一种风电机组风向标故障检测方法、系统、设备和介质与流程

1.本发明属于新能源和运维技术领域，具体而言，涉及一种风电机组风向标故障检测方法、系统、设备和介质。


背景技术：

2.风电机组通过风向传感器向偏航控制器实时提供信号，偏航控制器驱动偏航电机保证风电机组准确对风。偏航系统一旦无法准确对风，风力发电机组能够吸收的能量会大打折扣。偏航系统性能异常及造成能量损失的原因可归纳为：由于风向传感器的测量有误造成的偏航误差；由于偏航电机、制动器等机械部件损坏造成风电机组无法达到预先设定的偏航位置；由于偏航控制器参数设置不当造成的偏航启动策略不佳。
3.对于风向传感器造成的偏航误差，由于风电机组自身的监测系统scada无法检测，且风场检修人员难以发现，日积月累将会造成大量的发电损失。风向传感器测量误差主要有两方面的原因：一是风向标零位与机舱中心对中不正；二是风向标的指向角度由仪器内的角度传感器转变为电信号输出时转化错误，造成最终数据采集有误。针对第一种误差原因，近年来国内外学者进行了广泛的研究，形成了多种可行有效的识别方法，但是对于第二种误差原因的识别研究较少。


技术实现要素：

4.针对上述问题，本发明的目的是提供一种基于数据驱动的风电机组风向标故障检测方法、系统、设备和介质。需要特别说明的是，本发明提出的风向标故障检测方法是在完成风向标零位与机舱中心对中不正的检测后，针对数据采集有误开展检测的方法。
5.为实现上述目的，本发明采取以下技术方案：
6.第一方面，本发明提供一种风电机组风向标故障检测方法，其包括以下步骤：
7.对获取的风电机组原始运行数据进行预处理得到标准数据集；
8.基于标准数据集，计算对风偏差观测因子及其滚动聚合均值和滚动聚合标准差，与预设阈值比较后，得到风电机组风向标故障检测结果。
9.进一步，所述对获取的风电机组运行数据进行预处理时，包括以下步骤：
10.对原始运行数据中存在的缺失值和重复值进行处理；
11.对得到的数据进行清洗，去除超出风电机组设计参数的极端值，得到标准数据集。
12.进一步，所述基于标准数据集，计算对风偏差观测因子及其滚动聚合均值和滚动聚合标准差，与预设阈值比较后，得到风电机组风向标故障检测结果的方法，包括：
13.从标准数据集中获取对风偏差角度，将其转换为弧度，得到对风偏差弧度；
14.基于对风偏差弧度，计算对风偏差观测因子；
15.计算对风偏差观测因子的滚动聚合均值和滚动聚合标准差；
16.将对风偏差观测因子的滚动聚合均值和滚动聚合标准差与预设阈值进行比较，得到风电机组风向标故障检测结果。
17.进一步，所述基于对风偏差弧度，计算对风偏差观测因子的方法为：
18.计算对风偏差弧度的双曲正切值；
19.对得到的对风偏差弧度的双曲正切值进行差分，得到对风偏差观测因子。
20.进一步，所述对风偏差观测因子的计算公式为：
21.γ＝f(t
k 1
)-f(tk)
22.其中，γ表示对风偏差观测因子；f(t
k 1
)表示k 1时刻下对风偏差弧度双曲正切值；f(tk)表示k时刻下对风偏差弧度双曲正切值。
23.进一步，所述计算对风偏差观测因子的滚动聚合均值和滚动聚合标准差的方法，包括：选定一个滚动聚合周期t，按照时间滚动计算滚动聚合周期t内对风偏差观测因子γ的均值和标准差，得到对风偏差观测因子的滚动聚合均值和滚动聚合标准差。
24.进一步，所述将对风偏差观测因子的滚动聚合均值和滚动聚合标准差与预设阈值进行比较时，包括：
25.若对风偏差观测因子的滚动聚合均值大于预设均值或对风偏差观测因子的滚动聚合标准差大于预设滚动聚合标准差阈值，则判定风电机组风向标数据采集异常，存在故障。
26.第二方面，本发明提供一种风电机组风向标故障检测系统，包括：
27.数据集获取模块，用于对获取的风电机组原始运行数据进行预处理得到标准数据集；
28.故障检测模块，用于基于标准数据集，计算对风偏差观测因子及其滚动聚合均值和滚动聚合标准差，与预设阈值比较后，得到风电机组风向标故障检测结果。
29.第三方面，本发明提供一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述风电机组风向标故障检测方法的步骤。
