CN113187674A - 一种风电机组变桨系统的故障确定方法及系统 - Google Patents
一种风电机组变桨系统的故障确定方法及系统 Download PDFInfo
- Publication number
- CN113187674A CN113187674A CN202110689916.2A CN202110689916A CN113187674A CN 113187674 A CN113187674 A CN 113187674A CN 202110689916 A CN202110689916 A CN 202110689916A CN 113187674 A CN113187674 A CN 113187674A
- Authority
- CN
- China
- Prior art keywords
- fault
- current
- pitch angle
- neural network
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风电机组变桨系统的故障确定方法及系统。该方法包括：获取变桨系统动力学模型；根据变桨系统动力学模型获取风机变桨系统发生故障后的数据；根据发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；获取当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值；根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及训练后的卷积神经网络确定当前预测的桨距角；根据当前预测的桨距角与当前的桨距角确定风机变桨系统的故障诊断结果。本发明能够准确有效地检测和确定故障，同时对故障幅值的变化进行准确有效的预测。
Description
技术领域
本发明涉及风电机组关键设备故障预测领域，特别是涉及一种风电机组变桨系统的故障确定方法及系统。
背景技术
近年来，风能是当前最受关注的清洁、可再生能源，全球风能约为2.74×109MW，是世界各国解决能源缺乏问题不可忽视的力量。就中国的可开发利用风能储量而言，陆地上风能储量约2.53×109kW，海上可开发利用风能的储量约7.5×109kW，共计1010kW。风力发电是有效利用风能的最主要形式之一。由于风电设备的安装特殊性，例如一方面风电机组常安装在高山和海边等比较恶劣的环境中，易受沙尘、水雾、冰冻等污染侵害；另一方面风力发电系统常安装于高空，运行、维护十分复杂，因此，当风电设备系统出现故障时，对系统的运行、控制将更加复杂。风电机组每年维护成本约占风电机组成本的30％，因此随着风电设备装机数量的持续增长，快速有效地估计风机可能产生的故障并提升风机故障诊断的精准度，对确保风力发电系统能安全可靠地运行具有重要意义，针对风电机组故障的排查和维护工作的技术开发已迫在眉睫。
目前，风电机组多数选择电动变桨系统，风机变桨系统因其具有调速稳定、易控制、便于气动刹车等优点，已成为风力发电机正常运行的重要环节之一。但是，考虑到外界风况的复杂多变加上内部复杂的结构，风机变桨系统也是风电机组结构中故障频发的部分，一旦发生故障，很有可能导致输出功率异常、叶片损坏，甚至机组倒塌等严重事故。此外，风机变桨系统监控参数数量众多，且各参数与运行、控制状态之间的关系错综复杂，同时，变桨系统的常规故障报警参数十分单一，报警阈值一般也统一设置，缺乏合理性，往往造成误报或报警不及时。风力发电机组能否正常工作与变桨系统能否稳定高效的运行有着重要联系。因此，针对电动变桨系统故障特征参数的甄别选取和故障判别方法的有效设计至关重要。
现有的故障诊断方法并不能针对桨距角传感器和变桨系统执行机构的故障信号进行精准的实时预测。在变桨系统中，桨距角传感器和变桨系统执行机构是保证变桨系统正常工作的重要器件，因此，亟需一种故障诊断方法主要针对桨距角传感器故障及执行器故障的实时精准预测开展故障诊断研究。
发明内容
本发明的目的是提供一种风电机组变桨系统的故障确定方法及系统，能够准确有效地检测和确定故障，同时对故障幅值的变化进行准确有效的预测。
为实现上述目的，本发明提供了如下方案：
一种风电机组变桨系统的故障确定方法，包括：
获取变桨系统动力学模型；所述变桨系统动力学模型用于获取风机变桨系统的数据；所述数据包括：桨距角测量值、空气进入风轮前的风速、控制系统控制电压、主传动轴转矩、发电机转子实际转速、发电机转速测量值以及桨距角；
根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据；
根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；所述训练后的卷积神经网络以桨距角测量值、主传动轴转矩、发电机转子实际转速以及发电机转速测量值为输入，以所述桨距角为输出；
获取所述风机变桨系统当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值；
