[发明专利]风力发电机组的故障、寿命预测方法和装置

权利要求书

1.一种风力发电机组的故障预测方法，其特征在于，所述方法包括：

获取风力发电机组在不同时刻的运行时长和工况数据，所述工况数据包括风速、所述风力发电机的发电机转速、发电机U相绕组温度、发电机非驱动端轴承温度、发电机有功功率和发电机驱动端轴承温度中的至少两种，所述工况数据包括根据风力发电机组故障失效机理和变量数据趋势变化确定的所述风力发电机组的故障关键变量；

根据所述运行时长、所述工况数据和威布尔比例风险模型，预测所述风力发电机组的累积失效概率，其中，所述威布尔比例风险模型中的形状参数的大小与所述至少两种工况数据的大小正相关。

2.根据权利要求1所述的风力发电机组的故障预测方法，其特征在于，所述形状参数为指数函数，所述指数函数以所述至少一种工况数据作为自变量，所述指数函数的底大于1。

3.根据权利要求1所述的风力发电机组的故障预测方法，其特征在于，所述方法还包括：

在对所述风力发电机组的故障进行预测之前，确定所述威布尔比例风险模型的模型参数。

4.根据权利要求3所述的风力发电机组的故障预测方法，其特征在于，所述确定所述威布尔比例风险模型的模型参数，包括：

获取SCADA系统采集的多个风力发电机组的SCADA数据，所述SCADA数据包括多个数据组，每个数据组包括同一时刻下的所述风力发电机组的多种类型的工况数据及所述风力发电机组在该时刻的运行时长，所述多个风力发电机组包括处于故障状态的风力发电机组及处于健康状态的风力发电机组；

基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数。

5.根据权利要求4所述的风力发电机组的故障预测方法，其特征在于，所述获取SCADA系统采集的多个风力发电机组的SCADA数据之后，所述基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数之前，还包括：

对所述SCADA数据进行预处理；

所述基于所述SCADA数据，确定所述威布尔比例风险模型的模型参数，包括：

基于预处理后的SCADA数据，确定所述威布尔比例风险模型的模型参数。

6.根据权利要求5所述的风力发电机组的故障预测方法，其特征在于，所述对所述SCADA数据进行预处理，包括以下至少一种方式：

对所述SCADA数据中的空缺值和/或无效值进行中位数填充；

删除所述SCADA数据中的工况数据超出工况数据阈值所属的数据组及对应的运行时长；

基于实际环境温度及第一预设时间段内的环境温度的均值，对所述SCADA数据中的工况数据包括的温度数据进行修正；

对所述SCADA数据中的各工况数据分别进行归一化处理。

7.根据权利要求5所述的风力发电机组的故障预测方法，其特征在于，所述对所述SCADA数据进行预处理之后，所述基于预处理后的SCADA数据，确定所述威布尔比例风险模型的模型参数之前，还包括：

将所述预处理后的SCADA数据中至当前采集时刻之前的预第二设时间段内的工况数据的均值作为所述当前采集时刻的工况数据大小。

8.一种风力发电机组的寿命预测方法，其特征在于，所述方法包括：

获取基于权利要求1-7中任一项所述的故障预测方法确定的所述风力发电机组在不同运行时刻的累积失效概率；

基于所述不同运行时刻的累积失效概率，预测所述风力发电机组的寿命。

9.根据权利要求8所述的风力发电机组的寿命预测方法，其特征在于，所述基于所述不同运行时刻的累积失效概率，预测所述风力发电机组的寿命，包括：

对所述不同运行时刻的累积失效概率进行多项式拟合，获得多项式拟合函数，其中，所述多项式拟合函数的因变量为累积失效概率，所述多项式拟合函数的自变量为所述风力发电机组的运行时刻；

基于所述多项式拟合函数，确定累积失效概率大于故障预警阈值时的运行时刻，以预测所述风力发电机组的寿命。