30.第四方面，本发明提供一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述风电机组风向标故障检测方法的步骤。
31.本发明由于采取以上技术方案，其具有以下优点：
32.(1)本发明提出的对风偏差观测因子，通过对原始的对风偏差角计算双曲正切转换并进行差分，对数据的密集分布区进行特征放大，来分析数据离散变化，更易于发现风向标的数据采集异常现象。
33.(2)本发明适用于多种类型及多种品牌的风向传感器。目前风电领域常用的风向传感器为机械式和超声波式，个别先进机组为了更加准确的测量风速风向而使用激光雷达测风。本发明的方法对于前文提到的风向传感器类型均适用。
34.(3)本发明基于风电机组的scada运行数据，无需增加新的采集设备，简单且易于实现，同时具有较强的普适性、可扩展性和可迁移性，对于风电领域的数字化、智能化建设具有较高的研究应用价值。
35.因此，本发明可以广泛应用于风电机组风向标故障识别领域。
附图说明
36.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通
技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
37.图1是本发明实施例提供的风向标数据采集异常判断流程；
38.图2是本发明实施例提供的对风偏差角示意图；
39.图3是本发明实施例提供的双曲正切函数；
40.图4a和图4b是本发明实施例提供的正常机组1与异常机组2对风偏差弧度的对比；
41.图5a～图5c是本发明实施例提供的机组1与机组2对风偏差观测因子的滚动聚合标准差的对比。
具体实施方式
42.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，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。
43.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
44.本发明的一些实施例中，提供一种风电机组风向标故障检测方法，包括以下步骤：对获取的风电机组原始运行数据进行预处理得到标准数据集；基于标准数据集，计算对风偏差观测因子及其滚动聚合均值和滚动聚合标准差，与预设阈值比较后，得到风电机组风向标故障检测结果。本发明通过提出对风偏差观测因子，对原始的对风偏差角计算双曲正切转换并进行差分，对数据的密集分布区进行特征放大，来分析数据离散变化，更易于发现风向标的数据采集异常现象。
45.与之相对应地，本发明的另一些实施例中提供一种风电机组风向标故障检测系统、设备和介质。
46.实施例1
47.如图1所示，本实施例提供的一种风电机组风向标故障检测方法，其包括以下步骤：
48.1)对获取的风电机组原始运行数据进行预处理得到标准数据集；
49.2)基于标准数据集，计算对风偏差观测因子及其滚动聚合均值和滚动聚合标准差，与预设阈值比较后，得到风电机组风向标故障检测结果。
50.优选地，上述步骤1)中，获取风电机组的原始运行数据时，可以从风电机组自身的数据采集与监视控制系统(supervisory control and data acquisition，scada)中获取。
51.优选地，上述步骤1)中，对获取的风电机组原始运行数据进行预处理时，包括以下步骤：
52.1.1)对风电机组原始运行数据中存在的缺失值和重复值进行处理；
53.1.2)对步骤1.1)中得到的运行数据进行清洗，去除超出风电机组设计参数的极端值，得到标准数据集。
54.需要说明的是，由于不同数据源的数据质量不一，对于高质量的原始运行数据集无需进行预处理。
55.优选地，上述步骤2)中，基于标准数据集，计算对风偏差观测因子及其滚动聚合均值和滚动聚合标准差，与预设阈值比较后，得到风电机组风向标故障检测结果的方法，包括以下步骤：
56.2.1)从标准数据集中获取对风偏差角度，将其转换为弧度，得到对风偏差弧度；
57.2.2)基于对风偏差弧度，计算对风偏差观测因子；
58.2.3)计算对风偏差观测因子的滚动聚合均值和滚动聚合标准差；
59.2.4)将对风偏差观测因子的滚动聚合均值和滚动聚合标准差与预设阈值进行比较，得到风电机组风向标故障检测结果。
