CN113239534B - 风力发电机组的故障、寿命预测方法和装置 - Google Patents

风力发电机组的故障、寿命预测方法和装置 Download PDF

Info

Publication number
CN113239534B
CN113239534B CN202110501903.8A CN202110501903A CN113239534B CN 113239534 B CN113239534 B CN 113239534B CN 202110501903 A CN202110501903 A CN 202110501903A CN 113239534 B CN113239534 B CN 113239534B
Authority
CN
China
Prior art keywords
data
wind generating
generating set
fault
working condition
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
Application number
CN202110501903.8A
Other languages
English (en)
Other versions
CN113239534A (zh
Inventor
姜孝谟
马明骏
成骁彬
唐伟健
陈庆
赵海心
林琳
惠怀宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Shanghai Electric Wind Power Group Co Ltd
Original Assignee
Dalian University of Technology
Shanghai Electric Wind Power Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology, Shanghai Electric Wind Power Group Co Ltd filed Critical Dalian University of Technology
Priority to CN202110501903.8A priority Critical patent/CN113239534B/zh
Publication of CN113239534A publication Critical patent/CN113239534A/zh
Application granted granted Critical
Publication of CN113239534B publication Critical patent/CN113239534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)

Abstract

本申请提供一种风力发电机组的故障、寿命预测方法和装置，所述故障预测方法包括：获取风力发电机组在不同时刻的运行时长和工况数据，所述工况数据包括至少一种；根据所述运行时长、所述工况数据和威布尔比例风险模型，预测所述风力发电机组的累积失效概率，其中，所述威布尔比例风险模型中的形状参数的大小与所述至少一种工况数据的大小正相关。本申请在预测风力发电机组的故障时，将风力发电机组的至少一种工况数据作为威布尔比例风险模型中的形状参数的影响因素，建立了一种多层级的威布尔比例风险模型，提高了模型的预测精度，从而实现对风力发电机组的故障的可靠预警。

