风电机组的叶片断裂预警方法和装置与流程

风电机组的叶片断裂预警方法和装置
1.技术领域
2.本发明涉及风力发电技术领域，具体来说，涉及一种风电机组的叶片断裂预警方法和装置。


背景技术：

3.我国风能资源丰富发展潜力巨大，通过大规模建立风力发电机基地，可以充分利用风能能源，创造巨大的经济价值,风电已经成为构建以新能源为主体的新型电力系统的重要组成部分。风力发电机的风轮吸收风能旋转，进而带动相连接的发电机旋转发电。风电机组的叶片式风力发电的核心部件，是把风能转化成电能的载体。
4.随着机组投运时间变长，以及某些机组型号自身特性，叶片断裂的故障时有发生，给机组的安全运行和全场的发电效益都带了了不少影响。对于现有的风机，如何采取技术措施，减少由于叶片断裂带来的直接和间接损失，如何尽早地发现叶片断裂的征兆，从而及时采取应对措施，减少安全隐患，降低发电量损失，是一个具有重大经济意义和社会意义的问题。


技术实现要素：

5.针对相关技术中的上述技术问题，本发明提出一种风电机组的叶片断裂预警方法和装置，能够克服现有技术的上述不足。
6.为实现上述技术目的，本发明的技术方案是这样实现的：一种风电机组的叶片断裂预警方法，包括以下步骤：s1 根据特征变量选取方法和趋势提取方法把预设时间段内的历史运行数据提取成可用于模型训练的模型训练数据，s2 根据特征变量的特性，给出一个回归模型的结构，采用模型训练数据训练这个回归模型；s3 根据训练得到的模型，对比模型输出数据和实时运行数据之间的差异，根据预设的预警判断规则进行预警判断；s4 判断得到的预警信息用于提示运维人员，对叶片的健康状态进行检查。
7.进一步地，所述特征变量选取方法为：选择风速、功率、转速、横向机舱振动和纵向机舱振动作为特征变量，将特征变量的历史运行记录作为训练模型的原始输入，历史数据的记录周期是1秒，即一秒记录一次数据产生的历史数据集。
8.进一步地，风速、功率的历史数据的趋势提取方法为：采用滑动窗口中值法对数据进行趋势提取，滑动窗口的时间长度采用 5 分钟，即在5分钟的时间段内的数据进行取中值计算得到一个数值，滑动窗口的滑动步长采用1分钟，即每滑动1分钟取一个5分钟的窗口进行中值计算得到一系列的数值；
转速、横向机舱振动和纵向机舱振动的历史数据的趋势提取方法为：采用滑动窗口取极值的方法，即在5分钟的时间段内取数据记录的最大值，滑动窗口的滑动步长采用 1 分钟，即每滑动一分钟取一个5分钟的窗口进行取极大值运算得到一系列的数值。
9.进一步地，所述根据特征变量的特性，给出一个回归模型的结构为：选取趋势提取后的风速、功率和转速作为模型的输入变量，选取趋势提取后的纵向机舱振动和横向机舱振动作为输出变量，采用支持向量回归模型作为模型的底层结构。
10.进一步地，所述预警判断规则包括：通过数据采集装置获取机组运行的实时数据，把实时运行数据输入模型，模型得到预测的数据，把模型预测的数据和实时运行数据进行对比，如果发现实时运行数据发生了趋势性的偏离，则发出叶片断裂预警信息。
11.进一步地，实时运行数据趋势性偏离的判断方法包括：实测值减去模型预测值得到一个差值，对差值进行求导；对差值导数进行滑动窗口中值计算，得到差值导数的滑动中值，滑动窗口的时间长度采用5分钟，滑动步长采用一分钟；如果差值导数的滑动中值连续 6 小时大于 0 ，则发出预警信息。
12.根据本发明的另一方面，提供了一种采用上述方法进行风电机组的叶片断裂预警的装置，包括：历史数据获取模块，用于获取风电机组在预设时间段内的历史运行数据；实时数据通讯模块，用于获取数据及输出数据；模型训练模块，用于进行回归模型训练，输入历史数据记录，输出模型文件；预警判断模块，用于和实时数据通讯模块对接获取数据，并和运维管理系统对接输出预警信息。
13.本发明的有益效果：本发明通过所述方法对风电机组运行历史运行数据进行建模，通过所述装置和模型实现了预警装置的在线运行，实现了叶片预警功能，从而帮助风电运维人员在叶片问题发生的早期及时发现问题，及时进行维护，减少了非计划停机和设备损坏带来的损失，提高了风电机组的发电和运维效率。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
