CN116754794A - 一种基于最小二乘法的风电机组风速仪故障识别方法及系统 - Google Patents

一种基于最小二乘法的风电机组风速仪故障识别方法及系统 Download PDF

Info

Publication number
CN116754794A
CN116754794A CN202310572126.5A CN202310572126A CN116754794A CN 116754794 A CN116754794 A CN 116754794A CN 202310572126 A CN202310572126 A CN 202310572126A CN 116754794 A CN116754794 A CN 116754794A
Authority
CN
China
Prior art keywords
wind
curve
rotating speed
impeller rotating
speed
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.)
Pending
Application number
CN202310572126.5A
Other languages
English (en)
Inventor
安留明
沙德生
刘兴伟
李德永
周利鹏
石永利
宋佳琛
刘俊
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.)
Huaneng Chenbalhuqi Wind Power Generation Co ltd
Huaneng Clean Energy Research Institute
Original Assignee
Huaneng Chenbalhuqi Wind Power Generation Co ltd
Huaneng Clean Energy Research Institute
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 Huaneng Chenbalhuqi Wind Power Generation Co ltd, Huaneng Clean Energy Research Institute filed Critical Huaneng Chenbalhuqi Wind Power Generation Co ltd
Priority to CN202310572126.5A priority Critical patent/CN116754794A/zh
Publication of CN116754794A publication Critical patent/CN116754794A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • 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
    • 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
    • F05B2270/32—Wind speeds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Sustainable Energy (AREA)
  • Mathematical Physics (AREA)
  • Sustainable Development (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于最小二乘法的风电机组风速仪故障识别方法及系统，属于风力发电领域。对风电机组运行数据进行拟合，具有实时在线、快速准确的优点，大大缩短了风机风速仪偏差量化评估、风电机组风向仪故障识别报警的周期。通过获取叶轮转速‑风速拟合曲线来计算叶轮转速‑风速曲线斜率偏差相对值，在已知叶轮转速‑风速曲线斜率偏差相对值的基础上进行故障等级，在不增加额外传感器的基础上实现了风速仪偏差量化评估、风电机组风向仪故障识别报警，具有实时在线、快速准确的优点，实现了对风场中风速仪故障严重程度的量化评估与预警，便于精准指导运维及时进行风机的排查与维修，有效降低了机组定检的运维成本保障风力发电机组安全高效运行。

