基于大数据的风电机组偏航系统中风向标故障诊断的方法

摘要

本发明提出一种基于大数据的风电机组偏航系统中风向标故障诊断的方法，一种基于分析风力发电机组在运行过程中采集的特征信号数据对风向标故障进行诊断。本发明涉及的故障诊断方法中，利用数据采集单元采集得到的风力发电机偏航相关数据序列，经过运算处理单元的计算处理后，对比风机当前运行状态下相关运行参数与其相应阈值进而判断风向标运行状态。其很好的解决了以往所存在的问题。

说明书

技术领域：本发明属于风力发电领域，涉及风电场或风电场所处区域内的所有风力发电机偏航系统中风向标故障诊断的方法，特别是涉及基于大数据诊断风力发电机风向标故障。

背景技术：偏航系统是水平轴式风力发电机组必不可少的组成系统之一。偏航系统主要是与风力发电机组的控制系统相互配合，使风力发电机组的风轮始终处于迎风状态，充分利用风能，提高风力发电机组的发电效率。

风力发电机组的偏航系统一般分为主动偏航系统和被动偏航系统。对于并网型风力发电机组来说，通常都采用主动偏航的齿轮驱动形式。主动偏航指的是采用电力或液压拖动来完成对风动作的偏航方式。

偏航系统工作过程大致为：风向变化信号转换为电信号传递到偏航控制处理器，处理器经过比较后给偏航电机发出顺时针或逆时针偏航指令，驱动机舱向来风方向移动，达到准确对风的目的。在整个偏航控制过程中，风向信号是风电机组起动及偏航调节的重要信号，风向测量的准确程度直接影响偏航系统的工作效率。

考虑到成本、使用寿命等各方面因素，目前主要采用风向标来测量风向。由于大部分风场都建在气候条件恶劣的地区，采用机械旋转方式来测量风向的风向标很容易受风沙堵塞等原因造成磨损，使得风向测量精度降低；或在温度较低的情况下出现结冰，使得风向测量的响应时间过长。

发明内容：

发明目的：发明提供一种基于大数据的风电机组偏航系统中风向标故障诊断的方法，其目的是解决以往所存在的问题。

技术方案：发明是通过以下技术方案实现的：

基于大数据的风电机组偏航系统中风向标故障诊断的方法，其特征在于：该方法利用风电场SCADA(Supervisory Control And Data Acquisition，数据采集及监视控制系统)的基础信息来判断风力发电机组风向标故障及运行状态；其适用于判断并网单台风力发电机组的风向标运行状态，利用单台风机风向与同组风机风向均值的差值跟风向偏差阈值做比较，差值大于风向偏差阈值进入风向标故障判断流程。

风机风向数据采集于风电机组的SCADA系统，离线或在线数据，基础信息包括：单台风机的风向及偏航位置。

利用数据挖掘方法分析风电场内各风机地形数据，将同一风电场内风机分组。

风电场内各风机地形数据为风机所处地理位置的经纬度数据。

风向标故障判断流程中，涉及到各运行参数均采用3σ准则进行参数优化。

利用数据采集单元采集得到的风力发电机偏航相关数据序列，经过运算处理单元的计算处理后，对比风机当前运行状态下相关运行参数与其相应阈值进而判断风向标运行状态；上述运行参数包括：偏航位置和风向角，数据采集自风电场SCADA(SupervisoryControl And Data Acquisition，数据采集及监视控制系统)的基础信息；

运行参数阈值包括：风向偏差阈值、尾流影响范围、风机自测风向自相关系数阈值、风机自测风向与实际风向互相关系数阈值。

上述风向偏差、风机自测风向及实际风向为风力发电机运行参数经运算处 理单元计算处理后得到；此外，上述风电场SCADA的基础信息是来自于风电场所有风机相同时间范围内在线或离线数据；上述尾流影响范围的确定需根据风电场实际风机安装位置确定。

该方法首先将采集数据整理成有效的三维风电序列，其中风电数据包括来自各个风机传感器的测风数据、偏航位置数据及与跟风电相关的时间序列；进而，根据各个风机风向角及偏航位置计算出自测风向；另外，采用大数据技术中聚类分析方法，根据全场各风机所处地理位置的崎岖指数将风机归类划分成不同组别，取同组风机自测风向均值作为实际风向；最后，风向偏差为各个风机的自测风向与该风机所属组别所计算的实际风向差值的绝对值。

