本发明涉及风力发电机组故障预测方法，特别涉及一种应用于风力发电机组的多参量故障预测判定指标的计算方法。属于风力发电
技术领域：
。
背景技术：
：风力发电作为一种新兴的清洁能源发电方式，技术尚未成熟，风电机组故障频发，严重影响其安全可靠运行。为了及时发现机组的潜在故障隐患，制定合理的维护检修计划，风电机组故障预测技术逐渐进入了学者的研究领域。由于风电机组的工况复杂，波动性强，在建模过程中很难通过特定的函数形式来近似描述，因此，通常运用非线性映射方法对模型进行训练来达到相应的模型精度。在故障预测中，利用非线性映射方法(BP网络、支持向量机等)建立风电机组特定部件故障的预测模型，首先运用各个工况的历史运行数据对模型进行训练，使模型覆盖齿轮箱的正常工作空间，然后分析实时运行数据对应的输出变量的变化趋势。当风电机组特定部件异常运行时，输出变量的动态特性相比于正常工作空间必然发生偏离，输出变量值与实际变量值的残差分布特性必然发生改变，如果残差的均值或标准差的置信区间超出预先设定的阈值，则发出警告或报警信息，提示运行人员检查机组运行状况。这是风电机组故障预测技术的基本思路。然而，由于风电机组是一个融电磁、机械、控制、通信等为一体的强耦合、非线性系统，任何一个局部细小的故障都会通过系统进行传播、扩散、积累和放大，同时运行参数繁多，参数之间的相关性强，单一参数未必能准确反映机组的故障类型。目前，现有技术已经提出了多参数故障预测策略，然而由于没有把多个参数的权重考虑在内，使得模型在预测准确度上仍有待改进。查阅文献，现有方法运用relief算法(或其他特征选择方法)对风电机组的特定故障进行特征选择，以故障特征量作为最小二乘支持向量机模型的输出变量，从而对特定故障进行预测。在计算故障预测判定指标时，由于是多参数故障预测，因此有必要对各个故障特征参量进行有效组合，从而得到组合判定指标。该方法以多个故障特征量作为输出观测向量a，通过计算其与实际测量向量b的距离来判断机组状态。公式如下：δ=Σi=1n-(ai-bi)2---(1)]]>其中,δ为定义的两向量a和b的距离，n为输出观测向量维数，ai和bi分别为输出观测向量和实际测量向量第i维变量的值。由于多个故障特征量的权重未考虑在内，默认为各个特征量对距离的贡献值相同，与事实相悖，使得模型预测准确度较低。专利申请号为201310259857.0，名称为“基于归一化的风电机组故障预警方法”的中国发明专利公开了一种基于归一化的风电机组故障预警方法，通过建立风电机组故障模型，对风电机组所出现的故障进行等级评测，并依据故障等级进行预警。具体表述为根据经验选择风电机组各个故障的工作参数并进行归一化，预先根据风电机组的运行状态历史数据报警阈值设置故障状态等级阈值，权重则依据影响故障状态等级阈值的各工作参数的变化量统计所得，通过下述公式确定故障等级：此种方法虽然把权重考虑在内，模型却有许多不确定性：首先工作参数与阈值都是根据经验所得，没有确定的标准，难免会出现偏差；另外，权重的计算方法主要基于工作参数在故障发生时的变化量，由于风电机组部件繁多，结构和功能复杂，参量的变化存在延时，且延时时间不一，使得权重计算存在较大误差；同时，此种权重计算方法缺乏严谨的理论基础，从而影响故障预警模型的精度。因此，提供一种能够提高风力发电机组异常识别的精度，精确确定故障类型，减小误判机率的多参量故障预测判定指标的计算方法就成为该
技术领域：
急需解决的技术难题。技术实现要素：本发明的目的在于提供一种能够提高风力发电机组异常识别的精度，精确确定故障类型，减小误判机率的多参量故障预测判定指标的计算方法。本发明的上述目的是通过以下技术方案达到的：一种应用于风力发电机组的多参量故障预测判定指标的计算方法，其步骤如下：(1)风力发电机组历史运行数据的采集与处理采集风力发电机组正常状态的历史运行数据，对采集的数据进行筛选并进行归一化处理；(2)风力发电机组故障特征选择对风力发电机组关键部件的故障进行特征选择，依据各个相关参量的权重大小合理选择故障特征量；(3)非线性方法建模用非线性方法建立模型，选择合适的输入向量和输出向量，输入向量应符合所有运行条件或覆盖所有运行工况，输出向量为原始评估目标故障特征量或者由其得到的其他相应指标，对模型进行训练，确立故障预测模型；(4)组合判定指标及故障预测：以多个故障特征量作为输出观测向量a，通过计算其与实际测量向量b的距离来判断机组状态，同时在计算距离时加入故障特征量权重系数；公式如下：δ=Σi=1n(ciΣi=1nci(ai-bi)2)---(3)]]>其中，δ为定义的两向量a和b的距离，n为输出观测向量维数，ai和bi分别为输出观测向量和实际测量向量第i维变量的值，ci为第i个故障特征参量的标准化权重；组合判定指标制定之后，选取覆盖所有运行工况的大量正常历史运行数据，将输入变量输入模型，输出相应输出观测向量，计算输出观测向量与实际测量向量的距离δ，求取δ的最大值MAX，确定其取值范围为[0，MAX]，依据统计学规律，以最大值MAX作为预测阈值，将实时数据的相应输入变量输入模型，输出距离δ，如果距离δ小于MAX，则机组正常运行，反之，机组存在故障隐患。