CN112682271A - 一种风电机组测控系统故障检测与故障容错方法 - Google Patents
一种风电机组测控系统故障检测与故障容错方法 Download PDFInfo
- Publication number
- CN112682271A CN112682271A CN202011563811.4A CN202011563811A CN112682271A CN 112682271 A CN112682271 A CN 112682271A CN 202011563811 A CN202011563811 A CN 202011563811A CN 112682271 A CN112682271 A CN 112682271A
- Authority
- CN
- China
- Prior art keywords
- fault
- wind turbine
- control system
- observer
- measurement
- 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
Images
Classifications
-
- 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
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及一种用于风电机组测控系统的故障检测与故障容错方法,适用于风电机组测控系统早期故障检测和故障容错,有利于提高风力发电机组的可用性和可靠性。本发明以风电测控系统存在的非线性、测试误差及扰动随机性、模型误差等问题为切入点,对其进行线性时变参数模型描述,采用集值观测的方法进行故障检测与隔离,使用虚拟传感器和执行器进行容错处理。本发明有助于增强风电机组测控系统可靠性,提高其可用性。
Description
技术领域
本发明涉及一种用于风力发电机组测控系统故障检测与故障容错的方法,适用于风电测控系统早期故障检测和故障容错,有利于提高风力发电机组的可用性和可靠性。
背景技术
对风电测控系统进行故障检测和容错,从源头上减少风电机故障,避免风电系统重大事故的发生和早期故障的扩大化;风电系统早期故障采用容错控制来解决,将极大的提高风电机组可用性。通常采用卡尔曼滤波器来检测系统是否正常,但对不确定性和测试噪声不敏感而对故障信息非常敏感的残差信号和检测阈值存在极大的难度。最常用的容错方法是利用硬件冗余来容错,但硬件冗余的容错方法存在价格昂贵等缺点。因此,本发明提出基于集员估计的故障检测过程来判定系统是否正常,并采用植入可重配置的虚拟传感器和执行器来修正故障状态进行容错的新方法。
发明内容
针对风电测控系统具有非线性、测试误差及扰动随机性、模型参数不确定性等特点,采用集员估计的故障检测和虚拟器故障容错的方法,合理应对风电测控系统早期故障,提高风力发电机组的可用性。
为了实现上述目的,本发明采用如下技术方案:
(1)首先,采用基于集值观测的方法进行故障检测。考虑噪声、扰动、参数不确定性等因素下建立风电机测控系统模型,对噪声、扰动、参数不确定性定界。设计风电机组正常运行状态集值观测器,其输入输出状态作为观察器的输入输出变量,通过时间更新和量测更新,获得采样周期内状态估计的近似可行集,如果近似可行集被检测为空集,则判定系统发生故障,同时输出故障检测信息;否则,判定系统无故障。
(2)在此基础上,采用基于集值观测的方法进行故障隔离。为了在风电测控系统出现故障时,对故障进行有效隔离,将设计风电机组各类故障隔离集值观测器单元,单元内的每一个故障集值观测器负责检测一种故障,彼此之间具有严格的可区分性,通过对其状态空间方程矩阵秩关系从理论上保证每一个故障集值观测器间的可区分性,同时通过实验予以进一步验证。对于有些早期故障,其故障信号被噪声淹没难以检测或检测时间过长的情况,将结合故障分析信息库,设计有针对性的激励信号,进行主动故障诊断。在保障系统稳定和合理负荷的前提下,通过实验确定激励信号的最佳幅值、频率,增强故障信号的可分性。当决策单元利用正常运行状态集值观测器判定风电机组出现故障时,将对故障集值观测器进行初始化,故障集值观测器依次输出采样周期内状态估计的近似可行集,当某一个故障集值观测器状态估计近似可行集不为空时,即可判定出现此类故障,从而实现故障的有效隔离。
(3)最后,采用基于虚拟器的故障容错方法。在故障状况下继续使用正常状态控制器将导致性能恶化甚至损坏风力机,但非致命故障引起停机待修将损失发电量。采用虚拟传感器执行器进行容错的思路,利用虚拟传感器执行器处理故障信息,而不是让控制器去处理故障信息。利用故障检测单元提供的故障评估量化信息,结合先前的功能冗余和故障分析知识库,依据模式匹配原理,通过替换、校正或补偿等方式处理故障信号后,以模型匹配的输入输出形式提供给控制器。
本发明优点是:以未知有界形式融合线性时变参数的集值观测故障检测隔离方法,避免了残差阈值故障检测方法需要精确设定阈值和测试误差及扰动难以参数化的问题,并通过主动故障检测的方法提高了检测效率和准确性。充分利用故障检测提供的量化信息,以虚拟器的思路来实现容错处理,在保证容错性能的同时实现了经济实用性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1基于集值观察器的故障检测实施方法流程图;
图2基于集值观测器的故障检测隔离实施方法示意图。
图3虚拟器故障容错实施方法模型示意图。
具体实施方式
采用基于集值观测的方法进行故障检测的具体实施如图1所示,建立噪声、扰动、参数不确定性等因素下风电机测控系统模型,对噪声、扰动、参数不确定性定界。设计风电机组正常运行状态集值观测器,其输入输出状态作为观察器的输入输出变量,通过时间更新和量测更新,获得采样周期内状态估计的近似可行集,如果近似可行集被检测为空集,则判定系统发生故障,同时输出故障检测信息;否则,判定系统无故障。
在此基础上,采用基于集值观测的方法进行故障隔离的具体流程如图2所示。当决策单元利用正常运行状态集值观测器判定风电机组出现故障时,将对故障集值观测器进行初始化,故障集值观测器依次输出采样周期内状态估计的近似可行集,当某一个故障集值观测器状态估计近似可行集不为空时,即可判定出现此类故障,从而实现故障的有效隔离。该结构采用递归的方式进行故障离,能够实现多故障的检测和隔离,并提供量化的故障信息。