根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及所述训练后的卷积神经网络确定当前预测的桨距角；
根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果；所述故障诊断结果包括：发生故障或未发生故障。
可选地，所述根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据，具体包括：
利用公式
确定所述风机变桨系统发生故障后的数据；
其中，x(t)＝[α ωg ωgm]T，α为桨距角，ωg为电机转子转速，ωgm为发电机转速测量值，u(t)＝αm，αm为桨距角测量值，d(t)＝[vg U]T，vg为空气进入风轮前的风速，U为控制系统控制电压，y(t)＝[Mr ωg ωgm α]T，Mr为主传动轴转矩，fa(t)和fs(t)分别为执行器和传感器的加性故障值，La和Ls分别为执行器和传感器的乘性故障值，A、B、C、D、Fa、Fs分别为已知的系统矩阵和故障矩阵。
可选地，所述根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络，具体包括：
获取卷积神经网络；所述卷积神经网络包括：三个卷积层以及四个全连接层；
将所述风机变桨系统发生故障后的数据划分为训练集和验证集；
利用所述训练集训练所述卷积神经网络，确定训练后的卷积神经网络；
利用所述验证集进行所述训练后的卷积神经网络的验证。
可选地，所述根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果，具体包括：
根据所述当前预测的桨距角与所述当前的桨距角确定残差；
根据所述残差确定故障决策指标；
判断所述故障决策指标是否小于故障阈值；
若小于，则未发生故障；
若不小于，则发生故障。
可选地，所述根据所述残差确定故障决策指标，具体包括：
利用公式
确定故障决策指标；
其中，所述J(t)为故障决策指标，c1＞0为瞬时残差信号所占权重；c2＞0为历史残差信号所占权重；λ＞0为决策指标的遗忘因子，ea(t)为t时刻的残差，τ为积分变量。
一种风电机组变桨系统的故障确定系统，包括：
变桨系统动力学模型获取模块，用于获取变桨系统动力学模型；所述变桨系统动力学模型用于获取风机变桨系统的数据；所述数据包括：桨距角测量值、空气进入风轮前的风速、控制系统控制电压、主传动轴转矩、发电机转子实际转速、发电机转速测量值以及桨距角；
发生故障后的数据获取模块，用于根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据；
训练后的卷积神经网络确定模块，用于根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；所述训练后的卷积神经网络以桨距角测量值、主传动轴转矩、发电机转子实际转速以及发电机转速测量值为输入，以所述桨距角为输出；
当前的数据获取模块，用于获取所述风机变桨系统当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值；
当前预测的桨距角确定模块，用于根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及所述训练后的卷积神经网络确定当前预测的桨距角；
故障诊断结果确定模块，用于根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果；所述故障诊断结果包括：发生故障或未发生故障。
可选地，所述发生故障后的数据获取模块具体包括：
发生故障后的数据获取单元，用于利用公式
确定所述风机变桨系统发生故障后的数据；
其中，x(t)＝[α ωg ωgm]T，α为桨距角，ωg为电机转子转速，ωgm为发电机转速测量值，u(t)＝αm，αm为桨距角测量值，d(t)＝[vg U]T，vg为空气进入风轮前的风速，U为控制系统控制电压，y(t)＝[Mr ωg ωgm α]T，Mr为主传动轴转矩，fa(t)和fs(t)分别为执行器和传感器的加性故障值，La和Ls分别为执行器和传感器的乘性故障值，A、B、C、D、Fa、Fs分别为已知的系统矩阵和故障矩阵。
可选地，所述训练后的卷积神经网络确定模块具体包括：
卷积神经网络获取单元，用于获取卷积神经网络；所述卷积神经网络包括：三个卷积层以及四个全连接层；
发生故障后的数据划分单元，用于将所述风机变桨系统发生故障后的数据划分为训练集和验证集；
训练后的卷积神经网络确定单元，用于利用所述训练集训练所述卷积神经网络，确定训练后的卷积神经网络；
训练后的卷积神经网络验证单元，用于利用所述验证集进行所述训练后的卷积神经网络的验证。
可选地，所述故障诊断结果确定模块具体包括：
残差确定单元，用于根据所述当前预测的桨距角与所述当前的桨距角确定残差；
故障决策指标确定单元，用于根据所述残差确定故障决策指标；
判断单元，用于判断所述故障决策指标是否小于故障阈值；
未发生故障确定单元，用于若小于，则未发生故障；
故障确定单元，用于若不小于，则发生故障。
可选地，所述故障决策指标确定单元具体包括：
