CN113987870A - 一种风电机组主传动系统状态评估方法及终端设备 - Google Patents
一种风电机组主传动系统状态评估方法及终端设备 Download PDFInfo
- Publication number
- CN113987870A CN113987870A CN202111208807.0A CN202111208807A CN113987870A CN 113987870 A CN113987870 A CN 113987870A CN 202111208807 A CN202111208807 A CN 202111208807A CN 113987870 A CN113987870 A CN 113987870A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- transmission system
- main transmission
- turbine generator
- state
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 161
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 16
- 238000010168 coupling process Methods 0.000 claims abstract description 16
- 238000005859 coupling reaction Methods 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 48
- 230000036541 health Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种风电机组主传动系统状态评估方法及终端设备,涉及风电机组主传动系统状态评估技术领域,包括:步骤1.建立风电机组载荷计算模型,测算风电机组载荷;步骤2.建立系统状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷;步骤3.建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型;步骤4.建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系;步骤5.建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型;步骤6.根据所述评估模型对风险机组主动传动系统运行状态进行评估,解决了现有技术中风电机组设备运行状态结果评估不准确的问题。
Description
技术领域
本发明涉及风电机组主传动系统状态评估技术领域,具体为一种风电机组主传动系统状态评估方法及终端设备。
背景技术
风能具有无污染、储量丰富、成本低廉等特点,是最有前途的能源之一,也是当今世界上增长速度最快的能源来源,因此风力发电行业近20年在世界能源产业中发展迅猛。当前,阻碍风电行业继续健康发展的一个重要因素是风电装备与传统化石燃料相比,单位能源的产出需要更高的成本。原因是多数风场采用定时检修的方法,潜在的故障不能被及时发现,也不能及时判断故障来源,而完好设备的重复检修以及通过多种手段逐一排查故障来源会带来巨大的运维成本。
目前风电设备维护方式正从被动维修向预知性维修转变,预知性维修可以提前发现设备的异常和劣化趋势,进行有针对性的维修,避免故障发生,从而避免经济损失,提高经济性和安全性。而实现预知性维修首先就需要对风电机组进行有效的状态评估。
风电机组中的主传动系统不仅是能量的传输通道,也是机组载荷的传递路径,长期处于极端的气候条件、恶劣的工作环境中,工作转速范围广、激励频带宽、传动系统转速变化过程中激励频率易与系统固有频率产生共振;且时变风载往往引起柔性塔筒产生摆动,传动系统部件的惯性力与系统气动载荷等相互耦合,使部件受力波动程度增大,导致其故障率增多,因主传动系统机械故障导致的停机时间占据了风机故障停机时间的40%-60%。因此实现风电机组主传动系统的状态评估有其重要意义。
现代大型风电机组均配置有数据采集与监控系统(Supervisory Control AndData Acquisition,简称SCADA),积累了大量历史数据,利用产生的数据识别风电机组实时运行状态,既可以充分利用数据,又不会带来额外成本。已经有学者基于SCADA数据,采取一些大数据处理方法与技术进行风电机组的状态评估,但是有关风电机组主传动系统的状态评估研究还处于研究探索阶段。
目前的研究虽然考虑到风电机组状态监测信息和各状态间的模糊性,但并未充分考虑其中的随机性,且缺乏SCADA数据与风电机组运行工况间相关性的分析,没有明确风电机组主传动系统运行参数与运行状态间的关联机制,缺乏理论支撑。且机组运行工况通常是由多个运行状态组成,不同状态对机组运行参数的影响程度可能存在差异,对机组数据之间、数据与运行状态的关联性研究是机组设备运行状态评估结果准确的重要保障。
