一种风力发电机组风轮不平衡的诊断方法及系统与流程

本发明涉及风力发电机组故障诊断技术领域，尤其涉及一种风力发电机组风轮不平衡的诊断方法及系统。

背景技术：

风力发电机组常年运行过程中，由于受到空气动力和恶劣环境的影响，可能出现各种故障，风力发电机组的状态监测和故障诊断已经成为必不可少的环节。绝大多数的叶片故障如破损、覆冰、雷击、叶片安装误差等故障都表现为风轮的质量不平衡或气动不平衡，不平衡的风轮旋转将给风力发电机组的各部件带来更高的疲劳载荷，引发结构的过早损伤，严重情况下甚至可能诱发倒塔等恶性事故。风轮的质量不平衡故障是由于叶片加工制造不够精确、叶片结冰和叶片疲劳损伤等造成；风轮的气动不平衡由于风剪切、翼型改变、叶片安装角错误或变桨执行机构误动作等造成。

如能准确检测机组运行期间的风轮不平衡故障，可以及时识别出各种叶片故障，进而在很大程度上防止故障扩散避免造成更大损失。

近些年业内研究机构和公司相继开发了一些风电叶片监控设备，主要采用视频，应变片，声音等方式进行检测，也有风机生产厂家在生产叶片的时候预埋光纤传感器，以获得叶片的运行状态信息。但目前的绝大多数检测手段不但价格昂贵而且安装复杂，难以推广应用。相关研究专利和论文中，几乎全部使用了“从风力发电机组运行参数的时间序列中提取频率成分，然后与转子频率进行比较”的方法来诊断风轮不平衡问题，差别仅在于所选用的具体运行参数和信号处理算法细节的不同，这些方法需要对机组的转速、功率等运行参数进行较高频率的同步采集，且需要提取符合比较严格的筛选条件的特定运行工况的数据才能开展分析计算，往往还需要用到比较复杂的前置模型或计算算法，在实际部署时存在较为明显的限制条件，而其诊断效果也经常对一些异常工况过于敏感或未能较全面地考虑到一些特殊情况造成误报警或漏报。

技术实现要素：

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种部署更为简单、诊断效果更加稳健，不容易受到机组运行时短期异常信号的影响的风力发电机组风轮不平衡的诊断方法及系统。

为解决上述技术问题，本发明提出的技术方案为：一种风力发电机组风轮不平衡的诊断方法，包括：

s1.获取多台风力发电机组的按时间序列的状态数据；所述状态数据包括风速、发电功率、机舱晃动加速度；

s2.对所述风速和发电功率离散化为独立的区间，计算所述机舱晃动加速度在所述区间的数据值；

s3.对各台风力发电机组的所述数据值进行离群特征分析，判断具备离群特征的数据值对应的风力发电机组为故障机组。

进一步地，所述机舱晃动加速度包括机舱前后方向晃动加速度、机舱左右方向晃动加速度。

进一步地，所述按时间序列的状态数据优选为大于一天的数据；进一步的优选为大于一天，小于三个月的数据。

进一步地，所述按时间序列的状态数据可以为全部状态数据中具有预设时间段内的数据；所述按时间序列的状态数据可以为全部状态数据中预设工况下的数据；所述按时间序列的状态数据为满足预设数据采样率采样的数据。

进一步地，所述预设工况是由至少一个预定的工况参数所确定的工况，所述预定的工况参数包括：主控制器状态、发电功率、风轮转速、发电机转速；所述预设数据采样率优选为大于0.1赫兹。

进一步地，在步骤s1中，还包括对所述风速和发电功率的数据进行平滑处理，以消除风力发电机组运行过程中固有的高频波动；所述平滑处理方法包括滑动窗口平均的平滑算法；优选地，平滑处理方法为降时间尺度平均聚合处理算法。

