本发明涉及风力风电机组监测领域,具体而言,涉及基于海上风电机组机舱温度监测的故障预警方法及系统。
背景技术:
1、目前使用的海上风力风电机组组基本实现了无人值守,但大多数风电机组的机舱长期工作在高空、海上等复杂恶劣的外部环境下,如温差变化大、风速剧烈、沙尘酸雨污染、海面环境波动强等等,导致风电机组故障率较高,增加风电场的运维成本。其中多数严重事故是由于机舱内部超温导致,风电机组机舱内的主要热源是舱内的运行部件,在运行过程中产生的摩擦、碰撞和电磁损耗都会导致温升,而润滑油和散热片在发电机的高强度运行中性能会下降,加上机舱内部其他部件运行状态的变化和环境的影响,这些因素综合作用导致风电机组机舱产生不确定温升。
2、在研究中发现,机舱温度的异常可能会导致部件损坏、风机停机等情况的发生,从而导致海上风力风电机组发生故障,无法正常运行或者执行工作任务,严重时还会引发火灾造成巨大的人财损失。因此,如何对海上风力风电机组的机舱温度进行预测,以对风电机组是否出现故障进行监测成为了一个亟待解决的问题。
技术实现思路
1、有鉴于此,本发明的目的在于提供基于海上风电机组机舱温度监测的故障预警方法及系统,能够对海上风力风电机组的机舱温度进行预测,以对风电机组是否出现故障进行监测。
2、第一方面,本技术实施例提供了一种基于海上风电机组机舱温度监测的故障预警方法,应用于海上风电机组机舱温度监测的故障预警系统,所述系统包括数据采集模块、数据处理模块、温度确定模块和故障判断模块,所述方法包括:
3、所述数据采集模块采集待监测风电机组的历史初始状态数据;
4、所述数据处理模块利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据,其中,所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据;
5、所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据;
6、所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值;
7、所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数,其中,所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值;
8、所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障。
9、可选地,所述历史初始状态数据包括所述待监测风电机组的各目标部件的历史初始温度数据、待监测风电机组的历史初始运行数据和所述待监测风电机组所处环境的历史初始环境数据;
10、所述目标部件包括齿轮箱、齿轮箱驱动端、非驱动端轴承、主轴轴承、风电机组驱动端和非驱动端轴承;
11、所述历史初始运行数据包括历史风电机组转速和历史风电机组输出功率;
12、所述历史初始环境数据包括历史海上风速和历史海上温度。
13、可选地,所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据,包括:
14、所述数据处理模块对所述历史候选状态数据中的异常数据进行修正得到待补全数据;
15、所述数据处理模块对所述待补全数据中的缺失值进行补全得到待归一化数据;
16、所述数据处理模块对所述待归一化数据进行归一化处理得到所述历史目标状态数据。
17、可选地,所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行确定的神经网络模型中得到所述待监测风电机组的当前机舱温度值,包括:
18、所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到待反归一化数据;
19、所述温度确定模块将所述待反归一化数据进行反归一化处理得到所述当前机舱温度值。
20、可选地,所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数,包括:
21、所述故障判断模块根据所述当前机舱温度值以及所述当前状态数据值建立当前状态向量;
22、所述故障判断模块根据历史机舱温度值以及历史候选状态数据值建立历史状态向量,其中,所述历史候选状态数据值为所述历史候选状态数据的数据值;
23、所述故障判断模块计算所述当前状态向量和所述历史状态向量之间的距离,并将所述距离确定为所述当前状态指数。
24、可选地,所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障,包括:
25、所述故障判断模块判断所述当前状态指数是否落入所述预设标准状态指数范围内;
26、若所述当前状态指数落入所述预设标准状态指数范围内,则所述故障判断模块则将所述待监测风电机组确定为未发生故障。
27、可选地,在所述故障判断模块判断所述当前状态指数是否落入所述预设标准状态指数范围内后,所述方法还包括:
28、若所述当前状态指数未落入所述预设标准状态指数范围内,则所述故障判断模块则将所述待监测风电机组确定为发生故障。
29、可选地,所述系统还包括故障源头确定模块,在所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障后,所述方法还包括:
30、当所述待监测风电机组发生故障时,所述故障源头确定模块根据每个所述历史候选状态数据在历史正常运行时段的第一自信息熵和每个所述历史候选状态数据在历史异常运行时段的第二自信息熵确定出每个所述历史候选状态数据的因果关系矩阵;
31、所述故障源头确定模块根据所述因果关系矩阵确定出所述待监测风电机组的故障程度指标;
32、所述故障源头确定模块根据所述故障程度指标确定出每个所述历史候选状态数据的异常程度;
33、所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头。
34、可选地,所述系统还包括信息发送模块,在所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头后,所述方法还包括:
35、所述信息发送模块向目标客户端发送预警信息,其中,所述预警信息包括所述故障源头。
36、第二方面,本技术实施例提供了基于海上风电机组机舱温度监测的故障预警系统,所述系统包括数据采集模块、数据处理模块、温度确定模块和故障判断模块:
37、所述数据采集模块,用于采集待监测风电机组的历史初始状态数据;
38、所述数据处理模块,用于利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据,其中,所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据;
39、所述数据处理模块,用于对所述历史候选状态数据进行预处理得到历史目标状态数据;
40、所述温度确定模块,用于将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值;
41、所述故障判断模块,用于根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数,其中,所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值;
42、所述故障判断模块,用于根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障。
43、可选地,所述历史初始状态数据包括所述待监测风电机组的各目标部件的历史初始温度数据、待监测风电机组的历史初始运行数据和所述待监测风电机组所处环境的历史初始环境数据;
44、所述目标部件包括齿轮箱、齿轮箱驱动端、非驱动端轴承、主轴轴承、发电机驱动端和非驱动端轴承;
45、所述历史初始运行数据包括历史风电机组转速和历史风电机组输出功率;
46、所述历史初始环境数据包括历史海上风速和历史海上温度。
47、可选地,所述数据处理模块在用于对所述历史候选状态数据进行预处理得到历史目标状态数据时,具体用于:
48、对所述历史候选状态数据中的异常数据进行修正得到待补全数据;
49、对所述待补全数据中的缺失值进行补全得到待归一化数据;
50、对所述待归一化数据进行归一化处理得到所述历史目标状态数据。
51、可选地,所述温度确定模块在用于将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值时,具体用于:
52、将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行确定的神经网络模型中得到待反归一化数据;
53、将所述待反归一化数据进行反归一化处理得到所述当前机舱温度值。
54、可选地,所述故障判断模块在用于根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数时,具体用于:
55、根据所述当前机舱温度值以及所述当前状态数据值建立当前状态向量;
56、所述故障判断模块根据历史机舱温度值以及历史候选状态数据值建立历史状态向量,其中,所述历史候选状态数据值为所述历史候选状态数据的数据值;
57、计算所述当前状态向量和所述历史状态向量之间的距离,并将所述距离确定为所述当前状态指数。
58、可选地,所述故障判断模块在用于根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障时,具体用于:
59、判断所述当前状态指数是否落入所述预设标准状态指数范围内;
60、若所述当前状态指数落入所述预设标准状态指数范围内,则将所述待监测风电机组确定为未发生故障。
61、可选地,所述故障判断模块还用于:
62、在判断所述当前状态指数是否落入所述预设标准状态指数范围内后,若所述当前状态指数未落入所述预设标准状态指数范围内,则将所述待监测风电机组确定为发生故障。
63、可选地,所述系统还包括故障源头确定模块,在所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障后,所述故障源头确定模块用于:
64、当所述待监测风电机组发生故障时,根据每个所述历史候选状态数据在历史正常运行时段的第一自信息熵和每个所述历史候选状态数据在历史异常运行时段的第二自信息熵确定出每个所述历史候选状态数据的因果关系矩阵;
65、根据所述因果关系矩阵确定出所述待监测风电机组的故障程度指标;
66、根据所述故障程度指标确定出每个所述历史候选状态数据的异常程度;
67、将异常程度超过标准程度的历史候选状态数据确定为故障源头。
68、可选地,所述系统还包括信息发送模块,在所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头后,所述信息发送模块用于:
69、向目标客户端发送预警信息,其中,所述预警信息包括所述故障源头。
70、本技术提供的技术方案包括但不限于以下有益效果:
71、所述数据采集模块采集待监测风电机组的历史初始状态数据;所述数据处理模块利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据,其中,所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据;所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据;通过上述步骤,能够得到用于进行风电机组机舱温度预测所需要的历史目标状态数据。
72、所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值;通过上述步骤,能够根据历史目标状态数据对当前时刻的机舱温度值进行预测,得到当前机舱温度值,以作为对风电机组状态进行判断的数据依据。
73、所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数,其中,所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值;所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障;通过上述步骤,能够根据预测得到的当前机舱温度值对风电机组是否发生故障进行判断。
74、采用上述方法,通过对待监测风电机组的历史状态数据进行筛选和处理得到用于进行机舱温度预测的历史目标数据,然后根据历史目标数据利用模型对当前机舱温度进行预测得到当前机舱温度,再根据当前机舱温度对风电机组是否发生故障进行判断,从而能够对海上风力风电机组的机舱温度进行预测,以对风电机组是否出现故障进行监测。
75、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。