【技术实现步骤摘要】
一种风电机组状态监测方法
[0001]本专利技术涉及发电
，特别是一种风电机组运行状态的监测方法
。
技术介绍
[0002]随着全球传统能源日益紧张，以及对可持续能源需求的不断升级，风能逐渐成为主流的可再生和无污染能源之一
。
然而，与其他能源生产方法相比，由于操作环境的复杂性以及与故障维护相关的劳动力和材料消耗的特殊性，风力发电机组的运行和维护成本明显更高
。
因此，提高风力发电机组运行的安全可靠性具有重要意义，同时研究风力发电机组的运行状态检测方法，有利于及时发现潜在故障，合理制定维护计划，减少经济损失
。
[0003]目前，对风电机组进行状态监测的方法有很多，例如中国专利
CN116146434A
公开了一种基于风功率实测数据的风电机组健康状态实时评价方法，所述方法基于风电机组
SCADA
系统中运行数据进行分析，通过周期更新的滑动窗口截取数据集，建立样本集，并完成数据清理和筛选，绘制实际风速
—
风功率散点图；对风速区间进行等间距划分，并计算各子风速区间内风功率平均值；求得在子区间中点处风速对应的理论风功率；引入风电机组健康评价指标
H
，对风电机组健康状况进行分级评价；每相隔固定时间，时间窗向前移动，更新样本集，重新计算健康状态评价指标
H。
该专利技术从风电机组本身运行目的出发，提出的评价方法能够反映风电机组的发电性能和风能转化能力，为风电机组的运行维护提供有效帮助...
【技术保护点】
【技术特征摘要】
1.
一种风电机组状态监测方法
,
其特征是，所述方法包括以下步骤：
a.
数据预处理：
①
对含有正常运行状态与异常运行状态的风力发电机组
SCADA
数据集进行数据清洗，减小数据冗余对神经网络模型预测效果的影响；
②
确定风力发电机中代表齿轮箱
、
主轴承
、
发电机和机舱部件运行状态的四个参数作为神经网络模型的线性回归预测参数；
③
从清洗后的
SCADA
数据集中分别为四个预测参数选择
Pearson
相关系数大于设定值的参数作为神经网络模型的输入参数，得到与每个预测参数相对应的输入参数集；
④
将每个输入参数集中采集时间在先的部分数据视为正常运行状态下的数据并设为训练集，全部数据设为测试集；
b.
神经网络模型的搭建：在
Transformer
模型的基础上引入扩张因果卷积，构建
TCformer
模型，得到所需的神经网络模型；
c.
神经网络模型的训练：将训练集数据输入到
TCformer
模型，对
TCformer
模型进行训练，训练过程中不断对
TCformer
模型的网络参数进行调整，建立输入参数与预测参数间的复杂线性及非线性联系；
d.
参数的预测：将四个测试集数据输入到训练好的
TCformer
模型，对风力发电机组的四个部件的相关预测参数进行线性回归预测，并计算预测值与真实值之间的残差；
e.
多参数联动分析计算：设置时间窗口，使用四个参数的残差计算多元变异系数
MCV
，根据计算结果设置
MCV
报警阈值；
f.
风力发电机组状态监测：计算被监测风力发电机组的多元变异系数
MCV
，若计算结果超过
MCV
报警阈值，则判定该风力发电机组异常
。2.
根据权利要求1所述风电机组状态监测方法，其特征是，所述
SCADA
数据包括风力发电机组各部件温度
、
环境温度
、
油温
、
油压
、
电流
、
电压
、
有功功率
、
风速
、
风向
、
以及机舱振动信号，风力发电机中代表齿轮箱
、
主轴承
、
发电机和机舱部件运行状态的四个参数分别为齿轮箱前轴温度
、
主轴承温度
、
发电机定子绕组温度和机舱
Y
方向振动信号
。3.
根据权利要求2所述风电机组状态监测方法，其特征是，对风力发电机组
SCADA
数据集进行数据清洗的具体方法为：采用四分位法进行数据清洗，计算方法如下：首先进行功率清洗：根据数据所属的风速区间，将数据划分为
N
组，对每个风速区间内功率数据采用四分位法进行数据清洗：将功率数据按照从小到大进行排序，分别将排列顺序第
25
％和第
75
％的功率数据作为第一四分位数
Q1
和第三四分位数
Q3
，计算数据上
Wu
和数据下限
Wl
：
IQR
＝
Q3‑
Q1剔除功率位于
[Wl
，
Wu]
之外的数据得到新的数据集；然后进行风速清洗：根据数据所属的功率区间，将新的数据集中的数据划分为
M
组，对每个功率区间的风速数据采用与功率清洗过程中相同的四分位法进行数据清洗，得到...
【专利技术属性】
技术研发人员：向玲，姚青陶，胡爱军，邴汉昆，朱国鹏，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。