风力发电机组的绕组运行状态监测方法和装置制造方法及图纸

本申请提供一种风力发电机组的绕组运行状态监测方法和装置，该方法包括：获取SCADA系统采集的风力发电机组的SCADA数据；根据多个数据组的多个机组变量和多个绕组变量，分别确定各采样时刻的机组熵和绕组熵；根据各采样时刻的绕组熵和机组熵，确定各采样时刻的绕组与风力发电机组的熵比；根据各采样时刻的熵比以及健康运行状态下的风力发电机组的熵比阈值，确定各采样时刻的熵比累积偏离值；根据各采样时刻的熵比累积偏离值和以及预设的决策树模型，确定绕组的运行状态，决策树模型的输入为风力发电机组的超限信息，决策树模型的输出为绕组的运行状态，超限信息为根据各采样时刻的熵比累积偏离值确定。本申请能够提高故障监测精度。精度。精度。

【技术实现步骤摘要】
风力发电机组的绕组运行状态监测方法和装置


[0001]本申请涉及风力发电机组领域，尤其涉及一种风力发电机组的绕组运行状态监测方法和装置。

技术介绍

[0002]信息熵是物质系统状态的一种度量，表示系统内在的混乱程度，熵值越大代表系统状态越复杂、随机，熵值越小代表系统状态越简单、规则。目前，基于信息熵的状态监测方法已广泛应用于各类工业部件，当被观测的系统或部件发生异常时，系统或部件本身的熵值就会发生不同程度的波动，由此来对系统或部件本身进行状态监测，及时发现其异常趋势并给出报警。
[0003]现有的基于信息熵算法的状态监测只考虑到了当前时刻系统或部件熵值的波动情况，可以识别到对于当前时刻熵值波动较大的系统或部件异常，但对于系统或部件的小波动不敏感，如果系统或部件的小波动持续时间较长，那么也可以反映系统或部件一定的异常状态，所以单纯基于信息熵算法的状态监测会产生故障的漏报现象。

