一种风力发电机变桨系统故障预测方法和系统技术方案

本发明专利技术提供一种风力发电机变桨系统故障预测方法和系统，选取能够标识风力发电机变桨系统故障的故障特征参数，以特征参数作为输出，风速、有功功率、风轮转速作为输入建立故障预测模型；以大量历史风速、有功功率、风轮转速数据输入至故障预测模型获得历史故障特征参数预测值，结合历史故障特征参数实际值，设定故障特征参数偏差的合理范围；最后运行期间以实时风速、有功功率、风轮转速数据输入至故障预测模型获得故障特征参数预测值，结合特征参数实际值计算偏差，当偏差不在合理范围内时，则判定变桨系统有潜在性故障。本发明专利技术建立了风机变桨系统的故障预测模型，对变桨系统的潜在性故障进行判别，为风机检修计划制定提供参考依据。

【技术实现步骤摘要】
一种风力发电机变桨系统故障预测方法和系统
本专利技术属于风力发电机故障诊断方法，具体涉及一种风力发电机变桨系统故障预测方法和系统。
技术介绍
风能和太阳能作为一种清洁的可再生能源，受到世界各国的重视。近年来我国风力发电逐渐呈现出容量越来越大、分布越来越广的局面，但是风机故障率仍旧相对较高，从而导致运行维护困难，严重影响风电场经济效益。风电机组传统的维护维修方面主要采用修复性维修和预防性维修两种手段。修复性维修属于事后维护，即风电机组发生故障产生事故告警后，安排维护人员前往维修。预防性维修属于事先维护，基于时间、性能等条件对设备进行定期维修，更多还是凭经验，未雨绸缪。上述两种维修方式效率均不高。近些年来预测性维护逐步提出，预测性维护是指建立风机状态评价模型，通过数据分析及挖掘，判别风电机组的潜在性故障，以此制定更加合理的检修计划高效完成风电场维护工作。因此风机各部件的故障预测技术是预测性维护的基础。
技术实现思路
本专利技术的技术目的是克服现有技术中的问题，提供一种风力发电机变桨系统故障预测方法，实现风力发电机变桨系统潜在性故障预判。为解决上述技术问题，本专利技术提供一种风力发电机变桨系统故障预测方法，包括如下步骤：获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。进一步地，所述故障特征参数预测模型采用最小二乘支持向量机，训练故障特征参数预测模型的方法包括：选取风机变桨故障特征参数Xi，以故障特征参数Xi作为输出，以风速、有功功率及风轮转速作为输入，训练基于最小二乘支持向量机直至满足要求。再进一步地，选取风机变桨故障特征参数Xi具体方法为：采用relief方法获取变桨系统故障期间各参数权重，选取权重最重的一组参数作为故障特征参数Xi，对应权重为ci，其中i为故障特征参数个数。进一步地，故障特征参数偏差设定范围的设置方法如下：将选定数量的风机历史上正常运行期间的风速、有功功率、风轮转速输入至预测模型M，获得对应的历史故障特征参数预测值其中m为历史数据个数，结合对应历史时刻故障特征参数的实际值通过下式获取一系列偏差ηm：其中n是故障特征量的个数，n是i的取值范围，Cim是各故障特征参数分量的权重，故障特征参数偏差的合理范围为η∈[0,MAX(ηm)]。第二方面本专利技术还提供了一种风力发电机变桨系统故障预测系统，包括：数据获取模块、预测模块和故障判断模块，其中所述数据获取模块，用于获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；所述预测模块，用于将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；所述故障判断模块，用于将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。进一步地，还包括预测模型训练模块，所述预测模型训练模块用于训练获得所述故障特征参数预测模型M。本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任意一种可能的实施例提供的所述风力发电机变桨系统故障预测方法的步骤。本专利技术所取得的有益技术效果：本专利技术建立了风机变桨系统的故障预测模型，利用故障特征参数预测模型M对变桨系统的潜在性故障进行判别，为风机检修计划制定提供参考依据。可应用于风机维护工作的辅助决策。附图说明图1为本专利技术具体实施例提供的风力发电机变桨系统故障预测方法流程示意图。具体实施方式以下结合说明书附图和具体实施例对本专利技术做进一步说明。实施例1：一种风力发电机变桨系统故障预测方法，如图1所示，包括如下步骤：获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。本实施例中所述故障特征参数预测模型采用最小二乘支持向量机(LSSVM，LeastSquaresSVM)，训练故障特征参数预测模型的方法包括：选取风机变桨故障特征参数Xi，以故障特征参数Xi作为输出，以风速、有功功率及风轮转速作为输入，训练基于最小二乘支持向量机直至满足要求。选取风机变桨故障特征参数Xi具体方法为：采用relief方法获取变桨系统故障期间各参数权重，选取权重最重的一组参数作为故障特征参数Xi，对应权重为ci，其中i为故障特征参数个数。针对获取的样本获得故障特征向量，对每个故障特征向量利用矩阵数据进行Relief加权特征选择算法进行特征权重计算，本实施例选取权重最重的一组参数作为故障特征参数Xi去除对分类无效的特征，保留分类能力较强的特征，用剩余的有效特征组成特征向量进行分类，实现故障特征的降维。可选地，故障特征参数偏差设定范围的设置方法如下：将选定数量的风机历史上正常运行期间的风速、有功功率、风轮转速输入至预测模型M，获得对应的历史故障特征参数预测值其中m为历史数据个数，结合对应历史时刻故障特征参数的实际值通过下式获取一系列偏差ηm：其中n是故障特征量的个数，n是i的取值范围，Cim是各故障特征参数分量的权重，该权重通过Relief加权特征选择算法获得。故障特征参数偏差的合理范围为η∈[0,MAX(ηm)]。以风机运行时实时风速、有功功率、风轮转速值输入至故障特征参数预测模型M获得特征参数预测值，结合故障特征参数的实际值通过式(1)计算偏差η，当η不在合理范围内时，则判定变桨系统有潜在性故障。本实施例中通过风机监控系统，导出一年内风机故障期间和正常运行期间变桨系统历史运行参数数据，计算各参数在故障期间和正常运行期间的偏差，通过relief方法获取各参数权重，选出权重较重，及在故障期间发生显著变化的参数作为故障特征参数，并记录各故障特征参数的权重值。以上述故障特征参数一年内每个月的前半个月的历史值组成输出样本，以一年内每个月前半个月的风速、有功功率、风轮转速历史值组成输入样本，通过LSSVM方法训练获得预测模型。以上述一年内风机正常运行期间每个月后半个月风速、有功功率、风轮转速输入预测模型获得故障特征参数的历史值，结合对应的历史实际值通过本专利技术所给出的方法计算偏差，获得偏差合理范围风机正常运行期间，风机运行时实时风速、有功功率、风轮转速值输入至故障特征参数预测模型获得特征参数预测值，结合故障特征参数的实际值通过式计算偏差，当偏差不在合理范围内时，则判定变桨系统有潜在性故障。本专利技术提供一种风力发电机变桨系统故障预测方法，选取能够标识风力发电本文档来自技高网...

