CN113312758B - 风力发电机组的健康状态评估方法和装置 - Google Patents
风力发电机组的健康状态评估方法和装置 Download PDFInfo
- Publication number
- CN113312758B CN113312758B CN202110518023.1A CN202110518023A CN113312758B CN 113312758 B CN113312758 B CN 113312758B CN 202110518023 A CN202110518023 A CN 202110518023A CN 113312758 B CN113312758 B CN 113312758B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- residual error
- health
- power
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 title claims description 20
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000003862 health status Effects 0.000 claims abstract description 27
- 239000000498 cooling water Substances 0.000 claims description 8
- 238000004804 winding Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 19
- 238000010998 test method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本申请提供一种风力发电机组的健康状态评估方法和装置,所述方法包括:获取SCADA***采集的风力发电机组的SCADA数据,SCADA数据包括多个数据组,每个数据组包括同一时刻下的风力发电机组的功率数据和温度数据;基于功率数据,将多个数据组划分成不同的功率区间,每个功率区间包括至少一个数据组;基于每个功率区间的温度数据,确定每个功率区间中的每个温度数据对应的温度残差;基于预设的滑动窗口对每个功率区间的温度残差进行截取,获得多个残差段;确定每个残差段的贝叶斯因子;基于每个残差段的贝叶斯因子,评估风力发电机组的健康状态。本申请能够降低温度数据中不确定性的影响,提高识别精度,减少误报率。
Description
技术领域
本申请涉及风力发电机组领域,尤其涉及一种风力发电机组的健康状态评估方法和装置。
背景技术
实际风力发电机组在运行过程中会存在大量不确定性,如传感器异常、外界环境干扰等,这些不确定性会导致数据出现波动,当温度数据出现较大波动时,可能导致个别温度点超过阈值,出现虚假报警,导致误报率升高。
发明内容
本申请提供一种风力发电机组的健康状态评估方法和装置。
具体地,本申请是通过如下技术方案实现的:
本申请实施例的第一方面,提供一种风力发电机组的健康状态评估方法,所述方法包括:
获取SCADA***采集的风力发电机组的SCADA数据,所述SCADA数据包括多个数据组,每个数据组包括同一时刻下的所述风力发电机组的功率数据和温度数据;
基于所述功率数据,将所述多个数据组划分成不同的功率区间,每个功率区间包括至少一个所述数据组;
基于每个功率区间的温度数据,确定每个功率区间中的每个温度数据对应的温度残差;
基于预设的滑动窗口对每个功率区间的温度残差进行截取,获得多个残差段;
确定每个残差段的贝叶斯因子;
基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态。
可选地,所述基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态,包括:
比较当前残差段的贝叶斯因子与预设因子阈值的大小,若所述当前残差段的贝叶斯因子大于或等于所述预设因子阈值,则判断所述风力发电机组在所述当前残差段对应的时刻处于健康状态;
若所述当前残差段的贝叶斯因子小于所述预设因子阈值,则判断所述风力发电机组在所述当前残差段对应的时刻出现故障。
可选地,所述基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态,包括:
基于每个残差段的贝叶斯因子,确定对应的置信度;
基于每个置信度,或者每个置信度及对应的贝叶斯因子,评估所述风力发电机组的健康状态。
