CN113494428B - 风力发电机组的故障检测方法和装置 - Google Patents
风力发电机组的故障检测方法和装置 Download PDFInfo
- Publication number
- CN113494428B CN113494428B CN202010199863.1A CN202010199863A CN113494428B CN 113494428 B CN113494428 B CN 113494428B CN 202010199863 A CN202010199863 A CN 202010199863A CN 113494428 B CN113494428 B CN 113494428B
- Authority
- CN
- China
- Prior art keywords
- fault
- value
- threshold
- time
- failure
- 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
Links
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
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- 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
Abstract
提供一种风力发电机组的故障检测方法和装置,所述故障检测方法包括:获取风力发电机组的预定运行参数;基于所获取的所述预定运行参数和故障阈值,确定是否满足故障判断条件;如果满足故障判断条件,则确定风力发电机组存在与所述预定运行参数对应的运行故障,其中,所述故障阈值通过以下方式被更新:确定所述运行故障的历史故障数据中所述预定运行参数的统计值,基于所确定的统计值来更新所述故障阈值。在上述风力发电机组的故障检测方法和装置中,通过对故障阈值的不断优化,能够提高对风力发电机组故障检测的准确性。
Description
技术领域
本发明总体说来涉及风力发电技术领域,更具体地讲,涉及一种风力发电机组的故障检测方法和装置。
背景技术
风力发电机组是实现由风能到机械能和由机械能到电能两个能量转换过程的装置,风轮系统实现了从风能到机械能的能量转换,发电机和控制系统则实现了从机械能到电能的能量转换过程,在考虑风力发电机组控制系统的控制目标时,控制系统主要实现正常运行控制、参数监测及监控以及安全保护及处理三大功能:
(1)正常运行控制包括:风力发电机组的启动控制、停机控制、并网控制、变速控制、恒功率运行控制等。
(2)参数监测及监控包括:对电网参数(如电网电压和频率、发电机输出电流、功率和功率因数等)、环境参数(如风速、风向和环境温度等)、温度(如发电机绕组温度、齿轮轴承温度、控制柜温度和机舱温度等)、变流器参数(如转矩、变流器通风口温度等)、机舱振动、电缆缠绕、压力等参数的监测与监控。
(3)安全保护及处理系统:即当风力发电机组内部或者外部故障,或者监控的参数超过极限值而出现紧急情况,或者控制系统失效时,风力发电机组不能保持其在正常运行范围内,则应启动安全保护及处理系统,使风机发电机组维持在安全状态。
控制系统的设计和实施结果能够满足风力发电机组无人值守、自动运行、状态控制及检测的要求,所以又同时要求风力发电机组在非机组自身问题导致的故障停机、且待故障现象消除后,风力发电机组通过执行软件自复位功能进入待机状态。
目前对风力发电机组的参数优化的基本方法及步骤如下:
统计现场故障频次,对多次触发、多机组触发的情况进行信息梳理;
查看风力发电机组的故障文件、或者人工采集的数据,确认故障原因或者修改测试程序,以便抓取故障数据;
根据风力发电机组的数据,在查明故障原因之后,修改、完善风力发电机组的程序;
将新程序下发至项目现场,进行程序的批量更新。
在上述步骤中,特别是第2步和第4步,所耗费的时间较长,合计往往约1~2周时间。对于第2步,一方面部分数据不一定能马上抓取到(如异常情况持续时间较短),有时需人工采集较长时间,才能抓取到数据,即抓取数据、分析原因会耗费很长时间,并且在其过程中又会产生因为分析、核对、检查数据而导致的工作量;另一方面修改测试程序进行测试,测试期也存在不确定性,一般至少为3~5天。对于第4步,对风电场内下发程序流程以及批量更新程序,也会耗费较长的时间和人员工作量,而在此期间,风力发电机组可能还会触发类似故障而停机。
发明内容
本发明的示例性实施例的目的在于提供一种风力发电机组的故障检测方法和装置,以克服上述至少一种缺陷。
在一个总体方面,提供一种风力发电机组的故障检测方法,所述故障检测方法包括:获取风力发电机组的预定运行参数;基于所获取的所述预定运行参数和故障阈值,确定是否满足故障判断条件;如果满足故障判断条件,则确定风力发电机组存在与所述预定运行参数对应的运行故障,其中,所述故障阈值通过以下方式被更新:确定所述运行故障的历史故障数据中所述预定运行参数的统计值,基于所确定的统计值来更新所述故障阈值。
可选地,所述运行故障的历史故障数据包括多段故障数据,其中,通过以下方式对所述故障阈值进行更新:分别确定每段故障数据中所述预定运行参数的统计值;判断各统计值是否满足数据一致性;如果满足数据一致性,则基于各统计值的最值来更新所述故障阈值。
可选地,判断各统计值是否满足数据一致性的步骤包括:对各统计值进行排序,获得数值序列;计算处于所述数值序列首位的统计值与处于所述数值序列末位的统计值的差值;如果计算得到的差值不大于第一设定值,则确定各统计值满足数据一致性;如果计算得到的差值大于第一设定值,则确定各统计值不满足数据一致性。
可选地,基于各统计值的最值来更新所述故障阈值的步骤包括:将各统计值的最值与所述故障阈值进行比较;如果所述最值与所述故障阈值的差值大于第二设定值,则不更新所述故障阈值;如果所述最值与所述故障阈值的差值不大于第二设定值,则将各统计值的最值与所述预定运行参数的限幅值进行比较;如果所述最值不满足所述预定运行参数的限幅要求,则不更新所述故障阈值;如果所述最值满足所述预定运行参数的限幅要求,则基于所述最值对所述故障阈值进行更新。
可选地,基于所述最值对所述故障阈值进行更新的步骤包括:用所述最值替换所述故障阈值,或者,计算所述最值与预设优化幅度的和值,用所述和值替换所述故障阈值。
可选地,故障判断条件包括第一故障条件或者第二故障条件,所述预定运行参数的统计值根据故障判断条件来确定,其中,第一故障条件指所述预定运行参数大于故障阈值,所述预定运行参数的统计值包括最大值,所述最值包括所有统计值中的最大值,其中,第二故障条件指所述预定运行参数小于故障阈值,所述预定运行参数的统计值包括最小值,所述最值包括所有统计值中的最小值。
可选地,故障判断条件还包括时间条件,所述时间条件指故障持续时间大于时间阈值,其中,如果所述预定运行参数大于故障阈值同时故障持续时间大于时间阈值,则确定满足故障判断条件,或者,如果所述预定运行参数小于故障阈值同时故障持续时间大于时间阈值,则确定满足故障判断条件。
可选地,通过以下方式更新所述时间阈值:确定每段故障数据中所述运行故障的故障持续时间的时间统计值;判断各时间统计值是否满足数据一致性;如果满足数据一致性,则基于各时间统计值的最值来更新所述时间阈值。
