一种基于大数据分析的风电联轴器打滑故障预警方法与流程

1.本发明涉及风力发电机组技术领域，具体涉及一种基于大数据分析的风电联轴器打滑故障预警方法。


背景技术：

2.作为风力发电机组的重要零部件，联轴器是风电机组主齿轮箱和发电机之间的连接设备，起着传递风轮扭矩和转速、缓解振动对齿轮箱和发电机的影响、对传动链进行过载保护等重要作用。在风力发电的过程中，如果联轴器频繁打滑，会影响风力发电机组的平稳运行，而当联轴器打滑至风电机组报出故障时，则会导致风力发电机组停机，进而带来发电量的损失。
3.当联轴器打滑时，一般是通过现场运维人员在机组报出故障或上机巡检查看联轴器的标记线是否错位，才能发现联轴器打滑，缺乏联轴器打滑早期潜在故障的感知技术。专利cn110174264a提供了一种风力发电机组联轴器打滑预警装置、风力发电机及预警方法；其中，打滑预警装置包括：第一转速齿盘、第二转速齿盘及第一转速测量传感器、第二转速测量传感器、双通道计数器和风机控制器；风机控制器计算得到自启机运行预设时间范围内的第一转速齿盘与第二转速齿盘的累计脉冲数差值，并根据累计脉冲数差换算为累计脉冲角度差；最后可通过量化的累计脉冲角度差评估联轴器运行\磨损状态；判断是否打滑等，并在出现异常时为用户提供实时预警及维护提示，同时可根据累计脉冲角度差计算打滑角度变化率，通过计算标准时间段内打滑角度变化率，判断风机是否真实打滑，用以防止信号干扰及脉冲丢失引起的误报。
4.但是，上述技术方案是在风力发电机组原有的硬件基础上新增了第一转速齿盘、第二转速齿盘及第一转速测量传感器、第二转速测量传感器、双通道计数器和风机控制器等硬件设备，如果要实现对联轴器打滑的有效预警，就需要对每台风力发电机组均安装上述新增的硬件设备，这样就会大大增加设备投入成本；同时，风力发电机组新增了一系列硬件设备后，也会在一定程度上增加出故障的概率。
5.因此，目前亟需一种在不需要新增硬件设备的情况下，实现对联轴器打滑的早期潜在故障预警的方法。