可选地,所述基于每个置信度,或者每个置信度及对应的贝叶斯因子,评估所述风力发电机组的健康状态,包括:
比较当前残差段的置信度与预设置信度阈值的大小,若所述当前残差段的置信度大于或等于所述预设置信度阈值,则判断所述风力发电机组在所述当前残差段对应的时刻处于健康状态;若所述当前残差段的置信度小于所述预设置信度阈值,则判断所述风力发电机组在所述当前残差段对应的时刻出现故障;或者,
比较当前残差段的置信度与预设置信度阈值的大小以及比较当前残差段的贝叶斯因子与预设因子阈值的大小,若当前残差段的置信度均大于或等于所述预设置信度阈值,且当前残差段的贝叶斯因子均大于或等于所述预设因子阈值,则判断所述风力发电机组在所述当前残差段对应的时刻处于健康状态;若所述当前残差段的置信度小于所述预设置信度阈值和/或所述当前残差段的贝叶斯因子小于所述预设因子阈值,则判断所述风力发电机组在所述当前残差段对应的时刻出现故障。
可选地,所述确定每个残差段的贝叶斯因子,包括:
计算每个残差段中的温度残差的第一均值和第一标准差;
基于每个残差段的第一均值和第一标准差,确定该残差段的贝叶斯因子。
可选地,所述滑动窗口的宽度和/或移动步长固定。
可选地,所述滑动窗口的宽度和/或移动步长可设定。
可选地,所述基于每个功率区间的温度数据,确定每个功率区间中的每个温度数据对应的温度残差,包括:
基于每个功率区间的温度数据,确定该功率区间中的温度数据的第二均值和第二标准差;
基于每个功率区间中的温度数据的第二均值及所述第二标准差,确定该功率区间中的每个温度数据对应的温度残差。
可选地,所述基于每个功率区间中的温度数据的第二均值及所述第二标准差,确定该功率区间中的每个温度数据对应的温度残差,包括:
基于每个功率区间中的温度数据的第二均值、所述第二标准差及预设系数,确定该功率区间的最大温度阈值及最小温度阈值;
将每个功率区间的温度数据中大于或等于最小温度阈值并小于或等于最大温度阈值的温度数据的温度残差设置为0;
将每个功率区间的温度数据中小于最小温度阈值的温度数据的温度残差设置为对应温度数据与所述最小温度阈值的差值;
将每个功率区间的温度数据中大于最大温度阈值的温度数据的温度残差设置为对应温度数据与所述最大温度阈值的差值。
可选地,所述预设系数大于或等于2,并小于或等于5。
可选地,所述温度数据包括所述风力发电机组的主轴承温度、齿轮箱驱动端轴承温度、齿轮箱非驱动端轴承温度、齿轮箱油温度、齿轮箱冷却水温度、齿轮箱回油温度、发电机绕组温度、发电机驱动端轴承温度、发电机非驱动端轴承温度、发动机冷却水温度、变频器电抗温度、变频器电容温度、变频器功率开关器件温度中的一种。
可选地,所述基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态之后,还包括:
输出评估结果,所述评估结果用于指示所述风力发电机组的健康状态。
可选地,当所述评估结果指示所述风力发电机组出现故障时,所述评估结果还包括所述风力发电机组出现故障的时间信息。
本申请实施例的第二方面,提供一种风力发电机组的健康状态评估装置,包括一个或多个处理器,用于实现第一方面中任一项所述的健康状态评估方法。
本申请实施例的第三方面,提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现第一方面中任一项所述的健康状态评估方法。
根据本申请实施例提供的技术方案,先基于功率数据将SCADA数据的多个数据组划分成不同的功率区间,然后确定每个功率区间中的每个温度数据对应的温度残差,再基于滑动窗口对每个功率区间的温度残差进行截取,获得多个残差段,基于贝叶斯假设检验方法对每个残差段进行评估,从而降低温度数据中不确定性的影响,提高识别精度,减少误报率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是目前的分功率段温度阈值法的结果示意图;
图2是本申请一示例性实施例示出的一种风力发电机组的健康状态评估方法的流程示意图;
图3是本申请一示例性实施例示出的一种基于每个残差段的贝叶斯因子,评估风力发电机组的健康状态的流程示意图;
图4是本申请一示例性实施例示出的一种贝叶斯假设检验方法评估风力发电机组的健康状态的结果示意图;
图5是本申请一示例性实施例示出的风力发电机组的健康状态评估装置的***框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图,对本申请的风力发电机组的健康状态评估方法和装置进行详细说明。在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