可选地,所述故障检测方法还包括:确定所述运行故障是否属于频繁触发故障,其中,如果所述运行故障属于频繁触发故障,则对所述故障阈值进行更新。
在另一总体方面,提供一种风力发电机组的故障检测装置,所述故障检测装置包括:运行参数获取模块,获取风力发电机组的预定运行参数;故障识别模块,基于所获取的所述预定运行参数和故障阈值,确定是否满足故障判断条件;故障确定模块,如果满足故障判断条件,则确定风力发电机组存在与所述预定运行参数对应的运行故障,其中,所述故障检测装置还包括:故障阈值更新模块,通过以下方式更新所述故障阈值:确定所述运行故障的历史故障数据中所述预定运行参数的统计值,基于故障判断条件和所确定的统计值来更新所述故障阈值。
可选地,所述运行故障的历史故障数据包括多段故障数据,其中,故障阈值更新模块包括:统计值确定子模块,分别确定每段故障数据中所述预定运行参数的统计值;数据一致性判断子模块,判断各统计值是否满足数据一致性;阈值更新子模块,如果满足数据一致性,则基于各统计值的最值来更新所述故障阈值。
可选地,数据一致性判断子模块通过以下方式判断各统计值是否满足数据一致性:对各统计值进行排序,获得数值序列;计算处于所述数值序列首位的统计值与处于所述数值序列末位的统计值的差值;如果计算得到的差值不大于第一设定值,则确定各统计值满足数据一致性;如果计算得到的差值大于第一设定值,则确定各统计值不满足数据一致性。
可选地,阈值更新子模块通过以下方式来更新所述故障阈值:将各统计值的最值与所述故障阈值进行比较;如果所述最值与所述故障阈值的差值大于第二设定值,则不更新所述故障阈值;如果所述最值与所述故障阈值的差值不大于第二设定值,则将各统计值的最值与所述预定运行参数的限幅值进行比较;如果所述最值不满足所述预定运行参数的限幅要求,则不更新所述故障阈值;如果所述最值满足所述预定运行参数的限幅要求,则基于所述最值对所述故障阈值进行更新。
可选地,阈值更新子模块用所述最值替换所述故障阈值,或者,阈值更新子模块计算所述最值与预设优化幅度的和值,用所述和值替换所述故障阈值。
可选地,故障判断条件包括第一故障条件或者第二故障条件,所述预定运行参数的统计值根据故障判断条件来确定,其中,第一故障条件指所述预定运行参数大于故障阈值,所述预定运行参数的统计值包括最大值,所述最值包括所有统计值中的最大值,其中,第二故障条件指所述预定运行参数小于故障阈值,所述预定运行参数的统计值包括最小值,所述最值包括所有统计值中的最小值。
可选地,故障判断条件还包括时间条件,所述时间条件指故障持续时间大于时间阈值,其中,如果所述预定运行参数大于故障阈值同时故障持续时间大于时间阈值,则故障识别模块确定满足故障判断条件,或者,如果所述预定运行参数小于故障阈值同时故障持续时间大于时间阈值,则故障识别模块确定满足故障判断条件。
可选地,所述故障检测装置还包括:时间阈值更新模块,通过以下方式更新所述时间阈值:确定每段故障数据中所述运行故障的故障持续时间的时间统计值;判断各时间统计值是否满足数据一致性;如果满足数据一致性,则基于各时间统计值的最值来更新所述时间阈值。
可选地,所述故障检测装置还包括:故障类型确定模块,确定所述运行故障是否属于频繁触发故障,其中,如果所述运行故障属于频繁触发故障,则故障阈值更新模块对所述故障阈值进行更新。
在另一总体方面,提供一种控制器,包括:处理器;存储器,用于存储计算机程序,所述计算机程序在被所述处理器执行时实现上述的风力发电机组的故障检测方法。
在另一总体方面,提供一种存储有计算机程序的计算机可读存储介质,当所述计算机程序在被处理器执行时实现上述的风力发电机组的故障检测方法。
在上述风力发电机组的故障检测方法和装置中,通过对故障阈值的不断优化,能够提高对风力发电机组故障检测的准确性。
附图说明
通过下面结合示例性地示出实施例的附图进行的详细描述,本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚。
图1示出根据本发明示例性实施例的风力发电机组的故障检测方法的流程图;
图2示出根据本发明示例性实施例的对故障阈值进行更新的步骤的流程图;
图3示出根据本发明示例性实施例的风力发电机组的预定运行参数的变化曲线示意图;
图4示出根据本发明示例性实施例的风力发电机组的故障检测装置的框图;
图5示出根据本发明示例性实施例的故障阈值更新模块的框图;
图6示出根据本发明示例性实施例的控制器的框图。
具体实施方式
现在,将参照附图更充分地描述不同的示例实施例,一些示例性实施例在附图中示出。
图1示出根据本发明示例性实施例的风力发电机组的故障检测方法的流程图。
参照图1,在步骤S10中,获取风力发电机组的预定运行参数。
这里,该预定运行参数可指风力发电机组的多种运行参数之一。例如,该预定运行参数可包括但不限于温度值、电压值、电流值、桨距角值等。
在步骤S20中,基于所获取的预定运行参数和故障阈值,确定是否满足故障判断条件。
一种情况,故障判断条件可包括第一故障条件。
这里,第一故障条件可指预定运行参数大于故障阈值。在此情况下,如果预定运行参数大于故障阈值,则确定满足故障判断条件,如果预定运行参数不大于(小于或者等于)故障阈值,则确定不满足故障判断条件。
另一种情况,故障判断条件可包括第二故障条件。
这里,第二故障条件可指预定运行参数小于故障阈值。在此情况下,如果预定运行参数小于故障阈值,则确定满足故障判断条件,如果预定运行参数不小于(大于或者等于)故障阈值,则确定不满足故障判断条件。
在一优选示例中,故障判断条件除包括上述的第一故障条件、第二故障条件之外,可还包括时间条件,这里,时间条件可指故障持续时间大于时间阈值。
针对故障判断条件为第一故障条件的情况,如果预定运行参数大于故障阈值同时故障持续时间大于时间阈值,则确定满足故障判断条件。如果预定运行参数不大于故障阈值,和/或故障持续时间不大于时间阈值,则确定不满足故障判断条件。这里,故障持续时间可指在确定预定运行参数大于故障阈值之后,保持预定运行参数大于故障阈值这一状态的时间。
针对故障判断条件为第二故障条件的情况,如果预定运行参数小于故障阈值同时故障持续时间大于时间阈值,则确定满足故障判断条件。如果预定运行参数不小于故障阈值,和/或故障持续时间不大于时间阈值,则确定不满足故障判断条件。这里,故障持续时间可指在确定预定运行参数小于故障阈值之后,保持预定运行参数小于故障阈值这一状态的时间。
如果满足故障判断条件,则执行步骤S30:确定风力发电机组存在与预定运行参数对应的运行故障。
如果不满足故障判断条件,则确定风力发电机组不存在与预定运行参数对应的运行故障。
在本发明示例性实施例中,为保证故障能够被有效检测出来,并避免故障被频繁触发,提出可以对故障阈值进行更新,具体更新方式为:确定运行故障的历史故障数据中预定运行参数的统计值,基于所确定的统计值来更新故障阈值。
可选地,根据本发明示例性实施例的风力发电机组的故障检测方法可还包括:确定运行故障是否属于频繁触发故障。
例如,可确定在预定时间段内发生运行故障的次数,如果所确定的次数大于预设次数,则确定该运行故障属于频繁触发故障,如果所确定的次数不大于预设次数,则确定该运行故障不属于频繁触发故障。
在此情况下,如果确定运行故障属于频繁触发故障,则对故障阈值进行更新,如果确定运行故障不属于频繁触发故障,则不对故障阈值进行更新。这里,作为示例,故障阈值的初始值可以依据经验确定,也可以依据运行故障的历史故障数据来确定,本发明对此不做限定。