60.优选地，上述步骤2.1)中，将对风偏差角度转化为弧度时，计算公式为：
61.rad(α)＝α*π/180
62.其中，α表示对风偏差角度，rad表示对风偏差弧度。
63.实际上，由于不同风电机组设计厂家对于传感器布置数量及布置位置存在不同考量，甚至同一风电机组设计厂家不同型号的对风偏差监测点也会存在差异，因此风电机组的scada所采集的运行数据中包含的特征数量、特征名称及特征值的物理含义均存在一定差异。
64.如图2所示，对风偏差角度的物理含义为绝对风向和机舱角度之间的差值，理论的取值范围为(-180，180]，若原始运行数据中已包含相同物理含义的参数，则无需计算可直接获取，若原始运行数据中未包含该参数，则需通过绝对风向和机舱角度计算获取，并将间接计算的对风偏差角度换算到理论取值范围内。
65.其中，对风偏差角度的计算公式为：
66.α＝yaw-windir
67.其中，α表示对风偏差角度，yaw表示机舱角度，windir表示绝对风向。
68.优选地，上述步骤2.2)中，对风偏差观测因子定义为对风偏差弧度的双曲正切值的差分，记做γ。具体地，对风偏差观测因子的计算方法，包括以下步骤：
69.2.2.1)计算对风偏差弧度的双曲正切值。
70.如图2所示，当叶片扫风平面与来流风之间的夹角为α时，取对风偏差弧度rad的双曲正切值作为对风偏差观测因子。如图3所示，双曲正切函数的良好数学特性可以对rad的密集分布区的数据特征进行放大。如图4a所示，对风偏差弧度大量分布在0附近。
71.其中，对风偏差弧度的双曲正切值的计算公式为：
[0072][0073]
其中，tanh(rad)表示对风偏差弧度的双曲正切值，取值范围为[-1，1]。
[0074]
2.2.2)对得到的对风偏差弧度的双曲正切值进行差分，得到对风偏差观测因子。
[0075]
差分的结果反映了离散量之间的一种变化，是研究离散数据的一种工具。本发明对双曲正切值进行差分，用以分析数据跳变特征。
[0076]
风电机组的运行数据是一种等距的时间序列，在等距节点，有：
[0077]
tk＝t0 kδt，k＝0，1，2...
[0078]
f(t
k 1
)＝tanh(rad
k 1
)
[0079]
f(tk)＝tanh(radk)
[0080]
γ＝f(t
k 1
)-f(tk)
[0081]
其中，t0表示时间序列的初始时刻，tk表示时间序列第k个时刻，δt表示风电机组的运行数据的时间分辨率，运行数据的时间分辨率不做具体规定，1s、1min、5min、10min时间分辨率均可；f(t
k 1
)表示k 1时刻对风偏差弧度双曲正切值，即tanh(rad
k 1
)；f(tk)表示k时刻对风偏差弧度双曲正切值，即tanh(radk)；γ表示对风偏差观测因子，为对风偏差弧度双曲正切值在时间上的一阶向前差分。
[0082]
通过对原始对风偏差弧度计算双曲正切转换并进行差分，对数据的密集分布区进行特征放大，来分析数据离散变化，更易于发现风向标的数据采集异常现象。
[0083]
优选地，上述步骤2.3)中，设对风偏差观测因子γ在一段时间内的数值为{γ1,γ2,γ3,
…
,γ
t
,γ
t 1
,γ
t 2
,
…
,γ
2t
,
…
},则在此时间序列下,γ的离散程度采用滚动聚合标准差表示，γ的均值采用滚动聚合均值表示。计算方法为：首先选定一个滚动聚合周期t，按照时间滚动计算滚动聚合周期t内对风偏差观测因子γ的均值和标准差，滚动聚合周期t可以根据实际情况设定，推荐值为7天。
[0084][0085][0086][0087]
…
[0088]
其中，m为对风偏差观测因子的滚动聚合均值；σ为对风偏差观测因子的滚动聚合标准差；m
t
，σ
t
为计算阈内的初始值；m
t 1
，σ
t 1
为滚动一次的取值；m
t 2
，σ
t 2
为滚动一次的取值。
[0089]
例如t取值为7天，则m
t
，σ
t
分别代表1-7天内的均值和标准差，m
t 1
，σ
t 1
分别代表第2-8天的均值和标准差，m
t 2
，σ
t 2
分别代表3-9天的均值和标准差。
[0090]
优选地，上述步骤2.4)中，将对风偏差观测因子的滚动聚合均值和滚动聚合标准差与预设阈值进行比较时，包括：
[0091]