分功率段温度阈值法是目前风力发电机组绕组温度故障较为常用的一种方法,具体是将风力发电机组SCADA运行数据作为输入,以风力发电机组的有功功率作为区间划分依据,采用bin方法,实现了对温度数据的划分,通过对各区间温度数据的统计,实现各区间内温度阈值的确定,其主要步骤如下:
步骤一、从风力发电机组的SCADA***中提取风力发电机组的有功功率及温度数据;
步骤二:以风力发电机组的有功功率作为区间划分依据,利用bin方法,将温度数据划分为若干个区间;
步骤三:计算各区间中的温度数据的均值μ和方差σ,将确定的各区间[μ-3σ,μ+3σ],分别作为各区间的温度数据的阈值。
步骤四:当温度数据超过所属区间的阈值时,表明被监测的机组部件出现异常。
目前的分功率段温度阈值法最大的问题是误报率较高,如图1所示,横坐标为时间,纵坐标为温度数据。
对于此,本申请先基于功率数据将SCADA数据的多个数据组划分成不同的功率区间,然后确定每个功率区间中的每个温度数据对应的温度残差,再基于滑动窗口对每个功率区间的温度残差进行截取,获得多个残差段,基于贝叶斯假设检验方法对每个残差段进行评估,从而降低温度数据中不确定性的影响,提高识别精度,减少误报率。
图2是本申请一示例性实施例示出的一种风力发电机组的健康状态评估方法的流程示意图;本申请实施例的风力发电机组的健康状态评估方法执行主体可以包括风力发电机,也可以为其他具有数据处理能力的设备,如计算机。
请参见图2,本申请实施例的风力发电机组的健康状态评估方法可以包括如下步骤S21~S26。
其中,在步骤S21中、获取SCADA***采集的风力发电机组的SCADA数据,SCADA数据包括多个数据组,每个数据组包括同一时刻下的风力发电机组的功率数据和温度数据。
可以理解的,SCADA数据可以包括温度、风速、功率等监测数据。同一时刻内SCADA***采集到的全部上述数据,可以划分在同一个数据组内。SCADA***即数据采集监控***(Supervisory Control And Data Acquisition),SCADA***可以对现场的风力发电机组进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能,并以适当的形式如声音、图形、图像等方式显示给用户,最终达到实时感知设备各种参数状态的效果。
其中,功率数据可包括有功功率或额定功率,但不限于此。
温度数据可包括风力发电机组的主轴承温度、齿轮箱驱动端轴承温度、齿轮箱非驱动端轴承温度、齿轮箱油温度、齿轮箱冷却水温度、齿轮箱回油温度、发电机绕组温度、发电机驱动端轴承温度、发电机非驱动端轴承温度、发动机冷却水温度、变频器电抗温度、变频器电容温度、变频器功率开关器件(例如IGBT或其他)温度中的一种,从而对相应机组部件进行监测。
在步骤S22中、基于功率数据,将多个数据组划分成不同的功率区间,每个功率区间包括至少一个数据组。
应当理解的是,本申请实施例中,多个功率区间的功率连续且各不相同。
示例性的,将风电机组有功功率从0到额定功率按照大小平均划分为m个区间,各区间用来表示,i=1,2,…,m;以风电机组的有功功率对应的每个采样时刻的温度数据大小为依据,将温度数据划分到各功率区间/>,从而将温数据划分为m个区间。功率区间/>中的温度数据包括/>,其中, j=1,2,…,n,n为功率区间/>中的温度数据的数量。
本实施例可有功功率区间或额定功率区间进行平均划分,从而将多个数据组按照功率数据大小不同划分成不同的功率区间。
在步骤S23中、基于每个功率区间的温度数据,确定每个功率区间中的每个温度数据对应的温度残差。
步骤S23的一种实现方式可包括如下步骤:
(1)、基于每个功率区间的温度数据,确定该功率区间中的温度数据的第二均值和第二标准差;
沿用上述实施例,通过逐个计算功率区间中的温度数据的第二均值/>和第二标准差/>,其中,/>的计算公式如下:
(1);
的计算公式如下:
(2)。
可以直接使用上述公式(1)、(2)计算获得的结果作为第二均值和第二标准差,也可以对上述公式(1)、(2)计算获得的结果进行修正,将修正后的结果作为第二均值和第二标准差。
(2)、基于每个功率区间中的温度数据的第二均值及第二标准差,确定该功率区间中的每个温度数据对应的温度残差。
具体地,基于每个功率区间中的温度数据的第二均值、第二标准差及预设系数,确定该功率区间的最大温度阈值及最小温度阈值,其中,预设系数大于或等于2,并小于或等于5,如2、3、4或5,以预设系数为3为例,功率区间的最大温度阈值为/>,最小温度阈值为/>。
对于每个功率区间的温度数据中大于或等于最小温度阈值并小于或等于最大温度阈值的温度数据,可选地,将每个功率区间的温度数据中大于或等于最小温度阈值并小于或等于最大温度阈值的温度数据的温度残差设置为第一残差值,如0或接近0的残差值,例如,对于功率区间,将功率区间/>的温度数据中位于[/>,/>]内的温度数据的温度残差设置为0。
