[发明专利]基于数据驱动的风电机组发电机前轴承状态监测方法

说明书

本发明公开了一种基于数据驱动的风电机组发电机前轴承状态监测方法，包括以下步骤：步骤1：SCADA数据预处理，去除SCADA数据中夹杂着的异常噪声数据和停机数据；步骤2：采用梯度提升迭代决策树算法选取与发电机轴承端温度相关的特征参数作为模型的输入，发电机轴承端温度为观测参数；为避免各特征取值范围不同而造成误差，对每个特征进行归一化处理；步骤3：采用GRU神经网络建立发电机前轴承端温度残差模型；步骤4：采用LightGBM算法建立故障决策模型，避免人为设定阈值的弊端，对测试机组发电机轴承运行状态进行检测。本发明具有较高的预测精度。能够准确识别出发电机前轴承早期异常状态，为风电场安全运行维护提供可靠的数据支持。

技术领域

本发明涉及的是一种基于数据驱动的风电机组发电机前轴承状态监测方法，具体涉及是一种基于决策树、门控递归神经网络以及集成学习算法上形成的风电机组发电机前轴承状态监测方法。

背景技术

在当前的能源环境背景下，新能源发电特别是风力发电的发展受到了广泛的关注。发展风电成为了减少国民经济对化石能源的依赖、解决能源生产与消费之间的矛盾和减少温室气体排放保持生态平衡的重要途径。随着资源与环境双重压力的持续增大，发展风力发电已成为我国甚至是国际未来能源利用的发展方向。

风电机组常年运行在剪切风、风沙、雷雨、自震等恶劣环境中，机组容易发生各种各样的故障，如果发生严重的故障会迫使机组非计划停机，从而会给风电场带来巨大的经济损失。对风电机组的发电机、齿轮箱、叶片等主要的机械部件进行早期故障识别具有重要意义。发电机是风电机组的核心部件，主要功能是将机械能转换为电能。由于长期处于变工况以及电磁环境中，且机组规模扩大对发电机的密封保护增加了难度，风电装备各部件中发电机维修费用占比28.32％。因此，对发电机故障进行早期有效预警是风电运营商和设备制造商关注和亟待解决的问题。

目前，对于风电机组运作状况的监控，大多数风电场采用主流的数据采集与监视控制系统(supervisory control and data acquisition，SCADA),SCADA系统可以采集风电机组运行状态信息及外部环境参数，监测历史和实时数据。因此，通过数据挖掘技术对SCADA数据进行分析是早期故障预警的有效手段之一。当SCADA系统监测的参数超出设定的阈值就会触发警报。但是SCADA系统是基于设计时的固定阈值来报告机组的运行状态，是一种固定的越线报警模式，未能兼顾环境变化和机组在运行过程中的老化，当机组发生故障触发警报时，机组的故障已恶化到紧急停机状态，没有给维修人员在停机前抢救的机会，无法实现早期的故障预警。另一方面，针对风电机组发电机的故障研究，大多数集中于诊断已发生的故障，没有对故障进行早期预警的能力。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供基于数据驱动的风电机组发电机前轴承状态监测方法，提出了一种基于SCADA时间序列数据建立的门控递归单元(gated recurrent unit，GRU)神经网络风电机组发电机前轴承故障预警模型。GRU神经网络作为LSTM神经网络的变种，有效的解决了LSTM神经网络梯度消失和训练时间长的问题，且具有较高的预测精度。能够准确识别出发电机前轴承早期异常状态，为风电场安全运行维护提供可靠的数据支持。而LightGBM状态预测模型通过所提取的残差特征即可预测出发电机前轴承异常的概率。通过此方法可避免人为设定故障阈值的主观性，所预测的结果更具有说服力和理论支撑。

为了实现上述目的，本发明是通过如下的技术方案来实现：基于数据驱动的风电机组发电机前轴承状态监测方法，包括以下步骤：

步骤1：SCADA数据预处理。去除SCADA数据中夹杂着的异常噪声数据和停机数据。

首先，查阅该风电场机型的运行参数阈值将错误数据予以剔除，阈值范围见下表1。其次，利用3σ准则剔除粗大误差数据，根据正态分布置信区间原理，检测数据值落入[μ-3*σ,μ+3*σ]之外时为极小概率事件，属于粗大误差数据应予以剔除。其中μ为特征参数的均值，σ为特征参数的标准差。最后，利用滑动平均滤波抑制小幅度高频噪声数据。