Description

风力发电机组的故障、寿命预测方法和装置
技术领域
本申请涉及风力发电机组领域，尤其涉及一种风力发电机组的故障、寿命预测方法和装置。
背景技术
寿命预测是指对设备剩余有效使用寿命进行预测，即预测从当前时刻开始计算，设备在当前的使用条件下能够安全、经济运行的时长。目前，寿命预测方法主要分为两类，分别为基于物理模型(物理模型主要基于设备本身的性能数据)的寿命预测方法和基于数据驱动(数据驱动主要基于设备的运行数据)的寿命预测方法，完备的物理知识是保证基于物理模型建立精准的寿命预测模型的关键，而随着科学技术的不断发展，机械设备逐渐趋于复杂化，对于复杂的高可靠性、长寿命系统，获取系统的、全面的物理失效机理和物理结构是极为困难的，所以基于物理模型的寿命预测方法在应用和研究上受到了很大程度的限制。随着物联网、互联网和计算机技术的发展，获取数据比建立准确的系统物理模型更为容易，因此，数据驱动模型逐渐成为更为有效的解决寿命预测的方法。
可靠性模型是发展最为成熟的基于数据驱动的寿命预测模型，其中威布尔(Weibull)分布是可靠性模型中最为常用的一种模型，它可以描述多种不同的失效类型。传统的Weibull模型无法考虑个体机组(如风力发电机组)不同状态下的可靠性变化，因此提出一种威布尔比例风险模型WeibullPHM，其以Weibull分布作为基线函数，机组的监测数据作为模型协变量的比例风险模型，其同时考虑运行时长和监测数据作为影响机组可靠性的主要因素，给出准确的可靠性寿命预测模型，监测数据仅在时间层面影响模型的失效率函数，若仅将这些变量作为影响模型失效率函数的因子引入模型，可能会降低模型精度。
发明内容
本申请提供一种风力发电机组的故障、寿命预测方法和装置。
具体地，本申请是通过如下技术方案实现的：
本申请实施例的第一方面，提供一种风力发电机组的故障预测方法，所述方法包括：
获取风力发电机组在不同时刻的运行时长和工况数据，所述工况数据包括至少一种；
根据所述运行时长、所述工况数据和威布尔比例风险模型，预测所述风力发电机组的累积失效概率，其中，所述威布尔比例风险模型中的形状参数的大小与所述至少一种工况数据的大小正相关。
可选地，所述工况数据包括风速、所述风力发电机的发电机转速、发电机U相绕组温度、发电机非驱动端轴承温度、发电机有功功率和发电机驱动端轴承温度中的至少一种。
可选地，所述形状参数为指数函数，所述指数函数以所述至少一种工况数据作为自变量，所述指数函数的底大于1。
可选地，所述形状参数的大小与多个工况数据的大小分别正相关。
可选地，所述方法还包括：
在对所述风力发电机组的故障进行预测之前，确定所述威布尔比例风险模型的模型参数。
可选地，所述确定所述威布尔比例风险模型的模型参数，包括：
获取SCADA系统采集的多个风力发电机组的SCADA数据，所述SCADA数据包括多个数据组，每个数据组包括同一时刻下的所述风力发电机组的多种类型的工况数据及所述风力发电机组在该时刻的运行时长，所述多个风力发电机组包括处于故障状态的风力发电机组及处于健康状态的风力发电机组；
基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数。
可选地，所述获取SCADA系统采集的多个风力发电机组的SCADA数据之后，所述基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数之前，还包括：
对所述SCADA数据进行预处理；
所述基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数，包括：
基于预处理后的SCADA数据，确定所述威布尔比例风险模型的模型参数。
可选地，所述对所述SCADA数据进行预处理，包括以下至少一种方式：
对所述SCADA数据中的空缺值和/或无效值进行中位数填充；
删除所述SCADA数据中的工况数据超出工况数据阈值所属的数据组及对应的运行时长；
基于实际环境温度及第一预设时间段内的环境温度的均值，对所述SCADA数据中的工况数据包括的温度数据进行修正；
对所述SCADA数据中的各工况数据分别进行归一化处理。
可选地，所述对所述SCADA数据进行预处理之后，所述基于预处理后的SCADA数据，确定所述威布尔比例风险模型的模型参数之前，还包括：
将所述预处理后的SCADA数据中至当前采集时刻之前的第二预设时间段内的工况数据的均值作为所述当前采集时刻的工况数据大小。
本申请实施例的第二方面，提供一种风力发电机组的寿命预测方法，所述方法包括：
获取基于第一方面中任一项所述的故障预测方法确定的所述风力发电机组在不同运行时刻的累积失效概率；
基于所述不同运行时刻的累积失效概率，预测所述风力发电机组的寿命。
可选地，所述基于所述不同运行时刻的累积失效概率，预测所述风力发电机组的寿命，包括：
对所述不同运行时刻的累积失效概率进行多项式拟合，获得多项式拟合函数，其中，所述多项式拟合函数的因变量为累积失效概率，所述多项式拟合函数的自变量为所述风力发电机组的运行时刻；
基于所述多项式拟合函数，确定累积失效概率大于故障预警阈值时的运行时刻，以预测所述风力发电机组的寿命。
可选地，所述多项式拟合函数为二次多项式或三次多项式。
本申请实施例的第三方面，提供一种风力发电机组的故障预测装置，包括一个或多个第一处理器，用于实现第一方面中任一项所述的故障预测方法。
