CN114781259A - 一种风力发电机诊断方法及*** - Google Patents

一种风力发电机诊断方法及*** Download PDF

Info

Publication number
CN114781259A
CN114781259A CN202210412210.6A CN202210412210A CN114781259A CN 114781259 A CN114781259 A CN 114781259A CN 202210412210 A CN202210412210 A CN 202210412210A CN 114781259 A CN114781259 A CN 114781259A
Authority
CN
China
Prior art keywords
data
wind
multivariate time
time sequence
generating set
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
Application number
CN202210412210.6A
Other languages
English (en)
Inventor
赵海玉
仝晓芩
赵长江
孙浩
段从贵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Branch Of Huaneng New Energy Co ltd
Original Assignee
Hebei Branch Of Huaneng New Energy Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Branch Of Huaneng New Energy Co ltd filed Critical Hebei Branch Of Huaneng New Energy Co ltd
Priority to CN202210412210.6A priority Critical patent/CN114781259A/zh
Publication of CN114781259A publication Critical patent/CN114781259A/zh
Priority to DE202023101133.0U priority patent/DE202023101133U1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Sustainable Development (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Eletrric Generators (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风力发电机诊断方法及***，涉及风力发电领域。本发明包括：获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；计算多变量时间序列数据在全尺度下的FEF值；选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。本发明获取风力发电机组运行状况数据信息，结合数据分析来准确判断故障隐患，提升了故障排除效率，同时减轻维护人员的工作压力。

Description

一种风力发电机诊断方法及***
技术领域
本发明涉及风力发电领域，更具体的说是涉及一种风力发电机诊断方法及***。
背景技术
风能做为可再生能源，不仅可改善严重的环境污染问题，同时能解决化石燃料资源短缺的问题，具有代表性的风力发电技术已在全球迅速兴起。风力发电机组是风力发电的核心要素，其运行的安全性与稳定性会直接影响到风力发电效果，因此应高度重视风力发电机组的运行维护。结合风力发电机组常见故障，做好运行维护工作，提升风力发电机组运行的稳定性与可靠性，这样才能更好地满足社会发展对电能的需求。
其中，风力发电机常处于交变载荷作用下的复杂工况，其组件也会受到不同程度的影响甚至损坏，因此风力发电机的状态监测与实时故障诊断对监测预防各部件损坏、降低运营维护成本具有重大意义。
发明内容
有鉴于此，本发明提供了一种风力发电机诊断方法及***，以解决上述背景技术中存在的问题。
为了实现上述目的，本发明采用如下技术方案：
一种风力发电机诊断方法，包括以下步骤：
获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
计算多变量时间序列数据在全尺度下的FEF值；
选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
可选的，还包括对风力发电机组利用特征提取的方式进行重叠故障提取。
可选的，利用LightGBM方法对多变量时间序列数据进行处理，具体步骤如下：
LightGBM方法采用梯度单边采样算法，根据梯度值对多变量时间序列数据加以不同的采样权重，保留最大梯度的数据，并随机采样具有小梯度的数据，并保持数据原有的分布。
可选的，所述多变量时间序列数据包括风相关参数，能量参数，运行参数，温度相关的参数。
可选的，对多变量时间序列数据进行形态学处理，其中形态学算子包括膨胀运算、腐蚀运算、开运算、闭运算。
可选的，所述最优的结构元素尺度采用扁平型结构元素。
一种风力发电机诊断***，包括：
获取数据模块：用于获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
数据处理模块：用于针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
FEF值计算模块：用于计算多变量时间序列数据在全尺度下的FEF值；
形态学处理模块：用于选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
对角切片谱获取模块：用于计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
风力发电机组诊断模块：用于将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
可选的，还包括重叠故障提取模块：用于对风力发电机组利用特征提取的方式进行重叠故障提取。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种风力发电机诊断方法及***，实时获取风力发电机组运行状况数据信息，结合数据分析来准确判断故障隐患，这样可以极大地提升故障排除效率，同时减轻维护人员的工作压力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的流程示意图；
图2为本发明的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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，本领域普通技术人员在没有做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。
本发明实施例公开了一种风力发电机诊断方法，如图1所示，包括以下步骤：
获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
计算多变量时间序列数据在全尺度下的FEF值；
选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
根据上述划分规则，部分故障出现了重叠现象。几类故障的主状态编码出现的时间接近。因此，在本实施例中，对风力发电机组利用特征提取的方式进行重叠故障提取。
SCADA数据集共有63个特征，采用过滤方法进行特征选择。首先，部分温度传感器损坏，其值保持为零或负值，这类数据首先予以删除，将值近似的多个传感器用其平均值和标准差代替。其次，与风和能量、运行相关的参数，均选取平均值。最后，考虑风力发电机的各组件与温度有关的参数，包括上述变压器温度的标准差、均值以及前后轴承温度、转子温度、定子温度等。最终，共选取24个特征。
具体的，利用LightGBM方法对多变量时间序列数据进行处理，具体步骤如下：
LightGBM方法采用梯度单边采样算法，根据梯度值对多变量时间序列数据加以不同的采样权重，保留最大梯度的数据，并随机采样具有小梯度的数据，并保持数据原有的分布。
其中，多变量时间序列数据包括：
1)风相关的参数：关于风的测量数据，如最大风速、最小风速和平均风速。
2)能量参数：此类参数与能量转换过程有关，如平均输出电能、最大输出电能、最小输出电能、电力***的电流及电压等。
3)运行参数：包括叶片转角、定子和转子速度、机舱位；
4)温度相关的参数：此类参数包括风力发电机子部件(偏航***、转子、定子、塔架等)温度和风力发电机子部件、子***周围的温度。
其中，对多变量时间序列数据进行形态学处理，其中形态学算子包括膨胀运算、腐蚀运算、开运算、闭运算。
结构元素的合理选择对形态滤波的滤波性能影响巨大，结构元素主要由高度、形状和长度3个部分组成。研究表明结构元素的高度和形状对形态滤波结果的较小影响。因此，为提升计算效率，在本实施例中对多变量时间序列数据选择高度为零的扁平型结构元素。
在本实施例中还公开了一种风力发电机诊断***，如图2所示，包括：
获取数据模块：用于获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
数据处理模块：用于针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
FEF值计算模块：用于计算多变量时间序列数据在全尺度下的FEF值；
形态学处理模块：用于选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
对角切片谱获取模块：用于计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
风力发电机组诊断模块：用于将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
还包括重叠故障提取模块：用于对风力发电机组利用特征提取的方式进行重叠故障提取。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种风力发电机诊断方法，其特征在于，包括以下步骤：
获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
计算多变量时间序列数据在全尺度下的FEF值；
选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
2.根据权利要求1的一种风力发电机诊断方法，其特征在于，还包括对风力发电机组利用特征提取的方式进行重叠故障提取。
3.根据权利要求1的一种风力发电机诊断方法，其特征在于，利用LightGBM方法对多变量时间序列数据进行处理，具体步骤如下：
LightGBM方法采用梯度单边采样算法，根据梯度值对多变量时间序列数据加以不同的采样权重，保留最大梯度的数据，并随机采样具有小梯度的数据，并保持数据原有的分布。
4.根据权利要求1所述的一种风力发电机诊断方法，其特征在于，所述多变量时间序列数据包括风相关参数，能量参数，运行参数，温度相关的参数。
5.根据权利要求1所述的一种风力发电诊断方法，其特征在于，对多变量时间序列数据进行形态学处理，其中形态学算子包括膨胀运算、腐蚀运算、开运算、闭运算。
6.根据权利要求1所述的一种风力发电诊断方法，其特征在于，所述最优的结构元素尺度采用扁平型结构元素。
7.一种风力发电机诊断***，其特征在于，包括：
获取数据模块：用于获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
数据处理模块：用于针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
FEF值计算模块：用于计算多变量时间序列数据在全尺度下的FEF值；
形态学处理模块：用于选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
对角切片谱获取模块：用于计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
风力发电机组诊断模块：用于将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
8.根据权利要求7所述的一种风力发电机诊断***，其特征在于，还包括重叠故障提取模块：用于对风力发电机组利用特征提取的方式进行重叠故障提取。
CN202210412210.6A 2022-04-19 2022-04-19 一种风力发电机诊断方法及*** Pending CN114781259A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210412210.6A CN114781259A (zh) 2022-04-19 2022-04-19 一种风力发电机诊断方法及***
DE202023101133.0U DE202023101133U1 (de) 2022-04-19 2023-03-09 System zur Diagnose von einer Windkraftanlage

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210412210.6A CN114781259A (zh) 2022-04-19 2022-04-19 一种风力发电机诊断方法及***

Publications (1)

Publication Number Publication Date
CN114781259A true CN114781259A (zh) 2022-07-22

Family

ID=82431317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210412210.6A Pending CN114781259A (zh) 2022-04-19 2022-04-19 一种风力发电机诊断方法及***

Country Status (2)

Country Link
CN (1) CN114781259A (zh)
DE (1) DE202023101133U1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117514649B (zh) * 2023-12-11 2024-05-24 华北电力大学 一种风电机组健康状态监测方法及装置

Also Published As

Publication number Publication date
DE202023101133U1 (de) 2023-03-21

Similar Documents

Publication Publication Date Title
CN105134510A (zh) 一种风力发电机组变桨***的状态监测和故障诊断方法
CN111159844B (zh) 一种电站燃气轮机排气温度的异常检测方法
CN112115999B (zh) 一种时空多尺度神经网络的风电机组故障诊断方法
CN107798462A (zh) 一种风电场风力发电机组运行异常监测与性能评估***
CN106762452B (zh) 基于数据驱动的风机主控***故障诊断和在线监测方法
CN114444382B (zh) 基于机器学习算法的风电机组齿轮箱故障诊断分析方法
CN111426950A (zh) 多尺度时空卷积深度信念网络的风力发电机故障诊断方法
CN111209934A (zh) 风机故障预报警方法及***
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
CN105065212A (zh) 一种风电场风电机组校验方法及***
CN114781259A (zh) 一种风力发电机诊断方法及***
CN110222393B (zh) 基于细粒度风电发电状态划分的风机叶片结冰异常监测方法
CN115313930A (zh) 一种大型汽轮发电机励磁电流实时预测方法
CN112986821B (zh) 海上风电机组变桨电机转子断条故障诊断方法
CN113009338B (zh) 海上风电变桨电机定子匝间短路故障诊断方法
Ren et al. Machine learning applications in health monitoring of renewable energy systems
Yao et al. Power curve modeling for wind turbine using hybrid-driven outlier detection method
CN117610449A (zh) 一种基于GRA-XGBoost的风电机组入流风速估计方法
Sun et al. Wind turbine anomaly detection using normal behavior models based on SCADA data
Hao et al. A new modeling method for fault prediction of wind turbine gearbox based on partial least squares regression analysis
Han et al. Characteristic curve fitting method of wind speed and wind turbine output based on abnormal data cleaning
Liu et al. Wind turbine multi-label fault recognition based on combined feature selection and neural network
Zhang et al. Research on gas turbine early warning based on deep learning
Lin et al. Progress on the Development of a Holistic Coupled Model of Dynamics for Offshore Wind Farms: Phase I—Aero-Hydro-Servo-Elastic Model, With Drive Train Model, for a Single Wind Turbine
El Hammouchi et al. Wind Turbine Doubly-Fed Asynchronous Machine Diagnosis Defects-Part two

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