CN113777351B - 一种风电场风速传感器故障诊断方法、装置 - Google Patents
一种风电场风速传感器故障诊断方法、装置 Download PDFInfo
- Publication number
- CN113777351B CN113777351B CN202110988587.1A CN202110988587A CN113777351B CN 113777351 B CN113777351 B CN 113777351B CN 202110988587 A CN202110988587 A CN 202110988587A CN 113777351 B CN113777351 B CN 113777351B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- fault
- diagnosis
- wind
- community
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
- G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
- G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风电场风速传感器故障诊断方法、装置,该方法包括:对风电场机组进行故障互诊群落划分;在故障互诊群落中分别对机组对应的风速传感器进行故障诊断,包括:获取故障互诊群落中风速传感器的风速时序流,确定群落内存在风速异常数据的时间区间,定位存在风速异常数据的时间区间内发生故障的风速传感器。与现有技术相比,本发明具有故障诊断精确度高、误检和漏检率低等优点。
Description
技术领域
本发明涉及风力发电技术领域,尤其是涉及一种风电场风速传感器故障诊断方法、装置。
背景技术
双碳目标驱动下,以风能为代表的可再生能源因其清洁、无污染、储量丰富,且开发技术成熟、成本较低等优势,已逐渐成为我国发展新型能源产业、降低碳排量的重要手段。风速对于风机优化控制、并网调度极为重要,测量风速失准不仅影响风电机组的发电效率,严重时还可能造成机组损坏。风速传感器典型故障可归纳为以下几个方面:
(1)破坏性故障:传感器退出运行或系统无风速信号输入,风速数据缺测、漏测,例如:风速传感器供电线路损坏,造成风速传感器的供电电压不稳定,风速数据缺测;
(2)非破坏性故障:传感器故障运行,测量数据偏移正常值,例如:受雷暴、鸟类撞击等因素影响,风速传感器风杯或转动轴发生变形,造成传感器转动卡滞、不灵活等问题,测量数据长期失准;
(3)演化性故障:风速传感器长期运行于恶劣环境、复杂气候条件下,故障的严重程度伴随着外界影响逐步加重,故障状态处于长期的发展过程。例如:暴风、暴雨、冰雹等天气会对转动轴承的润滑油性能造成影响,并伴随着时间的积累逐渐衰减,润滑油若涂抹不均或长时间未补充,容易造成轴承转动不灵活,测风数据逐步失准。
研究风速传感器运行状态实时监测技术,对于保证机组运行的安全性、稳定性和经济性具有重要意义。典型的风速传感器状态监测主要从以下三个方向展开研究:(1)多变量关联分析法,其基本原理是组建风电机组主轴转速、发电机功率、桨距角等运行参数与风速的多维非线性映射模型推算有效输入风速,这类方法在机组按固定的控制运行策略情形下表现较好,映射误差较低,但在机组动态优化控制下,其准确性与计算量均面临挑战。(2)传感器冗余法,在单台风电机组上同时安装多台风速传感器,通过对多台传感器测量数据进行统计对比分析检测故障传感器,然而,已投运的大多数风电机组只设计一台风速传感器,安装额外传感器需要增加相应的投入成本,安装过程需要对机组额外开孔,机组的密封性会受到严峻挑战,尤其是海上风电场,机组长期运行于复杂多变环境下,机组的密封和绝缘要求更高,工程可行性和经济性都不太理想。(3)历史数据统计方法,结合数理统计方法计算特定位置的期望风速,通过期望风速与实际测量风速的横向比对完成对传感器的故障诊断,基于统计的方法因其经济性和可行性较高,具有一定的工程应用价值,然而,基于历史数据的统计方法误差相对较大,容易产生误检、漏检现象。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电场风速传感器故障诊断方法、装置。
本发明的目的可以通过以下技术方案来实现:
一种风电场风速传感器故障诊断方法,该方法包括:
对风电场机组进行故障互诊群落划分;
在故障互诊群落中分别对机组对应的风速传感器进行故障诊断,包括:
获取故障互诊群落中风速传感器的风速时序流,
