一种风力发电机故障预警方法

摘要

本发明公开了一种风力发电机故障预警方法，包括提取观测参数，观测参数聚类分析，采用Ward系统聚类分析法对所述观测参数进行分类，“质心”提取构造状态矩阵，依据最短距离原则计算每一个所述分类的“质心”，通过所述“质心”集合组成表征风力发电机正常运行态势的状态矩阵，相似性建模计算所述状态矩阵产生状态的估计值，残差分析判断是否触发预警。本发明实施例提供的风力发电机故障预警方法可以快速、有效地对风力发电机故障进行预测。

权利要求

1.一种风力发电机故障预警方法，其特征在于，包括：

提取观测参数；

观测参数聚类分析，采用Ward系统聚类分析法对所述观测参数进行分类；

“质心”提取构造状态矩阵，依据最短距离原则计算每一个所述分类的“质心”，通过所述“质心”集合组成表征风力发电机正常运行态势的状态矩阵；

相似性建模计算所述状态矩阵产生状态的估计值，残差分析判断是否触发预警；

其中，所述“质心”为具体的观测参数。

2.根据权利要求1所述的方法，其特征在于，在所述提取观测参数之后，还包括:粗糙集属性约简，通过粗糙集属性约简算法对所述观测参数的属性重要度进行排序，以剔除冗余属性项，减小所述观测参数规模。

3.根据权利要求1或2所述的方法，其特征在于，在所述提取观测参数之后，还包括：观测参数预处理，剔除所述观测参数中的噪声、非运行数据、无效数据和无关数据。

4.根据权利要求3所述的方法，其特征在于，剔除非运行数据的方法是：以风速观测参数是否超过切入风速和切出风速为基准，剔除低于切入风速和高于切出风速所在时刻获取的所有观测参数。

5.根据权利要求1所述的方法，其特征在于，所述采用Ward系统聚类分析法对观测参数进行分类，包括：步骤一，以每个观测参数列样本作为一个初始分类；

步骤二，将两两距离最小的两个初始分类合并，形成新类；两个初始分类之间的距离采用欧氏距离公式计算；

步骤三，上述两两合并后，将所有观测参数样本分成C1，C2，……，Ck，k个新类，计算每个新类的类均值，所述类均值为对应新类中所有观测参数的均值向量，计算每个新类中的观测参数到其对应的类均值的距离平方，得到每个新类的离差平方和：其中，Ct为第t个新类；Xit为新类Ct中第i个观测参数；nt为新类Ct的观测参数总数； 为新类Ct的类均值；St为新类Ct的离差平方和；

合并类内离差平方和增加最小的两个分类，即又形成新的分类：

分类Cp和分类Cq合并成新类Cr，则三者分别对应的离差平方和Sp、Sq、Sr满足使增加量最小，其中新类Cr的离差平方和Sr计算方法同Sp和Sq；

步骤四，以合并后的新类为基础，遵循每次合并的两类总是使类内离差平方和增加最小，循环执行步骤三，直至满足设置的聚类分类数量要求。

6.根据权利要求5所述的方法，其特征在于，所述直至满足设置的聚类分类数量要求的方法是：当最终合并后的类数为观测测点数量的4～6倍时，聚类分析结束。

7.根据权利要求1所述的方法，其特征在于，所述“质心”提取构造状态矩阵，所述状态矩阵如下面的公式所示：所述状态矩阵Xt是一个(n+1)*m的矩阵，状态矩阵Xt的第一行X1～Xm为不同的观测参数列序号，状态矩阵Xt剩余各项为提取的“质心”，即具体的观测参数；

所述状态矩阵Xt剩余各项的列向量代表某一时刻不同观测测点的观测参数，所述状态矩阵Xt剩余各项的行向量代表某一观测测点在一段时间范围内的观测参数。

8.根据权利要求1或7所述的方法，其特征在于，所述相似性建模计算所述状态矩阵产生状态的估计值的方法是：以所述状态矩阵为基础，根据相似性状态估计理论对风力发电机运行状态进行预测估计，得到估计值。

9.根据权利要求8所述的方法，其特征在于，所述残差分析判断是否触发预警的方法是：根据所述估计值与实际值的差值得到残差值，将所述残差值与预先设置的正偏差阈值和负偏差阈值进行比对，当所述残差值大于所述正偏差阈值或小于所述负偏差阈值时，触发预警；反之，不触发报警。

