CN114060228B - 风力发电机组扭矩异常跳变的检测方法、装置及控制器 - Google Patents
风力发电机组扭矩异常跳变的检测方法、装置及控制器 Download PDFInfo
- Publication number
- CN114060228B CN114060228B CN202010767337.0A CN202010767337A CN114060228B CN 114060228 B CN114060228 B CN 114060228B CN 202010767337 A CN202010767337 A CN 202010767337A CN 114060228 B CN114060228 B CN 114060228B
- Authority
- CN
- China
- Prior art keywords
- torque
- value
- signal
- generating set
- wind generating
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005070 sampling Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 230000000737 periodic effect Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 230000001932 seasonal effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
-
- 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
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
-
- 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)
- Wind Motors (AREA)
Abstract
本发明公开了一种风力发电机组扭矩异常跳变的检测方法、装置及控制器。其中，风力发电机组扭矩异常跳变的检测方法包括：获取风力发电机组在预设时长内的扭矩信号；对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；计算每两个相邻的信号特征值之间的差分值；在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变；其中，所述预设条件是根据所述信号特征值的差分值设置的。根据本发明实施例，能够有效避免由于风力发电机组长期运行在亚健康状态导致的风力发电机组关键部件损坏，进而可以有效提高风力发电机组的运行可靠性，减少运营成本。
Description
技术领域
本发明属于风力发电技术领域，尤其涉及一种风力发电机组扭矩异常跳变的检测方法、装置及控制器。
背景技术
风力发电机组的扭矩是使风机发生转动的力，在功率固定的条件下它与风机转速成反比关系，风机转速越快扭矩越小，风机转速越慢扭矩越大，扭矩可以反映风机在一定范围内的负载能力。
目前，风力发电机组控制程序对扭矩异常的检测方法是在停机过程中出现扭矩跳变时执行故障停机，这种扭矩异常检测方法无法在早期检测出风力发电机组的扭矩异常跳变，可能会导致风力发电机组长期运行在亚健康状态，从而会导致风力发电机组关键部件的损坏。
发明内容
本发明实施例提供一种风力发电机组扭矩异常跳变的检测方法、装置及控制器，能够实时检测风力发电机组的扭矩跳变情况，避免风力发电机组长期运行在亚健康状态。
第一方面，本发明实施例提供一种风力发电机组扭矩异常跳变的检测方法，包括：
获取风力发电机组在预设时长内的扭矩信号；
对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；
计算每两个相邻的信号特征值之间的差分值；
在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变；其中，所述预设条件是根据所述信号特征值的差分值设置的。
第二方面，本发明实施例提供一种风力发电机组扭矩异常跳变的检测装置，包括：
获取模块，用于获取风力发电机组在预设时长内的扭矩信号；
提取模块，用于对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；
计算模块，用于计算每两个相邻的信号特征值之间的差分值；
确定模块，用于在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变；其中，所述预设条件是根据所述信号特征值的差分值设置的。
第三方面，本发明实施例提供了一种风力发电机组的控制器，控制器包括：处理器，以及存储有计算机程序指令的存储器；
处理器读取并执行计算机程序指令，以实现如第一方面所述的风力发电机组扭矩异常跳变的检测方法。
第四方面，本发明实施例提供了一种风力发电机组，该风力发电机组包括：
信号采集设备，用于采集风力发电机组在预设时长内的的扭矩信号；
控制器，用于从所述信号采集设备中获取所述风力发电机组在预设时长内的所述扭矩信号；对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；计算每两个相邻的信号特征值之间的差分值；在差分值满足预设条件的情况下，确定风力发电机组发生扭矩异常跳变；其中，预设条件是根据信号特征值的差分值设置的。
第五方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所述的风力发电机组运行控制方法。
本发明实施例的风力发电机组扭矩异常跳变的检测方法、装置及控制器，能够对风力发电机组在预设时长内的扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值，然后计算每两个相邻的信号特征值之间的差分值，并在差分值满足预设条件的情况下确定风力发电机组发生扭矩异常跳变，其中，预设条件是根据信号特征值的差分值设置的。这样，基于风力发电机组的扭矩信号可以在风力发电机组的运行过程中实时检测风力发电机组的扭矩跳变情况，无需等到风力发电机组停机之后才能检测到，因而，本发明实施例可以有效避免由于风力发电机组长期运行在亚健康状态导致的风力发电机组关键部件损坏，延长风力发电机组的使用寿命，进而可以有效提高风力发电机组的运行可靠性，减少运营成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的扭矩与转速的关系曲线图；
图2是本发明一个实施例提供的转速与风速的关系曲线图；
图3-1是本发明一个实施例提供的功率曲线图；