因此,充分研究风电机组主传动系统运行参数与运行状态间的关系及关联机制,从非平稳且存在复杂关联的运行数据中准确提取主传动系统运行状态信息,提出主传动系统运行状态评价指标与量化算法,构建系统状态识别模型,对其运行状态进行在线评估,及时发现并处理机组异常情况,对保障风电机组高效运行及故障溯源起到至关重要的作用。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种风电机组主传动系统状态评估方法及终端设备,解决了上述背景技术中提出的缺乏SCADA数据与风电机组运行工况间相关性的分析,没有明确风电机组主传动系统运行参数与运行状态间的关联机制,风电机组设备运行状态结果评估不准确的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种风电机组主传动系统状态评估方法,所述方法包括:
步骤1.建立风电机组载荷计算模型,测算风电机组载荷;
步骤2.建立系统状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷;
步骤3.建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型;
步骤4.建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系;
步骤5.建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型;
步骤6.根据所述评估模型对风险机组主动传动系统运行状态进行评估。
优选地,所述建立风电机组载荷计算模型用于测算风电机组载荷,具体为:
将无线应变片粘贴在风电机组叶片根部;建立传感器感知信息与挥舞、摆振动方向力矩的转换模型;
基于有限元分析、正交试验与回归分析构建叶片属性参数与应变关系模型以及应变与叶片载荷等效力矩关系模型;
基于空气动力学理论,分析风电机组的气动载荷特性,建立风电机组载荷计算模型;
根据力系的等效原理得到风电机组叶片根部的等效力和等效力矩,结合试验测算的叶片根部等效力矩,对载荷计算模型进行修正。
优选地,所述基于应变片的叶根载荷测试基本策略,基于应变片的叶根载荷测试基本策略,将无线应变片粘贴在风电机组叶片根部;建立传感器感知信息与挥舞、摆振动方向力矩的转换模型;还包括:进行应变-载荷在线校正。
优选地,所述建立状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷,具体为:
挖掘SCADA数据中与主传动系统运行状态有关的特征参数组成相关变量集,进行趋势分析和相关性分析获得各状态参数件的关联关系;
建立状态参数与测算的风电机组载荷的映射关系模型;从SCADA数据中提取风电机组历史状态参数,借助映射关系模型重构风电机组历史载荷。
优选地,所述建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型并进行修正,具体为:
建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型,基于SIMPACK和ANSYS软件完成刚柔耦合动力学模型;
根据风电机组主传动系统受到的内部激励及步骤1中计算得到的风电机组载荷,确定各内部结构上的载荷;
通过数值仿真确定服役中的主传动系统的速度、加速度响应特性;
建立主传动系统的有限元模型,分析在风电机组载荷作用下主传动系统的应力应变分布及温度分布;
根据步骤2中SCADA数据中的与主传动系统运行状态的特征参数进行对比,验证风电机组主传动系统动力学模型并进行修正。
优选地,所述建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系,具体为:根据步骤2重构的风电机组主传动系统历史载荷、步骤3所建动力学模型及载荷传递特性,确定主传动系统传递到各内部结构上的载荷;对工况进行状态分类,确定风力发电机机组在不同运行状态下主传动系统动力学特性的变化规律,风电机组是在变工况下运行的,不同的工况下的动力学特性不同建立多工况不同运行状态与主传动系统动力学特性的对应关系。
优选地,所述建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型,具体为:
建立步骤2确定的SCADA数据中相关变量集中的状态参数与步骤3确定的主传动系统动力学特性的映射关系模型,所述状态参数包括齿轮箱油温、机舱温度、风向、风速、环境温度;
考虑多工况不同运行状态的影响,根据各状态参量物理含义选择从运行状态参数到评价指标的量化算法进行无量纲化处理;
分析量化后的评价指标在主传动系统运行状态评估上的规律,对各指标进行权重赋值;
明确各参数间的相关性,运用因子分析解析不同运行状态过程对各参数的影响程度,确定运行状态与参数特征间的关联性;
将风电机组主传动系统运行状态按5级制划分,运用高斯云模型构建风电机组主传动系统状态评估模型。
优选地,所述将风电机组主传动系统运行状态按5级制划分,具体为:将风电机组状态分为“健康”“良好”“一般”“不良”和“危险”5级;健康指数的范围为[0~1],[0~0.25]为危险,(0.25~0.45]为不良(0.45~0.65]为一般,(0.65~0.85]为良好,(0.85~0.1]为健康。
优选地,述运用高斯云模型构建风电机组主传动系统状态评估模型,包括:
针对离线数据部分:对风电机组主传动系统的SCADA历史数据进行数据预处理以及特征提取,根据所述映射关系模型通过SCADA历史数据中健康状态下的相关状态参数映射得到相应的动力学特征量,并以动力学特征量为补充结合SCADA状态参数,通过聚类方法进行工况划分,将每种运行工况用一组高斯云模型表示,表示机组在该工况下的健康状态,得到标准综合云G0;