Description

一种基于最小二乘法的风电机组风速仪故障识别方法及系统
技术领域
本发明属于风力发电技术领域，涉及一种基于最小二乘法的风电机组风速仪故障识别方法及系统。
背景技术
风速仪作为风电机组的测风装置，一般布置在机舱尾部，风速仪测量的风速数据是风机到达切入风速起机发电与达到切出风速停机切除的重要依据，风速仪测量风速数据对风电机组运行控制起着重要作用。
然而由于环境因素的影响，风力发电机常年经受风霜雨雪的侵蚀，风速仪存在腐蚀松动、卡涩变形等引起的测量偏差故障。风速仪测量风速异常偏高不仅会导致风机实际切出风速偏低，造成发电量损失，而且也会影响到功率曲线的考核与评价。风速仪测量风速异常偏低一方面导致风机的实际切出风速偏大，风机在高风速下运行严重影响其安全和使用寿命，另一方面会导致风机的实际切入风速偏大，造成了发电量损失。因此，准确可靠的风电机组风速仪故障识别方法对于提升风机发电量，确保风电机组安全稳定运行，降低风场的运维成本具有重大意义。
发明内容
本发明的目的在于解决现有技术中风力发电机常年经受风霜雨雪的侵蚀，风速仪存在腐蚀松动、卡涩变形等引起的测量偏差故障的问题，提供一种基于最小二乘法的风电机组风速仪故障识别方法及系统。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明提出的一种基于最小二乘法的风电机组风速仪故障识别方法，包括如下步骤：
对预处理后的风电机组运行数据进行拟合，获取叶轮转速-风速拟合曲线；
根据叶轮转速-风速拟合曲线获取叶轮转速-风速曲线斜率偏差相对值；
根据叶轮转速-风速曲线斜率偏差相对值确定故障等级，实现风速仪故障识别。
优选地，对风电机组运行数据预处理包括数据剔除和数据筛选。
优选地，采用3σ准则法剔除数据的方法如下：
P(|x-μ|＞3σ)≤0.003
其中，μ表示正态总体的数学期望，σ表示正态总体的标准差，x是风机运行数据。
优选地，采用滑动窗口法进行数据筛选，筛选步骤如下：
将数据序列划分为有限个数据窗口，若滑动窗口的稳态判定指标小于对应阈值，则认为该窗口内的数据序列均为稳态工况，否则为非稳态工况；
判断结束后直接跳入下一窗口进行判断，直至全部数据窗口判断结束；
其中，δx为稳态判定指标，Xmax为滑动窗口内变量的最大值，Xmin为滑动窗口内变量的最小值，Xa为滑动窗口内变量的平均值，δx0为稳态判定阈值。
优选地，采用最小二乘法获取风机的叶轮转速-风速拟合曲线斜率和叶轮转速-风速拟合曲线截距；再对全风场所有风机的叶轮转速-风速拟合曲线斜率和叶轮转速-风速拟合曲线截距分别求平均值得到集群机组的叶轮转速-风速曲线的斜率和截距/>计算公式如下：
其中，为第i台风机的叶轮转速-风速拟合曲线斜率；/>为第i台风机的叶轮转速-风速拟合曲线截距；xij为第i台风机的叶轮转速；yij为第i台风机的风速；ni为第i台风机的数据样本数量；ki为第i台风机的叶轮转速-风速拟合曲线斜率；bi为第i台风机的叶轮转速-风速拟合曲线截距；/>为第i台风机的风速的平均值；/>为第i台风机的叶轮转速的平均值；
其中，为风机集群机组的叶轮转速-风速拟合曲线的斜率，/>为风机集群机组的叶轮转速-风速拟合曲线的截距。
优选地，叶轮转速-风速拟合曲线斜率相对偏差值δi的获取方法如下：
其中，为风机的叶轮转速-风速拟合曲线斜率，/>为风机集群机组的叶轮转速-风速拟合曲线的斜率。
优选地，故障等级如下：
当叶轮转速-风速拟合曲线斜率相对偏差值δi满足10％≤δi＜20％时，为三级预警；当叶轮转速-风速拟合曲线斜率相对偏差值δi满足20％≤δi＜30％时，为二级预警；当叶轮转速-风速拟合曲线斜率相对偏差值δi满足δi≥30％时，为一级预警。
本发明提出的一种基于最小二乘法的风电机组风速仪故障识别系统，包括：
拟合曲线获取模块，所述拟合曲线获取模块用于对预处理后的风电机组运行数据进行拟合，获取叶轮转速-风速拟合曲线；
拟合曲线处理模块，所述拟合曲线处理模块用于根据叶轮转速-风速拟合曲线获取叶轮转速-风速曲线斜率偏差相对值；
故障等级判定模块，所述故障等级判定模块用于根据叶轮转速-风速曲线斜率偏差相对值确定故障等级，实现风速仪故障识别。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现基于最小二乘法的风电机组风速仪故障识别方法的步骤。
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，其特征在于，所述计算机程序被处理器执行时实现基于最小二乘法的风电机组风速仪故障识别方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明提出的一种基于最小二乘法的风电机组风速仪故障识别方法，对风电机组运行数据进行拟合，具有实时在线、快速准确的优点，大大缩短了风机风速仪偏差量化评估、风电机组风向仪故障识别报警的周期。通过获取叶轮转速-风速拟合曲线来计算叶轮转速-风速曲线斜率偏差相对值，在已知叶轮转速-风速曲线斜率偏差相对值的基础上再进行故障等级，该方法在不增加额外传感器的基础上实现了风速仪偏差量化评估、风电机组风向仪故障识别报警，具有实时在线、快速准确的优点，实现了对风场中风速仪故障严重程度的量化评估与预警，便于精准指导运维人员及时进行风机的排查与维修，有效降低了机组定检的运维成本，保障了风力发电机组安全高效运行。