图3-2是本发明一个实施例提供的扭矩曲线图；
图4是本发明一个实施例提供的风力发电机组扭矩异常跳变的检测方法的流程示意图；
图5是本发明一个实施例提供的扭矩正常信号示意图；
图6是本发明一个实施例提供的扭矩小幅异常跳变信号示意图；
图7是本发明一个实施例提供的扭矩大幅异常跳变信号示意图；
图8是本发明一个实施例提供的扭矩小幅异常跳变和扭矩大幅异常跳变的检测方法的流程示意图；
图9是本发明一个实施例提供的风力发电机组扭矩异常跳变的检测装置的结构示意图；
图10是本发明一个实施例提供的风力发电机组扭矩异常跳变的检测控制器的硬件结构示意图；
图11是本发明一个实施例提供的风力发电机组的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
基于背景技术可知，目前，存在无法在早期检测出风力发电机组的扭矩异常跳变的问题。
而且，发明人经过研究发现，风力发电场通常会由于风力发电场调度管理限制功率等原因导致风力发电机组发生扭矩异常跳变，这可能会引起转速突变、振动、异响等现象，给风力发电机组的整机系统造成冲击，导致风力发电机组的运行存在较大风险，从而直接影响到风力发电机组的稳定运行。在转速提升阶段，风力发电机组的最小转速对应有需求功率，在转速提升后，如果限制功率值比需求功率值大，同时风速变小(如，若10min内平均风速没有持续连续5min小于5.5m/s，机组处于升转速阶段还未切出，风机不变桨)，机组运行在最小转速恒转速区，由于风湍流作用，实际转速可能会出现超过中间转速nmid(接近最小转速)的情况，此时风力发电机组的扭矩会发生跳变。
另外，参见图1、图2、图3-1、图3-2。其中，图1示出了一种扭矩与转速的关系曲线图，图1中横坐标表示转速，纵坐标表示扭矩T。由图1可以看出，当转速n小于中间转速nmid时，如图1中区域①所示，扭矩T＝0；当转速n大于中间转速nmid(或风机发生变桨)时，如图1区域②所示，扭矩T＝kopt*n*n，其中，kopt是一个预设值，其具体数值可以根据实际情况进行调整；当转速n等于中间转速nmid时，扭矩T的值按照扭矩和转速计算公式确定。
图2示出了一种转速与风速的关系曲线图，图2中横坐标表示点数，左侧纵坐标表示发电机转速(单位为rpm)，右侧纵坐标表示风速(单位为m/s)，曲线S1表示发电机转速，曲线S2表示风速，其中，点数为扭矩值数量，如图2中横坐标20表示采集的第20个扭矩值。
图3-1和图3-2分别示出了一种功率曲线图和扭矩曲线图，图3-1中横坐标表示点数，纵坐标表示功率(单位为kw)；图3-2中横坐标表示点数，纵坐标表示扭矩(单位为N*m)。
由图1、图2、图3-1、图3-2可以看出转速、风速、功率等风力发电机组的机组运行数据，都会对扭矩值产生影响，而扭矩值会影响到风力发电机组是否发生扭矩异常跳变。
因此，基于发明人的上述发现，为了解决现有技术存在的问题，本发明实施例提供了一种风力发电机组扭矩异常跳变的检测方法，可以对扭矩信号进行分析，根据扭矩信号的跳变情况，预先检测风力发电机组是否发生扭矩异常跳变。
下面首先对本发明实施例所提供的风力发电机组扭矩异常跳变的检测方法进行介绍。
图4示出了本发明一个实施例提供的风力发电机组扭矩异常跳变的检测方法的流程示意图。如图4所示，该风力发电机组扭矩异常跳变的检测方法可以包括以下步骤：
S410，获取风力发电机组在预设时长内的扭矩信号。
在本发明实施例中，风力发电机组的控制器可以实时获取风力发电机组运行状态下的扭矩信号。在对风力发电机组进行扭矩异常跳变检测时，可以从信号采集设备获取风力发电机组在预设时长内的扭矩信号。其中，信号采集设备可以是扭矩传感器等采集装置，可以用于采集风力发电机组的扭矩信号。获取的风力发电机组在预设时长内的扭矩信号是风力发电机组在当前时刻前的预设时长内的扭矩信号。前述预设时长可以根据实际情况人为设定，以预设时长为5分钟，当前时刻为10:00为例，可以从信号采集设备获取风力发电机组在10:00:00前五分钟内的扭矩信号，即风力发电机组在9:55:00-10:00:00内的扭矩信号。
S420，对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值。
在本发明实施例中，在获取到风力发电机组在预设时长内的扭矩信号之后，可以对扭矩信号进行特征提取处理，得到该扭矩信号对应的多个信号特征值，并可以按照每个信号特征值在扭矩信号中的出现时间的先后顺序进行排序。以信号特征值为A1、A2、A3、A4，每个信号特征值的出现时间为10:00:01、10:00:04、10:00:03、10:00:02为例，可以将A1、A2、A3、A4按照出现时间的先后顺序排序为A1、A4、A3、A2。
在一些实施例中，信号特征值可以包括扭矩周期分量。
相应地，上述步骤S420的具体实现方式可以如下：通过预设算法对扭矩信号进行特征提取，得到扭矩信号对应的多个扭矩周期分量。
其中，预设算法可以包括时间序列分解算法。
具体的，上述时间序列分解算法可以是STL(Seasonal and Trend decompositionusing Loess)。STL是一种以鲁棒局部加权回归作为平滑方法的时间序列分解方法。通过STL可以将时间序列分解成季节项、趋势项及随机项。由于扭矩信号通常呈现出周期特征，且时间序列分解算法主要针对非平稳时间序列，因此，可以选择用时间序列分解算法中的STL算法对扭矩进行分解，实现信号特征值扭矩周期分量的提取。
具体的，通过STL分解扭矩信号得到扭矩周期分量的具体实现过程可以如下：
1.通过中心化移动平均值计算扭矩信号的趋势项。
当f为奇数时采用公式(1)的计算方法，计算扭矩信号的趋势项；
当f为偶数时采用公式(2)的计算方法，计算扭矩信号的趋势项；
其中，Tt表示扭矩信号的趋势项，x表示扭矩信号，t表示扭矩信号的采样周期，f表示时间序列的频率，l为时间序列的长度。
扭矩信号的趋势项是一个长度为l的时间序列，为了便于后续的向量计算，当t超出上述定义域时，t的值为NA，如可以是T1，即当f为奇数且t不属于或者f为偶数且t不属于/>时，t的值为NA，如可以是T1。
2.计算扭矩信号的季节项figure。
1)参见公式(3)，将原始时间序列xt减去趋势项Tt得到去趋势项后的扭矩信号的时间序列St；
St＝xt-Tt (3)
2)参见公式(4)，将扭矩信号的各个采样周期内相同频率下的值进行平均化，得到扭矩信号的季节项figure；
其中，n＝l对f取整，即n＝max(n,nf≤l)，其中，i表示第i个采样周期，nf表示根据n和f计算出的时间序列长度。
3)将figure中心化，得到中心化的季节项figure，中心化处理的具体方式可参见公式(5)；
figure＝figure-mean(figure) (5)
其中，mean是求均值运算，即mean(figure)表示计算向量figure的均值，其结果为一个行向量，其元素分别为向量figure每列元素的均值。