利用虚拟器实现故障容错实施如图3所示。风力机测控系统由控制器K(s)控制,当发生故障时,系统G(s)改变为Gf(s),接入的虚拟执行器Ga(s)满足条件Gf(s)Ga(s)=G(s),故虚拟执行器传感器由H(s改变为Hf(s),接入的虚拟传感器Gs(s)满足条件Gs(s)Hf(s)=H(s),故多个传感器执行器将以矩阵形式描述。虚拟执行器传递函数矩阵元素,虚拟传感器传递函数矩阵元素。对于传感器信号卡死故障,其测量值由基于模型和其他传感器的估计值代替,对于放缩因子故障通过估计故障放缩因子予以补偿,对于信号偏移故障通过估计故障偏移量予以修正,对于动态特性改变的故障,通过故障动态参数估计后乘以故障逆传递函数予以补偿。
某变速变桨水平轴双馈风机出现故障,采用基于集值观测的故障检测、故障隔离的方法,判定桨距角传感器出现卡死故障,变桨执行器液压油中混入空气导致变桨系统动态特性变化出现性能衰退故障。利用虚拟器实现故障容错处理,对存在变桨器混入空气造成故障后满负荷状态下的功率波动和机舱加速度波动进行了对比分析,结果表明采用容错处理后,功率和振动波动减小,容错方案效果良好。
Claims (3)
1.一种采用基于集值观测的风电机组测控系统故障检测方法。设计风电机组正常运行状态集值观测器,其输入输出状态作为观察器的输入输出变量,通过时间更新和量测更新,获得采样周期内状态估计的近似可行集,如果近似可行集被检测为空集,则判定系统发生故障,同时输出故障检测信息;否则,判定系统无故障。
2.一种采用基于集值观测的风电机组测控系统故障隔离方法。设计风电机组具有严格可区分性的各类故障隔离集值观测器单元,当决策单元利用正常运行状态集值观测器判定风电机组出现故障时,将对故障集值观测器进行初始化,故障集值观测器依次输出采样周期内状态估计的近似可行集,当某一个故障集值观测器状态估计近似可行集不为空时,即可判定出现此类故障,从而实现故障的有效隔离。
3.采用基于虚拟器的风电机组测控系统故障容错方法。采用虚拟传感器执行器进行容错的思路,利用虚拟传感器执行器处理故障信息,而不是让控制器去处理故障信息。利用故障检测单元提供的故障评估量化信息,结合先前的功能冗余和故障分析知识库,依据模式匹配原理,通过替换、校正或补偿等方式处理故障信号后,以模型匹配的输入输出形式提供给控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563811.4A CN112682271A (zh) | 2020-12-25 | 2020-12-25 | 一种风电机组测控系统故障检测与故障容错方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563811.4A CN112682271A (zh) | 2020-12-25 | 2020-12-25 | 一种风电机组测控系统故障检测与故障容错方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112682271A true CN112682271A (zh) | 2021-04-20 |
Family
ID=75453248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011563811.4A Pending CN112682271A (zh) | 2020-12-25 | 2020-12-25 | 一种风电机组测控系统故障检测与故障容错方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112682271A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114578793A (zh) * | 2022-03-21 | 2022-06-03 | 杭州电力设备制造有限公司 | 一种基于观测器的发电车非线性鲁棒故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011265563A1 (en) * | 2010-12-24 | 2012-07-12 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN110259647A (zh) * | 2019-06-21 | 2019-09-20 | 江南大学 | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 |
CN110634198A (zh) * | 2019-09-24 | 2019-12-31 | 江南大学 | 一种基于正多胞体滤波的工业系统分层故障诊断方法 |
WO2020142984A1 (zh) * | 2019-01-10 | 2020-07-16 | 大连理工大学 | 一种基于误差区间观测器的航空发动机主动容错控制方法 |
-
2020
- 2020-12-25 CN CN202011563811.4A patent/CN112682271A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011265563A1 (en) * | 2010-12-24 | 2012-07-12 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
WO2020142984A1 (zh) * | 2019-01-10 | 2020-07-16 | 大连理工大学 | 一种基于误差区间观测器的航空发动机主动容错控制方法 |
CN110259647A (zh) * | 2019-06-21 | 2019-09-20 | 江南大学 | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 |
CN110634198A (zh) * | 2019-09-24 | 2019-12-31 | 江南大学 | 一种基于正多胞体滤波的工业系统分层故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
JOAQUIM BLESA ETAL.: "FDI and FTC of wind turbines using the interval observer approach and virtual actuators/sensors", 《CONTROL ENGINEERING PRACTICE》 * |
