CN109425483A

CN109425483A - 基于scada和cms的风电机组运行状态评估与预测方法

Info

Publication number: CN109425483A
Application number: CN201710787298.9A
Authority: CN
Inventors: 万鹏; 汪锋; 张雯; 解锡伟; 潘海
Original assignee: Sharp Technology Ltd
Current assignee: Sharp Technology Ltd
Priority date: 2017-09-04
Filing date: 2017-09-04
Publication date: 2019-03-05
Anticipated expiration: 2037-09-04
Also published as: CN109425483B

Abstract

本发明公开一种基于SCADA和CMS的风电机组运行状态评估与预测方法，包括以下步骤：基于SCADA系统和CMS系统提取风电机组各个子系统的运行状态特征，包括SCADA系统的温度、转速、位置、功率、角度和CMS系统的振动特征；根据风电机组各个子系统的运行状态特征，运用变权综合评估模型计算评估各子系统的运行状态；根据风电机组各子系统的运行状态得到当前时间整个风电机组的运行状态以及预测未来设定时间风电机组的运行状态。与现有技术相比，本发明评估风电机组运行当前状态和预测将来运行状态更加准确。

Description

基于SCADA和CMS的风电机组运行状态评估与预测方法

技术领域

本发明属于风力发电领域，具体而言，涉及一种基于SCADA和CMS的风电机组运行状态评估与预测方法。

背景技术

随着我国风电场竞争越来越激烈，对安全运行和降低维护成本的要求不断提高，构建一套行之有效的风机运行状态评估体系，对风电机组进行实时准确的运行状态评估，掌握机组健康情况的变化趋势，合理地安排维修时间和维修项目，从而有效地预防故障的发生十分重要。

传统的风电机组运行状态评估往往针对某些关键部件，如齿轮箱、发电机等，或者以研究风电机组SCADA数据为基础的状态监测方法。

发明内容

本发明提供一种基于SCADA和CMS的风电机组运行状态评估与预测方法，用以克服现有技术中存在的至少一个问题。

为达到上述目的，本发明提供了一种基于SCADA和CMS的风电机组运行状态评估与预测方法，包括以下步骤：

基于SCADA系统和CMS系统提取风电机组各个子系统的运行状态特征，包括SCADA系统的温度、转速、位置、功率、角度和CMS系统的振动特征；

根据风电机组各个子系统的运行状态特征，运用变权综合评估模型计算评估各子系统的运行状态；

根据风电机组各子系统的运行状态得到当前时间整个风电机组的运行状态以及预测未来设定时间风电机组的运行状态。

优选地，所述基于SCADA系统和CMS系统提取风电机组各个子系统的运行状态特征，包括SCADA系统的温度、转速、位置、功率、角度和CMS 系统的振动特征步骤包括：

S1：根据SCADA系统中采集的机组各重要部件传感器的测量参数和 CMS系统中采集的振动数据，建立风电机组运行状态评估模型，在风电机组运行状态评估模型中，项目层包括7个子系统，X＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇}，即{主轴承,齿轮箱,发电机,机舱及控制系统,变流器系统,变桨系统,电网系统}；7个子系统分别包含一系列指标X_ij，X₁＝{X₁₁,X₁₂,X₁₃}，…，X₇＝{X₇₁,X₇₂,X₇₃,X₇₄}，其中CMS系统采集的数据为{X₁₂,X₁₃}＝{主轴承轴向振动，主轴承径向振动}， {X₂₅,X₂₆,X₂₇,X₂₈}＝{一级行星级径向振动，二级行星级径向振动，高速级径向振动，高速级轴向振动}

{X₃₅,X₃₆}＝{发电机驱动端径向振动，发电机非驱动端径向振动}；

S2：运用层次分析法，计算风电机组运行状态评估模型中7个子系统常权权重各子系统各指标特征参数的常权权重其中表示风电机组第i个子系统第j个指标特征参数的常权权重，表示风电机组第i个子系统第j个指标第k个特征参数常权权重，i、 j、k均为自然数。