优选地，所述步骤(1)具体如下：1)历史运行数据的采集：采集风力发电机组正常状态的历史运行数据，对采集的数据进行筛选，以下几种情况的数据予以剔除：(A)风电机组故障停机；(B)风电机组维护停机；(C)风速在切入风速以下，风电机组没有并网；(D)风速超出切出风速，风机脱网；(E)风电机组启机过程以及启机之后的一段时间，这时有可能齿轮箱温度过低，风机自动处于限功率状态；(F)风电机组停机过程；(G)风电机组人为限功率状态。另外，正常运行数据均匀覆盖机组所有运行工况；2)历史运行数据的处理：将步骤1)所得数据进行归一化处理，把所有运行参数的范围限定在[0,1]之间，采用线性转化函数进行归一化处理，公式如下：y=x-xminxmax-xmin---(4)]]>其中，y为标准化后的参量值，x是标准化前的参量值，xmax为参量在SCADA系统中设定的最大阈值，xmin为0；归一化处理后，得到影响某个关键部件运行的变量参数的标准化值。有益效果：本发明提出了一种应用于风力发电机组的多参量故障预测判定指标的计算方法，按照权重线性占比对多个特征参量重新组合，得到故障预测综合评判指标，提高了故障预测的精确度。下面通过附图和具体实施方式对本发明进行详细说明。应该理解的是，所述的实施例仅涉及本发明的优选实施方案，在不脱离本发明的精神和范围情况下，各种参数的选择和处理都是可能的。附图说明图1是本发明实施例1中1#变桨位置传感器故障LSSVM网络结构图。图2是本发明实施例1故障预测流程图。图3是本发明提出方法与现有方法故障预测控制过程图。具体实施方式实施例1一种应用于风力发电机组的多参量故障预测判定指标的计算方法，其步骤如下：(1)历史运行数据采集与处理1)历史运行数据采集：通过SCADA系统采集某风力发电场某一风力发电机组正常状态的历史运行数据，对采集的数据进行筛选。以下几种情况的数据应予以剔除：(A)风电机组故障停机；(B)风电机组维护停机；(C)风速在切入风速以下，风电机组没有并网；(D)风速超出切出风速，风机脱网；(E)风电机组启机过程以及启机之后的一段时间，这时有可能齿轮箱温度过低，风机自动处于限功率状态；(F)风电机组停机过程；(G)风电机组人为限功率状态。另外，正常运行数据应均匀覆盖机组所有运行工况。2)历史运行数据采集处理：在数据处理方面，因为各个运行参数的数量级相差较大，为了准确预测相应故障，需要进行归一化处理，把所有运行参数的范围限定在[0,1]之间，采用线性转化函数进行归一化处理，公式如下：y=x-xminxmax-xmin---(4)]]>其中，y为标准化后的参量值，x是标准化前的参量值，xmax为参量在SCADA系统中设定的最大阈值，xmin为0；(2)风力发电机组故障特征选择对风力发电机组关键部件的故障进行特征选择，通过分析故障特征量的变化趋势来判断机组是否存在故障隐患，故障特征选择的方法没有局限，依据本发明，只要能得到各个参数对特定故障敏感程度的定量值，就可以应用本发明的综合判定指标计算方法。下面列举一种常用的故障特征选择方法来进一步阐述本发明方法的实际应用。下面对某一风力发电机组渐进劣化的特定故障进行特征选择，例如变桨系统中的1#变桨位置传感器故障，运用relief算法计算得到结果如下：表11#变桨位置传感器故障特征选择权重依据各个相关参量的权重大小合理选择故障特征量。从上表1可以看出故障特征量由大到小依次为1#变桨电机温度(℃)、2#变桨电机温度(℃)、3#变桨电机温度(℃)、1#变桨电容电压(VDC)等，其中1#变桨电机温度(℃)、2#变桨电机温度(℃)、3#变桨电机温度(℃)、1#变桨电容电压(VDC)的标准化权重之和为0.74352，说明这四个运行参数对1#变桨位置传感器故障反映比较灵敏。为了避免维数较高影响分类器性能，同时1#变桨电容电压之后的参量权重相比前四者相差较大(至少一个数量级)，所占权重很小，因此可忽略。故障特征的选择总的原则是：在选择参量尽量少的前提下，依据权重选择能够反映故障类型的主要参量。(3)非线性方法建模非线性建模方法很多，列举一种常用的最小二乘支持向量机(LSSVM)建模理论进行说明。LSSVM是目前应用十分广泛的非线性映射算法，主要体现在分类、回归方面。