CN116879735A - 一种风电机组变桨电机温度故障识别方法及系统 - Google Patents
一种风电机组变桨电机温度故障识别方法及系统 Download PDFInfo
- Publication number
- CN116879735A CN116879735A CN202310527871.8A CN202310527871A CN116879735A CN 116879735 A CN116879735 A CN 116879735A CN 202310527871 A CN202310527871 A CN 202310527871A CN 116879735 A CN116879735 A CN 116879735A
- Authority
- CN
- China
- Prior art keywords
- variable
- pitch motor
- temperature
- wind turbine
- fitting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000007689 inspection Methods 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
- G01K3/08—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values
- G01K3/10—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values in respect of time, e.g. reacting only to a quick change of temperature
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Wind Motors (AREA)
Abstract
本发明的一种风电机组变桨电机温度故障识别方法及系统,方法包括以下步骤:将风电机组的历史运行数据进行处理得到风电机组稳态运行数据;基于风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线;根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值;根据变桨电机温度故障识别指标和变桨电机温度故障识别指标对应的报警阈值识别风电机组变桨电机温度故障,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变桨电机温度故障的识别与报警。可以实时在线绘制3台变桨电机同风速、同时段下的风速—变桨电机温度拟合曲线,有效增强了风机变桨电机温度故障识别的实时性和准确性。
Description
技术领域
本发明属于风力发电技术领域,具体涉及一种风电机组变桨电机温度故障识别方法及系统。
背景技术
随着我国风电机组装机容量的快速增长,风电机组的单机容量也越来越大,风电机组发生故障的维护成本越来越高,变桨系统作为风电机组风轮系统吸收捕获风能的重要组成部分,主要通过调节风机叶片的桨距角,改变气流对风电机组的攻角,使得机组保持最佳的迎风状态,对机组的发电量、安全运行起着非常重要的作用。但由于自然风向的随机多变导致变桨系统长期处于变工况运行,变桨电机启停频繁,极易产生故障。此外,由于风电机组长期处于高温、严寒、风沙雨雪和紫外线侵蚀等恶劣的环境中,也会造成变桨电机发生性能退化。其中变桨系统的由于温度异常导致的故障占比较高,研究指出,变桨电机温度每降低1℃,相应的故障率下降4%。变桨系统散热出现异常不仅会造成风机停转抱死,甚至会造成变桨电机过热烧毁,因此准确可靠的识别变桨电机温度故障,对于指导风电场现场运维人员及时、有针对性地排查风机潜在故障以降低风电机组停机造成的发电量损失,提高风电场安全、经济运行具有重大意义;现有变桨电机温度故障识别方式较为单一,多为变桨电机温度全场比对或定阈值预警,不能及时发现变桨电机存在的早期温度故障,预警时间较为滞后。
发明内容
为了解决现有技术中存在的问题,本发明提供一种风电机组变桨电机温度故障识别方法及系统,能够准确识别出存在变桨电机温度故障的机组,进而指导现场运维人员有针对性地对故障机组进行排查与检修,该方法有效降低了风电场的运维成本,保障了风力发电机组安全高效运行。
为了实现上述目的,本发明采用的技术方案是:一种风电机组变桨电机温度故障识别方法,包括以下步骤:
将风电机组的历史运行数据进行处理得到风电机组稳态运行数据;
基于风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线;
根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值;
根据变桨电机温度故障识别指标和变桨电机温度故障识别指标对应的报警阈值识别风电机组变桨电机温度故障。
将风电机组的历史运行数据进行处理得到风电机组稳态运行数据包括:
获取风电机组的历史运行数据;
剔除历史运行数据中的离群值和异常值;
针对剔除离群值和异常值筛选的历史运行数据筛选稳态工况数据。
获取风机的历史运行数据包括;
通过风电机组的SCADA获取设定时间段内的风速、风向、有功功率、叶轮转速、叶片桨距角、风电机组状态码测点的运行数据,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。