10.根据权利要求1所述的方法，其特征在于，所述提取观测参数，所述观测参数的属性包括风速、频率、环境温度、机舱温度、电压、电流、发电机转速、发电机有功功率、发电机冷却空气温度、驱动端轴承温度和非驱动轴承温度。

说明书

一种风力发电机故障预警方法

技术领域

[0001] 本发明实施例涉及风力发电领域，尤其涉及一种风力发电机故障预警方法。

背景技术

[0002] 风电系统运行环境恶劣，加之国内发展迟滞的风电第三产业，致使风电机组设备故障高频发生。双馈风力发电机作为变速恒频风电系统实现的核心设备，同时处在风场发电侧与电网侧的分界，其重要性不言而喻，所以无论从经济性还是安全性考量，对风力发电机开展故障预警研究确有必要。

[0003] 风力发电机零部件故障的产生并非一蹴而就，其生成和发展一般需经由异常、缺陷、故障及事故等几个过程，诸如振动过大、温度过高等一些故障是可以通过状态监测和预警技术将故障扼杀在萌芽状态。故障发生时，机组设备观测参数的变化需经由不明显到显著的渐变过程，如果能在风电机组故障刚萌生、程度尚且轻微阶段识别出异常，相比于已经造成严重后果的事后检修具有更重大的意义。

[0004] 然而，传统基于专家系统的故障预警方法，针对诸如DFIG机-电-热强耦合的复杂系统，其知识来源不足以表达和反映事物的特征，准确率不高；传统基于人工神经网络建模的故障预警方法，建模需耗时较长，学习样本的选择也缺乏依据，且模型维护困难。

发明内容

[0005] 本发明实施例提供一种风力发电机故障预警方法，以快速、有效地预测风力发电机故障。

[0006] 本发明实施例提供了一种风力发电机故障预警方法，包括：

[0007] 提取观测参数；

[0008] 观测参数聚类分析，采用Ward系统聚类分析法对所述观测参数进行分类；

[0009] “质心”提取构造状态矩阵，依据最短距离原则计算每一个所述分类的“质心”，通过所述“质心”集合组成表征风力发电机正常运行态势的状态矩阵；

[0010] 相似性建模计算所述状态矩阵产生状态的估计值，残差分析判断是否触发预警。

[0011] 进一步地，在所述提取观测参数之后，还包括:

[0012] 粗糙集属性约简，通过粗糙集属性约简算法对所述观测参数的属性重要度进行排序，以剔除冗余属性项，减小所述观测参数规模。

[0013] 进一步地，在所述提取观测参数之后，还包括：

[0014] 观测参数预处理，剔除所述观测参数中的噪声、非运行数据、无效数据和无关数据。

[0015] 进一步地，剔除非运行数据的方法是：以风速观测参数是否超过切入风速和切出风速为基准，剔除低于切入风速和高于切出风速所在时刻获取的所有观测参数。

[0016] 进一步地，所述采用Ward系统聚类分析法对观测参数进行分类，包括：

[0017] 步骤一，以每个观测参数列样本作为一个初始分类；

[0018] 步骤二，将两两距离最小的两个初始分类合并，形成新类；两个初始分类之间的距离采用欧氏距离公式计算；

[0019] 步骤三，上述两两合并后，将所有观测参数样本分成C1，C2，……，Ck，k个新类，计算每个新类的类均值，所述类均值为对应新类中所有观测参数的均值向量，计算每个新类中的观测参数到其对应的类均值的距离平方，得到每个新类的离差平方和：

[0020]

[0021] 其中，Ct为第t个新类；Xit为新类Ct中第i个观测参数；nt为新类Ct的观测参数总数；为新类Ct的类均值；St为新类Ct的离差平方和；

[0022] 合并类内离差平方和增加最小的两个分类，即又形成新的分类；

[0023] 分类Cp和分类Cq合并成新类Cr，则三者分别对应的离差平方和Sp、Sq、Sr满足使增加量 最小，其中新类Cr的离差平方和Sr计算方法同Sp和Sq；

[0024] 步骤四，以合并后的新类为基础，遵循每次合并的两类总是使类内离差平方和增加最小，循环执行步骤三，直至满足设置的聚类分类数量要求。

[0025] 进一步地，所述直至满足设置的聚类分类数量要求的方法是：当最终合并后的类数为观测测点数量的4～6倍时，聚类分析结束。

[0026] 进一步地，所述“质心”提取构造状态矩阵，所述状态矩阵如下面的公式所示：

[0027]

