TWI491801B - 風力發電故障預測系統及其方法 - Google Patents

Description

風力發電故障預測系統及其方法

本發明為一種風力發電故障預測系統，尤其是指一種降低故障資料特徵擷取量之風力發電故障預測系統。

大型風力發電裝置運轉過程中，面對不斷變化的風況，裝置長期承受變化劇烈的負載情況下，其可靠度與可用率難以維持，且風力發電裝置故障成因複雜，涵蓋了電力系統、電子控制、感測器、發電機及風扇葉片等問題，一但風力發電裝置出現故障，維修人員難以從中尋找出故障原因，造成維修上十分困難。因此，設計一套能依裝置運轉紀錄，有效預測故障發生，就能進行預防維修或事先調整運轉方式，且可預防風力發電裝置事故發生及確保發電系統安全穩定之運轉，藉此提高其管理效率和降低營運維修成本，已成為目前風力發電系統研究相當重要的項目之一。

而一般的風力發電裝置故障診斷分為傳統的診斷方法、數學處理方法與智慧診斷方法。其中傳統的診斷方法包括震動分析法、油質分析法、紅外線測溫法、噪 音與聲波分析法、非破壞檢測法等；數學診斷處理方法包括頻譜分析、軸心軌跡分析、小波分析及短時傅立葉分析等信號處理方法，以機率統計為概念的智慧診斷分析法如隱藏馬克夫理論、貝葉思理論及類神經網路等。

然而上述的智慧診斷分析需建立龐大的數據資料庫，且花費不少時間才能診斷分析出風力發電裝置的故障類別。因此，如何減少診斷所需的數據資料並精確預防風力發電裝置事故發生，確保風力發電裝置安全穩定的運轉及降低維修成本，需要一套更完善的風力發電裝置故障診斷系統。

本發明之一結構態樣之一實施方式是在提供一種風力發電故障預測系統，應用於一風力發電裝置，風力發電故障預測系統包含一感測模組、一混沌同步檢測模組、一灰色預測模組以及一診斷模組。感測模組感測風力發電裝置之一數據值。混沌同步檢測模組連接感測模組，混沌同步檢測模組擷取數據值並建立一混沌誤差散佈圖。灰色預測模組連接混沌同步檢測模組，灰色預測模組依據混沌誤差散佈圖預測混沌誤差散佈圖之一重心軌跡。診斷模組連接灰色預測模組，診斷模組根據混沌誤差散佈圖之重心軌跡診斷風力發電裝置之一預測故障點。藉此，本發明可有效預測風力發電裝置故障之趨勢。

依據本發明一實施例，上述混沌同步檢測模組係使用一混沌動態誤差方程式辨識數據值並建立混沌誤差 散佈圖。風力發電裝置包含一齒輪箱及一發電機，數據值係可為齒輪箱之一振動值、齒輪箱之一油溫或發電機之一振動值。預測故障點可為風力發電裝置之齒輪箱或發電機。

本發明之一方法態樣之一實施方式是在提供一種風力發電故障預測方法，應用於一風力發電裝置，風力發電故障預測方法包含以下步驟：感測風力發電裝置之一數據值；擷取數據值並建立一混沌誤差散佈圖；預測混沌誤差散佈圖之一重心軌跡；以及診斷風力發電裝置之一預測故障點。

依據本發明另一實施例，上述診斷風力發電裝置之預測故障點之步驟係利用一可拓理論。擷取數據值並建立一混沌誤差散佈圖之步驟係利用一混沌動態誤差方程式辨識數據值。數據值係可為風力發電裝置之一發電機之一振動值、風力發電機之一齒輪箱之一振動值、風力發電機之齒輪箱之一油溫。預測故障點可為風力發電機之齒輪箱或發電機。

藉由本發明以混沌同步檢測模組建立的混沌誤差散佈圖之重心為故障診斷之特徵，可有效設定數據值之範圍，藉此減少數據值擷取之數量。

100‧‧‧風力發電裝置

110‧‧‧數據值

200‧‧‧風力發電故障預測系統

210‧‧‧感測模組

220‧‧‧混沌同步檢測模組

221‧‧‧混沌誤差散佈圖

230‧‧‧灰色預測模組

231‧‧‧重心軌跡

240‧‧‧診斷模組

241‧‧‧預測故障點

300‧‧‧步驟

310‧‧‧步驟

320‧‧‧步驟

330‧‧‧步驟

第1圖係繪示依照本發明一實施方式的一種風力發電故障預測系統之方塊圖。

第2圖係繪示依照本發明一實施例之預測及實測之混沌誤 差散佈圖之重心軌跡圖。

第3圖係繪示依照本發明一實施方式的一種風力發電故障預測方法之流程圖。

請參照第1圖，其係繪示依照本發明一實施方式之一種風力發電故障預測系統之方塊圖。風力發電故障預測系統200應用於一風力發電裝置100，風力發電裝置故障預測系統200包含一感測模組210、一混沌同步檢測模組220、一灰色預測模組230以及一診斷模組240。