剔除所述历史运行数据中的离群值和异常值包括:直接剔除法或3σ准则法;
直接剔除法为:剔除所述历史运行数据中风电机组切入风速以下、切出风速以上的运行数据,剔除所述历史运行数据中风机有功功率、叶轮转速小于零的运行数据;
3σ准则法为:将风速在最小值到最大值之间以设定风速区间进行划分,针对每个设定风速区间内的运行数据,对所述历史运行数据x以从正态分布考虑,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,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。
针对剔除离群值和异常值筛选的历史运行数据筛选稳态工况数据时,采用滑动窗口法对剔除异常数据的历史运行数据进行稳态工况数据筛选,具体包括:
先将剔除异常数据的历史运行数据按照时间序列划分为有限个数据窗口;
若某一滑动窗口的稳态判定指标小于对应阈值,则认为当前滑动窗口内的数据序列均为稳态工况;
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。
基于风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线的方法包括:
采用最小二乘法、多项式拟合方法或多元函数拟合方法对风电机组3台变桨电机的风速—变桨电机温度曲线进行拟合,得到同一台风机3台变桨电机的风速—变桨电机温度拟合曲线。
根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标包括:
基于风机变桨电机的风速—变桨电机温度拟合曲线,计算得到变桨电机的风速—变桨电机温度拟合曲线斜率
根据风速—变桨电机温度拟合曲线斜率计算3条拟合曲线斜率的平均值km,根据风速—变桨电机温度拟合曲线的截距计算3条拟合曲线截距的平均值bm,根据3条拟合曲线斜率的平均值km和风速—变桨电机温度拟合曲线斜率/>计算3条拟合曲线斜率的标准差σ,根据3条拟合曲线斜率的标准差σ和3条拟合曲线斜率的平均值km计算相对标准偏差RSD;
相对标准偏差RSD作为变桨电机的故障识别指标;
根据风速v、3条拟合曲线斜率的平均值km、3条拟合曲线截距的平均值bm计算3台变桨电机温度拟合平均值,根据风速v、每台变桨电机风速—变桨电机温度拟合曲线斜率、每条拟合曲线截距计算每台变桨电机温度拟合值,计算单台变桨电机温度拟合值与变桨电机温度拟合平均值间的偏差,取所述偏差的最大值Δmax作为变桨电机故障定位指标。
根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标还包括:
设定风速—变桨电机温度拟合曲线斜率的相对标准偏差RSD阈值,风电机组3台变桨电机的风速—变桨电机温度拟合曲线的斜率相对标准偏差大于或等于所述相对标准偏差RSD阈值时,判定变桨电机处于异常状态;
当变桨电机处于异常状态时,对所述偏差的最大值Δmax对应的变桨电机进行报警。
同时提供一种风电机组变桨电机温度故障识别系统,包括曲线拟合模块、故障识别指标确定模块以及识别模块;
曲线拟合模块用于根据风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线;
故障识别指标确定模块用于根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值;
模块用于根据变桨电机温度故障识别指标和变桨电机温度故障识别指标对应的报警阈值识别风电机组变桨电机温度故障。
另外,提供一种终端设备,包括存储器、处理器、输入设备、输出设备、总线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权上述风电机组变桨电机温度故障识别方法的步骤。
与现有技术相比,本发明至少具有以下有益效果:
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变桨电机温度故障的识别与报警;本发明所述方法,具有实时在线、快速准确的优点,通过不断更新运行数据,有效增强了风机变桨电机温度故障识别的实时性和准确性;避免风电机组变桨电机带故障超温运行,指导运维人员及时进行故障隐患排查,有效延长了变桨电机的运行寿命
进一步的,多项式拟合、多元函数拟合等,最小二乘法拟合具有求解参数少、计算简单拟合求解参数少、计算简单的优点,大大降低了风电机组运行数据在线拟合计算分析的复杂度和计算时长;
进一步的,通过计算三台变桨电机温度拟合直线的斜率间的相对标准偏差RSD,可以实现风电机组变桨电机温度的早期故障预警,避免风电机组变桨电机带故障超温运行,指导运维人员及时进行故障隐患排查。
进一步的,根据变桨电机温度故障识别指标及其对应的阈值,能判断定位风电机组3台变桨电机中存在异常变桨电机,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。
附图说明
图1为本发明的一种风电机组变桨电机温度故障识别方法及系统流程图。
图2为本发明的3台变桨电机同风速、同时段下的风速—变桨电机温度拟合曲线图。
图3为本发明提供的一种终端设备的结构框图。
具体实施方式
下面结合附图和具体实施方式对本发明作更详细的说明。