确定故障互诊群落内存在风速异常数据的时间区间,
定位存在风速异常数据的时间区间内发生故障的风速传感器。
优选地,划分故障互诊群落的方式包括:
以机组偏航数据为基础对机组风速空间相关性进行筛选,筛选风速空间相关性较高的多台机组作为关联机组并划分到一个故障互诊群落。
优选地,所述的确定故障互诊群落内存在风速异常数据的时间区间的具体方式包括:
获取描述各采样时刻点故障互诊群落内各风速传感器测量的风速数据分离程度的指标参数;
将指标参数作为确定异常的变点指标,确定变点指标参数阈值;
将指标参数大于变点指标参数阈值的时间区间确定为存在风速异常数据的时间区间。
优选地,所述的指标参数包括各时刻点故障互诊群落内各风速传感器测量的风速数据的方差。
优选地,所述的变点指标参数阈值的获取方式包括:
将各采样时刻的指标参数按照升序排列,对排列后的指标参数按照分位算法平均划分为若干部分,选取设定分位点对应的指标参数作为变点指标参数阈值。
优选地,定位发生故障的风速传感器的方式包括:
对故障互诊群落内的各风速传感器进行风速相关性交叉比对,将导致风速相关性降低的机组传感器即可确定为故障风速传感器。
优选地,所述的定位发生故障的风速传感器的具体方式为:滚动计算任意两个风速传感器测量的风速的相关性,选取相关性系数小于设定阈值的机组数据,统计其中关联的风速传感器出现的次数,将出现次数最多的风速传感器确定为故障风速传感器。
优选地,所述的风速相关性通过皮尔逊系数量化描述,表示为:
其中,ri为量化时间序列i内两个风速传感器测量风速数据的相关性,Xi,t、Yi,t对应为量化时间序列i内t采样时刻两个风速传感器的风速数据,Xi,avg、Yi,avg对应为量化时间序列i内两个风速传感器的风速数据平均值,n为量化时间序列i内的采样时刻总数。
优选地,在故障诊断期间,当风向变化超过阈值时重新划分故障互诊群落。
一种风电场风速传感器故障诊断装置,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于当执行所述计算机程序时,实现所述的风电场风速传感器故障诊断方法。
与现有技术相比,本发明具有如下优点:
(1)本发明以风速的空间相关性为测度将风电场风速传感器阵列划分为多个故障互诊群落,在故障互诊群落内挖掘故障风速的分布特征,从时间及空间上对风速传感器的状态进行诊断,能够快速、准确的对风速传感器异常状态进行定位和感知;
(2)本发明利用故障风速数据会造成故障互诊群落内机组间的风速数据分离度增加这一特性制定判据,从风速数据的方差统计量分布情况进行分析,实现对故障数据的时序区间的准确定位,有效避免误检、漏检现象;
(3)本发明采用多机相关性交叉对比方式来定位发生故障的传感器,能够准确定位发生故障的风速传感器,提高故障诊断结果的准确性;
(4)本发明设置风向变化阈值,当风向变化超过阈值,需重新划分故障互诊群落,确保故障互诊群落内机组间始终保持较高的相关性,从而使得故障诊断结果更为精准。
附图说明
图1为本发明一种风电场风速传感器故障诊断方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例1
如图1所示,本实施例提供一种风电场风速传感器故障诊断方法,该方法包括:
对风电场机组进行故障互诊群落划分;
在故障互诊群落中分别对机组对应的风速传感器进行故障诊断,包括:
获取故障互诊群落中风速传感器的风速时序流,
确定故障互诊群落内存在风速异常数据的时间区间,
定位存在风速异常数据的时间区间内发生故障的风速传感器。
该方法包括量大主要内容:故障互诊群落划分以及传感器故障诊断定位,以下进行具体说明:
1、故障互诊群落划分
风速具有空间相关性,以机组间风速空间相关性作为划分标准,将风速空间相关性较强的风电机组划分到一个故障互诊群落,同一个风电场可以划分为多个故障互诊群落,实现群体协同互诊。对于超短期风速映射模型,影响风速空间相关性的因素主要由大气压的变化造成,引起风速、风向的随机波动。风电机组间的风速相关性强弱直接决定着基于传统空间相关性风速预测结果的精度,所以关联风电机组的种子优选是风电机组实时预测体系中的核心部分。针对风速实时感知预测,目标机组的关联种子机组一般应为两台以上,方能保证其风速预测值的可靠性与抗干扰性。关联风电机组的筛选可按如下步骤进行:(1)风速相关性时序分析:由于风速相关性具有很强的时变性,因此要考虑关联机组的风速相关性时序变化,根据风电运行历史数据,分析各备选种子机组与目标机组在一天内的风速相关系数随时辰的变化特征,为后续的关联机组种子动态筛选提供依据;(2)动态关联种子机组筛选:根据不同时辰下各待选风电机组与目标机组的相关系数,设定一个关联机组的阈值,当备选机组的风速相关系数达到阈值范围即可优选为关联种子机组。依此原则,即可获得不同时辰下的动态关联种子机组的优选结果。由于风速风向具有较强的时变特性,故障互诊群落需要根据实测数据动态更新,设置风向变化阈值,当风向变化超过阈值,需重新划分故障互诊群落,确保故障互诊群落内机组间始终保持较高的相关性。
