[發明專利]一種基于完全數據風電機組故障診斷方法

有效

• 申請號: 202110467308.7
• 申請日: 2021-04-28
• 公開（公告）號: CN113361186B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王小利;劉宜榮;王桂爍;蔣保臣;呂杰超
• 申請（專利權）人: 山東大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/214;G06F18/24;G06F18/2415;G06Q10/04;G06Q10/0639;G06Q50/06;G06F111/08;G06F113/06
• 代理公司: 威海科星專利事務所 37202
• 代理人: 孫小棟

本發明涉及一種基于完全數據風電機組故障診斷方法，其解決了如何準確地診斷和預估風電機組的故障及其發展趨勢，及早發現潛在故障征兆的技術問題。本發明從風場SCADA系統數據提純出健康數據樣本，使用經過貝葉斯優化算法BOA調參的極端梯度提升決策樹XGBoost算法搭建了故障診斷模型，完成了從SCADA系統監測數據到故障特征的直觀映射，根據故障的特征監測參數權重，設計了一種基于多特征監測參數信息融合的風電機組狀態監測方案。該方案將不同來源、不同尺度的特征參數根據特征權重融合成機組運行狀態指標，通過實時監測機組運行狀態指標是否超過故障閾值來判斷機組是否出現早期故障特征。

技術領域

本發明涉及風力發電技術領域，具體而言，涉及一種基于完全數據風電機組故障診斷方法。

背景技術

近年來，隨著全球生態環境的持續惡化以及化石燃料的逐漸枯竭，利用風能進行發電逐漸成為世界各國取代傳統發電方式的一種新型發電方式。由于機組多安裝在高山、荒野、海島甚至海上等風能資源豐富的偏遠地區，常年受極端溫差的影響和強陣風的無序沖擊，導致其故障率遠高于其他機電設備。傳統的風電場機組維護策略高度依賴定期常規檢修和事后維修，僅能處理部分風場監控系統警告，加之調配備件周期長，導致大型風電場的故障維護成本居高不下，對風電場運維經濟性影響巨大。風電機組結構的復雜性、運行工況的多變性以及不同部件之間的耦合性，都使得其故障頻發，甚至出現連鎖現象，引發風電燒毀、倒塌等重大事故。目前，大型風場使用監控和數據采集(Supervisory?Control?andData?Acquisition,SCADA)系統監控風機組運行狀態。

因此，如何準確地診斷和預估風電機組的故障及其發展趨勢，及早發現潛在故障征兆，以便制定最優的維修策略、降低故障率、保證風電機組安全高效運行，通過故障趨勢預警來防止重大事故的發生，從而避免重大財產損失、保障人身及設備安全，是本領域技術人員亟待解決的技術問題。

發明內容

本發明就是為了解決如何準確地診斷和預估風電機組的故障及其發展趨勢，及早發現潛在故障征兆的技術問題，提供了一種基于完全數據風電機組故障診斷方法。

本發明采用BOA-XGBoost算法搭建多個故障特征參數的常態回歸模型，實時每個計算特征參數的重構誤差；然后，將不同來源、不同尺度的特征參數根據特征權重融合成機組運行狀態指標，從眾多監測參數中得到了對風電機組運行態勢的一致性表述。

本發明公開的基于完全數據風電機組故障診斷方法，包括以下步驟：

第一步，從SCADA系統中獲取風電機組健康數據樣本；

第二步，通過BOA-XGBoost算法訓練多分類模型；

(1)設置XGBoost算法的超參數空間，即各類超參數的尋優范圍；

(2)確定超參數與分類準確率的先驗分布；

(3)通過BOA算法尋優，首先從上一步得到的原始先驗開始，使用高斯過程作為概率函數代理未知最優參數；然后使用采集函數圍繞當前已找到的最優超參數組合從參數空間中選取未評估過的超參數組合，通過迭代增加信息量、不斷修正先驗；最后在迭代結束后，選取準確率最高模型的超參數即為最優超參數組合，最終使用最優超參數組合訓練分類模型得到最終模型；

第三步，通過多分類模型確定每種故障的特征檢測參數；

第四步，搭建各特征監測參數的回歸預測模型，計算預測殘差值；

第五步，設定動態故障閾值；

(1)設置窗口大小，選取能反映原始數據集特征的最小數據子集作為滑動窗口；

(2)選取滑動窗口內的數據，根據式(2-10)計算窗口數據內的閾值。