[0028] 所述状态矩阵Xt是一个(n+1)*m的矩阵，状态矩阵Xt的第一行X1～Xm为不同的观测参数列序号，状态矩阵Xt剩余各项为提取的“质心”，即具体的观测参数；

[0029] 所述状态矩阵Xt剩余各项的列向量代表某一时刻不同观测测点的观测参数，所述状态矩阵Xt剩余各项的行向量代表某一观测测点在一段时间范围内的观测参数。

[0030] 进一步地，所述相似性建模计算所述状态矩阵产生状态的估计值的方法是：以所述状态矩阵为基础，根据相似性状态估计理论对风力发电机运行状态进行预测估计，得到估计值。

[0031] 进一步地，所述残差分析判断是否触发预警的方法是：根据所述估计值与实际值的差值得到残差值，将所述残差值与预先设置的正偏差阈值和负偏差阈值进行比对，当所述残差值大于所述正偏差阈值或小于所述负偏差阈值时，触发预警；反之，不触发报警。

[0032] 进一步地，所述提取观测参数，所述观测参数的属性包括风速、频率、环境温度、机舱温度、电压、电流、发电机转速、发电机有功功率、发电机冷却空气温度、驱动端轴承温度和非驱动轴承温度。

[0033] 本发明实施例中，通过观测参数聚类分析，采用Ward系统聚类分析法对观测参数进行分类，提取“质心”构造状态矩阵，相似性建模计算状态矩阵产生状态的估计值，残差分析判断是否触发预警，解决风力发电机故障预警问题，实现预测稳定性高、适应性强和容错率高的效果。

附图说明

[0034] 图1是本发明实施例一提供的风力发电机故障预警方法流程图；

[0035] 图2是本发明实施例二提供的风力发电机故障预警方法流程图；

[0036] 图3是本发明实施例二提供的剔除非运行数据显示图；

[0037] 图4是本发明实施例二提供的Ward系统聚类分析法流程图；

[0038] 图5是本发明实施例二提供的相似状态预估输出结果图。

具体实施方式

[0039] 为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。

[0040] 实施例一

[0041] 图1为本发明实施例一提供的风力发电机故障预警方法流程图，具体包括如下步骤：

[0042] 步骤S101：提取观测参数；

[0043] 观测参数为多个观测测点以不同时间段的观测数据，通过SCADA系统提取构建形成初始观测参数矩阵，该初始观测参数矩阵中的每一列向量(称为列样本)为某一个时刻采集到的风力发电机不同观测测点参数的值；该初始观测参数矩阵中的每一行向量(称为行样本)为对风力发电机同一观测测点不同时刻采集到的参数的值。

[0044] 步骤S102：观测参数聚类分析，状态矩阵的构造从数据挖掘角度权衡可归属为聚类问题，运用Ward系统聚类分析法对观测参数进行分类；

[0045] Ward系统聚类分析法又称离差平方和法，是将对象按照多个方面的特征进行综合分类的一种系统聚类分析方法。当然，本发明实施例也可以常用其他系统聚类分析方法，例如单连接法、完全连接法、平均连接法以及组平均连接法等，或者常用K均值聚类方法等。

[0046] 步骤S103：“质心”提取构造状态矩阵，依据最短距离原则计算每一个分类的“质心”，在每一分类中按照能够尽可能概括这个类别特征的要求取出每一个分类的“质心”，由“质心”集合来组成能够表征双馈发电机正常运行工况的状态矩阵。状态矩阵如下面的公式所示：

[0047]

[0048] 其中，状态矩阵Xt是一个(n+1)*m的矩阵，矩阵的第一行X1～Xm为不同的观测参数列序号，观测参数列序号为人工进行的编号，不具有实际意义，状态矩阵Xt剩余各项为提取的“质心”，即具体的观测参数。状态矩阵Xt剩余各项中，列向量为某一时刻不同观测测点风力发电机正常运行工况下运行参数值；行向量为某一观测测点在一段时间范围内的监测值，例如，Xn(2)为在观测参数列序号X2下第n个观测测点风力发电机正常运行工况下运行参数值，示例性地，m/n＝4～6。

[0049] 步骤S104：相似性建模计算状态矩阵Xt产生状态的估计值，残差分析判断是否触发预警。

[0050] 本发明实施例的技术方案，通过观测参数聚类分析，采用Ward系统聚类分析法对观测参数进行分类，提取“质心”构造状态矩阵，相似性建模计算状态矩阵产生状态的估计值，残差分析判断是否触发预警，解决风力发电机故障预警问题，实现检测稳定性高、适应性强和容错率高的效果。