对于每个功率区间的温度数据中小于最小温度阈值的温度数据,可选地,将每个功率区间的温度数据中小于最小温度阈值的温度数据的温度残差设置为对应温度数据与最小温度阈值的差值,例如,对于功率区间,功率区间/>的温度数据中小于/>的温度数据的温度残差设置为对应温度数据与/>的差值,即对应温度数据减去获得的差值。
对于每个功率区间的温度数据中大于最大温度阈值的温度数据,可选地,将每个功率区间的温度数据中大于最大温度阈值的温度数据的温度残差设置为对应温度数据与最大温度阈值的差值,例如,对于功率区间,功率区间/>的温度数据中大于/>的温度数据的温度残差设置为对应温度数据与/>的差值,即对应温度数据减去获得的差值。
应当理解的是,上述温度残差的设置方式可以进行组合,示例性的,将每个功率区间的温度数据中大于或等于最小温度阈值并小于或等于最大温度阈值的温度数据的温度残差设置为0,将每个功率区间的温度数据中小于最小温度阈值的温度数据的温度残差设置为对应温度数据与最小温度阈值的差值,并且,将每个功率区间的温度数据中大于最大温度阈值的温度数据的温度残差设置为对应温度数据与最大温度阈值的差值。
在步骤S24中、基于预设的滑动窗口对每个功率区间的温度残差进行截取,获得多个残差段。
需要说明的是,在步骤S24中,每个功率区间获得多个残差段。
在一些实施例中,滑动窗口的宽度和/或移动步长固定,例如,滑动窗口的宽度L为72,移动步长S为6。
在一些实施例中,滑动窗口的宽度和/或移动步长可设定,例如,用户可通过界面对滑动窗口的宽度和/或移动步长进行设定。
示例性的,通过步骤S2获得功率区间的温度残差/>,使用宽度为L的滑动窗口对温度残差进行截取,滑动窗口的移动步长为S,最终每个功率区上得到/>个长度为L的残差段/>,其中,t=1,2,…,L,K=1,2,…,/>,n为第i个功率区间中的温度残差/>的数量。
使用L=72, S=6的滑动窗口进行截取,共得到831个残差段,为后续贝叶斯因子计算提供数据。
在步骤S25中、确定每个残差段的贝叶斯因子。
具体的,步骤S25可包括如下步骤:
(1)、计算每个残差段中的温度残差的第一均值和第一标准差;
示例性的,功率区间中的第k个残差段的第一均值/>的计算公式如下:
(3);
标准差的计算公式如下:
(4)。
可以直接使用上述公式(3)、(4)计算获得的结果作为第一均值和第一标准差,也可以对上述公式(3)、(4)计算获得的结果进行修正,将修正后的结果作为第一均值和第一标准差。
(2)、基于每个残差段的第一均值和第一标准差,确定该残差段的贝叶斯因子。
其中,当第一标准差不为0时,功率区间/>中的第k个残差段的贝叶斯因子计算公式如下:
(5);
当第一标准差不为0时,可使用上述公式(5)计算获得的结果作为功率区间中的第k个残差段的贝叶斯因子,也可对上述公式(5)计算获得的结果进行修正,将修正后的结果作为功率区间/>中的第k个残差段的贝叶斯因子。
当第一标准差为0时,功率区间/>中的第k个残差段的贝叶斯因子/>计算公式如下:
(6);
当第一标准差为0时,可使用上述公式(6)计算获得的结果作为功率区间/>中的第k个残差段的贝叶斯因子,也可对上述公式(6)计算获得的结果进行修正,将修正后的结果作为功率区间/>中的第k个残差段的贝叶斯因子。
在步骤S26中、基于每个残差段的贝叶斯因子,评估风力发电机组的健康状态。
可仅基于每个残差段的贝叶斯因子,评估风力发电机组的健康状态,也可基于每个残差段的贝叶斯因子,确定该残差段的置信度,再基于置信度,评估风力发电机组的健康状态。
示例性的,在一些实施例中,仅基于每个残差段的贝叶斯因子,评估风力发电机组的健康状态,具体可包括如下步骤:比较当前残差段的贝叶斯因子与预设因子阈值的大小,若当前残差段的贝叶斯因子大于或等于预设因子阈值,则判断风力发电机组在当前残差段对应的时刻处于健康状态;若当前残差段的贝叶斯因子小于预设因子阈值,则判断风力发电机组在当前残差段对应的时刻出现故障。
其中,预设因子阈值的大小可以根据需要设定,本实施例中,预设因子阈值与预设置信度阈值相对应,其中,当当前残差段的置信度大于或等于预设置信度阈值时,表明风力发电机组在该当前残差段对应的时刻处于健康状态;当当前残差段的置信度小于预设置信度阈值时,表明风力发电机组在该当前残差段对应的时刻出现故障。
预设置信度阈值的大小可根据需要设定,本申请实施例中,预设置信度阈值大于或等于50%,并小于或等于80%,如50%、60%、70%或者80%等等。
在另外一些实施例中,请参见图3,基于每个残差段的贝叶斯因子,评估风力发电机组的健康状态可包括如下步骤:
步骤S31、基于每个残差段的贝叶斯因子,确定对应的置信度;