本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有程序，该程序被第一处理器执行时，实现第一方面中任一项所述的故障预测方法。
本申请实施例的第五方面，提供一种风力发电机组的寿命预测装置，包括一个或多个第二处理器，用于实现第二方面中任一项所述的寿命预测方法。
本申请实施例的第六方面，提供一种计算机可读存储介质，其上存储有程序，该程序被第二处理器执行时，实现第二方面中任一项所述的寿命预测方法。
根据本申请实施例提供的技术方案，在预测风力发电机组的故障时，将风力发电机组的至少一种工况数据作为威布尔比例风险模型中的形状参数的影响因素，建立了一种多层级的威布尔比例风险模型，提高了模型的预测精度，从而实现对风力发电机组的故障的可靠预警。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一示例性实施例示出的一种风力发电机组的故障预测方法的流程示意图；
图2是本申请另一示例性实施例示出的一种风力发电机组的故障预测方法的流程示意图；
图3是本申请一示例性实施例示出的一种风力发电机组的寿命预测方法的流程示意图；
图4是本申请一示例性实施例示出的一种发生绕组温度故障的风力发电机组的可靠性分析结果；
图5是本申请一示例性实施例示出的一种发生绕组温度故障的风力发电机组可靠性趋势变化预测结果；
图6是本申请一示例性实施例示出的风力发电机组的故障预测装置的系统框图；
图7是本申请一示例性实施例示出的风力发电机组的寿命预测装置的系统框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图，对本申请的风力发电机组的故障、寿命预测方法和装置进行详细说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
Weibull分布表达式如下：
Figure BDA0003056719760000061
公式(1)中，λ为Weibull模型的失效率函数，β为失效率函数的形状参数，η为失效率函数的尺度参数。
不同形状参数β下的Weibull分布表示不同的故障模式，其中，当β＜1时，为早期失效模式，在早期失效模式下，随着机组运行时长的增加，失效率越来越小；当β＝1时，为随机失效模式，随着机组运行时长的增加，失效率不变；当β＞1时，为累积失效模式，在累积失效模式下，随着机组运行时长的增加，失效率越来越大。
Weibull分布仅是机组的运行时长t的函数，其可以描述总体机组的可靠性变化，但无法考虑个体机组不同状态下的可靠性变化。
为分析不同状态下个体机组的可靠性，提出一种威布尔比例风险模型(WeibullPHM)。WeibullPHM是以Weibull分布作为基线函数，机组的监测数据作为模型协变量的比例风险模型，其同时考虑机组的运行时长和监测数据作为影响机组可靠性的主要因素，给出准确的可靠性寿命预测模型，威布尔比例风险模型表达式如下：
Figure BDA0003056719760000062
公式(2)中，t为机组的运行时长，X为机组的监测数据，g(X)为模型协变量融入形式，其一般形式如下：
Figure BDA0003056719760000071
公式(3)中，X11、X12、…、以及X1n为不同种类的监测数据，α1、α2、…、以及αn为上述不同监测数据对应的影响系数，n为监测数据的种类序号。
g(X)保证了威布尔比例风险模型的基本假定，且能解决多种因素引入可靠性模型的问题，保证模型的精度。
根据威布尔比例风险模型的失效率函数，可以计算得到机组的累积失效概率F，累积失效概率F的计算公式如下：
Figure BDA0003056719760000072
将上述公式(2)代入公式(4)，获得：
Figure BDA0003056719760000073
根据计算得到的机组的累积失效概率，可分析机组的可靠性变化，进一步估计出机组的剩余寿命。
WeibullPHM是发展成熟且常用的寿命预测模型，其在如燃机、汽机等传统旋转机械的寿命预测方面的应用研究已取得了良好的效果，但在实际风电工程领域的应用研究相对较少，由于风电数据的特殊性，如变转速、变工况，该模型应用于风电领域还需要进一步改进和验证。
从传统的WeibullPHM模型表达式中可以看出，该模型仅考虑机组的监测数据作为影响模型失效率函数的因子，以g(X)的形式引入模型，这类监测数据通常为表征机组的运行状态的变量数据，而部分监测数据可能为表征机组工况或影响后续机组运行状态的变量数据，即在时间层面影响模型的失效率函数，若仅将这些变量作为影响模型失效率函数的因子引入模型，可能会降低模型精度。
对于此，本申请在预测风力发电机组的故障时，将风力发电机组的至少一种工况数据作为威布尔比例风险模型中的形状参数的影响因素，建立了一种多层级的威布尔比例风险模型，提高了模型的预测精度，从而实现对风力发电机组的故障的可靠预警。
图1是本申请一示例性实施例示出的一种风力发电机组的故障预测方法的流程示意图；本申请实施例的风力发电机组的故障预测方法的执行主体可以包括风力发电机组，也可以为其他具有数据处理能力的设备，如计算机。
请参见图1，本申请实施例提供的一种风力发电机组的故障预测方法可以包括步骤S11～S12。
其中，在步骤S11中、获取风力发电机组在不同时刻的运行时长和工况数据，工况数据包括至少一种。