下面参照图2来介绍对故障阈值进行更新的步骤。应理解,图2所示的更新故障阈值的方式仅为示例,本发明不限于此,还可以通过其他方式来对故障阈值进行更新。
图2示出根据本发明示例性实施例的对故障阈值进行更新的步骤的流程图。
参照图2,在步骤S401中,分别确定每段故障数据中预定运行参数的统计值。
这里,运行故障的历史故障数据可包括多段故障数据,针对每段故障数据,来确定预定运行参数的统计值。作为示例,该统计值可包括针对预定运行参数根据各种数学统计算法得到的数值。
例如,针对每段故障数据,可获取触发运行故障时的预定运行参数,利用所获取的触发运行故障时的预定运行参数来确定统计值。
以变桨系统的桨距角检测为例,在现场运行时,多次触发桨距故障的桨距角值为87.8度、88.3度、88.7度、……,此时,可基于上述多次触发桨距故障的桨距角值来确定统计值。
优选地,可还设置参数存储区,对针对每段故障数据所确定的统计值进行存储与更新。例如,可对每段故障数据的统计值进行单独存储,以方便进行数据一致性检测。
在步骤S402中,判断各统计值是否满足数据一致性。
例如,判断各统计值是否满足数据一致性的步骤可包括:对各统计值进行排序,获得数值序列;计算处于该数值序列首位的统计值与处于该数值序列末位的统计值的差值;如果计算得到的差值不大于第一设定值,则确定各统计值满足数据一致性;如果计算得到的差值大于第一设定值,则确定各统计值不满足数据一致性。
这里,第一设定值可以依据经验来设置,但本发明不限于此,本领域技术人员还可以实际需要来对第一设定值的大小进行调整。
目前,在进行数据一致性检测时,通常是通过对数据进行两两对比判断来确定,但对于数据较多的情况,这种方式计算量较大。此外还可以生成拟合曲线,基于拟合曲线来确定数据一致性,但这种方式涉及到曲线拟合算法,也不便于计算。此外,由于每种运行参数的正常数值大小都不一样,所以进行曲线拟合,无法实现算法的通用性。
在本发明示例性实施例中,针对各统计值进行排序,直接求首、尾数据的差值就能判断出数据的一致性,判断方式简便,且通用性高。
如果不满足数据一致性,则不对故障阈值进行更新。
如果满足数据一致性,则执行步骤S403:确定各统计值的最值与故障阈值的差值。
这里,预定运行参数的统计值可以根据故障判断条件来确定。
针对故障判断条件为第一故障条件的情况,预定运行参数的统计值包括最大值,例如,每段故障数据中的预定运行参数的最大值,此时,最值包括所有统计值中的最大值。
针对故障判断条件为第二故障条件的情况,预定运行参数的统计值包括最小值,例如,每段故障数据中的预定运行参数的最小值,此时,最值包括所有统计值中的最小值。
在步骤S404中,将各统计值的最值与故障阈值的差值同第二设定值进行比较,即,确定最值与故障阈值的差值是否大于第二设定值。
上述判断步骤的目的是确定运行故障被频繁触发是否是由于故障阈值设置的不合适导致的,或者判断运行故障是否为误触发故障。
这里,第二设定值可以依据经验来设置,但本发明不限于此,本领域技术人员还可以实际需要来对第二设定值的大小进行调整。
如果各统计值的最值与故障阈值的差值大于第二设定值,则不更新故障阈值。
如果各统计值的最值与故障阈值的差值不大于第二设定值,则执行步骤S405:将各统计值的最值与预定运行参数的限幅值进行比较,即,确定各统计值的最值是否满足预定运行参数的限幅要求。
上述判断步骤的目的是保护风力发电机组的参数安全,即,使风力发电机组的运行处于安全可控的范围内。
作为示例,预定运行参数的限幅值可包括上限值和下限值。这里,预定运行参数的上限值和下限值可指基于该预定运行参数控制风力发电机组运行时,使风力发电机组处于安全可控的范围内的预定运行参数的最大值和预定运行参数的最小值,可以通过各种方式来确定预定运行参数的上限值和下限值,本发明对此不做限定。
针对预定运行参数的统计值为最大值的情况,预定运行参数的限幅值可指该预定运行参数的上限值。
在此情况下,如果各统计值的最值不小于预定运行参数的限幅值,则确定各统计值的最值不满足预定运行参数的限幅要求,如果各统计值的最值小于预定运行参数的限幅值,则确定各统计值的最值满足预定运行参数的限幅要求。
针对预定运行参数的统计值为最小值的情况,预定运行参数的限幅值可指该预定运行参数的下限值。
在此情况下,如果各统计值的最值不大于预定运行参数的限幅值,则确定各统计值的最值不满足预定运行参数的限幅要求,如果各统计值的最值大于预定运行参数的限幅值,则确定各统计值的最值满足预定运行参数的限幅要求。
如果各统计值的最值不满足预定运行参数的限幅要求,则不更新故障阈值。
如果各统计值的最值满足预定运行参数的限幅要求,则执行步骤S406:基于各统计值的最值对故障阈值进行更新。
一种情况,可直接用各统计值的最值对故障阈值进行更新。
例如,可用各统计值的最值替换故障阈值。
另一种情况,可基于各统计值的最值和预设优化幅度对故障阈值进行更新。
例如,可计算各统计值的最值与预设优化幅度的和值,用计算得到的和值替换故障阈值。这里,可以依据经验来设置预设优化幅度,但本发明不限于此,也可以通过其他方式来设置预设优化幅度的大小。
在一优选示例中,除了上述可以对故障阈值进行更新之外,还可以对时间阈值进行更新,对时间阈值的更新方式与对故障阈值的更新方式比较相似,下面介绍对时间阈值进行更新的具体方式。
可选地,可在确定运行故障属于频繁触发故障时,对时间阈值进行更新,如果确定运行故障不属于频繁触发故障,则不对时间阈值进行更新。这里,作为示例,时间阈值的初始值可以依据经验确定,也可以依据运行故障的历史故障持续时间来确定,本发明对此不做限定。
例如,可确定运行故障的历史故障数据中运行故障的故障持续时间的时间统计值,基于所确定的时间统计值来更新时间阈值。作为示例,该时间统计值可包括针对故障持续时间根据各种数学统计算法得到的数值。
更新时间阈值的具体方式可为:确定每段故障数据中运行故障的故障持续时间的时间统计值;判断各时间统计值是否满足数据一致性;如果不满足数据一致性,则不更新时间阈值,如果满足数据一致性,则基于各时间统计值的最值来更新时间阈值。
例如,判断各时间统计值是否满足数据一致性的步骤可包括:对各时间统计值进行排序,获得时间数值序列;计算处于该时间数值序列首位的时间统计值与处于该时间数值序列末位的时间统计值的差值;如果计算得到的差值不大于第三设定值,则确定各时间统计值满足数据一致性;如果计算得到的差值大于第三设定值,则确定各时间统计值不满足数据一致性。
这里,第三设定值可以依据经验来设置,但本发明不限于此,本领域技术人员还可以实际需要来对第三设定值的大小进行调整。
例如,运行故障的故障持续时间的时间统计值可指每段故障数据中的运行故障的故障持续时间的最大值,此时,最值包括所有时间统计值中的最大值。
可选地,在满足数据一致性时,基于各时间统计值的最值来更新时间阈值的过程为:确定各时间统计值的最值与时间阈值的差值。
如果各时间统计值的最值与时间阈值的差值大于第四设定值,则不更新时间阈值。如果各时间统计值的最值与时间阈值的差值不大于第四设定值,则将各时间统计值的最值与预定运行参数的时间限幅值进行比较,即,确定各时间统计值的最值是否满足预定运行参数的时间限幅要求。
这里,第四设定值可以依据经验来设置,但本发明不限于此,本领域技术人员还可以实际需要来对第四设定值的大小进行调整。
