一种风力发电机诊断方法及系统技术方案

本发明专利技术公开了一种风力发电机诊断方法及系统，涉及风力发电领域。本发明专利技术包括：获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；计算多变量时间序列数据在全尺度下的FEF值；选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。本发明专利技术获取风力发电机组运行状况数据信息，结合数据分析来准确判断故障隐患，提升了故障排除效率，同时减轻维护人员的工作压力。同时减轻维护人员的工作压力。同时减轻维护人员的工作压力。

A diagnosis method and system of wind turbine

【技术实现步骤摘要】
一种风力发电机诊断方法及系统


[0001]本专利技术涉及风力发电领域，更具体的说是涉及一种风力发电机诊断方法及系统。

技术介绍

[0002]风能做为可再生能源，不仅可改善严重的环境污染问题，同时能解决化石燃料资源短缺的问题，具有代表性的风力发电技术已在全球迅速兴起。风力发电机组是风力发电的核心要素，其运行的安全性与稳定性会直接影响到风力发电效果，因此应高度重视风力发电机组的运行维护。结合风力发电机组常见故障，做好运行维护工作，提升风力发电机组运行的稳定性与可靠性，这样才能更好地满足社会发展对电能的需求。
[0003]其中，风力发电机常处于交变载荷作用下的复杂工况，其组件也会受到不同程度的影响甚至损坏，因此风力发电机的状态监测与实时故障诊断对监测预防各部件损坏、降低运营维护成本具有重大意义。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种风力发电机诊断方法及系统，以解决上述
技术介绍
中存在的问题。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种风力发电机诊断方法，包括以下步骤：
[0007]获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
[0008]针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
[0009]计算多变量时间序列数据在全尺度下的FEF值；
[0010]选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
[0011]计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
[0012]将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
[0013]可选的，还包括对风力发电机组利用特征提取的方式进行重叠故障提取。
[0014]可选的，利用LightGBM方法对多变量时间序列数据进行处理，具体步骤如下：
[0015]LightGBM方法采用梯度单边采样算法，根据梯度值对多变量时间序列数据加以不同的采样权重，保留最大梯度的数据，并随机采样具有小梯度的数据，并保持数据原有的分布。
[0016]可选的，所述多变量时间序列数据包括风相关参数，能量参数，运行参数，温度相关的参数。
[0017]可选的，对多变量时间序列数据进行形态学处理，其中形态学算子包括膨胀运算、腐蚀运算、开运算、闭运算。
[0018]可选的，所述最优的结构元素尺度采用扁平型结构元素。
[0019]一种风力发电机诊断系统，包括：
[0020]获取数据模块：用于获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
[0021]数据处理模块：用于针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
[0022]FEF值计算模块：用于计算多变量时间序列数据在全尺度下的FEF值；
[0023]形态学处理模块：用于选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
[0024]对角切片谱获取模块：用于计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
[0025]风力发电机组诊断模块：用于将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
[0026]可选的，还包括重叠故障提取模块：用于对风力发电机组利用特征提取的方式进行重叠故障提取。
[0027]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种风力发电机诊断方法及系统，实时获取风力发电机组运行状况数据信息，结合数据分析来准确判断故障隐患，这样可以极大地提升故障排除效率，同时减轻维护人员的工作压力。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0029]图1为本专利技术的流程示意图；
[0030]图2为本专利技术的结构示意图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]本专利技术实施例公开了一种风力发电机诊断方法，如图1所示，包括以下步骤：
[0033]获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；
[0034]针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；
[0035]计算多变量时间序列数据在全尺度下的FEF值；
[0036]选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；
[0037]计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；
[0038]将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。
[0039]根据上述划分规则，部分故障出现了重叠现象。几类故障的主状态编码出现的时间接近。因此，在本实施例中，对风力发电机组利用特征提取的方式进行重叠故障提取。
[0040]SCADA数据集共有63个特征，采用过滤方法进行特征选择。首先，部分温度传感器损坏，其值保持为零或负值，这类数据首先予以删除，将值近似的多个传感器用其平均值和标准差代替。其次，与风和能量、运行相关的参数，均选取平均值。最后，考虑风力发电机的各组件与温度有关的参数，包括上述变压器温度的标准差、均值以及前后轴承温度、转子温度、定子温度等。最终，共选取24个特征。
[0041]具体的，利用LightGBM方法对多变量时间序列数据进行处理，具体步骤如下：
[0042]LightGBM方法采用梯度单边采样算法，根据梯度值对多变量时间序列数据加以不同的采样权重，保留最大梯度的数据，并随机采样具有小梯度的数据，并保持数据原有的分布。
[0043]其中，多变量时间序列数据包括：
[0044]1)风相关的参数：关于风的测量数据，如最大风速、最小风速和平均风速。
[0045]2)能量参数：此类参数与能量转换过程有关，如平均输出电能、最大输出电能、最小输出电能、电力系统的电流及电压等。
[0046]3)运行参数：包括叶片转角、定子和转子速度、机舱位；
[0047]4)温度相关的参数：此类参数包括风力发电机子部件(偏航系统、转子、定子、塔架等)温度和风力发电机子部件、子系统周围的温度。
[0048]其中，对多变量时间序列数据进行形态学处理，其中形态学算子包括膨胀运算、腐蚀运算、开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电机诊断方法，其特征在于，包括以下步骤：获取风力发电机组SCADA多变量时间序列数据，并对多变量时间序列数据进行预处理；针对风力发电机的健康状况，利用LightGBM方法对多变量时间序列数据进行处理；计算多变量时间序列数据在全尺度下的FEF值；选择出最优的结构元素尺度，并对多变量时间序列数据进行形态学处理；计算处理后的多变量时间序列数据的三阶累积量，得到三阶累积量对应的对角切片谱；将对角切片谱与样本对角切片谱比较，实现风力发电机组的诊断。2.根据权利要求1的一种风力发电机诊断方法，其特征在于，还包括对风力发电机组利用特征提取的方式进行重叠故障提取。3.根据权利要求1的一种风力发电机诊断方法，其特征在于，利用LightGBM方法对多变量时间序列数据进行处理，具体步骤如下：LightGBM方法采用梯度单边采样算法，根据梯度值对多变量时间序列数据加以不同的采样权重，保留最大梯度的数据，并随机采样具有小梯度的数据，并保持数据原有的分布。4.根据权利要求1所述的一种风力发电机诊断方法，其特征在于，所述多变量时间序列数据包括风相关参数，能量参数，运行参数，温度相关的...

【专利技术属性】
技术研发人员：赵海玉，仝晓芩，赵长江，孙浩，段从贵，
申请(专利权)人：华能新能源股份有限公司河北分公司，
类型：发明
国别省市：