一种风电机组变桨系统的故障预警方法及系统与流程

本发明涉及风电机组变桨系统，具体涉及一种风电机组变桨系统的故障预警方法及系统。

背景技术

变桨系统是风力发电机组中控制算法复杂、设备故障率较高的子系统。当风电机组正常运行时，监视控制与数据采集(supervisorycontrolanddataacquisition，scada)系统会周期性的采集和存储变桨系统提供的参数数据，当风电机组出现故障停机时，scada系统会显示出具体的故障信息。

但是，scada数据故障代码往往过于琐碎抽象不具备可读性，另外，仅通过人工经验无法找到故障代码与风电机组变桨系统实际故障之间的关系，无法实现迅速定位故障类别的目的，更无法利用预警信息确认检修方式或及时有效地恢复生产。此外，如果能够根据具体故障信息，同时参考变桨系统参数的异常变化，提前预警故障，对于提升机组可利用率及机组发电性能有着积极重要的意义。

申请号：cn201510176577.2，公开日期：2015.07.29，名称为一种风电机组变桨系统的故障预警方法及系统中国专利披露了一种风电机组变桨系统的故障预警方法，其通过采集各个风电场中风力发电机组的实时运行参数、温度数据，从采集的数据中读取风电机组变桨系统相关联的运行数据，经过数据预处理，将包括数据有效性判断在内的数据进行归一化处理，随后进行特征提取，最终构造预警算法模型。

上述专利全部依赖机器学习算法对现有数据进行信息提取，无法将已知的实际经验和风电机组的物理特性知识融入其中。另外，在预警方式上过于简单，该发明用预测数据和当前数据的偏差值作为参考，没有考虑突发影响和其他参数作用下的正常温度变化，未考虑超阈值报警率的问题，容易造成较高的误报频率。

因此，需要提出一种新的风电机组变桨系统故障预警方法，来弥补现有技术的不足。

技术实现要素：

鉴于现有技术的scada数据故障代码往往过于琐碎抽象不具备可读性，另外，仅通过人工经验无法找到故障代码与风电机组变桨系统实际故障之间的关系，无法实现迅速定位故障类别的目的，更无法利用预警信息确认检修方式或及时有效地恢复生产，为解决上述技术问题，本发明提供一种风电机组变桨系统的故障预警方法，还提供一种风电机组变桨系统的故障预警系统。

本发明提供一种风电机组变桨系统的故障预警方法，其方法包括步骤：a、预处理监视控制系统中的故障数据；b、基于故障数据，建立故障样本集；c、扫描故障样本集，确定fp-tree-0频繁模式树；d、利用fp-tree-0频繁模式树，挖掘故障代码；e、基于故障代码，确定故障发生模式，实现故障预警。

进一步，步骤b包括：根据原始数据和故障数据构建的故障代码数据库确定所述故障样本集。

进一步，步骤c包括：c1、基于采样频率和故障的发生频率，设定最小支持度和最小可信度；c2、扫描故障样本集，得到降序排列的频繁项集；c3、定义根节点，依次扫描所述频繁项集，构造频繁模式树；c4、对频繁模式树自下而上挖掘频繁项，构建具有挖掘价值的叶子节点的条件模式基；c5、确定设有共同根节点和具有挖掘价值的叶子节点的fp-tree-0频繁模式树。

进一步，步骤d包括；以频繁模式树的叶子节点为中心，利用apriori算法挖掘故障代码。

进一步，所述利用apriori算法挖掘故障代码，进一步d3包括如下步骤：提取挖掘故障代码对应时刻的关键参数，对关键参数进行数据预处理，将数值型数据转化为布尔类型；利用apriori算法逐层搜索迭代故障代码。

关键参数包括：风电机组scada变桨系统的故障代码列表及其释义、历史数据、维护及维修记录。

进一步，步骤e包括：根据实时故障代码发生规律和故障发生规则，确定故障发生模式，实现故障预警。

本发明提供一种风电机组变桨系统的故障预警系统，其故障预警系统包括：预处理模块，预处理监视控制系统中的故障数据；故障样本集模块，基于故障数据，建立故障样本集；频繁模式树模块，扫描故障样本集，确定fp-tree-0频繁模式树；挖掘模块，利用fp-tree-0频繁模式树，挖掘故障代码；执行模块，基于故障代码，确定故障发生模式，实现故障预警。