示例性的,功率区间中的第k个残差段的置信度/>计算公式如下:
(7)。
可使用上述公式(7)计算获得的结果作为功率区间中的第k个残差段的置信度,也可对上述公式(7)计算获得的结果进行修正,将修正后的结果作为功率区间/>中的第k个残差段的置信度。
步骤S32、基于每个置信度,或者每个置信度及对应的贝叶斯因子,评估风力发电机组的健康状态。
可选地,比较当前残差段的置信度与预设置信度阈值的大小,若当前残差段的置信度大于或等于预设置信度阈值,则判断风力发电机组在当前残差段对应的时刻处于健康状态;若当前残差段的置信度小于预设置信度阈值,则判断风力发电机组在当前残差段对应的时刻出现故障。示例性的,当当前残差段的置信度小于50%的时候认为风力发电机组在当前残差段对应的时刻的健康概率不足50%,出现故障。
可选地,比较当前残差段的置信度与预设置信度阈值的大小以及比较当前残差段的贝叶斯因子与预设因子阈值的大小,若当前残差段的置信度均大于或等于预设置信度阈值,且当前残差段的贝叶斯因子均大于或等于预设因子阈值,则判断风力发电机组在当前残差段对应的时刻处于健康状态;若当前残差段的置信度小于预设置信度阈值和/或当前残差段的贝叶斯因子小于预设因子阈值,则判断风力发电机组在当前残差段对应的时刻出现故障。
与目前的分功率段温度阈值法关心单个数据点是否超限不同,贝叶斯假设检验方法根据一段时间内的温度数据的整体分布对风力发电机组的健康状态进行评估,可以有效消除由于个别异常点引起的虚假报警,降低误报率。
可选地,在基于每个残差段的贝叶斯因子,评估风力发电机组的健康状态之后,还包括:输出评估结果,其中,评估结果用于指示风力发电机组的健康状态,用户可通过评估结果获得风力发电机组的健康状态。可选地,当评估结果指示风力发电机组出现故障时,评估结果还包括风力发电机组出现故障的时间信息。
需要说明的是,当温度数据包括多种类型时,如温度数据包括主轴承温度、齿轮箱驱动端轴承温度、齿轮箱非驱动端轴承温度、齿轮箱油温度、齿轮箱冷却水温度、齿轮箱回油温度、发电机绕组温度、发电机驱动端轴承温度、发电机非驱动端轴承温度、发动机冷却水温度、变频器电抗温度、变频器电容温度以及变频器功率开关器件温度,需要对每种类型的温度数据分别进行上述步骤S22~S26的操作,从而达到对对应类型的机组部件进行监测的目的。
在一可行的实施例中,某额定功率4MW的风力发电机组,需要监测齿轮箱前轴承(即温度数据包括齿轮箱前轴承温度)是否故障,将风力发电机组有功功率作为区间划分的依据,从0-4MW从小到大平均划分成5个区间,划分的区间见表1所示。
表1、某4MW风力发电机组有功功率区间划分
然后,分别以风力发电机组有功功率每个采样时刻的有功功率大小为依据,将齿轮箱前轴承温度划分到各功率区间(i=1,2,…5),即将齿轮箱前轴承温度划分为5个功率区间。
在上述功率区间划分的基础上,进行齿轮箱前轴承温度在功率区间内的最大温度阈值、最小温度阈值确定。图1为功率区间/>内的齿轮箱前轴承温度,数据量共5000个,计算得到第二均值/>和第二标准差/>得到:/>。所以齿轮箱前轴承温度在在功率区间/>阈值范围为[-20.86/>,55.62/>],若基于目前的分功率段温度阈值法评估风力发电机组的健康状态,结果如图1所示,可以发现,除2017年11月11日发生实际故障之外,由于数据中的不确定性在正常运行阶段同样出现了大量的虚假报警,误报率过高。
采用贝叶斯假设检验方法评估风力发电机组的健康状态,对于功率区间内的齿轮箱前轴承温度,在[-20.86/>,55.62/>]范围内的齿轮箱前轴承温度对应温度残差归为0,小于-20.86/>的齿轮箱前轴承温度对应温度残差为齿轮箱前轴承温度减去-20.86获得的差值,大于55.62/>的齿轮箱前轴承温度对应温度残差为齿轮箱前轴承温度减去55.62/>获得的差值。
接着,对功率区间内的齿轮箱前轴承温度的温度残差使用L=72,步长S=6的滑动窗口进行截取,共得到831个残差段,为后续置信度计算提供数据。
计算结果如图4(横坐标为时间信息,纵坐标为置信度)所示,可以看到在正常运行阶段,置信度始终大于80%,说明齿轮箱前轴承正常运行,在齿轮箱前轴承实际故障时段2017年11月11日,齿轮箱前轴承的置信度突然下降至17.71%,低于50%,说明齿轮箱前轴承出现异常,贝叶斯假设检验方法评估风力发电机组的健康状态能够进行准确报警,相比传统分功率段温度阈值法评估风力发电机组的健康状态,贝叶斯假设检验方法评估风力发电机组的健康状态在健康运行时段不易出现虚假报警,具有更低的误报率。
请参见图5,本申请实施例还提供一种风力发电机组的健康状态评估装置,包括一个或多个处理器,用于实现第一方面中任一项的健康状态评估方法。
