一种风电机组变桨系统的故障确定方法及系统技术方案

本发明专利技术涉及一种风电机组变桨系统的故障确定方法及系统。该方法包括：获取变桨系统动力学模型；根据变桨系统动力学模型获取风机变桨系统发生故障后的数据；根据发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；获取当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值；根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及训练后的卷积神经网络确定当前预测的桨距角；根据当前预测的桨距角与当前的桨距角确定风机变桨系统的故障诊断结果。本发明专利技术能够准确有效地检测和确定故障，同时对故障幅值的变化进行准确有效的预测。

【技术实现步骤摘要】
一种风电机组变桨系统的故障确定方法及系统
本专利技术涉及风电机组关键设备故障预测领域，特别是涉及一种风电机组变桨系统的故障确定方法及系统。
技术介绍
近年来，风能是当前最受关注的清洁、可再生能源，全球风能约为2.74×109MW，是世界各国解决能源缺乏问题不可忽视的力量。就中国的可开发利用风能储量而言，陆地上风能储量约2.53×109kW，海上可开发利用风能的储量约7.5×109kW，共计1010kW。风力发电是有效利用风能的最主要形式之一。由于风电设备的安装特殊性，例如一方面风电机组常安装在高山和海边等比较恶劣的环境中，易受沙尘、水雾、冰冻等污染侵害；另一方面风力发电系统常安装于高空，运行、维护十分复杂，因此，当风电设备系统出现故障时，对系统的运行、控制将更加复杂。风电机组每年维护成本约占风电机组成本的30％，因此随着风电设备装机数量的持续增长，快速有效地估计风机可能产生的故障并提升风机故障诊断的精准度，对确保风力发电系统能安全可靠地运行具有重要意义，针对风电机组故障的排查和维护工作的技术开发已迫在眉睫。目前，风电机组多数选择电动变桨本文档来自技高网...

【技术保护点】
1.一种风电机组变桨系统的故障确定方法，其特征在于，包括：/n获取变桨系统动力学模型；所述变桨系统动力学模型用于获取风机变桨系统的数据；所述数据包括：桨距角测量值、空气进入风轮前的风速、控制系统控制电压、主传动轴转矩、发电机转子实际转速、发电机转速测量值以及桨距角；/n根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据；/n根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；所述训练后的卷积神经网络以桨距角测量值、主传动轴转矩、发电机转子实际转速以及发电机转速测量值为输入，以所述桨距角为输出；/n获取所述风机变桨系统当前的桨距角、当前的桨距角测量值、当前...

【技术特征摘要】
1.一种风电机组变桨系统的故障确定方法，其特征在于，包括：
获取变桨系统动力学模型；所述变桨系统动力学模型用于获取风机变桨系统的数据；所述数据包括：桨距角测量值、空气进入风轮前的风速、控制系统控制电压、主传动轴转矩、发电机转子实际转速、发电机转速测量值以及桨距角；
根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据；
根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络；所述训练后的卷积神经网络以桨距角测量值、主传动轴转矩、发电机转子实际转速以及发电机转速测量值为输入，以所述桨距角为输出；
获取所述风机变桨系统当前的桨距角、当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值；
根据当前的桨距角测量值、当前的主传动轴转矩、当前的发电机转子实际转速以及当前的发电机转速测量值以及所述训练后的卷积神经网络确定当前预测的桨距角；
根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果；所述故障诊断结果包括：发生故障或未发生故障。


2.根据权利要求1所述的一种风电机组变桨系统的故障确定方法，其特征在于，所述根据所述变桨系统动力学模型获取所述风机变桨系统发生故障后的数据，具体包括：
利用公式确定所述风机变桨系统发生故障后的数据；
其中，x(t)＝[αωgωgm]T，α为桨距角，ωg为电机转子转速，ωgm为发电机转速测量值，u(t)＝αm，αm为桨距角测量值，d(t)＝[vgU]T，vg为空气进入风轮前的风速，U为控制系统控制电压，y(t)＝[Mrωgωgmα]T，Mr为主传动轴转矩，fa(t)和fs(t)分别为执行器和传感器的加性故障值，La和Ls分别为执行器和传感器的乘性故障值，A、B、C、D、Fa、Fs分别为已知的系统矩阵和故障矩阵。


3.根据权利要求1所述的一种风电机组变桨系统的故障确定方法，其特征在于，所述根据所述风机变桨系统发生故障后的数据训练卷积神经网络，确定训练后的卷积神经网络，具体包括：
获取卷积神经网络；所述卷积神经网络包括：三个卷积层以及四个全连接层；
将所述风机变桨系统发生故障后的数据划分为训练集和验证集；
利用所述训练集训练所述卷积神经网络，确定训练后的卷积神经网络；
利用所述验证集进行所述训练后的卷积神经网络的验证。


4.根据权利要求1所述的一种风电机组变桨系统的故障确定方法，其特征在于，所述根据所述当前预测的桨距角与所述当前的桨距角确定所述风机变桨系统的故障诊断结果，具体包括：
根据所述当前预测的桨距角与所述当前的桨距角确定残差；
根据所述残差确定故障决策指标；
判断所述故障决策指标是否小于故障阈值；
若小于，则未发生故障；
若不小于，则发生故障。


5.根据权利要求4所述的一种风电机组变桨系统的故障确定方法，其特征在于，所述根据所述残差确定故障决策指标，具体包括：
利用公式确定故障决策指标；
其中，所述J(t)为故障决策指标，c1＞0为瞬时残差信号所占权重；c2＞0为历史残差信号所占权重；λ＞0为决策指标的遗忘因子，ea(t)为t时刻的残差，τ为积分变量。


6.一种风电机组变桨系统的故障确定系统，其特征在于，包括：
变桨系统动力学模型获取模块，用于获取变桨系统动力学模型；所述变桨系统动力...

【专利技术属性】
技术研发人员：徐进，宫永立，刘亦石，
申请(专利权)人：鲁能集团有限公司，都城伟业集团有限公司，
类型：发明
国别省市：山东;37