[发明专利]基于神经网络风力发电机组典型传动故障智能诊断方法

说明书

技术领域

本发明属于风力发电技术领域，涉及基于神经网络风力发电机组典型传动故障智能诊断方法。

背景技术

风力发电单位发电成本已经基本接近火电发电成本，是目前所有可再生能源中最具商业价值，最具推广现实的能源种类；

风力发电是一种清洁能源，对节能环保有重要的经济社会效益；

风力发电是国家能源领域中长期规划的重点方向，我国现有总装机容量达到7400万千瓦，占总电网装机容量的7％，“十二五”末规划风电总装机容量达到0.98亿千瓦；“十三五”末风电总装机容量达到1.5～2亿千瓦；到2050年，风电总装机容量达到电网总装机容量的17-20%左右；因此风力发电领域拥有广阔且较明朗的前景，由其带动的相关领域产业也必然拥有乐观的市场前景。

目前我国风力发电产业已经完全走出了小规模技术论证阶段，已经进入大规模推广阶段，由于我国风电产业起步较晚，技术积累薄弱，相关配套组件尚不能完全满足风电整机高效安全运行要求，特别是我国风电整机企业绝大部分采用的直接引进国外成套整机设计技术模式进一步导致目前风电整机可靠性无法满足实际运行需求，重大事故频率高发，风机可利用率明显低于国外机组。

随着我国风电产业的迅速发展，由于技术趋势及成本竞争需求，“十一五”期间主流的1.5MW风力发电机组已经不能满足当前风电市场需求，单机容量规模在2MW及以上的风力发电机组已经逐步成为目前国内风电市场的主流机型。随着单机容量的逐步上升，风电整机外形尺寸也迅速增大，整机的载荷水平也迅速攀升，因此对其机械组件的可靠性要求也迅速提高。

在目前风力发电机组机械故障中，传动系统机械故障是故障率最高因素之一，特别是针对双馈异步风力发电机组传动系统的故障已严重影响到风电场运营经济效益，一些早期运行的风电场已出现大批量的齿轮箱故障。

由于我国风电场运营保障水平十分低下，几乎所有的风电场都采用基于故障的维护方式，维护成本居高不下，维护资源利用率严重不足。同时由于针对机组故障特别是机械故障目前通常采用的都是基于故障的维修方式，维护成本极高，同时运营维护资源利用率极低，迫切需要提高运营维护自动化水平。

龙源电力集团股份有限公司所属中能电力公司受国家能源局委托起草制定的《风力发电机组振动状态监测导则》于2011年11月1日在全国风电行业实施。该导则针对通过检测风力发电机组振动信号实现状态监测方法进行了详细的表述，规定所有海上风电机组应选择采用固定安装系统，陆上2MW(及以上)风电机组选择采用固定安装系统，陆上2MW以下风电机组可选择半固定安装系统或便携式系统；导则同时对风电机组振动状态监测系统作出了详细的规定，对风电振动状态监测环节进行统一，可以更精细化的掌握机组的运行状态，合理安排检修时间，减少风电事故。

在现有的风力发电机组监控方法中，振动信号监控是一种相对比较成熟除的监控技术，在国外已经广泛的应用在风电状态监控系统中。现有技术中，基于振动信号监控的风力发电机组状态监控主要通过在风力发电机组机械传动环节及相关部位加装振动传感器，通过采集分析相关组件环节振动信息，利用信号分析处理技术，在上位机监控平台基于人工方式对特征频谱情况进行判断后实现风力发电机组故障智能诊断。

风力发电机组是典型的分布式系统，相对于水电火电机组，其单机容量较小，机组分布范围较广且均为野外环境，同容量电厂发电机组数量远远多于大型火力发电和水力发电。现有风力发电机组状态监控及故障诊断技术中，由于采用人工识别方法，很难实现对于风电场内大量风力发电机组逐一高效故障诊断识别，迫切需要实现基于计算智能的自动故障识别。

发明内容

针对现有风力发电机组状态监控及故障诊断技术中采用人工故障诊断识别方法，难以实现对于风电场内大量分布式风力发电机组逐一高效故障诊断识别，迫切需要实现自动故障识别的技术需求，提出了一种风力发电典型传动故障智能自动识别方法。该方法通过对传动系统状态监控信息进行数据处理及特征提取，基于神经网络聚类技术，根据故障典型特征信息智能实现故障诊断识别，并对故障严重程度进行量化评估，有效的实现了风力发电机组传动系统故障诊断自动化，极大的提升了风电场运营维护效率。

本发明的目的通过以下技术方案来实现：

基于神经网络风力发电机组典型传动故障智能诊断方法，该诊断方法包括如下步骤：

1)对风力发电机组相关组件进行监控得到监控信息，并将监控信息按照监控变量进行分类或依据所选择的监控变量筛选与其对应的监控信息；

2)根据所述监控信息对所述相关组件进行工况识别；