优选地，所述根据风电机组各个子系统的运行状态特征，运用变权综合评估模型计算评估各子系统的运行状态步骤包括：

S3：将CMS系统记录主轴承轴向和径向、发电机驱动端和非驱动端的振动传感器信号分别计算以下时域指标：绝对均值有效值x_rms、峰值指标c_f、峭度指标K_v、低通有效值DRMS，其中：

y(t)为振动传感器采集的振动信号，长度为n，n为自然数。

其中β为峭度，

DRMS为利用低通滤波器对振动信号y(t)低通滤波，然后计算其有效值；

S4：将CMS系统记录齿轮箱一级行星级的径向、齿轮箱二级行星级的径向、齿轮箱高速级的轴向和径向的振动传感器信号，分别计算以下时域指标：绝对均值有效值x_rms、峰值指标c_f、峭度指标K_v，此外计算频域指标：边带能量率SER，其中；

其中啮合频率一侧边带的振幅值为y(t)快速傅立叶变换FFT后，啮合频率一侧以啮合齿轮转频为边带的幅值；

S5：按风电机组运行状态评估模型，定义风电机组各子系统的指标特征参数的实测值x_ij,(i＝1,2,...7)，x_ijk,(i＝1,2,3)，其中x_ij表示风电机组第i个子系统第j个指标特征参数的实测值，x_ijk表示风电机组第i个子系统第j个指标第k 个特征参数的实测值；

S6：计算指标特征参数的实测值x_ij,(i＝1,2,...7)，x_ijk,(i＝1,2,3)的劣化度；

S7：推导出风电机组子系统变权综合评估模型V_i'(x_i1,...,x_in)，其中

其中，w_ij(x_i1,...,x_in)、分别为风电机组第i个子系统第j个指标特征参数的变权权重、常权权重；

引入均衡函数得到最终变权权重w′_ij(x_i1,...,x_in) 和风电机组子系统变权综合评估模型V_i'(x_i1,...,x_in)，

其中，n为风电机组第i个子系统的指标特征参数个数，α为变权系数；

S8：计算风电机组各子系统的劣化度D_i：

将风电机组第i个子系统第j个指标特征参数的良好度g_ij带入风电机组子系统变权综合评估模型V_i'(x_i1,...,x_in)，得到，

g_ij＝1-d_ij，

D_i＝1-V_i(x_i1,...,x_in)

其中，g_ij为风电机组第i个子系统第j个指标特征参数的良好度， V_i(x_i1,...,x_in)、D_i分别为风电机组第i个子系统的良好度、劣化度；

针对CMS系统采集的数据{X₁₂,X₁₃}，{X₂₅,X₂₆,X₂₇,X₂₈}，{X₃₅,X₃₆}，首先计算良好度{g₁₂,g₁₃}，{g₂₅,g₂₆,g₂₇,g₂₈}，{g₃₅,g₃₆}，

g_ijk＝1-d_ijk，

其中，k为风电机组第i个子系统第j个指标的特征参数序号，n₁为风电机组第i个子系统第j个指标的特征参数个数；

S9：计算风电机组整个系统的劣化度D，其中

g_i＝1-D_i，

其中，g_i、分别为风电机组第i个子系统的良好度、常权权重，P为风电机组子系统的个数。

优选地，所述根据风电机组各子系统的运行状态得到当前时间整个风电机组的运行状态以及预测未来设定时间风电机组的运行状态步骤包括：

S10：在风电机组的SCADA系统和CMS系统中，每10min记录一次机组各重要部件传感器的测量参数，一天一共记录144个时间段数据；用1 周7天共1008个时间段数据，根据步骤S3—S8，分别计算7个子系统的良好度；利用7天1008组7个子系统良好度数据训练小波神经网络，其中小波基函数为Morlet母小波基函数，最后用训练好的小波神经网络预测第8天的 7个子系统良好度，根据步骤S9，计算第8天风电机组整个系统的劣化度；