进一步地，对风场中风速仪故障严重程度进行三级量化评估，便于精准指导运维人员及时进行风机的排查与维修，有效降低了机组定检的运维成本。
本发明提出的一种基于最小二乘法的风电机组风速仪故障识别系统，通过将系统划分为拟合曲线获取模块、拟合曲线处理模块和故障等级判定模块，实现风速仪故障识别。采用模块化思想使各个模块之间相互独立，方便对各模块进行统一管理。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明的基于最小二乘法的风电机组风速仪故障识别方法流程图。
图2为本发明的基于最小二乘法的风电机组风速仪故障识别方法详细流程图。
图3为本发明的风速仪故障机组与集群机组的叶轮转速-风速对比图。
图4为本发明的基于最小二乘法的风电机组风速仪故障识别系统图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述：
本发明提出的一种基于最小二乘法的风电机组风速仪故障识别方法，如图1所示，包括如下步骤：
S1、对预处理后的风电机组运行数据进行拟合，获取叶轮转速-风速拟合曲线；
对风电机组运行数据预处理包括数据剔除和数据筛选。
采用3σ准则法剔除数据的方法如下：
P(|x-μ|＞3σ)≤0.003
其中，μ表示正态总体的数学期望，σ表示正态总体的标准差，x是风机运行数据。
采用滑动窗口法进行数据筛选，筛选步骤如下：
将数据序列划分为有限个数据窗口，若滑动窗口的稳态判定指标小于对应阈值，则认为该窗口内的数据序列均为稳态工况，否则为非稳态工况；
判断结束后直接跳入下一窗口进行判断，直至全部数据窗口判断结束；
其中，δx为稳态判定指标，Xmax为滑动窗口内变量的最大值，Xmin为滑动窗口内变量的最小值，Xa为滑动窗口内变量的平均值，δx0为稳态判定阈值。
S2、根据叶轮转速-风速拟合曲线获取叶轮转速-风速曲线斜率偏差相对值；
采用最小二乘法获取风机的叶轮转速-风速拟合曲线斜率和叶轮转速-风速拟合曲线截距；再对全风场所有风机的叶轮转速-风速拟合曲线斜率和叶轮转速-风速拟合曲线截距分别求平均值得到集群机组的叶轮转速-风速曲线的斜率和截距/>计算公式如下：
其中，为第i台风机的叶轮转速-风速拟合曲线斜率；/>为第i台风机的叶轮转速-风速拟合曲线截距；xij为第i台风机的叶轮转速；yij为第i台风机的风速；ni为第i台风机的数据样本数量；ki为第i台风机的叶轮转速-风速拟合曲线斜率；bi为第i台风机的叶轮转速-风速拟合曲线截距；/>为第i台风机的风速的平均值；/>为第i台风机的叶轮转速的平均值；
其中，为风机集群机组的叶轮转速-风速拟合曲线的斜率，/>为风机集群机组的叶轮转速-风速拟合曲线的截距。
叶轮转速-风速拟合曲线斜率相对偏差值δi的获取方法如下：
其中，为风机的叶轮转速-风速拟合曲线斜率，/>为风机集群机组的叶轮转速-风速拟合曲线的斜率。
S3、根据叶轮转速-风速曲线斜率偏差相对值确定故障等级，实现风速仪故障识别。
故障等级如下：
当叶轮转速-风速拟合曲线斜率相对偏差值δi满足10％≤δi＜20％时，为三级预警；当叶轮转速-风速拟合曲线斜率相对偏差值δi满足20％≤δi＜30％时，为二级预警；当叶轮转速-风速拟合曲线斜率相对偏差值δi满足δi≥30％时，为一级预警。
如图2所示，具体包括如下步骤：
步骤1、全场风电机组SCADA运行数据获取与预处理。
通过风电机组的SCADA(数据采集与监视控制系统)读取一段时间内的风速、风向、有功功率、叶轮转速、叶片桨距角、偏航角度、风电机组状态码等测点的运行数据，各个测点运行数据以时间先后顺序为索引，共同构成一个多维时序矩阵。
在获取风电机组SCADA(数据采集与监视控制系统)运行数据后，需要对所取出的运行数据进行数据预处理，包括：离群值、异常值的剔除，稳态工况数据筛选等预处理步骤。
所取出的运行数据中离群值、异常值的剔除主要包括：直接剔除法和3σ准则法。其中，直接筛选法是指：剔除风电机组切入风速以下、切出风速以上的运行数据，剔除风机有功功率、叶轮转速小于零的运行数据。
3σ准则法是指：将风速在最小值到最大值之间以0.1m/s的区间进行划分，针对每个风速区间内的运行数据，假定风机运行数据x是服从正态分布的，则
P(|x-μ|＞3σ)≤0.003
式中，μ与σ分别表示正态总体的数学期望和标准差。此时，在运行数据值中出现大于μ+3σ或小于μ-3σ数据值的概率是很小的。因此，根据上式对于大于μ+3σ或小于μ-3σ的数据值作为异常值，予以剔除。