3.计算扭矩信号的周期性季节项Seasonal
参见公式(6)，周期性季节项的计算为将figure重复至长度为l的序列；
Seasonalt＝figuret％％f (6)
其中，％％为取余运算。
经上述STL分解后，得到扭矩周期分量，记为F，即每个采样周期的扭矩周期分量F为每个采样周期的周期性季节项Seasonal，扭矩信号的多个采样周期下的周期性季节项，即为扭矩信号对应的多个扭矩周期分量。这样，提取扭矩信号对应的多个扭矩周期分量，可以为检测风力发电机组是否发生扭矩异常跳变提供数据依据，且采用时间序列分解法STL进行周期分量的提取，可以使得提取的周期分量更准确的表征扭矩信号的特征，从而可以进一步提高检测结果的准确性。
在STL算法中计算出周期性季节项Seasonal之后，还可以计算扭矩信号的随机项Random，随机项的计算方法可参见公式(7)：
Random＝xt-Tt-Seasonalt (7)
在另一些实施例中，信号特征值可以包括扭矩值。即对扭矩信号进行特征提取时提取的是扭矩信号中各个时刻的扭矩值。这样，由于发生扭矩异常跳变时扭矩信号中会出现扭矩值的跳变，故而，将扭矩值作为检测风力发电机组是否发生扭矩异常跳变的数据依据，可以更直观的反映扭矩信号的跳变情况。
S430，计算每两个相邻的信号特征值之间的差分值。
在本发明实施例中，在提取到扭矩信号的多个信号特征值之后，可以分别计算每两个相邻时刻的信号特征值之间的差分值，得到任意两个出现时间相邻的信号特征值之间的差分值，得到扭矩信号对应的多个差分值。
在一些实施例中，在信号特征值包括扭矩值时，上述步骤S430的具体实现方式可以如下：在扭矩值中存在至少一个大于或等于第三阈值的第四目标扭矩值的情况下，计算每两个相邻的信号特征值之间的差分值。
其中，第三阈值是预先设定的一个具体的扭矩值，该扭矩值的具体数据可以根据实际情况进行调整，在扭矩信号的扭矩值中存在至少一个大于第三阈值的第四目标扭矩值时，则认为扭矩信号可能发生扭矩大幅异常跳变。
第四目标扭矩值是扭矩信号的扭矩值中大于或等于第三阈值的扭矩值。
具体的，通过对大量扭矩信号数据的分析，发现风力发电机组发生扭矩大幅异常跳变时通常会存在扭矩较大的情况。
故而，作为S430的一种示例，在扭矩值中存在至少一个第四目标扭矩值的情况下，计算每两个相邻的信号特征值之间的差分值可以包括如下步骤：
判断提取到的扭矩信号对应的所有扭矩值中是否存在大于或等于第三阈值的第四目标扭矩值。
如果扭矩信号对应的所有扭矩值中存在至少一个大于或等于第三阈值的第四目标扭矩值，则认为该扭矩信号的扭矩值波动较大，可能含有扭矩大幅异常跳变信号，即风力发电机组可能发生扭矩大幅异常跳变。
反之，如果扭矩信号对应的所有扭矩值中不存在大于或等于第三阈值的第四目标扭矩值，则认为该扭矩信号的扭矩值波动较小，不含有大幅跳变信号，不再计算每两个相邻的信号特征值之间的差分值。
这样，可以有效避免将正常扭矩信号错误的划分为发生扭矩大幅跳变信号的情况，从而可以提高风力发电机组扭矩异常跳变的检测结果的准确性。
S440，在差分值满足预设条件的情况下，确定风力发电机组发生扭矩异常跳变。
其中，预设条件是根据信号特征值的差分值设置的用于判断风力发电机组是否发生扭矩异常跳变的判定条件，该预设条件实质上是预先设定的用于判断扭矩信号中，是否出现扭矩值在前后采样周期跳变幅值较大的情况的判定条件。
在本发明实施例中，在计算出每两个相邻的信号特征值之间的差分值之后，可以判断差分值是否满足预设条件。如果差分值满足预设条件，则可以确定扭矩信号出现扭矩异常跳变，即风力发电机组发生扭矩异常跳变。反之，如果差分值不满足预设条件，则扭矩信号未出现扭矩异常跳变，即可以确定风力发电机组未发生扭矩异常跳变。
在本发明实施例中，能够对风力发电机组在预设时长内的扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值，然后计算每两个相邻的信号特征值之间的差分值，并在差分值满足预设条件的情况下确定风力发电机组发生扭矩异常跳变，其中，预设条件是根据信号特征值的差分值设置的。这样，基于风力发电机组的扭矩信号可以在风力发电机组的运行过程中实时检测风力发电机组的扭矩跳变情况，无需等到风力发电机组停机之后才能检测到，因而，本发明实施例可以有效避免由于风力发电机组长期运行在亚健康状态导致的风力发电机组关键部件损坏，延长风力发电机组的使用寿命，进而可以有效提高风力发电机组的运行可靠性，减少运营成本。
在一些实施例中，经过对大量正常的扭矩信号和发生扭矩异常跳变的扭矩信号的分析，参见图5和图6，图5示出了本发明实施例提供的一种扭矩正常信号的示意图，图6示出了本发明实施例提供的扭矩小幅异常跳变的示意图，图5、图6中横坐标表示点数，纵坐标表示扭矩值T。由图5和图6可以看出，当扭矩值在840000N*m-940000N*m的范围内波动时，可以确定扭矩信号正常，当扭矩值在200000N*m-800000N*m的范围内波动时，可以确定扭矩信号发生扭矩异常跳变。继续参见图6，在发生扭矩异常跳变的扭矩信号中，扭矩值通常表现为前后采样周期发生小幅连续跳变，这时，扭矩信号发生扭矩小幅异常跳变，即风力发电机组发生扭矩小幅异常跳变。
故而，在一些实施例中，在信号特征值包括扭矩周期分量的情况下，预设条件可以是用于判断风力发电机组发生扭矩小幅异常跳变的判断条件，该预设条件可以包括下列中的任一种：
差分值中大于第一阈值的第一目标差分值的数量大于预设数量阈值，即扭矩信号对应的多个差分值中存在大于第一阈值的第一目标差分值，且第一目标差分值的数量大于预设数量阈值；
差分值中绝对值大于第一阈值的第二目标差分值的数量大于预设数量阈值，即扭矩信号对应的多个差分值的绝对值中存在大于第一阈值的第二目标差分值，且第二目标差分值的数量大于预设数量阈值。
其中，第一阈值和预设数量阈值可以根据实际情况设置为一个定值，也可以实时计算。在差分值满足上述预设条件的任一种的情况下，确定扭矩信号中含有扭矩小幅跳变信号，风力发电机组发生扭矩异常跳变，且是扭矩小幅异常跳变。
在确定风力发电机组发生扭矩小幅异常跳变后，可以设置识别标签状态1，若风力发电机组未发生扭矩异常跳变，则设置识别标签状态为0，且识别标签的状态唯一。识别标签也可以作为下一级系统的输入，如在此基础上根据下一次扭矩异常跳变的检测结果进行识别标签设置。这样，结合第一阈值和预设数量阈值检测风力发电机组是否发生扭矩异常跳变，可以进一步提高检测结果的准确性。
在一些实施例中，考虑到若将第一阈值设置为定值，可能导致该第一阈值适用于某些数据，但是却不适用于其他数据。故而，可以采用如下方法计算第一阈值：计算多个差分值的标准差；将标准差与第一预设参数相乘，得到第一乘积；将第一乘积和预设差分值中的最大值作为第一阈值。
其中，第一预设参数可以根据实际情况进行设定。