故障预测是在回归的基础上实现的。首先建立正常的LSSVM计算网络：选择合适的输入向量和输出向量，输入向量应符合所有运行条件或覆盖所有运行工况，输出向量为原始评估目标特征选择量或者由其得到的其他相应指标，对模型进行训练。同样依据上述故障特例，建立并训练风电机组的1#变桨位置传感器故障预测模型。以风速、有功功率和风轮转速作为输入向量，以故障特征选择得到的故障特征量1#变桨电机温度(℃)、2#变桨电机温度(℃)、3#变桨电机温度(℃)和1#变桨电容电压(VDC)作为输出向量，建立LSSVM模型，网络结构见图1：1#变桨位置传感器故障LSSVM网络结构图。(4)组合判定指标和故障预测类似于现有方法，由于是多参数故障预测，因此有必要对各个故障特征参量进行有效组合，从而得到组合判定指标。以多个故障特征量作为输出观测向量a，通过计算其与实际测量向量b的距离来判断机组状态，同时在计算距离时加入故障特征量权重系数。公式如下：δ=Σi=1n(ciΣi=1nci(ai-bi)2)---(3)]]>其中，δ为输出观测向量和实际观测向量的距离，n为输出观测向量维数，ai和bi分别为输出观测向量和实际测量向量第i维变量的值，ci为第i个故障特征参量的标准化权重。组合判定指标制定之后，选取覆盖所有运行工况的大量正常历史运行数据，将输入变量输入模型，输出相应输出观测向量，计算输出观测向量与实际测量向量的距离δ，求取δ的最大值MAX，确定其取值范围为[0，MAX]，依据统计学规律，以最大值MAX作为预测阈值，将实时数据的相应输入变量输入模型，输出距离δ，如果距离δ小于MAX，则机组正常运行，反之，机组存在故障隐患。相应的故障预测流程图如图2所示。用最小二乘支持向量机(LSSVM)建模，首先建立正常的LSSVM计算网络：选择合适的输入向量和输出向量(输入向量应尽可能地覆盖所有运行工况，输出向量为原始评估目标特征选择量或者由其得到的其他相应指标)，利用归一化处理后的历史数据对样本进行训练，得到最佳参数，建立LSSVM预警模型；然后对实时运行数据进行监测，将相应输入向量输入上述模型，获得模型输出值；最后通过计算模型输出值与实际测量值的距离来判断机组状态，同时在计算距离时加入故障特征量权重系数，如果距离小于设定的阈值则说明其处于正常状态，如果超过设定的阈值，则属于异常状态，发出报警信息。对照实施例采集某风力发电场某一风力发电机组故障前相应变量数据(故障对应上述LSSVM模型)。以下是采集的故障前数据信息：故障类型为1#变桨位置传感器故障，故障时间为2015年5月13日10：08：49，数据采样周期为7秒。在故障时间点10：08：49前的数据为理论上的正常运行数据，单从数据上观察并无异常。选取故障前几分钟数据运用上述预测模型对其状态进行评测，判断机组是否存在故障隐患。同时与现有模型作对比，验证本发明提出模型的实际应用效果。同样的阈值计算规则，由于两种方法的δ计算公式不同，得到的阈值MAX不同，为了进行更直观的比较，对阈值进行标准化，公式如下：δij′=δijMAXii=1,2---(5)]]>其中，i代表两种方法(1代表本发明提出方法，2代表现有方法)；j代表故障前的时间点，δ'ij代表第i种方法第j个时间点标准化后的距离；δij为第i种方法第j个时间点标准化前的距离；MAXi为第i种方法的阈值。选取故障前33个时间点数据，即从2015年5月13日10:04:42至10:08:42。得到本发明提出方法与现有方法故障预测控制过程图，如图3所示。由图3可知，在故障发生前，本发明提出方法在第25时间点(10:07:45)所测距离δ超过了阈值，且此后时间点的距离δ成波动上升趋势，说明此时机组存在故障隐患，预测故障类型为1#变桨位置传感器故障。相比于现有方法的第30预测时间点(10:08:21)提前了将近一分钟，而且距离δ值相对更大。说明本发明提出方法在故障预测性能上有较大提高，及时准确地对特定故障实现了预测。为了提高风电机组故障预测的准确度，本发明对现有多参数故障预测组合判定指标提出改进，得到考虑权重的组合判定指标的计算公式。此公式可应用于渐进故障的预测，只要得到相应故障的故障特征量权重系数即可。本发明对风电机组现有故障预测方法提出改进，针对现有方法单参数预测精度较低，多参数未考虑权重的弊端，提出了考虑权重的多参数组合判定指标的计算方法，将其应用到风电机组的故障预测中可以提高机组异常识别的精度以及精确确定故障的类型，减小误判的机率。异常状态的准确识别有利于工作人员及时做出停机指令或者其它有效措施，减少异常运行对机组造成的损坏，故障类型的准确预测，有利于后续针对性故障检修维护工作的进行。当前第1页1 2 3