感測模組210用以感測風力發電裝置100之一數據值110。

混沌同步檢測模組220連接感測模組210，混沌同步檢測模組220擷取數據值110並建立一混沌誤差散佈圖221。

灰色預測模組230連接混沌同步檢測模組220，灰色預測模組230依據混沌誤差散佈圖221預測混沌誤差散佈圖221之一重心軌跡231。

診斷模組240連接灰色預測模組230，診斷模組240根據混沌誤差散佈圖221之重心軌跡231診斷風力發電裝置100之一預測故障點241。

上述風力發電故障預測系統200運作之說明如下：感測模組210感測風力發電裝置100之數據值110，如風力發電裝置100之齒輪箱油溫(未圖示)、風力發電裝置100之齒輪箱振動值(未圖示)或風力發電裝置100之發電機 振動值(未圖示)。藉由混沌同步的原理使混沌同步檢測模組220建立混沌誤差散佈圖221。

混沌同步是利用一種混沌系統訊號去控制另種混沌系統訊號，最後使兩種混沌系統訊號同步的一種理論。一般來說，兩個同步之混沌系統分別稱為主混沌系統和僕混沌系統，當主混沌系統與僕混沌系統之初始值不同時，會使兩混沌系統之運作軌跡有所不一樣，而通常會於僕混沌系統後端加上控制器進行追蹤主混沌系統，利用控制器使兩混沌系統在相同時間下能使軌跡運動相等，此種追蹤狀態即為混沌同步如(1-1)式： 其中i =1,2,...,n ，X _{Slave ,i} 代表僕混沌系統，X _{Master ,i} 代表主混沌系統。本實施方式即利用此混沌同步方式對風力發電裝置100之訊號進行混沌軌跡檢測，而主混沌系統與僕混沌系統分別如(1-2)式和(1-3)式：

其中F_i (i=1,2,...,n)均屬於非線性函數，將(1-2)式和(1-3)式形成誤差狀態如(1-4)式，而動態誤差如(1-5)式：

其中G _i (i =1,2,...,n )為非線性方程式，然而在本實施方式中利用混沌現象之吸引子的運動軌跡，即混沌動態誤差方程式用來辨識發力發電裝置100狀態的依據；其中動態誤差需為多筆資料，其數據方式表示如(1-6)式： 其中j=1,2,3,...,n-1。

據此，混沌同步檢測模組220對感測模組210擷取之數據值110進行混沌軌跡之累加運算，做為辨識風力發電裝置100的狀態依據。由於可採用風力發電裝置100之齒輪箱油溫、風力發電裝置100之齒輪箱振動值或風力發電裝置100之發電機振動值作為主特徵之數值輸入混沌動態誤差方程式，三個主特徵經混沌同步檢測模組220形成混沌誤差散佈圖221後，接著進而以混沌誤差散佈圖221之重心當作特徵值，然而一個主特徵所形成之散佈圖有兩個重心，並且須分別記錄重心之X軸與Y軸之值，因此最後共有十二個副特徵。

請參照附件之圖1所示為不同葉片故障下的齒輪箱油溫之混沌誤差散佈圖，(a)為正常狀態，(b)為一葉片故障，(c)為兩葉片故障。圖2所示為不同漏油狀況下的齒輪箱油溫之混沌誤差散佈圖，(a)為正常狀態，(b)為漏油30%，(c)為漏油50%，(d)為漏油70%，(e)為漏油90%。圖3所示為不同葉片故障下的齒輪箱振動之混沌誤差散佈圖，(a)為正常狀態，(b)為一葉片故障，(c)為兩葉片故障。圖4所示為不同漏油狀況下的齒輪箱振動之混沌誤差散佈圖，(a)為正常狀態，(b)為漏油30%，(c)為漏油50%，(d)為漏油70%，(e)為漏油90%。圖5所示為不同葉片故障下的發電機振動之混沌誤差散佈圖，(a)為正常狀態，(b)為一葉片故障，(c)為兩葉片故障。圖6所示為不同漏油狀況下的發電機振動之混沌誤差散佈圖，(a)為正常狀態，(b)為漏 油30%，(c)為漏油50%，(d)為漏油70%，(e)為漏油90%。附件圖1至圖6中所繪示之三角形標誌表示各混沌誤差散佈圖以x軸正域與負域之重心。