具体的，经过对大量扭矩信号数据的分析，发现扭矩信号多次发生扭矩小幅异常跳变的扭矩周期分量的差分值D1均大于max(0.05,a*S1)，记为T。与此相对，正常扭矩信号对应的多个差分值则大部分小于max(0.05,a*S1)，因此可以将T作为第一阈值，T的计算方法参见公式(8)；
T＝max(0.05,a*S1) (8)
其中，S1表示扭矩信号对应的多个差分值的标准差，a为第一预设参数，a为一个常数。公式(8)中的0.05和a的数值可以是根据已有扭矩信号进行分析确定的，如可以对已有的发生扭矩小幅异常跳变的扭矩周期分量的差分值进行分析，找到发生扭矩小幅异常跳变时T的最小值(如可以是0.05)和最大值，由于T的最大值和差分值D1的标准差S1是已知的，故而，可以通过计算T的最大值与S1的商确定a的值。
这样，可以基于多个差分值的标准差实时计算第一阈值，实现随动阈值的设置，实现第一阈值对于扭矩信号的自适应性，可以提高第一阈值的准确性，从而可以提高检测的风力发电机组的扭矩跳变情况的准确性，进而可以进一步提高风力发电机组的运行可靠性，减少运营成本。
在一些实施例中，考虑到若将预设数量阈值设置为定值，可能导致该预设数量阈值适用于某些数据，但是却不适用于其他数据。
故而，可以采用如下方法计算预设数量阈值：
统计扭矩信号中的扭矩值数量；将扭矩值数量除以预设采样周期，得到采样时长；将采样时长与第二预设参数的第二乘积作为预设数量阈值。
其中，第二预设参数可以根据实际情况进行设定。
具体的，可以采用公式(9)计算预设数量阈值N2：
其中，x为扭矩信号，length(x)表示扭矩信号中的扭矩值的数据个数，b是第二预设参数。数值50可以是根据单个采样周期采样的扭矩值数量确定的，b的数值可以是根据已有扭矩信号进行分析确定的，b的具体分析确定过程与a的分析确定过程类似，在此不再赘述。
在本实施例中，假设采样周期为20ms，每个采样周期采样50个扭矩值，则length(x)/50表示采样时长，单位为s，其中，50表示每个采样周期能够采集的扭矩值的数量。在正常扭矩信号中，第一目标差分值或第二目标差分值的数量大都小于N2。
这样，基于扭矩信号实时计算预设数量阈值，实现随动阈值的设置，实现预设数量阈值的自适应性，可以提高预设数量阈值的准确性，从而可以提高检测的风力发电机组的扭矩跳变情况的准确性，进而可以进一步提高风力发电机组的运行可靠性，减少运营成本。
在一些实施例中，在对另一些发生扭矩异常跳变的扭矩信号进行分析后，发现扭矩信号还可能发生扭矩大幅异常跳变。
如图7示出的一种扭矩大幅异常跳变信号的示意图，图7中横坐标表示点数，纵坐标表示扭矩值T。可以看出，当扭矩值在200000N*m-800000N*m的范围内波动时，可以确定扭矩信号发生扭矩异常跳变。继续参见图7，在发生扭矩异常跳变的扭矩信号中，扭矩值通常表现为扭矩值在前后采样周期跳变发生单个大幅跳变，这时扭矩信号发生扭矩大幅异常跳变，即风力发电机组发生扭矩大幅异常跳变。
故而，在另一些实施例中，在信号特征值包括扭矩值的情况下，预设条件可以是用于判断风力发电机组发生扭矩大幅异常跳变的判断条件，该预设条件可以包括：
差分值中存在至少一个大于第二阈值的第三目标差分值。即扭矩信号的多个差分值中大于第二阈值的第三目标差分值的数量至少为一个。
其中，第二阈值可以是根据实际情况设定的一个定值。
在差分值满足上述预设条件的情况下，确定风力发电机组发生扭矩异常跳变，且是扭矩大幅异常跳变。
在确定风力发电机组发生扭矩大幅异常跳变后，可以设置识别标签状态2，识别标签的状态唯一。识别标签也可以作为下一级系统的输入，如在此基础上根据下一次扭矩异常跳变的检测结果进行识别标签设置。
在一些实施例中，考虑到若将第二阈值设置为定值，可能导致该第二阈值适用于某些数据，但是却不适用于其他数据。
故而，在一些实施例中，第二阈值的具体计算方式可以如下：
计算多个差分值的标准差；将标准差与第三预设参数的第三乘积作为第二阈值。
具体的，首先，可以计算出多个差分值的标准差，记为S2。
然后，可以利用公式(10)计算第二阈值；
B＝d*S2 (10)
其中，B表示第二阈值，d表示第三预设参数，d的值可以根据实际情况进行调整。
可以理解的是，上述公式中的a、b、c、d均为一个常数，在本实施例中是通过对大量数据的分析，找到判断扭矩异常跳变的边界条件，进而确定这些参数。在一些实施例中，也可以通过一些寻优算法逐步确定这些参数。
这样，可以实现随动阈值的设置，提高第二阈值的自适应性和准确性，从而可以提高检测的风力发电机组的扭矩跳变情况的准确性，进而可以进一步提高风力发电机组的运行可靠性，减少运营成本。
在一些实施例中，为了在检测到风力发电机组发生扭矩异常跳变时，使工作人员可以根据扭矩异常跳变情况，对风力发电机组进行预见性维护。故而，在差分值满足预设条件的情况下，确定风力发电机组发生扭矩异常跳变之后，还可以执行如下操作：
生成预警消息；控制风力发电机组停机。
其中，预警消息用于表征风力发电机组发生扭矩异常跳变。预警消息可以携带有表征风力发电机组发生扭矩异常跳变的信息，如可以包括发生扭矩异常跳变、发生扭矩大幅异常跳变、扭矩小幅异常跳变中的一个或多个。
具体的，在检测到风力发电机组发生扭矩异常跳变时，控制器可以仅控制风力发电机组停机；也可以生成用于表征风力发电机组发生扭矩异常跳变的预警消息，并控制风力发电机组停机。
这样，在检测到风力发电机组发生扭矩异常跳变时，生成预警消息并控制风力发电机组停机，可以使工作人员查看到该预警消息，以根据该预警消息对风力发电机组执行预见性维护，防止风力发电机组发生扭矩异常跳变，进一步避免风力发电机组处于亚健康状态，避免风力发电机组关键部件的损坏，从而进一步提高风力发电机组的可靠性、可利用率，降低运营成本，还可以延长风力发电机组的使用寿命。
需要说明的是，本发明实施例的风力发电机组扭矩异常跳变的检测方法可以在风力发电机组各系列产品中实现推广应用，从而可以从整体上提高风力发电机组的可靠性。
为了使本发明实施例提供的方法更清晰，下面结合图8对本发明实施例提供的扭矩小幅异常跳变和扭矩大幅异常跳变的检测方法的具体实现过程进行说明。
如图8所示，该检测方法可以包括：
S801，获取风力发电机组在预设时长内的扭矩信号。
风力发电机组的控制器可以实时获取风力发电机组运行状态下的扭矩信号。在对风力发电机组进行扭矩异常跳变检测时，可以从信号采集设备获取风力发电机组在预设时长内的扭矩信号，基于该扭矩信号进行扭矩异常跳变检测。
具体的，当对风力发电机组进行扭矩小幅异常跳变的检测时，可以执行S802至S809，当对风力发电机组进行扭矩大幅异常跳变的检测时，可以执行S812至S816。
下面介绍对风力发电机组进行扭矩小幅异常跳变的检测方法，可以包括如下步骤：
S802，对扭矩信号进行STL分解，得到多个扭矩周期分量F。
其中，多个扭矩周期分量F即为该扭矩信号在每个采样周期下的周期分量F。