故障决策指标确定子单元，用于利用公式
确定故障决策指标；
其中，所述J(t)为故障决策指标，c1＞0为瞬时残差信号所占权重；c2＞0为历史残差信号所占权重；λ＞0为决策指标的遗忘因子，ea(t)为t时刻的残差，τ为积分变量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种风电机组变桨系统的故障确定方法及系统，结合风机变桨系统动力学模型和卷积神经网络，提出了基于卷积神经网络的风机变桨系统故障诊断方法，将卷积神经网络给出的桨距角估计值与实际风电机组变桨系统(无故障或有故障)输出的桨距角进行比较可以得到系统故障诊断结果。本发明提出的方法对具有干扰等不确定因素的复杂变桨系统故障问题，可准确有效地检测和估计故障，同时对故障幅值的变化可进行准确有效的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种风电机组变桨系统的故障确定方法流程示意图；
图2为本发明所提供的一种风电机组变桨系统的故障确定方法原理示意图；
图3为变桨系统动力学模型示意图；
图4为卷积神经网络的结构示意图；
图5为桨距角真实值和预测值的拟合对比示意图；
图6为桨距角真实值和预测值误差的累计密度分布示意图；
图7为本发明所提供的一种风电机组变桨系统的故障确定系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种风电机组变桨系统的故障确定方法及系统，能够准确有效地检测和确定故障，同时对故障幅值的变化进行准确有效的预测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种风电机组变桨系统的故障确定方法流程示意图，图2为本发明所提供的一种风电机组变桨系统的故障确定方法原理示意图，如图1和图2所示，本发明所提供的一种风电机组变桨系统的故障确定方法，包括：
S101，获取变桨系统动力学模型；所述变桨系统动力学模型用于获取风机变桨系统的数据；所述数据包括：桨距角测量值、空气进入风轮前的风速、控制系统控制电压、主传动轴转矩、发电机转子实际转速、发电机转速测量值以及桨距角。
变桨系统动力学模型如图3所示，当风速发生改变时，安装在风机叶片上的桨距角传感器根据风速的变化，可以实时将桨距角变化的信息传递给控制器，由控制器及时地发出改变桨距角的指令信息，并通过执行机构迅速动作，调整桨距角，来保证风机的稳定运行。
S102，根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据。
S102具体包括：
利用公式
确定所述风机变桨系统发生故障后的数据。
其中，x(t)＝[α ωg ωgm]T，α为桨距角，ωg为电机转子转速，ωgm为发电机转速测量值，u(t)＝αm，αm为桨距角测量值，d(t)＝[vg U]T，vg为空气进入风轮前的风速，U为控制系统控制电压，y(t)＝[Mr ωg ωgm α]T，Mr为主传动轴转矩，fa(t)和fs(t)分别为执行器和传感器的加性故障值，La和Ls分别为执行器和传感器的乘性故障值，A、B、C、D、Fa、Fs分别为已知的系统矩阵和故障矩阵。
S102之后，还包括：对所述风机变桨系统发生故障后的数据进行归一化处理。
S103，根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；所述训练后的卷积神经网络以桨距角测量值、主传动轴转矩、发电机转子实际转速以及发电机转速测量值为输入，以所述桨距角为输出。
S103具体包括：
获取卷积神经网络；所述卷积神经网络包括：三个卷积层以及四个全连接层。具体结构如图4所示，第一阶段，配置了三个卷积层，第二阶段，配置了四个全连接层。该卷积神经网络需要大量的迭代去调节阈值节点和权重使得神经网络收敛至最低损失。输入矢量X所包含的风机变桨系统的四个典型参数,即桨距角测量值αm、主传动轴转矩Mr、发电机转子实际转速ωg和发电机转速测量值ωgm，输出矢量Y是与其实时对应的桨距角α。
第一层卷积层用16个大小为1×3的卷积核过滤1×4的输入矢量，第二层卷积层以第一卷积层的输出作为输入并用32个大小为16×3的卷积核过滤该层的输入矢量，第三层卷积层以第一卷积层的输出作为输入并用64个大小为32×3的卷积核过滤该层的输入矢量。两个卷积层的步幅都是1个节点。此卷积神经网络零填充激活以匹配特征的数量，在每一个卷积层的后面配置了批量归一化(Batch Normalization，BN)和整流线性单元(Rectified Linear Unit，ReLU)用以加速神经网络的收敛。卷积层的输出全连接至四层全连接层，每层全连接层分别有64、32、16和1个神经元。在除最后一层的每一层网络层后端安置了ReLU。池化层会在模型收敛时丢失大量信息，由于此处所训练神经网络的输入只是四个参数，远远小于通常包含百万级像素的图像，因此与卷积神经网络在计算机视觉中的应用不同的是，该卷积神经网络并没有在卷积层之间安置池化层。