15.图1为风电机组的叶片断裂预警方法的示意图；图2为风电机组的叶片断裂预警装置的示意图；图3为预警模型训练的数据流示意图；图4为预警模型的输入输出结构；图5为预警判断示意图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
17.如图1所示，根据本发明实施例所述的风电机组的叶片断裂预警方法，该方法包括以下步骤：s1 应用以风电机组运行原理和大量历史数据分析经验制定的特征变量选取方法，针对不同变量的特征给出不同的趋势提取方法，根据特征变量选取方法和趋势提取方法把预设时间段内的历史运行数据提取成可用于模型训练的模型训练数据；s2 根据特征变量的特性，给出一个回归模型（即一个数据集合到另外一个数据集合的映射关系模型）的结构，采用模型训练数据训练这个回归模型；s3 训练得到的模型部署到预警装置，预警装置对比模型输出数据和实时运行数据之间的差异，根据预设的预警判断规则进行预警判断；s4 判断得到的预警信息用于提示运维人员，对叶片的健康状态进行检查。
18.其中，所述特征变量选取方法为：选择风速、功率、转速、横向机舱振动和纵向机舱振动作为特征变量，将特征变量的历史运行记录作为训练模型的原始输入，历史数据的记录周期是1秒，即一秒记录一次数据产生的历史数据集。
19.风速、功率的历史数据的趋势提取方法为：采用滑动窗口中值法对数据进行趋势提取，滑动窗口的时间长度采用 5 分钟，即在5分钟的时间段内的数据进行取中值计算得到一个数值，滑动窗口的滑动步长采用1分钟，即每滑动1分钟取一个5分钟的窗口进行中值计算得到一系列的数值；转速、横向机舱振动和纵向机舱振动的历史数据的趋势提取方法为：采用滑动窗口取极值的方法，即在5分钟的时间段内取数据记录的最大值，滑动窗口的滑动步长采用 1 分钟，即每滑动一分钟取一个5分钟的窗口进行取极大值运算得到一系列的数值。
20.如图4所示，所述根据特征变量的特性，给出一个回归模型的结构为：选取趋势提取后的风速、功率和转速作为模型的输入变量，选取趋势提取后的纵向机舱振动和横向机舱振动作为输出变量，采用支持向量回归模型作为模型的底层结构。
21.所述预警判断规则包括：通过数据采集装置获取机组运行的实时数据，把实时运行数据输入模型，模型得到预测的数据，把模型预测的数据和实时运行数据进行对比，如果发现实时运行数据发生了趋势性的偏离，则发出叶片断裂预警信息。
22.实时运行数据趋势性偏离的判断方法包括：实测值减去模型预测值得到一个差值，对差值进行求导，所谓求导就是用这一时刻的差值减去上一时刻的差值得到一个差值导数；对差值导数进行滑动窗口中值计算，得到差值导数的滑动中值，滑动窗口的时间长度采用5分钟，滑动步长采用一分钟；如果差值导数的滑动中值连续 6 小时大于 0 ，则发出预警信息。
23.如图2所示，本发明还提供了一种采用上述方法进行风电机组的叶片断裂预警的装置，包括：历史数据获取模块，用于获取风电机组在预设时间段内的历史运行数据；历史数据获取模块是一个软件工具包，通过软件功能实现从已经运行的风电监控系统中获取历史数据记录；实时数据通讯模块，是一个网络和计算过及系统，包括用于采用标准的通讯规约
获取数据，以及输出数据的功能；模型训练模块，是一个能够进行支持向量回归模型训练的软件工具包，它的输入是历史数据记录，输出是模型文件；预警判断模块，是一个搭载预警判断算法的计算机系统，同时带有通讯功能可以和实时数据通讯模块对接获取数据，输出预警功能可以和已有的运维管理系统对接输出预警信息。
24.以下给出具体实施方式的说明，并采用实际的实施案例和数据给出一个具体的实施案例。
25.整个实施分为两大部分：历史数据获取以及模型训练，预警装置的安装实施和模型的部署运行。