技术实现要素：

6.针对现有技术存在的不足，本发明提出一种基于大数据分析的风电联轴器打滑故障预警方法，可以利用风力发电机组已有的传感器及运行数据对联轴器进行打滑故障预警。
7.本发明采用的技术方案是，一种基于大数据分析的风电联轴器打滑故障预警方法，在第一种可实现方式中，包括以下步骤：
8.从风力发电机组的实时运行数据中提取实时风轮转速、实时发电机转速；
9.根据实时风轮转速、实时发电机转速，结合线性回归模型的斜率和截距，计算风轮
转速的实时实测值与实时预测值的实时转差；
10.当实时转差超过预警阀值的持续时间达到时间阈值时，根据风力发电机组的实时运行数据判断风轮转速和发电机转速是否正常且无信号波动：
11.如是，判定为联轴器打滑；
12.如否，判定为传感器或线路异常。
13.结合第一种可实现方式，在第二种可实现方式中，线性回归模型的斜率和截距，按以下方法求得：
14.s1、从风力发电机组的历史运行数据提取算法所需特征变量数据，将算法所需特征变量数据分为联轴器打滑故障数据和非联轴器打滑故障数据；
15.s2、提取非联轴器打滑故障数据中的风轮转速、发电机转速，并删除风轮转速、发电机转速中的异常数据，得到对应非联轴器打滑故障数据的第二风轮转速、第二发电机转速；
16.s3、根据第二风轮转速、第二发电机转速建立线性回归模型，对线性回归模型求解，得到斜率和截距。
17.结合第二种可实现方式，在第三种可实现方式中，步骤s3中，使用最小二乘法对线性回归模型求解。
18.结合第二种可实现方式，在第四种可实现方式中，预警阀值和时间阈值，按以下方法求得：
19.t1、提取联轴器打滑故障数据中的风轮转速、发电机转速，并删除风轮转速、发电机转速中的异常数据，得到对应联轴器打滑故障数据的第一风轮转速、第一发电机转速；
20.t2、根据斜率和截距，结合第一风轮转速、第一发电机转速，计算第一风轮转速的历史记录值与历史预测值的历史转差；
21.t3、根据历史转差确定预警阀值和时间阀值。
22.结合第四种可实现方式，在第五种可实现方式中，步骤t2中计算第一风轮转速的历史记录值与历史预测值的历史转差，包括：
23.t21、根据斜率和截距，将第一发电机转速折算为第一风轮转速，得到第一风轮转速的历史预测值；
24.t22、将第一风轮转速历史记录值与第一风轮转速历史预测值之差作为历史转差。
25.结合第四种可实现方式，在第六种可实现方式中，步骤t3中根据历史转差确定预警阀值和时间阀值，包括：
26.t31、计算历史转差的均值和标准差；
27.t32、将均值和标准差之和作为预警阀值；
28.t33、将联轴器打滑故障期间的历史转差超出预警阀值的持续时间作为时间阀值。
29.结合第六种可实现方式，在第七种可实现方式中，时间阀值为3秒。
30.结合第二种可实现方式，在第八种可实现方式中，删除风轮转速、发电机转速中的异常数据时，风轮转速保留数值范围为[0，20]，发电机转速保留数值范围为[0，2000]。
[0031]
结合第一种可实现方式，在第九种可实现方式中，采用机理分析法判断风轮转速和发电机转速是否正常且无信号波动。
[0032]
由上述技术方案可知，本发明的有益技术效果如下：
[0033]
1.可以利用风力发电机组已有的传感器及运行数据对联轴器进行打滑故障预警，无需新增传感器及监测装置即可准确判断风电机组联轴器打滑潜在故障，降低了设备投入成本。
[0034]
2.通过对联轴器打滑故障的早期预警，可以帮助风场实现预测性维护，减少故障检修排查难度，从而降低风力发电机组的发电量损失。
附图说明
[0035]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0036]
图1为本发明实施例的故障预警方法流程图。
具体实施方式
[0037]
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
[0038]
需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
[0039]
实施例
[0040]
本实施例提供了一种基于大数据分析的风电联轴器打滑故障预警方法，如图1所示，首先基于大数据分析，确定风电联轴器打滑故障的预警阈值和时间阈值，具体如下：
[0041]
步骤1、从风力发电机组的历史运行数据提取算法所需特征变量数据，将算法所需特征变量数据分为联轴器打滑故障数据和非联轴器打滑故障数据。
[0042]
风力发电机组的历史运行数据中包含了各种对故障的记录，将联轴器打滑的故障记录作为故障数据进行提取。在具体的实施方式中，按秒级对风力发电机组的历史运行数据进行提取。
[0043]
根据对故障的记录情况，可以把算法所需特征变量的数据分为两大类：联轴器打滑故障和非联轴器打滑故障。其中，联轴器打滑故障是经运维人员检修确认为联轴器打滑的情况。
[0044]
步骤2、分别提取联轴器打滑故障数据、非联轴器打滑故障数据中的风轮转速、发电机转速，并删除风轮转速、发电机转速中的异常数据，得到对应联轴器打滑故障数据的第一风轮转速、第一发电机转速，对应非联轴器打滑故障数据的第二风轮转速、第二发电机转速。
[0045]