针对在线数据部分,首先对风电机组主传动系统的实时数据流进行数据预处理和特征提取,根据所述映射关系模型通过SCADA实时数据流中的相关状态参数映射得到相应的动力学特征量;然后根据离线数据部分所划分的运行工况进行实时辨识,计算每个工况下的机组状态,得到待估综合云G′;
将在线部分得到的不同工况下的待估综合云G′与离线部分得到的相应工况下的标准综合云G0对比,利用算术最小平均贴近度h反映风电机组当前状态偏离标准状态的大小来计算健康指数Ht;根据所得健康指数对应所述风电机组运行状态的5级划分得到风电机组主传动系统的状态评估结果。
本发明还提供一种风电机组主传动系统状态评估终端,所述终端包括:
载荷测算重构模块:用于建立风电机组载荷计算模型,测算风电机组载荷;建立系统状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷;
动力学模型构建模块:用于建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型;建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系;
状态评估模块:用于建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型;
根据所述评估模型对风险机组主动传动系统运行状态进行评估。
本发明还提供一种风电机组主传动系统状态评估装置,所述装置包括:包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前任一项所述一种风电机组主传动系统状态评估方法的步骤。
本发明还一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现如前任一项所述一种风电机组主传动系统状态评估方法的步骤。
有益效果
本发明提供了一种风电机组主传动系统状态评估方法、终端设备、装置及计算机存储介质。具备以下有益效果:
1、相比于现有技术方法而言,本发明引入动力学模型,将动力学特征量与SCADA状态参数结合对风电机组主传动系统进行状态评估,不完全依赖传感器数据,减少了对数据的依赖性,明确SCADA状态参数与其行为特性的关联机制,增加了状态评估模型的可解释性和透明度。
2、相比于现有技术方法而言,本发明能够改善运行状态异常早发问题。主传动系统实时动态载荷及其传递特性不清,多工况动力学行为不明会导致运行状态异常早发。本发明提出的方法基于风电机组现场载荷测量及SCADA数据,重构风电机组主传动系统历史载荷,掌握主传动系统时程服役载荷并构建健康的风力发电机组主传动系统动力学模型,揭示时程服役载荷下主传动系统的动力学特性及载荷传递特性,明确多工况动力学特性与系统状态间的关联机制,从而改善运行状态异常早发问题,评估结果准确。
附图说明
图1为本发明提出的一种风电机组主传动系统状态评估方法流程图;
图2为本发明提出的一种风电机组主传动系统状态评估终端设备结构示意图。
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。
一种风电机组主传动系统状态评估方法,如图1所示,所述方法包括:
S1.建立风电机组载荷计算模型,测算风电机组载荷;
S2.建立系统状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷;
S3.建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型;
S4.建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系;
S5.建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型;
S6.根据所述评估模型对风险机组主动传动系统运行状态进行评估。
在一个实施例中,所述建立风电机组载荷计算模型用于测算风电机组载荷,具体为:
将无线应变片粘贴在风电机组叶片根部;建立传感器感知信息与挥舞、摆振动方向力矩的转换模型;
基于有限元分析、正交试验与回归分析构建叶片属性参数与应变关系模型以及应变与叶片载荷等效力矩关系模型;
基于空气动力学理论,分析风电机组的气动载荷特性,建立风电机组载荷计算模型;
根据力系的等效原理得到风电机组叶片根部的等效力和等效力矩,结合试验测算的叶片根部等效力矩,对载荷计算模型进行修正。
在一个实施例中,所述载荷测算过程:首先将无线应变片粘贴在风电机组叶片根部,并对传感器的位置进行优化布置,采集提取应变数据的同时,同步提取风速、桨距角、轮毂方位角、发电机功率等多种数据,充分考虑这些因素对应变的影响,进行“应变-载荷”在线校正,并提出基于应变片的叶根载荷测试基本策略,建立传感器感知信息与挥舞、摆振动方向力矩的转换模型。
然后利用有限元软件ANSYS建立叶片(各向异性复合材料)数值仿真分析模型,定量分析叶片属性参数(杨氏模量E、泊松比ρ以及剪切模量G)对应变特征的影响规律,同时改变施加在叶片上的载荷,分析叶片在同样材料属性参数下应力应变与载荷之间的关系,获得应变与叶片载荷(等效力矩)的关系模型。
最后基于空气动力学理论、借助CFD等仿真软件分析风力发电机组服役状态下的气动载荷特性,建立载荷计算模型,然后根据力系的等效原理得到风电机组叶片根部的等效力和等效力矩,结合试验测算的叶片根部等效力矩,对载荷计算模型进行修正。
