[发明专利]一种风电机组发电机的故障预警方法

说明书

本发明公开了一种风电机组发电机的故障预警方法，该方法包括以下步骤：采集风电机组发电机整个故障演变区间的历史运行数据，选取反映发电机运行状态的各参数作为建模变量，对发电机运行状态参数归一化处理，建立DBN网络，隐含层神经元数目寻优，使用最优神经元个数建立发电机故障预警模型；对发电机运行状态参数进行重构，计算重构变量与实际变量的重构误差，确定重构误差阈值，当重构误差未超出阈值时，判定为发电机运行状态正常；当重构误差超出阈值时，判定为发电机运行状态异常，并发出故障预警信息。本发明为风电机组发电机的早期故障检测提供判断依据，以此实现风电机组发电机的故障预警。

技术领域

本发明涉及一种风电机组故障预警技术，具体地说是一种风电机组发电机的故障预警方法。

背景技术

在风电机组的长期运行过程中，随着运行时间的不断增加，以及工作在受力多变、条件艰苦、工况复杂的自然环境中，发电机、齿轮箱、主轴承、偏航系统等主要部件的故障率显著增加。作为风电机组的核心部件，风力发电机故障是造成风电机组停机的主要原因之一，严重影响着整个机组的安全稳定运行。因此，采用精准的检测技术对发电机进行早期故障预警，能够有效降低风电机组故障率，降低风电场的损失。

风力发电机是一个内部关联性很强的系统，各部件之间相互影响，故障类型多种多样。目前，针对风力发电机故障的故障诊断，多是在第一时间对初始故障加以判定，或者对严重故障进行短时预测，而不能做到提前预测设备状态并优化维修决策。

现有风力发电机的故障诊断，往往是针对温度信号、声发射信号、振动信号、电信号等单一参数所实施的。而这种单一参数的故障诊断，不能深层挖掘数据的抽象特征和设备故障的内在联系，同时，由于这些故障诊断方法所建立的数学模型的精确度较低，预警时间短，因此，在工业实际应用方面还不能得到有效地利用和实施。

发明内容

本发明的目的就是提供一种风电机组发电机的故障预警方法，以解决现有故障诊断方法多是针对单一参数，且因所用数学模型的精确度低、预警时间短而不能得到实际应用的问题。

本发明是这样实现的：一种风电机组发电机的故障预警方法，包括如下步骤：

S1、数据采集：从风电机组配备的SCADA系统中调取风电机组发电机整个故障演变区间的历史运行数据，包括发电机正常运行、故障形成、故障显现、故障排除、再投运行在内的各个阶段；

S2、状态参数选取：选取包括风速、发电机功率、发电机转速、发电机转矩、发电机空冷温度、发电机前轴温度、发电机三个绕组的温度以及主轴叶轮侧温度在内的用于反映发电机运行状态的各参数作为建模变量；

S3、数据划分：将上述的历史运行数据作为数据源划分成训练集、验证集和试验集三部分，其中，训练集占数据源的60％～80％、验证集占数据源的5％～10％，试验集占数据源的10％～35％；

S4、数据预处理：对步骤S2中所选取的发电机运行状态参数的数据进行归一化处理，以消除SCADA数据不同参数之间属性和量纲的影响；

S5、DBN网络的建立：通过设置包括隐含层数量、隐含层神经元数目寻优区间、学习率、最大迭代次数以及每批次数据量在内的各参数，构建一个DBN网络；

S6、隐含层神经元数目寻优：利用NPPSO算法对隐含层神经元数目寻优；

S7、模型建立：使用步骤S5设置的DBN网络参数和步骤S6寻优得到的最优神经元个数，建立NPPSO-DBN发电机故障预警模型，所述NPPSO-DBN发电机故障预警模型包含4层隐含层，1层输入层和1层输出层，输入层和隐含层中的神经元数目与步骤S2中的建模变量的数目一致；

S8、预警计算：使用所述NPPSO-DBN发电机故障预警模型对步骤S2所选取的发电机运行状态参数进行重构，然后计算重构变量与实际变量的重构误差；