健康状态评估装置的实施例可以应用在风力发电机组上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在风力发电机组的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图5所示,为本申请健康状态评估装置所在风力发电机组的一种硬件结构图,除了图5所示的处理器、内部总线、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的风力发电机组通常根据该风力发电机的实际功能,还可以包括其他硬件,对此不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例还提供一种风力发电机组的健康状态评估装置,包括:
数据获取模块,用于获取SCADA***采集的风力发电机组的SCADA数据,所述SCADA数据包括多个数据组,每个数据组包括同一时刻下的所述风力发电机组的功率数据和温度数据;
区间划分模块,用于基于所述功率数据,将所述多个数据组划分成不同的功率区间,每个功率区间包括至少一个所述数据组;
残差确定模块,用于基于每个功率区间的温度数据,确定每个功率区间中的每个温度数据对应的温度残差;
残差截取模块,用于基于预设的滑动窗口对每个功率区间的温度残差进行截取,获得多个残差段;
评估模块,用于确定每个残差段的贝叶斯因子,并基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态。
本申请实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现如上任一实施例所述的健康状态评估方法。
所述计算机可读存储介质可以是前述任一实施例所述的风力发电机组的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括风力发电机组的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述风力发电机组所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (15)
1.一种风力发电机组的健康状态评估方法,其特征在于,所述方法包括:
获取SCADA***采集的风力发电机组的SCADA数据,所述SCADA数据包括多个数据组,每个数据组包括同一时刻下的所述风力发电机组的功率数据和温度数据;
基于所述功率数据,将所述多个数据组划分成不同的功率区间,每个功率区间包括至少一个所述数据组;
基于每个功率区间的温度数据,确定每个功率区间中的每个温度数据对应的温度残差;其中,所述基于每个功率区间的温度数据,确定每个功率区间中的每个温度数据对应的温度残差包括:将每个功率区间的温度数据中大于或等于最小温度阈值并小于或等于最大温度阈值的温度数据的温度残差设置为第一残差值;将每个功率区间的温度数据中小于最小温度阈值的温度数据的温度残差设置为对应温度数据与最小温度阈值的差值;将每个功率区间的温度数据中大于最大温度阈值的温度数据的温度残差设置为对应温度数据与最大温度阈值的差值;
基于预设的滑动窗口对每个功率区间的温度残差进行截取,获得多个残差段;
确定每个残差段的贝叶斯因子;
基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态。
2.根据权利要求1所述的风力发电机组的健康状态评估方法,其特征在于,所述基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态,包括:
比较当前残差段的贝叶斯因子与预设因子阈值的大小,若所述当前残差段的贝叶斯因子大于或等于所述预设因子阈值,则判断所述风力发电机组在所述当前残差段对应的时刻处于健康状态;
若所述当前残差段的贝叶斯因子小于所述预设因子阈值,则判断所述风力发电机组在所述当前残差段对应的时刻出现故障。
3.根据权利要求1所述的风力发电机组的健康状态评估方法,其特征在于,所述基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态,包括:
基于每个残差段的贝叶斯因子,确定对应的置信度;
基于每个置信度,或者每个置信度及对应的贝叶斯因子,评估所述风力发电机组的健康状态。
4.根据权利要求3所述的风力发电机组的健康状态评估方法,其特征在于,所述基于每个置信度,或者每个置信度及对应的贝叶斯因子,评估所述风力发电机组的健康状态,包括:
比较当前残差段的置信度与预设置信度阈值的大小,若所述当前残差段的置信度大于或等于所述预设置信度阈值,则判断所述风力发电机组在所述当前残差段对应的时刻处于健康状态;若所述当前残差段的置信度小于所述预设置信度阈值,则判断所述风力发电机组在所述当前残差段对应的时刻出现故障;或者,
