[发明专利]基于细粒度风电发电状态划分的风机叶片结冰异常监测方法

说明书

本发明公开了一种基于细粒度风电发电状态划分的风机叶片结冰异常检测方法。在揭示风机变工况运行时各变量关系的分段性特点后，针对性地提出了一种基于慢特征提取的细粒度状态划分建模方法。针对风力发电的动态变化特性，提出了一种动静态协同的监测方法。利用风场SCADA系统采集到的数据，用以上方法对风机建立各子状态的监测模型，并离线了验证本文提出的方法检测风机出力异常的效果。充分利用了风机运行时数据的动态特性，有效地提升了检测效果，有助于风场维护人员对叶片结冰的情况进行及时的诊断以及处理，从而保障了风力发电机组正常稳定的运行，同时提升了人员财产的安全保障系数。

技术领域

本发明属于风力发电过程监测领域，特别是涉及一种基于细粒度风电发电状态划分的风 机叶片结冰异常检测方法。

背景技术

据行业统计，2018年1-9月，全国新增风电并网容量1261万千瓦，到9月底累计 风电并网容量达到1.76亿千瓦；1-9月，全国风电发电量2676亿千瓦时，同比增长26％； 平均利用小时数1565小时，同比增加178小时；1-9月，全国弃风电量222亿千瓦时，同 比减少74亿千瓦时。

与此同时，经济性仍是制约风电发展的重要因素。与传统的化石能源电力相比，风电的 发电成本仍比较高，补贴需求和政策依赖性较强，行业发展受政策变动影响较大。而在风电 项目的开发过程中，风机能否在运转时期发挥最佳性能是衡量风场投资成败的关键因素之一。 风机极易出现一些利用普通手段难以监测的细微故障，这些故障的发生往往会导致风力发电 机无法达到额定的工作点，例如风机叶片结冰。叶片结冰会导致风机产生无法并网的电能， 造成了资源的浪费甚至对电网的稳定运行造成干扰。结冰程度较为严重时会导致冰块脱落， 这往往会威胁到风场人员财产安全。同时因为风机结构众多，测点数很多，导致数据量十分 庞大，不利于对此类故障的分析以及监测。

风力发电产业的工作环境复杂多变，并且由于其需要并入电网运行，因而对发电机运行 的稳定性要求较高，并且需要及时的人员维护。但是其发生故障的机率较高，若不及时检测 并排除故障就会导致风场无法正常运行，并消耗大量资金用于维修。例如：2016年2月16 日和2月20日，大唐河北乌登山风场和山西偏关水泉风场接连发生风机倒塔，造成设别损坏 的事件。河北乌登山风场110号风机倒塔事故的直接原因是叶片质量出现问题，在运行中开 裂，气流不平稳而引起风机的剧烈摇晃，山西偏关水泉风场项目14号风机倒塔事故的直接原 因则是风机振动值严重超标，造成法兰疲劳开裂导致的风机倒塔。

现阶段，暂时没有人针对风机运行变工况的特点，以及数据的静态与动态特性，来研究 风机的状态监测，判断其结冰故障。当前对风机结冰等故障的判断，主要依靠风电操作员的 经验，或者通过二维数据特征，通常为即风电功率曲线，来简单进行判断。但是这样做出的 结冰故障判断通常只能在严重结冰判断出来，无法及时在结冰早期就做出判断。这可能是由 于先前的方法无法有效利用风机中大量其他测点带来的完整信息，且没有考虑风机运行变工 况的特点，以及数据的静态与动态特性，从而无法对风机的整体状态形成完成、准确、及时 的监测。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于细粒度风电发电状态划分的风机 叶片结冰异常检测方法。

本发明的目的通过以下技术方案实现：一种基于细粒度风电发电状态划分的风机叶片结 冰异常检测方法，本方法的基本分析和建模单元是风速片数据矩阵，输出是沿速度方向的状 态分类，并且不同的子状态沿速度方向是连续的。通过顺序地添加新的风速片以迭代更新可 变展开建模单元，基于其与参考分布相似度的变化来检查所得模型的相似特性的变化，若特 性变化超过设定阈值，则认为不属于同一子状态。对于得出的各状态分类，可根据其统计监 测量的数据分布得监测置信限。该算法实际上是通过考察模型的改变其对监测性能的影响来 识别不同状态的。该方法包括两个部分：

(1)基于细粒度风电发电状态划分获得离线子状态，包括以下子步骤：