CN111415070A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111415070A CN111415070A CN202010139476.9A CN202010139476A CN111415070A CN 111415070 A CN111415070 A CN 111415070A CN 202010139476 A CN202010139476 A CN 202010139476A CN 111415070 A CN111415070 A CN 111415070A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- data
- value
- oil temperature
- early warning
- 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 39
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000003921 oil Substances 0.000 description 35
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000012208 gear oil Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,包括离线训练阶段和在线应用阶段,选取机组相关数据集,选择齿轮箱油温作为目标变量,其他变量经Autoencoder模型降维进行特征提取,之后选取SVR作为变量估计模型进行训练,实现对目标变量的实时估计,在线应用阶段中,风电机组实时运行数据集输入至训练完成的SVR模型中,得到目标变量实际运行值与模型估计值的残差序列,使用EWMA进行残差序列超限阈值设置,并设计连续超限的预警判别准则实现齿轮箱油温过温故障的提前感知。本发明能够实现风电机组齿轮箱油温过温故障的提前感知与预警,避免齿轮箱组件异常演变引起的故障停机,减少了停机时间及维护损失,具有较强的理论性与实用性。
Description
技术领域
本发明涉及风电机组故障预警技术领域,尤其涉及一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法。
背景技术
风力资源储量大且分布广,利用风力发电成本较低,且风力发电无污染,是一种环境友好型的清洁能源,因此近年来,全球范围内对风力发电的研究投资热度较高,风机的装机容量也在逐年攀升。随着装机容量的攀升,风机的运维问题也逐渐被重视。
风机的运维问题主要来源于风机的高故障率,高故障率的原因一是前期投入使用的风机零部件老化,风机整机性能降低;二是随着全球气候变暖,温室效应,极端天气频发,风机的运行环境越来越恶劣,许多零部件会因天气原因受损失效。风机的高故障率会导致风机频繁停机,发电效率降低,从而造成较大经济损失。
在风机各子***中,齿轮箱子***承担将风轮动力传递给发电机的作用,是实现风能转换为电能的最主要部件之一,也是风机中故障率最高的子***。风机齿轮箱由较多机械部件组成,包括轴承、齿轮等易受损组件,这些组件的磨损、异常通常会引起齿轮箱内油温的异常升高,对风机整机的运行造成影响。
因此,实现风机齿轮箱的油温过温故障预警对提升风机的发电效益与安全性能有巨大贡献。
齿轮箱故障监测的传统方法是通过对一定频率范围内的振动信号分析实现的,但需要对监测齿轮箱逐一加装振动传感器,该方法由于施工麻烦、成本过高而很难被风电行业广泛应用。
目前风电机组均配有监控与数据采集***(SCADA,supervisory control anddata acquisition),能够监控风电机组功率、转速,以及齿轮箱、发电机等大部件的温度等参数,对主要部件的运行状态进行简单的判定,但是一般只针对单一参数设定固定阈值,时效性较差。
基于SCADA数据的齿轮箱故障监测理念,是通过连接风电机组的SCADA***将齿轮箱传感器采集到的实时状态数据进行模型监测,达到齿轮箱预警目的,该方法较采集振动信号的方式更加低成本,具有高实用性。
监测时齿轮箱润滑油油温是齿轮箱的主要监测指标,但齿轮箱油温容易受到周围环境及噪声的影响,从而影响监测结果。
发明内容