如表1所示，该卷积神经网络共有26688个参数，大多数参数在第一层、第二层和第三层卷积层之间，占总参数的61.39％。输入输出参数被输入到该卷积神经网络去调整不同的网络权重以求达到最低的损失。此卷积神经网络选择均方误差作为损失函数，以0.00001作为每一层的初始学习率，并使用动量为0.75、平滑因子为10-15的均方根传播(Root-Mean-Square Propagation，RMSProp)来优化该卷积神经网络的权重。权重β的更新原则是：
其中，t是迭代指数，η是学习率，κ是平滑因子，gt是当前迭代指数t的梯度。
表1卷积神经网络层的参数数量
| 网络层 | 参数数量 |
| 第一层卷积层 | 48 |
| 第二层卷积层 | 1536 |
| 第三层卷积层 | 6144 |
| 第一层全连接层 | 16384 |
| 第二层全连接层 | 2048 |
| 第三层全连接层 | 512 |
| 第四层全连接层 | 16 |
| 总数 | 26688 |
Glorot均匀初始化(Glorot uniform initializer)，也叫Xavier均匀初始化(Xavier uniform initializer)，被用于初始化每一层神经网络的权重。初始权重由[-ε,ε]之间的均匀分布产生：
其中，ιin是权重张量输入单元的个数，ιout是权重张量输出单元的个数。我们将卷积层和全连接层的神经元偏差初始化为常数0，初始化过程通过给ReLUs以正数的输入加速了学习的早期过程。
将所述风机变桨系统发生故障后的数据划分为训练集和验证集。以验证集＝4：3的比例进行划分。
利用所述训练集训练所述卷积神经网络，确定训练后的卷积神经网络。
利用所述验证集进行所述训练后的卷积神经网络的验证。
S104，获取所述风机变桨系统当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值。
S105，根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及所述训练后的卷积神经网络确定当前预测的桨距角。
S106，根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果；所述故障诊断结果包括：发生故障或未发生故障。
S106具体包括：
根据所述当前预测的桨距角与所述当前的桨距角确定残差。
根据所述残差确定故障决策指标。
判断所述故障决策指标是否小于故障阈值。
若小于，则未发生故障。
若不小于，则发生故障。
所述根据所述残差确定故障决策指标，具体包括：
利用公式
确定故障决策指标。
其中，所述J(t)为故障决策指标，c1＞0为瞬时残差信号所占权重；c2＞0为历史残差信号所占权重；λ＞0为决策指标的遗忘因子，ea(t)为t时刻的残差，τ为积分变量。
风电机组故障诊断过程中的桨距角预测十分重要，准确预测桨距角即能够及时有效地进行风电机组的故障诊断，从而能够对风电机组系统进行精确高效的运行和控制。在本发明中，为了能够更好地验证我们基于卷积神经网络的风电机组故障诊断方法的有效性，我们进行了基于真实数据的实验验证，并分别从直观拟合、均方误差和误差的累计密度函数三个角度进行分析对比。
(1)桨距角真实值和预测值的直观拟合对比
如图5所示，随机选取150组桨距角的真实值和预测值进行直观的拟合对比，由图可以直观地看出，无论桨距角值的波动如何，真实值和预测值拟合良好非常良好。由此可以看出，我们的基于卷积神经网络的桨距角预测方法准确有效，因此基于卷积神经网络的风电机组故障诊断方法可实际应用于风电机组生产运行中。
(2)桨距角真实值和预测值之间的均方误差
如表2所示，本发明使用图4所示的网络结构来训练卷积神经网络并进行桨距角的预测，分别记录训练集和测试集中的桨距角真实值和预测值之间的均方误差，并进行了五组训练、预测和验证。由表2可以看出，五组训练集和测试集的均方误差均在10-4～10-6之间，较为稳定且非常低，说明我们的基于卷积神经网络的风电机组故障诊断方法稳定可用且精确高效，其预测效果远远优于参考方法中诊断故障阈值为0.4598的效果。
表2五组训练集和测试集的真实值和预测值之间的均方误差
| 均方误差 | 第一组 | 第二组 | 第三组 | 第四组 | 第五组 |
| 训练集 | 2.06649E-04 | 2.33723E-04 | 2.23582E-04 | 2.29773E-04 | 2.06995E-04 |
| 测试集 | 1.01253E-05 | 1.45199E-05 | 1.16898E-05 | 1.70198E-05 | 2.91638E-06 |
(3)桨距角真实值和预测值误差的累计密度分布
桨距角真实值和预测值误差的累计密度分布如图6所示。可以看出，误差在0.02以内的预测次数占到总预测实验次数的40％以上，而所有的预测误差都在0。0078以内。该预测效果远远优于参考方法中诊断故障阈值为0.4598的效果。
图7为本发明所提供的一种风电机组变桨系统的故障确定系统结构示意图，如图7所示，本发明所提供的一种风电机组变桨系统的故障确定系统，包括：
变桨系统动力学模型获取模块701，用于获取变桨系统动力学模型；所述变桨系统动力学模型用于获取风机变桨系统的数据；所述数据包括：桨距角测量值、空气进入风轮前的风速、控制系统控制电压、主传动轴转矩、发电机转子实际转速、发电机转速测量值以及桨距角。
