技术领域
[0001] 本
发明涉及
风力发电技术，尤其涉及一种适用于风力
发电机组的故障预警方法。
背景技术
[0002] 随着石油、
煤等非可再生资源的消耗和环保意识的提高，人们已越来越重视
可再生能源的应用。其中，
风能作为一种清洁的
可再生能源，在全球节能减排工作中的地位日益重要，相应地，能够将风能转换为
电能的
风力发电机组也已得到越来越多的重视和发展。
[0003] 通常，风力发电机组都安装于野外，其工作环境往往比较恶劣，因而容易出现故障。为了能够及时发现风力发电机组的故障，以防止运行异常的风力发电机组产生发电效率降低、原件损坏等问题，通常会对风力发电机组的运行状况进行监控。由于风力发电机组的
温度情况往往能够反映风力发电机组的运行状况，因而在实际应用中经常采用监控风力发电机组温度的方法来监控风力发电机组的运行状况。
[0004] 请参阅图1，其中示出了一种常用的通过监控风力发电机组的温度来监控风力发电机组运行状况的方法。在该方法中，首先采集诸如变桨系统和/或变流器等被监测点的温度数据，而后将所采集的温度数据与预先设定的相关温度
阈值进行比较，若所采集的温度数据大于预先设定的相关温度阈值，则报警以提示风力发电机组运行异常；否则，表示该风力发电机组运行正常，并结束本方法流程。
[0005] 尽管图1所示方法目前被广泛采用，但是在实际应用中其仍然不可避免地存在下述问题：
[0006] 其一，由于对应于每一个被监测点仅设定了一个温度阈值，因而，图1所示方法只能基于被监测点当前的温度是否超出该温度阈值来判断出风力发电机组的运行状态是正常还是异常，也就是说，图1所示方法只能将风力发电机组的运行状态划分为正常和异常两种，而无法进行更精细地划分，从而图1所示方法的评估精确度较低。在这种情况下，由于当风力发电机组的运行状态趋近于异常状态时，通过图1所示方法仍然判断当前风力发电机组的运行状态是正常的，导致无法及时发现风力发电机组的故障，从而使趋近异常状态的风力发电机组长期在高温下工作，以致产生使用寿命缩短、发电效率降低等问题。此外，由于通过图1所示方法无法评估风力发电机组是远远偏离正常运行状态还是稍稍偏离正常状态，导致若风力发电机组处于稍稍偏离正常状态而仍可保持正常运行时，则仍会报警，从而使得操作人员或自动控制系统基于该报警而进行停机操作以进行检修，造成人力及物力成本的浪费，并严重影响风力发电机组的发电效率。
[0007] 其二，由于对应于每一个被监测点仅设定了一个温度阈值，因而，当该温度阈值本身设置得有问题和/或采集的温度数据有误时，仍然凭借所采集的温度与温度阈值之间的比较结果而评判风力发电机组的运行状态往往会导致误判，从而造成误报或者漏报，并因此而影响对风力发电机组所实施的后续操作措施，例如，当风力发电机组原本运行正常而出现误报时，操作人员或者自动控制系统将会基于该报警而使风力发电机组停机以进行检修，这将造成人力及物力成本的浪费，并严重影响风力发电机组的发电效率。而且，在漏报的情况下，风力发电机组会长期工作在不正常的温度下并最终产生故障，这样，不仅会因缩短风机的使用寿命，而且还会因停机维修而严重影响风力发电机组的发电效率。
发明内容
[0008] 为解决上述技术问题，本发明提供了一种风力发电机组的故障预警方法，其评估风力发电机组的
健康状态精确度和准确度较高。
[0009] 为此，本发明提供了风力发电机组的故障预警方法，其包括下述步骤：
[0010] 10)在
采样周期内采集N次被监测点的实际温度值R以及与温度相关的参数数据；
[0011] 20)将所采集的被监测点的实际温度值R以及与温度相关的参数数据输入预先确定的温度模型，计算得到被监测点的温度预测值，并将所述温度预测值作为被监测点的理论温度值P；
[0012] 30)基于理论温度值P和实际温度值R而得到二者的温度偏差DEV、温度均方差MSE以及相关系数SCC，其中，
[0013] DEV＝P_DATA-R_DATA
[0014]
[0015]
[0016] N为采样周期的采样总次数，i为采样序号，i＝1，2，...，N；
[0017] 40)基于温度偏差DEV、温度均方差MSE以及相关系数SCC而评估风力发电机组的健康状态。
[0018] 优选地，在所述步骤10)和20)之间还包括步骤15)：将所采集的被监测点的实际温度R以及与温度相关的参数数据分别与对应的设定阈值进行比较，若前者超出后者所限定的正常范围，则报警并结束本方法流程；若前者未超出后者所限定的正常范围，则进入后续评估过程。
[0019] 其中，所述被监测点包括位于n个不同的变桨电机上的被监测点。