如图1所示,本发明的一种风电机组变桨电机温度故障识别方法及系统,包括以下步骤:
将风电机组的历史运行数据进行处理得到风电机组稳态运行数据;
基于风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线;
根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值;
根据变桨电机温度故障识别指标和变桨电机温度故障识别指标对应的报警阈值识别风电机组变桨电机温度故障。
将风电机组的历史运行数据进行处理得到风电机组稳态运行数据包括:通过风电机组的SCADA(数据采集与监视控制系统)读取设定时间内的风速、风向、有功功率、叶轮转速、叶片桨距角、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,作为示例,所述设定时间为当前日期往前不少于3天以确保包含足够多的运行工况数据;
优选的,在获取风电机组SCADA(数据采集与监视控制系统)运行数据后,对所取出的运行数据进行数据预处理,包括:离群值和异常值的剔除以及稳态工况数据筛选。
对于离群值和异常值的剔除可以采用直接剔除法和3σ准则法。其中,直接筛选法为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准则法为:将风速在最小值到最大值之间以设定风速区间进行划分,针对每个风速区间内的运行数据,考虑风机运行数据x是服从正态分布,则有
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,作为示例,所述设定风速区间可以为0.1m/s。
优选的,进行稳态工况数据筛选处理时,可以采用滑动窗口法对剔除离群值和异常值筛选的历史运行数据进行稳态工况数据筛选,先将剔除离群值和异常值筛选的历史运行数据按时间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。
基于风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线时,可以采用最小二乘法对风电机组3台变桨电机的风速—变桨电机温度曲线进行拟合,最小二乘法的计算公式如下:
式中,为第i台变桨电机的风速-变电机温度拟合曲线斜率;/>为第i台变桨电机的风速-变电机温度拟合曲线的截距;v为风速,m/s;/>为风速的平均值,m/s;ti为第i台变桨电机的温度,℃;/>为第i台变桨电机的温度的平均值,℃。
作为可选的实施例,对于曲线拟合,也可以采用多项式拟合方法或多元函数拟合方法。
优选的,计算得到同一台风机3台变桨电机的风速—变桨电机温度拟合曲线后,绘制出3台变桨电机同风速和同时段下的风速—变桨电机温度拟合曲线进行直观比较,如图2所示。
根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值包括:。
基于风机变桨电机的风速—变桨电机温度拟合曲线,计算得到变桨电机的风速—变桨电机温度拟合曲线斜率
根据风速—变桨电机温度拟合曲线斜率计算3条拟合曲线斜率的平均值km,根据风速—变桨电机温度拟合曲线的截距计算3条拟合曲线截距的平均值bm,根据3条拟合曲线斜率的平均值km和风速—变桨电机温度拟合曲线斜率/>计算3条拟合曲线斜率的标准差σ,根据3条拟合曲线斜率的标准差σ和3条拟合曲线斜率的平均值km计算相对标准偏差RSD;
相对标准偏差RSD作为变桨电机的故障识别指标;
根据风速v、3条拟合曲线斜率的平均值km、3条拟合曲线截距的平均值bm计算3台变桨电机温度拟合平均值,根据风速v、每台变桨电机风速—变桨电机温度拟合曲线斜率、每条拟合曲线截距计算每台变桨电机温度拟合值,计算单台变桨电机温度拟合值与变桨电机温度拟合平均值间的偏差,取所述偏差的最大值Δmax作为变桨电机故障定位指标;相应的计算公式如下:
t=km×v+bm
根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值还包括:设定风速—变桨电机温度拟合曲线斜率的相对标准偏差RSD阈值。
作为示例,相对标准偏差RSD阈值设为10%,当风电机组3台变桨电机的风速—变桨电机温度拟合曲线的斜率相对标准偏差大于或等于10%时,判定变桨电机处于异常状态,反之,变桨电机温度视为正常。
进一步的,当变桨电机风速—变桨电机温度曲线斜率达到或超过相对标准偏差阈值,变桨电机温度处于异常状态时,计算3台变桨电机温度拟合值与变桨电机温度拟合平均值/>之差的最大值Δmax,对该最大值所对应的变桨电机进行报警。
同时本发明提供一种风电机组变桨电机温度故障识别系统,包括曲线拟合模块、故障识别指标确定模块以及识别模块;
曲线拟合模块用于根据风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线;
故障识别指标确定模块用于根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值;
模块用于根据变桨电机温度故障识别指标和变桨电机温度故障识别指标对应的报警阈值识别风电机组变桨电机温度故障。
另外,在本发明所述的方法基础上,本发明还可以提供一种终端设备,包括存储器、处理器、输入设备、输出设备、总线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,处理器与存储器、输入设备以及输出设备通过总线和I/O接口连接,所述处理器执行所述计算机程序时实现本发明所述风电机组变桨电机温度故障识别方法的步骤。