该过程即为信号特征值包括扭矩周期分量的情况下，提取扭矩信号的扭矩周期分量的过程。通过对扭矩信号进行STL分解，得到扭矩信号的多个扭矩周期分量的具体实现方式可以参见上述方法实施例，为简洁起见，在此不再赘述。
S803，计算每两个相邻的周期分量F之间的差分值。
提取到扭矩信号的多个扭矩周期分量之后，可以计算每两个相邻的周期分量F之间的差分值之后，可以得到该扭矩信号对应的多个差分值D1。
S804，计算多个D1的标准差S1。
S805，根据标准差S1、第一预设参数计算第一阈值T。
计算第一阈值T的具体实现过程可以参见公式(8)，为简要起见，在此不再详细描述。
S806，计算多个D1中大于T的第一目标D1的数量N1。
在计算出T之后，可以按照公式abs(D1)＞T统计多个D1中大于T的第一目标D1的数量N1，其中，abs是求绝对值的函数，abs(D1)即表示计算D1的绝对值。
S807，根据扭矩信号中扭矩值的数据个数和第二预设参数计算预设数量阈值N2。
计算预设数量阈值N2的具体实现过程可以参见公式(9)，为简要起见，在此不再详细描述。
S808，判断N1是否大于N2。
在计算出N2之后，可以确定N1是否大于N2，如果N1>N2，则执行S809，确定风力发电机组发生扭矩小幅异常跳变；反之，如果N1≤N2，则执行S810，确定风力发电机组未发生扭矩异常跳变。
以上为对风力发电机组进行扭矩小幅异常跳变的检测方法。下面介绍对风力发电机组进行扭矩大幅异常跳变的检测方法，包括如下步骤：
S812，判断是否所有扭矩值均小于第三阈值c。
在获取风力发电机组在预设时长内的扭矩信号之后，还可以提取该扭矩信号中的多个扭矩值，基于该扭矩信号中的多个扭矩值检测风力发电机组是否发生扭矩大幅异常跳变。具体的，可以确定扭矩信号的所有扭矩值是否均小于第三阈值c，即确定在多个扭矩值中是否存在至少一个大于或等于第三阈值c的第四目标扭矩值。
如果多个扭矩值中不存在大于或等于第三阈值c的第四目标扭矩值，则可以执行S810。
S810，确定风力发电机组未发生扭矩异常跳变。
如果多个扭矩值中存在至少一个大于或等于第三阈值c的第四目标扭矩值，则可以执行S813-S816。
S813，计算每两个相邻的扭矩值之间的差分值D2。
计算每两个相邻的扭矩值之间的差分值D2之后，可以得到该扭矩信号对应的多个差分值D2。
S814，计算多个D2的标准差S2。
具体的，在计算出多个D2的标准差S2之后，还可以计算第二阈值B，计算第二阈值B的具体实现过程可以参见公式(10)，为简要起见，在此不再赘述。
S815，确定多个D2中是否存在任一D2大于B。
确定多个D2中是否存在任一D2大于B，即统计多个D2中是否存在至少一个大于B的第三目标D2。
如果多个D2中存在至少一个大于B的第三目标D2，则执行S816。否则，执行S810。
S816，确定风力发电机组发生扭矩大幅异常跳变。
S810，确定风力发电机组未发生扭矩异常跳变。
由上可见，本发明的实施例提供的针对风力发电机组扭矩异常跳变的检测方法明确了扭矩信号中扭矩大幅跳变信号和扭矩小幅跳变信号对风力发电机组安全健康的影响，可以用于风力发电机组的扭矩异常跳变预警和扭矩异常跳变情况检测。该检测方法中采用时间序列分解算法STL算法提取扭矩信号中的周期分量，作为判断风力发电机组发生扭矩小幅异常跳变判断的特征量；同时，该检测方法中在执行扭矩小幅异常跳变和扭矩大幅异常跳变的识别中还均采用随动阈值的处理方式，增加了检测方法的自适应性。这样，首先，本发明的实施例提供的风力发电机组扭矩异常跳变的检测方法可以在风力发电机组的运行过程中实时检测风力发电机组的扭矩跳变情况，无需等到风力发电机组停机之后才能检测到，即可以在风力发电机组发生故障之前预先识别出扭矩异常跳变，发出预警消息，以指导现场工作人员对风力发电机组进行预见性维护，提高风力发电机组的运行可靠性与可利用率。其次，还可以对风力发电机组起到保护作用，防止风力发电机组长期工作在亚健康状态，减少风力发电机组关键部件的损坏，降低风力发电机组疲劳，延长风力发电机组使用寿命，降低运营成本。再次，本发明的实施例提供的检测方法还为该类故障的检测提供了一个通用型解决方案，可以在风力发电机组的各系列产品中进行应用，从而可以从整体上提高风力发电机组的可靠性。
以上为本发明实施例提供的一种风力发电机组扭矩异常跳变的检测方法，基于该风力发电机组扭矩异常跳变的检测方法，本发明还提供了一种风力发电机组扭矩异常跳变的检测装置，具体参见以下实施例。
图9示出了本发明一个实施例提供的风力发电机组扭矩异常跳变的检测装置的结构示意图。
在本发明一些实施例中，图9所示的装置可以设置于风力发电机组的主控制器内，或者，也可以作为独立的装置与风力发电机组的主控制器连接。
如图9所示，该风力发电机组扭矩异常跳变的检测装置900可以包括：
获取模块910，用于获取风力发电机组在预设时长内的扭矩信号；
提取模块920，用于对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值；
计算模块930，用于计算每两个相邻的信号特征值之间的差分值；
确定模块940，用于在差分值满足预设条件的情况下，确定风力发电机组发生扭矩异常跳变；其中，预设条件是根据信号特征值的差分值设置的。
本发明实施例，能够对风力发电机组在预设时长内的扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值，然后计算每两个相邻的信号特征值之间的差分值，并在差分值满足预设条件的情况下确定风力发电机组发生扭矩异常跳变，其中，预设条件是根据信号特征值的差分值设置的。这样，基于风力发电机组的扭矩信号可以在风力发电机组的运行过程中实时检测风力发电机组的扭矩跳变情况，无需等到风力发电机组停机之后才能检测到，因而，本发明实施例可以有效避免由于风力发电机组长期运行在亚健康状态导致的风力发电机组关键部件损坏，延长风力发电机组的使用寿命，进而可以有效提高风力发电机组的运行可靠性，减少运营成本。
在本发明一些实施例中，信号特征值可以包括扭矩周期分量。
相应的，提取模块920具体可以用于：
通过预设算法对扭矩信号进行特征提取，得到扭矩信号对应的多个扭矩周期分量。
在本发明一些实施例中，预设算法可以包括：时间序列分解算法。
在本发明一些实施例中，预设条件可以包括下列中的任一种：
差分值中大于第一阈值的第一目标差分值的数量大于预设数量阈值；
差分值中绝对值大于第一阈值的第二目标差分值的数量大于预设数量阈值；
相应的，确定模块940，可以用于确定风力发电机组发生扭矩小幅异常跳变。
在本发明一些实施例中，计算模块930可以包括：
第一计算单元，用于计算多个差分值的标准差；
第二计算单元，用于将标准差与第一预设参数相乘，得到第一乘积；
第一阈值确定单元，用于将第一乘积和预设差分值中的最大值作为第一阈值。
在本发明一些实施例中，计算模块930可以包括：
统计单元，用于统计扭矩信号中的扭矩值数量；