本发明是为了克服现有技术中传统方法中齿轮箱故障监测需要加装振动传感器,施工麻烦、成本过高,且齿轮油温容易受到周围环境及噪声的影响的技术问题,提供一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,该方法能够实现风电机组齿轮箱油温过温故障的提前感知与预警,避免齿轮箱组件异常演变引起的故障停机,减少了停机时间及维护损失,减少了周围环境及噪声对油温数据的影响,保证了预警结果的准确性,成本低且方便,具有实用价值。
为了实现上述目的,本发明采用以下技术方案:
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,所述方法包括离线训练阶段和在线应用阶段,所述方法包括以下步骤:
S1、进行离线训练阶段;
S2、进行数据集收集、选取和标记:获取需进行齿轮箱油温过温故障预警的风电机组SCADA***中的数据并记录,选取相关数据集并标记,选择齿轮箱油温作为目标变量;
S3、进行特征提取:筛选出与目标变量相关性强的特征,基于SCADA***数据集的所有其他变量,选取自编码Autoencoder模型进行降维及特征提取,将高维SCADA信息转换为低维特征向量;
S4、训练集重构造,并进行变量估计模型选取:使用目标变量与降维后的特征变量构造训练集,选取支持向量回归SVR作为变量估计模型;
S5、对选取后的变量估计模型进行训练;
S6、进行残差训练,并得到残差序列;
S7、阙值上限设置:统计指标,根据EWMA模型进行残差序列阙值上限设置,判断风电机组是否需要进入在线应用阶段,当风电机组需要进入在线应用阶则进入步骤S8,反之则结束流程;
S8、进行在线应用阶段;
S9、实时估计:重复步骤S2~步骤S5,将特征变量输入至训练完成的变量估计模型中,得到目标变量的实时估计值;
S10、实时运行残差获取:重复步骤S6中的残差训练;
S11、实时判断,并根据步骤S7进行判别准则设计:设计连续超限判别准则并设置判别准则阈值C;
S12、得出最终预警结果。
本发明方案中,由于风电机组SCADA***的其他变量存在大量针对齿轮箱油温过温故障预警的冗余信息,且各参数之间耦合关系复杂,所以需要使用Autoencoder模型对变量降维,提取与目标变量相关性强的特征,提高了变量估计模型的训练效率;使用EWMA设置超限阈值,对数据波动性进行平滑,避免了孤立异常值的影响;设计连续超限判别准则,减少了数据波动引起的误报,保证了预警结果的准确性。
作为优选,所述步骤S2中的相关数据集选取并标记表现为选取风电机组处于正常运行时期的数据集,并标记为训练集,步骤S9中的相关数据集选取为选取步骤S2中的所述的风电机组的实时运行数据集,并标记为测试集。
作为优选,所述步骤S4中支持向量回归SVR选用径向基核函数RBF,使用交叉验证网格搜索法进行SVR参数选择,确定误差最小的参数模型。
作为优选,所述步骤S6中残差训练包括以下步骤:
步骤一、对齿轮箱油温进行实时估计,表征齿轮箱油温正常运行状态;
步骤二、将目标变量实际运行值减去变量估计模型的训练模型输出,即目标变量估计值,得到目标变量估计残差;
步骤三、使用指数加权移动平均EWMA估计值计算公式计算残差估计值。
作为优选,所述步骤三中指数加权移动平均EWMA估计值计算公式为:
EWMA(i)=βEWMA(i-1)+(1-β)T(i);
其中:β表示加权下降的速率,EWMA(i-1)为数据点i的上一个数据点的EWMA估计值,初始值EWMA(0)=0,T(i)为数据点i的实际残差值。
作为优选,所述步骤S7中阙值上限设置包括以下步骤:
步骤一、计算训练集残差序列的标准差σtrain;
步骤二、对于数据点i,设置该数据点i的估计残差阈值上限等于EWMA估计值EWMA(i)加三倍标准差σtrain,即U(i)=EWMA(i)+3σtrain,其中U(i)为阙值上限。
由于齿轮箱油温过温故障中油温出现异常上升,因此只考虑阈值上限,不考虑阈值下限;
作为优选,所述步骤S10中目标变量的实际运行值减去模型估计值得到实时残差值Ri。
作为优选,所述步骤S11中判别准则设计包括以下步骤:
步骤一、当数据点i的估计残差值大于该数据点i的阈值上限,即Ri>U(i)时,计算在数据点i之前出现的估计残差大于对应阈值上限的数据点连续个数Q(i);
步骤二、当满足判别准则条件Q(i)≥C,在数据点i处进行报警;
步骤三、当满足条件Q(i)<C,或该数据点i的估计残差不大于该数据点i的阈值上限,即Ri≤U(i)时,在数据点i处不报警。
由于风电机组数据具有波动性,为避免孤立异常点引起的误报,因此需要设计连续超限判别准则并设置判别准则阈值C,
本发明的有益效果是:
1)针对SCADA***所记录变量存在大量对齿轮箱油温过温故障预警的冗余信息,基于Autoencoder模型进行降维及特征提取,筛选出与目标变量相关性强的特征,保证了变量估计模型训练的效率及准确性;