26.其中，历史数据获取及模型训练包括以下步骤：根据实施目标的风电机组的控制系统情况，确定历史数据存储的格式和数据导出的途径，把设备运行的历史数据记录导出成可读的标准格式，调取整个设备运行周期产生的数据导出；根据选择的特征变量，从原始数据中把风速、功率、转速和机舱振动的数据读取出来，形成一个完整的数据集；按照所述的趋势提取方法，分别对整个数据集进行趋势提取计算，得到一个新的数据集；采用新的数据集进行模型训练，按照图3、图4所示的数据流和模型结构进行模型训练，训练完成得到一个模型文件；模型的具体实施可采用成熟的机器学习软件包进行。
27.预警装置的安装实施和模型的部署运行包括以下步骤：实时通讯模块的安装和部署，根据目标风电机组所支持的通讯规约，安装实时通讯模块，完成数据获取环节，实现实时获取风电机组数据的功能；预警模块的安装和部署，预警装置通过网络通讯和实施通讯模块进行数据获取，完成预警装置数据输入的功能；把训练好的模型部署到预警模块上，完成模型的在线运行。把预警判断规则以可执行程序的方式部署在预警装置上，根据实际数据和模型输出数据进行预警判断。
28.实施例1山东某能源有限公司现在运风电项目容量48.05万千瓦时，风机241台，其中a型号3mw风机25台、2mw风机142台、b型号 2mw风机25台、1.5mw风机49台。该风场由于部分设备在役时间较长，存在发生叶片断裂的风险。为了减少叶片断裂带来的发电量损失和设备损伤，采用本技术所述的方法和装置进行了叶片预警的实施，叶片预警方法主要包括以下步骤：第一步：分析风电机组和叶片气动和材料特性等部分的原理，根据原理结合仿真手段，对叶片发生异常时，主要运行参数的变化规律进行研究，包括发电机转速、转矩和机舱振动等。
29.第二步：根据现有风场的实际情况，结合实际的运行数据进行分析，将实际数据和仿真数据进行对比。在关键参数分析和对比的基础上，可以建立一个数据模型。这个模型的作用是识别叶片发生早起故障征兆时的运行数据特征。
30.第三步：建立实时预警系统，对接风电场的实时运行数据，把模型投入系统，实时
在线分析运行数据，当识别到早期征兆时发出预警信号。
31.作为一个预警系统最重要的是保障系统的准确性，误报率要低，准确率要高。
32.第四步：验证系统的有效性。
33.同时，研究如何通过增加适当的监测测点来提升系统的准确率，降低误报率。因此，研究叶片监测手段，如振动监测，应力监测等，在成本可控的前提下，提升系统的实用性也是本发明需要研究的内容。
34.第五步：在上述研究和试验的基础上，形成一套具备推广应用价值的方法体系和成熟的软硬件系统方案。
35.该方案部署在风电机组侧，是通过在机组侧和主控系统实时对接，获取实时数据进行模型运算的系统。方案建立在对先进的数据分析技术和机器学习建模的基础上，立足于实际问题，应用多学科，多领域的先进技术形成创新性解决方案。采用的算法、技术手段是基于当前人工智能领域和风力发电机组建模研究领域的最新成果，具有先进性和独创性，能够形成知识产权成果，同时解决实际问题。
36.图5是从数据到模型，从模型到预警判断的典型过程。
37.首先是对原始数据的预处理，在预处理的基础上要进行特征提取，完成特征提取之后要进行数据回归分析，最终根据数据特征和实际的运维记录完成预警建模。在整个过程中，一方面要结合实际的运行数据、仿真产生的特征数据，应用先进的智能分析算法，包括频谱分析、机器学习中的聚类分析和特征提取分析等。同时，也要把这些分析和运行现场的设备情况，现场运行人员的经验积累结合到一起。把设备运行信息，先进的建模、仿真和机器学习算法，把人员的经验等各种信息充分利用起来，达到一个好的效果。因此，本发明是立足于一个实际的问题，用先进的算法、新的解决方案，结合人员经验和运维记录积累的信息来形成解决方案。
38.综上所述，借助于本发明的上述技术方案，通过获取所述风电机组在预设时间段内的历史运行数据，通过关键特征变量选取，对不同变量的历史数据进行趋势提取和频谱-幅值关系提取，利用得到的数据进行回归模型训练，得到叶片断裂预警模型。应用所述的预警模型，采用所述的实时预警装置完成叶片断裂预警，解决了现有技术中的风电机组的叶片健康检查方法需要投入很大的人力物力，成本较高的问题，并且能在早期发现叶片的健康问题。
39.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。