与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：

1、本发明在不额外增加成本的前提下，通过机器学习方法中关联规则挖掘的相关算法，给出scada故障信息与实际故障发生之间的关联关系，根据所得故障发生模式对变桨系统即将发生的故障进行预警。

2、本发明涉及对风电机组scada系统所采集的变桨系统故障代码进行统计分析，并利用关联规则挖掘的方法，找到系统故障代码发生频率与变桨系统真实故障之间的关系，从而达到对风电机组变桨系统进行故障预警的目的。

3、本发明的fp-树频繁集算法的特点决定了其可以有效地在极大量的数据中确定关联关系，对于处理风电机组日常scada数据中大量的故障代码有极高效率。

4、本发明在确定的频繁模式树后，利用经典apriori算法可以简单明确地挖掘故障代码对应时刻间关键参数的关联关系，数据库被极大的精简，有效提高了计算效率。

附图说明

图1为本发明的设计流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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它实施例，都属于本发明保护的范围。

如图1所示，本发明的故障预警方法包括步骤：a.预处理监视控制系统中的故障数据；b.基于故障数据，建立故障样本集；c.扫描故障样本集，确定fp-tree-0频繁模式树；d.利用fp-tree-0频繁模式树，挖掘故障代码；e.基于故障代码，确定故障发生模式，实现故障预警。

步骤b包括：根据原始数据和故障数据构建的故障代码数据库确定故障样本集。

步骤c包括：

c1、基于采样频率和故障的发生频率，设定最小支持度和最小可信度；

c2、扫描故障样本集，得到降序排列的频繁项集；

c3、定义根节点，依次扫描频繁项集，构造频繁模式树；

c4、对频繁模式树自下而上挖掘频繁项，构建具有挖掘价值的叶子节点的条件模式基；

c5、确定设有共同根节点和具有挖掘价值的叶子节点的fp-tree-0频繁模式树。

步骤d包括；

以fp-tree-0频繁模式树的叶子节点为中心，利用apriori算法挖掘故障代码。

利用apriori算法挖掘故障代码，进一步包括如下步骤：

提取所述挖掘故障代码对应时刻的关键参数，对关键参数进行数据预处理，将数值型数据转化为布尔类型；

利用apriori算法逐层搜索迭代故障代码。

关键参数包括：风电机组scada变桨系统的故障代码列表及其释义、历史数据、维护及维修记录。

骤e包括：根据实时故障代码发生规律和故障发生规则，确定故障发生模式，实现故障预警。

本发明的故障预警系统包括：预处理模块，预处理监视控制系统中的故障数据；故障样本集模块，基于故障数据，建立故障样本集；频繁模式树模块，扫描所述故障样本集，确定fp-tree-0频繁模式树；挖掘模块，利用fp-tree-0频繁模式树，挖掘故障代码；执行模块，基于故障代码，确定故障发生模式，实现故障预警。

具体实施过程如下：

首先对风电机组scada历史数据中的关键参数进行统计和处理，经过删除通讯错误时刻参数信息、存储错误时刻参数信息、停机时刻参数信息、启机时刻参数信息，得到一个相对完备的风电机组运行数据样本。此时，样本中应当包含频率足够多的变桨系统真实故障，并且已经通过查询运维记录或与风电场业主沟通，确定了发生真实故障的具体时刻及后续维护维修信息。

风电机组变桨系统故障主要分为：变桨角度故障、变桨转矩故障、变桨电机故障。其中变桨角度故障主要分为变桨角度异常和变桨不对称两类，变桨电机故障则主要分为变桨电机温度过高和变桨电机过流两类。根据风电机组制造商的不同，这些故障一般对应着十余种甚至几十种故障代码。

本发明在fp-树频繁集算法的基础上，通过工程师长期经验，将所有故障代码中相关性最高的提取出来，并形成一个频繁模式树(fp-tree-0)。其中，所有故障码将保留其各自的关联信息。随后，选择恰当的最小支持度(support)和恰当的最小可信度(confidence)后，以该fp-tree-0上各叶子节点信息为中心，对所有故障代码运用关联规则数据挖掘算法apriori算法，通过对数据的关联性进行了分析和挖掘，挖掘其在决策制定过程中的强关联规则。