本申请实施例的工况数据可包括风速、风力发电机的发电机转速、发电机U相绕组温度、发电机非驱动端轴承温度、发电机有功功率和发电机驱动端轴承温度中的至少一种。可选地，工况数据包括风速、风力发电机的发电机转速、发电机U相绕组温度、发电机非驱动端轴承温度、发电机有功功率和发电机驱动端轴承温度中的至少两种，从而将风力发电机组的至少两种工况数据作为威布尔比例风险模型中的形状参数的影响因素，建立了一种多变量多层级的威布尔比例风险模型，进一步提高了模型的预测精度，示例性的，工况数据包括风速、风力发电机的发电机转速、发电机U相绕组温度、发电机非驱动端轴承温度、发电机有功功率和发电机驱动端轴承温度。
在步骤S12中、根据运行时长、工况数据和威布尔比例风险模型，预测风力发电机组的累积失效概率，其中，威布尔比例风险模型中的形状参数的大小与至少一种工况数据的大小正相关。
形状参数可以为指数函数，也可以为其他函数。示例性的，形状参数为指数函数，指数函数以至少一种工况数据作为自变量，指数函数的底大于1。可选地，指数函数的底为e，形状参数的数学表达式如下：
Figure BDA0003056719760000081
公式(6)中，β为形状参数，X21、X22、…、以及X2n为不同种类的工况数据，β1、β2、…、以及βn为上述不同种类的工况数据对应的影响系数，n为工况数据的种类序号。
可选地，形状参数的大小与多个工况数据的大小分别正相关，从而将风力发电机组的多种工况数据作为威布尔比例风险模型中的形状参数的影响因素，建立了一种多变量多层级的威布尔比例风险模型，进一步提高了模型的预测精度。
具体而言，本申请实施例的威布尔比例风险模型的数学表达式如下：
Figure BDA0003056719760000091
公式(7)中，λ为风力发电机组的失效率函数，t为风力发电机组的运行时长，X为风力发电机组的工况数据，β为形状参数，η为尺度参数，g(X)为协变量，g(X)的数学表达如公式(3)。
需要说明的是，g(X)中的工况数据的类型与β(X)中的工况数据的类型可以相同，也可以不相同。
风力发电机组的累积失效概率F的数学表达式如下：
Figure BDA0003056719760000092
其中，累积失效概率F越大，说明风力发电机组发生故障的可能性越大，也在一定程度上表征了风力发电机组的失效程度。
上述为使用本申请实施例提出的威布尔比例风险模型(模型参数已知)对风力发电机组的故障进行预测的过程。
请参见图2，本申请实施例的风力发电机组的故障预测方法还可包括：
步骤S21、在对风力发电机组的故障进行预测之前，确定威布尔比例风险模型的模型参数。
即进行风力发电机组可靠性建模。
一种确定威布尔比例风险模型的模型参数可包括如下步骤：
(1)、获取SCADA系统采集的多个风力发电机组的SCADA数据，SCADA数据包括多个数据组，每个数据组包括同一时刻下的风力发电机组的多种类型的工况数据及风力发电机组在该时刻的运行时长，多个风力发电机组包括处于故障状态的风力发电机组及处于健康状态的风力发电机组；
(2)、基于SCADA数据，确定威布尔比例风险模型的模型参数。
为方便描述，下文将SCADA系统采集的多个风力发电机组的SCADA数据称为原始SCADA数据。
本申请实施例中，在建模时，需要同时处于故障状态的风力发电机组的原始SCADA数据以及处于健康状态的风力发电机组的原始SCADA数据进行建模，提高建模精度。当然，也可以仅基于故障状态的风力发电机组的原始SCADA数据进行建模或者仅基于处于健康状态的风力发电机组的原始SCADA数据进行建模。
在一些实施例中，基于原始SCADA数据，确定威布尔比例风险模型的模型参数。
在另外一些实施例中，为消除原始SCADA数据对建模精度的影响，在获取原始SCADA数据之后，基于SCADA数据，确定威布尔比例风险模型的模型参数之前，还需对原始SCADA数据进行预处理，再基于预处理后的SCADA数据，确定威布尔比例风险模型的模型参数，采用预处理后的SCADA数据进行建模，能够提建模的准确性。
预处理的方式可以根据需要选择，示例性的，对原始SCADA数据进行预处理，包括以下至少一种方式：
1、对原始SCADA数据中的空缺值和/或无效值进行中位数填充，如此能够避免原始数据中的空缺值、无效值、波动性等因素影响模型的精度。中位数是指当前填充位置前后一定时间段(如10分钟)内对应的数据的均值。
2、删除原始SCADA数据中的工况数据超出工况数据阈值所属的数据组及对应的运行时长，如对风速小于3m/s以及有功功率小于0w或大于4000w的数据组进行删除。
3、基于实际环境温度及第一预设时间段内的环境温度的均值，对原始SCADA数据中的工况数据包括的温度数据进行修正。比如，对原始SCADA数据中的工况数据包括的温度数据进行季节性因素消除，采取温度数据T减去环境温度Te并加上环境温度均值
Figure BDA0003056719760000111
得到修正后的温度数据T′，温度数据的修正公式如下：
Figure BDA0003056719760000112
第一预设时间段的大小可以根据需要设定，如10分钟。
4、对原始SCADA数据中的各工况数据分别进行归一化处理，从而消除量纲影响，且保证风力发电组间评判故障或健康的准则相同，便于横向融合不同风力发电组数据。