在一个实施例中,所述基于应变片的叶根载荷测试基本策略,基于应变片的叶根载荷测试基本策略,将无线应变片粘贴在风电机组叶片根部;建立传感器感知信息与挥舞、摆振动方向力矩的转换模型;还包括:进行应变-载荷在线校正。
在一个实施例中,所述建立状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷,具体为:
挖掘SCADA数据中与主传动系统运行状态有关的特征参数组成相关变量集,进行趋势分析和相关性分析获得各状态参数间的关联关系;
建立状态参数与测算的风电机组载荷的映射关系模型;从SCADA数据中提取风电机组历史状态参数,借助映射关系模型重构风电机组历史载荷。
在一个实施例中,历史载荷重构过程,首先挖掘SCADA数据中与主传动系统运行状态有关的特征参数,组成相关变量集,从风速、功率、温度、振动、转速等多个维度,进行SCADA数据中相关变量集的趋势分析和相关性分析,利用相关性分析方法深入探究各状态参数之间的关联关系。
然后基于数据挖掘的思想,分析相关变量集中的状态参数与测算的风电机组载荷之间的映射关系,依据非线性状态估计方法或神经网络等方法建立相应的映射关系模型,进行数据预处理及扰动性状态参数的平滑处理,解决随机扰动性状态参数(如风速、风向)的影响。
最后从SCADA数据中提取风电机组历史状态参数,借助映射关系模型,重构风电机组历史载荷。
在一个实施例中,所述建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型并进行修正,具体为:
建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型,基于SIMPACK和ANSYS软件完成刚柔耦合动力学模型;
根据风电机组主传动系统受到的内部激励及步骤1中计算得到的风电机组载荷,确定各内部结构上的载荷;
通过数值仿真确定服役中的主传动系统的速度、加速度响应特性;
建立主传动系统的有限元模型,分析在风电机组载荷作用下主传动系统的应力应变分布及温度分布;
根据步骤2中SCADA数据中的与主传动系统运行状态的特征参数进行对比,验证风电机组主传动系统动力学模型并进行修正。
在一个实施例中,所述建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系,具体为:根据步骤2重构的风电机组主传动系统历史载荷、步骤3所建动力学模型及载荷传递特性,确定主传动系统传递到各内部结构上的载荷;对工况进行状态分类,确定风力发电机机组在不同运行状态下主传动系统动力学特性的变化规律,风电机组是在变工况下运行的,不同的工况下的动力学特性不同建立多工况不同运行状态与主传动系统动力学特性的对应关系。
在一个实施例中,所述建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型,具体为:
依据非线性状态估计方法或神经网络等方法,建立步骤2确定的SCADA数据中相关变量集中的状态参数与步骤3确定的主传动系统动力学特性的映射关系模型,所述状态参数为齿轮箱油温、机舱温度、风向、风速、环境温度;
考虑多工况不同运行状态的影响,根据各状态参量物理含义选择从运行状态参数到评价指标的量化算法进行无量纲化处理;
分析量化后的评价指标在主传动系统运行状态评估上的规律,对各指标进行权重赋值;
明确各参数间的相关性,运用因子分析解析不同运行状态过程对各参数的影响程度,确定运行状态与参数特征间的关联性;
将风电机组主传动系统运行状态按5级制划分,运用高斯云模型构建风电机组主传动系统状态评估模型。
在一个实施例中,所述将风电机组主传动系统运行状态按5级制划分,具体为:将风电机组状态分为“健康”“良好”“一般”“不良”和“危险”5级;健康指数的范围为[0~1],[0~0.25]为危险,(0.25~0.45]为不良(0.45~0.65]为一般,(0.65~0.85]为良好,(0.85~0.1]为健康。
在一个实施例中,所述运用高斯云模型构建风电机组主传动系统状态评估模型,包括:
针对离线数据部分:对风电机组主传动系统的SCADA历史数据进行数据预处理以及特征提取,根据所述映射关系模型通过SCADA历史数据中健康状态下的相关状态参数映射得到相应的动力学特征量,并以动力学特征量为补充结合SCADA状态参数,通过聚类方法进行工况划分,将每种运行工况用一组高斯云模型表示,表示机组在该工况下的健康状态,得到标准综合云G0:
针对在线数据部分,首先对风电机组主传动系统的实时数据流进行数据预处理和特征提取,根据所述映射关系模型通过SCADA实时数据流中的相关状态参数映射得到相应的动力学特征量;然后根据离线数据部分所划分的运行工况进行实时辨识,计算每个工况下的机组状态,得到待估综合云G′:
计算健康指数,利用算术最小平均贴近度h反映风电机组当前状态偏离标准状态的大小:
其中:ωi为第i个高斯云模型的权重系数;ωj为该工况下第j个高斯云模型的权重系数;xjk为该工况下综合云G0中第j个高斯云的第k个高斯云云滴;xik为该工况下综合云G′中第i个高斯云的第k个云滴;
令Ht作为t时刻风电机组主传动系统的健康指数;
其中:hti为第i个工况下时刻t的健康指数;α为用于平衡当前健康指数的历史值和当前值之间关系的系数;
将在线部分得到的不同工况下的待估综合云G′与离线部分得到的相应工况下的标准综合云G0对比,利用算术最小平均贴近度h反映风电机组当前状态偏离标准状态的大小来计算健康指数Ht;根据所得健康指数对应所述风电机组运行状态的5级划分得到风电机组主传动系统的状态评估结果。