2、传感器故障诊断定位
本发明从风电场诊断系统(SCADA系统)能够识别的故障和无法识别的故障两种应用场景对传感器的异常诊断展开研究,其中,对于SCADA系统能够识别的故障数据,例如:超量纲值、空缺值、连续相同值等,系统在识别异常状态后,会对故障状态进行报警并做上标记,因此,异常状态可以基于数据的状态标记值进行判定。对于系统无法识别的故障状态,本发明对故障数据与正常数据的分布特征相异性展开分析,通过变点算法识别异常数据的统计特征,定位故障起始时刻。
变点问题是指一段时间序列中的某一段子序列的某些量值发生突然变化的点,在数理统计中,变点问题的直接反应是序列的均值、方差等统计特性发生突变,数据可能发生某种质的改变。因此,采用变点分析对实测风速数据的异常诊断具有理论可行性。在研究风参数据状态诊断问题时,重点关心的是风速数据发生突变的位置参数,研究结果发现,如果一个风速区间内存在异常数据,风速的变化率、均值、方差均会发生突变,以方差作为变点分组的依据,更能描述多台关联机组测量风速数据的分离程度,因此,本申请选择风速方差作为变点的分组依据。
因此,上述确定故障互诊群落内存在风速异常数据的时间区间的具体方式包括:
获取描述各采样时刻点故障互诊群落内各风速传感器测量的风速数据分离程度的指标参数,指标参数包括各时刻点故障互诊群落内各风速传感器测量的风速数据的方差;
将指标参数作为确定异常的变点指标,确定变点指标参数阈值,变点指标参数阈值的获取方式包括:将各采样时刻的指标参数按照升序排列,对排列后的指标参数按照分位算法平均划分为若干部分,选取设定分位点对应的指标参数作为变点指标参数阈值;
将指标参数大于变点指标参数阈值的时间区间确定为存在风速异常数据的时间区间。
变点分组法具体步骤如下:
记某一时刻风速序列为:
Vt=(v1,t,v2,t,......,vn,t)
式中,vn,t表示第n台机组在时刻t的风速。
求出时刻t各风速的方差为:
式中,St表示序列Vt的方差,vt mean表示序列Vt的平均风速。
进而对待诊断时间序列内的风速序列分别求取方差得到St1、St2……StN,下标t1、t2……tN表示待诊断时间序列内的采样时刻,将St1、St2……StN按照升序排列,本实施例采用四分位算法确定变点指标参数阈值,四分位数是指将一个排好序的数据样本平均划分成四部分,三个分割点位置的数值为上四分位数、中位数和下四分位数,分别记作Q1、Q2、Q3。对于一个含有异常数据的序列样本,异常数据序列的方差会远大于正常序列数据,因此选取上四分位数作为异常数据的判别的边界值,方差值大于上四分位数的时间区间内的数据判别为异常数据。
选取上四分位数作为故障的边界值,实际上是利用故障风速数据会造成故障互诊群落内机组间的风速数据分离度增加这一特性制定判据,从风速数据的方差统计量分部情况进行分析,可以实现对故障数据的时序区间进行定位。实际应用中,不同的服务对数据质量、数据规模和传输速度等需求相异,故障的边界值制定需要结合实际业务范畴需求进一步完善和细化。
进一步地,为确定故障风速传感器的空间位置,定位发生故障的风速传感器的方式包括:
对故障互诊群落内的各风速传感器进行风速相关性交叉比对,将导致风速相关性降低的机组传感器即可确定为故障风速传感器。
具体地,故障互诊群落内,机组间具有较高的风速相关性,导致风速相关性降低的机组传感器即可确定为故障风速传感器。滚动计算机组间的风速相关性系数,选取其中相关性系数最小的几组数据,统计其中关联机组的出现次数,出现次数最多的风速传感器即为故障风速传感器。其中,风速相关性通过滚动统计法确定,所谓滚动统计即选取该点以及时序上位于该点前n-1个风速序列组成的连续风速序列,进而在量化时间序列内采用皮尔逊系数量化描述,表示为:
其中,ri为量化时间序列i内两个风速传感器测量风速数据的相关性,Xi,t、Yi,t对应为量化时间序列i内t采样时刻两个风速传感器的风速数据,Xi,avg、Yi,avg对应为量化时间序列i内两个风速传感器的风速数据平均值,n为量化时间序列i内的采样时刻总数。