进一步地，步骤s1中，还包括对所述机舱晃动加速度进行时域变换；优选地，所述时域变换方法包括：降尺度计算秒级粒度的机舱晃动加速度的每分钟的有效值或标准差。

进一步地，步骤s1中所述平滑处理后的风速和发电功率和所述时域变换后的机舱晃动加速度的时间戳对齐。

进一步地，步骤s2中所述离散化采用等距分箱算法；所述机舱晃动加速度在所述区间的数据值优选为区间内的平均值。

进一步地，步骤s3的具体步骤包括：

s3.1.将各台风力发电机组的风速、发电功率、机舱晃动加速度数据绘制成曲线图；

s3.2.分析曲线图中各风力发电机组所对应曲线的离群特征，根据所述离群特征以及曲线的变化趋势确定风力发电机组是否存在气动不平衡故障或质量不平衡故障。

进一步地，步骤s3.1中所述曲线图包括：风速区间-机舱前后方向晃动加速度曲线图、风速区间-机舱左右方向晃动加速度曲线图、发电功率区间-机舱前后方向晃动加速度曲线图、发电功率区间-机舱左右方向晃动加速度曲线图。

进一步地，步骤s3.2的具体步骤包括：分析各曲线图的离群特征，当曲线图中风力发电机组的曲线具备离群特征时，判断该风力发电机组存在不平衡故障。

进一步地，步骤s3.2的具体步骤包括：分析各曲线图的离群特征，当所述风速区间-机舱前后方向晃动加速度曲线图和/或发电功率区间-机舱前后方向晃动加速度曲线图中风力发电机组的曲线具备离群特征，且机舱前后方向晃动加速度随风速和/或发电功率的增大而呈现持续增大趋势，则判断该风力发电机组存在气动不平衡故障；当所述风速区间-机舱左右方向晃动加速度曲线图和/或发电功率区间-机舱左右方向晃动加速度曲线图中风力发电机组的曲线具备离群特征，且在风速和/或发电功率增大到一定值后，机舱左右方向晃动加速度呈现相对稳定趋势，则判断该风力发电机组存在质量不平衡故障。进一步地，所述离群特征的分析，包括：对各曲线采用拟合算法，用拟合模型的特征参数来描述各曲线，再对拟合后的曲线进行聚类分析，判断聚类分析结果中不属于聚类集合的曲线具备离群特征。

进一步地，所述拟合算法优选为线性拟合算法、或多项式拟合算法；所述聚类分析的算法优选为k-mean算法、或som算法。

一种风力发电机组风轮不平衡的诊断系统，包括诊断计算机，所述诊断计算机加载有可执行如上任一项所述诊断方法的程序。

与现有技术相比，本发明的优点在于：

1、本发明使用时间序列数据的时域分析方法而非频率分析方法来做故障诊断，方法部署更为简单、诊断效果更加稳健，不容易受到少量短时间的异常信号的影响；

2、相比频率分析方法，本发明的方法对所需输入运行数据的要求更低，不要求特定运行工况、不要求高于1hz的采样率，因此降低了部署难度，现有风力发电机组scada的普遍配置即可满足要求，不需要增加额外投入。

3、本发明用到的算法（如降尺度平均聚合、有效值、标准差、等距分箱、线性拟合、k均值聚类等）都简单易行、计算量小，有利于在plc等计算资源有限的生产环境中部署。

4、本发明构造了机舱晃动加速度有效值（或标准差）对应风速（或发电功率）区间的定量评估指标，将风轮不平衡问题充分而明显地量化展现出来，识别和诊断效果显著，可解释性非常高。

