一种风电机组塔筒异常振动监测及健康度评价方法及系统技术方案

本发明专利技术提供了一种风电机组塔筒异常振动监测及健康度评价方法及系统；首先采用模态分解算法对风电机组塔筒振动信号进行模态分解并提取满足频率要求的目标模态；采用相关性分析算法计算塔筒振动数据与机组运行数据之间的相关度；构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间，在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为下一步数据建模的训练集；进行模型训练，模型训练完毕，输入机组实际运行数据，以监测塔筒异常振动；根据提出的塔筒动态特性健康度评价方法计算塔筒振动健康指数。本发明专利技术能够实现风机塔筒异常振动识别以及塔筒健康度评估，为机组运维提供新的指导。新的指导。新的指导。

【技术实现步骤摘要】
一种风电机组塔筒异常振动监测及健康度评价方法及系统


[0001]本专利技术涉及风电机组关键部件状态监测
，特别是涉及一种风电机组塔筒异常振动监测及健康度评价方法及系统。

技术介绍

[0002]在风电机组大型化、机组部署海量化、海上陆地联产化的趋势下，风电机组运维难度逐渐上升，伴随恶劣天气和机组老化等问题导致机组运维成本增加。塔筒振动是风电机组制造和结构控制的主要限制因素，微小振动会引起整个风电机组的气动失稳，导致应力增大，缩短机组寿命，较大振动将直接导致倒塔事故发生。
[0003]针对风机塔筒运行状态监测现有方法较为单一，不具备信息融合能力。现有技术大多聚焦于物理层面的监测，主要包括形变监测、倾角监测和有限元建模分析等方法，然而机组工况运行复杂，物理层面的监测精度难以满足风电机组塔筒监测要求，也无法评估塔筒运行健康度。
[0004]随着计算机技术和算力的提升，高复杂度与高精确度结合的深度学习神经网络取代传统机器学习算法，成为数据建模的新方案，但是数据驱动的塔筒振动深度学习建模及应用仍处于探索阶段，振动信号变化快、振动信号扰动多、监测模型精度低等问题制约着深度学习算法在振动监测领域的推广。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术的目的是提供一种风电机组塔筒异常振动监测及健康度评价方法及系统。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种风电机组塔筒异常振动监测及健康度评价方法，包括：
[0008]获取一段时间内的风电机组SCADA系统的原始数据；所述原始数据包括塔筒振动数据和机组运行数据；
[0009]对所述原始数据进行数据预处理，并采用模态分解算法对所述塔筒振动数据进行模态分解，并提取满足预设频率要求的目标模态；
[0010]采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度；
[0011]构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间，在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集；
[0012]将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据，分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出，通过所述训练集训练塔筒异常振动监测模型，得到训练好的塔筒异常振动监测模型；
[0013]将机组实际运行数据输入至所述训练好的塔筒异常振动监测模型，得到模型预测振动，以监测塔筒异常振动；
[0014]根据塔筒动态特性健康度评价方法计算塔筒振动健康指数，评估塔筒运行健康度。
[0015]优选地，所述机组运行数据包括：时间、机舱风速、风向、转子转速、机组有功功率和风轮桨距角。
[0016]优选地，对所述原始数据进行数据预处理，并采用模态分解算法对所述塔筒振动数据进行模态分解，并提取满足预设频率要求的目标模态，包括：
[0017]对原始数据中的空值采取继承上一时刻历史值进行填补，并对原始数据中的异常数据进行剔除；
[0018]采用模态分解方法对所述塔筒振动数据进行分解并提取满足固有频率要求的目标模态，以表征塔筒运行特性。
[0019]优选地，采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度，包括：
[0020]采用相关性系数计算方法计算塔筒振动数据和机组运行数据之间的相关性，并选出相关度大于0.01的机组运行数据，认定相关度大于0.01的机组运行数据与塔筒振动相关。
[0021]优选地，构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间，在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集，包括：
[0022]结合风电机组运行机理和相关性分析结果，定义能够表征塔筒运行动态特性的多输入多输出有限差分回归向量：x
RV
(k)＝[y
T
(k
‑
1)
…
y
T
(k
‑
n
a
)u
T
(k
‑
n
k
)
…
[0023]u
T
(k
‑
n
k
‑
n
b
+1)]；其中，输入u(k)包括机舱风速V、风向D、机组有功功率P、转子转速ω
rad
、风轮桨距角β；输出y(k)包括塔顶前后向振动和塔顶侧向振动；n
a
、n
b
、n
k
分别为输入、输出延迟阶次及输入滞后时间；以数据点(x
RV
(k),y(k))为数据中心，建立局部数据集C
k
；
[0024]基于特征向量划分有限差分工作域表征塔筒固有模态振动空间；首先，根据建立的局部数据集C
k
