一种风电机组健康预警方法技术

本发明专利技术涉及新能源风力发电系统领域，具体涉及一种风电机组健康预警方法，包括如下步骤：(1)风电场监控数据的采集：采集并储存风电场正常运行状态下的监控数据；(2)与风电机组输出功率相关的特征参数的选择确定；(3)风电机组功率预测模型的建立；(4)健康状态标准残差集构建；(5)实时残差集的获取；(6)风电机组健康评估预警。本发明专利技术将选择的发电机输出功率性能参数转换成一个合适的距离量度，通过此方式来反映该时间点机组的综合发电能力健康状态，该方法能够实现在机组发电运行工况下对其发电能力衰退情况进行量化评估，实用性强。

A Health Early Warning Method for Wind Turbines

The invention relates to the field of new energy wind power generation system, in particular to a health early warning method for wind turbines, including the following steps: (1) acquisition of monitoring data of wind farms: acquisition and storage of monitoring data under normal operation of wind farms; (2) selection and determination of characteristic parameters related to output power of wind turbines; (3) establishment of power prediction model of wind turbines; (4) health status. Construction of standard residual sets of state; (5) acquisition of real-time residual sets; (6) health assessment and early warning of wind turbines. The method converts the selected generator output power performance parameters into an appropriate distance measure, and reflects the healthy state of the comprehensive generating capacity of the unit at the time point. The method can quantitatively evaluate the decline of the generating capacity of the unit under the generating operation condition, and has strong practicability.

