[发明专利]一种基于轴承温度模型的风电机组故障预测方法

说明书

本发明公开了一种基于轴承温度模型的风电机组故障预测方法，包括以下步骤：1）根据风电机组的故障监测目标选取轴承；2）对SCADA运行数据进行分析，并应用主成分分析法选定轴承温度模型的建模参数；3）基于径向基函数神经网络与线性回归分析方法，根据历史健康状态运行数据建立健康状态轴承温度的LRRBF预测模型；4）基于LRRBF预测模型，根据当前运行数据计算实际运行状态下的轴承温度预测值；5）计算得到轴承温度预测值与实际运行值之间的残差，使用滑动窗口法进行残差分析；如果残差均值超过预设的置信区间，则判断故障监测目标出现故障，从而实现风电机组的故障预测。通过轴承温度进行风电机组的故障预测，经济而高效。

技术领域

本发明涉及一种风电机组故障预测方法，特别是涉及一种基于轴承温度模型的风电机组故障预测方法，属于状态监测与故障诊断技术领域。

背景技术

随着时代的进步和人类环保意识的提升，对可再生清洁能源的开发和利用越来越受到国际社会的重视。为世界范围内技术最成熟、最具规模化商业开发潜力的新能源之一，风能具有蕴藏量丰富、可再生、分布广、无污染等特性，具备规模化开发利用价值。风能作为一种储量丰富、可再生、零排放的清洁能源，风力发电技术已经成为各国争相发展的重要领域，并且已经被提升到了国家战略的高度。

近年来风力发电经历了爆炸式的增长，根据全球风能理事会(GWEC)发布的2016风电发展报告统计，截止2016年全球风力发电机组装机总量已经达到486.79GW，其中中国全年新增装机容量23370MW，截止16年底全国装机总容量达168.732GW，预计到2020年我国风电装机容量将达到200GW。

在风电装机容量迅猛增长、风电市场特别是海上风电的快速发展的同时，机组事故率在逐年增加。由于风力发电机组经常运行在高海拔或者海上等环境恶劣的偏远地区，一旦出现故障，巨大的维修费用与长时间的维修周期将造成不小的经济损失，并且一些故障的产生如果没有及早的发现处理会造成对于机组本身不可挽回的影响，并且有可能对周围工作人员的生命安全造成威胁。

风电机组的状态监测技术通过温度、转速、振动等传感器对机组的叶轮、齿轮箱、发电机、偏航与变桨机构等关键位置进行实时数据采集、监控和相关数据分析，了解机组的运行健康状态，及时发现故障征兆，提前进行相关故障的处理及发电运行的合理安排，从而提高运营效率，降低运维成本，使效益最大化。2012年，全国风电场设备运行质量状况调查报告显示，我国风电机组发电机的年故障发生频次仅次于叶片，为0.13次/台，平均排除故障耗时为105.93h。所以，风电机组的齿轮箱与发电机均是故障率较高的部件，现有技术中对其状态监测仍存在提前预测能力不足，不能有效监测到关键部件的运行状态。

发明内容

本发明的主要目的在于，克服现有技术中的不足，提供一种基于轴承温度模型的风电机组故障预测方法，通过轴承温度进行风电机组的故障预测，无需安装额外传感器，不仅可提前预测发现风电机组的齿轮箱、发电机等部件故障，防止故障进一步扩大导致机组停机、损坏等，从而导致发电量降低、风电场收益降低的现象发生；还可风电场运维工作人员分析机组部件状态和进行维护工作提供指导，极具有产业上的利用价值。

为了达到上述目的，本发明所采用的技术方案是：

一种基于轴承温度模型的风电机组故障预测方法，包括以下步骤：

1)根据风电机组的故障监测目标选取轴承；

2)从风电机组内SCADA系统获取SCADA运行数据，对SCADA运行数据进行分析，并应用主成分分析法选定轴承温度模型的建模参数；

其中，SCADA运行数据包括历史运行数据和当前运行数据，所述历史运行数据包括历史健康状态运行数据；

3)基于径向基函数神经网络与线性回归分析方法，根据历史健康状态运行数据建立健康状态轴承温度的线性回归径向基函数神经网络预测模型、即LRRBF预测模型；