所述终端设备可以采用笔记本电脑、桌面型计算机、工作站或服务器。
处理器可以是中央处理器(CPU)、图形处理器(GPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器,可以是笔记本电脑、车载计算机、桌面型计算机或工作站的内部存储单元,如内存、硬盘;也可以采用外部存储单元,如移动硬盘、闪存卡。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。
Claims (10)
1.一种风电机组变桨电机温度故障识别方法,其特征在于,包括以下步骤:
将风电机组的历史运行数据进行处理得到风电机组稳态运行数据;
基于风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线;
根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值;
根据变桨电机温度故障识别指标和变桨电机温度故障识别指标对应的报警阈值识别风电机组变桨电机温度故障。
2.根据权利要求1所述的一种风电机组变桨电机温度故障识别方法,其特征在于,将风电机组的历史运行数据进行处理得到风电机组稳态运行数据包括:
获取风电机组的历史运行数据;
剔除历史运行数据中的离群值和异常值;
针对剔除离群值和异常值筛选的历史运行数据筛选稳态工况数据。
3.根据权利要求2所述的一种风电机组变桨电机温度故障识别方法,其特征在于,获取风机的历史运行数据包括;
通过风电机组的SCADA获取设定时间段内的风速、风向、有功功率、叶轮转速、叶片桨距角、风电机组状态码测点的运行数据,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。
4.根据权利要求2所述的一种风电机组变桨电机温度故障识别方法,其特征在于,剔除所述历史运行数据中的离群值和异常值包括:直接剔除法或3σ准则法;
直接剔除法为:剔除所述历史运行数据中风电机组切入风速以下、切出风速以上的运行数据,剔除所述历史运行数据中风机有功功率、叶轮转速小于零的运行数据;
3σ准则法为:将风速在最小值到最大值之间以设定风速区间进行划分,针对每个设定风速区间内的运行数据,对所述历史运行数据x以从正态分布考虑,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,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。
5.根据权利要求2所述的一种风电机组变桨电机温度故障识别方法,其特征在于,针对剔除离群值和异常值筛选的历史运行数据筛选稳态工况数据时,采用滑动窗口法对剔除异常数据的历史运行数据进行稳态工况数据筛选,具体包括:
先将剔除异常数据的历史运行数据按照时间序列划分为有限个数据窗口;
若某一滑动窗口的稳态判定指标小于对应阈值,则认为当前滑动窗口内的数据序列均为稳态工况;
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。
6.根据权利要求1所述的一种风电机组变桨电机温度故障识别方法,其特征在于,基于风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线的方法包括:
采用最小二乘法、多项式拟合方法或多元函数拟合方法对风电机组3台变桨电机的风速—变桨电机温度曲线进行拟合,得到同一台风机3台变桨电机的风速—变桨电机温度拟合曲线。
7.根据权利要求1所述的一种风电机组变桨电机温度故障识别方法,其特征在于,根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标包括:
基于风机变桨电机的风速—变桨电机温度拟合曲线,计算得到变桨电机的风速—变桨电机温度拟合曲线斜率
根据风速—变桨电机温度拟合曲线斜率计算3条拟合曲线斜率的平均值km,根据风速—变桨电机温度拟合曲线的截距计算3条拟合曲线截距的平均值bm,根据3条拟合曲线斜率的平均值km和风速—变桨电机温度拟合曲线斜率/>计算3条拟合曲线斜率的标准差σ,根据3条拟合曲线斜率的标准差σ和3条拟合曲线斜率的平均值km计算相对标准偏差RSD;
相对标准偏差RSD作为变桨电机的故障识别指标;
根据风速v、3条拟合曲线斜率的平均值km、3条拟合曲线截距的平均值bm计算3台变桨电机温度拟合平均值,根据风速v、每台变桨电机风速—变桨电机温度拟合曲线斜率、每条拟合曲线截距计算每台变桨电机温度拟合值,计算单台变桨电机温度拟合值与变桨电机温度拟合平均值间的偏差,取所述偏差的最大值Δmax作为变桨电机故障定位指标。
8.根据权利要求7所述的一种风电机组变桨电机温度故障识别方法,其特征在于,根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标还包括:
设定风速—变桨电机温度拟合曲线斜率的相对标准偏差RSD阈值,风电机组3台变桨电机的风速—变桨电机温度拟合曲线的斜率相对标准偏差大于或等于所述相对标准偏差RSD阈值时,判定变桨电机处于异常状态;
当变桨电机处于异常状态时,对所述偏差的最大值Δmax对应的变桨电机进行报警。
