一种风力发电机组变桨蓄电池异常故障预测方法与流程

文档序号:11175921
一种风力发电机组变桨蓄电池异常故障预测方法与流程

本发明涉及一种风力发电机组变桨蓄电池异常故障预测方法。



背景技术:

随着风电机组运行时间的延长,变桨蓄电池异常故障数量大幅度增长。变桨蓄电池出现故障或缺少针对性的维护都会增加机组停止运行的时间,造成发电量的损失。

大多数变桨蓄电池检测方法主要是从增加蓄电池测量装置,信号处理单元等方法来检测蓄电池,可以得到准确的检测数据,但需要费用购买专用设备,甚至需要更改变桨蓄电池的柜体结构。

目前的一种检测方法通过系统操作平台调节模拟的风力发电机组桨叶,触发紧急顺桨命令,记录顺桨数据,然后用顺桨数据分析蓄电池性能,并与蓄电池标准参数做对比,从而检测出性能下降的蓄电池。这种方法依据模拟测试的顺桨数据,而得出蓄电池的性能评价,忽略了蓄电池是风电机组的一部分,它的性能不只受自身顺桨运行的影响,也会受到机组运行状态的影响,另外,模拟测试机组的紧急顺桨并不能完全等同于实际机组的紧急顺桨,同样,模拟记录的顺桨数据也不能全面准确的包含蓄电池的性能信息。

以往的方法虽能检测出性能下降的蓄电池,但却无法判断蓄电池性能下降的原因,也不能提前预测蓄电池的异常,使维护和更换工作变得滞后且没有针对性,增加人力物力的成本。



技术实现要素:

本发明的目的是克服现有技术的缺点,提出一种风力发电机组变桨蓄电池异常故障预测方法。本发明可推断出变桨蓄电池性能下降的原因,且能防范于未然,提前预测蓄电池的异常,从而降低变桨蓄电池的异常故障率,减少机组因蓄电池异常故障停机造成的效益损失。

本发明对变桨蓄电池异常故障数据和同时刻可导致变桨蓄电池异常故障的相关变量数据进行处理,从处理后的数据中挖掘出变桨蓄电池异常故障的隐藏信息,用隐藏信息与处理后数据的相似性构造异常故障分类器模型,然后使用分类器对实时数据及隐藏信息进行分类,并将分类结果、实时数据及隐藏信息与异常故障案例库中的数据进行相似度比较,以相似度高低来预测变桨蓄电池异常故障。同时,通过实际结果完善异常故障案例库,或修正异常故障分类器模型。

具体步骤如下:

首先,对变桨蓄电池异常故障数据和同时刻可导致变桨蓄电池异常故障的相关变量数据进行处理,剔除因检测系统引起的异常数据和孤立点数据。从处理后的数据中挖掘出反映变桨蓄电池性能异常的隐藏信息,用隐藏信息数据、处理后的数据和维修记录数据建立异常故障案例库。

其次,用处理后的数据与挖掘出的隐藏信息的相似性构建异常故障分类器模型。将实时数据和隐藏信息输入异常故障分类器,得到故障类别。用故障类别、隐藏信息和实时数据与异常故障案例库中的数据进行匹配,计算得到与异常故障案例库中匹配程度最高的案例,进行故障预测。

最后,通过对比实际结果与预测结果是否一致,来补充异常故障案例库,或加权修正异常故障分类器模型。

本发明提出的变桨蓄电池异常故障预测方法,有以下优点:方便在数据采集与监视控制系统里实现该预测功能;从大量历史故障数据中挖掘有效信息,构造异常故障分类器模型,建立故障案例库,成本低,针对性强,故障判断准确性高;通过实时数据的分析,及时发现潜在的故障,提出了变桨蓄电池异常故障预测方法,从而在最早的时间发现蓄电池的异常,以对其进行及时的维护和更换。

附图说明

图1本发明流程图。

具体实施方式

下面结合附图和具体实施方式进一步说明本发明。

如图1所示,本发明实施例的具体步骤如下:

1、数据文件合成处理

从PLC控制器里和数据采集与监视控制系统里导出需要处理的数据,包括历史的运行数据和历史的故障数据。根据维修记录先从历史的运行数据中提取出机组状态、偏航状态、轮毂温度、机组振动加速度等相关变量数据,再从历史的故障数据中提取出故障时间、变桨蓄电池电压、故障代码等异常故障数据,然后将两次提取的数据合并成一个数据文件,剔除该数据文件里因检测系统引起的异常数据和孤立点数据。该步骤采用蓄电池实际运行数据和相关变量数据作为预测方法的来源,成本低且包含异常故障的根源信息。

2、挖掘隐藏信息

对处理后的数据进行关联规则分析,挖掘出有效信息,比如:机组振动加速度与蓄电池电压,轮毂温度与蓄电池电压,蓄电池使用时间与蓄电池电压等的关联性,并从数据文件中统计出变桨蓄电池是第几次故障、各次故障代码组合、蓄电池使用时间等,分别增加到数据文件的不同列构成新的数据文件。

3、建立异常故障案例库

在数据采集与监视控制系统里用SQL或MySQL数据库软件对步骤2中新的数据文件内容按数据间的相互关联,结合维修记录数据,以风场和机组号建立异常故障案例库。这种方法建立案例库可以提高案例匹配速度,减少异常故障诊断时间;

4、建立异常故障分类器模型

将步骤2中新的数据文件里的每一行数据组成一个多维向量,即异常故障向量,向量间通过余弦相似性分析方法划分故障类别,用贝叶斯分类器算法得到该故障事件所属的类别。相对其他适用的分类器,贝叶斯分类器是一种错误概率较小的分类器。

5、异常故障预测

实时采集蓄电池电压及相关变量等数据,结合对应的隐藏信息,输入异常故障分类器模型,得到故障类别。将故障类别、实时数据和隐藏信息与故障案例库进行相似度比较,通过计算pearson相关系数得到与案例库中匹配程度最高的案例,作出异常故障预测。本发明方法可以在最早的时间发现蓄电池的异常,且能对异常原因进行定位。

6、实时优化完善异常故障预测方法

将步骤5中的预测结果与实际结果进行对比,如果一致则直接扩充异常故障案例库;如果不一致则按步骤2中数据间的关联性对异常故障向量的对应项赋予一定的权重,以此来改进异常故障分类器模型,从而作出准确的预测。步骤5中实时数据及隐藏信息加工处理成案例库的数据存储形式,方便直接扩充完善;实时优化完善异常故障分类器模型,可以保证预测方法准确可靠。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1