[发明专利]一种风力发电机组变桨系统的状态监测和故障诊断方法

权利要求书

1.一种风力发电机组变桨系统的状态监测和故障诊断方法，其特征在于：该方法包括以下步骤:

(1)数据采集：从风力发电机组SCADA系统中提取出与变桨系统运行状态相关的运行参数，该运行参数包括变桨电机的运行参数，叶片的变桨角度、变桨速度和变桨加速度，变桨电机驱动控制器IGBT的运行参数，风速，发电机转速、有功功率；

(2)特征参数提取：利用Relief算法提取有效的变桨系统特征参量，提取出的与变桨系统相关的特征参数包括：叶片的变桨角度，变桨电机驱动电流，发电机转速，转矩，变桨电机温度；

(3)数据分析预测：筛选变桨系统正常运行期间的历史数据，建立风机的健康模型，计算实时信号的预测值，计算实际输出值与预测值的偏差；

(4)诊断算法：根据步骤(3)传递过来的残差信息，判断风机的运行状态；按照相应的诊断规则以及残差贡献率，找到变桨系统的主故障原因；

(5)数据存储：对实时数据、预测数据及诊断结果进行存储，方便日后故障分析及为故障诊断规则的修改提供参考数据。

2.根据权利要求1所述的风力发电机组变桨系统的状态监测和故障诊断方法，其特征在于：所述步骤(3)中，首先选择变桨系统处于不同运行状态下的正常运行数据作为训练样本集，然后基于非线性评估NSET的方法建立变桨系统的健康模型，描述了正常运行状态下机组变桨系统与特征参数之间的非线性隐形关系；最后根据当前运行数据输入模型后的残差和阈值的关系判断风机的状态，并寻找主要的故障原因。

3.根据权利要求2所述的风力发电机组变桨系统的状态监测和故障诊断方法，其特征在于：所述步骤(3)中，设备共有n个相互关联的变量，设某一时刻i，采集的n个测点作为设备的一个工况，记为观测向量：X[i]＝[x₁(i),x₂(i)......x_n(i)]^T

设备正常工作时间段内不同运行工况下的m个历史观测向量，组成记忆矩阵D：D＝[X(1)X(2).....X(m)]

D=x1(1)x1(2)....x1(m)x2(1)x2(2)x2(m)··xn(1)xn(2)....xn(m)n×m]]>

过程记忆矩阵中的每一列观测向量代表设备的一个正常工作状态。经过合理选择的过程记忆矩阵中的m个历史观测向量所组成的子空间用D代表过程或设备正常运行的整个动态过程；

对于任何一组输入的观测向量X_obs，模型对应生成一个m维的权值向量W＝[ω₁ω₂.....ω_m]^T,

所以模型的预测输出为：X_est＝D·W＝ω₁·X(1)+ω₂·X(2)+....+ω_m·X(m)，模型输入观测向量和预测输出向量的残差为：ε＝X_obs-X_est，对残差进行极小化，求的权值向量W为：其中的非线性运算采用欧氏距离：

4.根据权利要求3所述的风力发电机组变桨系统的状态监测和故障诊断方法，其特征在于：所述步骤(4)中，当变桨系统正常工作时，输入NSET模型的观测向量位于正常工作空间，该观测向量会有过程记忆矩阵D中的某些历时观测向量相似，此时NSET模型对变桨系统具有很好的预测效果，所以产生残差会在阈值范围内；当变桨系统出现异常时，其动态特性发生改变，观测向量偏离正常工作状态空间，无法被过程记忆矩阵D覆盖，所以新输入的每组观测向量与模型预测输出之间会产生残差，该残差会超越阈值。