【技术实现步骤摘要】
本专利技术属于风电机故障监测，具体涉及一种风电机组桨叶扫塔故障的自适应预警策略设计方法。
技术介绍
1、风力发电作为当今最成熟的新能源发电技术，在全球范围内得到了迅速发展，我国的风机装机总容量已位于世界前列，风电的渗透率也在逐年增加，但近几年风力发电市场的快速发展也导致了研发时期的准备不足，风机的运行维护费用居高不下。
2、风机的高故障率是导致运维费用高的主要因素，机组通常运行在远郊平原、山区、临海等偏远地区，在大风、湍流等恶劣风况下，风力发电机组的各个关键部件更容易受到高负载，高扰动等情况，对机组各个关键部件安全运行带来挑战。而风机中安装的scada系统在关键组件中一般都安装有对应测点，通过监测各个组件信息对关键组件进行状态监测及故障预警，实现机组异常的初期辨识，避免初期异常演变为灾难性故障，实现桨叶扫塔故障的及时感知，对减少运维成本，实现风电场智能运维具有重大的意义。然而，在历史运行的scada数据中，极端风况出现较少，不同风况样本不均衡可能会导致建模过程针对极端风况产生较大误差的情况，现有用于故障监测的方法没有考虑样本的不均衡问题，且大都只考虑时域信息，无法监测检测部件运行状况的频谱特征，从而难以保证预警结果的准确性。
技术实现思路
1、为了弥补现有技术的不足，本专利技术提供一种风电机组桨叶扫塔故障的自适应预警策略设计方法，基于训练样本权重自适应分配的故障监测，减少人为不确定因素，以解决历史训练数据中风况不均衡问题，实现更加精确的故障监测。
2、一种风
3、s1：基于scada系统的海上风电机组数据采样，获取scada正常行为数据集；
4、s2：对数据集的数据进行预处理，构建训练样本；
5、s3：对训练样本权重重分配；
6、s4：提取训练样本振动频域特征；
7、s5：正常行为建模，计算残差序列；
8、s6：训练残差分布，统计训练残差序列中连续大于阈值上限或小于阈值下限的最大个数，记为连续最大超限次数train_max_count，将训练集中的上下阈值以及最大训练超限参数以及训练好的模型作为训练流程中的最终输出结果；
9、s7：进行在线应用阶段。
10、进一步地，所述步骤s1中，选取待进行桨叶故障监测的风电机组关键组件，其scada系统中该组件振动测点所测振动信号的频域特征作为目标变量y，与组件振动相关的参数x作为相关变量，选取机组正常运行状态下n条运行数据，以十分钟作为滑动窗口构造训练集
11、进一步地，所述步骤s2中，预处理包括：
12、s21:结合人为确定的先验异常运行状态的特征，剔除训练集中存在的并未被scada系统检测到的异常运行的数据；
13、s22：选取标准风速段,设置时间滑动窗口长度与训练样本相同，滑窗内的整体所有风速均不超过10m/s时，将该滑窗内的风速数据作为标准风速段，对标准风速段进行傅里叶变化并去除基频分量，获取标准风速频谱；
14、s23：提取风速频谱，遍历训练集中的所有样本，对每个10min样本滑窗内的风速数据进行傅里叶变换，并剔除基频分量，获得频谱信息，作为训练样本风速频谱；
15、s24：遍历训练集中所有的样本，对每一个样本滑窗内的风速频谱与选择的标准风速频谱进行内积计算，得到与训练样本数相同的序列，作为训练样本的内积序列。
16、进一步地，所述步骤s3中样本权重重分配为基于所获得的训练样本的内积序列做训练样本权重分配，在训练样本内积序列最大值与最小值范围内进行区间划分，设置nh区间个数，并进行直方图统计，获取得到每个区间下训练样本的个数，第i个区间的样本的个数为hi；计算第i个区间所包含的样本的权重wi：
17、进一步地，所述步骤s4中振动频域特征提取通过计算多通道振动信号频谱，对训练样本滑窗内四个振动数据进行傅里叶变换，合并四个通道频谱数据，作为振动信号数据的原始特征，特征维度为其中t为训练样本滑窗长度，单位为分钟；然后利用pca对频谱特征降维，遍历训练数据样本，使用pca主成分分析法将原始的频域特征由120t降维到m维，其中m为正常行为模型的输出特征维度。
18、进一步地，所述步骤s5中正常行为建模为在离线训练过程中，输入所构造的训练样本集，输入数据为剔除时间戳的训练数据集，输出为获得的振动频域特征，从而对频域特征进行实时估计，变量估计模型包括svr、gbrt、ann、lstm、gru或wts-gru机器学习和深度学习方法，计算训练文本集中实际运行值和模型估计值的残差序列。
19、进一步地，所述步骤s6中训练残差分布包括：
20、s61：获得训练集残差序列，通过核密度估计方法获取残差序列的概率分布模型，其中，残差dx处的概率密度计算如下：其中，h为带宽，n为训练样本个数，di为第i个样本的训练残差；
21、s62：基于所获得的训练集残差序列的概率分布，通过设置置信度α，获取训练集残差的上下阈值upperlimit与lowerlimit，其中数学计算公式为：统计训练残差序列中连续大于阈值上限或小于阈值下限的最大个数为连续最大超限次数train_max_count，将训练集中的上下阈值以及最大训练超限参数以及训练好的模型作为训练流程中的最终输出结果，作为后续使用。
22、进一步地，所述步骤s7中，在线应用阶段，获取在线实时运行数据集作为测试集[xtest,ytest]，参数选取与训练集选取一致，输入至训练完成的变量估计模型中，得到当前运行数据集实际值减去模型估计值的残差序列。
23、进一步地，所述步骤s7中，在应用阶段时输入为风电机组scada系统采集到的实时运行秒级数据，判别准则为连续超限时，当前时刻是否报出“桨叶扫塔报警”的0/1序列，0为未预警，1为预警，以及与实时运行数据对应的辅助决策信息；基于训练集所得连续最大超限次数train_max_count为正常情况，因此在测试集中连续超限阈值参数下限设置为train_max_count，判别准则为实时超限程度是否大于训练最大超限程度，最终应用模型输出实时报警的0/1序列，0为不报警，1为报警。