若对风偏差观测因子的滚动聚合均值大于预设均值或对风偏差观测因子的滚动聚合标准差大于预设滚动聚合标准差阈值σ
l
，则判定风电机组风向标数据采集异常，存在故障。
[0092]
实施例2
[0093]
为了更好的理解本发明，下面结合实际使用案例对本发明的技术方案做进一步的说明。
[0094]
案例一是基于张家口某风电场的scada五分钟运行数据来对本发明进行技术有效
性的验证。
[0095]
如图4a和图4b所示，分别为2021年10月异常机组2与其地理空间临近机组1(正常机组)的风向传感器测得的对风偏差角度对比图，正常机组和异常机组的对风偏差角度围绕0值上下振动，但异常机组的数据波动范围较大，因此通过观测数据的离散程度来检测异常。
[0096]
如图5a～图5c所示，为异常机组2与正常机组1的滚动聚合标准差对比图，取滚动聚合的周期为7天。滚动聚合的周期选择可以依据数据的时间分辨率做调整。图5a为对风偏差弧度的滚动聚合标准差，图5b为对风偏差观测因子γ滚动聚合标准差。由图5a、图5b的对比，可以看出：
[0097]
(1)将原始数据对风偏差角作为特征值，难以界定正常与异常的阈值；
[0098]
(2)将原始数据取弧度和双曲正切值后再差分，正常机组和异常机组的差异被显著放大，便于区分正常与异常数据；
[0099]
设定σ
l
＝0.25，机组1均小于阈值σ
l
，判断风向标数据采集正常。机组2均大于σ
l
，判定机组2的风向标数据采集异常。机组品牌、机组型号、风场地域等因素会影响σ
l
值的选取，本发明是通过对正常风电机组的历史运行数据统计分布而得。
[0100]
经过风电场检修人员对风向标进行检查发现，异常机组2的存在故障，并于2021年11月末更换风向标，如图5c所示，为更换风向标后，2021年12月机组2与机组1的对比图，可以看出机组2的σ＜σ
l
,机组正常运行，验证了本发明的有效性。
[0101]
因此，本发明提出的方法通过对原始数据进行转换，可以正好的发现风向标数据采集异常现象。
[0102]
实施例3
[0103]
上述实施例1提供了一种风电机组风向标故障检测方法，与之相对应地，本实施例提供一种风电机组风向标故障检测方法系统。本实施例提供的系统可以实施实施例1的一种风电机组风向标故障检测方法，该系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例提供的系统的实施例仅仅是示意性的。
[0104]
本实施例提供的一种风电机组风向标故障检测系统，包括：
[0105]
数据集获取模块，用于对获取的风电机组原始运行数据进行预处理得到标准数据集；
[0106]
故障检测模块，用于基于标准数据集，计算对风偏差观测因子及其滚动聚合均值和滚动聚合标准差，与预设阈值比较后，得到风电机组风向标故障检测结果。
[0107]
实施例4
[0108]
本实施例提供一种与本实施例1所提供的风电机组风向标故障检测方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
[0109]
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的一种风电机组风向标故障
检测方法。
[0110]
在一些实施例中，存储器可以是高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0111]
在另一些实施例中，处理器可以为中央处理器(cpu)、数字信号处理器(dsp)等各种类型通用处理器，在此不做限定。
[0112]
实施例5
[0113]
本实施例1的一种风电机组风向标故障检测方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的风电机组风向标故障检测方法的计算机可读程序指令。
[0114]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
[0115]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
[0116]
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。