[0020] 其中，在步骤15)中，若前者未超出后者所限定的正常范围，则计算n个不同的变桨电机的被监测点的温度平均值T，并计算n个不同的变桨电机中两个变桨电机的平均温度差值SUB，其中，SUB＝Tj-Tr，j≠r，j＝1，2，...，n，r＝1，2，...，n；而后将变桨电机的温度差值SUB与设定的阈值进行比较，若前者大于设定阈值，则报警并结束本方法流程，否则转到步骤20)。
[0021] 其中，所述被监测点包括位于变流器上的被监测点。
[0022] 其中，在步骤15)中，若前者未超出后者所限定的正常范围，则转到步骤20)。
[0023] 其中，在步骤40)中，将所述温度均方差MSE、相关系数SCC以及温度偏差DEV分别与相应的阈值进行比较，并判断前者是否超出相应的阈值，而后基于预先划分的健康状态等级评估风力发电机组的健康状态。
[0024] 其中，在所述预先划分的健康状态等级中，相对于所述温度偏差DEV设置m个不同范围的阈值区间，以得到进一步细化后的健康状态等级，其中，m为自然数；
[0025] 在步骤40)中，判断温度偏差DEV所在的阈值区间，并统计各个阈值区间内温度偏差DEV的数量，而后基于进一步细化后的健康状态等级评估风力发电机组的健康状态。
[0026] 其中，这样获取所述进一步细化后的健康状态等级，即，相对于温度均方差MSE、相关系数SCC分别设置均方差阈值MS、相关系数阈值SS；相对于温度偏差DEV设置3个温度偏差阈值，分别为1S、2S和3S，其中，1S＜2S＜3S，并由所述3个温度偏差阈值由小至大划分出4个阈值区间，分别为(-∞，1S]、(1S，2S]、(2S，3S]以及(3S，+∞)；并且基于所述均方差阈值MS、相关系数阈值SS以及4个阈值区间而将风力发电机组的健康状态等级由优至差划分为下述9个等级：
[0027] 等级1：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS，且所采集的N次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0028] 等级2：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有1次数据的温度偏差DEV处于阈值区间(1S，2S]，其余N-1次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0029] 等级3：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有2次数据的温度偏差DEV处于阈值区间(1S，2S]，且所述的2次数据的采集行为不连续，其余N-2次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0030] 等级4：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有1次数据的温度偏差DEV处于阈值区间(2S，3S]，其余N-1次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0031] 等级5：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有2次数据的温度偏差DEV处于阈值区间(1S，2S]，且所述的2次数据的采集行为连续，其余N-2次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0032] 等级6：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有3次数据的温度偏差DEV处于阈值区间(1S，2S]，其余N-3次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0033] 等级7：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有4次数据的温度偏差DEV处于阈值区间(1S，2S]，其余N-4次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0034] 等级8：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有2次或3次数据的温度偏差DEV处于阈值区间(2S，3S]，其余数据的温度偏差DEV处于阈值区间(-∞，1S]；
[0035] 等级9：温度均方差MSE高于均方差阈值MS、相关系数SCC高于相关系数阈值SS、在所采集的N次数据中有1次数据的温度偏差DEV处于阈值区间(3S，+∞)，和/或所采集的N次数据中至少有4次数据的温度偏差DEV处于阈值区间(2S，3S]，其余数据的温度偏差DEV处于阈值区间(-∞，1S]。