第四计算单元，用于将扭矩值数量除以预设采样周期，得到采样时长；
第二阈值确定单元，用于将采样时长与第二预设参数的第二乘积作为预设数量阈值。
在本发明一些实施例中，信号特征值可以包括扭矩值。
相应的，预设条件可以包括：
差分值中存在至少一个大于第二阈值的第三目标差分值；
相应的，确定模块940，可以用于确定风力发电机组发生扭矩大幅异常跳变。
在本发明一些实施例中，计算模块930可以包括：
第五计算单元，用于在扭矩值中存在至少一个大于或等于第三阈值的第四目标扭矩值的情况下，计算每两个相邻的信号特征值之间的差分值。
在本发明一些实施例中，第一计算单元，可以用于：
计算多个差分值的标准差；
计算模块930还可以包括，第三阈值确定单元，用于：
将标准差与第三预设参数的第三乘积作为第二阈值。
在本发明一些实施例中，该风力发电机组扭矩异常跳变的检测装置900还可以包括控制模块，控制模块可以包括：
消息生成单元，用于生成预警消息；其中，预警消息用于表征风力发电机组发生扭矩异常跳变；
停机控制单元，用于控制风力发电机组停机。
需要说明的是，图9所示的风力发电机组扭矩异常跳变的检测装置900可以实现图4所示方法实施例中的各个过程和效果，在此不做赘述。
以上为本发明实施例提供的一种风力发电机组扭矩异常跳变的检测方法和装置，基于上述风力发电机组扭矩异常跳变的检测方法和装置，本发明还提供了一种风力发电机组的控制器，具体参见以下实施例。
图10示出了本发明一个实施例提供的风力发电机组的控制器的硬件结构示意图。
如图10所示，风力发电机组的控制器可以包括处理器1001以及存储有计算机程序指令的存储器1002。
具体地，上述处理器1001可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器1002可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1002可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1002可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1002可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1002是非易失性固态存储器。在特定实施例中，存储器1002包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器1001通过读取并执行存储器1002中存储的计算机程序指令，以实现上述实施例中的任意一种风力发电机组扭矩异常跳变的检测方法。
在一个示例中，风力发电机组扭矩异常跳变的检测控制器还可包括通信接口1003和总线1010。其中，如图10所示，处理器1001、存储器1002、通信接口1003通过总线1010连接并完成相互间的通信。
通信接口1003，主要用于实现本发明实施例中各模块、设备、单元和/或设备之间的通信。
总线1010包括硬件、软件或两者，将风力发电机组扭矩异常跳变的检测控制器的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1010可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该风力发电机组扭矩异常跳变的检测控制器可以执行本发明实施例中的风力发电机组扭矩异常跳变的检测方法，从而实现图4至图9描述的风力发电机组扭矩异常跳变的检测方法和装置。
以上为本发明实施例提供的一种风力发电机组的控制器，基于上述风力发电机组的控制器，本发明还提供了一种风力发电机组，具体参见以下实施例。
图11示出了本发明一个实施例提供的风力发电机组的结构示意图。
如图11所示，风力发电机组110可以包括信号采集设备1101以及控制器1102。
具体的，信号采集设备1101，可以用于采集风力发电机组在预设时长内的扭矩信号；
控制器1102，可以用于从信号采集设备中获取风力发电机组在预设时长内的扭矩信号；对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值；计算每两个相邻的信号特征值之间的差分值；在差分值满足预设条件的情况下，确定风力发电机组发生扭矩异常跳变；其中，预设条件是根据信号特征值的差分值设置的。
另外，结合上述实施例中的风力发电机组扭矩异常跳变的检测方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种风力发电机组扭矩异常跳变的检测方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (14)
1.一种风力发电机组扭矩异常跳变的检测方法，其特征在于，包括：
获取风力发电机组在预设时长内的扭矩信号；
对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；
计算每两个相邻的信号特征值之间的差分值；
在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变；其中，所述预设条件是根据所述信号特征值的差分值设置的；
所述信号特征值包括扭矩周期分量，所述预设条件包括下列中的任一种：所述差分值中大于第一阈值的第一目标差分值的数量大于预设数量阈值；所述差分值中绝对值大于第一阈值的第二目标差分值的数量大于预设数量阈值；或者，
所述信号特征值包括扭矩值，所述预设条件包括：所述差分值中存在至少一个大于第二阈值的第三目标差分值。
2.根据权利要求1所述的方法，其特征在于，在所述信号特征值包括扭矩周期分量的情况下，所述对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值，包括：
通过预设算法对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个所述扭矩周期分量。
3.根据权利要求2所述的方法，其特征在于，所述预设算法包括：时间序列分解算法。
4.根据权利要求2所述的方法，其特征在于，所述确定所述风力发电机组发生扭矩异常跳变，包括：
确定所述风力发电机组发生扭矩小幅异常跳变。
5.根据权利要求4所述的方法，其特征在于，所述在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变之前，所述方法还包括：
计算多个所述差分值的标准差；
将所述标准差与第一预设参数相乘，得到第一乘积；
将所述第一乘积和预设差分值中的最大值作为所述第一阈值。
6.根据权利要求4所述的方法，其特征在于，所述在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变之前，所述方法还包括：