PEDRO CASAU ETAL.: "A_Set-Valued_Approach_to_FDI_and_FTC_of_Wind_Turbines", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 * |
宋锦等: "基于虚拟传感器的风力机LPV容错控制", 《信息与控制》 * |
李凯等: "概率粗糙集模型的机械故障诊断研究", 《机械科学与技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114578793A (zh) * | 2022-03-21 | 2022-06-03 | 杭州电力设备制造有限公司 | 一种基于观测器的发电车非线性鲁棒故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gangsar et al. | Signal based condition monitoring techniques for fault detection and diagnosis of induction motors: A state-of-the-art review | |
Zhang et al. | Fault detection and isolation of the wind turbine benchmark: An estimation-based approach | |
US6598195B1 (en) | Sensor fault detection, isolation and accommodation | |
Perišić et al. | Cost‐effective shaft torque observer for condition monitoring of wind turbines | |
Odgaard et al. | Gear-box fault detection using time-frequency based methods | |
CN109211546A (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
Li et al. | Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence | |
CN112682271A (zh) | 一种风电机组测控系统故障检测与故障容错方法 | |
US20130338938A1 (en) | Identifying wind or water turbines for maintenance | |
Donders et al. | Fault detection and identification for wind turbine systems: a closed-loop analysis | |
Hu et al. | Novelty detection methods for online health monitoring and post data analysis of turbopumps | |
da Silva et al. | Fault diagnosis of active magnetic bearings | |
Zhang et al. | Sensor fault diagnosis based on correntropy filter and probabilistic neural network | |
JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
KR100944223B1 (ko) | 진동 및 속도센서 시험장치 및 그 시험방법 | |
KR20150119873A (ko) | 출력 결정 방법 및 터보 기계 | |
Baïkeche et al. | On parametric and nonparametric fault detection in linear closed-loop systems | |
Babu et al. | Condition monitoring of brushless DC motor-based electromechanical linear actuators using motor current signature analysis | |
Kuspijani et al. | Faults identification of induction motor based on vibration using backpropagation neural network | |
Mazzoleni et al. | Fault diagnosis and condition monitoring of aircraft electro-mechanical actuators | |
Belmonte et al. | Electromechanical actuators affected by multiple failures: Prognostic method based on spectral analysis techniques | |
CN113994088A (zh) | 用于对风涡轮机的部件进行计算机实现的监测的方法 | |
Heidingsfeld et al. | Model-based sensor fault diagnosis for the Stuttgart SmartShell | |
Ab Ghani et al. | Detection of Shaft Misalignment Using Machinery Fault Simulator (MFS) | |
Modgil et al. | Advanced vibration diagnostics for engine test cells |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210420 |