CN112459971A

CN112459971A - 风力发电机组塔筒的异常振动检测方法

Info

Publication number: CN112459971A
Application number: CN202011374950.2A
Authority: CN
Inventors: 王茂开; 刘化平; 刘冰; 周云海; 黄伟; 丁梁; 王家龙; 康然; 刘朝林; 李念
Original assignee: Jidian Chuzhou Zhangguang Wind Power Generation Co Ltd
Current assignee: Jidian Chuzhou Zhangguang Wind Power Generation Co Ltd
Priority date: 2020-11-30
Filing date: 2020-11-30
Publication date: 2021-03-09

Abstract

本发明提供了一种风力发电机组塔筒的异常振动检测方法，包括：获取SCADA所监控的风力发电机组中的每个风机的原始数据样本集；对每个原始数据样本集进行清洗，得到每个风机的风机数据样本集；风机数据样本集包括机舱的多个振动加速度数据；对每个振动加速度数据进行处理，确定对应的塔筒的振幅数据；每个风机对应的塔筒的多个振幅数据构成塔筒的振幅数据集；当每个振幅数据集满足聚类条件时，将全部振幅数据集输入到DBSCAN模型，并根据DBSCAN模型预设的半径和最小密度点个数进行第一聚类，随后输出全部风机对应的第一聚类结果信息；根据第一聚类结果信息，计算第一轮廓系数；当第一轮廓系数满足要求时，根据第一聚类结果信息，确定塔筒是否存在振动异常。

Description

风力发电机组塔筒的异常振动检测方法

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塔筒的异常振动检测方法。

背景技术

风力发电已处于相对成熟的阶段，然而当前风电场运维管理较为粗犷，为了保障风力发电机组安全，只能被动的采用定期维护方式，这种方式针对性差且效率低，造成大量人力物力资源浪费，并且也不能及时发现风力发电运行中的隐患。

而通过对振动进行判断，可以及时发现机组安全隐患，在现有风力发电机组安全等级上可以增加保护环节，减少机组重大安全事故发生几率，例如阻止一次倒塔则避免经济损失上百万元，及时发现一次叶片开裂并防止其恶化为断裂，考虑断裂和开裂对现场机会电量、叶片更换、吊装等投入的差异，可直接避免经济损失至少超过50万元。

现有技术中，在进行风力发电机组振动检测中，可以根据振动的幅度是否超过阈值来判断是否存在风力发电机组异常，还可以通过加装振动传感器，通过分析振动传感器的采集的数据来确定是否存在风机异常。第一种方案中，对于出问题前，比如故障停止运行之前的异常则无法识别。第二种则需要伴随着巨大的人力和物力投入，在解决问题的同时，容易引入安全性等一系列问题。

发明内容

本发明的目的是针对现有技术所存在的对于出问题之前的异常无法识别以及通过增加传感器来进行监测容易引入其他问题的缺陷。

为解决上述问题，第一方面，本发明提供了一种风力发电机组塔筒的异常振动检测方法，所述方法包括：

获取SCADA所监控的风力发电机组中的每个风机的原始数据样本集；

对每个所述原始数据样本集进行清洗，得到每个风机的风机数据样本集；所述风机数据样本集包括机舱的多个振动加速度数据；

对每个所述振动加速度数据进行处理，确定对应的塔筒的振幅数据；每个风机对应的塔筒的多个振幅数据构成塔筒的振幅数据集；

判断每个所述振幅数据集是否满足聚类条件；

当满足聚类条件时，将全部所述振幅数据集输入到DBSCAN模型，并根据所述DBSCAN模型预设的半径和最小密度点个数进行第一聚类，随后输出全部风机对应的第一聚类结果信息；