【技术实现步骤摘要】
一种风电机组健康预警方法
本专利技术涉及新能源风力发电系统领域，具体涉及一种风电机组健康预警方法。
技术介绍
随着风电在电网系统中的大规模应用，风电场智能化运维技术得到了广泛的关注。风电机组故障所产生的高昂维修费用直接影响到了风电场业主的经济效益，同时长时间的停机也会对于整个电网系统的运行调度带来冲击，所以通过对风电机组整机性能的评估，实现故障的提前预警，对风电场的整体运营具有重要的意义。现有系统对历史数据的深入挖掘分析还很欠缺，它们仅仅关心风电机组“当前”的运行状态，而无法对机组的故障进行提前诊断或运行状态的预测。这种传统的通过软件辅助来指导完成设备“事后维修”和“计划维修”的方法在应对瞬息万变的新情况时存在严重的不足。基于整机健康状态评估的“视情维修”和“预知维修”可以将故障消灭在萌芽状态，所以可以作为未来风电机组维护的有力保障。然而，由于风电机组工作环境恶劣、运行状态影响因素，对机组整机性能的量化评估是十分困难的。综上所述，亟需提供一种实用性强，能够实现风电机组在发电运行工况下对其发电能力衰退情况进行量化评估并进行预警的风电机组健康预警方法。
技术实现思路
本专利技术的目的是提供一种实用性强，能够实现风电机组在发电运行工况下对其发电能力衰退情况进行量化评估并进行预警的风电机组健康预警方法。上述目的是通过如下技术方案实现：一种风电机组健康预警方法，包括如下步骤：(1)风电场监控数据的采集：采集并储存风电场正常运行状态下的监控数据；(2)与风电机组输出功率相关的特征参数的选择确定；(3)风电机组功率预测模型的建立：从步骤(1)中的监控数据中选出步骤(2)中的特征参数作为训练集输入至神经网络进行训练，经过训练后的神经网络在输入预定特征参数时，风电机组的输出功率可作为目标值输出，形成风电机组功率预测模型；(4)健康状态标准残差集构建：从步骤(1)中选取与训练集不同时间段的风电机组健康状态下的监控数据，将所述监控数据中的特征参数输入至步骤(3)中的风电机组功率预测模型，功率预测模型的输出值，即模型预测值与风电机组实际的输出功率，即风电机组实际输出值之差记为标准残差；风电机组预定的正常工作时间段内的标准残差集Ut记为Ut＝{ε(t)|ε(t)＝Yf(t)-Ya(t),t∈(1,2…,n)}；其中，t为时间序列中的时刻点，Yf(t)为t时刻输出功率的模型预测值，Ya(t)风电机组t时刻的实际输出值，ε(t)为t时刻的元素；(5)实时残差集的获取：采集实际风电机组运行参数，利用训练好的风电机组功率预测模型得到实时功率预测值，并求取预定时间内的预测值与风电机组实测值之间的实时残差，得实时残差集；(6)风电机组健康评估预警：计算步骤(5)中的实时残差集与步骤(4)中的风电机组健康状态标准残差集之间的马氏距离，当计算得到的马氏距离大于预定值时进行预警。本专利技术将选择的发电机输出功率性能参数转换成一个合适的距离量度，通过此方式来反映该时间点机组的综合发电能力健康状态，通过输出功率预测模型获取风电机组实时的功率输出残差，并计算当前残差与正常状态评估基准残差集直接的马氏距离，马氏距离越大，表示测试点残差值距离标准残差集越远，风电机组健康状态越差；马氏距离越小，表示测试点残差值距离标准残差集越近，风电机组健康状态越好，同时基于机器学习的方法有效排除了人为主观意识的影响，对机型的适应能力也越强，具有很强的实际运用价值，并运用现场数据对方法进行了验证，试验结果表明，该方法能够实现在机组发电运行工况下对其发电能力衰退情况进行量化评估，实用性强。作为优选，进一步的技术方案是：所述步骤(6)中通过马氏距离归一化构建实时健康指数，计算公式如下：其中：i表示当前计算健康指数的数据的编号，dMD，i意思是第i个数据采样点时的马氏距离，α为归一化参数，调整α的参数能够使RHI对不同风速下的敏感性发生变化；RHI为实时健康指数，RHI值越小则表明风电机组性能衰退越严重，当RHI值小于预定值时进行预警。如此，将计算的当前残差与正常状态评估基准残差集直接的马氏距离归一化为构建实时健康指数评价发电性能及健康状态，结果更为精准。作为优选，进一步的技术方案是：所述步骤(2)之前还包括输出功率与风电机组健康状态关系的判断的步骤：绘制风机预定时段内的功率与风速散点图以及风机设计的标准功率曲线，当大量的功率输出点都分布在标准功率曲线的右侧时，将风电机组的输出功率作为反映风电机组健康状态的指标。当大量的功率输出点都分布在标准功率曲线的右侧时表明此阶段风电机组并未达到最佳的运行状态，风电机组在非限功率发电运行状态下输出功率能够准确反映整机的发电能力或健康状态，而无需考虑其他局部部件的影响，故可将输出功率作为风电机组健康状态的标准。作为优选，进一步的技术方案是：所述步骤(2)中选择风电机组的风速、桨叶角度、机舱偏航角度、环境温度作为特征参数。风电机组的输出功率主要受到风机所处环境的空气密度、风速、以及风机的叶片状态等因素的影响。对于影响风电机组输出功率的几个因素而言，在风电场SCADA系统所采集的数据中可以以风速、桨叶角度、机舱偏航角度(机舱与风向5s偏差角)、环境温度四个变量数据来量化表示，在模型的训练过程中，采用大量机组健康状态下历史数据作为模型的训练集数据，对应的结构及参数得到确定。作为优选，进一步的技术方案是：所述步骤(3)中，在神经网络的训练过程中采用粒子群算法(PSO)对神经网络的权值和偏置进行优化。由于BP神经网络权值的调整以误差梯度下降为原则，使得训练可能陷入局部最小，从而使训练无法收敛于给定的误差，所在在实际应用过程中需要对网络进行优化，本文选取粒子群算法对权值和偏置进行优化。作为优选，进一步的技术方案是：所述步骤(3)中粒子群算法对神经网络的权值和偏置进行优化的流程如下：(S1)构建神经网络并进行初始化；(S2)设置粒子群优化算法的参数并进行初始化；(S3)计算粒子适应度函数值；(S4)判断当前值是否最优，否，则粒子更新自身速度和位置进行迭代并返回至(S3)，是则进入(S5)；(S5)输出神经网络的权值和偏置，训练神经网络。本专利技术构建了基于PSO-BP的输出功率预测模型并利用模型得到机组状态评估基准残差集，针对变化快、非线性的风电功率预测而言，PSO-BP算法能够有效提高预测精度，减少学习时间。作为优选，进一步的技术方案是：在D维搜索空间中，一个规模为m的种群，第i个粒子表示为Xi＝[xi1,xi2,…xiD]T，其速度为Vi＝[vi1,vi2,…viD]T，个体极值表示为Pi＝[pi1,pi2,…piD]T，总群的全局极值为Pg＝[pg1,pg2,…pgD]T，在一次迭代过程中，粒子更新自身速度和位置的公式为：其中:ω为惯性权重；d＝1,2…,D；i＝1,2,…,n；k为迭代次数；C1、C2为随机加速度因子。作为优选，进一步的技术方案是：所述步骤(1)中利用风电场SCADA系统储存数据采集模块采集的数据传递数据并进行监控，所述步骤(3)中利用风电场SCADA系统历史健康数据对神经网络进行训练。作为优选，进一步的技术方案是：所述步骤(1)中将储存的历史数据先经过滤波处理，将所述的历史数据中异常数值进行处理，消除数据之间的不一致性，获得SCADA系本文档来自技高网...

