[发明专利]基于SCADA和CMS的风电机组运行状态评估与预测方法

权利要求书

1.一种基于SCADA和CMS的风电机组运行状态评估与预测方法，其特征在于，包括以下步骤：

基于SCADA系统和CMS系统提取风电机组各个子系统的运行状态特征，包括SCADA系统的温度、转速、位置、功率、角度和CMS系统的振动特征；

根据风电机组各个子系统的运行状态特征，运用变权综合评估模型计算评估各子系统的运行状态；

根据风电机组各子系统的运行状态得到当前时间整个风电机组的运行状态以及预测未来设定时间风电机组的运行状态，

其中，所述基于SCADA系统和CMS系统提取风电机组各个子系统的运行状态特征，包括SCADA系统的温度、转速、位置、功率、角度和CMS系统的振动特征步骤包括：

S1：根据SCADA系统中采集的机组各重要部件传感器的测量参数和CMS系统中采集的振动数据，建立风电机组运行状态评估模型，在风电机组运行状态评估模型中，项目层包括7个子系统，X＝{X₁,X₂,X₃,X₄,X₅,X₆,X₇}，即{主轴承,齿轮箱,发电机,机舱及控制系统,变流器系统,变桨系统,电网系统}；7个子系统分别包含一系列指标X_ij，X₁＝{X₁₁,X₁₂,X₁₃}，…，X₇＝{X₇₁,X₇₂,X₇₃,X₇₄}，其中CMS系统采集的数据为{X₁₂,X₁₃}＝{主轴承轴向振动，主轴承径向振动}，{X₂₅,X₂₆,X₂₇,X₂₈}＝{一级行星级径向振动，二级行星级径向振动，高速级径向振动，高速级轴向振动}， {X₃₅,X₃₆}＝{发电机驱动端径向振动，发电机非驱动端径向振动}；

S2：运用层次分析法，计算风电机组运行状态评估模型中7个子系统常权权重各子系统各指标特征参数的常权权重其中表示风电机组第i个子系统第j个指标特征参数的常权权重，表示风电机组第i个子系统第j个指标第k个特征参数常权权重，i、j、k均为自然数，

其中，所述根据风电机组各个子系统的运行状态特征，运用变权综合评估模型计算评估各子系统的运行状态步骤包括：

S3：将CMS系统记录主轴承轴向和径向、发电机驱动端和非驱动端的振动传感器信号分别计算以下时域指标：绝对均值有效值x_rms、峰值指标c_f、峭度指标K_v、低通有效值DRMS，其中：

y(t)为振动传感器采集的振动信号，长度为n，n为自然数；

其中β为峭度，

DRMS为利用低通滤波器对振动信号y(t)低通滤波，然后计算其有效值；

S4：将CMS系统记录齿轮箱一级行星级的径向、齿轮箱二级行星级的径向、齿轮箱高速级的轴向和径向的振动传感器信号，分别计算以下时域指标：绝对均值有效值x_rms、峰值指标c_f、峭度指标K_v，此外计算频域指标：边带能量率SER，其中；

其中啮合频率一侧边带的振幅值为y(t) 快速傅立叶变换FFT后，啮合频率一侧以啮合齿轮转频为边带的幅值；

S5：按风电机组运行状态评估模型，定义风电机组各子系统的指标特征参数的实测值x_ij,i＝1,2,...7，x_ijk,i＝1,2,3，其中x_ij表示风电机组第i个子系统第j个指标特征参数的实测值，x_ijk表示风电机组第i个子系统第j个指标第k个特征参数的实测值；

S6：计算指标特征参数的实测值x_ij,i＝1,2,...7，x_ijk,i＝1,2,3的劣化度；

S7：推导出风电机组子系统变权综合评估模型V′_i(x_i1,...,x_in)，其中

其中，w_ij(x_i1,...,x_in)、分别为风电机组第i个子系统第j个指标特征参数的变权权重、常权权重；

引入均衡函数得到最终变权权重w′_ij(x_i1,...,x_in)和风电机组子系统变权综合评估模型V′_i(x_i1,...,x_in)，

其中，n为风电机组第i个子系统的指标特征参数个数，α为变权系数；

S8：计算风电机组各子系统的劣化度D_i：

将风电机组第i个子系统第j个指标特征参数的良好度g_ij带入风电机组子系统变权综合评估模型V′_i(x_i1,...,x_in)，得到，

g_ij＝1-d_ij，

D_i＝1-V_i(x_i1,...,x_in)

其中，g_ij为风电机组第i个子系统第j个指标特征参数的良好度，V_i(x_i1,...,x_in)、D_i分别为风电机组第i个子系统的良好度、劣化度；

针对CMS系统采集的数据{X₁₂,X₁₃}，{X₂₅,X₂₆,X₂₇,X₂₈}，{X₃₅,X₃₆}，首先计算良好度{g₁₂,g₁₃}，{g₂₅,g₂₆,g₂₇,g₂₈}，{g₃₅,g₃₆}，

g_ijk＝1-d_ijk，

其中，k为风电机组第i个子系统第j个指标的特征参数序号，n₁为风电机组第i个子系统第j个指标的特征参数个数；

S9：计算风电机组整个系统的劣化度D，其中

g_i＝1-D_i，

其中，g_i、分别为风电机组第i个子系统的良好度、常权权重，P为风电机组子系统的个数，

其中，所述根据风电机组各子系统的运行状态得到当前时间整个风电机组的运行状态以及预测未来设定时间风电机组的运行状态步骤包括：

S10：在风电机组的SCADA系统和CMS系统中，每10min记录一次机组各重要部件传感器的测量参数，一天一共记录144个时间段数据；用1周7 天共1008个时间段数据，根据步骤S3—S8，分别计算7个子系统的良好度；利用7天1008组7个子系统良好度数据训练小波神经网络，其中小波基函数为Morlet母小波基函数，最后用训练好的小波神经网络预测第8天的7个子系统良好度，根据步骤S9，计算第8天风电机组整个系统的劣化度；

S11：将劣化度进行划分，[0，0.2)，[0.2，0.4)，[0.4，0.6)，[0.6，1]分别对应于风电机组的良好状态、较好状态、一般状态和拟故障状态，最终获得当前时间和第二天风电机组整个系统的机组运行状态，及其各个子系统和指标的运行状态。