比较当前残差段的置信度与预设置信度阈值的大小以及比较当前残差段的贝叶斯因子与预设因子阈值的大小,若当前残差段的置信度均大于或等于所述预设置信度阈值,且当前残差段的贝叶斯因子均大于或等于所述预设因子阈值,则判断所述风力发电机组在所述当前残差段对应的时刻处于健康状态;若所述当前残差段的置信度小于所述预设置信度阈值和/或所述当前残差段的贝叶斯因子小于所述预设因子阈值,则判断所述风力发电机组在所述当前残差段对应的时刻出现故障。
5.根据权利要求1所述的风力发电机组的健康状态评估方法,其特征在于,所述确定每个残差段的贝叶斯因子,包括:
计算每个残差段中的温度残差的第一均值和第一标准差;
基于每个残差段的第一均值和第一标准差,确定该残差段的贝叶斯因子。
6.根据权利要求1所述的风力发电机组的健康状态评估方法,其特征在于,所述滑动窗口的宽度和/或移动步长固定。
7.根据权利要求1所述的风力发电机组的健康状态评估方法,其特征在于,所述滑动窗口的宽度和/或移动步长可设定。
8.根据权利要求1所述的风力发电机组的健康状态评估方法,其特征在于,所述基于每个功率区间的温度数据,确定每个功率区间中的每个温度数据对应的温度残差,包括:
基于每个功率区间的温度数据,确定该功率区间中的温度数据的第二均值和第二标准差;
基于每个功率区间中的温度数据的第二均值及所述第二标准差,确定该功率区间中的每个温度数据对应的温度残差。
9.根据权利要求8所述的风力发电机组的健康状态评估方法,其特征在于,所述基于每个功率区间中的温度数据的第二均值及所述第二标准差,确定该功率区间中的每个温度数据对应的温度残差,包括:
基于每个功率区间中的温度数据的第二均值、所述第二标准差及预设系数,确定该功率区间的最大温度阈值及最小温度阈值。
10.根据权利要求9所述的风力发电机组的健康状态评估方法,其特征在于,所述预设系数大于或等于2,并小于或等于5。
11.根据权利要求1所述的风力发电机组的健康状态评估方法,其特征在于,所述温度数据包括所述风力发电机组的主轴承温度、齿轮箱驱动端轴承温度、齿轮箱非驱动端轴承温度、齿轮箱油温度、齿轮箱冷却水温度、齿轮箱回油温度、发电机绕组温度、发电机驱动端轴承温度、发电机非驱动端轴承温度、发动机冷却水温度、变频器电抗温度、变频器电容温度、变频器功率开关器件温度中的一种。
12.根据权利要求1所述的风力发电机组的健康状态评估方法,其特征在于,所述基于每个残差段的贝叶斯因子,评估所述风力发电机组的健康状态之后,还包括:
输出评估结果,所述评估结果用于指示所述风力发电机组的健康状态。
13.根据权利要求12所述的风力发电机组的健康状态评估方法,其特征在于,当所述评估结果指示所述风力发电机组出现故障时,所述评估结果还包括所述风力发电机组出现故障的时间信息。
14.一种风力发电机组的健康状态评估装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-13中任一项所述的健康状态评估方法。
15.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1-13中任一项所述的健康状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518023.1A CN113312758B (zh) | 2021-05-12 | 2021-05-12 | 风力发电机组的健康状态评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518023.1A CN113312758B (zh) | 2021-05-12 | 2021-05-12 | 风力发电机组的健康状态评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113312758A CN113312758A (zh) | 2021-08-27 |
CN113312758B true CN113312758B (zh) | 2023-07-25 |
Family
ID=77373116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110518023.1A Active CN113312758B (zh) | 2021-05-12 | 2021-05-12 | 风力发电机组的健康状态评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113312758B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2928833A1 (en) * | 2013-11-04 | 2015-05-07 | Nextnav, Llc | Determining calibrated measurements of pressure for different sensors |
