基于建模參數特征分析的風力發電機組狀態評估方法
【專利摘要】本發明涉及一種基于建模參數特征分析的風力發電機組狀態評估方法。該方法包括風電機組監控數據篩選、風電機組運行工況識別、狀態監控數據整理分類、數據建模結構辨識匹配、智能模型結構參數估計、模型參數信息二次處理、風電設備狀態預警報警7個步驟。該方法以風力發電機組狀態監控數據的數據建模參數為核心狀態評估變量，使在一定時間段內風力發電機組狀態監測信息以具有高度信息概括能力的模型參數形式體現，通過對模型參數變化范圍、規律、趨勢、特征進行分析，實現風力發電設備狀態有效評估。
【專利說明】基于建模參數特征分析的風力發電機組狀態評估方法
【技術領域】
[0001]本發明涉及風力發電【技術領域】，特別是涉及基于建模參數特征分析的風力發電機組狀態評估方法。
【背景技術】
[0002]風力發電單位發電成本已經基本接近火電發電成本，是目前所有可再生能源中最具商業價值，最具推廣現實的能源種類；風力發電是一種清潔能源，對節能環保有重要的經濟社會效益。
[0003]風力發電是國家能源領域中長期規劃的重點方向，我國現有總裝機容量達到7400萬千瓦，占總電網裝機容量的7%，“十二五”末規劃風電總裝機容量達到0.98億千瓦；“十三五”末風電總裝機容量達到1.5?2億千瓦；到2050年，風電總裝機容量達到電網總裝機容量的17?20%左右；因此風力發電領域擁有廣闊且較明朗的前景，由其帶動的相關領域產業也必然擁有樂觀的市場前景；
[0004]我國風力發電產業已經完全走出了小規模技術論證階段，目前已經進入大規模推廣階段，由于我國風電產業起步較晚，技術積累薄弱，相關配套組件尚不能完全滿足風電整機高效安全運行要求，特別是我國風電整機企業絕大部分采用的直接引進國外成套整機設計技術模式進一步導致目前風電整機可靠性無法滿足實際運行需求，重大事故頻率高發，風機可利用率明顯低于國外機組。
[0005]隨著我國風電產業的迅速發展，由于技術趨勢及成本競爭需求，“十一五”期間主流的1.5麗風力發電機組已經不能滿足當前風電市場需求，單機容量規模在2麗及以上的風力發電機組已經逐步成為目前國內風電市場的主流機型。隨著單機容量的逐步上升，風電整機外形尺寸也迅速增大，整機的載荷水平也迅速攀升，因此對其機械組件的可靠性要求也迅速提高。
[0006]龍源電力集團股份有限公司所屬中能電力公司受國家能源局委托起草制定的《風力發電機組振動狀態監測導則》于2011年11月I日在全國風電行業實施。該導則針對通過檢測風力發電機組振動信號實現狀態監測方法進行了詳細的表述，規定所有海上風電機組應選擇采用固定安裝系統，陸上2MW (及以上)風電機組選擇采用固定安裝系統，陸上2MW以下風電機組可選擇半固定安裝系統或便攜式系統；導則同時對風電機組振動狀態監測系統作出了詳細的規定，對風電振動狀態監測環節進行統一，可以更精細化的掌握機組的運行狀態，合理安排檢修時間，減少風電事故。
[0007]在現有的機械狀態監控方法中，振動信號監控是一種相對比較成熟除的監控技術，在國外已經廣泛的應用在風電狀態監控系統中；除機械振動信號以外，包括溫度、壓力、轉速、視頻、音頻、應力、位移、油品質量等信號都可以反映風電機械系統不同環節的實時狀態，國外已經有大量的公司展開相關狀態監控產品開發。
[0008]風力發電是一種典型的大轉動慣量旋轉機械設備，其機械系統的狀態往往可以通過對機械組件的振動監測信號表征出來。由于機械系統狀態隨時間緩慢的固有特性，因此通常在較短的時間范圍內對機械系統在相同工況下進行振動監測數據往往時域特性差異不大。
[0009]在現有的風力發電狀態監控方法中，通常對風力發電機組一次監控變量簡單變換為二次監控變量，然后基于二次變量實現閾值報警及狀態預警等操作。一種常用的方法是將監控的風力發電機組振動加速度信息轉化為振動烈度信息，通過振動烈度信息進行機組及組件振動閾值報警并對接近報警閾值的情況進行預警，通過振動烈度變化趨勢情況進行振動趨勢報警。
[0010]現有技術的主要缺點是在于對數據信息的分析量較小，往往通過定時采集較短時間范圍的監控數據作為分析處理依據，由于風力發電機組運行工況復雜，且機械狀態變化緩慢，通常較短時間段內數據時域信息存在一定的偶然性，難以真實反映風力發電機組運行狀態，需要通過進一步提取有效狀態表征參數。
【發明內容】
[0011]本發明針對現有風力發電機組狀態評估技術中狀態評估參數設計較為簡單，難以有效衡量風力發電機組在一定時間段內有效運行狀態，提出了一種風力發電機組狀態監控信息有效評估方法
[0012]本發明的目的通過以下技術方案來實現:
[0013]基于建模參數特征分析的風力發電機組狀態評估方法，該方法包括如下步驟:
[0014]I)對指定狀態評估時間段內連續監控數據的監控信息進行判別，篩除明顯的錯誤數據，并對篩除后的數據進行插值處理；
[0015]2)對所述連續監控數據的監控信息進行分析，結合風力發電機組在不同運行工況下的典型運行參數，智能識別風力發電機組在不同監控數據段下的運行狀態；
[0016]3)將指定狀態評估時間段內連續監控數據按照運行工況、數據類型，依據特定的數據格式進行數據打包處理；
[0017]4)根據風力發電機組運行工況數據，結合建模數據類型，對不同運行工況下不同數據類型數據包進行數據模型匹配；
[0018]5)根據所匹配的模型結構，及步驟3分類的數據包，通過設定參數識別方法估計辨識模型參數操作，對每個數據包依據模型結構完成模型參數識別；
[0019]6)指按照時間順序對不同狀態評估時間段內，同種類型的數據包的模型辨識參數進行二次數據分析；
[0020]7)根據二次數據分析結果，對風電設備運行狀態進行判定，同時對模型參數超出正常范圍進行閾值報警、對模型參數變化率超出設定范圍進行變化趨勢報警、基于狀態進行判定結論對監控設備進行故障預警。
[0021]所述步驟I中的監控信息包括風力發電機組及其組件振動、轉速、溫度、壓力、應力、扭矩、油品油質、視頻、音頻、風速、安防、電網信息中或上述中的一種或多種。
[0022]所述步驟4中的數據模型匹配包括統計類模型、線性及非新型關系映射類模型或上述模型中的一個或多個。
[0023]所述步驟6中二次數據分析包括模型參數信息的數據統計、趨勢分析、變化率分析、圖形分析或上述分析中的一種或多種[0024]本發明的優點在于:
[0025]該方法以風力發電機組狀態監控數據的數據建模參數為核心狀態評估變量，使在一定時間段內風力發電機組狀態監測信息以具有高度信息概括能力的模型參數形式體現，通過對模型參數變化范圍、規律、趨勢、特征進行分析，實現風力發電設備狀態有效評估。該方法不僅適用于風力發電狀態評估，也適用于各種不同場合狀態緩慢變化系統的長時間連續狀態監控評估方法。
【專利附圖】
【附圖說明】
[0026]圖1基于建模參數特征分析的風力發電機組狀態評估方法步驟示意圖。
【具體實施方式】
[0027]如圖1為基于建模參數特征分析的風力發電機組狀態評估方法步驟示意圖。該方法包括以下7個步驟:
[0028]步驟1:風電機組監控數據篩選；
[0029]步驟2:風電機組運行工況識別；
[0030]步驟3:狀態監控數據整理分類；
[0031]步驟4:數據建模結構辨識匹配；
[0032]步驟5:智能模型結構參數估計；
[0033]步驟6:模型參數信息二次處理；
[0034]步驟7:風電設備狀態預警報警。
[0035]以下對各步驟詳細說明。
[0036]步驟I中，風電機組監控數據篩選主要是對指定狀態評估時間段內連續監控數據監控信息的有效性進行判別，篩除明顯的錯誤數據，并對其進行插值處理。風力發電機組狀態監控信息包括但不僅限于風力發電機組及其組件振動、轉速、溫度、壓力、應力、扭矩、油品油質、視頻、音頻、風速、安防、電網信息等信息。進行數據篩選能夠消除數據采集或傳輸過程中由于受到噪聲影響可能產生的誤報數據，提高數據建模的準確性。
[0037]步驟2中，風電機組運行工況識別主要是指通過對連續監控數據進行分析，結合風力發電機組在不同運行工況下的典型運行參數，智能識別風力發電機組在不同監控數據段下的運行狀態。優選地風電機組運行工況識別可以依據平均風速信息或風力發電機轉子轉速信息進行工況識別。
[0038]步驟3中，狀態監控數據整理分類是指將指定狀態評估時間段內連續監控數據按照運行工況、數據類型，依據特定的數據格式進行數據打包處理。
[0039]優選地可以按照不同的10分鐘平均風速，對不同類型的監控數據進行分類打包或對具有相關性數據進行統一打包。相關性數據包括但不僅限于轉速與振動、風速與振動
坐寸ο
[0040]步驟4中，數據建模結構辨識匹配是指對根據風力發電機組運行工況數據，結合建模數據類型，智能對不同運行工況下不同數據類型數據包進行數據模型匹配。匹配模型包括但不僅限于:統計類模型、線性及非新型關系映射類模型等。其中，統計模型通常是指描述監控變量的分布特性，可以采用包括但不僅限于數據統計、多項式擬合等方法對監控變量的分布特性進行建模，例如對振動幅值信息可以通過多項式擬合方法或特定模型參數辨識，例如威布爾分布參數辨識、高斯分布參數辨識等，建立振動幅值分布模型；線性及非新型關系映射類模型通常是指描述兩個或多個變量之間的映射關系，可以通過包括但不僅限于傳遞函數、神經網絡等線性、非線性建模方法實現，例如對風速信息和塔筒振動信息可以通過非線性建模建立風速信息與塔筒振動信息非線性關系模型。