2)针对目标变量波动性,使用EWMA计算残差估计值并进行估计残差阈值上限设置,对变量波动性进行平滑,避免了孤立异常值的影响;
3)基于估计残差序列,设计连续超限判别准则,减少了变量波动引起的误报,保证了预警结果的准确性。
附图说明
图1是本发明的风电机组齿轮箱油温过温的一种故障预警方法流程图。
图2是本发明的一种实施例中的变量估计模型拟合结果图。
图3是本发明的一种实施例中的目标变量估计残差示意图。
图4是本发明的一种实施例中的预警结果图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例1:本实施例的一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,如图1所示,上述方法包括离线训练阶段和在线应用阶段,上述方法包括以下步骤:
S1、进行离线训练阶段;
S2、进行数据集收集、选取和标记:获取需进行齿轮箱油温过温故障预警的风电机组SCADA***中的数据并记录,选取相关数据集并标记,选择齿轮箱油温作为目标变量,相关数据集选取并标记表现为选取风电机组处于正常运行时期的数据集,并标记为训练集,
S3、进行特征提取:筛选出与目标变量相关性强的特征,基于SCADA***数据集的所有其他变量,选取自编码Autoencoder模型进行降维及特征提取,将高维SCADA信息转换为低维特征向量。
S4、训练集重构造,并进行变量估计模型选取:使用目标变量与降维后的特征变量构造训练集,选取支持向量回归SVR作为变量估计模型,支持向量回归SVR选用径向基核函数RBF,使用交叉验证网格搜索法进行SVR参数选择,确定误差最小的参数模型。
S5、对选取后的变量估计模型进行训练。
S6、进行残差训练,并得到残差序列。
步骤S6中残差训练包括以下步骤:
步骤一、对齿轮箱油温进行实时估计,表征齿轮箱油温正常运行状态;
步骤二、将目标变量实际运行值减去变量估计模型的训练模型输出,即目标变量估计值,得到目标变量估计残差;
步骤三、使用指数加权移动平均EWMA估计值计算公式计算残差估计值。
步骤三中指数加权移动平均EWMA估计值计算公式为:
EWMA(i)=βEWMA(i-1)+(1-β)T(i);
其中:β表示加权下降的速率,EWMA(i-1)为数据点i的上一个数据点的EWMA估计值,初始值EWMA(0)=0,T(i)为数据点i的实际残差值。
S7、阙值上限设置:统计指标,根据EWMA模型进行残差序列阙值上限设置,判断风电机组是否需要进入在线应用阶段,当风电机组需要进入在线应用阶则进入步骤S8,反之则结束流程。
步骤S7中阙值上限设置包括以下步骤:
步骤一、计算训练集残差序列的标准差σtrain;
步骤二、对于数据点i,设置该数据点i的估计残差阈值上限等于EWMA估计值EWMA(i)加三倍标准差σtrain,即U(i)=EWMA(i)+3σtrain,其中U(i)为阙值上限。
S8、进行在线应用阶段;
S9、实时估计:重复步骤S2~步骤S5,相关数据集选取为选取步骤S2中的所述的风电机组的实时运行数据集,并标记为测试集,获取该机组实时运行数据集,同样选择齿轮箱油温作为目标变量,其他变量经Autoencoder模型进行特征提取,将特征变量输入至训练完成的变量估计模型中,得到目标变量的实时估计值,目标变量的实际运行值减去模型估计值得到实时残差值Ri;
S10、实时运行残差获取:重复步骤S6中的残差训练;
S11、实时判断,并根据步骤S7进行判别准则设计:设计连续超限判别准则并设置判别准则阈值C;
步骤S11中判别准则设计包括以下步骤:
步骤一、当数据点i的估计残差值大于该数据点i的阈值上限,即Ri>U(i)时,计算在数据点i之前出现的估计残差大于对应阈值上限的数据点连续个数Q(i);
步骤二、当满足判别准则条件Q(i)≥C,在数据点i处进行报警;
步骤三、当满足条件Q(i)<C,或该数据点i的估计残差不大于该数据点i的阈值上限,即Ri≤U(i)时,在数据点i处不报警。
S12、得出最终预警结果。
实施例2:针对某风电场某个发生过齿轮箱油温过温故障的风电机组进行故障预警,该机组于2019.01.30发生齿轮箱***无连接,诊断结果为齿轮箱油温过高,该风电机组SCADA***采集到的数据时间范围为2018.08.08 00:00:00至2019.01.30 14:00:00,数据采样间隔为1min。
本实施例中风电机组齿轮箱油温过温故障预警方法的实施数据集即为上述风电机组SCADA运行数据,方法实施步骤具体如下:
1)进行数据集收集、选取和标记:选取数据集前4个月数据,即2018.08.08 00:00:00至2018.11.30 23:59:00作为训练集进行模型训练,其余数据即2018.12.01 00:00:00至2019.01.3014:00:00为测试集,作为实时运行数据集,选择齿轮箱油温作为目标变量;
2)进行特征提取:本实施例中数据集除去时间信息及目标变量,包含39个其他变量,将39个变量信息作为编码Autoencoder模型输入隐藏层,即特征向量维度设置为10,将39维变量信息提取出10维特征向量;
3)训练集重构造,并进行变量估计模型选取:使用目标变量与降维后的特征变量构造训练集,选取支持向量回归SVR作为变量估计模型,支持向量回归SVR选用径向基核函数RBF,使用交叉验证网格搜索法进行SVR参数选择,确定误差最小的参数模型。
4)对选取后的变量估计模型进行训练,后进行残差训练,并得到残差序列。对齿轮箱油温进行实时估计,表征齿轮箱油温正常运行状态。
将目标变量实际运行值减去变量估计模型的训练模型输出,即目标变量估计值,得到目标变量估计残差。
目标变量估计结果如图2所示,蓝线为训练集加测试集的目标变量实际运行值,黄线为训练集的目标变量模型估计值,绿线为测试集的目标变量模型估计值,红线为训练集加测试集的目标变量实际运行值减去模型估计值的估计残差值,拟合指标选取为均方根误差RMSE,其中训练集RMSE为1.8158,测试集RMSE为8.2407。由于附图中颜色无法表现,已更换为标注。
使用指数加权移动平均EWMA估计值计算公式计算残差估计值。
指数加权移动平均EWMA估计值计算公式为:
EWMA(i)=βEWMA(i-1)+(1-β)T(i);
其中:β表示加权下降的速率,EWMA(i-1)为数据点i的上一个数据点的EWMA估计值,初始值EWMA(0)=0,T(i)为数据点i的实际残差值。
基于目标变量估计残差,使用指数加权移动平均EWMA计算残差估计值,对于数据点i,其指数加权移动平均EWMA估计值EWMA(i)=βEWMA(i-1)+(1-β)T(i),在本实施例中β=0.9,EWMA(0)=0;
5)阙值上限设置:统计指标,根据EWMA模型进行残差序列阙值上限设置,计算训练集残差序列的标准差σtrain,对于数据点i,设置阈值上限等于EWMA估计值EWMA(i)加三倍标准差σtrain,即U(i)=EWMA(i)+3σtrain,
由于齿轮箱油温过温故障中油温出现异常上升,因此只考虑阈值上限,不考虑阈值下限,如图3所示为本实施例中目标变量估计残差示意图,其中绿线为训练集残差,黄线为测试集残差,蓝线为EWMA估计值,黑线为阈值上限,由于附图中颜色无法表现,已更换为标注。
6)对实时运行数据点,即测试集中数据点j,其他变量经Autoencoder模型进行特征提取,特征向量输入至训练完成的变量估计模型中,得到目标变量的实时估计值,目标变量的实际运行值减去模型估计值得到实时残差值Rj;
7)设计连续超限判别准则并设置判别准则阈值C,本实施例中C=30,对于数据点j,当该数据点残差值大于阈值上限,即Rj>U(j),计算在数据点j之前出现连续的数据点残差值大于阈值上限的个数Q(j)。
当满足条件Q(j)≥C时,在数据点j处进行报警,当满足条件Q(i)<C,或数据点j的估计残差不大于该数据点的阈值上限,即Rj≤U(j)时,在数据点j处不报警,对测试集中所有数据点执行此操作。
如图4所示为本发明实施例中的预警结果图,红点为报警时刻对应数据点,最早报警时刻为2019.01.01 06:25:00,在故障发生前29天实现预警,由于附图中颜色无法表现,已更换为标注。
该结果显示,本发明能够在齿轮箱油温过温故障发生前实现准确的报警,结果具有有效性与可靠性。
本发明风电机组齿轮箱油温过温故障预警方法,主要包括基于Autoencoder进行特征提取,变量估计模型训练,实时运行残差获取,判别准则设计等环节。
本发明的方法是基于风电机组中安装的数据采集与监视控制(SCADA)***记录的实时运行数据,选取机组处于正常运行状态时期的数据集,选择齿轮箱油温作为目标变量,其他变量Autoencoder模型降维进行特征提取,之后选取SVR作为变量估计模型进行训练,实现对目标变量的实时估计,在线应用中,风电机组实时运行数据集输入至训练完成的SVR模型中,得到目标变量实际运行值与模型估计值的残差序列,基于残差序列考虑变量波动性,使用EWMA进行残差序列超限阈值设置,并设计连续超限的预警判别准则实现齿轮箱油温过温故障的提前感知。
