CN117365869A - 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 - Google Patents
一种风电机组桨叶扫塔故障的自适应预警策略设计方法 Download PDFInfo
- Publication number
- CN117365869A CN117365869A CN202311527917.2A CN202311527917A CN117365869A CN 117365869 A CN117365869 A CN 117365869A CN 202311527917 A CN202311527917 A CN 202311527917A CN 117365869 A CN117365869 A CN 117365869A
- Authority
- CN
- China
- Prior art keywords
- training
- data
- wind turbine
- early warning
- sample
- 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 44
- 238000010408 sweeping Methods 0.000 title claims abstract description 21
- 238000013461 design Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 140
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 5
- 238000010276 construction Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
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)
- Power Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种风电机组桨叶扫塔故障的自适应预警策略设计方法，包括步骤：基于SCADA系统的海上风电机组数据采样，获取SCADA正常行为数据集；对数据集的数据进行预处理，构建训练样本；对训练样本权重重分配；提取训练样本振动频域特征；正常行为建模，计算残差序列；训练残差分布，统计训练残差序列中连续大于阈值上限或小于阈值下限的最大个数，记为连续最大超限次数，并作为训练流程中的最终输出结果；进行在线应用阶段。本发明通过设计训练样本权重自适应分配策略，考虑不同风况下样本不均衡易导致建模精确性不均衡，对训练样本中占比较小的恶劣风况赋予更高的训练权重，保证了面向极端风况所引发的故障时结果的准确性和全面性。
Description
技术领域
本发明属于风电机故障监测技术领域，具体涉及一种风电机组桨叶扫塔故障的自适应预警策略设计方法。
背景技术
风力发电作为当今最成熟的新能源发电技术，在全球范围内得到了迅速发展，我国的风机装机总容量已位于世界前列，风电的渗透率也在逐年增加，但近几年风力发电市场的快速发展也导致了研发时期的准备不足，风机的运行维护费用居高不下。
风机的高故障率是导致运维费用高的主要因素，机组通常运行在远郊平原、山区、临海等偏远地区，在大风、湍流等恶劣风况下，风力发电机组的各个关键部件更容易受到高负载，高扰动等情况，对机组各个关键部件安全运行带来挑战。而风机中安装的SCADA系统在关键组件中一般都安装有对应测点，通过监测各个组件信息对关键组件进行状态监测及故障预警，实现机组异常的初期辨识，避免初期异常演变为灾难性故障，实现桨叶扫塔故障的及时感知，对减少运维成本，实现风电场智能运维具有重大的意义。然而，在历史运行的SCADA数据中，极端风况出现较少，不同风况样本不均衡可能会导致建模过程针对极端风况产生较大误差的情况，现有用于故障监测的方法没有考虑样本的不均衡问题，且大都只考虑时域信息，无法监测检测部件运行状况的频谱特征，从而难以保证预警结果的准确性。
发明内容
为了弥补现有技术的不足，本发明提供一种风电机组桨叶扫塔故障的自适应预警策略设计方法，基于训练样本权重自适应分配的故障监测，减少人为不确定因素，以解决历史训练数据中风况不均衡问题，实现更加精确的故障监测。
一种风电机组桨叶扫塔故障的自适应预警策略设计方法，具体包括以下步骤：
S1：基于SCADA系统的海上风电机组数据采样，获取SCADA正常行为数据集；
S2：对数据集的数据进行预处理，构建训练样本；
S3：对训练样本权重重分配；
S4：提取训练样本振动频域特征；
S5：正常行为建模，计算残差序列；
S6：训练残差分布，统计训练残差序列中连续大于阈值上限或小于阈值下限的最大个数，记为连续最大超限次数train_max_count，将训练集中的上下阈值以及最大训练超限参数以及训练好的模型作为训练流程中的最终输出结果；
S7：进行在线应用阶段。
进一步地，所述步骤S1中，选取待进行桨叶故障监测的风电机组关键组件，其SCADA系统中该组件振动测点所测振动信号的频域特征作为目标变量y，与组件振动相关的参数X作为相关变量，选取机组正常运行状态下N条运行数据，以十分钟作为滑动窗口构造训练集
进一步地，所述步骤S2中，预处理包括：
S21:结合人为确定的先验异常运行状态的特征，剔除训练集中存在的并未被SCADA系统检测到的异常运行的数据；