对于联轴器打滑故障数据、非联轴器打滑故障数据中，均有相应的时间点的风轮转速、发电机转速数据记录，对风轮转速、发电机转速进行提取。
[0046]
按照数据预处理的方法，将提取的风轮转速、发电机转速中的异常数据删除，得到对应联轴器打滑故障数据的第一风轮转速、第一发电机转速，对应非联轴器打滑故障数据的第二风轮转速、第二发电机转速。在具体的实施方式中，进行预处理时，保留风电机组正常运行工况数据，风轮转速保留数值范围为[0，20]，发电机转速保留数值范围为[0，2000]，
同时删除风轮转速和发电机转速的异常数据，包括空值、重复值和波动值。
[0047]
步骤3、根据第二风轮转速、第二发电机转速建立线性回归模型，对线性回归模型求解，得到斜率和截距。
[0048]
步骤31、根据第二风轮转速、第二发电机转速建立线性回归模型
[0049]
在具体的实施方式中，对于第二风轮转速、第二发电机转速，优选提取1周以上的有效数据，设第二风轮转速、第二发电机转速均有n个数据，将第二风轮转速的数据集作为因变量y，y＝[y1,y2,
…
,y
n
]，将第二发电机转速的数据集作为自变量x，x＝[x1,x2,
…
,x
n
]。根据两个变量的机理分析和数据相关性分析，风轮转速和发电机转速在风力发电机传动链无异常的情况下均呈线性关系，因此建立线性回归模型如下：
[0050]
y＝kx b
[0051]
步骤32、使用最小二乘法对线性回归模型求解，得到斜率和截距
[0052]
使用最小二乘法对上式求解，求得斜率k和截距b，计算公式如下：
[0053][0054][0055]
在本实施例中，计算得到的斜率k即为齿轮箱的传动比。
[0056]
步骤4、根据步骤s3求得的斜率和截距，结合第一风轮转速、第一发电机转速，计算第一风轮转速在联轴器打滑故障时历史记录值与历史预测值的历史转差
[0057]
步骤41、根据斜率和截距，将第一发电机转速折算为第一风轮转速，得到第一风轮转速的历史预测值
[0058]
在具体的实施方式中，设第一风轮转速、第一发电机转速均有m个数据，将第一风轮转速的数据集作为因变量y，y＝[y1,y2,
…
,y
m
]，第一发电机转速的数据集作为自变量x，x＝[x1,x2,
…
,x
m
]，将第一发电机转速基于步骤s3计算的斜率k和b折算到第一风轮转速，得到第一风轮转速的预测值y^,令y^＝[y1^,y2^,
…
,y
m
^]，则有：
[0059]
y^＝kx b
[0060]
步骤42、计算第一风轮转速历史记录值与第一风轮转速历史预测值的历史转差ε
[0061]
第一风轮转速为对应联轴器打滑故障数据的历史记录值，设第一风轮转速与第一风轮转速历史预测值的转差为ε，ε＝[ε1,ε2,
…
,ε
m
]，计算公式如下：
[0062]
ε＝y
‑
y^
[0063]
步骤5、根据历史转差确定预警阀值和时间阀值
[0064]
步骤51、计算历史转差ε的均值μ和标准差σ
[0065]
均值μ的计算公式为：
[0066]
标准差σ的计算公式为：
[0067]
步骤52、将均值和标准差之和作为预警阀值
[0068]
在具体的实施方式中，将均值和标准差之和，即“μ σ”为转速转差的预警阀值，比如当μ＝
‑
1.2，σ＝0.5时，则将
‑
0.7作为预警阀值。
[0069]
步骤53、将联轴器打滑故障期间的历史转差超出预警阀值的持续时间作为时间阀值
[0070]
在具体的实施方式中，时间阀值t优选设置为t＝3s。
[0071]
当按照前文步骤确定了预警阀值和时间阀值后，如图1所示，按以下步骤对联轴器的打滑故障进行预警：
[0072]
一、从风力发电机组的实时运行数据中提取实时风轮转速、实时发电机转速。
[0073]
二、根据实时风轮转速、实时发电机转速，结合线性回归模型的斜率和截距，计算风轮转速的实时实测值与实时预测值的实时转差。
[0074]
在具体的实施方式中，斜率k和截距b根据步骤s32求得。将实时发电机转速按照步骤s41的方法折算为风轮转速的实时预测值y^：
[0075]
y^＝kx b
[0076]
求取风轮转速实时实测值y与实时预测值y^的实时转差ε1，
[0077]
ε1＝y
‑
y^
[0078]
在具体的实施方式中，实时转差ε1可按上式求得。
[0079]
三、当实时转差超过预警阀值的持续时间达到时间阈值时，根据风力发电机组的实时运行数据判断该时刻的风轮转速和发电机转速是否正常且无信号波动：如是，判定为联轴器打滑；如否，判定为传感器或线路异常。
[0080]
在本步骤，根据风力发电机组的实时运行数据判断该时刻的风轮转速和发电机转速是否正常且无信号波动，在具体的实施方式中，采用机理分析法进行判断。
[0081]
通过采用本实施例的技术方案，可以利用风力发电机组已有的传感器及运行数据对联轴器进行打滑故障预警，无需新增传感器及监测装置即可准确判断风电机组联轴器打滑潜在故障，降低了设备投入成本。同时通过对联轴器打滑故障的早期预警，可以帮助风场实现预测性维护，减少故障检修排查难度，从而降低风力发电机组的发电量损失。
[0082]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。