接下來之預測方法利用灰色預測模組230依據混沌誤差散佈圖221之十二個副特徵預測混沌誤差散佈圖221之重心軌跡231的變化，其中灰色預測模組230採用的為灰色理論。首先須利用灰色理論定義出(1-7)式，此為灰色模型(1,1)之微分方程式： 其中t表自變數，a與b為灰色模型的待定參數(a為發展係數與b為灰色控制變數)，而x⁽¹⁾ 為累加生成之值；此灰色預測建模可分成參數型與矩陣型兩種，而本實施方式係採用矩陣型式建立此灰色模型，其建模之步驟如以下所示：一開始預測係利用(1-7)式擷取一組數列，作為原始之數列；當完成一個週期之後，每次將都會重新取數據中之一組數列，作為新的原始之數列，其中(1-8)式為灰色預測建模之原始數列(x⁽⁰⁾ )。

x ⁽⁰⁾ =(x ⁽⁰⁾ (1),x ⁽⁰⁾ (2),...,x ⁽⁰⁾ (k )) (1-8)。其中k =1,2,3,...,m ；m N 。接著將原本雜亂無章法且沒有一定規律的數據，經此累加生成運算處理，可得出一組新的並且較有規律的數列，其累加生成運算式；如(1-9)式所示為新的數列(x⁽¹⁾ )： 其中L N 。均值生成可以調整數據之權重值α ，因此預測權重值α 會依不同之根軌跡做改變；其如(1-10)式所示：z ⁽¹⁾ (L )=α ＊x ¹ (L )+(1-α )＊x ⁽¹⁾ (L -1) (1-10)。其中L >1；L N 。求取灰色模型(1,1)待定係數a與b兩值之大小，此步驟採用最小平方法(Least Square)算出兩值大小範圍；如(1-11)式所示：x ⁽⁰⁾ (L )+az ⁽¹⁾ (L )=b (1-11)。其中L N 。並將(1-11)式方程式轉換為(1-12)式之矩陣方程，其參數Y、B與â分別以(1-13)、(1-14)與(1-15)式表示：

而(1-15)式之參數a與b兩值可由此(1-16)與(1-17)式求出：

參數a和b求解後，則累加生成的預測值，如式(1-18)所示： 其中L N 。經逆累加生成(Inverse Accumulated Generating Operation，IAGO)，得出灰色預測之值；如(1-19)式所示。

診斷模組240接收上述值後，使用可拓理論之原理診斷風力發電裝置100之預測故障點。可拓理論係運用物元模型與可拓集合分別把事物量化以相關程度之關係作規劃的動作，便能簡易描繪出事物的資訊。物元理論和可拓集合為可拓理論兩大核心，物元理論就是研究物元的 可拓性和物元的變換性質，可拓集合則為事物變化的可能性，而物元的變換為解決問題矛盾而進行物質與量的轉換關係。可拓集合就是可拓模型與模糊數學去處理矛盾與不相容的問題，將模糊集合範圍從<0,1>拓展到<-∞,∞>。若要詳細描述一件事物之物元，則需要具備基本三項要素分別為訂定事物名稱N(Name)、事物特徵C(Characteristic)以及特徵量值V(Value)而所構成之物元；以(1-20)式所示為物元數學表示式：R =(N ,C ,V ) (1-20)。而可拓理論之具體評定步驟由以下步驟表示：先訂定可拓經典域與節域之區間範圍，分別如(1-21)式與(1-22)式所示：

其中k =1,2,3,...,m ，p =1,2,3,...,m 。輸入待測物元，如(1-23)式所示： 其中t代表待測物元數目，q則為事物名稱，如同(1-20)式之N，n代表特徵數目，x代表特徵值範圍。依重要性訂定各特徵之權重係數，如(1-24)式所示： 計算待測數據與各等級集合間之關聯度大小值，如(1-25)式所示： 其中特徵值x_i 對於各個經典域R_k 之距定義則如(1-26)式所示，而特徵值x_i 對於節域R_P 之距定義如(1-27)式所示：

計算輸入物元與各類別之關聯度： 其中k =1,2,3,...,m 。將關聯度正規化，藉由運算各等級集合之關聯度的相對值，本實施方式利用(1-28)式之正規化方程式讓各等級集合之關聯度值都均落在<1,-1>之間，(1-28)式如下： 若等於1時，則可判斷待測物元屬於第r個類別，其他類別之相關性，則由關聯度來度量。藉此判斷風力發電裝置100之現行故障點狀況及預測故障點狀況。