作为示例,预定运行参数的时间限幅值可指在运行故障被触发之后,使风力发电机组处于安全可控的范围内的最大故障延迟处置时间。这里,可以通过各种方式来确定预定运行参数的时间限幅值,本发明对此不做限定。
如果各时间统计值的最值不小于预定运行参数的限幅值,则确定各时间统计值的最值不满足预定运行参数的时间限幅要求,如果各时间统计值的最值小于预定运行参数的时间限幅值,则确定各时间统计值的最值满足预定运行参数的时间限幅要求。
如果各时间统计值的最值不满足预定运行参数的时间限幅要求,则不更新时间阈值。
如果各时间统计值的最值满足预定运行参数的时间限幅要求,则基于各时间统计值的最值对时间阈值进行更新。
一种情况,可直接用各时间统计值的最值对时间阈值进行更新。
例如,可用各时间统计值的最值替换时间阈值。
另一种情况,可基于各时间统计值的最值和预设时间优化幅度对时间阈值进行更新。
例如,可计算各时间统计值的最值与预设时间优化幅度的和值,用计算得到的和值替换时间阈值。这里,可以依据经验来设置预设时间优化幅度,但本发明不限于此,也可以通过其他方式来设置预设时间优化幅度的大小。
在本发明示例性实施例中,可对故障阈值和时间阈值分别进行更新,优选地,对故障阈值进行更新的优先级可高于对时间阈值进行更新的优先级。
以变桨系统为例,变桨系统属于运动结构,如果时间阈值延长,则运行故障的处置延时时间越长,导致运行故障被处置时的角度值与运行故障被触发时的角度值的变化越大,使得运行故障无法完全被消除,或者导致新的故障发生。
除此之外,也可以通过以下方式来对故障阈值和时间阈值进行更新:如果各统计值满足数据一致性,而各时间统计值不满足数据一致性,则对故障阈值进行更新。如果各统计值不满足数据一致性,而各时间统计值满足数据一致性,则对时间阈值进行更新。
如果各统计值和各时间统计值均满足数据一致性,则按照上述优先级来对两者进行更新,如果各统计值和各时间统计值均不满足数据一致性,则对故障阈值和时间阈值均不进行更新。
下面通过一个示例来介绍本发明示例性实施例的风力发电机组的故障检测方法的执行过程。
以变桨系统为例,假设变桨系统的桨距角值允许的最大限值为140度,通过变桨系统的接近开关、限位开关,对变桨系统的桨距角值的情况进行判断及保护控制。例如,假设角度条件判断的故障阈值为87度,在现场运行时,由于电网供电异常导致限位开关信号异常丢失,使故障误触发,而多次故障的桨距角值的统计值的最大值为88.7度,与原始的故障阈值87度相差较小(不大于第二设定值),因此判断故障属于误触发,此时根据本发明的故障检测方法,可以将角度条件判断的故障阈值由87度修改为88.7度(也可以进位修改为89度),从而避免故障或逻辑控制的误触发。
如果多次故障的桨距角值的统计值的最大值为110度,与原始的故障阈值87度相差较大(大于第二设定值),则认为发生实际异常或者硬件异常(如编码器故障导致采集的数据错误),并非是由于故障阈值设置的不合理导致的,此时不对故障阈值进行更新。
此外,假设开关量信号丢失故障的时间阈值为180毫秒,而多段故障数据中的开关量信号丢失故障的时间统计值的最值为200毫秒,最值与原始时间阈值相差较小(差值不大于第四设定值),则可将时间阈值由180毫秒修改为220毫秒。
如果多段故障数据中的开关量信号丢失故障的时间统计值很分散,且最值为600ms,最值与原始时间阈值相差较大(差值大于第四设定值),则不对时间阈值进行更新。
图3示出根据本发明示例性实施例的风力发电机组的预定运行参数的变化曲线示意图。
如图3所示,横坐标为时间,纵坐标为预定运行参数的数值,图中包括复位参数101、故障阈值102、统计结果103、限幅值104、时间值t1、时间值t2。
这里,复位参数101指运行故障的自复位参数,故障阈值102指风力发电机组当前程序内部设置的初始阈值,统计结果103指风力发电机组多次触发运行故障时的预定运行参数的统计值的最值,限幅值104指是根据系统的实际功能,而设置的预定运行参数的上限值(或者下限值),其目的是防止预定运行参数不断优化而导致风力发电机组的故障阈值超出正常设置。时间值t2与时间值t1的实际差值是运行故障的故障持续时间,上述相关数据可以是模拟量数据,也可以是数字量数据。
图4示出根据本发明示例性实施例的风力发电机组的故障检测装置的框图。
如图4所示,根据本发明示例性实施例的风力发电机组的故障检测装置100包括:运行参数获取模块101、故障识别模块102、故障确定模块103和故障阈值更新模块104。
具体说来,运行参数获取模块101获取风力发电机组的预定运行参数。这里,该预定运行参数可指风力发电机组的多种运行参数之一。
故障识别模块102基于所获取的预定运行参数和故障阈值,确定是否满足故障判断条件。
一种情况,故障判断条件可包括第一故障条件。
这里,第一故障条件可指预定运行参数大于故障阈值。在此情况下,如果预定运行参数大于故障阈值,则故障识别模块102确定满足故障判断条件,如果预定运行参数不大于(小于或者等于)故障阈值,则故障识别模块102确定不满足故障判断条件。
另一种情况,故障判断条件可包括第二故障条件。
这里,第二故障条件可指预定运行参数小于故障阈值。在此情况下,如果预定运行参数小于故障阈值,则故障识别模块102确定满足故障判断条件,如果预定运行参数不小于(大于或者等于)故障阈值,则故障识别模块102确定不满足故障判断条件。
在一优选示例中,故障判断条件可还包括时间条件,这里,时间条件可指故障持续时间大于时间阈值。
针对故障判断条件为第一故障条件的情况,如果预定运行参数大于故障阈值同时故障持续时间大于时间阈值,则故障识别模块102确定满足故障判断条件。如果预定运行参数不大于故障阈值,和/或故障持续时间不大于时间阈值,则故障识别模块102确定不满足故障判断条件。这里,故障持续时间可指在确定预定运行参数大于故障阈值之后,保持预定运行参数大于故障阈值这一状态的时间。
针对故障判断条件为第二故障条件的情况,如果预定运行参数小于故障阈值同时故障持续时间大于时间阈值,则故障识别模块102确定满足故障判断条件。如果预定运行参数不小于故障阈值,和/或故障持续时间不大于时间阈值,则故障识别模块102确定不满足故障判断条件。这里,故障持续时间可指在确定预定运行参数小于故障阈值之后,保持预定运行参数小于故障阈值这一状态的时间。
如果满足故障判断条件,则故障确定模块103确定风力发电机组存在与预定运行参数对应的运行故障。
如果不满足故障判断条件,则确定风力发电机组不存在与预定运行参数对应的运行故障。
故障阈值更新模块104通过以下方式更新故障阈值:确定运行故障的历史故障数据中预定运行参数的统计值,基于故障判断条件和所确定的统计值来更新故障阈值。
可选地,根据本发明示例性实施例的风力发电机组的故障检测装置可还包括:故障类型确定模块(图中未示出),确定运行故障是否属于频繁触发故障。
例如,可确定在预定时间段内发生运行故障的次数,如果所确定的次数大于预设次数,则故障类型确定模块确定该运行故障属于频繁触发故障,如果所确定的次数不大于预设次数,则故障类型确定模块确定该运行故障不属于频繁触发故障。
如果运行故障属于频繁触发故障,则故障阈值更新模块104对故障阈值进行更新,如果确定运行故障不属于频繁触发故障,则故障阈值更新模块104不对故障阈值进行更新。
下面参照图5来介绍对故障阈值进行更新的具体过程。
图5示出根据本发明示例性实施例的故障阈值更新模块的框图。
