CN107728059B - 一种变桨系统状态评估方法 - Google Patents

Abstract

本发明涉及一种变桨系统状态评估方法。其特征在于该方法的具体步骤是：第一步，特征参数和数据的提取与处理；第二步，故障检测模型建立；第三步，变桨系统状态评估结果获得。本发明通过变桨系统正常运行时的特征参数信息，计算出两相关参数在二维平面内正常参数的分布范围，进而可实现多参数条件下变桨状态的准确判定，采用3σ原则和四分位分析法获取特定风机的变桨二维信息时的正常运行边界，避免了风机故障检测时特例性考虑，大大减少了风机差异性识别算法的使用，显著提高了模型应用的针对性，一方面避免了建立复杂的变桨故障检测模型，另一方面增强了变桨故障检测模型的直观性、鲁棒性和适应性，从而准确实现变桨系统的状态评估。

Description

一种变桨系统状态评估方法

技术领域

本发明涉及变桨系统，具体是一种基于统计分析方法和物元分析理论的变桨系统状态评估方法。

背景技术

随着风电装机容量的增加，机组的故障问题变得日益突出，风电机组的运行和维护变得尤为重要。由于维修成本高，按照均化发电成本计算，风力发电比传统能源发电成本更贵。但是，考虑到社会成本、经济影响和地理影响，风力发电就显得更为经济。风力发电可持续性发展的关键是解决风机维护问题。在风电机组控制系统中，变桨系统作为核心部件，对机组的安全稳定运行起着重要作用。但是，由于变桨系统是复杂的非线性动态系统，在轮毂中受到重力和离心力影响，加之运行环境下风的随机分布和不确定性，使其成为风电机组中故障率较高的部件之一。如果变桨系统出现故障，有可能造成像叶片断裂、飞车、倒塌等严重后果。变桨电机作为变桨系统中的重要部件，经常发生的故障是变桨电机过流报警并跳开、变桨电机过热热继电器跳开、变桨电机转速高报警停机。在一般的故障检测方法中，往往需要确定整个风电机组模型，在整个前后关联数据模型确定影响的故障参数。但是，由于故障的出现具有风机特定性，与风机的运行环境、地理环境和安装条件密切相关。风机故障检测只能确定风机是否异常，不能准确判定特定部件是否发生故障，异常范围大，检修困难。

申请号201310586891.9公开了一种风力发电机组变桨系统的后备电源检测方法，该方法通过上位机测量变桨系统在顺桨动作时蓄电池组的电压和电流参数，形成蓄电池电压降落和容量的关系报表；所述报表与蓄电池组压降与容量标准表对比，初步判断蓄电池组是否正常；测量初步判断结果中不正常的蓄电池组中单体电池的内阻，最终筛选出不正常的单体蓄电池。其不足之处在于：风电机组常年运行过程中渗油、磨损、断裂等因素会造成后备电源电压和容量参数的变化，标准表也会变得不标准，如果每次检测都是与标准表进行比较，就会使检测结果越来越不准确。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种变桨系统状态评估方法。该方法根据变桨系统正常运行时的特征参数信息，计算出两相关参数在二维平面内正常参数的分布范围，进而可实现多参数条件下变桨状态的准确判定，采用3σ原则和四分位分析法获取特定风机的变桨二维信息时的正常运行边界，避免了风机故障检测时特例性考虑，大大减少了风机差异性识别算法的使用，显著提高了模型应用的针对性，一方面避免了建立复杂的变桨故障检测模型，另一方面增强了变桨故障检测模型的直观性、鲁棒性和适应性。

本发明解决所述技术问题的技术方案是，提供一种变桨系统状态评估方法，其特征在于该方法包括以下步骤：

第一步，特征参数和数据的提取与处理：

1-1、特征参数和数据的获取：采集SCADA系统中存储的特征参数和与特征参数相关的历史离线数据；

1-2、特征参数和数据的提取：将步骤1-1中得到的特征参数和数据采用Relief算法进行提取，得到用于研究的特征参数及其数据；

1-3、中位值平均滤波：采用中位值平均滤波消除与用于研究的特征参数相关的数据中由于噪声干扰所引起的采样偏差，并依据SCADA系统的运行标志位，剔除停机数据，得到样本数据；