5、本发明量化指标可以结合k均值或自组织映射等机器学习算法，实现故障的在线监测。

附图说明

图1为本发明具体实施例流程示意图。

图2为本发明具体实施例1秒粒度的原始的时间序列的数据。

图3为本发明具体实施例聚合为1分钟粒度的时间序列的数据。

图4为本发明具体实施例发电功率离散化处理图。

图5为本发明具体实施例中各功率级上机舱晃动水平的表述方法图。

图6为本发明具体实施例中23台机组在各功率级的机舱晃动对比图。

图7为本发明具体实施例中23台机组线性拟合图。

图8为本发明具体实施例中k均值聚类分离异常机组的结果。

图9为本发明具体实施例中25台机组数据分析图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

实施例一：如图1所示，本实施例的风力发电机组风轮不平衡的诊断方法，包括：s1.获取多台风力发电机组的按时间序列的状态数据；所述状态数据包括风速、发电功率、机舱晃动加速度；s2.对所述风速和发电功率离散化为独立的区间，计算所述机舱晃动加速度在所述区间的数据值；s3.对各台风力发电机组的所述数据值进行离群特征分析，判断具备离群特征的数据值对应的风力发电机组为故障机组。在本实施例中的多台风力发电机组的按时间序列的状态数据定义为：不同的风力发电机组在相同或不同时间的按时间序列的状态数据，或者，同一风力发电机组不同时间的多次获得的按时间序列的状态数据。在本实施例中，风轮转速等可以直接或间接换算成风速的参数，都可以作为风速参数的替换变量，发电机转速等可以直接或间接换算成发电功率的参数，都可以作为发电功率参数的替换变量，都应视为本发明的等同技术特征，落入本发明的保护范围。

在本实施例中，所述机舱晃动加速度包括机舱前后方向晃动加速度、机舱左右方向晃动加速度。所述按时间序列的状态数据优选为大于一天的数据；进一步的优选为大于一天，小于三个月的数据。数据量的增加，可以提高诊断的准确性，但是数据量的增加也会增加计算的复杂度。

在本实施例中，所述按时间序列的状态数据可以为全部状态数据中具有预设时间段内的数据；所述按时间序列的状态数据可以为全部状态数据中预设工况下的数据；所述按时间序列的状态数据为满足预设数据采样率采样的数据。

在本实施例中，所述预设工况是由至少一个预定的工况参数所确定的工况，所述预定的工况参数包括：主控制器状态、发电功率、风轮转速、发电机转速；所述预设数据采样率优选为大于0.1赫兹。

在本实施例中，在步骤s1中，还包括对所述风速和发电功率的数据进行平滑处理，以消除风力发电机组运行过程中固有的高频波动；所述平滑处理方法包括滑动窗口平均的平滑算法；优选地，平滑处理方法为降时间尺度平均聚合处理算法。步骤s1中，还包括对所述机舱晃动加速度进行时域变换；优选地，所述时域变换方法包括：降尺度计算秒级粒度的机舱晃动加速度的每分钟的有效值或标准差。步骤s1中所述平滑处理后的风速和发电功率和所述时域变换后的机舱晃动加速度的时间戳对齐。

在本实施例中，以1秒粒度获取多台风力发电机组的按时间序列的状态数据，原始获取的数据如图2所示，通过平滑处理，聚合为1分钟粒度的按时间序列的状态数据如图3所示。从上述的时间序列图中可见，由于输入整个系统的风是时刻变化的，再加上风力发电机组本身结构响应和控制调节，因此风力发电机组的运行状态是时变的，从时间维度上不容易分离出大段的稳定工况。图2的横坐标为时间戳，5条曲线从上至下依次为风速、功率、风轮转速、机舱前后方向晃动加速度、机舱左右方向晃动加速度。图3的横坐标为时间戳，5条曲线从上至下依次为平滑处理后的风速、功率、风轮转速、机舱前后方向晃动加速度、机舱左右方向晃动加速度。

在本实施例中，步骤s2中所述离散化采用等距分箱算法；所述机舱晃动加速度在所述区间的数据值优选为区间内的平均值。为了简化数据结构，将风速和发电功率等连续取值的变量做离散化。本实施例中，通过50kw划分为一个箱，将发电功率离散化处理后如图4所示。将发电功率（actpowbin）和机舱前后方向晃动加速度有效值（nadrirms）分别作为横轴和纵轴进行绘制，如图5所示。图5上半部分用箱线图绘制成每个分箱内的nadrirms，下半部分中每个分箱内的工字线的中点表示该分箱内nadrirms的平均值，工字线的上下顶点分别表示该分箱内nadrirms的正负一倍标准差。从图中可以看出，每个功率分箱内nadrirms的平均值可以用来反映该功率级别上机舱晃动的水平。