所取出的运行数据在离群值、异常值剔除后还需进行稳态工况数据筛选处理。采用滑动窗口法进行稳态工况数据筛选，先将数据序列划分为有限个数据窗口，若滑动窗口的稳态判定指标小于对应阈值，则认为该窗口内的数据序列均为稳态工况，否则为非稳态工况。判断结束后直接跳入下一窗口进行判断，直至全部数据窗口判断结束。相应的计算公式如下：
式中，δx为稳态判定指标，Xmax为滑动窗口内变量的最大值，Xmin为滑动窗口内变量的最小值，Xa为滑动窗口内变量的平均值，δx0为稳态判定阈值。
步骤2、全场风电机组与集群机组叶轮转速-风速曲线的拟合计算。
全场风电机组与集群机组叶轮转速-风速曲线的拟合计算。首先，采用最小二乘法对风场全场m台风机的叶轮转速-风速曲线进行拟合，最小二乘法的计算公式如下：
式中，为第i台风机的叶轮转速-风速拟合曲线斜率；/>为第i台风机的叶轮转速-风速拟合曲线截距；xij为第i台风机的叶轮转速，rpm；yij为第i台风机的风速，m/s；ni为第i台风机的数据样本数量；ki为第i台风机的叶轮转速-风速拟合曲线斜率；bi为第i台风机的叶轮转速-风速拟合曲线截距；/>为第i台风机的风速的平均值，m/s；/>为第i台风机的叶轮转速的平均值，rpm。
全场风电机组与集群机组叶轮转速-风速曲线的拟合计算。计算得到风场第i台风机的叶轮转速-风速拟合曲线斜率和截距/>后，对全风场所有风机的斜率和截距分别求平均值得到集群机组的叶轮转速-风速曲线的斜率/>和截距/>计算公式如下：
式中，为风机集群机组的叶轮转速-风速拟合曲线的斜率，/>为风机集群机组的叶轮转速-风速拟合曲线的截距。
全场风电机组与集群机组叶轮转速-风速曲线的拟合计算。分别绘制同风场、风型号、同叶轮转速下的全场每台风机的叶轮转速-风速拟合曲线与集群机组叶轮转速-风速拟合曲线的对比图如图3所示。
步骤3、叶轮转速-风速曲线斜率偏差相对值的计算与报警阈值设置。
叶轮转速-风速曲线斜率偏差相对值的计算与报警阈值设置。计算第i台风电机组与集群机组的叶轮转速-风速曲线的斜率相对偏差值δi作为第i台风电机组风速仪故障的量化评估指标，计算公式如下：
叶轮转速-风速曲线斜率偏差相对值的计算与报警阈值设置。设定单台机组与集群机组的叶轮转速-风速拟合曲线斜率相对偏差值δi的报警阈值分别为10％、20％、30％。当斜率偏差值δi满足10％≤δi＜20％时，报三级预警；当斜率偏差值δi满足20％≤δi＜30％时，报二级预警；当斜率偏差值δi满足δi≥30％时，报一级预警。
本发明提出的一种基于最小二乘法的风电机组风速仪故障识别系统，如图4所示，包括拟合曲线获取模块、拟合曲线处理模块和故障等级判定模块；
所述拟合曲线获取模块用于对预处理后的风电机组运行数据进行拟合，获取叶轮转速-风速拟合曲线；
所述拟合曲线处理模块用于根据叶轮转速-风速拟合曲线获取叶轮转速-风速曲线斜率偏差相对值；
所述故障等级判定模块用于根据叶轮转速-风速曲线斜率偏差相对值确定故障等级，实现风速仪故障识别。
本发明实施例提供的终端设备，该实施例的终端设备包括：处理器、存储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上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。
所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明提出的一种基于最小二乘法的风电机组风速仪故障识别方法，通过风电机组SCADA(数据采集与监视控制系统)获取风电机组的风速、风向、有功功率、叶轮转速、叶片桨距角、偏航角度、风电机组状态码等运行数据，采用直接剔除法和3σ准则法对运行数据中的离群点、异常值进行数据清洗，采用滑动窗口法筛选后得到稳态工况数据。采用最小二乘法对风场全场m台风机的叶轮转速-风速曲线进行拟合，进而对m条叶轮转速-风速拟合曲线的斜率和截距分别求平均值得到集群机组的叶轮转速-风速曲线的斜率和截距。通过计算单台机组与集群机组的叶轮转速-风速曲线的斜率相对偏差值作为风速仪故障的量化评估指标。设定单台机组与集群机组的叶轮转速-风速拟合曲线斜率相对偏差值δi的报警阈值分别为10％、20％、30％。当斜率偏差值δi满足10％≤δi＜20％时，报三级预警；当斜率偏差值δi满足20％≤δi＜30％时，报二级预警；当斜率偏差值δi满足δi≥30％时，报一级预警。采用该方法，成本较低，在不增加额外传感器的基础上实现了风速仪偏差量化评估、风电机组风向仪故障识别报警，具有实时在线、快速准确的优点，实现了对风场中风速仪故障严重程度的三级量化评估与预警，便于精准指导运维人员及时进行风机的排查与维修，有效降低了机组定检的运维成本。通过系统集成可以实时在线绘制风机单机叶轮转速-风速拟合曲线与风机集群叶轮转速-风速拟合曲线对比图，同时实现风机风速仪偏差量化评估、风电机组风向仪故障识别报警的功能。
具有以下优点：
1)本发明所述方法，成本较低，在不增加额外传感器的基础上实现风机风速仪偏差量化评估、风电机组风向仪故障识别报警。