S11：将劣化度进行划分，[0，0.2)，[0.2，0.4)，[0.4，0.6)，[0.6， 1]分别对应于风电机组的良好状态、较好状态、一般状态和拟故障状态，最终获得当前时间和第二天风电机组整个系统的机组运行状态，及其各个子系统和指标的运行状态。

优选地，上述风电机组运行状态评估与预测方法还包括以下步骤：

利用7周的SCADA和CMS数据计算第8周风电机组整个系统的劣化度。

优选地，设置振动信号y(t)的低通滤波截止频率，主轴承设置范围为叶轮转频的100倍频至150倍频，发电机设置范围为发电机转频的100倍频至150 倍频。

优选地，在步骤S6中，针对越小越优型的指标特征值，劣化度计算公式如下：

或

其中，d_ij、x_ij、α_ij、β_ij分别为风电机组第i个子系统第j个指标特征参数的劣化度、实测值、允许值、限值；d_ijk、x_ijk、α_ijk、β_ijk分别为风电机组第i个子系统第j个指标第k个特征参数的劣化度、实测值、允许值、限值；k_ij、k_ijk反映风电机组第i个子系统的第j个指标特征参数或第j个指标第k个特征参数与设备健康状况的关系，取值范围为(0,2]。

优选地，在步骤S6中，针对中间优型的指标特征值，劣化度计算公式如下：

其中，β_ij2、α_ij1为风电机组第i个子系统第j个指标特征参数的上、下限值；α_ij2、β_ij1为风电机组第i个子系统第j个指标特征参数的上、下限允许值。

优选地，在步骤S7中，当风电机组某些子系统的实测值小于2倍允许值时，取α>1/2；当风电机组某些子系统的实测值大于2倍允许值时，取α<1/2；当α＝1时，等同于常权模式。

优选地，当风电机组某些子系统的实测值大于3倍允许值时，取α＝0.1。

本发明引入CMS系统振动数据并提取敏感特征，运用层次分析法建立更加完整风电机组状态评估模型，在评估当前风电机组运行状态的同时，结合小波神经网络预测风电机组将来运行状态。与现有技术相比，本发明评估风电机组运行当前状态和预测将来运行状态更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例的风电机组运行状态评估模型示意图；

图2为本发明一个实施例的风电机组运行状态评估模型的劣化度。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在风电机组的SCADA系统中，每10min记录一次机组各重要部件传感器的测量参数，每个10min记录的内容包括时间标签、有功功率、无功功率、风速、环境和机舱温度、齿轮箱和轴承温度、叶轮和发电机转速、塔架振动加速度等共计46个参数，用于存储风电机组运行中采集的传动系统各部件的重要测量参数，这些运行数据真实地反映了风机的实际运行状态。

在风电机组的CMS系统中，在主轴承、齿轮箱和发电机安装了8个振动传感器，记录了8个测点的振动数据，振动传感器安装位置为主轴承的轴向和径向，齿轮箱一级行星级的径向，齿轮箱二级行星级的径向，齿轮箱高速级的轴向和径向，发电机驱动端和非驱动端的径向，用于诊断分析主轴承、齿轮箱和发电机健康状态及可能故障部位。

根据本发明一个实施例的基于SCADA和CMS的风电机组运行状态评估与预测方法，包括以下步骤：

根据本发明一个优选实施例的基于SCADA和CMS的风电机组运行状态评估与预测方法，用以对风电场中的多个风电机组进行运行状态评估，其包括以下步骤：

S1：研究分析风电机组运行状态影响因素后，建立风电机组运行状态评估模型，如图1所示。

S2：在风电机组运行状态评估模型中，项目层包括7个子系统， X＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇}，即{主轴承,齿轮箱,发电机,机舱及控制系统,变流器系