技术实现思路

[0004]本申请提供一种风力发电机组的绕组运行状态监测方法和装置。
[0005]具体地，本申请是通过如下技术方案实现的：
[0006]本申请实施例的第一方面，提供一种风力发电机组的绕组运行状态监测方法，包括：
[0007]获取SCADA系统采集的风力发电机组的SCADA数据，所述SCADA数据包括多个数据组，每个数据组包括同一采样时刻下的多个机组变量和多个绕组变量；
[0008]根据多个所述数据组的多个所述机组变量和多个所述绕组变量，分别确定各采样时刻的机组熵和绕组熵；/>[0009]根据各采样时刻的绕组熵和机组熵，确定各采样时刻的绕组与风力发电机组的熵比；
[0010]根据各采样时刻的熵比以及健康运行状态下的风力发电机组的熵比阈值，确定各采样时刻的熵比累积偏离值；
[0011]根据各采样时刻的熵比累积偏离值和以及预设的决策树模型，确定所述绕组的运行状态，其中，所述决策树模型的输入为所述风力发电机组的超限信息，所述决策树模型的输出为所述绕组的运行状态，所述超限信息为根据各采样时刻的熵比累积偏离值确定。
[0012]可选地，所述超限信息包括上限偏离阈值、超限段数和最大超限点数；
[0013]根据各采样时刻的熵比累积偏离值确定超限信息，包括：
[0014]根据各采样时刻的熵比累积偏离值，确定所述各采样时刻所在采样时间段内的偏离值方差；
[0015]根据所述偏离值方差，确定上限偏离阈值；
[0016]将各采样时刻的熵比累积偏离值与所述上限偏离阈值分别进行比较，确定超限段数和最大超限点数。
[0017]可选地，所述熵比阈值包括熵比上限阈值，所述熵比上限阈值为基于所述健康运行状态下的风力发电机组的熵比均值和熵比方差确定；
[0018]所述根据各采样时刻的熵比以及健康运行状态下的风力发电机组的熵比阈值，确定各采样时刻的熵比累积偏离值，包括：
[0019]根据各采样时刻的熵比以及所述熵比上限阈值，确定各采样时刻的熵比上限累积偏离值；
[0020]所述超限信息为根据各采样时刻的熵比上限累积偏离值确定。
[0021]可选地，所述决策树模型的训练过程包括：
[0022]统计多个样本风力发电机组的超限信息；
[0023]将多个样本风力发电机组的超限信息输入所述决策树模型，获得所述决策树模型的模型参数。
[0024]可选地，所述决策树模型的最大节点深度为3。
[0025]可选地，根据多个所述数据组的多个所述机组变量，确定各采样时刻的机组熵，包括：
[0026]根据多个尺度因子，将多个所述数据组的多个所述机组变量进行粗粒化处理；
[0027]根据每一尺度因子下，粗粒化处理获得的多个所述数据组的多个所述机组变量，确定各采样时刻在各尺寸因子下的机组熵；
[0028]对各采样时刻在所述多个尺度因子下的机组熵，确定各采样时刻的机组熵均值。
[0029]可选地，根据多个所述数据组的多个所述绕组变量，确定各采样时刻的绕组熵，包括：
[0030]根据多个尺度因子，将多个所述数据组的多个所述绕组变量分别进行粗粒化处理；
[0031]根据每一尺度因子下，粗粒化处理获得的多个所述数据组的多个所述绕组变量，确定各采样时刻在各尺寸因子下的绕组熵；
[0032]对各采样时刻在所述多个尺度因子下的绕组熵，确定各采样时刻的绕组熵均值。
[0033]可选地，所述根据多个所述数据组的多个所述机组变量和多个所述绕组变量，分别确定各采样时刻的机组熵和绕组熵，包括：
[0034]对多个所述数据组的多个所述机组变量和多个所述绕组变量分别进行PCA降维处理；
[0035]基于PCA降维处理后的多个所述数据组的多个所述机组变量和多个所述绕组变量，分别确定各采样时刻的机组熵和绕组熵。
[0036]可选地，多个所述机组变量包括：风速、驱动端轴承温度、非驱动端轴承温度、转速及转速最大值、功率及功率最大值。
[0037]可选地，多个所述绕组变量包括：所述绕组的三相温度。
[0038]可选地，所述根据多个所述数据组的多个所述机组变量和多个所述绕组变量，分别确定各采样时刻的机组熵和绕组熵之前，还包括：
[0039]对所述绕组的三相温度进行变量转换，获得三相温度均值及每两相的温度差值，
作为多个所述绕组变量。
[0040]可选地，所述获取SCADA系统采集的风力发电机组的SCADA数据之后，所述根据多个所述数据组的多个所述机组变量和多个所述绕组变量，分别确定各采样时刻的机组熵和绕组熵之前，还包括：
[0041]对所述SCADA数据进行清洗。