2)本发明所述方法，具有实时在线、快速准确的优点，大大缩短了风机风速仪偏差量化评估、风电机组风向仪故障识别报警的周期。
3)本发明所述方法，根据叶轮转速-风速拟合曲线斜率偏差的大小可对风场中风速仪故障严重程度进行三级量化评估，便于精准指导运维人员及时进行风机的排查与维修，有效降低了机组定检的运维成本。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于最小二乘法的风电机组风速仪故障识别方法，其特征在于，包括如下步骤：
对预处理后的风电机组运行数据进行拟合，获取叶轮转速-风速拟合曲线；
根据叶轮转速-风速拟合曲线获取叶轮转速-风速曲线斜率偏差相对值；
根据叶轮转速-风速曲线斜率偏差相对值确定故障等级，实现风速仪故障识别。
2.根据权利要求1所述的基于最小二乘法的风电机组风速仪故障识别方法，其特征在于，对风电机组运行数据预处理包括数据剔除和数据筛选。
3.根据权利要求2所述的基于最小二乘法的风电机组风速仪故障识别方法，其特征在于，采用3σ准则法剔除数据的方法如下：
P(|x-μ|>3σ)≤0.003
其中，μ表示正态总体的数学期望，σ表示正态总体的标准差，x是风机运行数据。
4.根据权利要求2所述的基于最小二乘法的风电机组风速仪故障识别方法，其特征在于，采用滑动窗口法进行数据筛选，筛选步骤如下：
将数据序列划分为有限个数据窗口，若滑动窗口的稳态判定指标小于对应阈值，则认为该窗口内的数据序列均为稳态工况，否则为非稳态工况；
判断结束后直接跳入下一窗口进行判断，直至全部数据窗口判断结束；
其中，δx为稳态判定指标，Xmax为滑动窗口内变量的最大值，Xmin为滑动窗口内变量的最小值，Xa为滑动窗口内变量的平均值，δx0为稳态判定阈值。
5.根据权利要求1所述的基于最小二乘法的风电机组风速仪故障识别方法，其特征在于，采用最小二乘法获取风机的叶轮转速-风速拟合曲线斜率和叶轮转速-风速拟合曲线截距；再对全风场所有风机的叶轮转速-风速拟合曲线斜率和叶轮转速-风速拟合曲线截距分别求平均值得到集群机组的叶轮转速-风速曲线的斜率和截距/>计算公式如下：
其中，为第i台风机的叶轮转速-风速拟合曲线斜率；/>为第i台风机的叶轮转速-风速拟合曲线截距；xij为第i台风机的叶轮转速；yij为第i台风机的风速；ni为第i台风机的数据样本数量；ki为第i台风机的叶轮转速-风速拟合曲线斜率；bi为第i台风机的叶轮转速-风速拟合曲线截距；/>为第i台风机的风速的平均值；/>为第i台风机的叶轮转速的平均值；
其中，为风机集群机组的叶轮转速-风速拟合曲线的斜率，/>为风机集群机组的叶轮转速-风速拟合曲线的截距。
6.根据权利要求1所述的基于最小二乘法的风电机组风速仪故障识别方法，其特征在于，叶轮转速-风速拟合曲线斜率相对偏差值δi的获取方法如下：
其中，为风机的叶轮转速-风速拟合曲线斜率，/>为风机集群机组的叶轮转速-风速拟合曲线的斜率。
7.根据权利要求6所述的基于最小二乘法的风电机组风速仪故障识别方法，其特征在于，故障等级如下：
当叶轮转速-风速拟合曲线斜率相对偏差值δi满足10％≤δi＜20％时，为三级预警；当叶轮转速-风速拟合曲线斜率相对偏差值δi满足20％≤δi＜30％时，为二级预警；当叶轮转速-风速拟合曲线斜率相对偏差值δi满足δi≥30％时，为一级预警。
8.一种基于最小二乘法的风电机组风速仪故障识别系统，其特征在于，包括：
拟合曲线获取模块，所述拟合曲线获取模块用于对预处理后的风电机组运行数据进行拟合，获取叶轮转速-风速拟合曲线；
拟合曲线处理模块，所述拟合曲线处理模块用于根据叶轮转速-风速拟合曲线获取叶轮转速-风速曲线斜率偏差相对值；
故障等级判定模块，所述故障等级判定模块用于根据叶轮转速-风速曲线斜率偏差相对值确定故障等级，实现风速仪故障识别。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1至7中任意一项所述的基于最小二乘法的风电机组风速仪故障识别方法的步骤。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于最小二乘法的风电机组风速仪故障识别方法的步骤。
CN202310572126.5A 2023-05-19 2023-05-19 一种基于最小二乘法的风电机组风速仪故障识别方法及系统 Pending CN116754794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572126.5A CN116754794A (zh) 2023-05-19 2023-05-19 一种基于最小二乘法的风电机组风速仪故障识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572126.5A CN116754794A (zh) 2023-05-19 2023-05-19 一种基于最小二乘法的风电机组风速仪故障识别方法及系统