本发明还提供一种风电机组主传动系统状态评估终端,所述终端包括:
载荷测算重构模块:用于建立风电机组载荷计算模型,测算风电机组载荷;建立系统状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷;
动力学模型构建模块:用于建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型;建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系;
状态评估模块:用于建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型;
根据所述评估模型对风险机组主动传动系统运行状态进行评估。
本发明还提供一种风电机组主传动系统状态评估装置,所述装置包括:包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前任一项所述一种风电机组主传动系统状态评估方法的步骤。
本发明还一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现如前任一项所述一种风电机组主传动系统状态评估方法的步骤。
综上所述,本发明实施例提供了一种风电机组主传动系统状态评估方法、终端设备、装置及计算机存储介质。本发明引入动力学模型,将动力学特征量与SCADA状态参数结合对风电机组主传动系统进行状态评估,不完全依赖传感器数据,减少了对数据的依赖性;明确SCADA状态参数与其行为特性的关联机制,增加了状态评估模型的可解释性和透明度。
相比于现有技术方法而言,本发明能够改善运行状态异常早发问题。主传动系统实时动态载荷及其传递特性不清,多工况动力学行为不明会导致运行状态异常早发。本发明提出的方法基于风电机组现场载荷测量及SCADA数据,重构风电机组主传动系统历史载荷,掌握主传动系统时程服役载荷并构建健康的风力发电机组主传动系统动力学模型,揭示时程服役载荷下主传动系统的动力学特性及载荷传递特性,明确多工况动力学特性与系统状态间的关联机制,从而改善运行状态异常早发问题,评估结果准确。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种风电机组主传动系统状态评估方法,其特征在于,所述方法包括:
步骤1.建立风电机组载荷计算模型,测算风电机组载荷;
步骤2.建立系统状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷;
步骤3.建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型;
步骤4.建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系;
步骤5.建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型;
步骤6.根据所述评估模型对风险机组主动传动系统运行状态进行评估。
2.根据权利要求1所述的风电机组主传动系统状态评估方法,其特征在于,所述建立风电机组载荷计算模型用于测算风电机组载荷,具体为:
将无线应变片粘贴在风电机组叶片根部;建立传感器感知信息与挥舞、摆振动方向力矩的转换模型;
基于有限元分析、正交试验与回归分析构建叶片属性参数与应变关系模型以及应变与叶片载荷等效力矩关系模型;
基于空气动力学理论,分析风电机组的气动载荷特性,建立风电机组载荷计算模型;
根据力系的等效原理得到风电机组叶片根部的等效力和等效力矩,结合试验测算的叶片根部等效力矩,对载荷计算模型进行修正。
3.根据权利要求2所述的风电机组主传动系统状态评估方法,其特征在于,所述基于应变片的叶根载荷测试基本策略,基于应变片的叶根载荷测试基本策略,将无线应变片粘贴在风电机组叶片根部;建立传感器感知信息与挥舞、摆振动方向力矩的转换模型;还包括:进行应变-载荷在线校正。
4.根据权利要求3所述的风电机组主传动系统状态评估方法,其特征在于,所述建立状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷,具体为:
挖掘SCADA数据中与主传动系统运行状态有关的特征参数组成相关变量集,进行趋势分析和相关性分析获得各状态参数件的关联关系;
建立状态参数与测算的风电机组载荷的映射关系模型;从SCADA数据中提取风电机组历史状态参数,借助映射关系模型重构风电机组历史载荷。
5.根据权利要求4所述的风电机组主传动系统状态评估方法,其特征在于,所述建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型并进行修正,具体为:
建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型,基于SIMPACK和ANSYS软件完成刚柔耦合动力学模型;
根据风电机组主传动系统受到的内部激励及步骤1中计算得到的风电机组载荷,确定各内部结构上的载荷;
通过数值仿真确定服役中的主传动系统的速度、加速度响应特性;
建立主传动系统的有限元模型,分析在风电机组载荷作用下主传动系统的应力应变分布及温度分布;
根据步骤2中SCADA数据中的与主传动系统运行状态的特征参数进行对比,验证风电机组主传动系统动力学模型并进行修正。