如图5所示,根据本发明示例性实施例的故障阈值更新模块103可包括:统计值确定子模块31、数据一致性判断子模块32和阈值更新子模块33。
具体说来,统计值确定子模块31分别确定每段故障数据中预定运行参数的统计值。
这里,运行故障的历史故障数据可包括多段故障数据,针对每段故障数据,统计值确定子模块31来确定预定运行参数的统计值。
数据一致性判断子模块32判断各统计值是否满足数据一致性。
例如,数据一致性判断子模块32可通过以下方式判断各统计值是否满足数据一致性:对各统计值进行排序,获得数值序列;计算处于该数值序列首位的统计值与处于该数值序列末位的统计值的差值;如果计算得到的差值不大于第一设定值,则确定各统计值满足数据一致性;如果计算得到的差值大于第一设定值,则确定各统计值不满足数据一致性。
这里,第一设定值可以依据经验来设置,但本发明不限于此,本领域技术人员还可以实际需要来对第一设定值的大小进行调整。
如果不满足数据一致性,则阈值更新子模块33不更新故障阈值。
如果满足数据一致性,则阈值更新子模块33基于各统计值的最值来更新故障阈值。
这里,预定运行参数的统计值可以根据故障判断条件来确定。
针对故障判断条件为第一故障条件的情况,预定运行参数的统计值包括最大值,此时,最值包括所有统计值中的最大值。
针对故障判断条件为第二故障条件的情况,预定运行参数的统计值包括最小值,此时,最值包括所有统计值中的最小值。
例如,阈值更新子模块33可通过以下方式来更新故障阈值:将各统计值的最值与故障阈值进行比较;如果各统计值的最值与故障阈值的差值大于第二设定值,则不更新故障阈值;如果各统计值的最值与故障阈值的差值不大于第二设定值,则将各统计值的最值与预定运行参数的限幅值进行比较;如果各统计值的最值不满足预定运行参数的限幅要求,则不更新故障阈值;如果各统计值的最值满足预定运行参数的限幅要求,则基于各统计值的最值对故障阈值进行更新。
阈值更新子模块33可用各统计值的最值替换故障阈值,或者,阈值更新子模块33计算各统计值的最值与预设优化幅度的和值,用计算得到的和值替换故障阈值。
在一优选示例中,根据本发明示例性实施例的风力发电机组的故障检测装置可还包括时间阈值更新模块(图中未示出),下面介绍时间阈值更新模块对时间阈值进行更新的过程。
可选地,时间阈值更新模块可在确定运行故障属于频繁触发故障时,对时间阈值进行更新。
例如,时间阈值更新模块可确定运行故障的历史故障数据中运行故障的故障持续时间的时间统计值,基于所确定的时间统计值来更新时间阈值。
时间阈值更新模块通过以下方式更新时间阈值:确定每段故障数据中运行故障的故障持续时间的时间统计值;判断各时间统计值是否满足数据一致性;如果不满足数据一致性,则不更新时间阈值,如果满足数据一致性,则基于各时间统计值的最值来更新时间阈值。
例如,时间阈值更新模块可通过以下方式判断各时间统计值是否满足数据一致性:对各时间统计值进行排序,获得时间数值序列;计算处于该时间数值序列首位的时间统计值与处于该时间数值序列末位的时间统计值的差值;如果计算得到的差值不大于第三设定值,则确定各时间统计值满足数据一致性;如果计算得到的差值大于第三设定值,则确定各时间统计值不满足数据一致性。
这里,第三设定值可以依据经验来设置,但本发明不限于此,本领域技术人员还可以实际需要来对第三设定值的大小进行调整。
例如,运行故障的故障持续时间的时间统计值可指每段故障数据中的运行故障的故障持续时间的最大值,此时,最值包括所有时间统计值中的最大值。
可选地,在满足数据一致性时,基于各时间统计值的最值来更新时间阈值的过程为:确定各时间统计值的最值与时间阈值的差值。
如果各时间统计值的最值与时间阈值的差值大于第四设定值,则时间阈值更新模块不更新时间阈值。如果各时间统计值的最值与时间阈值的差值不大于第四设定值,则时间阈值更新模块将各时间统计值的最值与预定运行参数的时间限幅值进行比较,即,确定各时间统计值的最值是否满足预定运行参数的时间限幅要求。
这里,第四设定值可以依据经验来设置,但本发明不限于此,本领域技术人员还可以实际需要来对第四设定值的大小进行调整。
作为示例,预定运行参数的时间限幅值可指在运行故障被触发之后,使风力发电机组处于安全可控的范围内的最大故障延迟处置时间。这里,可以通过各种方式来确定预定运行参数的时间限幅值,本发明对此不做限定。
如果各时间统计值的最值不小于预定运行参数的限幅值,则时间阈值更新模块确定各时间统计值的最值不满足预定运行参数的时间限幅要求,如果各时间统计值的最值小于预定运行参数的时间限幅值,则时间阈值更新模块确定各时间统计值的最值满足预定运行参数的时间限幅要求。
如果各时间统计值的最值不满足预定运行参数的时间限幅要求,则时间阈值更新模块不更新时间阈值。
如果各时间统计值的最值满足预定运行参数的时间限幅要求,则时间阈值更新模块基于各时间统计值的最值对时间阈值进行更新。
时间阈值更新模块可用各时间统计值的最值替换时间阈值,或者,时间阈值更新模块可计算各时间统计值的最值与预设时间优化幅度的和值,用计算得到的和值替换时间阈值。这里,可以依据经验来设置预设时间优化幅度,但本发明不限于此,也可以通过其他方式来设置预设时间优化幅度的大小。
在本发明示例性实施例中,可对故障阈值和时间阈值分别进行更新,优选地,对故障阈值进行更新的优先级可高于对时间阈值进行更新的优先级。
除此之外,也可以通过以下方式来对故障阈值和时间阈值进行更新:如果各统计值满足数据一致性,而各时间统计值不满足数据一致性,则故障阈值更新模块104对故障阈值进行更新。如果各统计值不满足数据一致性,而各时间统计值满足数据一致性,则时间阈值更新模块对时间阈值进行更新。
如果各统计值和各时间统计值均满足数据一致性,则按照上述优先级来对两者进行更新,如果各统计值和各时间统计值均不满足数据一致性,则对故障阈值和时间阈值均不进行更新。
图6示出根据本发明示例性实施例的控制器的框图。
如图6所示,根据本发明示例性实施例的控制器200包括:处理器201和存储器202。
具体说来,存储器202用于存储计算机程序,所述计算机程序在被所述处理器201执行时实现上述的风力发电机组的故障检测方法。
这里,图1所示的风力发电机组的故障检测方法可在图6所示的处理器201中执行。也就是说,图4和图5所示的各模块可由数字信号处理器、现场可编程门阵列等通用硬件处理器来实现,也可通过专用芯片等专用硬件处理器来实现,还可完全通过计算机程序来以软件方式实现,例如,可被实现为图6中所示的处理器201中的各个模块。
根据本发明的示例性实施例还提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述风力发电机组的故障检测方法的计算机程序。该计算机可读记录介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括:只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
在上述风力发电机组的故障检测方法和装置中,通过对故障阈值的不断优化,能够实现在不批量更新程序、减少维护时间的情况下,减少风力发电机组的故障触发、误触发的次数。
此外,根据本发明示例性实施例的风力发电机组的故障检测方法和装置,能够实现风力发电机组的智能运行、提高产品可靠性。
