[发明专利]基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法

说明书

本发明公开一种基于SOM‑MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，首先根据局部异常因子算法、偏最小二乘法和拉普拉斯特征映射降维技术对获取的实时数据进行处理，提取影响机组健康状况的重要特征参量；其次将这些特征参量输入到SOM‑MQE健康状态评估模型中，计算风电机组健康衰退指数并评估机组的健康状态；最后，利用模糊C均值软聚类算法将状态异常机组运行数据进行聚类分析，确定机组故障类型。本发明可以实时、准确的对风电机组的健康状态进行监测并实现对故障部件的准确定位，检测风电机组状态异常准确度达99.9％左右，为维修人员针对风机的实时运行情况进行相应的检修提供了指导意见。

技术领域

本发明涉及风力发电技术与计算机监测技术领域，尤其涉及一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法。

背景技术

随着化石和各类矿产资源的逐渐耗尽和人类对能源需求的日益增加，人们对可再生能源的利用给予了高度的重视，其中风能的装机容量最大，成为占比最高的可再生能源。

然而在风电机组装机容量持续增长的同时，单机可靠性问题却不容乐观。一方面风电机组故障频发，降低了风能利用率，较低的可靠性导致风电场运行及维护费用居高不下，大大增加了运维成本；另一方面，风电机组通常坐落于山区等较偏于的地方，海上风电场也处于近海及临海区域，工作环境恶劣，且机舱一般安装在离地数十米甚至上百米的高空处，对风电机组的运行状况进行实时检查及健康度评估十分困难。因此，亟需一种风电机组健康状态在线监测及故障诊断方法。

发明内容

本发明的目的是提供一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，以解决上述现有技术存在的问题，使风电机组的运行状况能够进行实时检查及健康度评估。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，步骤一：历史数据清洗：从SCADA系统中获取风电机组的特征参量历史数据，采用局部异常因子LOF算法对提取的特征参量历史数据进行预处理，剔除异常数据点；

步骤二：特征提取：利用偏最小二乘PLS算法对风机运行过程中产生的风速、叶轮转速、有功功率、桨叶的实际值、发电机转速、齿轮箱油温、齿轮箱轴承温度、偏航角度、发电机扭矩、发电机转矩实际值、塔筒加速度、功率因数、环境温度、轮毂温度、机舱温度、轴承的温度特征参量进行特征提取；

步骤三：数据降维：使用基于拉普拉斯特征映射LE降维技术将特征参量数据压缩至三维，经过压缩的数据代表了输入与输出之间的关系；

步骤四：计算健康值：以风机维修后三周的运行数据作为基准状态数据，将自组织映射神经网络SOM算法作为一种映射技术，SOM的输入层是基准状态数据，输出层是经过训练后的输出权重，采用最小量化误差MQE评价标准衡量风电机组健康状态退化程度；

步骤五：设置报警限：选定置信度为99.9％，即0.1％的误报警率，采用核平滑密度估计法设定报警界限；

步骤六：获取故障历史数据：从SCADA系统中获取内风电机组各类故障的历史数据；

步骤七：故障数据处理：采用LOF、PLS和LE算法对故障历史数据进行清洗和降维处理；

步骤八：划分故障类型：采用模糊C均值软聚类SFCM算法对数据的故障类型进行聚类分析并确定聚类中心点，SFCM算法通过将相似度高的数据聚为一类从而完成对风电机组故障类别的划分；

步骤九：实时数据处理：从SCADA系统中实时获取风电机组的特征参量数据，采用LOF和LE算法对数据进行清洗和降维处理；

步骤十：健康度计算：由训练好的SOM-MQE健康评估模型确定机组运行状态；