，利用最小二乘公式直接计算整体参数向量PV
k
，表示为：
[0025][0026][0027]其中，PV
k
＝[PV
k,1
…
PV
k,h
]T
；x
RV
(k)为数据集C
k
中的有限差分回归向量，y(k)为C
k
中的输出向量，Φ
k
为多个有限差分回归向量组成的矩阵；
[0028]结合有限差分回归向量x
RV；Ck
(j)的均值M
k
，组成多输入多输出系统特征向量FV
k
＝[(PV
k,1
)
T
…
(PV
k,h
)
T
M
k
]T
；
[0029]采用bi
‑
Kmeans聚类算法，对所有特征向量进行高维聚类，将特征向量所张成的有限差分空间划分为S个子模型工作域表征塔筒固有模态振动空间。
[0030]优选地，将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据，分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出，通过所述训练集训练
塔筒异常振动监测模型，得到训练好的塔筒异常振动监测模型，包括：
[0031]构建多输入多输出塔顶低频振动监测模型，模型输入为差分向量的输入：机舱风速、风向、机组有功功率、转子转速、风轮桨距角，输入同时考虑差分向量输入输出动态特性延迟阶次，输出为分解提取的塔顶前后向振动和塔顶侧向振动；
[0032]采用重构后的训练集训练模型并使用k折交叉验证保证模型训练效果，以得到训练好的塔筒异常振动监测模型。
[0033]优选地，根据塔筒动态特性健康度评价方法计算塔筒振动健康指数，评估塔筒运行健康度，包括：
[0034]对于当前时刻的数据进行正向化处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组塔筒异常振动监测及健康度评价方法，其特征在于，包括：获取一段时间内的风电机组SCADA系统的原始数据；所述原始数据包括塔筒振动数据和机组运行数据；对所述原始数据进行数据预处理，并采用模态分解算法对所述塔筒振动数据进行模态分解，并提取满足预设频率要求的目标模态；采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度；构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间，在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集；将高相关的风机运行数据作为多输入多输出的神经网络模型的输入数据，分解后的塔筒前后向振动和侧向振动作为神经网络模型的输出，通过所述训练集训练塔筒异常振动监测模型，得到训练好的塔筒异常振动监测模型；将机组实际运行数据输入至所述训练好的塔筒异常振动监测模型，得到模型预测振动，以监测塔筒异常振动；根据塔筒动态特性健康度评价方法计算塔筒振动健康指数，评估塔筒运行健康度。2.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法，其特征在于，所述机组运行数据包括：时间、机舱风速、风向、转子转速、机组有功功率和风轮桨距角。3.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法，其特征在于，对所述原始数据进行数据预处理，并采用模态分解算法对所述塔筒振动数据进行模态分解，并提取满足预设频率要求的目标模态，包括：对原始数据中的空值采取继承上一时刻历史值进行填补，并对原始数据中的异常数据进行剔除；采用模态分解方法对所述塔筒振动数据进行分解并提取满足固有频率要求的目标模态，以表征塔筒运行特性。4.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法，其特征在于，采用相关性分析算法计算所述塔筒振动数据与所述机组运行数据之间的相关度，包括：采用相关性系数计算方法计算塔筒振动数据和机组运行数据之间的相关性，并选出相关度大于0.01的机组运行数据，认定相关度大于0.01的机组运行数据与塔筒振动相关。5.根据权利要求1所述的风电机组塔筒异常振动监测及健康度评价方法，其特征在于，构建有限差分回归向量表征塔筒振动输入输出动态特性并划分全工况塔筒固有模态振动空间，在每一个振动特性空间里均匀采样并重构涵盖全部空间特征的数据作为数据建模的训练集，包括：结合风电机组运行机理和相关性分析结果，定义能够表征塔筒运行动态特性的多输入多输出有限差分回归向量：x
RV
(k)＝[y
T
(k
‑
1)
…
y
T
(k
‑
n
a
)u
T
(k
‑
n
k
)
…
u
T
(k
‑
n
k
‑
n
b
+1)]；其中，输入u(k)包括机舱风速V、风向D、机组有功功率P、转子转速ω
rad
、风轮桨距角β；输出y(k)包括塔顶前后向振动和塔顶侧向振动；n
a
、n
b
、n
k
分别为输入、输出延迟阶次及输入滞后时间；以数据点(x
RV
(k),y(k))为数据中心，建立局部数据集C
k
；基于特征向量划分有限差分工作域表征塔筒固有模态振动空间；首先，根据建立的局部数据集C
k
，利用最小二乘公式直接计算整体参数向量PV
k
，表示为：
其中，PV
k
＝[PV
k,1
…
PV
k,h
]
T
；x
RV
(k)为数据集C
k
中的有限差分回归向量，y(k)为C
k
中的输出向量，Φ
k
为多个有限差分回归向量组成的矩阵；结合有限差分回归向量x
RV；Ck
(j)的均值M
k
，组成多输入多输出系统特征向量FV
k
＝[(PV
k,1
)
T
…
(PV
k,h
)
T
M
...

【专利技术属性】
技术研发人员：胡阳，李博，胡耀宗，房方，刘吉臻，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：