统计所述扭矩信号中的扭矩值数量；
将所述扭矩值数量除以预设采样周期，得到采样时长；
将所述采样时长与第二预设参数的第二乘积作为所述预设数量阈值。
7.根据权利要求1所述的方法，其特征在于，在所述信号特征值包括扭矩值的情况下，所述确定所述风力发电机组发生扭矩异常跳变，包括：
确定所述风力发电机组发生扭矩大幅异常跳变。
8.根据权利要求7所述的方法，其特征在于，所述计算每两个相邻的信号特征值之间的差分值，包括：
在所述扭矩值中存在至少一个大于或等于第三阈值的第四目标扭矩值的情况下，计算每两个相邻的信号特征值之间的差分值。
9.根据权利要求7所述的方法，其特征在于，所述在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变之前，所述方法还包括：
计算多个所述差分值的标准差；
将所述标准差与第三预设参数的第三乘积作为所述第二阈值。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述确定所述风力发电机组发生扭矩异常跳变之后，所述方法还包括：
生成预警消息；其中，所述预警消息用于表征所述风力发电机组发生扭矩异常跳变；
控制所述风力发电机组停机。
11.一种风力发电机组扭矩异常跳变的检测装置，其特征在于，包括：
获取模块，用于获取风力发电机组在预设时长内的扭矩信号；
提取模块，用于对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；
计算模块，用于计算每两个相邻的信号特征值之间的差分值；
确定模块，用于在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变；其中，所述预设条件是根据所述信号特征值的差分值设置的；
所述信号特征值包括扭矩周期分量，所述预设条件包括下列中的任一种：所述差分值中大于第一阈值的第一目标差分值的数量大于预设数量阈值；所述差分值中绝对值大于第一阈值的第二目标差分值的数量大于预设数量阈值；或者，
所述信号特征值包括扭矩值，所述预设条件包括：所述差分值中存在至少一个大于第二阈值的第三目标差分值。
12.一种风力发电机组的控制器，其特征在于，所述控制器包括：处理器，以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-10任意一项所述的风力发电机组扭矩异常跳变的检测方法。
13.一种风力发电机组，其特征在于，所述风力发电机组包括：
信号采集设备，用于采集风力发电机组在预设时长内的扭矩信号；
控制器，用于从所述信号采集设备中获取所述风力发电机组在预设时长内的所述扭矩信号；对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；计算每两个相邻的信号特征值之间的差分值；在所述差分值满足预设条件的情况下，确定所述风力发电机组发生扭矩异常跳变；其中，所述预设条件是根据所述信号特征值的差分值设置的；
所述信号特征值包括扭矩周期分量，所述预设条件包括下列中的任一种：所述差分值中大于第一阈值的第一目标差分值的数量大于预设数量阈值；所述差分值中绝对值大于第一阈值的第二目标差分值的数量大于预设数量阈值；或者，
所述信号特征值包括扭矩值，所述预设条件包括：所述差分值中存在至少一个大于第二阈值的第三目标差分值。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述的风力发电机组扭矩异常跳变的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010767337.0A CN114060228B (zh) | 2020-08-03 | 2020-08-03 | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010767337.0A CN114060228B (zh) | 2020-08-03 | 2020-08-03 | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114060228A CN114060228A (zh) | 2022-02-18 |
| CN114060228B true CN114060228B (zh) | 2023-07-25 |
Family
ID=80231566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010767337.0A Active CN114060228B (zh) | 2020-08-03 | 2020-08-03 | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114060228B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114689326A (zh) * | 2022-03-24 | 2022-07-01 | 潍柴动力股份有限公司 | 一种发动机检测方法和检测装置 |
| CN117473273B (zh) * | 2023-12-27 | 2024-05-28 | 宁德时代新能源科技股份有限公司 | 异常检测方法、装置、终端及计算机可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103133242A (zh) * | 2013-02-25 | 2013-06-05 | 中船重工(重庆)海装风电设备有限公司 | 一种转速转矩参数控制方法、装置和系统 |
| KR101402307B1 (ko) * | 2013-05-08 | 2014-06-03 | 한밭대학교 산학협력단 | 공력토크 관측기를 이용한 풍력터빈의 토크제어방법 및 그 장치 |
| CN106922171A (zh) * | 2014-10-30 | 2017-07-04 | 庞巴迪运输有限公司 | 用于确定机械地加载的单元的结构状态的方法 |
| CN107630793A (zh) * | 2016-07-18 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风机齿形带或变桨轴承疲劳状态的检测方法、装置及系统 |
| CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
| CN108150361A (zh) * | 2016-12-05 | 2018-06-12 | 北京金风科创风电设备有限公司 | 风力发电机组机舱振动的监测方法和装置 |