在本发明故障预警方法中,使用Autoencoder模型对变量降维,提取与目标变量相关性强的特征,提高了变量估计模型的训练效率;使用EWMA设置超限阈值,对数据波动性进行平滑,避免了孤立异常值的影响;设计连续超限判别准则,减少了数据波动引起的误报,保证了预警结果的准确性。
本发明方法能够克服现有技术中传统方法中齿轮箱故障监测需要加装振动传感器,施工麻烦、成本过高,且齿轮油温容易受到周围环境及噪声的影响的技术问题,能够实现风电机组齿轮箱油温过温故障的提前感知与预警,避免齿轮箱组件异常演变引起的故障停机,减少了停机时间及维护损失,减少了周围环境及噪声对油温数据的影响,保证了预警结果的准确性,成本低且方便,具有实用价值,具有较强的理论性与实用性。
Claims (8)
1.一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,其特征在于,所述方法包括离线训练阶段和在线应用阶段,所述方法包括以下步骤:
S1、进行离线训练阶段;
S2、进行数据集收集、选取和标记:获取需进行齿轮箱油温过温故障预警的风电机组SCADA***中的数据并记录,选取相关数据集并标记,选择齿轮箱油温作为目标变量;
S3、进行特征提取:筛选出与目标变量相关性强的特征,基于SCADA***数据集的所有其他变量,选取自编码Autoencoder模型进行降维及特征提取,将高维SCADA信息转换为低维特征向量;
S4、训练集重构造,并进行变量估计模型选取:使用目标变量与降维后的特征变量构造训练集,选取支持向量回归SVR作为变量估计模型;
S5、对选取后的变量估计模型进行训练;
S6、进行残差训练,并得到残差序列;
S7、阙值上限设置:统计指标,根据EWMA模型进行残差序列阙值上限设置,判断风电机组是否需要进入在线应用阶段,当风电机组需要进入在线应用阶则进入步骤S8,反之则结束流程;
S8、进行在线应用阶段;
S9、实时估计:重复步骤S2~步骤S5,将特征变量输入至训练完成的变量估计模型中,得到目标变量的实时估计值;
S10、实时运行残差获取:重复步骤S6中的残差训练;
S11、实时判断,并根据步骤S7进行判别准则设计:设计连续超限判别准则并设置判别准则阈值C;
S12、得出最终预警结果。
2.根据权利要求1所述的一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,其特征在于,所述步骤S2中的相关数据集选取并标记表现为选取风电机组处于正常运行时期的数据集,并标记为训练集,步骤S9中的相关数据集选取为选取步骤S2中的所述的风电机组的实时运行数据集,并标记为测试集。
3.根据权利要求1所述的一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,其特征在于,所述步骤S4中支持向量回归SVR选用径向基核函数RBF,使用交叉验证网格搜索法进行SVR参数选择,确定误差最小的参数模型。
4.根据权利要求1所述的一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,其特征在于,所述步骤S6中残差训练包括以下步骤:
步骤一、对齿轮箱油温进行实时估计,表征齿轮箱油温正常运行状态;
步骤二、将目标变量实际运行值减去变量估计模型的训练模型输出,即目标变量估计值,得到目标变量估计残差;
步骤三、使用指数加权移动平均EWMA估计值计算公式计算残差估计值。
5.根据权利要求4所述的一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,其特征在于,所述步骤三中指数加权移动平均EWMA估计值计算公式为:
EWMA(i)=βEWMA(i-1)+(1-β)T(i);
其中:β表示加权下降的速率,EWMA(i-1)为数据点i的上一个数据点的EWMA估计值,初始值EWMA(0)=0,T(i)为数据点i的实际残差值。
6.根据权利要求1所述的一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,其特征在于,所述步骤S7中阙值上限设置包括以下步骤:
步骤一、计算训练集残差序列的标准差σtrain;
步骤二、对于数据点i,设置该数据点i的估计残差阈值上限等于EWMA估计值EWMA(i)加三倍标准差σtrain,即U(i)=EWMA(i)+3σtrain,其中U(i)为阙值上限。
7.根据权利要求1所述的一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,其特征在于,所述步骤S10中目标变量的实际运行值减去模型估计值得到实时残差值Ri。