统,变桨系统,电网系统}。7个子系统分别包含一系列指标X_ij， X₁＝{X₁₁,X₁₂,X₁₃}，…，X₇＝{X₇₁,X₇₂,X₇₃,X₇₄}，其中CMS系统采集的数据为

{X₁₂,X₁₃}＝{主轴承轴向振动，主轴承径向振动}，

{X₂₅,X₂₆,X₂₇,X₂₈}＝{一级行星级径向振动，二级行星级径向振动，高速级径向振动，高速级轴向振动}

{X₃₅,X₃₆}＝{发电机驱动端径向振动，发电机非驱动端径向振动}。

运用层次分析法，计算风电机组运行状态评估模型中7个子系统常权权重各子系统各指标特征参数的常权权重其中表示风电机组第i个子系统第j个指标特征参数的常权权重，表示风电机组第i个子系统第j个指标第k个特征参数常权权重。

其中，每个子系统所包含的一系列指标所包含的向量及个数，主要根据人为判断各系统运行状态所参考的指标(经验)和SCADA系统中采集的46 个参数。

y(t)为振动传感器采集的振动信号，长度为n，n为自然数，由采样频率和采集时间决定。

其中β为峭度，

DRMS为利用低通滤波器对振动信号y(t)低通滤波，然后计算其有效值，其中根据经验设置振动信号的低通滤波截止频率，设置的原则可以根据① VDI3834；②分析频率至少为待分析部件故障特征频率的2倍，齿轮箱则至少3.3倍；以及③主轴承、发电机故障特征频率与转频的关系。例如，设置振动信号的低通滤波截止频率，主轴承设置范围为叶轮转频的100倍频至150 倍频，发电机设置范围为发电机转频的100倍频至150倍频。

其中啮合频率一侧边带的振幅值为y(t)快速傅立叶变换FFT后，啮合频率一侧以啮合齿轮转频为边带的幅值。

S5：按风电机组运行状态评估模型，如图1所示，定义风电机组各子系统的指标特征参数的实测值x_ij,(i＝1,2,...7)，x_ijk,(i＝1,2,3)，其中x_ij表示风电机组第i个子系统第j个指标特征参数的实测值，x_ijk表示风电机组第i个子系统第j 个指标第k个特征参数的实测值。

S6：计算指标特征参数的实测值x_ij,(i＝1,2,...7)，x_ijk,(i＝1,2,3)的劣化度。

针对越小越优型的指标特征值，如主轴承、齿轮箱、发电机、变流器等相关的温度和振动特征参数，劣化度计算公式如下：

或

其中，d_ij、x_ij、α_ij、β_ij分别为风电机组第i个子系统第j个指标特征参数的劣化度、实测值、允许值(良好值)、限值；d_ijk、x_ijk、α_ijk、β_ijk分别为风电机组第i个子系统第j个指标第k个特征参数的劣化度、实测值、允许值(良好值)、限值；k_ij、k_ijk反映风电机组第i个子系统的第j个指标特征参数或第 j个指标第k个特征参数与设备健康状况的关系，根据经验设置，取值范围 (0,2]。

针对中间优型的指标特征值，如偏航角度、转速、油温、机舱位置、电网系统等，劣化度计算公式如下：

其中，β_ij2、α_ij1为风电机组第i个子系统第j个指标特征参数的上、下限值；α_ij2、β_ij1为风电机组第i个子系统第j个指标特征参数的上、下限允许值 (良好值)。

其中，w_ij(x_i1,...,x_in)、分别为风电机组第i个子系统第j个指标特征参数的变权权重、常权权重。

其中，n为风电机组第i个子系统的指标特征参数个数，α为变权系数，当各因素的均衡问题考虑不多时，取α>1/2；当不能容忍某些因素的严重偏离时，取α<1/2；当α＝1时，等同于常权模式。考虑到风电机组某些子系统如果严重偏离正常状态将影响整个机组的安全性，可取α＝0.1。