利用上述得出的各风机风向偏差、自测风向和实际风向，进行各种运算处理，首先，根据各个风机扇区剔除范围，判断实际风向是否处于来风向尾流影响范围内；并计算各个风机自测风向与实际风向的自相关和互相关系数；

其中上述实际风向是否处于来风向尾流影响范围的确定方法为：根据场地周围障碍物的情况，对场地的气流畸变情况进行评估，排除重要障碍物尾流引起的扇形区域即剔除扇区，如果来风方向处于监测风机的剔除扇区范围内，即为实际风向是否处于来风向尾流影响范围内，风电机组的剔除扇区计算如下：

(1)若障碍物是高大的物体

利用公式(1-1)将障碍物的大小等效为风轮直径，

$D_e=\frac{2L_h{L}_w}{L_h+L_w}---(1-1)$

式中，De—等效风轮直径；Lh—障碍物的高度；Lw—障碍物的宽度(取最大宽度)；再利用公式(1-2)即可求得影响风速测量的干扰扇区，

α＝1.3arctan(2.5D_e/L_e+0.15)+10>

式中，α—干扰扇区；De—等效风轮直径；Le—障碍物距风机的距离；

(2)若障碍物是临近的风力发电机组

若障碍物是临近风力发电机组，直接用公式(1-3)就可求得干扰扇区，

α＝1.3arctan(2.5D_n/L_n+0.15)+10>

式中，α—干扰扇区；Dn—临近风力发电机组的风轮直径；Ln—临近风力发电机组距被测风机的距离；

根据风向标故障诊断方法的流程图及上述运算处理单元13的计算结果对各个风机的风向标运行状态进行诊断，并判断风向标故障情况；

在故障判断单元14中，互相关系数计算公式如下：

$\beta =\frac{{\Sigma }_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{{\Sigma }_{i=1}^n{(x_i-\bar{x})}^2{\Sigma }_{i=1}^n{(y_i-\bar{y})}^2}}---(1-4)$

式中，，x_i：每4分钟内监测风机第i个累计1分钟的风向均值；监测风机4分钟内风向均值；

y_i：每4分钟内来风向第i个累计1分钟均值；机4分钟内来风向均值求平均。

自相关系数计算公式如下：

$\alpha =\frac{{\Sigma }_{i=1}^n(x_i-\bar{x})}{\sqrt{{\Sigma }_{i=1}^n{(x_i-\bar{x})}^2}}---\left(1-5\right)$

式中，x_i，n同β,i＝1,2....n。

采用拉依达准则对自相关和互相关系数进行参数优化；具体实现方法如下：利用标准差公式计算自相关系数的标准差，其中x_i为自相关系数；对比自相关系数记录结果中大于3σ的值，并将其剔除；剔除大于3σ>

优点效果：

本发明提出一种基于大数据的风电机组偏航系统中风向标故障诊断的方法，一种基于分析风力发电机组在运行过程中采集的特征信号数据对风向标故障进行诊断。本发明涉及的故障诊断方法中，利用数据采集单元采集得到的风力发电机偏航相关数据序列，经过运算处理单元的计算处理后，对比风机当前运行状态下相关运行参数与其相应阈值进而判断风向标运行状态。其很好的解决了以往所存在的问题。

附图说明：

图1.本发明的系统结构图；

图2.本发明的数据采集及处理过程流程图；

图3.本发明的崎岖指数计算原理示意图；

图4.本发明的风力发电机偏航系统中风向标故障诊断方法流程。

具体实施方式：

下面结合附图对本发明作进一步详细描述。

如附图1所示，本发明提供一种基于大数据的风电机组偏航系统中风向标故障诊断的方法，参照附图详细说明本发明涉及的风向标故障诊断的具体实施方法。

如图1所示，风力发电机偏航系统风向标故障诊断系统中包括数据采集单元11、数据处理单元12、运算处理单元13、故障诊断单元14。图3示出了本发明涉及的风向标故障诊断方法的流程图。

其中，数据采集单元11用于电力系统的数据采集，其通过解析风电场和电网的SCADA与EMS(Energy Management System，能力管理系统)的通信协 议，可以获得风电场中各个风机的基础信息。

