[发明专利]风机故障预报警方法及系统

说明书

本发明涉及风机故障预警技术领域，是一种风机故障预报警方法及系统，前者包括以下步骤：获取风场的实时SCADA运行数据和风场的历史SCADA运行数据；在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取相同的m个样本数据集；将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法的计算模型，获得实时运行输出数据和历史运行输出数据；通过两类输出数据对比识别异常数据，给出预报警信息。本发明利用K均值聚类算法将运行数据分类，对聚类输出均值数据创建虚拟变量分析输出数据，对两类输出数据进行对比，识别异常数据，给出预报警信息，从而能及时发现发电机的异常情况，更为有效和合理地对风机故障进行预报警和预防。

技术领域

本发明涉及风机故障预警技术领域，是一种风机故障预报警方法及系统。

背景技术

随着我国风电机组运行总量的不断增加，风机故障时有发生，甚至演变为重大事故，同时，随着风机运行时间的增长，事故发生的频率也逐步增加。目前由于风机容量逐步增加，结构部件增加，运行工况复杂多变,仅依靠恒定值或故障代码作为风机装置是否预警的触发指标,容易造成不报、误报及排查时间不足等问题的现象。

发明内容

本发明提供了一种风机故障预报警方法及系统，克服了上述现有技术之不足，其能有效解决现有风电机组多依靠恒定值或故障代码作为风机装置是否预警的触发指标，易造成报警不准确的问题。

本发明的技术方案之一是通过以下措施来实现的：一种风机故障预报警方法，包括以下步骤：

获取风场的实时SCADA运行数据和设定时间内风场的历史SCADA运行数据；

在实时SCADA运行数据和历史SCADA运行数据中根据m个有效数据变量分别选取m个样本数据集，作为基于K均值聚类算法计算模型的实时运行输入数据和历史运行输入数据；

将实时运行输入数据和历史运行输入数据分别输入基于K均值聚类算法计算模型，获得实时运行输出数据和历史运行输出数据；

通过实时运行输出数据和历史运行输出数据对比识别异常数据，给出预报警信息。

下面是对上述发明技术方案的进一步优化或/和改进：

上述根据8个有效数据变量分别选取8个样本数据集，每个有效数据变量对应一个样本数据集，8个有效数据变量分别为风速、发电机功率、风轮转速、发电机转速、发电机箱温度、发电量、齿轮箱油温度、发电机定子温度。

上述基于K均值聚类算法计算模型的计算过程包括：

输入数据转换，将不具有正态分布的输入数据变换成具有正态分布的输入数据；

对具有正态分布的输入数据进行数据离差标准化；

利用K均值聚类算法对输入数据进行聚类，聚类不再发生变化时，输出聚类过程的最后一次均值数据；

对聚类输出的最后一次均值数据创建虚拟变量，并做虚拟变量线性回归分析，输出分析数值。

上述利用K均值聚类算法对输入数据进行聚类，聚类不再发生变化时，输出聚类过程的最后一次均值数据，包括：

计算样本数据集的均值；

在该样本数据集中选取k个样本作为初始聚类中心，计算每个样本点与各个聚类中心的最小距离，并根据最小距离重新划分聚类中心；

重复上述过程，直到每次聚类不再发生变化，输出聚类过程的最后一次均值。

上述通过实时运行输出数据和历史运行输出数据对比识别异常数据，给出预报警信息，包括：