[0051] 实施例二

[0052] 图2是本发明实施例二提供的风力发电机故障预警方法流程图。本发明实施例二基于实施例一的基础上，对提取观测参数之后的数据处理进行了具体说明。

[0053] 进一步地，如图2所示，在步骤S201提取观测参数之后，还可以进行步骤S202粗糙集属性约简和步骤S203观测参数预处理的操作。步骤S202粗糙集属性约简和步骤S203观测参数预处理实际意义上都是在对历史运行数据进行整理，减少数据处理的规模，还可以提高故障预警的准确度。在对历史运行数据进行处理之后，接着进行步骤S204观测参数聚类分析、步骤S205“质心”提取构造状态矩阵和步骤S206相似性建模状态估计判断是否触发预警。

[0054] 其中，步骤S202：粗糙集属性约简，通过粗糙集属性约简算法对观测参数的属性重要度进行排序，剔除冗余属性项，减小所述观测参数规模，减少状态矩阵行。

[0055] 表1为一个本发明实施例提供的一个属性重要度测算，对采集自风电场SCADA系统的与风力发电机相关的属性参数进行重要度排序分析后，选取发电机有功功率、轴承温度及转速等十个测点的每三十分钟观测数据对风力发电机轴承进行建模分析。

[0056] 表1 属性重要度测算

[0057]序号 测点名称 重要度 序号 测点名称 重要度
1 发电机转速1(转速盘) 0.68 6 环境温度 0.24
2 发电机转速2(PLC) 0.67 7 驱动端轴承温度1 0.98
3 风速 0.71 8 驱动端轴承温度2 0.98
4 发电机有功功率 0.41 9 非驱动端轴承温度 0.92
5 机舱温度 0.37 10 发电机冷却空气温度 0.55

[0058] 步骤S203：观测参数预处理，剔除所述观测参数中的噪声、非运行数据、无效数据和无关数据。

[0059] 具体地，剔除无效数据，测量设备系统误差的存在，诸如传感器在传输记录数据，或者服务器在处理数据时，可能出现测量数据无效的情况。例如，从风电场SCADA系统采集到的数据中，在2013年8月7日11:00:00时第475列“发电机驱动端轴承温度A1”测点出现数值为68742，这明显不符合常理，且该测点前后三十分钟数据均为40℃量级，可以断定属于无效数据，因此需要剔除。

[0060] 差别分析去除无关数据主要针对在一些重要观测测点部分设置有“1+1”两个传感器(1用1备)观测测点时，利用这两个传感器采集到的数据进行对比分析，去除无关数据。

[0061] 风力发电机正常运行整个动态过程包含：机组启动与停止阶段、机组平稳运行和剧烈变化。由于风力发电系统设计在低于切入风速时不发电并从电网中断开，风机处于自由抱死状态，直到风速高于切入风速并持续某个较短时间长度才开始并网工作，当风速高于切出风速时，风力发电系统则会切出电网。因此，可以选取“风速”这一观测测点的监测数值是否超过切入风速和切出风速为基准对非运行数据进行剔除，剔除低于切入风速和高于切出风速所在时刻获取的所有观测参数。图3是本发明实施例二提供的剔除非运行数据显示图，进行剔除非运行数据处理。

[0062] 步骤S204：观测参数聚类分析。

[0063] 采用Ward系统聚类分析法对观测参数进行分类。Ward系统聚类分析处理的最小单元是观测参数列，每一列为某一个时刻采集到的风力发电机不同观测测点参数的值。风力发电机运行时，在某些不同时刻，风力发电机会处在相同或非常相近的运行工况下，Ward系统聚类分析的目的在于把这些具有相同或非常相近运行工况下的时刻聚集在一起归为一类，这一类中会含有x个不同时刻，也即x列。

[0064] 图4是本发明实施例二提供的Ward系统聚类分析法流程图，如图4所示，包括：

[0065] 步骤S401，以每个观测参数列样本作为一个初始分类；

[0066] 步骤S402，将两两距离最小的两个初始分类合并，形成新类；两个初始分类之间的距离采用欧氏距离公式计算；

[0067] 步骤S403，上述两两合并后，将所有观测参数样本分成C1，C2，……，Ck，k个新类，计算每个新类的类均值，所述类均值为对应新类中所有观测参数的均值向量，计算每个新类中的观测参数到其对应的类均值的距离平方，得到每个新类的离差平方和：