最小支持度和最小可信度的选择与scada历史数据的采样频率、每个故障发生的频率息息相关。如果最小支持度及可信度设置过高则挖掘信息量过少，如果最小支持度和可信度设置过低则挖掘结果不清晰，不具备可理解性。为了避免缠上(产生)大量的候选集，fp-树频繁集算法和apriori算法均设计为关联规则的搜索方向为从最高频的项目组到最低频项目组。

通常来说，风电机组制造商都会依据其主控制器控制算法的特点自主定义若干参与控制的关键参数，当这些关键参数发生的变化超过预先设定的合理范围时，主控制器随即记录一条故障代码。但这些故障代码通常被记录为“编码器b超限”、“变桨电机温度t1过高”或“变桨电流i1过大”等等，只能作为当前时刻风电机组运行状态的关键变量影响下一步的运行决策，但这些故障代码所代表的与具备维修和预警条件的风电机组真实故障，如“变桨轴承磨损”、“减速器卡死或损坏”、“变桨电机堵转”等还有很大距离。

因此，本发明结合长期工程经验，依据原始记录数据量和已明确发生的故障量，如变桨齿面点蚀、变桨轴承磨损或角度编码器损坏等，对于每个故障(error1、error2…errorn)在发生前数小时内，将每个故障所有发生的故障代码(errorcode1、errorcode2…errorcodem)组成一个事件，最终形成一个包含n个事件的数据库。

依据scada历史数据中各类故障的发生频率，设定最小支持度为a，则通过一次扫描数据库即可得到一个降序排列的频繁项集。随后，定义频繁模式树(fp-tree)的根节点为root，由频繁度最高项向频繁度最低项依次扫描所有频繁项集，从而构造出一颗最小支持度为a的频繁模式树(fp-tree)。此处需要引入人工长期经验，主要用于判断此频繁模式树所包含的叶子节点是否具备挖掘价值。接下来，从下向上对fp-tree频繁模式树进行频繁项挖掘，构造所有具备挖掘价值的叶子节点的条件模式基。最终，确定一个拥有共同根节点，若干路径的fp-tree-0频繁模式树。

当通过上述方法确定了一个fp-tree-0后，该树结构中的每一条路径(条件模式基)都对应着一系列故障代码。此时，回到原始数据中，将涉及的所有故障代码所在时刻的scada运行数据提取出来，通过关键参数提取和数据预处理将数值型数据转化为布尔类型，重新构成一个新数据库后，利用apriori算法逐层搜索迭代挖掘故障代码，直至找到所有频繁项集对应时刻间关键参数的关联关系。

伴随频繁项集的产生，每一项所对应支持度(support)、可信度(confidence)以及作用度(lift)均被确定。其中，支持度描述了该组频繁项集的重要程度，可信度描述了所发现频繁项集的准确度，作用度则描述了一组频繁项集的出现对另一组频繁项集出现的影响。对频繁项集的搜索，可以通过一个确定的频繁项集对应提取出与该故障代码关系最为密切的关键参数，并确定他们之间的关联关系。

当涉及到出现频度较高但关联性不确定的一些故障代码时，可将其作为多维数据考虑，使算法同时处理多个属性之间的某些关系。但采用多维空间下的关联规则挖掘方法通常会带来算法时间和空间的大幅增加。

最终，本发明在算法所得规则空间内，结合长期经验积累经验，从机械性、电气性、逻辑性多角度出发，排除不合理结论，最终得到一套以可信度(confidence)和作用度(lift)为主要指标的风电机组变桨系统故障发生规则。

此后，通过观察实时故障代码发生规律，通过对比故障发生规则，识别故障发生模式，从而达到故障预警的目的。

发明中的核心在于样本的选取，选取样本涉及的主要参数的有：风电机组scada变桨系统故障代码列表及其释义，风电机组scada相关历史数据，相同时段内风电机组变桨系统相关的维护维修记录。

本发明的fp-树频繁集算法只需要扫描数据库两边，通过fp-tree数据结构对原始数据进行压缩，算法特点决定了其可以有效地在极大量的数据中确定关联关系，对于处理风电机组日常scada数据中大量的故障代码有极高效率。而在确定的频繁模式树中，利用经典apriori算法可以简单明确地挖掘故障代码对应时刻间关键参数的关联关系，由于此刻数据库已被极大的精简，所以不用担心计算效率问题。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。