根据所述第一聚类结果信息，计算第一轮廓系数；

当所述第一轮廓系数满足要求时，根据所述第一聚类结果信息，确定塔筒是否存在振动异常。

在一种可能的实现方式中，所述根据所述第一聚类结果信息，计算第一轮廓系数之后，所述方法还包括：

当所述第一轮廓系数不满足要求时，根据所述第一轮廓系数对所述半径和所述最小密度点个数进行第一修正，得到第一修正后的半径和最小密度点个数；

根据所述第一修正后的半径和所述最小密度点个数，继续对所述振幅数据集进行第二聚类，得到第二聚类结果信息；

根据所述第二聚类结果信息，计算第二轮廓系数；

判断所述第二轮廓系数是否满足要求；

如果所述第二轮廓系数不满足要求，继续进行聚类，直到第n轮廓系数满足要求；n为大于2的整数。

在一种可能的实现方式中，所述原始数据样本集包括：温度数据，桨叶角数据，转子转速数据，偏航系统角度数据和机舱的振动加速度数据。

在一种可能的实现方式中，所述对每个所述振动加速度数据进行处理，确定对应的塔筒的振幅数据具体包括：

对所述振动加速度数据进行一次积分，得到速率信号；

对所述速率信号进行一次积分，得到振幅数据。

在一种可能的实现方式中，所述判断每个所述振幅数据集是否满足聚类条件具体包括：

统计每个风机对应的振幅数据集中的振幅数据的个数；当每个风机对应的振幅数据的个数均大于预设的个数阈值时，确定所述振幅数据集满足聚类条件。

在一种可能的实现方式中，所述计算第一聚类结果信息对应的第一轮廓系数具体包括：

计算所述第一聚类结果信息中任意一个样本到同簇其他样本的第一平均距离；所述样本为振幅数据；

计算第一聚类结果信息中任意一个样本到其它某簇的所有样本的第二平均距离；

根据所述第一平均距离和所述第二平均距离，确定第一轮廓系数。

在一种可能的实现方式中，所述根据所述第一平均距离和所述第二平均距离，确定第一轮廓系数具体包括：

当所述第一平均距离小于所述第二平均距离时，通过1减去所述第一平均距离与第二平均距离的比值，得到第一轮廓系数；或者，

当所述第一平均距离等于所述第二平均距离时，所述第一轮廓系数为0；或者，

当所述第一平均距离大于所述第二平均距离时，所述第一平均距离与第二平均距离的比值减去1，得到第一轮廓系数。

在一种可能的实现方式中，所述根据所述第一聚类结果信息，确定塔筒是否存在振动异常具体包括：

当第一聚类结果信息中的任一簇的离群点个数大于预设的阈值时，确定该簇对应的风机的塔筒存在振动异常。

第二方面，本发明提供了一种设备，包括存储器和处理器，存储器用于存储程序，处理器用于执行第一方面任一的方法。

第三方面，本发明提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一的方法。

第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一的方法。

通过应用本发明实施例提供的风力发电机组塔筒的异常振动检测方法，直接获取SCADA中的振动加速度数据，然后将振动加速度数据处理为振幅数据，再根据DBSCAN进行聚类，最后根据聚类结果，确定存在异常的簇，并确定该簇对应的塔筒的振动存在异常，本申请无需在风机上额外安装任何传感器，充分利用SCADA监测风力发电机组中现有的传感器的数据，及时发现存在异常振动的塔筒，从而可以在发生问题之前就对塔筒是否存在异常振动进行确认且避免了资源浪费。

附图说明

图1为本发明实施例一提供的风力发电机组塔筒的异常振动检测方法流程示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

塔筒就是风力发电的塔杆，在风力发电机组中载有机舱及转子，主要起支撑作用，同时吸收机组震动；机舱包容着风力发电机的关键设备，关键设备包括齿轮箱和发电机，一个风机对应一个塔筒和一个机舱，通过监测塔筒异常振动可以及时发现安全隐患。

数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)在电力系统中应用最为广泛，技术发展也最为成熟，在实际应用中，可以通过SCADA监测风力发电机组，该风力发电机组中包括多个风机，每个风机对应一个塔筒和一个机舱，SCADA中记载风电场源源不断地产生的海量的机组运行数据，其中蕴含着很多有价值的信息，可以对上述问题提供有效的解决方法。