[0036] 其中，在所述步骤40)中，基于温度偏差DEV、温度均方差MSE以及相关系数SCC而确定风力发电机组的健康状态等级，并且
[0037] 当风力发电机组的健康状态等级处于等级1至等级3时，判定当前风力发电机组的运行状态为正常，并结束本方法流程；当风力发电机组的健康状态等级处于等级4至等级6时，判定当前风力发电机组的运行状态为偏离正常或趋于异常，并发出警告；当风力发电机组的健康状态等级处于等级7至等级9时，判定当前风力发电机组的运行状态为异常，并发出警报。
[0038] 优选地，在所述步骤10)之后，存储所采集的被监测点的实际温度值R以及与温度相关的参数数据。
[0039] 其中，所述与温度相关的参数数据包括风力发电机组的功率、
电压、
电流、风速以及
环境温度。
[0040] 本发明具有如下有益效果：
[0041] 本发明提供的风力发电机组的故障预警方法，其通过预先建立温度模型，可以基于在采样周期内所采集的N次被监测点的实际温度值R以及与温度相关的参数数据而获得所采集的被监测点的温度预测值，用以作为被监测点的温度理论值P；而后，基于温度理论值P与实际温度值R而得到二者的温度偏差DEV、温度均方差MSE以及相关系数SCC，并基于温度偏差DEV、温度均方差MSE以及相关系数SCC而评估风力发电机组的健康状态。借助于上述故障预警方法，可以基于温度偏差DEV、温度均方差MSE以及相关系数SCC而设定多个不同的温度阈值，这不仅可以提高设置温度阈值的准确度，从而提高评估风力发电机组的健康状态的准确度，进而减少甚至避免警报的误报或者漏报的情况；而且，可以进一步细化风力发电机组的健康状态等级，从而提高评估风力发电机组的健康状态的精确度，进而降低人力及物力成本，提高风力发电机组的发电效率。
附图说明
[0042] 图1为常用的监控风力发电机组运行状况的方法的流程
框图；
[0043] 图2为本发明提供的风力发电机组的故障预警方法的流程框图；以及[0044] 图3为本发明提供的风力发电机组的变桨电机的故障预警方法的流程框图。
具体实施方式
[0045] 为使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明提供的风力发电机组的故障预警方法进行详细说明。
[0046] 图2为本发明提供的风力发电机组的故障预警方法的流程框图。请参阅图2，风力发电机组的故障预警方法包括以下步骤：
[0047] 步骤S10，在采样周期内采集N次被监测点的实际温度值R以及与温度相关的参数数据。其中，采样周期及采样次数可以根据实际情况设定，例如，可以将一个采样周期设定为2个小时，并且在2个小时内每10分钟采集1次风力发电机组的实际温度值R以及与温度相关的参数数据，共采集12次。
[0048] 在实际应用中，与温度相关的参数数据可以包括风力发电机组的功率、电压、电流、风速以及环境温度等与风力发电机组的温度有直接或间接关系的数据。
[0049] 步骤S20，将所采集的被监测点的实际温度值R以及与温度相关的参数数据输入预先确定的温度模型，计算得到被监测点的温度预测值，并将该温度预测值作为被监测点的理论温度值P。温度模型的建立方法具体为：首先通过经验分析和
数据挖掘而获得与影响风力发电机组的温度相关的变量；然后，利用所采集的风力发电机组正常运行时与变量相关的历史数据，采用
人工智能的建模方法建立温度模型。借助温度模型，可以基于所采集的被监测点的与温度相关的参数数据而获得被监测点的温度预测值，并将其作为理论温度值P。
[0050] 步骤S30，基于理论温度值P和实际温度值R而得到二者的温度偏差DEV、温度均方差MSE以及相关系数SCC，其中，
[0051] DEV＝P_DATA-R_DATA
[0052]
[0053]
[0054] N为采样周期的采样总次数，i为采样序号，i＝1，2，...，N。
[0055] 步骤S40，基于温度偏差DEV、温度均方差MSE以及相关系数SCC而评估风力发电机组的健康状态。具体地，首先，预先划分风力发电机组的健康状态等级，即，相对于温度均方差MSE以及相关系数SCC分别设置均方差阈值和相关系数阈值；相对于温度偏差DEV设置m个不同范围的阈值区间，即，设置m-1个不同的温度偏差阈值，由m-1个不同的温度偏差阈值可以划分出m个阈值区间。通过相对于温度偏差DEV设置多个不同范围的阈值区间，不仅可以提高评估风力发电机组的健康状态的准确性，而且可以进一步细化风力发电机组的健康状态等级，从而提高评估风力发电机组的健康状态的精确性。