[0041]步驟5中，智能模型結構參數估計指依據匹配的模型結構，對步驟3按照運行工況、數據類型分類的數據包，進行基于計算智能技術，按照設定參數識別方法估計辨識模型參數操作，對每個數據包依據模型結構完成模型參數識別。智能模型結構參數估計方法可以采用包括但不僅限于數據統計法、多項式擬合法、最小二乘法、隨機搜索等智能搜索算法
坐寸ο
[0042]步驟6中，模型參數信息二次處理主要是指按照時間順序對不同狀態評估時間段內，同種類型的數據包的模型辨識參數進行二次數據分析，二次數據分析內容包括但不僅限于針對模型參數信息的數據統計、趨勢分析、變化率分析、圖形分析等。所述二次處理主要是對隨時間順序不同時間段模型參數數據變化進行分析，為狀態判斷故障報警提供方便的技術平臺。例如，模型參數信息二次處理可以對所有在同一運行工況下，塔筒振動幅值的統計信息進行連續化圖形處理，生成隨時間變化同一運行工況下，塔筒振動幅值統計參數變化曲線，方便高級技術人員進行狀態分析。
[0043]步驟7中，風電設備狀態預警報警主要是根據模型參數信息二次處理結論，智能對風電設備運行狀態進行判定，同時對模型參數超出正常范圍進行閾值報警、對模型參數變化率超出設定范圍進行變化趨勢報警、基于狀態進行判定結論對監控設備進行故障預
目O
[0044]基于狀態進行判定結論對監控設備進行故障預警，一種優選地方案是通過經驗及歷史數據智能生成數據建模參數隨設備生命周期變化軌跡，基于當前數據建模參數數值對應設備生命周期狀態。
[0045]本發明針對現有風力發電機組狀態評估技術中狀態評估變量涵蓋數據信息較少，難以有效對風電機組狀態進行評估，提出了一種基于建模參數特征分析的風力發電機組狀態評估方法。該方法通過對高度信息特征提取的模型參數變化范圍、規律、趨勢、特征進行分析，極大的改善了傳統方法評估參數設計較為簡單，難以有效實現風電機組復雜狀態評估的缺點，有效的提升了風電設備狀態評估的有效性和實用性。
[0046]應當理解，以上借助優選實施例對本發明的技術方案進行的詳細說明是示意性的而非限制性的。本領域的普通技術人員在閱讀本發明說明書的基礎上可以對各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
【權利要求】
1.基于建模參數特征分析的風力發電機組狀態評估方法，其特征在于，該方法包括如下步驟: 1)對指定狀態評估時間段內連續監控數據的監控信息進行判別，篩除明顯的錯誤數據，并對篩除后的數據進行插值處理； 2)對所述連續監控數據的監控信息進行分析，結合風力發電機組在不同運行工況下的典型運行參數，智能識別風力發電機組在不同監控數據段下的運行狀態； 3)將指定狀態評估時間段內連續監控數據按照運行工況、數據類型，依據特定的數據格式進行數據打包處理； 4)根據風力發電機組運行工況數據，結合建模數據類型，對不同運行工況下不同數據類型數據包進行數據模型匹配； 5)根據所匹配的模型結構，及步驟3分類的數據包，通過設定參數識別方法估計辨識模型參數操作，對每個數據包依據模型結構完成模型參數識別； 6)指按照時間順序對不同狀態評估時間段內，同種類型的數據包的模型辨識參數進行二次數據分析； 7)根據二次數據分析結果，對風電設備運行狀態進行判定，同時對模型參數超出正常范圍進行閾值報警、對模型參數變化率超出設定范圍進行變化趨勢報警、基于狀態進行判定結論對監控設備進行故障預警。
2.根據權利要求1所述的基于建模參數特征分析的風力發電機組狀態評估方法，其特征在于，所述步驟I中的監控信息包括風力發電機組及其組件振動、轉速、溫度、壓力、應力、扭矩、油品油質、視頻、音頻、風速、安防、電網信息中或上述中的一種或多種。
3.根據權利要求1所述的基于建模參數特征分析的風力發電機組狀態評估方法，其特征在于，所述步驟4中的數據模型匹配包括統計類模型、線性及非新型關系映射類模型或上述模型中的一個或多個。
4.根據權利要求1所述的基于建模參數特征分析的風力發電機組狀態評估方法，其特征在于，所述步驟6中二次數據分析包括模型參數信息的數據統計、趨勢分析、變化率分析、圖形分析或上述分析中的一種或多種。
【文檔編號】G01M15/00GK103711645SQ201310607010
【公開日】2014年4月9日 申請日期:2013年11月25日 優先權日:2013年11月25日
【發明者】賈利民, 劉展, 龐宇, 雷濤, 童亦斌 申請人:北京能高自動化技術股份有限公司