本发明涉及风力发电的技术领域,尤其是指一种风电机组齿轮箱轴承温度的建模方法。
背景技术:
风电机组的齿轮箱是影响风电机组正常运行的关键大部件,是连接叶轮带动的低速轴和发电机的高速轴的部件。风电机组的齿轮箱轴承温度是反映齿轮箱是否正常运行的关键参数,随着风电机组运行工况的改变,齿轮箱轴承温度也会随着改变。
判断齿轮箱轴承温度异常的常规方法是给齿轮箱轴承温度设定一个预警的阈值,这个阈值是固定值,并不根据风电机组运行工况进行实时调整。因此这个阈值范围较大,不能及时反映机组的健康状态。
齿轮箱轴承温度模型即是反映在不同工况参数输入下,齿轮箱轴承温度应处于的合理温度范围。建立齿轮箱轴承温度模型可获得在机组不同运行工况下的齿轮箱轴承温度的合理范围,及时察觉齿轮箱的异常状态,避免异常扩大化,减小因为齿轮箱异常造成的损失。
技术实现要素:
本发明的目的在于克服现有技术的缺点与不足,提出了一种可靠的风电机组齿轮箱轴承温度的建模方法,旨在通过采集大量机组历史运行数据,并进行计算和分析,建立齿轮箱轴承温度模型,确立反映机组运行工况的输入参数与齿轮箱轴承温度的关系,最终获得在不同工况下的齿轮箱轴承温度的合理范围。
为实现上述目的,本发明所提供的技术方案为:一种风电机组齿轮箱轴承温度的建模方法,包括以下步骤:
1)获取风电机组运行数据
利用风电场的数据采集系统采集风电机组全年运行数据,包括机组齿轮箱油温、油泵出口压力、环境温度、机组发电功率、风速、发电机转速、齿轮箱油位数据和齿轮箱轴承温度;
2)建立模型特征数据库
首先,对采集数据进行预处理,去除取值范围不合理数据;然后再对采集数据进行统计量计算,计算得到机组平均发电功率、平均风速、平均发电机转速和平均齿轮箱油位,并且将齿轮箱油温、油泵出口压力、环境温度、机组平均发电功率、平均风速、平均发电机转速、平均齿轮箱油位作为输入数据,齿轮箱轴承温度作为输出数据,建立模型特征数据库;
3)确定齿轮箱轴承温度的前向神经网络模型结构,具体是确定神经网络模型的隐含层层数以及神经元数量,确定激活函数;
4)神经网络模型训练
以一组输入输出数据作为一个样本,将模型特征数据库中的一部分样本作为训练样本,一部分样本作为测试样本;将训练样本用于步骤3)确定的神经网络模型的模型训练,从而获得神经网络模型的权值和偏置量;
5)神经网络模型测试
设测试样本的输入为xm,输出为ym,根据步骤3)的神经网络模型结构和步骤4)所得神经网络模型的权值和偏置量,以xm为输入,计算神经网络模型的输出ya;令err=|ym-ya|为模型偏差,若模型偏差大于预设值的样本比例超过预设比例p%,则返回步骤3)重新确定神经网络模型结构,并依次执行步骤4)和步骤5);若模型偏差大于预设值的样本比例小于或等于预设比例p%,则以步骤3)的神经网络模型结构、步骤4)确定的神经网络模型权值和偏置量组成齿轮箱轴承温度模型。
本发明与现有技术相比,具有如下优点与有益效果:
1、该方案覆盖全年机组运行数据,基本覆盖风电机组大部分工况,建立的模型准确性高。
2、该方案在原始数据基础上,利用统计量信息提取更多数据特征,可提高模型的准确性。
3、该方案的齿轮箱轴承温度模型可反映风电机组在不同运行工况下齿轮箱轴承温度的合理范围,可反映齿轮箱轴承在各种工况下是否异常,避免齿轮箱异常扩大化,减小机组故障时间。
附图说明
图1为本发明方法的逻辑流程示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所提供的风电机组齿轮箱轴承温度的建模方法,其具体情况如下:
1)获取风电机组运行数据
采用风电场scada系统采集风电场同一机型的风电机组1年运行数据,每1分钟采集一组数据,采集数据包括机组齿轮箱油温、油泵出口压力、环境温度、机组发电功率、风速、发电机转速、齿轮箱油位和齿轮箱轴承温度。
2)建立模型特征数据库
分别设定机组齿轮箱油温、油泵出口压力、环境温度、机组发电功率、风速、发电机转速、齿轮箱油位和齿轮箱轴承温度的最大值和最小值,去除取值范围不在最大值和最小值范围内的数据。
对采集数据进行统计量计算,计算样本平均值,采用的平均值可以是从10分钟到2小时的平均值。以10分钟平均值为例,10分钟内每一分钟采集1个样本,10分钟采集的10个样本为x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,则10分钟平均值为:xmean=(x1+x2+x3+x4+x5+x6+x7+x8+x9+x10)/10。计算得到机组10分钟平均发电功率,10分钟平均风速、10分钟平均发电机转速和10分钟平均齿轮箱油位。
将齿轮箱油温、油泵出口压力、环境温度、机组10分钟平均发电功率、10分钟平均风速、10分钟平均发电机转速、10分钟平均齿轮箱油位作为输入数据,齿轮箱轴承温度作为输出数据,建立模型特征数据库。
3)确定齿轮箱轴承温度的前向神经网络模型结构
神经网络模型的隐含层为1层以及神经元数量为5个,采用双曲正切s型函数
4)神经网络模型训练
训练样本占比在50%-90%之间,例如,模型特征数据库中的80%样本作为训练样本,20%样本作为测试样本。将训练样本用于步骤3)确定的神经网络模型的模型训练,从而获得神经网络模型的权值和偏置量。
5)神经网络模型测试
设测试样本的输入为xm,输出为ym,根据步骤3)的神经网络模型结构和步骤4)所得神经网络模型的权值和偏置量,以xm为输入,计算神经网络模型的输出ya。令err=|ym-ya|为模型偏差。预设比例p%可以设置在1%-10%范围内,例如,若模型偏差大于5的样本比例超过5%,则返回步骤3)对隐含层数加1或者对神经元数量加1,并依次执行步骤4)和步骤5)。若模型偏差大于5的样本比例小于或等于5%,则以步骤3)的神经网络模型结构、步骤4)确定的神经网络模型权值和偏置量组成齿轮箱轴承温度模型。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。