例如，在步骤S7中，当风电机组某些子系统的实测值小于2倍允许值时，取α>1/2；当风电机组某些子系统的实测值大于2倍允许值时，取α<1/2；当α＝1时，等同于常权模式。当风电机组某些子系统的实测值大于3倍允许值时，取α＝0.1。

S8：计算风电机组各子系统的劣化度D_i

g_ij＝1-d_ij，

D_i＝1-V_i(x_i1,...,x_in)

其中，g_ij为风电机组第i个子系统第j个指标特征参数的良好度， V_i(x_i1,...,x_in)、D_i分别为风电机组第i个子系统的良好度、劣化度。

g_ijk＝1-d_ijk，

其中，k为风电机组第i个子系统第j个指标的特征参数序号，n₁为风电机组第i个子系统第j个指标的特征参数个数。

S9：计算风电机组整个系统的劣化度D，其中

g_i＝1-D_i，

S10：在风电机组的SCADA系统和CMS系统中，每10min记录一次机组各重要部件传感器的测量参数，一天一共记录144个时间段数据。用1 周7天共1008个时间段数据，根据步骤S3—S8，分别计算7个子系统的良好度。利用7天1008组7个子系统良好度数据训练小波神经网络，其中小波基函数为Morlet母小波基函数，最后用训练好的小波神经网络预测第8天的 7个子系统良好度，根据步骤S9，计算第8天风电机组整个系统的劣化度。 (小波神经网络是1992年ZhangQinghua和Benvenistes首次明确提出的概念和算法。)

S11：将劣化度进行划分，[0，0.2)，[0.2，0.4)，[0.4，0.6)，[0.6， 1]分别对应于风电机组的良好状态、较好状态、一般状态和拟故障状态。最终获得当前时间和第二天风电机组整个系统的机组运行状态，及其各个子系统和指标的运行状态，如图2所示。从图2中，可以直观的显示当前时间和第二天风电机组整体和局部的运行状态情况。

本发明提供的基于SCADA和CMS的风电机组运行状态评估与预测方法能够有效提取风电机组各个子系统的运行状态特征，包括SCADA系统的温度、转速、位置、功率、角度等和CMS系统的振动特征，运用变权综合评估模型计算评估其整体运行状态，并可以显示出当前时间和第二天风电机组各个子系统和指标特征的运行状态。

针对步骤S10，同理，可以利用7周的SCADA和CMS数据计算第8周风电机组整个系统的劣化度。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims

1.一种基于SCADA和CMS的风电机组运行状态评估与预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的风电机组运行状态评估与预测方法，其特征在于，所述基于SCADA系统和CMS系统提取风电机组各个子系统的运行状态特征，包括SCADA系统的温度、转速、位置、功率、角度和CMS系统的振动特征步骤包括：

S1：根据SCADA系统中采集的机组各重要部件传感器的测量参数和CMS系统中采集的振动数据，建立风电机组运行状态评估模型，在风电机组运行状态评估模型中，项目层包括7个子系统，X＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇}，即{主轴承,齿轮箱,发电机,机舱及控制系统,变流器系统,变桨系统,电网系统}；7个子系统分别包含一系列指标X_ij，X₁＝{X₁₁,X₁₂,X₁₃}，…，X₇＝{X₇₁,X₇₂,X₇₃,X₇₄}，其中CMS系统采集的数据为{X₁₂,X₁₃}＝{主轴承轴向振动，主轴承径向振动}，{X₂₅,X₂₆,X₂₇,X₂₈}＝{一级行星级径向振动，二级行星级径向振动，高速级径向振动，高速级轴向振动}

S2：运用层次分析法，计算风电机组运行状态评估模型中7个子系统常权权重(i＝1,2,...,7)，各子系统各指标特征参数的常权权重(i＝1,2,...,7)，(i＝1,2,3)，其中表示风电机组第i个子系统第j个指标特征参数的常权权重，表示风电机组第i个子系统第j个指标第k个特征参数常权权重，i、j、k均为自然数。