S22：选取标准风速段,设置时间滑动窗口长度与训练样本相同，滑窗内的整体所有风速均不超过10m/s时，将该滑窗内的风速数据作为标准风速段，对标准风速段进行傅里叶变化并去除基频分量，获取标准风速频谱；
S23：提取风速频谱，遍历训练集中的所有样本，对每个10min样本滑窗内的风速数据进行傅里叶变换，并剔除基频分量，获得频谱信息，作为训练样本风速频谱；
S24：遍历训练集中所有的样本，对每一个样本滑窗内的风速频谱与选择的标准风速频谱进行内积计算，得到与训练样本数相同的序列，作为训练样本的内积序列。
进一步地，所述步骤S3中样本权重重分配为基于所获得的训练样本的内积序列做训练样本权重分配，在训练样本内积序列最大值与最小值范围内进行区间划分，设置Nh区间个数，并进行直方图统计，获取得到每个区间下训练样本的个数，第i个区间的样本的个数为hi；计算第i个区间所包含的样本的权重Wi：
进一步地，所述步骤S4中振动频域特征提取通过计算多通道振动信号频谱，对训练样本滑窗内四个振动数据进行傅里叶变换，合并四个通道频谱数据，作为振动信号数据的原始特征，特征维度为其中T为训练样本滑窗长度，单位为分钟；然后利用PCA对频谱特征降维，遍历训练数据样本，使用PCA主成分分析法将原始的频域特征由120T降维到M维，其中M为正常行为模型的输出特征维度。
进一步地，所述步骤S5中正常行为建模为在离线训练过程中，输入所构造的训练样本集，输入数据为剔除时间戳的训练数据集，输出为获得的振动频域特征，从而对频域特征进行实时估计，变量估计模型包括SVR、GBRT、ANN、LSTM、GRU或WTS-GRU机器学习和深度学习方法，计算训练文本集中实际运行值和模型估计值的残差序列。
进一步地，所述步骤S6中训练残差分布包括：
S61：获得训练集残差序列，通过核密度估计方法获取残差序列的概率分布模型，其中，残差dx处的概率密度计算如下：其中，h为带宽，N为训练样本个数，di为第i个样本的训练残差；
S62：基于所获得的训练集残差序列的概率分布，通过设置置信度α，获取训练集残差的上下阈值upperLimit与lowerLimit，其中数学计算公式为：统计训练残差序列中连续大于阈值上限或小于阈值下限的最大个数为连续最大超限次数train_max_count，将训练集中的上下阈值以及最大训练超限参数以及训练好的模型作为训练流程中的最终输出结果，作为后续使用。
进一步地，所述步骤S7中，在线应用阶段，获取在线实时运行数据集作为测试集[Xtest,ytest]，参数选取与训练集选取一致，输入至训练完成的变量估计模型中，得到当前运行数据集实际值减去模型估计值的残差序列。
进一步地，所述步骤S7中，在应用阶段时输入为风电机组SCADA系统采集到的实时运行秒级数据，判别准则为连续超限时，当前时刻是否报出“桨叶扫塔报警”的0/1序列，0为未预警，1为预警，以及与实时运行数据对应的辅助决策信息；基于训练集所得连续最大超限次数train_max_count为正常情况，因此在测试集中连续超限阈值参数下限设置为train_max_count，判别准则为实时超限程度是否大于训练最大超限程度，最终应用模型输出实时报警的0/1序列，0为不报警，1为报警。
与现有技术相比，本发明有以下优点：
1)通过设计训练样本权重自适应分配策略，考虑了不同风况下样本不均衡容易造成不同风况下建模精确性不均衡问题，对训练样本中占比较小的恶劣风况赋予更高的训练权重，保证了面向极端风况所引发的故障时结果的准确性和全面性；
2)监测多维振动变量的频域特征，高负载的运行状况通常会首先造成关键部件的振动异常，在频域进行有效的特征提取能够保证预警的鲁棒性和准确性；
3)本发明为基于正常行为建模，针对桨叶扫塔故障的预警策略设计方法，该流程适用于所有变量估计模型，且对有振动特性的所有风电机组关键组件均适用，具有扩展性。
附图说明
图1是本发明训练模型实施流程图；
图2是本发明应用模型实施流程图；
图3是本发明实施例中所选变量估计模型的估计结果图；
图4是本发明实施例中所选变量估计模型的估计结果残差图；
图5是本发明实施例中的最终预警结果图。
具体实施方式
下面结合附图对本发明一种风电机组桨叶扫塔故障的自适应预警策略设计方法作进一步说明。
本实施例针对某风电场某发生过风机桨叶扫塔故障的风电机组进行故障监测，2022.12.2111:11:00工作人员在例行检修时发现桨叶发生扫塔故障，推测扫塔故障发生时间为2022.12.1621时左右，选取该风电机组SCADA系统在2022年采集到的数据进行故障监测，其中SCADA系统的数据采样间隔为1s，数据信息为期12个月，时间范围为2022.01.0100:00:00至2022.12.3123:59:59，选取用于估计风电机组振动频域特征的相关参数的频域特征为目标变量，发电机其他运行参数以及系统参数等所有对目标变量值产生影响的参数作为相关变量。模型输入输出变量如表1，表2所示：
表1：某风电场某风机训练模型输入变量表：
表2：某风电场某风机训练模型输出变量表：
| 变量名 | 变量名称(中文) |
| model | WTS-SP-GRU正常行为模型 |
| upperLimit | 训练集残差上限 |
| lowerLimit | 训练集残差下限 |
| max_count | 训练集最大连续超限数据个数 |
如图1和图2所述，本实施例中风电机组桨叶扫塔故障自适应预警策略设计方法的实施数据集即为上述风电机组12个月的运行数据，该方法实施步骤具体如下：