发生故障后的数据获取模块702，用于根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据。
训练后的卷积神经网络确定模块703，用于根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；所述训练后的卷积神经网络以桨距角测量值、主传动轴转矩、发电机转子实际转速以及发电机转速测量值为输入，以所述桨距角为输出。
当前的数据获取模块704，用于获取所述风机变桨系统当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值。
当前预测的桨距角确定模块705，用于根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及所述训练后的卷积神经网络确定当前预测的桨距角。
故障诊断结果确定模块706，用于根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果；所述故障诊断结果包括：发生故障或未发生故障。
所述发生故障后的数据获取模块702具体包括：
发生故障后的数据获取单元，用于利用公式
确定所述风机变桨系统发生故障后的数据；
其中，x(t)＝[α ωg ωgm]T，α为桨距角，ωg为电机转子转速，ωgm为发电机转速测量值，u(t)＝αm，αm为桨距角测量值，d(t)＝[vg U]T，vg为空气进入风轮前的风速，U为控制系统控制电压，y(t)＝[Mr ωg ωgm α]T，Mr为主传动轴转矩，fa(t)和fs(t)分别为执行器和传感器的加性故障值，La和Ls分别为执行器和传感器的乘性故障值，A、B、C、D、Fa、Fs分别为已知的系统矩阵和故障矩阵。
所述训练后的卷积神经网络确定模块703具体包括：
卷积神经网络获取单元，用于获取卷积神经网络；所述卷积神经网络包括：三个卷积层以及四个全连接层。
发生故障后的数据划分单元，用于将所述风机变桨系统发生故障后的数据划分为训练集和验证集。
训练后的卷积神经网络确定单元，用于利用所述训练集训练所述卷积神经网络，确定训练后的卷积神经网络。
训练后的卷积神经网络验证单元，用于利用所述验证集进行所述训练后的卷积神经网络的验证。
所述故障诊断结果确定模块706具体包括：
残差确定单元，用于根据所述当前预测的桨距角与所述当前的桨距角确定残差。
故障决策指标确定单元，用于根据所述残差确定故障决策指标。
判断单元，用于判断所述故障决策指标是否小于故障阈值。
未发生故障确定单元，用于若小于，则未发生故障。
故障确定单元，用于若不小于，则发生故障。
所述故障决策指标确定单元具体包括：
故障决策指标确定子单元，用于利用公式
确定故障决策指标；
其中，所述J(t)为故障决策指标，c1＞0为瞬时残差信号所占权重；c2＞0为历史残差信号所占权重；λ＞0为决策指标的遗忘因子，ea(t)为t时刻的残差，τ为积分变量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风电机组变桨系统的故障确定方法，其特征在于，包括：
获取变桨系统动力学模型；所述变桨系统动力学模型用于获取风机变桨系统的数据；所述数据包括：桨距角测量值、空气进入风轮前的风速、控制系统控制电压、主传动轴转矩、发电机转子实际转速、发电机转速测量值以及桨距角；
根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据；
根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；所述训练后的卷积神经网络以桨距角测量值、主传动轴转矩、发电机转子实际转速以及发电机转速测量值为输入，以所述桨距角为输出；
获取所述风机变桨系统当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值；
根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及所述训练后的卷积神经网络确定当前预测的桨距角；
根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果；所述故障诊断结果包括：发生故障或未发生故障。
2.根据权利要求1所述的一种风电机组变桨系统的故障确定方法，其特征在于，所述根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据，具体包括：
利用公式
确定所述风机变桨系统发生故障后的数据；
其中，x(t)＝[α ωg ωgm]T，α为桨距角，ωg为电机转子转速，ωgm为发电机转速测量值，u(t)＝αm，αm为桨距角测量值，d(t)＝[vg U]T，vg为空气进入风轮前的风速，U为控制系统控制电压，y(t)＝[Mr ωg ωgm α]T，Mr为主传动轴转矩，fa(t)和fs(t)分别为执行器和传感器的加性故障值，La和Ls分别为执行器和传感器的乘性故障值，A、B、C、D、Fa、Fs分别为已知的系统矩阵和故障矩阵。