3.根据权利要求2所述的风电机组运行状态评估与预测方法，其特征在于，所述根据风电机组各个子系统的运行状态特征，运用变权综合评估模型计算评估各子系统的运行状态步骤包括：

y(t)为振动传感器采集的振动信号，长度为n，n为自然数；

其中β为峭度，

其中啮合频率一侧边带的振幅值为y(t) 快速傅立叶变换FFT后，啮合频率一侧以啮合齿轮转频为边带的幅值；

S5：按风电机组运行状态评估模型，定义风电机组各子系统的指标特征参数的实测值x_ij,(i＝1,2,...7)，x_ijk,(i＝1,2,3)，其中x_ij表示风电机组第i个子系统第j个指标特征参数的实测值，x_ijk表示风电机组第i个子系统第j个指标第k个特征参数的实测值；

引入均衡函数得到最终变权权重w_i'_j(x_i1,...,x_in)和风电机组子系统变权综合评估模型V_i'(x_i1,...,x_in)，

S8：计算风电机组各子系统的劣化度D_i：

g_ij＝1-d_ij，

D_i＝1-V_i(x_i1,...,x_in)

其中，g_ij为风电机组第i个子系统第j个指标特征参数的良好度，V_i(x_i1,...,x_in)、D_i分别为风电机组第i个子系统的良好度、劣化度；

g_ijk＝1-d_ijk，

S9：计算风电机组整个系统的劣化度D，其中

g_i＝1-D_i，

4.根据权利要求3所述的风电机组运行状态评估与预测方法，其特征在于，所述根据风电机组各子系统的运行状态得到当前时间整个风电机组的运行状态以及预测未来设定时间风电机组的运行状态步骤包括：

S10：在风电机组的SCADA系统和CMS系统中，每10min记录一次机组各重要部件传感器的测量参数，一天一共记录144个时间段数据；用1周7天共1008个时间段数据，根据步骤S3—S8，分别计算7个子系统的良好度；利用7天1008组7个子系统良好度数据训练小波神经网络，其中小波基函数为Morlet母小波基函数，最后用训练好的小波神经网络预测第8天的7个子系统良好度，根据步骤S9，计算第8天风电机组整个系统的劣化度；

S11：将劣化度进行划分，[0，0.2)，[0.2，0.4)，[0.4，0.6)，[0.6，1]分别对应于风电机组的良好状态、较好状态、一般状态和拟故障状态，最终获得当前时间和第二天风电机组整个系统的机组运行状态，及其各个子系统和指标的运行状态。

5.根据权利要求4所述的风电机组运行状态评估与预测方法，其特征在于，还包括以下步骤：

6.根据权利要求3所述的风电机组运行状态评估与预测方法，其特征在于，设置振动信号y(t)的低通滤波截止频率，主轴承设置范围为叶轮转频的100倍频至150倍频，发电机设置范围为发电机转频的100倍频至150倍频。

7.根据权利要求3所述的风电机组运行状态评估与预测方法，其特征在于，在步骤S6中，针对越小越优型的指标特征值，劣化度计算公式如下：

或

8.根据权利要求3所述的风电机组运行状态评估与预测方法，其特征在于，在步骤S6中，针对中间优型的指标特征值，劣化度计算公式如下：

9.根据权利要求3所述的风电机组运行状态评估与预测方法，其特征在于，在步骤S7中，当风电机组某些子系统的实测值小于2倍允许值时，取α>1/2；当风电机组某些子系统的实测值大于2倍允许值时，取α<1/2；当α＝1时，等同于常权模式。

10.根据权利要求9所述的风电机组运行状态评估与预测方法，其特征在于，当风电机组某些子系统的实测值大于3倍允许值时，取α＝0.1。