数据处理单元12将来自上述数据采集单元11的风电数据进行综合(包括运算预处理及整理)，数据预处理过程如图2所示。首先将采集数据整理成有效的三维风电序列。其中风电数据包括来自各个风机传感器的测风数据、偏航位置数据及与跟风电相关的时间序列。进而，根据各个风机风向角及偏航位置计算出自测风向；另外，采用大数据技术中聚类分析方法，根据全场各风机所处地理位置的崎岖指数将风机归类划分成不同组别，取同组风机自测风向均值作为实际风向。最后，风向偏差为各个风机的自测风向与该风机所属组别所计算的实际风向差值的绝对值。

关于三维风电序列的组成，参照表1。在表中，以时间、风向角及偏航位置构成三维序列，每一列是数据的一个维度。如该表所示，第一维度是时间、第二维度是风向角、最后一维是偏航位置。

表1

上述崎岖指数是指在某点以R为半径的极坐标系中，每条半径线都可能与地形等高线相交，交点则把半径线分为若干线段。用地形坡度超过关键坡度的线段总和，除以全部线段总和(半径R)就得到崎岖指数的值。计算原理示意图如图3所示。

运算处理单元13利用上述数据处理单元12得出的各风机风向偏差、自测风向和实际风向，进行各种运算处理。首先，运算处理单元13根据各个风机扇区剔除范围，判断实际风向是否处于来风向尾流影响范围内；并计算各个风机自测风向与实际风向的自相关和互相关系数。

其中上述实际风向是否处于来风向尾流影响范围的确定方法为：根据场地周围障碍物的情况，对场地的气流畸变情况进行评估，排除重要障碍物尾流引起的扇形区域即剔除扇区。如果来风方向处于监测风机的剔除扇区范围内，即为实际风向是否处于来风向尾流影响范围内。风电机组的剔除扇区计算如下：

(1)若障碍物是高大的物体

利用公式(1-1)将障碍物的大小等效为风轮直径，

$D_e=\frac{2L_h{L}_w}{L_h+L_w}---(1-1)$

式中，De—等效风轮直径；Lh—障碍物的高度；Lw—障碍物的宽度(取最大宽度)。再利用公式(1-2)即可求得影响风速测量的干扰扇区，

α＝1.3arctan(2.5D_e/L_e+0.15)+10>

式中，α—干扰扇区；De—等效风轮直径；Le—障碍物距风机的距离。

(2)若障碍物是临近的风力发电机组

若障碍物是临近风力发电机组，直接用公式(1-3)就可求得干扰扇区，

α＝1.3arctan(2.5D_n/L_n+0.15)+10>

式中，α—干扰扇区；Dn—临近风力发电机组的风轮直径；Ln—临近风力发电机组距被测风机的距离。

故障判断单元14根据风向标故障诊断方法的流程图及上述运算处理单元13的计算结果对各个风机的风向标运行状态进行诊断，并判断风向标故障情况。

在故障判断单元14中，互相关系数计算公式如下：

$\beta =\frac{{\Sigma }_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{{\Sigma }_{i=1}^n{(x_i-\bar{x})}^2{\Sigma }_{i=1}^n{(y_i-\bar{y})}^2}}---(1-4)$

式中，x_i：每4分钟内监测风机第i个累计1分钟的风向均值；监测风机4分钟内风向均值。

y_i：每4分钟内来风向第i个累计1分钟均值；机4分钟内来风向均值求平均。

自相关系数计算公式如下：

$\alpha =\frac{{\Sigma }_{i=1}^n(x_i-\bar{x})}{\sqrt{{\Sigma }_{i=1}^n{(x_i-\bar{x})}^2}}---\left(1-5\right)$

式中，x_i，n同β,i＝1,2....n。

在故障判断单元14中，采用拉依达准则对自相关和互相关系数进行参数优化。具体实现方法如下：利用标准差公式计算自相关系数的标准差(其中为自相关系数)；对比自相关系数记录结果中大于3σ的值，并将其剔除。剔除大于3σ后剩余的自相关系数，按照算数平均值公式计算剩余自相关系数的均值，并将其作为最终自相关系数阈值，互相关系数的优化过程与自相关系数过程相同。

以上说明的本发明涉及的实施列，可以通过多样的计算机组成要素执行的程序命令语形式实现。程序命令语的例子，包括通过编译形成的及其语言代码，还包括使用解释程序等在计算机上可执行的高级语言代码。