【技术保护点】
1.一种风电机组健康预警方法，其特征在于，包括如下步骤：(1)风电场监控数据的采集：采集并储存风电场正常运行状态下的监控数据；(2)与风电机组输出功率相关的特征参数的选择确定；(3)风电机组功率预测模型的建立：从步骤(1)中的监控数据中选出步骤(2)中的特征参数作为训练集输入至神经网络进行训练，经过训练后的神经网络在输入预定特征参数时，风电机组的输出功率可作为目标值输出，形成风电机组功率预测模型；(4)健康状态标准残差集构建：从步骤(1)中选取与训练集不同时间段的风电机组健康状态下的监控数据，将所述监控数据中的特征参数输入至步骤(3)中的风电机组功率预测模型，功率预测模型的输出值，即模型预测值与风电机组实际的输出功率，即风电机组实际输出值之差记为标准残差；风电机组预定的正常工作时间段内的标准残差集Ut记为Ut＝{ε(t)|ε(t)＝Yf(t)‑Ya(t),t∈(1,2…,n)}；其中，t为时间序列中的时刻点，Yf(t)为t时刻输出功率的模型预测值，Ya(t)风电机组t时刻的实际输出值，ε(t)为t时刻的元素。(5)实时残差集的获取：采集实际风电机组运行参数，利用训练好的风电机组功率预测模型得到实时功率预测值，并求取预定时间内的预测值与风电机组实测值之间的实时残差，得实时残差集；(6)风电机组健康评估预警：计算步骤(5)中的实时残差集与步骤(4)中的风电机组健康状态标准残差集之间的马氏距离，当计算得到的马氏距离大于预定值时进行预警。...

【技术特征摘要】
1.一种风电机组健康预警方法，其特征在于，包括如下步骤：(1)风电场监控数据的采集：采集并储存风电场正常运行状态下的监控数据；(2)与风电机组输出功率相关的特征参数的选择确定；(3)风电机组功率预测模型的建立：从步骤(1)中的监控数据中选出步骤(2)中的特征参数作为训练集输入至神经网络进行训练，经过训练后的神经网络在输入预定特征参数时，风电机组的输出功率可作为目标值输出，形成风电机组功率预测模型；(4)健康状态标准残差集构建：从步骤(1)中选取与训练集不同时间段的风电机组健康状态下的监控数据，将所述监控数据中的特征参数输入至步骤(3)中的风电机组功率预测模型，功率预测模型的输出值，即模型预测值与风电机组实际的输出功率，即风电机组实际输出值之差记为标准残差；风电机组预定的正常工作时间段内的标准残差集Ut记为Ut＝{ε(t)|ε(t)＝Yf(t)-Ya(t),t∈(1,2…,n)}；其中，t为时间序列中的时刻点，Yf(t)为t时刻输出功率的模型预测值，Ya(t)风电机组t时刻的实际输出值，ε(t)为t时刻的元素。(5)实时残差集的获取：采集实际风电机组运行参数，利用训练好的风电机组功率预测模型得到实时功率预测值，并求取预定时间内的预测值与风电机组实测值之间的实时残差，得实时残差集；(6)风电机组健康评估预警：计算步骤(5)中的实时残差集与步骤(4)中的风电机组健康状态标准残差集之间的马氏距离，当计算得到的马氏距离大于预定值时进行预警。2.根据权利要求1所述的风电机组健康预警方法，其特征在于，所述步骤(6)中通过马氏距离归一化构建实时健康指数，计算公式如下：其中：i表示当前计算健康指数的数据的编号，dMD，i意思是第i个数据采样点时的马氏距离，α为归一化参数，调整α的参数能够使RHI对不同风速下的敏感性发生变化；RHI为实时健康指数，RHI值越小则表明风电机组性能衰退越严重，当RHI值小于预定值时进行预警。3.根据权利要求1或2所述的风电机组健康预警方法，其特征在于，所述步骤(2)之前还包括输出功率与风电机组健康状态关系的判断的步骤：绘制风机预定时段内的功率与风速散点图以及风机设计的标准功率曲线，当大量的功率输出点都分布在...

【专利技术属性】
技术研发人员：詹俊，汪雅果，王荣林，刘明辉，朱方镇，谢正娟，
申请(专利权)人：湖南优利泰克自动化系统有限公司，
类型：发明
国别省市：湖南,43