[发明专利]一种基于并行Elman-NN的风力发电机故障检测方法

说明书

本发明公开一种基于并行Elman‑NN的风力发电机故障检测方法，旨在从数据驱动的角度来描述风力发电机各传感器测量数据之间的复杂非线性时序关联性，并通过模型误差的异常变化来检测风力发电机在运行过程中出现的故障。本发明方法的优势在于：本发明方法利用Elman‑NN算法与分布式建模的策略，从数据驱动的角度量化了风速数据和风力发电机自身测量数据相互之间的关系模型。其次，本发明方法通过监测并行Elman‑NN模型的误差变化情况来反映是否出现故障，又借鉴参考了误差生成思想的优势。

技术领域

本发明涉及一种风力发电机故障检测方法，特别涉及一种基于并行Elman-NN的风力发电机故障检测方法。

背景技术

风力发电在可再生能源领域占据着重要的地位，尤其是在孤立的海岛与偏远山区中，风力发电对于改善民生具有重要的意义。在风力持续的情况下，风力发电机能持续不断的提供电能，风力发电机的应用规模与日俱增。为了保证风力发电机的正常运行，传统的思路是对风力发电机进行定期的维护，这就导致无法及时的对处于异常工作状态的风力发电机进行及时检修。因此，对风力发电机的运行状态进行实时监测，及时的发现运行中出现的故障对于提升整个风力发电厂的电力输送品质具有较大的助力作用。由于风力发电机是一个大型且复杂的系统，根据机理知识(如动力学与电力电路知识)建立精确的数学模型是非常困难的。因此，利用机理模型实施故障检测的方案是不可取的。此外，在当前智能制造与大数据的风潮下，利用数据实施风力发电机故障检测的方案才是合乎时宜的。

一般而言，一个投入使用的风力发电机通常会安装有多个传感器，会实时反馈诸如风速、发电机转速、发电功率等数据信息。这些传感器以及相应配套的数据存储设备为实施数据驱动的风力发电机故障检测提供了坚实的数据基础。然而，风力发电机的工作状态会受到外部环境风速的直接影响，会随着风速的变化而不断发生变化的。风力发电机的这种工作特性给数据驱动的故障检测方案增加了挑战，因为风力的间歇特性、非线性特性、时序变化特性并非人为可精准预测或可控制的。近年来，虽然有多种按照模式分类思想实施风力发电机故障检测与诊断的数据驱动的技术，但是其前提条件是充分可用的多种故障状态下的运行数据。显然，刚投入使用的风力发电机只能提供大量的正常状态数据，而非各种不同故障工况下的采样数据。

从风力发电机工作原理上讲，风力发电机只有在固定的风速区间才可以产生电能，故障检测的意义也主要是监测风力发电机是否能产生正常的电能输出。在待机状态下，风力发电机出于自我保护的原因不产生电能，故障检测也就没有什么实质性的意义。此外，在风力发电机的产生电能输出的工作状态下，其每个时刻的风力发电机转速，功率等数据都是会受到外部环境风速的直接影响。由于风力发电机是一整个邮寄整合的系统，风力发电机转速，功率等数据之间同样是相互复杂关联性是时序关联性的。从这个角度上讲，如何挖掘这些测量数据之间的关联性，是成功实施数据驱动的风力发电机故障检测的关键所在。然而，在现有科研文献与专利材料中，鲜有涉及如何从数据驱动的角度来描述风力发电机各测量数据之间的非线性时序关联性，并通过监测模型误差的异常变化来达到实时检测风力发电机故障的目的。

发明内容

本发明所要解决的主要技术问题是：如何从数据驱动的角度来描述风力发电机各传感器测量数据之间的复杂非线性时序关联性，并通过模型误差的异常变化来检测风力发电机在运行过程中出现的故障。

本发明方法解决上述问题所采用的技术方案为：一种基于并行Elman-NN的风力发电机故障检测方法，包括以下所示步骤：

步骤(1)：在风力发电机正常运行状态下，每间隔60秒采集一次样本数据，每次采集的样本数据具体包括11个测量数据，依次分别是：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，偏航误差。