图1为本发明实施例一提供的风力发电机组塔筒的异常振动检测方法流程示意图，本申请的执行主体可以为处理器、终端等具有运算功能的设备，如图1所示，该方法包括以下步骤：

步骤110，获取SCADA所监控的风力发电机组中的每个风机的原始数据样本集。

具体的，SCADA可以对风力发电机组中的每个风机进行监控，并且可以获取到每个风机的原始数据样本集，该原始数据样本集中包括但不限于温度数据，桨叶角数据，转子转速数据，偏航系统角度数据和机舱的振动加速度数据。

步骤120，对每个原始数据样本集进行清洗，得到每个风机的风机数据样本集；风机数据样本集包括机舱的多个加速度数据；

其中，数据的清洗指发现并纠正数据文件中可识别的错误，包括检查数据一致性，处理无效值和缺失值，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。

可以设定此处的主题为振动加速度数据，从而删除与振动加速度数据无关的数据，比如，删除温度数据，桨叶角数据，转子转速数据，偏航系统角度数据，仅保留振动加速度数据，对于保留的振动加速度数据，可以对无效、缺失和重复的振动加速度数据进行处理，从而保证了后续参与振幅数据计算的振动加速度数据的有效性。

而至于如何进行数据清洗，可以采用本领域中的常规方法，此处不再赘述。

在风力发电机组中，每个机舱中都设置有加速度传感器，用来采集机舱的X、Y方向的振动加速度数据。X方向可以是水平面方向，Y方向与X方向垂直，原点为机舱的重心。

步骤130，对每个振动加速度数据进行处理，确定对应的塔筒的振幅数据。

其中，每个风机对应的塔筒的多个振幅数据构成塔筒的振幅数据集。

具体的，对振动加速度数据进行一次积分，得到速率信号；

对速率信号进行一次积分，得到振幅数据。如下面公式(1)和公式(2)所示，设加速度传感器测量得到的振动加速度为a(t)：

根据公式(1)，对加速度积分一次可得速率v(t)：

根据公式(2)，对速率信号进行一次积分，得到位移数据s(t)：

a(t)为连续时域加速度波形，v(t)为连续时域速率波形，s(t)为连续位移波形，a_i为i时刻的加速度采样值，v_i为i时刻的速率值，a₀＝0,v₀＝0,Δt为两次采样之间的时间差。

而位移数据和振幅数据，两者又具有一定的关系，比如位移数据在某种情况下就是振幅数据。从而，通过机舱中现有的加速度传感器来获取加速度数据，而SCADA又可以监测到该振动加速度数据，从而针对一段时间，比如一个月内的振动加速度数据，可以处理为塔筒的振幅数据，以便于后续进行塔筒振幅异常监测。

步骤140，判断每个振幅数据集是否满足聚类条件。

具体的，风力发电机组中可以具有多个风机，每个风机都具有其对应的塔筒，可以通过判断振幅数据集中的振幅数据的个数是否大于预设的个数阈值来判断振幅数据集是否满足聚类条件，当振幅数据的个数不满足聚类条件时，返回步骤110以获取更多的数据，当振幅数据的个数满足聚类条件时，执行步骤150。

此处的个数阈值，是多次实验得到的一个经验值，比如可以是1个月内的振幅数据大于500。

步骤150，当满足聚类条件时，将全部振幅数据集输入到具有噪声的基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)模型，并根据DBSCAN模型预设的半径和最小密度点个数进行第一聚类，随后输出全部风机对应的第一聚类结果信息；

具体的，DBSCAN模型中，输入多个振幅数据集和邻域参数；由密度可达关系导出的最大密度相连的样本集合，即为最终聚类的一个类别，或者说一个簇，这个簇的里面可以有一个或者多个核心对象。如果只有一个核心对象，则簇里其他的非核心对象样本都在这个核心对象的∈-邻域里；如果有多个核心对象，则簇里的任意一个核心对象的∈-邻域中一定有一个其他的核心对象，否则这两个核心对象无法密度可达。这些核心对象的∈-邻域里所有的样本的集合组成的一个聚类簇。

下面对DBSCAN聚类算法的流程进行说明。

输入：样本集D＝(x₁,x₂,...,x_m)，邻域参数(∈,MinPts),样本距离度量方式；此处，样本集可以是多个振幅数据集，m为风机的个数，为一个整数，x₁表示第一个振幅数据集，x₂表示第二个振幅数据集，x_m为第m个振幅数据集；∈表示半径，MinPts表示最小密度值；

