[发明专利]风电机组齿轮箱油温异常分析方法及装置

说明书

本发明提供了一种风电机组齿轮箱油温异常分析方法及装置。所述方法包括：提取检测数据中高叶轮转速段数据，分析齿轮箱油温信号连续上升片段中的温度变化特征；提取检测数据中低叶轮转速段数据，统计齿轮箱油温信号在各转速分段中的分布特征；将所述温度变化特征，以及所述分布特征与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对，判定检测数据中齿轮箱油温变化和分布是否异常。本发明提供的风电机组齿轮箱油温异常分析方法及装置能够实现有效提高齿轮箱油温异常检测和故障预警准确率的目的。

技术领域

本发明涉及风力发电技术领域，特别是涉及一种风电机组齿轮箱油温异常分析方法及装置。

背景技术

齿轮箱作为兆瓦级双馈型风力发电机组的核心大部件之一，其可靠性对整机稳定运行起着至关重要的作用。随着现场机组运行年限的增加，由于冷却器散热能力减弱、温控阀失效、油品质量降低以及其它环境因素的变化会导致齿轮箱油温高故障愈发频繁，从而严重影响机组发电量和风电场经济效益。那么，如何在不增加额外专业测量和预警设备的前提下，通过对机组运行数据的监控，采用有针对性的数据分析算法准确识别齿轮箱油温异常变化特征并能够有效预警齿轮箱油温高故障就成了亟待解决的问题。

目前业内常见的基于细分工况的风电机组齿轮箱油温异常分析方法思路主要是：使用机组历史运行数据，以对齿轮箱油温影响显著的因素(例如风速、有功功率、叶轮转速、发电机扭矩、环境温度等)为细分工况的依据，建立齿轮箱油温与某一个或多个影响因素的若干小分段(片段)之间的联合分布对应关系，确定不同工况下齿轮箱油温分布的正常与异常区分标准，用来监测现场机组齿轮箱油温变化情况，识别其异常特征并实现故障预警。该类算法在建立齿轮箱油温与影响因素之间的联合分布对应关系时往往需要做多维度的细化工况处理。比如针对某容量为1500kW的风电机组建立齿轮箱油温与有功功率、环境温度之间的联合分布对应关系。若考虑：齿轮箱油温从30℃变化到80℃，以每10℃划分一个片段；有功功率变化区间为0kW-1500kW，功率每100kW为一个区间；环境温度从-30℃到50℃变化，每10℃一个分段。此对应关系中就有5×15×8＝600个三维度的细化工况分仓。因而，为使每个分仓内都能得到较为准确的数据分布统计标准值(比如均值、标准差、方差等)，则需要大量该机型机组的历史运行数据，这就大大增加了算法模型定标和训练的难度。除此之外，该类算法只实现了数据多维度工况的细化，但并未考虑齿轮箱油温自身变化(比如齿轮箱油温升高和降低过程)以及机组控制策略变化(比如机组限功率状态)对细化工况仓内齿轮箱油温数据分布的影响，这都会对工况仓内齿轮箱油温分布标准值的精确度和预警策略的准确度有严重影响。

发明内容

本发明要解决的技术问题是提供一种风电机组齿轮箱油温异常分析方法及装置，能够实现有效提高齿轮箱油温异常检测和故障预警准确率的目的。

为解决上述技术问题，本发明提供了一种风电机组齿轮箱油温异常分析方法，所述方法包括：提取检测数据中高叶轮转速段数据，分析齿轮箱油温信号连续上升片段中的温度变化特征；提取检测数据中低叶轮转速段数据，统计齿轮箱油温信号在各转速分段中的分布特征；将所述温度变化特征，以及所述分布特征与历史数据中齿轮箱正常运行时的油温变化和分布标准限值进行比对，判定检测数据中齿轮箱油温变化和分布是否异常。

在一些实施方式中，提取检测数据中高叶轮转速段数据，分析齿轮箱油温信号连续上升片段中的温度变化特征，包括：提取将叶轮转速数据确定为高叶轮转速段数据的转速划分值；根据检测数据的时间戳定义并划分齿轮箱油温连续变化的时序片段；从所述时序片段中识别出齿轮箱油温连续上升的时序片段；基于历史数据确定所述时序片段的齿轮箱温度连续变化阈值；确定所述时序片段的齿轮箱油温高故障限值。

在一些实施方式中，所述齿轮箱温度连续变化阈值是根据大量机组历史运行数据中齿轮箱油温异常和正常的变化特征进行k-均值聚类分析，并考量不同容量机型的控制策略对齿轮箱油温限值的设定而确定。