[发明专利]一种风电机组桨距系统故障识别方法

说明书

本发明公开了一种风电机组桨距系统故障识别方法，属于故障识别技术领域。所述方法包括根据风力发电机的桨距子系统的状态向量，建立桨距子系统的系统模型，并根据系统模型确定测量输出向量；定义正多胞体O，并对估计状态进行初始化；设计正多胞体卡尔曼滤波器对桨距子系统状态进行估计，并利用正多胞体对受未知干扰影响的状态集合进行描述，使得所估计出的风电机组桨距子系统状态更贴近于实际的工作状态；当桨距子系统发生故障时，采用贝叶斯理论和模型匹配方法实现故障识别过程，即通过故障类型的匹配概率完成故障识别，提高了故障诊断效率。

技术领域

本发明涉及一种风电机组桨距系统故障识别方法，属于故障识别技术领域。

背景技术

风电能源作为一种可循环再生的绿色能源，逐渐成为新能源开发利用的主流。风力发电机组(简称风电机组)作为风力发电的主要实现设备，保障其正常可靠运行具有重要意义。风力发电机组包括风轮和风力发电机等部分，风力发电机的桨距子系统作为风力发电系统中控制系统的重要组成部分，用于控制桨叶桨距角变换，因此为了保障风力发电系统的正常可靠运行，需要对桨距子系统进行故障诊断。

传统基于卡尔曼滤波或贝叶斯方法的故障诊断方法一般都是基于假设系统干扰和测量噪声服从某种概率分布的前提，而在实际工业控制过程中，系统干扰和测量噪声分布的先验信息很难得到，因此，研究学者们假设干扰和噪声未知但有界提出了集员估计方法，由于该方法符合实际工业系统过程干扰和噪声的特性，因此得到了深入研究和广泛应用，如鲁棒控制，机器人定位和故障诊断等领域。

上述方法在故障识别阶段，常用模型匹配的方法，即假设估计状态和真实状态的误差在连续的时间长度内都满足一定的条件来实现故障识别，但是要直到满足这一条件才能完成故障识别，所以会使故障识别速度变慢，从而降低了故障诊断效率。

发明内容

为了解决现有基于模型匹配的故障识别方法存在的故障诊断效率低的问题，本发明提供了一种风电机组桨距系统故障识别方法，通过设计正多胞体卡尔曼滤波器对系统状态进行估计，之后采用贝叶斯理论和模型匹配相结合的方法实现故障识别，即通过故障类型的匹配概率完成故障识别，相较于传统的模型匹配方法，提高了故障诊断效率。

一种风电机组桨距系统故障识别方法，所述方法包括：

根据风电机组的桨距子系统的状态向量，建立桨距子系统的系统模型，并根据系统模型确定测量输出向量；

定义正多胞体O，并确定桨距子系统初始状态对应的正多胞体；

设计正多胞体卡尔曼滤波器对桨距子系统状态进行估计，并利用正多胞体对受未知干扰影响的状态集合进行描述；当桨距子系统发生故障时，采用贝叶斯理论和模型匹配方法实现故障识别过程。

可选的，所述根据风电机组的桨距子系统的状态向量，建立桨距子系统的系统模型，包括：

建立式(1)所示的系统模型；

其中，β表示桨距角，β_a表示已知的桨速度，β_r表示桨距参考值，表示桨距角的状态变量，表示桨速度的状态变量，ω_n和ζ为已知的系统参数，分别表示桨距子系统的自然频率和阻尼系统。

可选的，所述根据系统模型确定测量输出向量，包括：

将式(1)所示的桨距子系统的系统模型表示为连续的时间状态空间方程：

其中x＝[ββ_a]^T，u＝β_r，v和w分别为过程干扰和测量噪声，设定采样时间Ts对系统离散化，得到：