一种风力发电机组变桨系统的状态监测和故障诊断方法
【技术领域】
[0001] 本发明属于兆瓦级风力发电技术在线监测分析的技术领域，具体地涉及一种风力 发电机组变桨系统的状态监测和故障诊断方法。
【背景技术】
[0002] 大型兆瓦级风力发电机组的变速变桨控制算法复杂，是风力发电机组中故障率较 高的子系统。如果出现故障停机，从检修到恢复正常运行，需要较长的时间。如果在风速较 好的时间段发生了故障停机，将大大影响风机的发电量，从而给企业造成巨大的经济损失。 如果能在风机故障发生时，通过风电机组的状态监测技术，对变桨系统的运行参数进行监 测和分析后快速找到故障原因，确定检修方式，将会大大提高风机的可利用率。基于以上因 素，对风力发电机组的故障原因进行快速准确的定位，形成故障诊断机制，对提高风电场运 行的经济性和安全性有积极重要的意义。
[0003] 目前，风电场常用的数据采集与监视控制（Supervisory Control and Data Acquisition，SCADA)系统，可以对现场的运行设备进行监视和控制，实现数据采集，设备控 制，参数调节以及各类信号报警等功能。一旦风机故障停机，SCADA系统将会显示出具体的 故障信息，但是该故障信息往往包含多个故障原因，所以无法准确地定位故障类别和原因， 导致检修时间较长，降低发电量。随着风力发电机组的装机容量的增加，风力发电公司对发 电效率的要求越来越高，因此建立快速有效的故障诊断方法是必然之举。
【发明内容】
[0004] 本发明的技术解决问题是：克服现有技术的不足，提供一种风力发电机组变桨系 统的状态监测和故障诊断方法，其在变桨系统发生故障时能够更准确快速地找到主要故 障，比已有的SCADA系统提供更及时更准确的检修，从而提高了风机的利用率，使设备运行 可靠性得到全面提升。
[0005] 本发明的技术解决方案是：这种风力发电机组变桨系统的状态监测和故障诊断方 法，该方法包括以下步骤：
[0006] (1)数据采集：从风力发电机组SCADA系统中提取出与变桨系统运行状态相关的 运行参数，该运行参数包括变桨电机的运行参数，叶片的变桨角度、变桨速度和变桨加速 度，变桨电机驱动控制器IGBT的运行参数，风速，发电机转速、有功功率；
[0007] (2)特征参数提取：利用Relief算法提取有效的变桨系统特征参量，提取出的与 变桨系统相关的特征参数包括：叶片的变桨角度，变桨电机驱动电流，发电机转速，转矩，变 桨电机温度；
[0008] (3)数据分析预测：筛选变桨系统正常运行期间的历史数据，建立风机的健康模 型，计算实时信号的预测值，计算实际输出值与预测值的偏差；
[0009] (4)诊断算法：根据步骤（3)传递过来的残差信息，判断风机的运行状态；按照相 应的诊断规则以及残差贡献率，找到变桨系统的主故障原因；
[0010] (5)数据存储：对实时数据、预测数据及诊断结果进行存储，方便日后故障分析及 为故障诊断规则的修改提供参考数据。
[0011] 本发明利用先进的数据挖掘技术，从历史数据中提取出变桨系统的特征参数，建 立变桨系统正常运行参数关联关系预测模型。在变桨系统发生故障时更准确快速的找到主 要故障，从而在变桨系统发生故障时能够更准确快速地找到主要故障，比已有的SCADA系 统提供更及时更准确的检修，从而提高了风机的利用率，使设备运行可靠性得到全面提升。
【附图说明】
[0012] 图1示出了根据本发明的风力发电机组变桨系统的状态监测和故障诊断方法的 流程图；
[0013] 图2示出了根据本发明的步骤（3)和（4)的流程图。
【具体实施方式】
[0014] 如图1所示，这种风力发电机组变桨系统的状态监测和故障诊断方法，该方法包 括以下步骤：
[0015] (1)数据采集：从风力发电机组SCADA系统中提取出与变桨系统运行状态相关的 运行参数，该运行参数包括变桨电机的运行参数，叶片的变桨角度、变桨速度和变桨加速 度，变桨电机驱动控制器IGBT的运行参数，风速，发电机转速、有功功率；
[0016] (2)特征参数提取：利用Relief算法提取有效的变桨系统特征参量，提取出的与 变桨系统相关的特征参数包括：叶片的变桨角度，变桨电机驱动电流，发电机转速，转矩，变 桨电机温度；
[0017] (3)数据分析预测：筛选变桨系统正常运行期间的历史数据，建立风机的健康模 型，计算实时信号的预测值，计算实际输出值与预测值的偏差；
[0018] (4)诊断算法：根据步骤（3)传递过来的残差信息，判断风机的运行状态；按照相 应的诊断规则以及残差贡献率，找到变桨系统的主故障原因；
[0019] (5)数据存储：对实时数据、预测数据及诊断结果进行存储，方便日后故障分析及 为故障诊断规则的修改提供参考数据。
[0020] 本发明利用先进的数据挖掘技术，从历史数据中提取出变桨系统的特征参数，建 立变桨系统正常运行参数关联关系预测模型。在变桨系统发生故障时更准确快速的找到主 要故障，从而在变桨系统发生故障时能够更准确快速地找到主要故障，比已有的SCADA系 统提供更及时更准确的检修，从而提高了风机的利用率，使设备运行可靠性得到全面提升。
[0021] 优选地，如图2所示，所述步骤（3)中，首先选择变桨系统处于不同运行状态下的 正常运行数据作为训练样本集，然后基于非线性评估NSET的方法建立变桨系统的健康模 型，描述了正常运行状态下机组变桨系统与特征参数之间的非线性隐形关系；最后根据当 前运行数据输入模型后的残差和阈值的关系判断风机的状态，并寻找主要的故障原因。
[0022] 更进一步地，所述步骤（3)中，设备共有η个相互关联的变量，设某一时刻i，采集 的η个测点作为设备的一个工况，记为观测向量：X[i] = [Xl(i)，x2(i)..