输出：簇划分C。

1)初始化核心对象集合

初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D,簇划分

2)对于j＝1,2,...m,按下面的步骤找出所有的核心对象；

a)通过距离度量方式，找到每个样本x_j的∈-邻域子样本集N_∈(x_j)

b)如果子样本集样本个数满足|N_∈(x_j)|≥MinPts，将样本x_j加入核心对象样本集合：Ω＝Ω∪{x_j}。

3)如果核心对象集合

则算法结束，否则转入4)；

4)在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ω_cur＝{o},初始化类别序号k＝k+1，初始化当前簇样本集合C_k＝{o},更新未访问样本集合Γ＝Γ-{o}；

5)如果当前簇核心对象队列

则当前聚类簇C_k生成完毕,更新簇划分C＝{C₁,C₂,...,C_k},更新核心对象集合Ω＝Ω-C_k，转入3)。否则更新核心对象集合Ω＝Ω-C_k。

6)在当前簇核心对象队列Ω_cur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N_∈(o′)，令Δ＝N_∈(o′)∩Γ,更新当前簇样本集合C_k＝C_k∪Δ,更新未访问样本集合Γ＝Γ-Δ,更新Ω_cur＝Ω_cur∪(Δ∩Ω)-o′，转入5)。

输出结果为：簇划分C＝{C₁,C₂,...,C_k}。此处输出结果中的C₁,C₂,...,C_k,依次对应一个振幅数据集的簇。

步骤160，根据第一聚类结果信息，计算第一轮廓系数；

具体的，步骤160包括：首先，计算第一聚类结果信息中任意一个样本到同簇其他样本的第一平均距离；一个样本可以看做一个振幅数据；其次，计算第一聚类结果信息中任意一个样本到其它某簇的所有样本的第二平均距离；最后，根据第一平均距离和第二平均距离，确定第一轮廓系数。

其中，根据第一平均距离和第二平均距离，确定第一轮廓系数具体包括：

当第一平均距离小于第二平均距离时，通过1减去第一平均距离与第二平均距离的比值，得到第一轮廓系数；或者，

当第一平均距离等于第二平均距离时，第一轮廓系数为0；或者，

当第一平均距离大于第二平均距离时，第一平均距离与第二平均距离的比值减去1，得到第一轮廓系数。

具体参见公式(3)和公式(4)：

其中，a_i为样本i到同簇其它样本的平均距离，a_i越小，说明样本i越应该被聚类到该簇(将a_i称为样本i到簇内不相似度)；b_ij为样本i到其它某簇C_j的所有样本的平均距离，称为样本i与簇C_j的不相似度。定义为样本i的簇间不相似度：b_i＝min(b_i1,b_i3,....,b_ik2)。

其中，轮廓系数的范围是-1和1，接近-1表示群集不正确，而接近+1则表示每个群集都非常密集。

如果轮廓系数接近-1，则表示第一聚类结果信息中的集群不正确，此时，需要继续进行第二聚类，直至轮廓系数满足要求，轮廓系数不满足要求时，需要执行如下步骤：

当第一轮廓系数不满足要求时，根据第一轮廓系数对半径和最小密度点个数进行第一修正，得到第一修正后的半径和最小密度点个数；

其中，可以根据轮廓系数，调整半径和最小密度点个数，比如，增大半径、或者减小半径，以及，增加最小密度点个数或者减小最小密度点个数等。

根据第一修正后的半径和最小密度点个数，继续对振幅数据集进行第二聚类，得到第二聚类结果信息；

根据第二聚类结果信息，计算第二轮廓系数；

判断第二轮廓系数是否满足要求；

如果第二轮廓系数不满足要求，继续进行聚类，直到第n轮廓系数满足要求；n为大于2的整数。

此时，进行第二聚类时，除了半径和最小密度点个数与第一聚类不同，其他流程均相同，计算第二轮廓系数与计算第一轮廓系数的方法也相同，此处不再赘述。

当第一轮廓系数满足要求时，执行步骤170。

步骤170，当第一轮廓系数满足要求时，根据第一聚类结果信息，确定塔筒是否存在振动异常。

具体的，在一个示例中，可以通过离群点的数量来确定是否存在振动异常，如果一个簇的离群点的个数大于预设的阈值，则可以确定该簇为异常簇，则该异常簇对应的风机的塔筒存在振动异常。