【技术保护点】
1.一种风力发电机变桨系统故障预测方法，其特征在于，包括如下步骤：/n获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；/n将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。/n

【技术特征摘要】
1.一种风力发电机变桨系统故障预测方法，其特征在于，包括如下步骤：
获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；
将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。


2.根据权利要求1所述的一种风力发电机变桨系统故障预测方法，其特征在于：所述故障特征参数预测模型采用最小二乘支持向量机，训练故障特征参数预测模型的方法包括：选取风机变桨故障特征参数Xi，以故障特征参数Xi作为输出，以风速、有功功率及风轮转速作为输入，训练基于最小二乘支持向量机直至满足要求。


3.根据权利要求2所述的一种风力发电机变桨系统故障预测方法，其特征在于：选取风机变桨故障特征参数Xi具体方法为：采用relief方法获取变桨系统故障期间各参数权重，选取权重最重的一组参数作为故障特征参数Xi，对应权重为ci，其中i为故障特征参数个数。


4.根据权利要求1所述的一种风力发电机变桨系统故障预测方法，其特征在于：故障特征参数偏差设定范围的设置方法如下：将选定数量的风机历史上正常运行期间的风速、有功功率、风轮转速...

【专利技术属性】
技术研发人员：黄宝成，李洪军，张滔，张磊，何正东，余从极，成月良，叶海瑞，王传秀，柏嵩，王伟，汤海宁，高远，董雪，
申请(专利权)人：国家电投集团江苏新能源有限公司，南瑞南京控制系统有限公司，
类型：发明
国别省市：江苏;32