8.根据权利要求1所述的一种基于SCADA数据的风电机组齿轮箱油温过温故障预警方法,其特征在于,所述步骤S11中判别准则设计包括以下步骤:
步骤一、当数据点i的估计残差值大于该数据点i的阈值上限,即Ri>U(i)时,计算在数据点i之前出现的估计残差大于对应阈值上限的数据点连续个数Q(i);
步骤二、当满足判别准则条件Q(i)≥C,在数据点i处进行报警;
步骤三、当满足条件Q(i)<C,或该数据点i的估计残差不大于该数据点i的阈值上限,即Ri≤U(i)时,在数据点i处不报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139476.9A CN111415070A (zh) | 2020-03-03 | 2020-03-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139476.9A CN111415070A (zh) | 2020-03-03 | 2020-03-03 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111415070A true CN111415070A (zh) | 2020-07-14 |
Family
ID=71494103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010139476.9A Pending CN111415070A (zh) | 2020-03-03 | 2020-03-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415070A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN112232405A (zh) * | 2020-10-13 | 2021-01-15 | 中车青岛四方机车车辆股份有限公司 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
CN112834211A (zh) * | 2020-12-31 | 2021-05-25 | 江苏国科智能电气有限公司 | 一种风电机组传动***故障预警方法 |
CN113408199A (zh) * | 2021-06-16 | 2021-09-17 | 华电山东新能源有限公司 | 一种基于多层感知神经网络的齿轮箱油温故障预警方法 |
CN113570146A (zh) * | 2021-07-30 | 2021-10-29 | 国电电力内蒙古新能源开发有限公司 | 基于LightGBM的风电机组齿轮箱油温故障预警方法 |
CN114295367A (zh) * | 2021-11-12 | 2022-04-08 | 华能新能源股份有限公司 | 一种风电机组齿轮箱工况在线监测方法 |
CN116883396A (zh) * | 2023-09-06 | 2023-10-13 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101263499A (zh) * | 2005-07-11 | 2008-09-10 | 布鲁克斯自动化公司 | 智能状态监测和故障诊断*** |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及*** |
-
2020
- 2020-03-03 CN CN202010139476.9A patent/CN111415070A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101263499A (zh) * | 2005-07-11 | 2008-09-10 | 布鲁克斯自动化公司 | 智能状态监测和故障诊断*** |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及*** |
Non-Patent Citations (3)
Title |
---|
王洪斌;王红;何群;王跃灵;周振;: "基于深度信念网络的风机主轴承状态监测方法" * |
王炜超;袁逸萍;孙文磊;赵琴;樊盼盼;贾依达尔・热孜别克;: "融合SCADA数据的风电机组齿轮箱状态评估" * |