請參照第2圖，其係繪示本發明一實施例之預測及實測之重心軌跡圖。本實施例針對風力發電裝置100之齒輪加速機在不同油位下所對應之齒輪箱振動值所預測之重心軌跡。分別利用齒輪加速機在正常、漏油30%、漏油50%及漏油70%狀況之齒輪箱振動值數據來預測齒輪加速機漏油90%狀況發生，此圖為式(1-5)之計算結果的數值，即證明灰色預測狀況發生之可行性與準確性。

在風力發電裝置故障診斷及預測之測試中，將資料庫中各特徵(齒輪箱振動值、發電機振動值及齒輪箱油溫等)10000筆資料所形成的混沌散佈圖作為參考，並設定每個狀況下之經典域與節域，然後再利用資料庫中額外5000筆資料作為測試，測試後證明本實施方式之準確率高達98.8%，如表1所示為本實施方式對比各故障診斷方法之準確率比較表。

其中多層類神經網路I之運算層為9層，多層類神經網路且之運算層為10層，多層類神經網路Ⅲ之運算層為11層。各多層類神經網路之輸入層代表重心之X軸與Y軸之值有12個副特徵，所以選為12，輸出層則代表風力發電裝置故障有7個故障類別。

預測部分之實測一樣以資料庫5000筆之資料做預測並測試，而經本研究所提之診斷法辨識後，所預測之故障與實際故障之故障比對準確率有90%以上。如表2所示為各方法故障預測準確率之比較表。

表2.各種故障預測方法之準確率比較表

請參照第3圖，其係繪示依照本發明之一實施方式之一種風力發電故障預測流程，應用於一風力發電裝置，風力發電故障預測流程包含以下步驟：步驟300感測風力發電裝置之一數據值；步驟310擷取數據值並建立一混沌誤差散佈圖；步驟320預測混沌誤差散佈圖之一重心軌跡；以及步驟330診斷風力發電裝置之一預測故障點。

由上述本發明實施方式可知，應用本發明具有下列優點：

1.本發明提出將初步擷取之風力發電裝置訊號，使用混沌同步檢測模求出混沌誤差分佈，以混沌誤差分佈圖中之重心作為特徵值，並以重心診斷故障類別，藉此可減少特徵擷取之數量，並縮短程式運算之時間。

2.本發明以灰色理論預測下一週期之特徵數值，並已此數值進行故障預測，可在風力發電裝置出現故障前檢出潛在症兆，能提早停止風力發電裝置運轉，藉此降低損害及維修成本。

100‧‧‧風力發電裝置

110‧‧‧數據值

200‧‧‧風力發電故障預測系統

210‧‧‧感測模組

220‧‧‧混沌同步檢測模組

221‧‧‧混沌誤差散佈圖

230‧‧‧灰色預測模組

231‧‧‧重心軌跡

240‧‧‧診斷模組

241‧‧‧預測故障點

Claims (4)

1. 一種風力發電故障預測系統，應用於一風力發電裝置，該風力發電故障預測系統包含：一感測模組，感測該風力發電裝置之複數數據值，該些數據值包含該風力發電裝置之一發電機振動值、一齒輪箱振動值及一齒輪箱油溫；一混沌同步檢測模組，連接該感測模組，該混沌同步檢測模組擷取該些數據值，以一混沌同步理論進行混沌軌跡之累加運算並建立一混沌誤差散佈圖；一灰色預測模組，連接該混沌同步檢測模組，該灰色預測模組依據該混沌誤差散佈圖，以一灰色理論進行建模而預測該混沌誤差散佈圖之一重心軌跡；以及一診斷模組，連接該灰色預測模組，該診斷模組根據該混沌誤差散佈圖之該重心軌跡，以一可拓理論診斷該風力發電裝置之一預測故障點及一現行故障點。
2. 如請求項1之風力發電故障預測系統，其中該混沌同步檢測模組係使用一混沌動態誤差方程式辨識該些數據值並建立該混沌誤差散佈圖。
3. 一種風力發電故障預測方法，應用於一風力發電裝置，該風力發電故障預測方法包含以下步驟：感測該風力發電裝置之複數數據值，該些數據值包含該風力發電裝置之一發電機振動值、一齒輪箱振動值及一齒輪箱油溫；擷取該些數據值並建立一混沌誤差散佈圖，以一混沌同 步理論進行混沌軌跡之累加運算；依據該混沌誤差散佈圖，以一灰色理論進行建模而預測該混沌誤差散佈圖之一重心軌跡；以及根據該混沌誤差散佈圖之該重心軌跡，以一可拓理論診斷該風力發電裝置之一預測故障點及一現行故障點。
4. 如請求項3之風力發電故障預測方法，其中擷取該些數據值並建立一混沌誤差散佈圖之步驟係利用一混沌動態誤差方程式辨識該些數據值。