3.根据权利要求1所述的一种风电机组变桨系统的故障确定方法，其特征在于，所述根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络，具体包括：
获取卷积神经网络；所述卷积神经网络包括：三个卷积层以及四个全连接层；
将所述风机变桨系统发生故障后的数据划分为训练集和验证集；
利用所述训练集训练所述卷积神经网络，确定训练后的卷积神经网络；
利用所述验证集进行所述训练后的卷积神经网络的验证。
4.根据权利要求1所述的一种风电机组变桨系统的故障确定方法，其特征在于，所述根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果，具体包括：
根据所述当前预测的桨距角与所述当前的桨距角确定残差；
根据所述残差确定故障决策指标；
判断所述故障决策指标是否小于故障阈值；
若小于，则未发生故障；
若不小于，则发生故障。
5.根据权利要求4所述的一种风电机组变桨系统的故障确定方法，其特征在于，所述根据所述残差确定故障决策指标，具体包括：
利用公式
确定故障决策指标；
其中，所述J(t)为故障决策指标，c1＞0为瞬时残差信号所占权重；c2＞0为历史残差信号所占权重；λ＞0为决策指标的遗忘因子，ea(t)为t时刻的残差，τ为积分变量。
6.一种风电机组变桨系统的故障确定系统，其特征在于，包括：
变桨系统动力学模型获取模块，用于获取变桨系统动力学模型；所述变桨系统动力学模型用于获取风机变桨系统的数据；所述数据包括：桨距角测量值、空气进入风轮前的风速、控制系统控制电压、主传动轴转矩、发电机转子实际转速、发电机转速测量值以及桨距角；
发生故障后的数据获取模块，用于根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据；
训练后的卷积神经网络确定模块，用于根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；所述训练后的卷积神经网络以桨距角测量值、主传动轴转矩、发电机转子实际转速以及发电机转速测量值为输入，以所述桨距角为输出；
当前的数据获取模块，用于获取所述风机变桨系统当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值；
当前预测的桨距角确定模块，用于根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及所述训练后的卷积神经网络确定当前预测的桨距角；
故障诊断结果确定模块，用于根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果；所述故障诊断结果包括：发生故障或未发生故障。
7.根据权利要求6所述的一种风电机组变桨系统的故障确定系统，其特征在于，所述发生故障后的数据获取模块具体包括：
发生故障后的数据获取单元，用于利用公式
确定所述风机变桨系统发生故障后的数据；
其中，x(t)＝[α ωg ωgm]T，α为桨距角，ωg为电机转子转速，ωgm为发电机转速测量值，u(t)＝αm，αm为桨距角测量值，d(t)＝[vg U]T，vg为空气进入风轮前的风速，U为控制系统控制电压，y(t)＝[Mr ωg ωgm α]T，Mr为主传动轴转矩，fa(t)和fs(t)分别为执行器和传感器的加性故障值，La和Ls分别为执行器和传感器的乘性故障值，A、B、C、D、Fa、Fs分别为已知的系统矩阵和故障矩阵。
8.根据权利要求6所述的一种风电机组变桨系统的故障确定系统，其特征在于，所述训练后的卷积神经网络确定模块具体包括：
卷积神经网络获取单元，用于获取卷积神经网络；所述卷积神经网络包括：三个卷积层以及四个全连接层；
发生故障后的数据划分单元，用于将所述风机变桨系统发生故障后的数据划分为训练集和验证集；
训练后的卷积神经网络确定单元，用于利用所述训练集训练所述卷积神经网络，确定训练后的卷积神经网络；
训练后的卷积神经网络验证单元，用于利用所述验证集进行所述训练后的卷积神经网络的验证。
9.根据权利要求6所述的一种风电机组变桨系统的故障确定系统，其特征在于，所述故障诊断结果确定模块具体包括：
残差确定单元，用于根据所述当前预测的桨距角与所述当前的桨距角确定残差；
故障决策指标确定单元，用于根据所述残差确定故障决策指标；
判断单元，用于判断所述故障决策指标是否小于故障阈值；
未发生故障确定单元，用于若小于，则未发生故障；
故障确定单元，用于若不小于，则发生故障。
10.根据权利要求9所述的一种风电机组变桨系统的故障确定系统，其特征在于，所述故障决策指标确定单元具体包括：
故障决策指标确定子单元，用于利用公式
确定故障决策指标；