CN104131950B (zh) * | 2014-07-24 | 2017-02-01 | 重庆大学 | 一种风电机组温度特征量的阈值分区确定方法 |
CN108763048B (zh) * | 2018-06-05 | 2021-01-19 | 西安交通大学 | 一种基于粒子滤波的硬盘故障预警与可靠性评估方法 |
CN110703025A (zh) * | 2019-10-18 | 2020-01-17 | 重庆大学 | 一种风电变流器igbt功率模块健康状态异常识别方法 |
-
2021
- 2021-05-12 CN CN202110518023.1A patent/CN113312758B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113312758A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11460005B2 (en) | Condition monitoring system and wind turbine generation apparatus | |
CN110991666B (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
Yang | A condition-based failure-prediction and processing-scheme for preventive maintenance | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及*** | |
CN116433009A (zh) | 一种用于变电设备的异常监测方法、装置及存储介质 | |
CN110689141B (zh) | 风力发电机组的故障诊断方法及设备 | |
EP2166422B1 (en) | Method of alarm mask generation and condition monitoring of wind turbines | |
CN116593811B (zh) | 一种集成型变频器运行状态监测***及监测方法 | |
US10895873B2 (en) | Machine health monitoring of rotating machinery | |
US20130173215A1 (en) | Adaptive trend-change detection and function fitting system and method | |
US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
CN113586239B (zh) | 发动机故障诊断方法、装置、控制器和存储介质 | |
CN114994543A (zh) | 储能电站电池故障诊断方法、装置及存储介质 | |
CN111504450A (zh) | 一种设备故障报警方法及装置 | |
US20220156586A1 (en) | System for monitoring a circuit breaker | |
CN113312758B (zh) | 风力发电机组的健康状态评估方法和装置 | |
CN113219337B (zh) | 电池劣化判断***、方法以及存储有程序的非临时性存储介质 | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
CN113468818B (zh) | 风力发电机组的绕组运行状态监测方法和装置 | |
CN115144172A (zh) | 一种基于声音的gis断路器故障在线监测***及方法 | |
JP7415654B2 (ja) | 電池監視システム | |
CN114488994A (zh) | 一种提升车辆故障诊断鲁棒性的优化方法及装置 | |
JP7437163B2 (ja) | 診断装置、診断方法およびプログラム | |
CN111045875B (zh) | 车辆事故检测方法及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |