[發(fā)明專利]基于多模型組合的風(fēng)電機(jī)組故障預(yù)警方法

在審

• 申請?zhí)枺?/td>: 202010584859.7
• 申請日: 2020-06-22
• 公開（公告）號: CN111798650A
• 公開（公告）日: 2020-10-20
• 發(fā)明（設(shè)計）人: 李洋;許宜菲;崔愷;安平;李志強(qiáng);李雪松;孫佳;閻磊;馬良玉;劉衛(wèi)亮
• 申請（專利權(quán)）人: 河北新天科創(chuàng)新能源技術(shù)有限公司
• 主分類號: G08B31/00
• 分類號: G08B31/00;G06Q10/04;G06F30/27;G06N3/08;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于多模型組合的風(fēng)電機(jī)組故障預(yù)警方法，所述方法首先采集大量風(fēng)速、槳距角、轉(zhuǎn)矩設(shè)定、中軸線與風(fēng)向夾角的SCADA、功率的歷史數(shù)據(jù)，采用多種神經(jīng)網(wǎng)絡(luò)方法，分別建立風(fēng)電機(jī)組啟動?停機(jī)的全工況功率預(yù)測子模型；其次，基于數(shù)據(jù)滑動窗口，利用功率預(yù)測子模型計算功率預(yù)測值時間序列，計算運(yùn)行狀態(tài)指標(biāo)；再次，采用核密度估計方法計算運(yùn)行狀態(tài)指標(biāo)的概率密度函數(shù)，從而確定故障預(yù)警命題的基本概率分配函數(shù)；最終，采用證據(jù)理論，對多個功率預(yù)測子模型的預(yù)警結(jié)果進(jìn)行融合，并將融合結(jié)果與設(shè)定的預(yù)警閾值進(jìn)行比較，得出故障預(yù)警結(jié)論。本發(fā)明可實(shí)現(xiàn)風(fēng)電機(jī)組的全工況故障預(yù)警，并能夠有效提高故障預(yù)警結(jié)果的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種風(fēng)電機(jī)組故障預(yù)警方法，屬于發(fā)電技術(shù)領(lǐng)域。

背景技術(shù)

隨著全球能源危機(jī)的不斷加劇，可再生能源發(fā)電越來越受到人們的重視。風(fēng)力發(fā)電因清潔無污染、建設(shè)周期短等諸多優(yōu)勢，已成為當(dāng)前可再生能源發(fā)電的主要方向之一。隨著風(fēng)電機(jī)組單機(jī)容量不斷增加，裝機(jī)區(qū)位逐漸向更加偏遠(yuǎn)的陸地、海洋地區(qū)發(fā)展，如何降低風(fēng)電機(jī)組的運(yùn)營維護(hù)成本，是風(fēng)電領(lǐng)域亟待解決的難題。

風(fēng)電機(jī)組故障預(yù)警方法是指基于風(fēng)電機(jī)組當(dāng)前與歷史的運(yùn)行數(shù)據(jù)，檢測其是否存在潛在故障的方法。依據(jù)數(shù)據(jù)來源，可分為基于振動數(shù)據(jù)的故障預(yù)警方法、基于SCADA數(shù)據(jù)的故障預(yù)警方法以及基于其他信號源(如超聲波裝置、紅外成像儀等)的故障預(yù)警方法。其中，因振動傳感器、超聲波裝置、紅外成像儀等設(shè)備的購置與安裝成本較高，導(dǎo)致基于該類數(shù)據(jù)的故障預(yù)警方法在實(shí)際應(yīng)用中受限。相對而言，SCADA系統(tǒng)已經(jīng)在風(fēng)電場中獲得了廣泛應(yīng)用，可提供較為完備的機(jī)組運(yùn)行歷史數(shù)據(jù)，因而基于SCADA數(shù)據(jù)的故障預(yù)警方法更適合于工程應(yīng)用，成為當(dāng)前風(fēng)電機(jī)組故障預(yù)警的主流方法。

但是，由于SCADA數(shù)據(jù)具有采樣頻率偏低、存在缺失值和異常值、冗余信息多、常態(tài)數(shù)據(jù)多而故障數(shù)據(jù)少等諸多缺點(diǎn)，導(dǎo)致基于SCADA數(shù)據(jù)的故障預(yù)警方法普遍存在預(yù)警精度低的問題。此外，已有基于SCADA數(shù)據(jù)的故障預(yù)警方法均適用于風(fēng)電機(jī)組的單一工況運(yùn)行場景或者部分工況運(yùn)行場景，尚不適用于風(fēng)電機(jī)組全工況運(yùn)行場景。

發(fā)明內(nèi)容

針對現(xiàn)有基于SCADA數(shù)據(jù)的故障預(yù)警方法的不足之處，本發(fā)明提供一種基于多模型組合的風(fēng)電機(jī)組故障預(yù)警方法，包括以下主要步驟：

步驟1.采集大量風(fēng)速、槳距角、轉(zhuǎn)矩設(shè)定、中軸線與風(fēng)向夾角的SCADA、功率的歷史數(shù)據(jù)，采用多種神經(jīng)網(wǎng)絡(luò)方法，分別建立風(fēng)電機(jī)組啟動-停機(jī)的全工況功率預(yù)測子模型；

步驟2.基于數(shù)據(jù)滑動窗口，利用功率預(yù)測子模型計算功率預(yù)測值時間序列，計算運(yùn)行狀態(tài)指標(biāo)；

步驟3.基于歷史運(yùn)行數(shù)據(jù)，針對每一功率預(yù)測子模型，計算大量運(yùn)行狀態(tài)指標(biāo)值樣本，采用核密度估計方法計算運(yùn)行狀態(tài)指標(biāo)的概率密度函數(shù)；

步驟4.利用每一功率預(yù)測子模型，計算當(dāng)前運(yùn)行狀態(tài)指標(biāo)值，并基于概率密度函數(shù)，確定故障預(yù)警命題集合中各命題的基本概率分配函數(shù)；

步驟5.采用證據(jù)理論對多個功率預(yù)測子模型的預(yù)警結(jié)果進(jìn)行融合；

步驟6.將融合結(jié)果與設(shè)定的預(yù)警閾值進(jìn)行比較，得出故障預(yù)警結(jié)論。

下面對上述步驟進(jìn)行詳細(xì)描述。

步驟1.采集大量風(fēng)速、槳距角、轉(zhuǎn)矩設(shè)定、中軸線與風(fēng)向夾角的SCADA、功率的歷史數(shù)據(jù)，采用多種神經(jīng)網(wǎng)絡(luò)方法，分別建立風(fēng)電機(jī)組啟動-停機(jī)的全工況功率預(yù)測子模型；

本發(fā)明所建立的功率預(yù)測子模型包括Elman神經(jīng)網(wǎng)絡(luò)子模型、BP神經(jīng)網(wǎng)絡(luò)子模型與GRNN神經(jīng)網(wǎng)絡(luò)子模型；

采集大量風(fēng)電機(jī)組SCADA系統(tǒng)所記錄的風(fēng)速V、槳距角θ、轉(zhuǎn)矩設(shè)定T、中軸線與風(fēng)向夾角α的歷史數(shù)據(jù)，針對每一神經(jīng)網(wǎng)絡(luò)，構(gòu)造樣本集D，