本发明以风速的空间相关性为测度将风电场风速传感器阵列划分为多个故障互诊群落,在故障互诊群落内挖掘故障风速的分布特征,从时间及空间上对风速传感器的状态进行诊断,能够快速、准确的对风速传感器异常状态进行定位和感知。设置风向变化阈值,当风向变化超过阈值,需重新划分故障互诊群落,确保故障互诊群落内机组间始终保持较高的相关性,从而使得故障诊断结果更为精准。
实施例2
本实施例提供一种风电场风速传感器故障诊断装置,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于当执行所述计算机程序时,实现实施例1中的风电场风速传感器故障诊断方法,风电场风速传感器故障诊断方法在实施例1中已具体说明,本实施例不再赘述。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (3)
1.一种风电场风速传感器故障诊断方法,其特征在于,该方法包括:
对风电场机组进行故障互诊群落划分;
在故障互诊群落中分别对机组对应的风速传感器进行故障诊断,包括:
获取故障互诊群落中风速传感器的风速时序流,
确定故障互诊群落内存在风速异常数据的时间区间,
定位存在风速异常数据的时间区间内发生故障的风速传感器;
划分故障互诊群落的方式包括:
以机组偏航数据为基础对机组风速空间相关性进行筛选,筛选风速空间相关性较高的多台机组作为关联机组并划分到一个故障互诊群落,在故障诊断期间,当风向变化超过阈值时重新划分故障互诊群落;
所述的确定故障互诊群落内存在风速异常数据的时间区间的具体方式包括:
获取描述各采样时刻点故障互诊群落内各风速传感器测量的风速数据分离程度的指标参数;
将指标参数作为确定异常的变点指标,确定变点指标参数阈值;
将指标参数大于变点指标参数阈值的时间区间确定为存在风速异常数据的时间区间;
所述的指标参数包括各时刻点故障互诊群落内各风速传感器测量的风速数据的方差;
所述的变点指标参数阈值的获取方式包括:
将各采样时刻的指标参数按照升序排列,对排列后的指标参数按照分位算法平均划分为若干部分,选取设定分位点对应的指标参数作为变点指标参数阈值;
定位发生故障的风速传感器的方式包括:
对故障互诊群落内的各风速传感器进行风速相关性交叉比对,将导致风速相关性降低的机组传感器即可确定为故障风速传感器;
所述的定位发生故障的风速传感器的具体方式为:滚动计算任意两个风速传感器测量的风速的相关性,选取相关性系数小于设定阈值的机组数据,统计其中关联的风速传感器出现的次数,将出现次数最多的风速传感器确定为故障风速传感器。
3.一种风电场风速传感器故障诊断装置,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于当执行所述计算机程序时,实现如权利要求1~2任一项所述的风电场风速传感器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110988587.1A CN113777351B (zh) | 2021-08-26 | 2021-08-26 | 一种风电场风速传感器故障诊断方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110988587.1A CN113777351B (zh) | 2021-08-26 | 2021-08-26 | 一种风电场风速传感器故障诊断方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113777351A CN113777351A (zh) | 2021-12-10 |
CN113777351B true CN113777351B (zh) | 2022-09-20 |
Family
ID=78839547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110988587.1A Active CN113777351B (zh) | 2021-08-26 | 2021-08-26 | 一种风电场风速传感器故障诊断方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777351B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116991841B (zh) * | 2023-09-25 | 2023-12-19 | 温州市工业与信息技术发展有限公司 | 一种用于混合风数据模型的数据智能清洗方法 |
CN117763313A (zh) * | 2024-02-22 | 2024-03-26 | 华侨大学 | 基于时间网络流熵法的风力发电机预警和辨识方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5828629A (ja) * | 1981-08-14 | 1983-02-19 | Hitachi Ltd | 回転機器の異常診断装置 |
CN102830250B (zh) * | 2011-06-14 | 2014-04-09 | 湘潭大学 | 一种基于空间相关性的风电场风速传感器故障诊断方法 |
CN107291927B (zh) * | 2017-06-29 | 2019-11-05 | 同济大学 | 一种用于风电机组风速相关性分析的风速数据清洗方法 |
CN108412710B (zh) * | 2018-01-30 | 2019-08-06 | 同济大学 | 一种风电机组风功率数据清洗方法 |
CN108732645A (zh) * | 2018-05-22 | 2018-11-02 | 中国华能集团清洁能源技术研究院有限公司 | 一种具有异常数据报警功能的自动测风系统及方法 |
CN111855195B (zh) * | 2019-04-29 | 2022-08-30 | 富士通株式会社 | 用于齿轮箱的异常检测方法以及信息处理设备 |
-
2021
- 2021-08-26 CN CN202110988587.1A patent/CN113777351B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113777351A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113777351B (zh) | 一种风电场风速传感器故障诊断方法、装置 | |
US7895018B2 (en) | Event monitoring via combination of signals | |
CN108446483B (zh) | 计及风电机组传动系统疲劳的风电场可靠性评估方法 | |
CN106815771B (zh) | 一种风电场载荷的长期评估方法 | |
JP2018185171A (ja) | 風車発電機の疲労寿命解析装置、風力発電システム、及び風車発電機の疲労寿命解析方法 | |
CN110067708B (zh) | 一种使用功率曲线识别偏航对风不正的方法 | |
CN112065668A (zh) | 一种风电机组状态异常评估方法及系统 | |
CN113780375B (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN110907170A (zh) | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 | |
CN115935243A (zh) | 一种基于数据处理的故障分析方法 | |
CN112228290A (zh) | 一种风力机变桨系统故障智能预警方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN117365677A (zh) | 一种汽轮机组性能健康状态评价方法 | |
CN110794683A (zh) | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 | |
CN116857131A (zh) | 一种风电机组变桨距系统故障诊断方法、系统及设备 | |
CN115616248A (zh) | 一种风电机组风速计数据异常识别方法及系统 | |
CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
CN113987870A (zh) | 一种风电机组主传动系统状态评估方法及终端设备 | |
CN114439703A (zh) | 一种基于车载装置的风电机组叶片不平衡故障监测方法 | |
CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
CN113431800A (zh) | 一种实时判别风机运行状态的方法 | |
CN117195136B (zh) | 一种电网新能源异常数据监测方法 | |
CN113374654B (zh) | 一种检测风力发电机组叶片开裂的方法 | |
CN115951088A (zh) | 一种风电机组风速仪异常分析方法 |
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 |