9.一种风电机组变桨电机温度故障识别系统,其特征在于,包括曲线拟合模块、故障识别指标确定模块以及识别模块;
曲线拟合模块用于根据风电机组稳态运行数据拟合风电机组风速—变桨电机温度曲线;
故障识别指标确定模块用于根据风电机组风速—变桨电机温度曲线计算变桨电机温度故障识别指标,确定变桨电机温度故障识别指标对应的报警阈值;
模块用于根据变桨电机温度故障识别指标和变桨电机温度故障识别指标对应的报警阈值识别风电机组变桨电机温度故障。
10.一种终端设备,其特征在于,包括存储器、处理器、输入设备、输出设备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,处理器与存储器、输入设备以及输出设备通过I/O接口连接,所述处理器执行所述计算机程序时实现权利要求1-8任一项所述风电机组变桨电机温度故障识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527871.8A CN116879735A (zh) | 2023-05-09 | 2023-05-09 | 一种风电机组变桨电机温度故障识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527871.8A CN116879735A (zh) | 2023-05-09 | 2023-05-09 | 一种风电机组变桨电机温度故障识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116879735A true CN116879735A (zh) | 2023-10-13 |
Family
ID=88255617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310527871.8A Pending CN116879735A (zh) | 2023-05-09 | 2023-05-09 | 一种风电机组变桨电机温度故障识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879735A (zh) |
-
2023
- 2023-05-09 CN CN202310527871.8A patent/CN116879735A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105134510A (zh) | 一种风力发电机组变桨系统的状态监测和故障诊断方法 | |
CN109488528B (zh) | 一种风机偏航系统的调整方法及装置 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN112228290B (zh) | 一种风力机变桨系统故障智能预警方法 | |
WO2022048228A1 (zh) | 风电机组的载荷控制方法和装置 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN115263680A (zh) | 一种结合tf-idf和lstm模型的变桨电机异常温升预警方法 | |
CN110472684B (zh) | 一种风机叶片的结冰监测方法、其装置及可读存储介质 | |
CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
CN114623051A (zh) | 一种风电叶片覆冰状态智能识别及预警方法 | |
CN110939550B (zh) | 变桨电机温度异常监测方法和预警方法 | |
CN116879735A (zh) | 一种风电机组变桨电机温度故障识别方法及系统 | |
CN115929569A (zh) | 一种风电机组变桨系统故障诊断方法 | |
CN114778116A (zh) | 一种风力发电机组变桨轴承故障预警方法及系统 | |
CN114151147B (zh) | 汽轮机转速异常的故障预警方法、系统、设备及介质 | |
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 | |
CN114444291A (zh) | 一种风机发电量损失精细化测算方法、系统、设备和介质 | |
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 | |
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 | |
CN114060228A (zh) | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 | |
CN114547829A (zh) | 一种风电场理论功率计算方法及系统 | |
CN117889050A (zh) | 一种数据驱动的风电变桨系统异常检测方法及系统 | |
CN115374653B (zh) | 基于nset模型的风力发电机温度预警方法及相关装置 | |
CN116696683B (zh) | 一种风力发电机的风速风向仪故障的判断方法及检测装置 | |
CN103076568B (zh) | 基于温度特性的风机运行工况监测方法 |
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 |