具体地，对各风力发电机组的原始SCADA数据中的各工况数据使用统一的归一化区间进行归一化处理，示例性的，对应某种类型的原始工况数据，不同时刻分别为xi，该种类型的工况数据组合表示为x＝(x1,x2,...,xi,...)，i表示采集时刻，通过对原始工况数据x＝(x1,x2,...,xi,...)进行线性变换，使数据映射到0～1之间，得到归一化后的变量数据组合x′＝(x′1,x′2,...,x′i,...)，数据归一化公式如下：
Figure BDA0003056719760000113
公式(10)中，x′i为归一化后的第i时刻的工况数据，xmax、xmin分别为归一化前的组合中的最大值、最小值。
另外，为消除采集时间间隔较短导致的数据波动性，提高可靠性寿命预测模型的分析精度，可对风力发电机组的时间序列数据进行重整，具体地，对原始SCADA数据进行预处理之后，基于预处理后的SCADA数据，确定威布尔比例风险模型的模型参数之前，将预处理后的SCADA数据中至当前采集时刻之前的第二预设时间段内的工况数据的均值作为当前采集时刻的工况数据大小。第二预设时间段的大小可以根据需要设定，如1小时或其他。在基于预处理后的SCADA数据，确定威布尔比例风险模型的模型参数时，基于时间序列重整后的SCADA数据，确定威布尔比例风险模型的模型参数。
从原始SCADA数据或者预处理后的SCADA数据或者时间序列重整后的SCADA数据中提取建立威布尔比例风险模型所需的建模关键信息，包括风力发电机组的运行时长和与威布尔比例风险模型的相关的工况数据，其中，对于故障机组，一般提取故障发生时刻数据作为故障数据；对于健康机组，一般提取监测结束时刻数据作为健康数据。根据实际的机组数据情况可额外提取其他时刻的数据作为建模数据，以提高模型的拟合和分析精度。将上述提取的数据代入公式(8)中，即可求出公式(8)中的模型参数大小，模型参数已知后，即可通过威布尔比例风险模型来预测风力发电机组的故障。
图3是本申请一示例性实施例示出的一种风力发电机组的寿命预测方法的流程示意图；本申请实施例的风力发电机组的寿命预测方法的执行主体可以包括风力发电机组，也可以为其他具有数据处理能力的设备，如计算机。
请参见图3，本申请实施例提供的一种风力发电机组的寿命预测方法可包括步骤S31～S32。
其中，在步骤S31中，获取基于上述实施例中的风力发电机组的故障预测方法确定的风力发电机组在不同运行时刻的累积失效概率。
该步骤中，基于公式(8)确定风力发电机组在不同运行时刻的累积失效概率，获得(t1,F1)、(t2,F2)、…、(tN,FN)，其中，t为运行时刻，F为累积失效概率。
在步骤S32中，基于不同运行时刻的累积失效概率，预测风力发电机组的寿命。
具体地，基于历史获得的不同运行时刻的累积失效概率，预测风力发电机组在未来运行时刻的累积失效概率，本申请实施例中，当预测的累积失效概率大于故障预警阈值时的运行时刻即为风力发电机组的寿命终止时刻，风力发电机组的剩余寿命即为t终-t当，其中，t终为寿命终止时刻，t当为当前时刻。
一种基于不同运行时刻的累积失效概率，预测风力发电机组的寿命可包括如下步骤：
(1)、对不同运行时刻的累积失效概率进行多项式拟合，获得多项式拟合函数，其中，多项式拟合函数的因变量为累积失效概率，多项式拟合函数的自变量为风力发电机组的运行时刻；
其中，多项式拟合函数的公式如下：
F(t)＝a0+a1t+a2t2+...+aktk    (11)；
公式(11)中，t为运行时刻，F为累积失效概率，a0、a1、a2、…、ak为多项式拟合函数中各项的系数，k为多项式拟合函数的项数。
可选地，多项式拟合函数为二次多项式或三次多项式，即k取值为2或3。
拟合方法采用最小二乘法，多项式系数计算公式如下：
Figure BDA0003056719760000131
对该式进行分解，假设：
Figure BDA0003056719760000132
多项式系数计算公式化简为：
a＝(tTt)-1tTF     (14)；
利用多项式拟合曲线对风力发电机组未来的可靠性趋势变化进行预测，给出风力发电机组可靠性预测结果。
(2)、基于多项式拟合函数(即多项式系数已确定的多项式拟合函数)，确定累积失效概率大于故障预警阈值时的运行时刻，以预测风力发电机组的寿命。
故障预警阈值的大小可以根据需要设定，示例性的，故障预警阈值大于或等于40％，并小于或等于60％，如40％、45％、50％、55％、60％或其他。
当然，在基于不同运行时刻的累积失效概率，预测风力发电机组的寿命时，也可以基于其他函数公式或模型对风力发电机组的剩余寿命进行预测。
可分析风力发电机组在当前时刻的累积失效概率，判断机组是否失效，还可以基于风力发电机组在当前时刻的累积失效概率的大小进一步判断故障的阶段。
示例性的，当累积失效概率大于或等于故障预警阈值，小于第一概率阈值时，为第一失效阶段；当累积失效概率大于或等于第一概率阈值，并小于第二概率阈值时，为第二失效阶段；…，等等。
本申请可对风力发电机组进行可靠性分析，并根据可靠性分析结果，对风力发电机组是否发生绕组温度故障进行判断，且给出风力发电机组的剩余寿命，实现对风力发电机组的提前维护，降低风力发电机组故障带来的经济损失。
以某台4MW海上风力发电机组中发电机绕组温超限故障为实施例，包括如下步骤：
步骤一、根据风力发电机组故障失效机理和变量数据趋势变化，确定风力发电机组的故障关键变量，如表1所示，并从原始SCADA数据中提取关键变量数据。
表1、绕组温度关键变量
关键变量
发电机转速
风速
发电机U相绕组温度
发电机非驱动端轴承温度
发电机有功功率
发电机驱动端轴承温度
步骤二、对关键变量数据进行预处理，具体参见上述实施例中的相应部分，不再赘述。
步骤三、对关键变量数据时间序列的进行重整，具体参见上述实施例中的相应部分，不再赘述。
步骤四、从关键变量数据中提取建立威布尔比例风险模型所需的建模关键信息，包括机组运行时长和监测变量数据，对于故障机组，提取故障发生时刻数据作为故障数据，提取故障发生前一年内的随机某一时刻下的数据作为健康数据；对于健康机组，提取监测结束时刻和前一年内的随机某一时刻下的数据作为健康数据，共提取了120个时间点的机组数据作为建模数据。
步骤五、根据提取出的建模关键信息，选取风力发电机组的运行时长、当前绕组温度和前2h非驱动端轴承温度作为模型变量，建立多变量多层级的威布尔比例风险模型。
基于上述实施例中的建模方法获得模型参数结果，如下表2。
表2模型参数结果
模型参数 参数变量 变量系数
<![CDATA[β<sub>1</sub>]]> <![CDATA[前2h非驱动端轴承温度(X<sub>2</sub>)]]> -1.043
<![CDATA[β<sub>0</sub>]]> 常数 0.521
η 常数 10.579
α <![CDATA[当前绕组温度(X<sub>1</sub>)]]> 12.900
代入公式(8)，得到：
Figure BDA0003056719760000151
基于公式(5)进行可靠性分析，可靠性分析结果如图4所示。
步骤六、基于风力发电机组在当前时刻及当前时刻之前的不同时刻的累积失效率，进行二次或三次多项式拟合，对风力发电机组未来的可靠性趋势变化进行预测。
分析风力发电机组当前的可靠性，判断风力发电机组是否处于失效阶段或完全失效，当机组累积失效概率F超过0.2时，认为机组处于失效阶段(寿命未终止)，根据风力发电机组可靠性预测结果和故障预警阈值，给出风力发电机组的剩余寿命，当风力发电机组的累积失效概率F超过0.6时，认为风力发电机组处于完全失效，寿命未终止。表3为风力发电机组的剩余寿命估计结果：
表3、风力发电机组的剩余寿命估计结果
数据时间点 失效概率 预测剩余寿命(h) 真实剩余寿命(h) 误差(h)
2017/10/29 2:00 0.37 71.00 254.95 183.95
2017/11/10 13:00 0.48 15.00 14.75 0.25
2017/11/11 3:00 0.55 2.00 0.75 1.25
2017/11/11 4:00 0.95 0.00 0.00 0.00
2017/11/11 5:00 1.00 0.00 0.00 0.00
2017/11/11 6:00 1.00 0.00 0.00 0.00
由图4可知，2017年11月11日下午4点之前，累积失效率均小于50％(故障预警阈值)，风力发电机组处于健康状态，2017年11月11日下午4点的累积失效率大于50％，此时，风力发电机组失效。当前时刻至风力发电机组失效的时刻之间的时长即为风力发电机组的剩余寿命。
图5为图中预测值对应的曲线为风力发电机组可靠性趋势变化预测结果，真实值对应的曲线为风力发电机组可靠性趋势变化实际结果，结果表明，本申请实施例的风力发电机组的寿命预测方法进行可靠性趋势变化预测结果相比真实值虽然存在一定误差，但剩余寿命的差异较小，满足寿命预测需求。
请参见图6，本申请实施例还提供一种风力发电机组的故障预测装置，包括一个或多个第一处理器，用于实现上述实施例中的故障预测方法。
故障预测装置的实施例可以应用在风力发电机组上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在风力发电机组的第一处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本申请故障预测装置所在风力发电机组的一种硬件结构图，除了图6所示的第一处理器、内部总线、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的风力发电机组通常根据该风力发电机的实际功能，还可以包括其他硬件，对此不再赘述。
本申请实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被第一处理器执行时，用于实现上述实施例中的故障预测方法。
请参见图7，本申请实施例还提供一种风力发电机组的寿命预测装置，包括一个或多个第二处理器，用于实现上述实施例中的寿命预测方法。
寿命预测装置的实施例可以应用在风力发电机组上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在风力发电机组的第二处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图7所示，为本申请寿命预测装置所在风力发电机组的一种硬件结构图，除了图7所示的第二处理器、内部总线、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的风力发电机组通常根据该风力发电机的实际功能，还可以包括其他硬件，对此不再赘述。
本申请实施例的第六方面，提供一种计算机可读存储介质，其上存储有程序，该程序被第二处理器执行时，用于实现上述实施例中的寿命预测方法。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (14)