[0042]可选地，所述对所述SCADA数据进行清洗，包括：
[0043]对所述SCADA数据进行预处理；
[0044]其中，所述预处理包括以下至少一种方式：
[0045]将所述SCADA数据中无穷值替换为空缺值，并对所述SCADA数据中的空缺值和/或无效值进行中位数填充；
[0046]删除所述SCADA数据中的发电机有功功率小于0所属的数据组；
[0047]对所述SCADA数据中的风速数据进行修正；
[0048]基于所述风力发电机组的机舱温度，对所述SCADA数据中的温度数据进行修正，
[0049]根据对所述SCADA数据中的各变量的均值和标准差，对所述SCADA数据中的各变量进行标准化处理。
[0050]可选地，所述根据各采样时刻的熵比累积偏离值和以及预设的决策树模型，确定所述绕组的运行状态之后，还包括：
[0051]当所述绕组的运行状态指示所述绕组故障时，根据最近一次超限信息对应的采样时刻，确定所述绕组的故障预警时刻。
[0052]本申请实施例的第二方面，提供一种风力发电机组的绕组运行状态监测装置，包括一个或多个处理器，用于实现第一方面中任一项所述的绕组运行状态监测方法。
[0053]本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电机组的绕组运行状态监测方法，其特征在于，包括：获取SCADA系统采集的风力发电机组的SCADA数据，所述SCADA数据包括多个数据组，每个数据组包括同一采样时刻下的多个机组变量和多个绕组变量；根据多个所述数据组的多个所述机组变量和多个所述绕组变量，分别确定各采样时刻的机组熵和绕组熵；根据各采样时刻的绕组熵和机组熵，确定各采样时刻的绕组与风力发电机组的熵比；根据各采样时刻的熵比以及健康运行状态下的风力发电机组的熵比阈值，确定各采样时刻的熵比累积偏离值；根据各采样时刻的熵比累积偏离值和以及预设的决策树模型，确定所述绕组的运行状态，其中，所述决策树模型的输入为所述风力发电机组的超限信息，所述决策树模型的输出为所述绕组的运行状态，所述超限信息为根据各采样时刻的熵比累积偏离值确定。2.根据权利要求1所述的风力发电机组的绕组运行状态监测方法，其特征在于，所述超限信息包括上限偏离阈值、超限段数和最大超限点数；根据各采样时刻的熵比累积偏离值确定超限信息，包括：根据各采样时刻的熵比累积偏离值，确定所述各采样时刻所在采样时间段内的偏离值方差；根据所述偏离值方差，确定上限偏离阈值；将各采样时刻的熵比累积偏离值与所述上限偏离阈值分别进行比较，确定超限段数和最大超限点数。3.根据权利要求1所述的风力发电机组的绕组运行状态监测方法，其特征在于，所述熵比阈值包括熵比上限阈值，所述熵比上限阈值为基于所述健康运行状态下的风力发电机组的熵比均值和熵比方差确定；所述根据各采样时刻的熵比以及健康运行状态下的风力发电机组的熵比阈值，确定各采样时刻的熵比累积偏离值，包括：根据各采样时刻的熵比以及所述熵比上限阈值，确定各采样时刻的熵比上限累积偏离值；所述超限信息为根据各采样时刻的熵比上限累积偏离值确定。4.根据权利要求1所述的风力发电机组的绕组运行状态监测方法，其特征在于，所述决策树模型的训练过程包括：统计多个样本风力发电机组的超限信息；将多个样本风力发电机组的超限信息输入所述决策树模型，获得所述决策树模型的模型参数。5.根据权利要求1或4所述的风力发电机组的绕组运行状态监测方法，其特征在于，所述决策树模型的最大节点深度为3。6.根据权利要求1所述的风力发电机组的绕组运行状态监测方法，其特征在于，根据多个所述数据组的多个所述机组变量，确定各采样时刻的机组熵，包括：根据多个尺度因子，将多个所述数据组的多个所述机组变量进行粗粒化处理；根据每一尺度因子下，粗粒化处理获得的多个所述数据组的多个所述机组变量，确定各采样时刻在各尺寸因子下的机组熵；
对各采样时刻在所述多个尺度因子下的机组熵，确定各采样时刻的机组熵均值。7.根据权利要求1或6所述的风力发电机组的绕组运行状态监测方法，其特征在于，根据多个所述数据组的多个所述绕组变量，确定各采样时刻的绕组熵，包括：根据多个尺度因子，将多个所述数据组的多个所述绕组变量分别进行粗粒化处理；根据每一尺度因子下，粗粒化处理获得的多个所述数据组的多个所述...

【专利技术属性】
技术研发人员：姜孝谟，唐伟健，陈庆，成骁彬，赵海心，马明骏，林琳，惠怀宇，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：