[0068]

[0069] 其中，Ct为第t个新类；Xit为新类Ct中第i个观测参数；nt为新类Ct的观测参数总数；为新类Ct的类均值；St为新类Ct的离差平方和；

[0070] 合并类内离差平方和增加最小的两个分类，即又形成新的分类；

[0071] 分类Cp和分类Cq合并成新类Cr，则三者分别对应的离差平方和Sp、Sq、Sr满足使增加量 最小，其中新类Cr的离差平方和Sr计算方法同Sp和Sq；

[0072] 步骤S404，以合并后的新类为基础，遵循每次合并的两类总是使类内离差平方和增加最小，循环执行步骤S403，直至满足设置的聚类分类数量要求。

[0073] 步骤S205：“质心”提取构造状态矩阵。

[0074] 具体地，通过运行Ward系统聚类分析Matlab仿真程序，可得到对风力发电机工况数据分类基础上抽取出来的最能表达概括每类特征的“质心”集合。部分程序代码如下：

[0075]

[0076]

[0077] 下面的状态矩阵Xt即为计算出来的状态矩阵：

[0078]

[0079] 进一步地，当聚类分类最终合并后的类数为观测测试点数量的4～6倍时，聚类分析结束。

[0080] 进一步地，“质心”提取构造状态矩阵中，状态矩阵的列向量代表某一时刻不同测点的观测参数，状态矩阵的行向量代表某一测点在一段时间范围内的观测参数。如状态矩阵Xt所示，行向量为11个，除去第一行所代表的观测参数采集的序列号，剩余10个行向量代表某一观测测点在一段时间范围内的观测参数，各个列向量代表某一时刻不同观测测点的观测参数。其中本实施例测试点的数量总共为10个，列向量为48个，最终合并后的类数为观测测点数量的4.8倍，满足聚类分类最终合并后的类数为观测测点数量的4～6倍。

[0081] 利用相似性建模进行故障预警成败的关键在于状态矩阵的构造，相似性建模来进行故障预警分为多个步骤，但其中状态矩阵的建立是最为关键的一步。状态矩阵建立的科学程度、准确程度都决定着最终预警效果或者预警系统成功与否。

[0082] 步骤S206：相似性建模计算状态矩阵产生状态的估计值，残差分析判断是否触发预警。

[0083] 进一步地，相似性建模计算状态矩阵产生状态的估计值的方法是：以状态矩阵为基础，根据相似性状态估计理论对风力发电机运行状态进行预测估计，得到估计值。当状态矩阵确定之后，表征风力发电机正常运行工况的模型就被确定，即可以根据相似性状态估计理论对风力发电机运行状态进行预测估计。

[0084] 进一步地，进行残差分析判断是否触发预警，根据预测的估计值与实际值的差值得到残差值，将残差值与预先设置的正偏差阈值和负偏差阈值进行比对，当残差值大于正偏差阈值或小于负偏差阈值时，触发预警；反之，当残差值位于正偏差阈值和负偏差阈值之间(包括正偏差阈值和负偏差阈值两个端点)时，不触发报警。这里的正偏差阈值和负偏差阈值可以根据具体情况或要求灵活设定和调整，其中，负偏差阈值小于正偏差阈值。

[0085] 具体地，图5是本发明实施例二提供的相似状态预估输出结果图。以驱动端轴承温度故障示例，图5的实施例将正偏差值设置为15，负偏差值设置为6时，系统状态估计输出。其中线2是驱动端轴承温度实际值，线3是温度状态预估值，线1的×表示偏差值超过阈值时的报警提示。从9月21号21:30:00开始，预警系统监测到驱动端轴承温度显现出起伏增长态势，9月22号温度值达到70℃量级，此时温升预警触发，提醒风场检修人员发电机驱动端温升过高故障存在发生可能性。通过查阅运行日志，在这时间段内该风电场2机组确有报出风力发电机异常记录，进一步验证了本发明实施例提出的基于相似性状态估计预警诊断风力发电机故障方法实施的可行性。

[0086] 进一步地，提取观测参数，如表1所示，观测参数的属性可以包括风速、频率、环境温度、机舱温度、电压、电流、发电机转速、发电机有功功率、发电机冷却空气温度、驱动端轴承温度和非驱动轴承温度等。实际情况并不限于上述所列的属性，可以依据设备供应商或业主要求做出相应改动。

[0087] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。