第二步，故障检测模型建立：

2-1、ANFIS非线性拟合：将步骤1-3得到的样本数据采用统计分析方法进行扩展边界后得到边界数据集，再对边界数据集进行ANFIS进行非线性拟合，得到非线性故障区间；

非线性故障区间的获取在于建立故障检测边界，具体方法是：用ANFIS方法拟合样本数据和得到的边界数据集，得到样本数据区间的上边界函数f⁺(x)、下边界函数f^-(x)和训练集拟合函数f(x)；给定输入输出样本数据集{(x[j],y[j])}(j＝1,2...M)，其中，x[j]为第j个输入标量，y[j]是第j个对应的输出标量，M是样本数；依据物元分析优化原则中的越小越优型原则，进行离差标准化，映射到[0,1]，得到单项参数的模糊量值μ(x[j])，参见式(1)：

2-2、劣化度提取：根据步骤1-3得到的样本数据与步骤2-1得到的非线性故障区间，确定单项参数模糊量值，得到单参数平均劣化度；

单参数平均劣化度

反映了风机参数指标状态的劣化程度，其取值范围是[0,1]，参见式(2)：

式中：μ(x[j])为单项参数的模糊量值；

第三步，变桨系统状态评估结果获得：

3-1、确定变桨系统物元：采用物元分析理论确定步骤1-2所得的用于研究的特征参数及其数据的经典域物元和节域物元；

描述变桨系统故障的特征参数有n个，经典域物元参见式(3)：

式中：特征参数为C₁,C₂,...C_n；P_m为变桨系统状态的第m(m＝1,2,3,4)个等级，分别表示变桨系统状态为“良好”、“一般”、“异常”和“严重”；<b_mi,c_mi>为P_m关于C_i的经典域取值范围，即经典域(i＝1,2,...,n)；

节域物元参见式(4)：

式中：特征参数C₁,C₂,...C_n，<a_pi,d_pi>为P_p关于C_i的节域取值范围(i＝1,2,...,n)；

3-2、确定特征参数权重：以故障率的统计为依据，用两两比较法分别确定步骤1-2所得的用于研究的特征参数及其数据的权重；在两两比较法中，根据不同指标对于统一准则的重要度进行量化评价；

最终形成一个两两比较的判断矩阵，即：A＝(a_ij)_n×m；

式中：a_ij为第i个特征参数与第j个特征参数对于统一准则的重要度比例标度，最后求解A的特征向量并进行归一化得到权重向量w；

3-3、确定特征参数综合关联度：根据参数平均劣化度和权重向量w确定变桨系统综合关联度，得到评估结果；

用ξ_i表示第i项特征参数的隶属值，即ξ_i＝μ(x_i),(i＝1,2,...n)，用

表示<b_mi,c_mi>，

表示<a_pi,d_pi>，则关于等级m的关联函数值可以表示为：

上式中，

w_i为变桨系统第i项特征参数的权重向量，K_m(ξ_i)对各特征参数关于等级m的关联函数值加权平均后所得数值为各等级m的综合关联度，即：

确定变桨系统所属的等级D^*：

D^*＝max{D(P_m)|m＝1,2,3,4} (9)

即确定变桨系统应属于第m等级。

与现有技术相比，本发明的有益效果在于：

(1)该方法根据变桨系统正常运行时的特征参数信息，计算出两相关参数在二维平面内正常参数的分布范围，进而可实现多参数条件下变桨状态的准确判定，采用3σ原则和四分位分析法获取特定风机的变桨二维信息时的正常运行边界，避免了风机故障检测时特例性考虑，大大减少了风机差异性识别算法的使用，显著提高了模型应用的针对性，一方面避免了建立复杂的变桨故障检测模型，另一方面增强了变桨故障检测模型的直观性、鲁棒性和适应性。