1.一种风力发电机组的故障预测方法，其特征在于，所述方法包括：
获取风力发电机组在不同时刻的运行时长和工况数据，所述工况数据包括风速、所述风力发电机的发电机转速、发电机U相绕组温度、发电机非驱动端轴承温度、发电机有功功率和发电机驱动端轴承温度中的至少两种，所述工况数据包括根据风力发电机组故障失效机理和变量数据趋势变化确定的所述风力发电机组的故障关键变量；
根据所述运行时长、所述工况数据和威布尔比例风险模型，预测所述风力发电机组的累积失效概率，其中，所述威布尔比例风险模型中的形状参数的大小与所述至少两种工况数据的大小正相关。
2.根据权利要求1所述的风力发电机组的故障预测方法，其特征在于，所述形状参数为指数函数，所述指数函数以所述至少一种工况数据作为自变量，所述指数函数的底大于1。
3.根据权利要求1所述的风力发电机组的故障预测方法，其特征在于，所述方法还包括：
在对所述风力发电机组的故障进行预测之前，确定所述威布尔比例风险模型的模型参数。
4.根据权利要求3所述的风力发电机组的故障预测方法，其特征在于，所述确定所述威布尔比例风险模型的模型参数，包括：
获取SCADA系统采集的多个风力发电机组的SCADA数据，所述SCADA数据包括多个数据组，每个数据组包括同一时刻下的所述风力发电机组的多种类型的工况数据及所述风力发电机组在该时刻的运行时长，所述多个风力发电机组包括处于故障状态的风力发电机组及处于健康状态的风力发电机组；
基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数。
5.根据权利要求4所述的风力发电机组的故障预测方法，其特征在于，所述获取SCADA系统采集的多个风力发电机组的SCADA数据之后，所述基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数之前，还包括：
对所述SCADA数据进行预处理；
所述基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数，包括：
基于预处理后的SCADA数据，确定所述威布尔比例风险模型的模型参数。
6.根据权利要求5所述的风力发电机组的故障预测方法，其特征在于，所述对所述SCADA数据进行预处理，包括以下至少一种方式：
对所述SCADA数据中的空缺值和/或无效值进行中位数填充；
删除所述SCADA数据中的工况数据超出工况数据阈值所属的数据组及对应的运行时长；
基于实际环境温度及第一预设时间段内的环境温度的均值，对所述SCADA数据中的工况数据包括的温度数据进行修正；
对所述SCADA数据中的各工况数据分别进行归一化处理。
7.根据权利要求5所述的风力发电机组的故障预测方法，其特征在于，所述对所述SCADA数据进行预处理之后，所述基于预处理后的SCADA数据，确定所述威布尔比例风险模型的模型参数之前，还包括：
将所述预处理后的SCADA数据中至当前采集时刻之前的预第二设时间段内的工况数据的均值作为所述当前采集时刻的工况数据大小。
8.一种风力发电机组的寿命预测方法，其特征在于，所述方法包括：
获取基于权利要求1-7中任一项所述的故障预测方法确定的所述风力发电机组在不同运行时刻的累积失效概率；
基于所述不同运行时刻的累积失效概率，预测所述风力发电机组的寿命。
9.根据权利要求8所述的风力发电机组的寿命预测方法，其特征在于，所述基于所述不同运行时刻的累积失效概率，预测所述风力发电机组的寿命，包括：
对所述不同运行时刻的累积失效概率进行多项式拟合，获得多项式拟合函数，其中，所述多项式拟合函数的因变量为累积失效概率，所述多项式拟合函数的自变量为所述风力发电机组的运行时刻；
基于所述多项式拟合函数，确定累积失效概率大于故障预警阈值时的运行时刻，以预测所述风力发电机组的寿命。
10.根据权利要求9所述的风力发电机组的寿命预测方法，其特征在于，所述多项式拟合函数为二次多项式或三次多项式。
11.一种风力发电机组的故障预测装置，其特征在于，包括一个或多个第一处理器，用于实现权利要求1-7中任一项所述的故障预测方法。
12.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被第一处理器执行时，实现权利要求1-7中任一项所述的故障预测方法。
13.一种风力发电机组的寿命预测装置，其特征在于，包括一个或多个第二处理器，用于实现权利要求8-10中任一项所述的寿命预测方法。
14.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被第二处理器执行时，实现权利要求8-10中任一项所述的寿命预测方法。
CN202110501903.8A 2021-05-08 2021-05-08 风力发电机组的故障、寿命预测方法和装置 Active CN113239534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110501903.8A CN113239534B (zh) 2021-05-08 2021-05-08 风力发电机组的故障、寿命预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110501903.8A CN113239534B (zh) 2021-05-08 2021-05-08 风力发电机组的故障、寿命预测方法和装置