其中，所述J(t)为故障决策指标，c1＞0为瞬时残差信号所占权重；c2＞0为历史残差信号所占权重；λ＞0为决策指标的遗忘因子，ea(t)为t时刻的残差，τ为积分变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110689916.2A CN113187674A (zh) | 2021-06-22 | 2021-06-22 | 一种风电机组变桨系统的故障确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110689916.2A CN113187674A (zh) | 2021-06-22 | 2021-06-22 | 一种风电机组变桨系统的故障确定方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113187674A true CN113187674A (zh) | 2021-07-30 |
Family
ID=76976623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110689916.2A Pending CN113187674A (zh) | 2021-06-22 | 2021-06-22 | 一种风电机组变桨系统的故障确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113187674A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113898528A (zh) * | 2021-09-30 | 2022-01-07 | 江苏金风软件技术有限公司 | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 |
| WO2024045413A1 (zh) * | 2022-08-31 | 2024-03-07 | 北京金风慧能技术有限公司 | 风力发电机组的变桨故障预测方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101241369A (zh) * | 2008-02-28 | 2008-08-13 | 大连海事大学 | 飞行控制系统中执行器卡死故障的一种实时检测方法 |
| CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
| US20110313726A1 (en) * | 2009-03-05 | 2011-12-22 | Honeywell International Inc. | Condition-based maintenance system for wind turbines |
| EP2589943A1 (en) * | 2011-11-02 | 2013-05-08 | Vestas Wind Systems A/S | Methods and Systems for Detecting Sensor Fault Modes |
| 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 |
| CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
| CN111241748A (zh) * | 2020-01-13 | 2020-06-05 | 华北电力大学 | 基于长短期记忆模型循环神经网络的风力发电机故障诊断 |
| CN111287912A (zh) * | 2020-02-18 | 2020-06-16 | 广州特种承压设备检测研究院 | 风力发电机变桨系统故障诊断方法 |
| CN112613554A (zh) * | 2020-12-21 | 2021-04-06 | 国家电投集团江苏新能源有限公司 | 一种风力发电机变桨系统故障预测方法和系统 |
-
2021
- 2021-06-22 CN CN202110689916.2A patent/CN113187674A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101241369A (zh) * | 2008-02-28 | 2008-08-13 | 大连海事大学 | 飞行控制系统中执行器卡死故障的一种实时检测方法 |
| US20110313726A1 (en) * | 2009-03-05 | 2011-12-22 | Honeywell International Inc. | Condition-based maintenance system for wind turbines |
| CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
| EP2589943A1 (en) * | 2011-11-02 | 2013-05-08 | Vestas Wind Systems A/S | Methods and Systems for Detecting Sensor Fault Modes |
| 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 |
| CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
| CN111241748A (zh) * | 2020-01-13 | 2020-06-05 | 华北电力大学 | 基于长短期记忆模型循环神经网络的风力发电机故障诊断 |
| CN111287912A (zh) * | 2020-02-18 | 2020-06-16 | 广州特种承压设备检测研究院 | 风力发电机变桨系统故障诊断方法 |
| CN112613554A (zh) * | 2020-12-21 | 2021-04-06 | 国家电投集团江苏新能源有限公司 | 一种风力发电机变桨系统故障预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 宋昌举 等: "基于自适应观测器的风机变桨系统故障诊断", 《上海电机学院学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113898528A (zh) * | 2021-09-30 | 2022-01-07 | 江苏金风软件技术有限公司 | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 |
| WO2024045413A1 (zh) * | 2022-08-31 | 2024-03-07 | 北京金风慧能技术有限公司 | 风力发电机组的变桨故障预测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022151890A1 (zh) | 一种风电场发电量评估及微观选址模型建立方法 | |
| CN104595112B (zh) | 风力涡轮机及评估其上叶片健康状态的方法 | |
| CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
| CN102022264B (zh) | 用于风力涡轮机健康管理的系统和方法 | |
| CN113092115B (zh) | 数模联合驱动的全寿命滚动轴承数字孪生模型构建方法 | |
| CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
| CN113187674A (zh) | 一种风电机组变桨系统的故障确定方法及系统 | |
| CN103925155B (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
| CN107728059B (zh) | 一种变桨系统状态评估方法 | |
| WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
| CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
| CN117905638B (zh) | 基于强化学习的风力发电机优化控制方法及系统 | |
| CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
| CN113468728B (zh) | 一种基于神经网络的变桨系统故障预测方法 | |
| CN108052963A (zh) | 风电功率预测建模的数据筛选方法、装置及风力发电机组 | |
| CN111173688A (zh) | 基于自适应观测器的风力发电机故障诊断与隔离方法 | |
| Xing et al. | Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network | |
| CN110108457B (zh) | 一种基于万有引力神经网络的一次风机轴温诊断方法 | |
| CN110889646A (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
| Badihi et al. | Model-based active fault-tolerant cooperative control in an offshore wind farm | |
| Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| CN114547942B (zh) | 基于cas分析和神经网络的轴系状态监测及评估方法 | |
| Li et al. | A method based on artificial neural network to estimate the health of wind turbine | |
| CN114151291B (zh) | 一种风电机组早期故障监测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |
|
| RJ01 | Rejection of invention patent application after publication |