(2)模糊综合评判方法和传统物元分析方法均是对单组数据的判断。本文方法考虑到风速的随机性和风机湍流特性，为了防止极端值影响并中和干扰，采用均值法对单参数故障程度进行处理。

(3)模糊综合评判方法和传统物元分析方法一般采用Bin方法对数据进行拟合，采用绝对阈值判断对象故障程度，并没有对数据进行训练，这在实际应用时，计算机编程更容易实现。但Bin方法适用于温度、振动信号等变化范围小且波动程度小的特征参数，对于像风轮转速，发电机转速、桨距角等变化范围大或相对波动幅值大的参数，需要经过训练来确定参数偏离正常值的程度。

(4)模糊综合评判方法在隶属度函数选择，因素集权重分配上带有强烈的主观性；传统物元评估方法中的物元经典域及节域的确定也会受到人为因素影响。但不能否定，有时主观评判也能较好反映客观实际，使得评估结果具有较好的参考价值。而本发明方法采用数学方法确定评估指标权重，利用数学本身的严格逻辑性确定各评估指标的权重，中间并对结果进行了滤波和修复处理，因此最终的评估结果更为准确。

附图说明

图1为本发明变桨系统状态评估方法实施例1的风速-桨距角非线性故障区间的结果示意图；

图2为本发明变桨系统状态评估方法实施例1的风速-发电机转速非线性故障区间的结果示意图；

图3为本发明变桨系统状态评估方法实施例1的风轮转速-电机驱动电流非线性故障区间的结果示意图；

图4为本发明变桨系统状态评估方法实施例1的风轮转速-变桨速度非线性故障区间的结果示意图；

具体实施方式

下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请权利要求的保护范围。

本发明提供了一种变桨系统状态评估方法，其特征在于该方法包括以下步骤：

第一步，特征参数和数据的提取与处理：

1-1、特征参数和数据的获取：采集SCADA系统中存储的特征参数和与特征参数相关的历史离线数据；

1-2、特征参数和数据的提取：将步骤1-1中得到的特征参数和数据采用Relief算法进行提取，得到用于研究的特征参数及其数据；

1-3、中位值平均滤波：采用中位值平均滤波消除与用于研究的特征参数相关的数据中由于噪声干扰所引起的采样偏差，并依据SCADA系统的运行标志位(1是正常运行，0是停机)，剔除停机数据，得到样本数据；

第二步，故障检测模型建立：

2-1、ANFIS非线性拟合：将步骤1-3得到的样本数据采用统计分析方法进行扩展边界后得到边界数据集，再对边界数据集进行ANFIS进行非线性拟合，得到非线性故障区间；

非线性故障区间的获取在于建立故障检测边界，具体方法是：用ANFIS方法拟合样本数据和得到的边界数据集，得到样本数据区间的上边界函数f⁺(x)、下边界函数f^-(x)和训练集拟合函数f(x)；给定输入输出样本数据集{(x[j],y[j])}(j＝1,2...M)，其中，x[j]为第j个输入标量，y[j]是第j个对应的输出标量，M是样本数；依据物元分析优化原则中的越小越优型原则，进行离差标准化，映射到[0,1]，得到单项参数的模糊量值μ(x[j])，参见式(1)：

2-2、劣化度提取：根据步骤1-3得到的样本数据与步骤2-1得到的非线性故障区间，确定单项参数模糊量值，得到单参数平均劣化度；

在选取样本数据数量时既要考虑到单参数平均劣化度能够较好地反映出变桨系统状态，又要考虑到少量极端样本数据点的影响，避免噪声数据对结果的剧烈影响。综合考虑设定单位时段的样本数据量为N_T选为352，单参数平均劣化度