6.根据权利要求5所述的风电机组主传动系统状态评估方法,其特征在于,所述建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系,具体为:根据步骤2重构的风电机组主传动系统历史载荷、步骤3所建动力学模型及载荷传递特性,确定主传动系统传递到各内部结构上的载荷;对工况进行状态分类,确定风力发电机机组在不同运行状态下主传动系统动力学特性的变化规律,风电机组是在变工况下运行的,不同的工况下的动力学特性不同建立多工况不同运行状态与主传动系统动力学特性的对应关系。
7.根据权利要求6所述的风电机组主传动系统状态评估方法,其特征在于,所述建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型,具体为:
建立步骤2确定的SCADA数据中相关变量集中的状态参数与步骤3确定的主传动系统动力学特性的映射关系模型,所述状态参数包括:齿轮箱油温、机舱温度、风向、风速、环境温度;
考虑多工况不同运行状态的影响,根据各状态参量物理含义选择从运行状态参数到评价指标的量化算法进行无量纲化处理;
分析量化后的评价指标在主传动系统运行状态评估上的规律,对各指标进行权重赋值;
明确各参数间的相关性,运用因子分析解析不同运行状态过程对各参数的影响程度,确定运行状态与参数特征间的关联性;
将风电机组主传动系统运行状态按5级制划分,运用高斯云模型构建风电机组主传动系统状态评估模型。
8.根据权利要求7所述的风电机组主传动系统状态评估方法,其特征在于,所述将风电机组主传动系统运行状态按5级制划分,具体为:将风电机组状态分为“健康”“良好”“一般”“不良”和“危险”5级;健康指数的范围为[0~1],[0~0.25]为危险,(0.25~0.45]为不良(0.45~0.65]为一般,(0.65~0.85]为良好,(0.85~0.1]为健康。
9.根据权利要求7所述的风电机组主传动系统状态评估方法,其特征在于,所述运用高斯云模型构建风电机组主传动系统状态评估模型,包括:
针对离线数据部分:对风电机组主传动系统的SCADA历史数据进行数据预处理以及特征提取,并以动力学特征量为补充,通过聚类方法进行工况划分,将每种运行工况用一组高斯云模型表示,表示机组在该工况下的健康状态,得到标准综合云G0;
针对在线数据部分,首先对风电机组主传动系统的实时数据流进行数据预处理和特征提取;然后根据离线数据部分所划分的运行工况进行实时辨识,计算每个工况下的机组状态,得到待估综合云G′;
将在线部分得到的不同工况下的待估综合云G′与离线部分得到的相应工况下的标准综合云G0对比,利用算术最小平均贴近度h反映风电机组当前状态偏离标准状态的大小来计算健康指数Ht;根据所得健康指数对应所述风电机组运行状态的5级划分得到风电机组主传动系统的状态评估结果。
10.一种风电机组主传动系统状态评估终端,其特征在于,所述终端包括:
载荷测算重构模块:用于建立风电机组载荷计算模型,测算风电机组载荷;
建立系统状态参数与测算出的风电机组载荷映射关系,并重构风电机组历史载荷;
动力学模型构建模块:用于建立基于柔性支撑的风电机组主传动系统刚柔耦合动力学模型;建立风电机组多工况不同运行状态与主传动系统动力学特性的对应关系;
状态评估模块:用于建立基于SCADA数据与多工况动力学行为的风电机组主传动系统状态评估模型;根据所述评估模型对风险机组主动传动系统运行状态进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208807.0A CN113987870B (zh) | 2021-10-18 | 一种风电机组主传动系统状态评估方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208807.0A CN113987870B (zh) | 2021-10-18 | 一种风电机组主传动系统状态评估方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113987870A true CN113987870A (zh) | 2022-01-28 |
CN113987870B CN113987870B (zh) | 2024-08-27 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114837902A (zh) * | 2022-06-02 | 2022-08-02 | 中节能风力发电股份有限公司 | 一种风电机组健康度评估方法、系统、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120197605A1 (en) * | 2011-01-30 | 2012-08-02 | Sinovel Wind Group Co., Ltd. | Comprehensive assessment system and assessment method for vibration and load of wind generating set |
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN111441917A (zh) * | 2019-01-16 | 2020-07-24 | 北京金风科创风电设备有限公司 | 基于扇区的风电机组的预定部件的载荷预估方法和装置 |
