用验证了本发明方法的可行性与优势。

附图说明

图1为本发明方法的实施流程示意图。

图2为本发明方法的故障检测详图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于分布式回归模型的风力发电机故障检测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。

步骤(1)：在风力发电机正常运行状态下，每间隔60秒采集一次样本数据，具体包括：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，偏航误差。

步骤(2)：将风速在5m/s至20m/s之间的N＝260000个样本数据x₁，x₂，…，x_N组成矩阵X＝[x₁，x₂，…，x_N]，并对X∈R^11×N中各个行向量实施标准化处理从而得到新矩阵标准化处理的方式具体如步骤(2.1)至步骤(2.2)所示。

步骤(2.1)：设z_j∈R^1×N表示矩阵X中的第j行的行向量；其中，j∈{1，2，…，11}。

步骤(2.2)：计算行向量z_j中所有元素的平均值μ_j和标准差δ_j后，根据计算得到新数据矩阵/>中第j行的行向量/>

步骤(3)：利用支持向量回归算法建立分布式回归模型，具体的实施过程如前述步骤(3.1)至步骤(3.4)所示。

步骤(4)：将10个误差向量e₂，e₃，…，e₁₁组成误差矩阵后，再计算协方差矩阵Λ＝EE^T/(N-1)。

步骤(5)：根据公式Q＝diag{E^TΛ^-1E}计算检测指标向量Q，并将Q中的最大值记做控制上限Q_lim以备调用。

步骤(6)：采集最新采样时刻的样本数据x_new∈R^11×1，x_new中的11个数据依次为：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，和偏航误差。

步骤(7)：判断x_new中的第一个数据(即：风速)是否小于等于20且大于等于5；若是，则执行步骤(8)；若否，则风力发电机未产生电能，处于待机状态，并返回步骤(6)继续实施对最新采样时刻的风力发电机故障检测。

步骤(8)：根据公式对x_new中各行的数据实施标准化处理，从而得到新数据向量/>其中，/>和/>分别表示x_new和/>中第j行的元素，μ_j与δ_j分别表示X中第j行向量的平均值与标准差。

步骤(9)：调用步骤(3)中的参数集合，计算得到误差向量e_new∈R^10×1，具体的实施过程如步骤(9.1)至步骤(9.4)所示。

步骤(10)：根据公式计算故障检测指标Q_new后，在判断是否满足条件：Q_new≤Q_lim；若是，则当前采样时刻风力发电机运行正常，并返回步骤(6)；若否，则执行步骤(11)从而决策是否触发故障警报。

步骤(11)：返回步骤(6)继续实施对最新采样时刻的风力发电机故障检测，若连续6个采样时刻的故障检测指标都不满足步骤(10)中的判断条件，则触发故障警报；反之，则不触发故障警报，并返回步骤(6)继续实施故障检测。

为了清除的展现出各个采样时刻的故障检测指标与控制上限之间的大小关系，将两者绘制于图2中。从图2中可以发现，在故障发生后，本发明方法可以持续不断触发故障警报。

Claims (1)

1.一种基于分布式回归模型的风力发电机故障检测方法，其特征在于，包括以下步骤：

步骤(1)：在风力发电机正常运行状态下，每间隔60秒采集一次样本数据，每个样本数据具体包括11个数据，依次分别为：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，偏航误差；

步骤(2)：将风速在5m/s至20m/s之间的N个样本数据x₁，x₂，…，x_N组成矩阵X＝[x₁，x₂，…，x_N]，并对X∈R^11×N中各个行向量实施标准化处理从而得到新矩阵其中，x_i∈R^11×1表示第i个样本数据，i∈{1，2，…，N}，R^11×N表示11×N维的实数矩阵，R^11×1表示11×1维的实数向量；

步骤(3)：利用支持向量回归算法建立分布式回归模型，保留相应的参数集合，具体的实施过程如步骤(3.1)至步骤(3.4)所示：

步骤(3.1)：初始化j＝2；

步骤(3.2)：将新矩阵中第j行的行向量记做为输出向量z_j∈R^1×N，并将新矩阵/>中其余10行的行向量组成输入矩阵Z_j∈R^10×N；其中，R^1×N表示1×N维的实数向量，R^10×N表示10×N维的实数矩阵；

步骤(3.3)：利用支持向量回归算法建立输入矩阵Z_j与输出向量z_j之间的回归模型：并保留回归模型的参数集合φ_j以备调用；其中，/>表示核矩阵，为系数向量，e_j∈R^1×N为误差向量，上标号T表示矩阵或向量的转置符号，/>表示n_j×N维的实数矩阵，/>表示n_j×1维的实数向量，参数集合φ_j具体包括系数向量θ_j，核函数及其核参数，以及n_j个支持向量；

步骤(3.4)：判断是否满足条件：j＜11；若是，则设置j＝j+1后，返回步骤(3.2)；若否，则已建立包含10个回归模型的分布式回归模型，并保留相应的参数集合φ₂，φ₃，…，φ₁₁；

步骤(4)：将10个误差向量e₂，e₃，…，e₁₁组成误差矩阵后，再计算协方差矩阵Λ＝EE^T/(N-1)；

步骤(5)：根据公式Q＝diag{E^TΛ^-1E}计算检测指标向量Q，并将Q中的最大值记做控制上限Q_lim以备调用；其中，diag{ }表示将大括号内矩阵对角线元素转变成向量的操作；

步骤(6)：采集最新采样时刻的样本数据x_new∈R^11×1，x_new中的11个数据依次为：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，和偏航误差；

步骤(7)：判断x_new中的第一个数据是否小于等于20且大于等于5；若是，则执行步骤(8)；若否，则风力发电机未产生电能，处于待机状态，并返回步骤(6)继续利用最新采样时刻的样本数据实施风力发电机故障检测；

步骤(8)：对x_new中各行数据实施与步骤(2)中相同的标准化处理，从而得到新数据向量

步骤(9)：调用步骤(3)中的参数集合，计算得到误差向量e_new∈R^10×1，具体的实施过程如步骤(9.1)至步骤(9.4)所示；

步骤(9.1)：初始化j＝2；

步骤(9.2)：将中第j行的元素记为输出数据y_j，并将/>中其余10行的元素组成输入向量t_j∈R^10×1；

步骤(9.3)：调用参数集合φ_j中的核函数及其核参数和n_j个支持向量，计算出核向量后，再调用参数集合φ_j中的系数向量θ_j计算误差/>

步骤(9.4)：判断是否满足条件：j＜11；若是，则设置j＝j+1后返回步骤(8.2)；若否，则将计算得到的误差f₂，f₃，…，f₁₁组成误差向量e_new＝[f₂，f₃，…，f₁₁]^T∈R^10×1；

步骤(10)：根据公式计算故障检测指标Q_new后，在判断是否满足条件：Q_new≤Q_lim；若是，则当前采样时刻风力发电机运行正常，并返回步骤(6)；若否，则执行步骤(11)从而决策是否触发故障警报；

步骤(11)：返回步骤(6)继续利用最新采样时刻的样本数据实施风力发电机故障检测，若连续6个采样时刻的故障检测指标都不满足步骤(10)中的判断条件，则触发故障警报；反之，则不触发故障警报，并返回步骤(6)继续实施故障检测。