24、与现有技术相比，本专利技术有以下优点：
25、1)通过设计训练样本权重自适应分配策略，考虑了不同风况下样本不均衡容易造成不同风况下建模精确性不均衡问题，对训练样本中占比较小的恶劣风况赋予更高的训练权重，保证了面向极端风况所引发的故障时结果的准确性和全面性；
26、2)监测多维振动变量的频域特征，高负载的运行状况通常会首先造成关键部件的振动异常，在频域进行有效的特征提取能够保证预警的鲁棒性和准确性；
27、3)本专利技术为基于正常行为建模，针对桨叶扫塔故障的预警策略设计方法，该流程适用于所有变量估计模型，且对有振动特性的所有风电机组关键组件均适用，具有扩展性。<本文档来自技高网...
【技术保护点】
1.一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S1中，选取待进行桨叶故障监测的风电机组关键组件，其SCADA系统中该组件振动测点所测振动信号的频域特征作为目标变量y，与组件振动相关的参数X作为相关变量，选取机组正常运行状态下N条运行数据，以十分钟作为滑动窗口构造训练集
3.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S2中，预处理包括：
4.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S3中样本权重重分配为基于所获得的训练样本的内积序列做训练样本权重分配，在训练样本内积序列最大值与最小值范围内进行区间划分，设置Nh区间个数，并进行直方图统计，获取得到每个区间下训练样本的个数，第i个区间的样本的个数为hi；计算第i个区间所包含的样本的权重Wi：
5.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略
6.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S5中正常行为建模为在离线训练过程中，输入所构造的训练样本集，输入数据为剔除时间戳的训练数据集，输出为获得的振动频域特征，从而对频域特征进行实时估计，变量估计模型包括SVR、GBRT、ANN、LSTM、GRU或WTS-GRU机器学习和深度学习方法，计算训练文本集中实际运行值和模型估计值的残差序列。
7.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S6中训练残差分布包括：
8.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S7中，在线应用阶段，获取在线实时运行数据集作为测试集[Xtest,ytest]，参数选取与训练集选取一致，输入至训练完成的变量估计模型中，得到当前运行数据集实际值减去模型估计值的残差序列。
9.根据权利要求8所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤S7中，在应用阶段时输入为风电机组SCADA系统采集到的实时运行秒级数据，判别准则为连续超限时，当前时刻是否报出“桨叶扫塔报警”的0/1序列，0为未预警，1为预警，以及与实时运行数据对应的辅助决策信息；基于训练集所得连续最大超限次数train_max_count为正常情况，因此在测试集中连续超限阈值参数下限设置为train_max_count，判别准则为实时超限程度是否大于训练最大超限程度，最终应用模型输出实时报警的0/1序列，0为不报警，1为报警。
...【技术特征摘要】
1.一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤s1中，选取待进行桨叶故障监测的风电机组关键组件，其scada系统中该组件振动测点所测振动信号的频域特征作为目标变量y，与组件振动相关的参数x作为相关变量，选取机组正常运行状态下n条运行数据，以十分钟作为滑动窗口构造训练集
3.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤s2中，预处理包括：
4.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤s3中样本权重重分配为基于所获得的训练样本的内积序列做训练样本权重分配，在训练样本内积序列最大值与最小值范围内进行区间划分，设置nh区间个数，并进行直方图统计，获取得到每个区间下训练样本的个数，第i个区间的样本的个数为hi；计算第i个区间所包含的样本的权重wi：
5.根据权利要求1所述的一种风电机组桨叶扫塔故障的自适应预警策略设计方法，其特征在于，所述步骤s4中振动频域特征提取通过计算多通道振动信号频谱，对训练样本滑窗内四个振动数据进行傅里叶变换，合并四个通道频谱数据，作为振动信号数据的原始特征，特征维度为其中t为训练样本滑窗长度，单位为分钟；然后利用pca对频谱特征降维，遍历训练数据样本，使用pca主成分分析法将原始的频域特征由120t降维到m维，其中m为正常行为模型的输出特征维度。
6.根...
【专利技术属性】
技术研发人员：钭锦周，叶如祥，杨晶民，姜凯恒，林玮，陈杰，杨秦敏，孟文超，李超，
申请(专利权)人：浙江浙能嘉兴海上风力发电有限公司，
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。