此外,在上述故障检测方法和装置中,通过自动检验并优化人为设置的参数阈值是否合理,并且分为优化故障阈值、时间阈值(故障延时时间)两项策略,通过优化故障参数,提高了故障检测的准确性。
通过上述故障检测方法和装置,可以有效避免风力发电机组误触发故障后导致风力发电机组短时间内频繁启动、停机,实现了风力发电机组的智能运行。
通过上述故障检测方法和装置,不需要因为程序更新而使风力发电机组停机,一方面可以减少程序更新的停机时间,另一方面可以减少运维人员的工作量,同时还可以避免数据抓取过程中造成的停机时间。
上述故障检测方法和装置可以大幅度地减少风力发电机组数据采集、测试程序下发、测试、故障原因分析、程序批量替换所造成的较长运维周期,同时还可以减少此时间范围内风力发电机组的停机次数,减少发电量损失,提高发电量。对于程序的长时期(如1年、多个风电场)运维而言,其产生的运维效益巨大。
尽管已经参照其示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (18)
1.一种风力发电机组的故障检测方法,其特征在于,所述故障检测方法包括:
获取风力发电机组的预定运行参数;
基于所获取的所述预定运行参数和故障阈值,确定是否满足故障判断条件;
如果满足故障判断条件,则确定风力发电机组存在与所述预定运行参数对应的运行故障,
其中,所述运行故障的历史故障数据包括多段故障数据,
其中,通过以下方式对所述故障阈值进行更新:
分别确定每段故障数据中所述预定运行参数的统计值;
判断各统计值是否满足数据一致性;
如果满足数据一致性,则基于各统计值的最值来更新所述故障阈值。
2.根据权利要求1所述的故障检测方法,其特征在于,判断各统计值是否满足数据一致性的步骤包括:
对各统计值进行排序,获得数值序列;
计算处于所述数值序列首位的统计值与处于所述数值序列末位的统计值的差值;
如果计算得到的差值不大于第一设定值,则确定各统计值满足数据一致性;
如果计算得到的差值大于第一设定值,则确定各统计值不满足数据一致性。
3.根据权利要求1所述的故障检测方法,其特征在于,基于各统计值的最值来更新所述故障阈值的步骤包括:
将各统计值的最值与所述故障阈值进行比较;
如果所述最值与所述故障阈值的差值大于第二设定值,则不更新所述故障阈值;
如果所述最值与所述故障阈值的差值不大于第二设定值,则将各统计值的最值与所述预定运行参数的限幅值进行比较;
如果所述最值不满足所述预定运行参数的限幅要求,则不更新所述故障阈值;
如果所述最值满足所述预定运行参数的限幅要求,则基于所述最值对所述故障阈值进行更新。
4.根据权利要求3所述的故障检测方法,其特征在于,基于所述最值对所述故障阈值进行更新的步骤包括:
用所述最值替换所述故障阈值,
或者,
计算所述最值与预设优化幅度的和值,用所述和值替换所述故障阈值。
5.根据权利要求3所述的故障检测方法,其特征在于,故障判断条件包括第一故障条件和第二故障条件,所述预定运行参数的统计值根据故障判断条件来确定,
其中,第一故障条件指所述预定运行参数大于故障阈值,所述预定运行参数的统计值包括最大值,所述最值包括所有统计值中的最大值,
其中,第二故障条件指所述预定运行参数小于故障阈值,所述预定运行参数的统计值包括最小值,所述最值包括所有统计值中的最小值。
6.根据权利要求5所述的故障检测方法,其特征在于,故障判断条件还包括时间条件,所述时间条件指故障持续时间大于时间阈值,
其中,如果所述预定运行参数大于故障阈值同时故障持续时间大于时间阈值,则确定满足故障判断条件,或者,如果所述预定运行参数小于故障阈值同时故障持续时间大于时间阈值,则确定满足故障判断条件。
7.根据权利要求6所述的故障检测方法,其特征在于,通过以下方式更新所述时间阈值:
确定每段故障数据中所述运行故障的故障持续时间的时间统计值;
判断各时间统计值是否满足数据一致性;
如果满足数据一致性,则基于各时间统计值的最值来更新所述时间阈值。
8.根据权利要求1所述的故障检测方法,其特征在于,所述故障检测方法还包括:确定所述运行故障是否属于频繁触发故障,
其中,如果所述运行故障属于频繁触发故障,则对所述故障阈值进行更新。
9.一种风力发电机组的故障检测装置,其特征在于,所述故障检测装置包括:
运行参数获取模块,获取风力发电机组的预定运行参数;
故障识别模块,基于所获取的所述预定运行参数和故障阈值,确定是否满足故障判断条件;
故障确定模块,如果满足故障判断条件,则确定风力发电机组存在与所述预定运行参数对应的运行故障,
其中,所述故障检测装置还包括:故障阈值更新模块,所述运行故障的历史故障数据包括多段故障数据,
其中,故障阈值更新模块包括:
统计值确定子模块,分别确定每段故障数据中所述预定运行参数的统计值;
数据一致性判断子模块,判断各统计值是否满足数据一致性;
阈值更新子模块,如果满足数据一致性,则基于各统计值的最值来更新所述故障阈值。
10.根据权利要求9所述的故障检测装置,其特征在于,数据一致性判断子模块通过以下方式判断各统计值是否满足数据一致性:
对各统计值进行排序,获得数值序列;
计算处于所述数值序列首位的统计值与处于所述数值序列末位的统计值的差值;
如果计算得到的差值不大于第一设定值,则确定各统计值满足数据一致性;
如果计算得到的差值大于第一设定值,则确定各统计值不满足数据一致性。
11.根据权利要求9所述的故障检测装置,其特征在于,阈值更新子模块通过以下方式来更新所述故障阈值:
将各统计值的最值与所述故障阈值进行比较;
如果所述最值与所述故障阈值的差值大于第二设定值,则不更新所述故障阈值;
如果所述最值与所述故障阈值的差值不大于第二设定值,则将各统计值的最值与所述预定运行参数的限幅值进行比较;
如果所述最值不满足所述预定运行参数的限幅要求,则不更新所述故障阈值;
如果所述最值满足所述预定运行参数的限幅要求,则基于所述最值对所述故障阈值进行更新。
12.根据权利要求11所述的故障检测装置,其特征在于,阈值更新子模块用所述最值替换所述故障阈值,或者,阈值更新子模块计算所述最值与预设优化幅度的和值,用所述和值替换所述故障阈值。
13.根据权利要求11所述的故障检测装置,其特征在于,故障判断条件包括第一故障条件和第二故障条件,所述预定运行参数的统计值根据故障判断条件来确定,
其中,第一故障条件指所述预定运行参数大于故障阈值,所述预定运行参数的统计值包括最大值,所述最值包括所有统计值中的最大值,
其中,第二故障条件指所述预定运行参数小于故障阈值,所述预定运行参数的统计值包括最小值,所述最值包括所有统计值中的最小值。
14.根据权利要求13所述的故障检测装置,其特征在于,故障判断条件还包括时间条件,所述时间条件指故障持续时间大于时间阈值,
其中,如果所述预定运行参数大于故障阈值同时故障持续时间大于时间阈值,则故障识别模块确定满足故障判断条件,或者,如果所述预定运行参数小于故障阈值同时故障持续时间大于时间阈值,则故障识别模块确定满足故障判断条件。
15.根据权利要求14所述的故障检测装置,其特征在于,所述故障检测装置还包括:时间阈值更新模块,通过以下方式更新所述时间阈值:
确定每段故障数据中所述运行故障的故障持续时间的时间统计值;
判断各时间统计值是否满足数据一致性;
如果满足数据一致性,则基于各时间统计值的最值来更新所述时间阈值。
16.根据权利要求9所述的故障检测装置,其特征在于,所述故障检测装置还包括:故障类型确定模块,确定所述运行故障是否属于频繁触发故障,