1)获取SCADA正常行为数据集。获取该风电机组SCADA系统中记录的运行数据，包括四个振动通道，以及所有相关变量，选取前10个月处于正常运行状态的数据，即2022.01.01 00:00:00至2022.10.30 23:59:59的数据作为训练集，后两个月，即2022.11.01 00:00:00至2022.12.30 23:55:00的数据构造测试集，作为在线应用时的实时数据集；
2)数据的预处理。基于机组在SCADA训练集数据记录时段内的故障运维记录，筛选训练集对应时段内故障运维记录中报出发生桨叶相关故障记录对应故障开始时间与故障复位时间，将故障开始时间之前30min的时刻作为起始时刻、故障复位时间之后30min的时刻作为终止时刻，构建故障数据提取的时间区间，在SCADA训练集中筛选出相关故障数据时间区间对应的数据并加以剔除，将最终剩余的SCADA数据集拼接后按时间排序，作为预处理后的数据。
具体的，结合人为确定的先验异常运行状态的特征，剔除训练集中存在的并未被SCADA系统检测到但不符合正常运行的数据；首先剔除“所有温度变量超过150℃或小于-50℃”的明显异常数据值，然后剔除“风电机组测量风速大于切入风速，但功率值过低”的对应异常数据，再剔除“风电机组测量风速小于切入风速，但功率值过高”的对应异常数据，最后剔除“风电机组测量风速在额定风速以下且处于限功率发电”的对应异常数据，将输出结果数据集拼接后按时间顺序排列。
3)训练样本权重分配。为了均衡历史数据中各类不同风况下的样本权重，使得在大风、阵风等特殊风况下的模型性能得以保证，降低模型过拟合，增强正常行为建模的可靠性，需要对训练样本进行权重分配，在训练样本中选取标准风速段，设置时间滑动窗口长度与训练样本相同(本实例中均为10min)，保证滑窗内的整体所有风速均不超过10m/s，对标准风速段进行傅里叶变化并去除基频分量，获取标准风速频谱。
遍历训练集中的所有样本，对每个10min样本滑窗内的风速数据进行傅里叶变换，并剔除基频分量，获得频谱信息，作为训练样本风速频谱；然后对训练样本的每一个10min滑窗内的风速频谱与步骤4选择的标准风速频谱进行内积计算，得到与训练样本数相同的序列，作为训练样本的内积序列，内积序列反映了每一个训练样本风速频谱与标准风速频谱之间的距离。
基于所获得的训练样本的内积序列做训练样本权重分配，在训练样本内积序列最大值与最小值范围内进行区间划分，设置Nh＝20区间个数，并进行直方图统计，获取得到每个区间下训练样本的个数，第i个区间的样本的个数为hi；计算第i个区间所包含的样本的权重Wi：区间样本数越多，说明该区间的风况情况出现频率越高，区间所包含的样本的权重就越少，相反，极端风况由于在训练集中出现的频率低，其对应区间的样本数相对较少，所赋予的权重Wi相对较高，从而解决由于训练集中极端风况出现频率少导致模型无法针对这类风况进行精确建模的问题，保证了预警的精确性和全面性。
4)频域特征提取。计算多通道振动信号频谱，对训练样本滑窗内四个振动数据进行傅里叶变换，合并四个通道频谱数据，作为振动信号数据的原始特征，特征维度为其中T＝10为训练样本滑窗长度，单位为分钟；然后利用PCA对频谱特征降维，遍历训练数据样本，使用PCA主成分分析法将原始的频域特征由1200降维到63维。
5)基于正常行为建模。离线训练过程中，输入所构造的训练集，输入数据为剔除时间戳的训练数据集，输出为步骤7获得的振动频域特征，从而对频域特征进行实时估计，此实施例中使用的变量估计模型为WTS-SP-GRU，此模型能够综合考虑相关变量及历史信息对目标变量的影响，并通过注意力机制分别赋予不同的影响权重，从而在线应用时对所构造的测试集的目标变量进行准确的实时估计，变量估计结果如图3所示，三个子图分别为模型对3个维度的频域特征的拟合情况；实线为测试集的目标变量真实值，虚线为测试集的目标变量模型估计值。残差结果如图4所示。
6)获得训练集残差序列，由于无法假设残差序列满足任何已知假设分布，故而使用核密度估计方法获取残差序列的概率分布模型。其中，残差dx处的概率密度计算如下：其中，h为带宽，N为训练样本个数，di为第i个样本的训练残差。基于所获得的训练集残差序列的概率分布，通过设置置信度α，获取训练集残差的上下阈值upperLimit＝0.082与lowerLimit＝0.003，统计训练残差序列中连续大于阈值上限或小于阈值下限的最大个数，train_max_count＝3，即在训练集中的连续最大超限次数为3，当在线应用阶段连续最大超限次数大于3时即会进行预警。
如图2所示，在线应用阶段，获取在线实时运行数据集作为测试集，经过预处理等一系列步骤得到[Xtest,ytest]，参数选取与训练集选取一致，输入至训练完成的变量估计模型中，得到当前运行数据集实际值减去模型估计值的残差序列，根据步骤6)得到的训练集残差的上下阈值upperLimit与lowerLimit，判断每一个10min窗口数据的残差是否处在这个区间，并得到当前时刻的最大连续超限值max_count，判别准则为实时超限程度是否大于训练最大超限程度，若大于，则在该点进行预警。图5为最终预警结果，左上角给出了训练集中的连续最大超限次数，纵坐标给出报警的数据点对应时间，最早报警时间为2022.12.1221:30:00，在该时刻最早给出报警，在故障发生的4天前实现预警，此外，在故障发生后的第一天2022.12.1714:30:00，风机在故障运行状态时也给出报警，该结果显示，该发明不仅能在故障发生之前进行准确的预警，还能对机组的运行状态进行监测，结果具有有效性与可靠性。