[0056] 下面通过举例来具体说明如何基于温度偏差DEV、温度均方差MSE以及相关系数SCC而划分风力发电机组的健康状态等级。
[0057] 具体地，首先，相对于温度均方差MSE、相关系数SCC分别设置均方差阈值MS、相关系数阈值SS；相对于温度偏差DEV设置3个温度偏差阈值，分别为1S、2S和3S，其中，1S＜2S＜3S，并且，由这3个温度偏差阈值由小至大划分出4个阈值区间，分别为(-∞，1S]、(1S，2S]、(2S，3S]以及(3S，+∞)，其中，阈值区间(-∞，1S]、(1S，2S]、(2S，3S]均为左开右闭的区间，即，取温度偏差阈值1S、2S和3S作为阈值区间(-∞，1S]、(1S，2S]、(2S，3S]的上限数值。
[0058] 基于均方差阈值MS、相关系数阈值SS以及4个阈值区间而将风力发电机组的健康状态等级由优至差划分为9个等级，基于该9个等级评估风力发电机组的健康状态的具体评估规则如下：
[0059] 等级1：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且所采集的N次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0060] 等级2：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有1次数据的温度偏差DEV处于阈值区间(1S，2S]，其余N-1次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0061] 等级3：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有2次数据的温度偏差DEV处于阈值区间(1S，2S]，且所述的2次数据的采集行为不连续，其余N-2次数据的温度偏差DEV均处于阈值区间(-∞，1S]。所谓2次数据的采集行为不连续，是指2次采集数据的次序不相邻。例如，2次数据中有1次数据的采样序号为2，即第2次采集数据，若另一次数据的采样序号为1或3，则2次数据的采集行为连续；若另一次数据的采样序号为除1或3以外的其它采样序号，则2次数据的采集行为不连续。
[0062] 等级4：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有1次数据的温度偏差DEV处于阈值区间(2S，3S]，其余N-1次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0063] 等级5：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有2次数据的温度偏差DEV处于阈值区间(1S，2S]，且2次数据的采集行为连续，其余N-2次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0064] 等级6：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有3次数据的温度偏差DEV处于阈值区间(1S，2S]，其余N-3次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0065] 等级7：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有4次数据的温度偏差DEV处于阈值区间(1S，2S]，其余N-4次数据的温度偏差DEV均处于阈值区间(-∞，1S]；
[0066] 等级8：温度均方差MSE低于均方差阈值MS，相关系数SCC低于相关系数阈值SS；并且在所采集的N次数据中有2次或3次数据的温度偏差DEV处于阈值区间(2S，3S]，其余数据的温度偏差DEV处于阈值区间(-∞，1S]；
[0067] 等级9：温度均方差MSE高于均方差阈值MS、相关系数SCC高于相关系数阈值SS、在所采集的N次数据中有1次数据的温度偏差DEV处于阈值区间(3S，+∞)，和/或所采集的N次数据中至少有4次数据的温度偏差DEV处于阈值区间(2S，3S]，其余数据的温度偏差DEV处于阈值区间(-∞，1S]。
[0068] 在采用上述健康状态的评估方法对风力发电机组的运行状态进行故障预警时，当风力发电机组的健康状态等级处于等级1至等级3时，判定当前风力发电机组的运行状态为正常，并结束本方法流程；当风力发电机组的健康状态等级处于等级4至等级6时，判定当前风力发电机组的运行状态为偏离正常或趋于异常，并发出警告；当风力发电机组的健康状态等级处于等级7至等级9时，判定当前风力发电机组的运行状态为异常，并发出警报。
