[发明专利]一种风电机组故障预警及异常参数巡检方法及系统

说明书

本发明公开了一种风电机组故障预警及异常参数巡检方法及系统包括，采集风电机组子部件的历史数据，建立风电机组子部件正常工作状态下的参数模型；利用风电机组子部件实时运行数据，对所述模型进行修正并计算残差；通过修正过的模型和残差，生成参数异常报警信息；本发明通过引入非线性状态估计方法，降低了人工参数分析的工作量，提高了参数异常识别准确率；除此之外，还采用了逻辑组态配置工具生成故障逻辑表达式，能够很好的解决参数异常信息与具体故障之间的映射关系，实现了故障预警方法的可扩展性。

技术领域

本发明涉及变电站建模技术领域，尤其涉及一种风电机组故障预警及异常参数巡检方法及系统。

背景技术

近年来随着风电装机规模的快速增长，风电机组日常维护也成为业界研究热点。风电机组包含众多的子部件，一旦其中某个子部件异常或故障将对风电场的生产安全和发电收益带来较大的影响。因此风电机组故障预警系统可以较早的发现风电机组子部件运行参数异常，产生相应的告警，提醒风场运维人员加强关注，有效降低风电机组的非计划停机时间，避免安全生产事故的发生。

目前市面上已有的风电机组故障预警系统多采用基于故障发生前后的历史数据，通过大数据识别、人工神经网络算法进行训练，形成故障库，或基于已有故障数据或运维经验形成专家知识库，通过运行参数与故障库、专家知识库的匹配实现故障的提前预警和识别。

采用以上方法存在以下一些缺点：大数据识别和人工神经网络训练模型需要大量的历史故障数据参与训练建模，目前各风机厂家在售机型迭代较快，很难在短时间内收集到某一种类型风电机组大量的故障数据，特别是对于一些新出的机型，其实际运行故障数据极少，因此训练出来的神经网络模型存在欠拟合的情况，对故障的识别率较低且无法说明故障预警的依据；故障库的故障分类有限且不易扩展，目前市场上的风电机组故障预警系统基本上只能针对特定型号的机组，或某几种类别特定的故障进行识别，如果某些故障不在原先的故障库中，需要重新训练建模，且系统升级较麻烦；子部件参数状态的变化缺少趋势分析手段及量化评估方法，部分子部件故障预警可以通过趋势变化进行分析，得到子部件的健康度及产生故障预警信息；通过神经网络训练出来的故障识别模型属于“黑盒模型”，用户无法在识别过程中调整参数，难以实现个性化、定制化的识别方法。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。因此，本发明提供了一种风电机组故障预警及异常参数巡检方法及系统，用来解决实际问题中，参数异常识别准确率低，故障分类不易扩展的问题。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明提供了一种风电机组故障预警及异常参数巡检方法，包括：

采集风电机组子部件的历史数据，建立风电机组子部件正常工作状态下的参数模型；

利用风电机组子部件实时运行数据，对所述模型进行修正并计算残差；

通过修正过的模型和残差，生成参数异常报警信息。

作为本发明所述的风电机组故障预警及异常参数巡检方法的一种优选方案，其中：采集风电机组子部件的历史数据，建立风电机组子部件正常工作状态下的参数模型，包括：

使用非线性状态估计方法建立风电机组子部件正常工作状态下的参数模型，并对模型参数进行估计。

作为本发明所述的风电机组故障预警及异常参数巡检方法的一种优选方案，其中：所述非线性状态估计方法，包括：

选取风电机组中子部件参数的模拟量和数量，模拟量按照相同的时间分辨率取平均值，参数数量可根据实际情况增加或减少；并设定需要使用n个参数进行参数估计；