反映了风机参数指标状态的劣化程度，其取值范围是[0,1]，参见式(2)：

式中：μ(x[j])为单项参数的模糊量值；

第三步，变桨系统状态评估结果获得：

3-1、确定变桨系统物元：采用物元分析理论确定步骤1-2所得的用于研究的特征参数及其数据的经典域物元和节域物元；

变桨系统状态评估主要根据物元分析理论：描述变桨系统故障的特征参数有n个(本实施例中n＝10)，经典域物元参见式(3)：

式中：特征参数为C₁,C₂,...C_n；P_m为变桨系统状态的第m(m＝1,2,3,4)个等级，分别表示变桨系统状态为“良好”、“一般”、“异常”和“严重”；<b_mi,c_mi>为P_m关于C_i的经典域取值范围，即经典域(i＝1,2,...,n)。

节域物元参见式(4)：

式中：特征参数C₁,C₂,...C_n，<a_pi,d_pi>为P_p关于C_i的节域取值范围(i＝1,2,...,n)；

3-2、确定特征参数权重：以故障率的统计为依据，用两两比较法分别确定步骤1-2所得的用于研究的特征参数及其数据的权重；在两两比较法中，根据不同指标对于统一准则的重要度进行量化评价，其中涉及失效频率、停运时间、维修费用和可监测性等指标，并结合机组的工程设计、检修记录和故障统计数据进行设置；

表1量化评价标准及其含义

最终形成一个两两比较的判断矩阵，即：A＝(a_ij)_n×m；

式中：a_ij为第i个特征参数与第j个特征参数对于统一准则的重要度比例标度，最后求解A的特征向量并进行归一化得到权重向量w；

3-3、确定特征参数综合关联度：根据参数平均劣化度和权重向量w确定变桨系统综合关联度，得到评估结果；

用ξ_i表示第i项特征参数的隶属值，即ξ_i＝μ(x_i),(i＝1,2,...n)，用

表示<b_mi,c_mi>，

表示<a_pi,d_pi>，则关于等级m的关联函数值可以表示为：

上式中，

w_i为变桨系统第i项特征参数的权重向量，K_m(ξ_i)对各特征参数关于等级m的关联函数值加权平均后所得数值为各等级m的综合关联度，即：

确定变桨系统所属的等级D^*：

D^*＝max{D(P_m)|m＝1,2,3,4} (9)

即确定变桨系统应属于第m等级，具体描述见表2。

表2变桨系统状态等级描述

实施例1

本实施例按要求提取出用于研究的特征参数及其相应的数据，样本数据的数量为4900，采用Relief算法选取的十个用于研究的特征参量为：三个桨距角、三个电机驱动电流、一个发电机转速和三个变桨速度。

确定步骤2-1所需特征参量的边界数据集的过程，需要分别以风速和风轮转速为参考，具体是：

(1)利用3σ原则确定风速作参考的桨距角和发电机转速的边界数据集：

3σ准则是重复概率事件，在正态分布中大部分数据满足等精度重复的基础上，少量数据由于干扰或异常不能满足正态分布。如果采集数据中测量值的残余误差绝对值是大于3σ的，说明是应该去除的坏值。一般把±3σ称作极限误差，对于统计中正态分布的随机误差，在±3σ以外的可能性只有0.26％，它在有限次数的数据测量中发生的概率极低。

基准参数风速的最大值V_max为16m/s和最小值V_min为3m/s。选取区域划分阈值ε_V，将[V_max,V_min]划分成N_V份，

按照IEC标准，ε_V＝0.5。

利用3σ原则处理扩展桨距角和发电机转速的数据边界，得到样本数据的最大边界数据集

和最小边界数据集

k＝1,2,...,N_V；对区间端点和中心趋势因素综合考虑，对区间端点和中心趋势因素综合考虑，样本的输入值x_vk取为各风速区间中心点值；样本选取变量的相应输出

