(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201710904941.1
(22)申请日 2017.09.29
(71)申请人 上海电力设计院有限公司
地址 200000 上海市杨浦区波阳路16号8号
楼232室
(72)发明人 肖礼 沈彬 孙雷 邓宇
(74)专利代理机构 北京品源专利代理有限公司
11332
代理人 孟金喆
(51)Int.Cl.
F03D 17/00(2016.01)
(54)发明名称
(57)摘要
本发明公开了一种风力发电机故障预警方
Ward系统聚类分析法对所述观测参数进行分类，
算每一个所述分类的“质心”，通过所述“质心”集
合组成表征风力发电机正常运行态势的状态矩
阵，相似性建模计算所述状态矩阵产生状态的估
计值，残差分析判断是否触发预警。本发明实施
例提供的风力发电机故障预警方法可以快速、有
效地对风力发电机故障进行预测。权利要求书2页 说明书8页 附图5页CN 107701378 A 2018.02.16
C N 107701378
A
1.一种风力发电机故障预警方法，其特征在于，包括：
提取观测参数；
观测参数聚类分析，采用Ward系统聚类分析法对所述观测参数进行分类；
“质心”提取构造状态矩阵，依据最短距离原则计算每一个所述分类的“质心”，通过所述“质心”集合组成表征风力发电机正常运行态势的状态矩阵；
相似性建模计算所述状态矩阵产生状态的估计值，残差分析判断是否触发预警。
2.根据权利要求1所述的方法，其特征在于，在所述提取观测参数之后，还包括:
粗糙集属性约简，通过粗糙集属性约简算法对所述观测参数的属性重要度进行排序，以剔除冗余属性项，减小所述观测参数规模。
3.根据权利要求1或2所述的方法，其特征在于，在所述提取观测参数之后，还包括：
观测参数预处理，剔除所述观测参数中的噪声、非运行数据、无效数据和无关数据。
4.根据权利要求3所述的方法，其特征在于，剔除非运行数据的方法是：以风速观测参数是否超过切入风速和切出风速为基准，剔除低于切入风速和高于切出风速所在时刻获取的所有观测参数。
5.根据权利要求1所述的方法，其特征在于，所述采用Ward系统聚类分析法对观测参数进行分类，包括：
步骤一，以每个观测参数列样本作为一个初始分类；
步骤二，将两两距离最小的两个初始分类合并，形成新类；两个初始分类之间的距离采用欧氏距离公式计算；
步骤三，上述两两合并后，将所有观测参数样本分成C1，C2，……，C k，k个新类，计算每个新类的类均值，所述类均值为对应新类中所有观测参数的均值向量，计算每个新类中的观测参数到其对应的类均值的距离平方，得到每个新类的离差平方和：
其中，C t为第t个新类；X it为新类C t中第i个观测参数；n t为新类C t的观测参数总数；为新类C t的类均值；S t为新类C t的离差平方和；
合并类内离差平方和增加最小的两个分类，即又形成新的分类：
分类C p和分类C q合并成新类C r，则三者分别对应的离差平方和S p、S q、S r满足使增加量
最小，其中新类C r的离差平方和S r计算方法同S p和S q；
步骤四，以合并后的新类为基础，遵循每次合并的两类总是使类内离差平方和增加最小，循环执行步骤三，直至满足设置的聚类分类数量要求。
6.根据权利要求5所述的方法，其特征在于，所述直至满足设置的聚类分类数量要求的方法是：当最终合并后的类数为观测测点数量的4～6倍时，聚类分析结束。
7.根据权利要求1所述的方法，其特征在于，所述“质心”提取构造状态矩阵，所述状态矩阵如下面的公式所示：
所述状态矩阵X t是一个(n+1)*m的矩阵，状态矩阵X t的第一行X1～X m为不同的观测参数列序号，状态矩阵X t剩余各项为提取的“质心”，即具体的观测参数；
所述状态矩阵X t剩余各项的列向量代表某一时刻不同观测测点的观测参数，所述状态矩阵X t剩余各项的行向量代表某一观测测点在一段时间范围内的观测参数。
8.根据权利要求1或7所述的方法，其特征在于，所述相似性建模计算所述状态矩阵产生状态的估计值的方法是：以所述状态矩阵为基础，根据相似性状态估计理论对风力发电机运行状态进行预测估计，得到估计值。
9.根据权利要求8所述的方法，其特征在于，所述残差分析判断是否触发预警的方法是：根据所述估计值与实际值的差值得到残差值，将所述残差值与预先设置的正偏差阈值和负偏差阈值进行比对，当所述残差值大于所述正偏差阈值或小于所述负偏差阈值时，触发预警；反之，不触发报警。
10.根据权利要求1所述的方法，其特征在于，所述提取观测参数，所述观测参数的属性包括风速、频率、环境温度、机舱温度、电压、电流、发电机转速、发电机有功功率、发电机冷却空气温度、驱动端轴承温度和非驱动轴承温度。
一种风力发电机故障预警方法
技术领域
[0001]本发明实施例涉及风力发电领域，尤其涉及一种风力发电机故障预警方法。
背景技术