本发明风电机组桨叶扫塔故障自适应预警策略设计方法，主要包括数据预处理，训练样本权重分配，频域特征提取，正常行为建模，测试集的判别准则参数范围确定等环节。图1是本发明的桨叶扫塔故障自适应预警策略训练模型实施流程图，图2是本发明的桨叶扫塔故障自适应预警策略应用模型实施流程图，图3是本发明实施例中所选变量估计模型的估计结果图，图4是本发明实施例中所选变量估计模型的估计结果残差图，图5是本发明实施例中的最终预警结果图。该结果显示，该发明不仅能在故障发生之前进行准确的预警，还能对机组的运行状态进行监测，结果具有有效性与可靠性。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述方法包括以下步骤：
S1：基于SCADA系统的海上风电机组数据采样，获取SCADA正常行为数据集；
S2：对数据集的数据进行预处理，构建训练样本；
S3：对训练样本权重重分配；
S4：提取训练样本振动频域特征；
S5：正常行为建模，计算残差序列；
S6：训练残差分布，统计训练残差序列中连续大于阈值上限或小于阈值下限的最大个数，记为连续最大超限次数train_max_count，将训练集中的上下阈值以及最大训练超限参数以及训练好的模型作为训练流程中的最终输出结果；
S7：进行在线应用阶段。
2.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S1中，选取待进行桨叶故障监测的风电机组关键组件，其SCADA系统中该组件振动测点所测振动信号的频域特征作为目标变量y，与组件振动相关的参数X作为相关变量，选取机组正常运行状态下N条运行数据，以十分钟作为滑动窗口构造训练集
3.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S2中，预处理包括：
S21:结合人为确定的先验异常运行状态的特征，剔除训练集中存在的并未被SCADA系统检测到的异常运行的数据；
S22：选取标准风速段,设置时间滑动窗口长度与训练样本相同，滑窗内的整体所有风速均不超过10m/s时，将该滑窗内的风速数据作为标准风速段，对标准风速段进行傅里叶变化并去除基频分量，获取标准风速频谱；
S23：提取风速频谱，遍历训练集中的所有样本，对每个10min样本滑窗内的风速数据进行傅里叶变换，并剔除基频分量，获得频谱信息，作为训练样本风速频谱；
S24：遍历训练集中所有的样本，对每一个样本滑窗内的风速频谱与选择的标准风速频谱进行内积计算，得到与训练样本数相同的序列，作为训练样本的内积序列。
4.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S3中样本权重重分配为基于所获得的训练样本的内积序列做训练样本权重分配，在训练样本内积序列最大值与最小值范围内进行区间划分，设置Nh区间个数，并进行直方图统计，获取得到每个区间下训练样本的个数，第i个区间的样本的个数为hi；计算第i个区间所包含的样本的权重Wi：
5.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S4中振动频域特征提取通过计算多通道振动信号频谱，对训练样本滑窗内四个振动数据进行傅里叶变换，合并四个通道频谱数据，作为振动信号数据的原始特征，特征维度为其中T为训练样本滑窗长度，单位为分钟；然后利用PCA对频谱特征降维，遍历训练数据样本，使用PCA主成分分析法将原始的频域特征由120T降维到M维，其中M为正常行为模型的输出特征维度。
6.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S5中正常行为建模为在离线训练过程中，输入所构造的训练样本集，输入数据为剔除时间戳的训练数据集，输出为获得的振动频域特征，从而对频域特征进行实时估计，变量估计模型包括SVR、GBRT、ANN、LSTM、GRU或WTS-GRU机器学习和深度学习方法，计算训练文本集中实际运行值和模型估计值的残差序列。
7.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S6中训练残差分布包括：
S61：获得训练集残差序列，通过核密度估计方法获取残差序列的概率分布模型，其中，残差dx处的概率密度计算如下：其中，h为带宽，N为训练样本个数，di为第i个样本的训练残差；
S62：基于所获得的训练集残差序列的概率分布，通过设置置信度α，获取训练集残差的上下阈值upperLimit与lowerLimit，其中数学计算公式为：统计训练残差序列中连续大于阈值上限或小于阈值下限的最大个数为连续最大超限次数train_max_count，将训练集中的上下阈值以及最大训练超限参数以及训练好的模型作为训练流程中的最终输出结果，作为后续使用。
8.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S7中，在线应用阶段，获取在线实时运行数据集作为测试集[Xtest,ytest]，参数选取与训练集选取一致，输入至训练完成的变量估计模型中，得到当前运行数据集实际值减去模型估计值的残差序列。