| CN111400959A (zh) * | 2018-12-27 | 2020-07-10 | 北京金风科创风电设备有限公司 | 风力发电机组的叶片故障诊断方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9018787B2 (en) * | 2012-04-24 | 2015-04-28 | General Electric Company | System and method of wind turbine control using a torque setpoint |
| US9291154B2 (en) * | 2012-07-18 | 2016-03-22 | General Electric Company | Methods and systems for use in monitoring a tachometer |
| US20190072072A1 (en) * | 2017-09-06 | 2019-03-07 | Envision Energy Usa Ltd. | Variable speed control of wind turbine generator based on estimated torque |
-
2020
- 2020-08-03 CN CN202010767337.0A patent/CN114060228B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103133242A (zh) * | 2013-02-25 | 2013-06-05 | 中船重工(重庆)海装风电设备有限公司 | 一种转速转矩参数控制方法、装置和系统 |
| KR101402307B1 (ko) * | 2013-05-08 | 2014-06-03 | 한밭대학교 산학협력단 | 공력토크 관측기를 이용한 풍력터빈의 토크제어방법 및 그 장치 |
| CN106922171A (zh) * | 2014-10-30 | 2017-07-04 | 庞巴迪运输有限公司 | 用于确定机械地加载的单元的结构状态的方法 |
| CN107630793A (zh) * | 2016-07-18 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风机齿形带或变桨轴承疲劳状态的检测方法、装置及系统 |
| CN108150361A (zh) * | 2016-12-05 | 2018-06-12 | 北京金风科创风电设备有限公司 | 风力发电机组机舱振动的监测方法和装置 |
| CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
| CN111400959A (zh) * | 2018-12-27 | 2020-07-10 | 北京金风科创风电设备有限公司 | 风力发电机组的叶片故障诊断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114060228A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114060228B (zh) | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 | |
| CN109318716B (zh) | 一种牵引电机轴温监测报警控制方法、系统及相关装置 | |
| KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
| US20210262894A1 (en) | Decision Of Faulty Bearing | |
| CN112629905A (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
| US11156532B2 (en) | Status monitoring apparatus, status monitoring method, and program | |
| US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
| CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
| US20190332102A1 (en) | Machine health monitoring of rotating machinery | |
| CN115993247B (zh) | 基于时间序列分解和保序回归的钻机主轴轴承健康状态评估方法 | |
| CN108322357B (zh) | 一种车辆can网络通信节点的心跳检测方法 | |
| CN116383754A (zh) | 一种机车车辆配件生产在线监测系统及方法 | |
| CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
| CN113804388A (zh) | 基于时域分析的机械设备旋转冲击故障检测方法及系统 | |
| JP2008140100A (ja) | 情報処理装置及びデータ判定方法及びプログラム | |
| US20220153141A1 (en) | Method for ascertaining a state of an electric drive of a means of transportation | |
| Kim et al. | An adaptive Kalman filter-based condition-monitoring technique for induction motors | |
| CN115905907A (zh) | 风机主轴承的异常监测方法、装置、电子设备及存储介质 | |
| CN113027698B (zh) | 风力发电机组的变桨控制回路异常的检测方法和装置 | |
| CN112346939A (zh) | 告警方法、装置、设备和存储介质 | |
| CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
| Hamaide et al. | Predictive Maintenance of a Rotating Condenser Inside a Synchrocyclotron. | |
| JP2009003686A (ja) | ソフトウェア動作解析装置、ソフトウェア動作解析方法、及びソフトウェア動作解析用プログラム | |
| CN116659826B (zh) | 风电螺栓状态的检测方法及装置 |
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 |