[0069] 需要说明的是，以上是划分风力发电机组的健康状态等级的一个具体例子，但本发明并不局限于此，在实际应用中，可以基于温度偏差DEV的大小和变化规律、温度均方差MSE和相关系数SCC的大小，并采用数据挖掘的方法划分风力发电机组的健康状态等级。
[0070] 下面针对评估风力发电机组的健康状态的工作流程进行详细地描述。
[0071] 具体地，首先，将温度偏差DEV与预先设置的m个不同范围的阈值区间进行比较，将温度均方差MSE与均方差阈值进行比较以及将相关系数SCC与相关系数阈值进行比较；然后，判断温度均方差MSE是否超出均方差阈值，相关系数SCC是否超出相关系数阈值，同时，判断温度偏差DEV处于哪个阈值区间以及处于各个阈值区间内的温度偏差DEV的数量；
最后，基于预先划分的风力发电机组的健康状态等级评估风力发电机组的健康状态。
[0072] 此外，在步骤S10之后，可以对所采集的被监测点的实际温度值R以及与温度相关的参数数据进行存储。
[0073] 为了有助于本领域的技术人员进一步地理解本发明的技术方案，下面以评估风力发电机组的变桨电机的健康状态为例，进一步对本发明提供的风力发电机组的故障预警方法进行详细地描述。
[0074] 具体地，图3为本发明提供的风力发电机组的变桨电机的故障预警方法的流程框图。请参阅图3，在该方法中，被监测点包括n个位于不同的变桨电机上的被监测点，即，变桨电机的数量为n个，在每个变桨电机上设置一个被监测点。
[0075] 步骤S100，在采样周期内采集N次被监测点的实际温度值R以及与温度相关的参数数据。
[0076] 步骤S200，将所采集的被监测点的实际温度值R以及与温度相关的参数数据与对应的设定阈值进行比较。在实际应用中，上述设定阈值可以设置为允许所采集的数据所达到的最高值，即安全阈值。
[0077] 步骤S300，判断前者是否超出后者所限定的正常范围，若是，则发出表示严重异常的报警并结束本方法流程；若否，则流程进入步骤S400。
[0078] 步骤S400，计算n个不同的变桨电机的被监测点的温度平均值T，并计算n个不同的变桨电机中两个变桨电机的平均温度差值SUB，其中，SUB＝Tj-Tr，j≠r，j＝1，2，...n，r＝1，2，...n。
[0079] 步骤S500，将变桨电机的温度差值SUB与设定的阈值进行比较。
[0080] 步骤S600，判断前者是否超出后者所限定的正常范围，若是，则报警并结束本方法流程；若否，则流程进入步骤S700。
[0081] 步骤S700，进入评估风力发电机组的变桨电机的健康状态的工作流程。由于评估风力发电机组的变桨电机的健康状态的工作流程与图2所示风力发电机组的故障预警方法类似，在此不再赘述。
[0082] 需要说明的是，在实际应用中，风力发电机组的变桨电机的故障预警方法也可以省去步骤S300，和/或省去步骤S400、步骤S500以及步骤S600，即，在完成步骤S100之后，流程直接进入步骤S700，评估风力发电机组的变桨电机的健康状态的工作流程。
[0083] 下面以评估风力发电机组的变流器的健康状态为例，进一步对本发明提供的风力发电机组的故障预警方法进行详细地描述。具体地，与图3所示风力发电机组的变桨电机的故障预警方法相比，风力发电机组的变流器的故障预警方法同样包括步骤S100、步骤S200、步骤S300和步骤S700，其不同点在于：一台风力发电机组仅设置有一个变流器，即被监测点仅包括位于变流器上的一个被监测点。因此，风力发电机组的变流器的故障预警方法不需要计算被监测点的温度平均值以及对温度平均值进行相应的差比较，从而省去了上述步骤S400、步骤S500和步骤S600。
[0084] 综上所述，本发明提供的风力发电机组的故障预警方法，其通过预先建立温度模型，可以基于在采样周期内所采集的N次被监测点的实际温度值R以及与温度相关的参数数据而获得所采集的被监测点的温度预测值，用以作为被监测点的温度理论值P；而后，基于温度理论值P与实际温度值R而得到二者的温度偏差DEV、温度均方差MSE以及相关系数SCC，并基于温度偏差DEV、温度均方差MSE以及相关系数SCC而评估风力发电机组的健康状态。借助于上述故障预警方法，可以基于温度偏差DEV、温度均方差MSE以及相关系数SCC而设定多个不同的温度阈值，这不仅可以提高设置温度阈值的准确度，从而提高评估风力发电机组的健康状态的准确度，进而减少甚至避免警报的误报或者漏报的情况；而且，可以进一步细化风力发电机组的健康状态等级，从而提高评估风力发电机组的健康状态的精确度，进而降低人力及物力成本，提高风力发电机组的发电效率。
[0085] 可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