其中，离群点是不显著属于任何簇的对象。可以通过以下方法确定一个簇的离群点：

首先，找到各簇质心，其次，计算各对象到最近质心的距离，此处的对象，是指第一聚类结果信息中的簇外的点，最后，将各对象到最近质心的距离与给定的阈值作比较，当到最近质心的距离小于预设的距离阈值时，可以确定该对象为该簇所选出的离群点。

在另一个示例中，还可以通过将第一聚类结果信息与振幅数据正常时的聚类结果信息进行比较，从而通过质心位置的比较，判断塔筒是否存在振动异常，比如，第一聚类结果信息中,簇A与振幅数据正常时的聚类结果信息中的簇B针对的是同一个风机，而两者的质心的距离差值大于预设的距离差值，则可以确定该簇A异常，则簇A对应的风机的塔筒存在振动异常。

从而，通过应用本发明实施例提供的风力发电机组塔筒的异常振动检测方法，直接获取SCADA中的振动加速度数据，然后将振动加速度数据处理为振幅数据，再根据DBSCAN进行聚类，最后根据聚类结果，确定存在异常的簇，并确定该簇对应的塔筒的振动存在异常，本申请无需在风机上额外安装任何传感器，充分利用SCADA监测风力发电机组中现有的传感器的数据，及时发现存在异常振动的塔筒，从而可以在发生问题之前就对塔筒是否存在异常振动进行确认且避免了资源浪费。

发明实施例二提供了一种设备，包括存储器和处理器，存储器用于存储程序，存储器可通过总线与处理器连接。存储器可以是非易失存储器，例如硬盘驱动器和闪存，存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序，该软件程序被执行时，能够实现本发明实施例一提供的方法。

本发明实施例三提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行本发明实施例一提供的方法。

本发明实施例四提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例一提供的方法。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种风力发电机组塔筒的异常振动检测方法，其特征在于，所述方法包括：

获取数据采集与监视控制系统SCADA所监控的风力发电机组中的每个风机的原始数据样本集；

判断每个所述振幅数据集是否满足聚类条件；

当满足聚类条件时，将全部所述振幅数据集输入到具有噪声的基于密度的聚类算法DBSCAN模型，并根据所述DBSCAN模型预设的半径和最小密度点个数进行第一聚类，随后输出全部风机对应的第一聚类结果信息；

根据所述第一聚类结果信息，计算第一轮廓系数；

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一聚类结果信息，计算第一轮廓系数之后，所述方法还包括：

根据所述第二聚类结果信息，计算第二轮廓系数；

判断所述第二轮廓系数是否满足要求；

3.根据权利要求1所述的方法，其特征在于，所述原始数据样本集包括：温度数据，桨叶角数据，转子转速数据，偏航系统角度数据和机舱的振动加速度数据。

4.根据权利要求1所述的方法，其特征在于，所述对每个所述振动加速度数据进行处理，确定对应的塔筒的振幅数据具体包括：

对所述振动加速度数据进行一次积分，得到速率信号；

对所述速率信号进行一次积分，得到振幅数据。

5.根据权利要求1所述的方法，其特征在于，所述判断每个所述振幅数据集是否满足聚类条件具体包括：

6.根据权利要求1所述的方法，其特征在于，所述计算第一聚类结果信息对应的第一轮廓系数具体包括：

7.根据权利要求1所述的方法，其特征在于，所述根据所述第一平均距离和所述第二平均距离，确定第一轮廓系数具体包括：

8.根据权利要求1所述的方法，其特征在于，所述根据所述第一聚类结果信息，确定塔筒是否存在振动异常具体包括：

9.一种设备，其特征在于，所述设备包括存储器和处理器，存储器用于存储程序，处理器用于执行权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现权利要求1-8任一项所述的方法。