为各区间所有输出的平均值，同时计算出相应的样本标准差σ_vk。则根据式(10)得到桨距角和发电机转速的边界数据：

(2)利用四分位分析法确定风轮转速作参考的电机驱动电流和变桨速度的边界数据集：

四分位数(Quartile)属于统计学中分位数的内容。即将所有数据按递增排列，分成四等份，在分割点处的数据就是四分位数。同一风轮转速下，电机驱动电流和变桨速度的变化是非正态分布的。合理的风轮转速范围内，采集的训练数据满足分析要求。采用四分位分析法，可以达到建模的目的，且不会影响接下来风机状态的判断。

基准参数风轮转速的最大值Ω_max为17rpm和最小值Ω_min为10rpm。选取区域划分阈值ε_Ω，将[Ω_max,Ω_min]划分成N_Ω份，

考虑到风轮转速范围和数据的拟合效果，选择ε_Ω＝0.2或ε_Ω＝0.3。

根据四分位分析法得到样本数据的最大和最小边界数据集

m＝1,2,...,N_Ω；样本的输入值x_ωm取为各风轮转速区间中心点值；样本选取变量的相应输出d_ωm为各区间所有输出的中位值，同时计算出相应的下四分位值d_Q1m，上四分位值d_Q3m，四分位距Δd_IQRm＝d_Q3m-d_Q1m。则根据式(11)得到电机驱动电流和变桨速度的边界数据：

将处理之后特征参数的边界数据作为ANFIS的输入，得到各特征参数的故障区间如图1至图4所示。

将处理后的关系样本数据代入相应的故障特征检测模型，得到单项参数的模糊量值，继而综合考虑选取单元样本数量N_T选为352，得到单参数平均劣化度。

基于物元分析理论得到变桨系统各评估指标经典域与节域物元，由两两比较法确定各参数的权重向量w：

[w₁,w₂...w₁₀]＝[0.1356,0.1370,0.1370,0.1327,0.1327,0.1341,0.1283,0.0204,0.0219,0.0204]

将样本数据平均分为5组，处理后分别代入相应的故障特征检测模型，得到单参数平均劣化度，结果见表3。

表3变桨系统特征参数劣化度结果

根据单参数平均劣化度和权重向量w确定变桨系统综合关联度，得到变桨系统的评估结果见表4。

表4变桨系统状态评估结果

本发明未述及之处适用于现有技术。

Claims (5)

1.一种变桨系统状态评估方法，其特征在于该方法包括以下步骤：

第一步，特征参数和数据的提取与处理：

1-1、特征参数和数据的获取：采集SCADA系统中存储的特征参数和与特征参数相关的历史离线数据；

1-2、特征参数和数据的提取：将步骤1-1中得到的特征参数和数据采用Relief算法进行提取，得到用于研究的特征参数及其数据；

1-3、中位值平均滤波：采用中位值平均滤波消除与用于研究的特征参数相关的数据中由于噪声干扰所引起的采样偏差，并依据SCADA系统的运行标志位，剔除停机数据，得到样本数据；

第二步，故障检测模型建立：

2-1、ANFIS非线性拟合：将步骤1-3得到的样本数据采用统计分析方法进行扩展边界后得到边界数据集，再对边界数据集ANFIS进行非线性拟合，得到非线性故障区间；

非线性故障区间的获取在于建立故障检测边界，具体方法是：根据ANFIS方法拟合样本数据和得到的边界数据集，得到样本数据区间的上边界函数f⁺(x)、下边界函数f^-(x)和训练集拟合函数f(x)；给定输入输出样本数据集{(x[j],y[j])}(j＝1,2...M)，其中，x[j]为第j个输入标量，y[j]是第j个对应的输出标量，M是样本数；依据物元分析优化原则中的越小越优型原则，进行离差标准化，映射到[0,1]，得到单项参数的模糊量值μ(x[j])，参见式(1)：

