风力涡轮基于学习的预测性故障检测和避免的系统和方法技术方案

一种预测和避免导致风力涡轮停机的故障的方法包括接收风力涡轮的操作数据。该方法还包括经由预测模型使用操作数据来预测风力涡轮的当前或未来行为。此外，该方法包括经由故障检测模型来确定当前或未来行为是否指示在风力涡轮中发生即将到来的近期或远期故障。此外，该方法包括经由指定动作模型基于风力涡轮的未来行为是否指示在风力涡轮中发生即将到来的近期或远期故障来确定用于风力涡轮的校正动作。因此，该方法还包括在操作期间实施校正动作以防止发生即将到来的近期或远期故障。正动作以防止发生即将到来的近期或远期故障。正动作以防止发生即将到来的近期或远期故障。

【技术实现步骤摘要】
风力涡轮基于学习的预测性故障检测和避免的系统和方法


[0001]本公开内容大体上涉及风力涡轮控制系统，且更特别地涉及用于关于风力涡轮的基于学习的故障检测和避免的系统和方法。

技术介绍

[0002]风力被认为是目前可用的最清洁、最环境友好的能源中的一种，且在该方面，风力涡轮得到了增加的关注。现代风力涡轮典型地包括塔架、发电机、齿轮箱、机舱以及一个或多个转子叶片。转子叶片使用已知的翼型原理来获取风的动能。例如，转子叶片典型地具有翼型的截面轮廓，使得在操作期间空气流过叶片，在侧部之间产生压力差。因此，从压力侧朝吸力侧引导的升力作用于叶片上。升力在主转子轴上生成转矩，该主转子轴典型地接合到发电机以用于产生电力。
[0003]风力涡轮受到风入流上的大变化，其使变化的负载施加至风力涡轮结构，特别是风力涡轮转子和轴。因此，一些已知的风力涡轮包括传感器组件以远程检测风的特性，诸如方向和速度。检测到的风特性可用于控制风力涡轮的机械负载。例如，基于检测到的风速，可控制风力涡轮以特定的输出功率操作。大体上使用风速功率曲线来选择输出功率。
[0004]风力涡轮大体上还配备有各种监测系统以保证某些风力涡轮构件在安全限度内操作。例如，齿轮箱内的油在操作期间应保持在一定的温度范围内。因此，如果发生热事件(即齿轮箱温度超过预定温度阈值)，齿轮箱监测系统将产生故障。然而，此类故障典型地在温度超过保护相关联的风力涡轮构件的安全限度之前产生。因此，当这些故障出现时，风力涡轮停机且停止产生功率。
[0005]因此，用于故障检测和避免的改进的系统和方法将在本领域中受欢迎，因为这将允许改进可用性和由风力涡轮产生的能量。因此，本公开内容涉及一种用于关于风力涡轮的基于学习的故障检测和避免的系统和方法。