黄小光;潘东浩;史晓鸣;王杏;王欣;: "风电机组齿轮箱***的故障预警研究" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950505A (zh) * | 2020-08-24 | 2020-11-17 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN111950505B (zh) * | 2020-08-24 | 2023-08-29 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN112232405A (zh) * | 2020-10-13 | 2021-01-15 | 中车青岛四方机车车辆股份有限公司 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
CN112232405B (zh) * | 2020-10-13 | 2022-09-02 | 中车青岛四方机车车辆股份有限公司 | 齿轮箱的故障预测、监测和诊断方法及相应装置 |
CN112834211A (zh) * | 2020-12-31 | 2021-05-25 | 江苏国科智能电气有限公司 | 一种风电机组传动***故障预警方法 |
CN113408199A (zh) * | 2021-06-16 | 2021-09-17 | 华电山东新能源有限公司 | 一种基于多层感知神经网络的齿轮箱油温故障预警方法 |
CN113570146A (zh) * | 2021-07-30 | 2021-10-29 | 国电电力内蒙古新能源开发有限公司 | 基于LightGBM的风电机组齿轮箱油温故障预警方法 |
CN114295367A (zh) * | 2021-11-12 | 2022-04-08 | 华能新能源股份有限公司 | 一种风电机组齿轮箱工况在线监测方法 |
CN116883396A (zh) * | 2023-09-06 | 2023-10-13 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与*** |
CN116883396B (zh) * | 2023-09-06 | 2023-11-28 | 天津医科大学 | 一种基于人工智能的静息态磁共振图像分析方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
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 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
CN111814849B (zh) | 一种基于da-rnn的风电机组关键组件故障预警方法 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN111814848B (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
CN109356798B (zh) | 一种基于协整分析的风力发电机齿轮箱状态监测方法 | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
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 | |
CN111878322A (zh) | 风力发电机装置 | |
CN111396266A (zh) | 一种基于gbrt的风电机组发电机轴承故障预警方法 | |
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 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN113468728B (zh) | 一种基于神经网络的变桨***故障预测方法 | |
Pandit et al. | Using Gaussian process theory for wind turbine power curve analysis with emphasis on the confidence intervals | |
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 | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN114841061A (zh) | 一种融合时序信息的风电齿轮箱健康评估方法及*** |
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 |