2-2、劣化度提取：根据步骤1-3得到的样本数据与步骤2-1得到的非线性故障区间，确定单项参数模糊量值，得到单参数平均劣化度；

单参数平均劣化度

反映了风机参数指标状态的劣化程度，其取值范围是[0,1]，参见式(2)：

式中：μ(x[j])为单项参数的模糊量值；

第三步，变桨系统状态评估结果获得：

3-1、确定变桨系统物元：采用物元分析理论确定步骤1-2所得的用于研究的特征参数及其数据的经典域物元和节域物元；

描述变桨系统故障的特征参数有n个，经典域物元参见式(3)：

式中：特征参数为C₁,C₂,...C_n；P_m为变桨系统状态的第m(m＝1,2,3,4)个等级，分别表示变桨系统状态为“良好”、“一般”、“异常”和“严重”；<b_mi,c_mi>为P_m关于C_i的经典域取值范围，即经典域(i＝1,2,...,n)；

节域物元参见式(4)：

式中：特征参数C₁,C₂,...C_n，<a_pi,d_pi>为P_p关于C_i的节域取值范围(i＝1,2,...,n)；

3-2、确定特征参数权重：以故障率的统计为依据，用两两比较法分别确定步骤1-2所得的用于研究的特征参数及其数据的权重；在两两比较法中，根据不同指标对于统一准则的重要度进行量化评价；

最终形成一个两两比较的判断矩阵，即：A＝(a_ij)_n×m；

式中：a_ij为第i个特征参数与第j个特征参数对于统一准则的重要度比例标度，最后求解A的特征向量并进行归一化得到权重向量w；

3-3、确定特征参数综合关联度：根据参数平均劣化度和权重向量w确定变桨系统综合关联度，得到评估结果；

用ξ_i表示第i项特征参数的隶属值，即ξ_i＝μ(x_i),(i＝1,2,...n)，用

表示<b_mi,c_mi>，

表示<a_pi,d_pi>，则关于等级m的关联函数值可以表示为：

上式中，

w_i为变桨系统第i项特征参数的权重向量，K_m(ξ_i)对各特征参数关于等级m的关联函数值加权平均后所得数值为各等级m的综合关联度，即：

确定变桨系统所属的等级D^*：

D^*＝max{D(P_m)|m＝1,2,3,4} (9)

即确定变桨系统应属于第m等级。

2.根据权利要求1所述的变桨系统状态评估方法，其特征在于步骤3-2中的指标包括失效频率、停运时间、维修费用、可监测性、机组的工程设计、机组的检修记录和机组的故障统计数据。

3.根据权利要求1所述的变桨系统状态评估方法，其特征在于步骤2-1中的统计分析方法是采用3σ原则和四分位分析法。

4.根据权利要求3所述的变桨系统状态评估方法，其特征在于利用3σ原则确定风速作参考的桨距角和发电机转速的边界数据集：

利用3σ原则处理扩展桨距角和发电机转速的数据边界，得到样本数据的最大边界数据集

和最小边界数据集

对区间端点和中心趋势因素综合考虑，对区间端点和中心趋势因素综合考虑，样本的输入值x_vk取为各风速区间中心点值；样本选取变量的相应输出

为各区间所有输出的平均值，同时计算出相应的样本标准差σ_vk；则根据式(10)得到桨距角和发电机转速的边界数据：

5.根据权利要求3所述的变桨系统状态评估方法，其特征在于利用四分位分析法确定风轮转速作参考的电机驱动电流和变桨速度的边界数据集：

根据四分位分析法得到样本数据的最大和最小边界数据集

样本的输入值x_ωm取为各风轮转速区间中心点值；样本选取变量的相应输出d_ωm为各区间所有输出的中位值，同时计算出相应的下四分位值d_Q1m，上四分位值d_Q3m，四分位距Δd_IQRm＝d_Q3m-d_Q1m；则根据式(11)得到电机驱动电流和变桨速度的边界数据：

Images