Publications (1)

Publication Number Publication Date
CN116754794A true CN116754794A (zh) 2023-09-15

Family

ID=87959788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572126.5A Pending CN116754794A (zh) 2023-05-19 2023-05-19 一种基于最小二乘法的风电机组风速仪故障识别方法及系统

Country Status (1)

Country Link
CN (1) CN116754794A (zh)

Similar Documents

Publication Publication Date Title
US20190101103A1 (en) Condition monitoring system and wind turbine generation apparatus
US20150292486A1 (en) Wind turbine blade ice accretion detector
AU2020399503B2 (en) Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof
US20230265832A1 (en) Load control method and apparatus for wind turbine generator system
CN111582392A (zh) 一种风电机组关键部件多工况健康状态在线监测方法
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
CN116557230A (zh) 一种风电场机组功率异常在线评估方法及系统
CN117365869A (zh) 一种风电机组桨叶扫塔故障的自适应预警策略设计方法
CN116754794A (zh) 一种基于最小二乘法的风电机组风速仪故障识别方法及系统
CN116857131A (zh) 一种风电机组变桨距系统故障诊断方法、系统及设备
CN114645824A (zh) 用于风力发电机组的叶片失速识别方法和装置
CN111563685A (zh) 一种基于自联想核回归算法的发电设备状态预警方法
CN115616248A (zh) 一种风电机组风速计数据异常识别方法及系统
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
CN114778116A (zh) 一种风力发电机组变桨轴承故障预警方法及系统
CN108825452B (zh) 确定风力发电机组叶片结冰的方法和装置
CN114593020A (zh) 风电机组叶片结冰监测预警方法、装置及电子设备
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
CN116756644B (zh) 一种风电机组风速风向仪覆冰故障的预警方法
CN113848347A (zh) 一种风力发电机测风仪健康状态检测方法
CN116879735A (zh) 一种风电机组变桨电机温度故障识别方法及系统
CN115374653B (zh) 基于nset模型的风力发电机温度预警方法及相关装置
CN116223850A (zh) 一种风速仪故障预警方法、装置及电子设备
CN116624341A (zh) 一种风电机组功率异常诊断方法、系统及设备

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