其中,如果所述运行故障属于频繁触发故障,则故障阈值更新模块对所述故障阈值进行更新。
17.一种控制器,其特征在于,包括:
处理器;
存储器,用于存储计算机程序,所述计算机程序在被所述处理器执行时实现如权利要求1至8中任意一项所述的风力发电机组的故障检测方法。
18.一种存储有计算机程序的计算机可读存储介质,其特征在于,当所述计算机程序在被处理器执行时实现如权利要求1至8中任意一项所述的风力发电机组的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199863.1A CN113494428B (zh) | 2020-03-20 | 2020-03-20 | 风力发电机组的故障检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199863.1A CN113494428B (zh) | 2020-03-20 | 2020-03-20 | 风力发电机组的故障检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113494428A CN113494428A (zh) | 2021-10-12 |
CN113494428B true CN113494428B (zh) | 2022-11-22 |
Family
ID=77993984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010199863.1A Active CN113494428B (zh) | 2020-03-20 | 2020-03-20 | 风力发电机组的故障检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113494428B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304928A (zh) * | 2023-03-21 | 2023-06-23 | 北京思维实创科技有限公司 | 供电设备故障预测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3101616A1 (en) * | 2015-06-02 | 2016-12-07 | Passivsystems Limited | Fault detection in energy generation arrangments |
CN108708826A (zh) * | 2018-05-16 | 2018-10-26 | 新疆金风科技股份有限公司 | 变桨电机运行控制方法和装置、风力发电机组及存储介质 |
CN108825449A (zh) * | 2018-06-26 | 2018-11-16 | 新疆金风科技股份有限公司 | 风力发电机组飞车预警方法和装置 |
CN109814517A (zh) * | 2017-11-21 | 2019-05-28 | 北京金风科创风电设备有限公司 | 风机运行参数的处理方法和系统与计算机可读存储介质 |
WO2019120400A1 (en) * | 2017-12-21 | 2019-06-27 | Vestas Wind Systems A/S | Improvements relating to current injection in wind power plants |
CN110689141A (zh) * | 2018-06-19 | 2020-01-14 | 北京金风科创风电设备有限公司 | 风力发电机组的故障诊断方法及设备 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4995134B2 (ja) * | 2008-03-31 | 2012-08-08 | 三菱重工業株式会社 | 風車の監視装置及び方法並びにプログラム |
JP5244502B2 (ja) * | 2008-08-25 | 2013-07-24 | 三菱重工業株式会社 | 風車の運転制限調整装置及び方法並びにプログラム |
US8054084B2 (en) * | 2009-05-19 | 2011-11-08 | GM Global Technology Operations LLC | Methods and systems for diagnosing stator windings in an electric motor |
WO2012116757A1 (en) * | 2011-03-03 | 2012-09-07 | Abb Research Ltd | Method for adaptation of ground fault detection |
CN104995402B (zh) * | 2013-02-14 | 2018-09-07 | 维斯塔斯风力系统集团公司 | 检测叶片结构异常 |
CN104595112B (zh) * | 2013-10-30 | 2018-01-16 | 通用电气公司 | 风力涡轮机及评估其上叶片健康状态的方法 |
US10539117B2 (en) * | 2013-11-28 | 2020-01-21 | Vestas Wind Systems A/S | Power plant controller for generating a power reference to wind turbine generators |
ES2613902B1 (es) * | 2015-11-26 | 2018-03-14 | Gamesa Innovation & Technology, S.L. | Método y sistemas de monitorización en tiempo real del estado del aislamiento de los devanados de generadores eólicos |
CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学(保定) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
US11047364B2 (en) * | 2016-05-04 | 2021-06-29 | Vestas Wind Systems A/S | Method of identifying a fault in a system of gears in a wind turbine |
US11777324B2 (en) * | 2016-11-24 | 2023-10-03 | Nec Corporation | Monitoring system, server, terminal device, monitoring method, and program |
CN106951997B (zh) * | 2017-03-24 | 2020-11-10 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