在本实施例中，步骤s3的具体步骤包括：s3.1.将各台风力发电机组的风速、发电功率、机舱晃动加速度数据绘制成曲线图；s3.2.分析曲线图中各风力发电机组所对应曲线的离群特征，根据所述离群特征以及曲线的变化趋势确定风力发电机组是否存在气动不平衡故障或质量不平衡故障。步骤s3.1中所述曲线图包括：风速区间-机舱前后方向晃动加速度曲线图、风速区间-机舱左右方向晃动加速度曲线图、发电功率区间-机舱前后方向晃动加速度曲线图、发电功率区间-机舱左右方向晃动加速度曲线图。步骤s3.2的具体步骤包括：分析各曲线图的离群特征，当曲线图中风力发电机组的曲线具备离群特征时，判断该风力发电机组存在不平衡故障。所述离群特征的分析，包括：对各曲线采用拟合算法，用拟合模型的特征参数来描述各曲线，再对拟合后的曲线进行聚类分析，判断聚类分析结果中不属于聚类集合的曲线具备离群特征。所述拟合算法优选为线性拟合算法、或多项式拟合算法；所述聚类分析的算法优选为k-mean（k均值）算法、或som（自组织映射）算法。

在本实施例中，绘制23台风力发电机组（从a号至w号）的功率分箱内的机舱前后方向晃动加速度有效值（nadrirms）和机舱左右方向晃动加速度有效值（nanonrms）的平均值如图6所示。从图中可见，a号和b号风力发电机组在所有功率区间的机舱前后方向晃动加速度都显著高于其他机组，机舱左右方向晃动加速度在很多功率区间也明显高于其他机组，且机舱前后方向晃动加速度随功率增大而持续增大，因此可以判定a号和b号风力发电机组存在风轮气动不平衡故障。通过实地检查，发现a号机组和b号机组各有一只叶片存在5度左右的安装角错误，导致风轮存在明显的气动不平衡，从而在运转时引起机组明显的较大晃动。但由于该量级的晃动未达到风力发电机组晃动保护的安全阈值，因此，未触发故障报警，属于较为严重的隐性故障。

在本实施例中，对23台风力发电机组的各发电功率分箱内机舱前后方向晃动加速度有效值（nadrirms）的平均值数据作线性拟合结果如图7所示，得到各台风力发电机组数据的斜率和截距值，可以看出，a号和b号机组的斜率值表现出明显的离群特性。在本实施例中，通过k均值算法进行聚类分析（给定分类个数为2个），聚类结果如图8所示，可以看出，a号和b号机组不属于占多数的正常机组的聚类集合，具有明显的离群特性。

实施例二：本实施例与实施例一基本相同，不同之处在于在步骤s3.2，本实施例通过分析各曲线图的离群特征，当所述风速区间-机舱前后方向晃动加速度曲线图和/或发电功率区间-机舱前后方向晃动加速度曲线图中风力发电机组的曲线具备离群特征，且机舱前后方向晃动加速度随风速和/或发电功率的增大而呈现持续增大趋势，则判断该风力发电机组存在气动不平衡故障；当所述风速区间-机舱左右方向晃动加速度曲线图和/或发电功率区间-机舱左右方向晃动加速度曲线图中风力发电机组的曲线具备离群特征，且在风速和/或发电功率增大到一定值后，机舱左右方向晃动加速度呈现相对稳定趋势，则判断该风力发电机组存在质量不平衡故障。本实施例相对于实施例一的故障分析更加详细，不仅能够判断风力发电机组是否存在不平衡故障，而且进一步将不平衡故障区分为气动不平衡故障和质量不平衡故障，指引性更强。

在本实施例中，分析了25台风力发电机组的数据，绘制该25台风力发电机组的各发电功率、转速、风速分箱内机舱前后方向晃动加速度标准差依次为图9中上方从左至右的三个子图所示，25台风力发电机组的各发电功率、转速、风速分箱内机舱左右方向晃动加速度标准差的平均值数据如图9下方从左至右三个子图所示，为了更好的对比，将六个子图放在一起显示。从图中可见，有一台机组的机舱左右方向晃动加速度显著高于其他机组，且在发电功率（和风速）达到一定值后，机舱左右方向晃动加速度呈现相对稳定趋势，因此可以判定这台机组存在风轮质量不平衡故障。通过实地检查，验证了该风力发电机组的故障确实存在。

本实施例的风力发电机组风轮不平衡的诊断系统，包括诊断计算机，所述诊断计算机加载有可执行如上所述诊断方法的程序。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。