Publications (2)

Publication Number Publication Date
CN113239534A CN113239534A (zh) 2021-08-10
CN113239534B true CN113239534B (zh) 2023-04-07

Family

ID=77132771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110501903.8A Active CN113239534B (zh) 2021-05-08 2021-05-08 风力发电机组的故障、寿命预测方法和装置

Country Status (1)

Country Link
CN (1) CN113239534B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429249B (zh) * 2022-04-06 2022-08-16 杭州未名信科科技有限公司 钢管束生产设备的寿命预测方法、系统、设备及存储介质
CN115270425B (zh) * 2022-07-08 2023-05-23 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 逻辑模型与物理模型故障特性映射关系的处理方法和装置
CN115796059B (zh) * 2023-02-07 2023-06-20 中国电建集团山东电力建设第一工程有限公司 一种基于深度学习的电气设备寿命预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631578A (zh) * 2015-12-10 2016-06-01 浙江大学 一种面向风险评估的输变电设备故障概率模型的建模方法
CN112632773A (zh) * 2020-12-21 2021-04-09 北京华能新锐控制技术有限公司 一种风电机组可靠性预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9239894B2 (en) * 2012-07-23 2016-01-19 General Electric Company Systems and methods for predicting failures in power systems equipment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631578A (zh) * 2015-12-10 2016-06-01 浙江大学 一种面向风险评估的输变电设备故障概率模型的建模方法
CN112632773A (zh) * 2020-12-21 2021-04-09 北京华能新锐控制技术有限公司 一种风电机组可靠性预测方法

Also Published As

Publication number Publication date
CN113239534A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113239534B (zh) 风力发电机组的故障、寿命预测方法和装置
CN110119787B (zh) 一种旋转型机械设备工况检测方法及设备
CN113570138B (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN110046409B (zh) 一种基于ResNet的汽轮机部件健康状态评估方法
CN111414703B (zh) 一种滚动轴承剩余寿命预测方法及装置
Wang et al. A de-ambiguous condition monitoring scheme for wind turbines using least squares generative adversarial networks
JP6845126B2 (ja) 故障確率算出装置、故障確率算出方法及びプログラム
CN110751383B (zh) 一种基于多策略融合降维的电力现货市场出清计算方法
CN113095367B (zh) 一种基于深度强化学习的压缩机故障诊断方法
CN110874665B (zh) 用于风力发电机组的控制装置和方法
CN111783242B (zh) 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置
CN112379274A (zh) 一种动力电池剩余寿命预测方法
CN116701877A (zh) 一种基于条件扩散模型的风机异常值修复方法
CN117350159A (zh) 发电机散热性能预警方法、装置、设备及存储介质
CN114708675A (zh) 基于dae的电潜泵故障诊断方法、系统、终端及介质
CN110489852A (zh) 提高风电系统数据质量的方法及装置
CN113468818B (zh) 风力发电机组的绕组运行状态监测方法和装置
CN110705581A (zh) 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法
US11339763B2 (en) Method for windmill farm monitoring
Yang et al. Detection of wind turbine blade abnormalities through a deep learning model integrating VAE and neural ODE
CN115687864A (zh) 基于XGBoost-KDE的风机主轴承故障预警方法
CN114565192A (zh) 旋转机械设备的主轴轴承寿命预测方法、设备和介质
CN115795999B (zh) 一种长期服役抽水蓄能机组性能异常预警方法
CN116502404A (zh) 一种剩余寿命预测方法、计算机设备及可读存储介质
CN114492948A (zh) 基于dfa去趋势融合多维特征的电力线损预测方法

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
GR01 Patent grant
GR01 Patent grant