技术实现思路

[0006]本专利技术的方面和优点将在以下描述中部分地阐述，或可从描述中清楚，或可通过实施本专利技术来学习。
[0007]在一方面，本公开内容涉及一种预测和避免导致风力涡轮停机的构件故障的方法。该方法包括经由控制器来接收风力涡轮的操作数据。该方法还包括经由控制器的预测模型使用操作数据来预测风力涡轮的当前或未来行为。此外，该方法包括经由控制器的故障检测模型来确定风力涡轮的当前或未来行为是否指示在风力涡轮中发生即将到来的近期故障或即将到来的远期故障。即将到来的近期故障发生在第一时间范围内，且即将到来的远期故障发生在第二时间范围内。第二时间范围比第一时间范围更长。此外，该方法包括经由控制器的指定动作模型基于风力涡轮的未来行为是否指示在风力涡轮中发生即将到来的近期故障或即将到来的远期故障来确定用于风力涡轮的校正动作。因此，该方法还包括经由控制器在其操作期间实施用于风力涡轮的校正动作以防止在风力涡轮中发生即将
到来的近期故障或即将到来的远期故障。
[0008]在实施例中，风力涡轮的操作数据包括风力涡轮的高频操作数据。
[0009]在另一实施例中，控制器的预测模型包括机器学习模型。在此类实施例中，机器学习模型可为基于无监督(unsupervise)学习的模型、基于监督学习的模型和/或基于自监督学习的模型。在另一实施例中，控制器的预测模型使用机器学习模型作为估计器来估计监测信号的当前值。
[0010]在其它实施例中，故障检测模型配置有指令以连续地确定预期测量值与实际测量值之间的残差值，且基于残差值或残差值的一些时间行为统计，连续地确定风力涡轮的未来行为是否指示在风力涡轮中发生即将到来的近期故障或即将到来的远期故障。
[0011]在额外实施例中，故障检测模型配置有指令以将残差值与阈值连续地比较，且基于与阈值相差一定百分比的残差值连续地确定风力涡轮的未来行为是否指示在风力涡轮中发生即将到来的近期故障或即将到来的远期故障。
[0012]在又另一实施例中，该方法可包括经由能力模型来确定预测模型的机器学习模型的统计能力水平以保证预测的未来行为是可靠的且高于预定能力。在实施例中，例如，能力模型可为基于无监督学习的模型、基于监督学习的模型和/或基于自监督学习的模型。
[0013]在若干实施例中，该方法可包括当能力模型低于预定能力时根据操作数据来重新训练或更新预测模型的机器学习模型。
[0014]在特定实施例中，用于避免近期故障的校正动作可包括以下至少一者：使风力涡轮降低额定值，使风力涡轮升高额定值，调整风力涡轮的速度设定点，调整风力涡轮的转矩设定点，使风力涡轮变桨，使风力涡轮偏航，调整风力涡轮的温度设定点，或调整辅助构件(诸如风扇、泵、加热器等)的设定点。因此，在实施例中，校正动作不包括使风力涡轮停机。
[0015]在其它实施例中，用于避免远期故障的校正动作可包括以下至少一者：近期故障校正动作，自动/手动涡轮构件检查，自动/手动涡轮构件修理，或自动/手动涡轮构件维护，诸如施加润滑或清洁。
[0016]在某些实施例中，该方法还包括在指定动作模型中收集和存储校正动作或校正动作后数据中的至少一者以用于指定动作模型的继续学习。
[0017]在实施例中，控制器的指定动作模型包括机器学习模型，诸如监督学习模型。在另一实施例中，指定动作模型可包括基于规则的方法，其中基于预定的一组如果
‑
则(if
‑
then)规则或具有预定义参数的数学表达式来选择动作。
[0018]在其它实施例中，该方法包括使用主动学习来确定用于避免即将到来的近期故障或即将到来的远期故障的参数，且将参数输入到控制器的指定动作模型中。
[0019]在额外实施例中，该方法包括基于一个或多个环境状况和一个或多个操作状况中的至少一者来调适指定动作模型。
[0020]在另一方面，本公开内容涉及一种用于预测和避免导致风力涡轮停机的构件故障的系统。该系统包括具有预测模型和指定动作模型的控制器。预测模型包括机器学习模型，其配置有指令以接收风力涡轮的操作数据，且使用操作数据预测未来行为或估计风力涡轮的当前行为。控制器还包括故障检测模型，其配置有指令以确定风力涡轮的未来或当前行为是否指示在风力涡轮中发生即将到来的近期故障或即将到来的远期故障，即将到来的近期故障发生在第一时间范围内，即将到来的远期故障发生在第二时间范围内，第二时间范
围比第一时间范围更长。指定动作模型包括指令以基于风力涡轮的未来或当前行为是否指示在风力涡轮中发生即将到来的近期故障或即将到来的远期故障来确定用于风力涡轮的校正动作。控制器还包括至少一个处理器，该处理器配置有指令以在其操作期间实施用于风力涡轮的校正动作以防止在风力涡轮中发生即将到来的近期故障或即将到来的远期故障。在实施例中，控制器可位于风力涡轮处或风力涡轮内、风场处，或云基础设施中。应理解的是，系统还可包括本文中描述的额外特征和/或步骤中的任何。
[0021]技术方案1. 一种用于预测和避免导致风力涡轮停机的构件故障的方法，所述方法包括：经由控制器来接收所述风力涡轮的操作数据；经由所述控制器的预测模型使用所述操作数据来预测所述风力涡轮的当前或未来行为；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测和避免导致风力涡轮停机的构件故障的方法，所述方法包括：经由控制器来接收所述风力涡轮的操作数据；经由所述控制器的预测模型使用所述操作数据来预测所述风力涡轮的当前或未来行为；经由所述控制器的故障检测模型来确定所述风力涡轮的当前或未来行为是否指示在所述风力涡轮中发生即将到来的近期故障或即将到来的远期故障，所述即将到来的近期故障发生在第一时间范围内，所述即将到来的远期故障发生在第二时间范围内，所述第二时间范围比所述第一时间范围更长；经由所述控制器的指定动作模型基于所述风力涡轮的未来行为是否指示在所述风力涡轮中发生所述即将到来的近期故障或所述即将到来的远期故障来确定用于所述风力涡轮的校正动作；以及经由所述控制器在所述风力涡轮的操作期间实施用于所述风力涡轮的所述校正动作以防止在所述风力涡轮中发生所述即将到来的近期故障或所述即将到来的远期故障。2.根据权利要求1所述的方法，其中，所述风力涡轮的操作数据包括所述风力涡轮的高频操作数据。3.根据权利要求1所述的方法，其中，所述控制器的预测模型包括机器学习模型，所述机器学习模型是监督学习模型。4.根据权利要求1所述的方法，其中，所述故障检测模型配置有指令以连续地确定预期测量值与实际测量值之间的残差值，且基于所述残差值来连续地确定所述风力涡轮的未来行为是否指示在所述风力涡轮中发生所述即将到来的近期故障或所述即将到来的远期故障。5.根据权利要求4所述...

【专利技术属性】
技术研发人员：T，
申请(专利权)人：通用电气可再生能源西班牙有限公司，
类型：发明
国别省市：