一種風力發電機組變槳蓄電池異常故障預測方法與流程

2023-11-10 23:03:07

本發明涉及一種風力發電機組變槳蓄電池異常故障預測方法。

背景技術：

隨著風電機組運行時間的延長，變槳蓄電池異常故障數量大幅度增長。變槳蓄電池出現故障或缺少針對性的維護都會增加機組停止運行的時間，造成發電量的損失。

大多數變槳蓄電池檢測方法主要是從增加蓄電池測量裝置，信號處理單元等方法來檢測蓄電池，可以得到準確的檢測數據，但需要費用購買專用設備，甚至需要更改變槳蓄電池的櫃體結構。

目前的一種檢測方法通過系統操作平臺調節模擬的風力發電機組槳葉，觸發緊急順槳命令，記錄順槳數據，然後用順槳數據分析蓄電池性能，並與蓄電池標準參數做對比，從而檢測出性能下降的蓄電池。這種方法依據模擬測試的順槳數據，而得出蓄電池的性能評價，忽略了蓄電池是風電機組的一部分，它的性能不只受自身順槳運行的影響，也會受到機組運行狀態的影響，另外，模擬測試機組的緊急順槳並不能完全等同於實際機組的緊急順槳，同樣，模擬記錄的順槳數據也不能全面準確的包含蓄電池的性能信息。

以往的方法雖能檢測出性能下降的蓄電池，但卻無法判斷蓄電池性能下降的原因，也不能提前預測蓄電池的異常，使維護和更換工作變得滯後且沒有針對性，增加人力物力的成本。

技術實現要素：

本發明的目的是克服現有技術的缺點，提出一種風力發電機組變槳蓄電池異常故障預測方法。本發明可推斷出變槳蓄電池性能下降的原因，且能防範於未然，提前預測蓄電池的異常，從而降低變槳蓄電池的異常故障率，減少機組因蓄電池異常故障停機造成的效益損失。

本發明對變槳蓄電池異常故障數據和同時刻可導致變槳蓄電池異常故障的相關變量數據進行處理，從處理後的數據中挖掘出變槳蓄電池異常故障的隱藏信息，用隱藏信息與處理後數據的相似性構造異常故障分類器模型，然後使用分類器對實時數據及隱藏信息進行分類，並將分類結果、實時數據及隱藏信息與異常故障案例庫中的數據進行相似度比較，以相似度高低來預測變槳蓄電池異常故障。同時，通過實際結果完善異常故障案例庫，或修正異常故障分類器模型。

具體步驟如下：

首先，對變槳蓄電池異常故障數據和同時刻可導致變槳蓄電池異常故障的相關變量數據進行處理，剔除因檢測系統引起的異常數據和孤立點數據。從處理後的數據中挖掘出反映變槳蓄電池性能異常的隱藏信息，用隱藏信息數據、處理後的數據和維修記錄數據建立異常故障案例庫。

其次，用處理後的數據與挖掘出的隱藏信息的相似性構建異常故障分類器模型。將實時數據和隱藏信息輸入異常故障分類器，得到故障類別。用故障類別、隱藏信息和實時數據與異常故障案例庫中的數據進行匹配，計算得到與異常故障案例庫中匹配程度最高的案例，進行故障預測。

最後，通過對比實際結果與預測結果是否一致，來補充異常故障案例庫，或加權修正異常故障分類器模型。

本發明提出的變槳蓄電池異常故障預測方法，有以下優點：方便在數據採集與監視控制系統裡實現該預測功能；從大量歷史故障數據中挖掘有效信息，構造異常故障分類器模型，建立故障案例庫，成本低，針對性強，故障判斷準確性高；通過實時數據的分析，及時發現潛在的故障，提出了變槳蓄電池異常故障預測方法，從而在最早的時間發現蓄電池的異常，以對其進行及時的維護和更換。

附圖說明

圖1本發明流程圖。

具體實施方式

下面結合附圖和具體實施方式進一步說明本發明。

如圖1所示，本發明實施例的具體步驟如下：

1、數據文件合成處理

從plc控制器裡和數據採集與監視控制系統裡導出需要處理的數據，包括歷史的運行數據和歷史的故障數據。根據維修記錄先從歷史的運行數據中提取出機組狀態、偏航狀態、輪轂溫度、機組振動加速度等相關變量數據，再從歷史的故障數據中提取出故障時間、變槳蓄電池電壓、故障代碼等異常故障數據，然後將兩次提取的數據合併成一個數據文件，剔除該數據文件裡因檢測系統引起的異常數據和孤立點數據。該步驟採用蓄電池實際運行數據和相關變量數據作為預測方法的來源，成本低且包含異常故障的根源信息。

2、挖掘隱藏信息

對處理後的數據進行關聯規則分析，挖掘出有效信息，比如：機組振動加速度與蓄電池電壓，輪轂溫度與蓄電池電壓，蓄電池使用時間與蓄電池電壓等的關聯性，並從數據文件中統計出變槳蓄電池是第幾次故障、各次故障代碼組合、蓄電池使用時間等，分別增加到數據文件的不同列構成新的數據文件。

3、建立異常故障案例庫

在數據採集與監視控制系統裡用sql或mysql資料庫軟體對步驟2中新的數據文件內容按數據間的相互關聯，結合維修記錄數據，以風場和機組號建立異常故障案例庫。這種方法建立案例庫可以提高案例匹配速度，減少異常故障診斷時間；

4、建立異常故障分類器模型

將步驟2中新的數據文件裡的每一行數據組成一個多維向量，即異常故障向量，向量間通過餘弦相似性分析方法劃分故障類別，用貝葉斯分類器算法得到該故障事件所屬的類別。相對其他適用的分類器，貝葉斯分類器是一種錯誤概率較小的分類器。

5、異常故障預測

實時採集蓄電池電壓及相關變量等數據，結合對應的隱藏信息，輸入異常故障分類器模型，得到故障類別。將故障類別、實時數據和隱藏信息與故障案例庫進行相似度比較，通過計算pearson相關係數得到與案例庫中匹配程度最高的案例，作出異常故障預測。本發明方法可以在最早的時間發現蓄電池的異常，且能對異常原因進行定位。

6、實時優化完善異常故障預測方法

將步驟5中的預測結果與實際結果進行對比，如果一致則直接擴充異常故障案例庫；如果不一致則按步驟2中數據間的關聯性對異常故障向量的對應項賦予一定的權重，以此來改進異常故障分類器模型，從而作出準確的預測。步驟5中實時數據及隱藏信息加工處理成案例庫的數據存儲形式，方便直接擴充完善；實時優化完善異常故障分類器模型，可以保證預測方法準確可靠。