US10669988B2 (en) * | 2017-10-10 | 2020-06-02 | General Electric Company | System and method for operating wind turbines to avoid stall during derating |
CN109947786A (zh) * | 2017-10-17 | 2019-06-28 | 中车株洲电力机车研究所有限公司 | 风电场中故障自动排查方法、装置及计算机可读存储介质 |
CN108087210B (zh) * | 2017-12-19 | 2020-07-07 | 北京金风科创风电设备有限公司 | 风力发电机组叶片异常识别方法及装置 |
CN110044624A (zh) * | 2019-04-24 | 2019-07-23 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
CN110705581A (zh) * | 2019-07-18 | 2020-01-17 | 浙江运达风电股份有限公司 | 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 |
-
2020
- 2020-03-20 CN CN202010199863.1A patent/CN113494428B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3101616A1 (en) * | 2015-06-02 | 2016-12-07 | Passivsystems Limited | Fault detection in energy generation arrangments |
CN109814517A (zh) * | 2017-11-21 | 2019-05-28 | 北京金风科创风电设备有限公司 | 风机运行参数的处理方法和系统与计算机可读存储介质 |
WO2019120400A1 (en) * | 2017-12-21 | 2019-06-27 | Vestas Wind Systems A/S | Improvements relating to current injection in wind power plants |
CN108708826A (zh) * | 2018-05-16 | 2018-10-26 | 新疆金风科技股份有限公司 | 变桨电机运行控制方法和装置、风力发电机组及存储介质 |
CN110689141A (zh) * | 2018-06-19 | 2020-01-14 | 北京金风科创风电设备有限公司 | 风力发电机组的故障诊断方法及设备 |
CN108825449A (zh) * | 2018-06-26 | 2018-11-16 | 新疆金风科技股份有限公司 | 风力发电机组飞车预警方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断;彭进等;《可再生能源》;20161020;第34卷(第10期);全文 * |
基于支持向量机的风电机组故障预警;许骏龙等;《工业控制计算机》;20130825;第26卷(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113494428A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170268484A1 (en) | Method, device, and system for controlling wind alignment correction of wind turbine generator system | |
EP2172824B1 (en) | Method and system of wind turbine condition monitoring | |
CN113494428B (zh) | 风力发电机组的故障检测方法和装置 | |
Yang et al. | A Petri net approach to early failure detection and isolation for preventive maintenance | |
CN113027695B (zh) | 风力发电机组的桨距角异常的检测方法及装置 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN109298700B (zh) | 一种实时判断火电机组运行参数异常变化的方法及系统 | |
CN106371125B (zh) | 一种基于plc的辐射监测方法 | |
CN109255555B (zh) | 基于历史运行信息的电力大数据设备生命周期估计方法 | |
CN115828439B (zh) | 风力发电机组异常损耗的识别方法及装置 | |
CN116424096A (zh) | 资源动态优化配置的新能源汽车电池采集总成方法及系统 | |
CN115248292A (zh) | 一种变压器故障分析诊断方法及系统 | |
EP3796016A1 (en) | System and method for detecting battery faults in a pitch system of a wind turbine | |
CN114251238A (zh) | 变桨电机温度异常检测方法及设备 | |
CN112737120A (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
CN113404651A (zh) | 风力发电机组的数据异常检测方法和装置 | |
CN111650444A (zh) | 基于回归分析的电磁环境中tcu失效预警方法 | |
CN115045803A (zh) | 风力发电机组的故障触发调节方法和装置 | |
CN113898528B (zh) | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 | |
CN114778116A (zh) | 一种风力发电机组变桨轴承故障预警方法及系统 | |
CN114151147B (zh) | 汽轮机转速异常的故障预警方法、系统、设备及介质 | |
US20230089046A1 (en) | Method for controlling wind turbines of a wind park using a trained ai model | |
CN114320769A (zh) | 风力发电机组的检测方法及风力发电机组 | |
CN113446156A (zh) | 变桨系统的状态监测方法、装置、设备及介质 | |
CN117728574A (zh) | 电力监控系统网络安全设备统一远程运维管控方法及系统 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee after: Jinfeng Technology Co.,Ltd. Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd. |