[0002]风电系统运行环境恶劣，加之国内发展迟滞的风电第三产业，致使风电机组设备故障高频发生。双馈风力发电机作为变速恒频风电系统实现的核心设备，同时处在风场发电侧与电网侧的分界，其重要性不言而喻，所以无论从经济性还是安全性考量，对风力发电机开展故障预警研究确有必要。
[0003]风力发电机零部件故障的产生并非一蹴而就，其生成和发展一般需经由异常、缺陷、故障及事故等几个过程，诸如振动过大、温度过高等一些故障是可以通过状态监测和预警技术将故障扼杀在萌芽状态。故障发生时，机组设备观测参数的变化需经由不明显到显著的渐变过程，如果能在风电机组故障刚萌生、程度尚且轻微阶段识别出异常，相比于已经造成严重后果的事后检修具有更重大的意义。
[0004]然而，传统基于专家系统的故障预警方法，针对诸如DFIG机-电-热强耦合的复杂系统，其知识来源不足以表达和反映事物的特征，准确率不高；传统基于人工神经网络建模的故障预警方法，建模需耗时较长，学习样本的选择也缺乏依据，且模型维护困难。
发明内容
[0005]本发明实施例提供一种风力发电机故障预警方法，以快速、有效地预测风力发电机故障。
[0006]本发明实施例提供了一种风力发电机故障预警方法，包括：
[0007]提取观测参数；
[0008]观测参数聚类分析，采用Ward系统聚类分析法对所述观测参数进行分类；[0009]“质心”提取构造状态矩阵，依据最短距离原则计算每一个所述分类的“质心”，通过所述“质心”集合组成表征风力发电机正常运行态势的状态矩阵；
[0010]相似性建模计算所述状态矩阵产生状态的估计值，残差分析判断是否触发预警。[0011]进一步地，在所述提取观测参数之后，还包括:
[0012]粗糙集属性约简，通过粗糙集属性约简算法对所述观测参数的属性重要度进行排序，以剔除冗余属性项，减小所述观测参数规模。
[0013]进一步地，在所述提取观测参数之后，还包括：
[0014]观测参数预处理，剔除所述观测参数中的噪声、非运行数据、无效数据和无关数据。
[0015]进一步地，剔除非运行数据的方法是：以风速观测参数是否超过切入风速和切出风速为基准，剔除低于切入风速和高于切出风速所在时刻获取的所有观测参数。[0016]进一步地，所述采用Ward系统聚类分析法对观测参数进行分类，包括：
[0017]步骤一，以每个观测参数列样本作为一个初始分类；
[0018]步骤二，将两两距离最小的两个初始分类合并，形成新类；两个初始分类之间的距离采用欧氏距离公式计算；
[0019]步骤三，上述两两合并后，将所有观测参数样本分成C1，C2，……，C k，k个新类，计算每个新
类的类均值，所述类均值为对应新类中所有观测参数的均值向量，计算每个新类中的观测参数到其对应的类均值的距离平方，得到每个新类的离差平方和：
[0020]
[0021]其中，C t为第t个新类；X it为新类C t中第i个观测参数；n t为新类C t的观测参数总数；
为新类C t的类均值；S t为新类C t的离差平方和；
[0022]合并类内离差平方和增加最小的两个分类，即又形成新的分类；
[0023]分类C p和分类C q合并成新类C r，则三者分别对应的离差平方和S p、S q、S r满足使增加量最小，其中新类C r的离差平方和S r计算方法同S p和S q；
[0024]步骤四，以合并后的新类为基础，遵循每次合并的两类总是使类内离差平方和增加最小，循环执行步骤三，直至满足设置的聚类分类数量要求。
[0025]进一步地，所述直至满足设置的聚类分类数量要求的方法是：当最终合并后的类数为观测测点数量的4～6倍时，聚类分析结束。
[0026]进一步地，所述“质心”提取构造状态矩阵，所述状态矩阵如下面的公式所示：
[0027]
[0028]所述状态矩阵X t是一个(n+1)*m的矩阵，状态矩阵X t的第一行X1～X m为不同的观测参数列序号，状态矩阵X t剩余各项为提取的“质心”，即具体的观测参数；
[0029]所述状态矩阵X t剩余各项的列向量代表某一时刻不同观测测点的观测参数，所述状态矩阵X t剩余
各项的行向量代表某一观测测点在一段时间范围内的观测参数。[0030]进一步地，所述相似性建模计算所述状态矩阵产生状态的估计值的方法是：以所述状态矩阵为基础，根据相似性状态估计理论对风力发电机运行状态进行预测估计，得到估计值。
[0031]进一步地，所述残差分析判断是否触发预警的方法是：根据所述估计值与实际值的差值得到残差值，将所述残差值与预先设置的正偏差阈值和负偏差阈值进行比对，当所述残差值大于所述正偏差阈值或小于所述负偏差阈值时，触发预警；反之，不触发报警。[0032]进一步地，所述提取观测参数，所述观测参数的属性包括风速、频率、环境温度、机舱温度、电压、电流、发电机转速、发电机有功功率、发电机冷却空气温度、驱动端轴承温度和非驱动轴承温度。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议