9.根据权利要求8所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S7中，在应用阶段时输入为风电机组SCADA系统采集到的实时运行秒级数据，判别准则为连续超限时，当前时刻是否报出“桨叶扫塔报警”的0/1序列，0为未预警，1为预警，以及与实时运行数据对应的辅助决策信息；基于训练集所得连续最大超限次数train_max_count为正常情况，因此在测试集中连续超限阈值参数下限设置为train_max_count，判别准则为实时超限程度是否大于训练最大超限程度，最终应用模型输出实时报警的0/1序列，0为不报警，1为报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311527917.2A CN117365869A (zh) | 2023-11-16 | 2023-11-16 | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311527917.2A CN117365869A (zh) | 2023-11-16 | 2023-11-16 | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117365869A true CN117365869A (zh) | 2024-01-09 |
Family
ID=89400390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311527917.2A Pending CN117365869A (zh) | 2023-11-16 | 2023-11-16 | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117365869A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972547A (zh) * | 2024-03-26 | 2024-05-03 | 华电电力科学研究院有限公司 | 一种风电机组关键部件的故障预警方法、装置及介质 |
| CN118167569A (zh) * | 2024-05-09 | 2024-06-11 | 浙江华东测绘与工程安全技术有限公司 | 一种基于振动的风电机组桨叶异常检测方法及装置 |
-
2023
- 2023-11-16 CN CN202311527917.2A patent/CN117365869A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972547A (zh) * | 2024-03-26 | 2024-05-03 | 华电电力科学研究院有限公司 | 一种风电机组关键部件的故障预警方法、装置及介质 |
| CN118167569A (zh) * | 2024-05-09 | 2024-06-11 | 浙江华东测绘与工程安全技术有限公司 | 一种基于振动的风电机组桨叶异常检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| 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 | |
| CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
| CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
| CN111209934B (zh) | 风机故障预报警方法及系统 | |
| CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
| CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
| CN106934126A (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
| CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
| CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
| CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
| CN113357098A (zh) | 一种风机变桨子系统故障预警方法 | |
| CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
| CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
| CN110578659B (zh) | 一种用于对风电机组scada数据进行处理的系统和方法 | |
| CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
| CN102539823A (zh) | 一种wtg风速分布的预测方法 | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
| CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
| CN114962186A (zh) | 一种风电机组叶片结冰预测的方法 | |
| CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
| CN113915078A (zh) | 光纤光栅式风电机组叶片工况智能识别方法及系统 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 |
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 |