CN111859649A (zh) * | 2020-07-10 | 2020-10-30 | 中国科学院电工研究所 | 基于虚拟仿真的风电机组传动链地面试验工况建立方法 |
CN113339207A (zh) * | 2021-06-29 | 2021-09-03 | 浙江理工大学 | 一种风电机组主传动系统的运行工况划分方法及系统 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120197605A1 (en) * | 2011-01-30 | 2012-08-02 | Sinovel Wind Group Co., Ltd. | Comprehensive assessment system and assessment method for vibration and load of wind generating set |
CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学(保定) | 一种风电机组健康状态实时评估方法 |
CN111441917A (zh) * | 2019-01-16 | 2020-07-24 | 北京金风科创风电设备有限公司 | 基于扇区的风电机组的预定部件的载荷预估方法和装置 |
CN111859649A (zh) * | 2020-07-10 | 2020-10-30 | 中国科学院电工研究所 | 基于虚拟仿真的风电机组传动链地面试验工况建立方法 |
CN113339207A (zh) * | 2021-06-29 | 2021-09-03 | 浙江理工大学 | 一种风电机组主传动系统的运行工况划分方法及系统 |
Non-Patent Citations (1)
Title |
---|
戴巨川等: "海上风电机组漂浮式平台稳定性控制策略与试验研究", 机械工程学报, vol. 57, no. 14, 31 July 2021 (2021-07-31), pages 270 - 281 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114837902A (zh) * | 2022-06-02 | 2022-08-02 | 中节能风力发电股份有限公司 | 一种风电机组健康度评估方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104952000A (zh) | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 | |
CN104074687B (zh) | 一种用于兆瓦级风电机组的载荷及性能测试方法及装置 | |
CN106815771A (zh) | 一种风电场载荷的长期评估方法 | |
CN109376801A (zh) | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 | |
CN106979126A (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN105205569A (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN109655200A (zh) | 一种风力发电机组风轮不平衡的诊断方法及系统 | |
CN106762452A (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN113780375A (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 | |
CN104574221B (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
CN111553400A (zh) | 一种风力发电机组振动故障的精准诊断方法 | |
CN116956047A (zh) | 一种基于风力发电数据的风电机组性能评估系统 | |
CN115221785A (zh) | 一种神经网络预测模型的构建方法、预测方法、系统 | |
CN115062879A (zh) | 一种风电机组指标参数的获取方法、装置及设备 | |
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 | |
Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
CN113987870B (zh) | 一种风电机组主传动系统状态评估方法及终端设备 | |
Yang et al. | Detection of wind turbine blade abnormalities through a deep learning model integrating VAE and neural ODE | |
CN113987870A (zh) | 一种风电机组主传动系统状态评估方法及终端设备 | |
CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
CN116085192A (zh) | 一种风电机组低速轴扭矩监控方法、装置及设备 |
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 |