[发明专利]基于细粒度风电发电状态划分的风机叶片结冰异常监测方法

摘要

本发明公开了一种基于细粒度风电发电状态划分的风机叶片结冰异常检测方法。在揭示风机变工况运行时各变量关系的分段性特点后，针对性地提出了一种基于慢特征提取的细粒度状态划分建模方法。针对风力发电的动态变化特性，提出了一种动静态协同的监测方法。利用风场SCADA系统采集到的数据，用以上方法对风机建立各子状态的监测模型，并离线了验证本文提出的方法检测风机出力异常的效果。充分利用了风机运行时数据的动态特性，有效地提升了检测效果，有助于风场维护人员对叶片结冰的情况进行及时的诊断以及处理，从而保障了风力发电机组正常稳定的运行，同时提升了人员财产的安全保障系数。

主权项

1.基于细粒度风电发电状态划分的风机叶片结冰异常检测方法，其特征在于，包括如下步骤：(1)基于细粒度风电发电状态划分获得离线子状态，包括以下子步骤：(1.1)获得风场正常工作的I条历史数据并将其描述为一个二维矩阵X(I×J)。矩阵中的J个可测变量为运行过程中被测量到的J个状态参数。(1.2)准备风速片数据矩阵：将步骤(1.1)描述的二维矩阵X(I×J)中的风速变量为参考进行离散化处理，得到K个原始风速片。每个风速片中有I_k(k＝1,2,...,K)个样本以及J个可测变量，其中下标k表示原始风速片的序号，并有离散化后第k个原始风速片记为X_k。对每一个原始风速片X_k进行各自单独的数据标准化处理，得到标准化后的风速片其中，表示X_k的均值，D(X_k)表示X_k的方差。(1.3)对风速片执行SFA算法并获得初始风速片模型：对的协方差矩阵进行奇异值分解得到标准正交基所张成的矩阵U_k：其中，Λ_k是以对的协方差矩阵进行奇异值分解得到的所有标准化特征值为主对角线的矩阵。进一步得到白化矩阵Q_k：Q_k＝Λ_k^‑1/2U_k^T再对风速片进行白化，得到白化后的风速片Z_k：对Z_k的一阶差分的协方差矩阵进行奇异值分解得到标准正交基所张成的矩阵P_k：其中，Ω_k是以对的协方差矩阵进行奇异值分解得到的所有标准化特征值为主对角线的矩阵。进一步得投影矩阵W_k：W_k＝P_kQ_k得到的Ω_k中标准化特征值数量为N，将特征值由小到大排序，保留前M个特征，得Ω_k,M，剩余的为Ω_k,Me，Me＝N‑M。对应的，保留按特征值大小排序的M个标准正交基，张成矩阵P_k,M。剩余的标准正交基张成矩阵P_k,Me。由于各风速片变量维度为J，其特征值数量相同，N＝J。M决定方法如下：统计所有风速片低于平均变换速度的成分数量，采用出现次数最多的成分的个数作为M。把P_k,M、P_k,Me、Ω_k,M、Ω_k,Me作为监测模型，将风速片投影到特征空间，得风速片在特征空间的投影S_k，分为两部分计算：S_k＝[S_k,d S_k,e]S_k,d＝[S_k,1,S_k,2,...,S_k,M]＝P_k,MZ_kS_k,e＝[S_k,1,S_k,2,...,S_k,Me]＝P_k,MeZ_k其中，S_k,d包含M个慢特征[S_k,1,S_k,2,...,S_k,M]。S_k,e包含Me个剩余特征[S_k,1,S_k,2,...,S_k,Me]。计算S_k,d中每条向量的T²监测统计值其中，表示第k个风速片下第j条数据的T²监测统计值，s_k,d,j表示S_k,d的第j条向量。统计离散化概率分布Pr_k,j，计算S_k,d的监测统计值与标准卡方分布的相似度Sim_k：在标准卡方分布x轴上的与之间，取n个离散化段，n＝60；统计在个离散化段中出现的概率Pr_k,j(j＝1,2,...,n)，得其概率分布，并统计标准卡方分布在离散化段的概率分布为Pr_k,jr(j＝1,2,...,n)。Sim_k的计算公式如下：(1.4)将作为状态片Y_k,nu的初始风速片：Y_k,nu表示为Y_k,nu(Iu×J)，由当前状态片中包含的风速片展开而成；I_u表示第u个风速片的样本数量；k为当前合成风速片中初始风速片序数，最初等于1；nu为当前状态片内除初始风速片外的风速片个数，初始时，nu＝0。向状态片Y_k,nu中逐一添加风速片：将nu加1，即nu＝nu+1，把风速片添加到状态片Y_k,nu中，得到状态片Y_k,nu(Iu×J)，将状态片Y_k,nu按照(1.3)逐步计算得到状态片的Z_k,nu、Ω_k,nu,M、Ω_k,nu,Me、P_k,nu,M和P_k,nu,Me，将P_k,nu,M、P_k,nu,Me作为状态片的监测模型，并代入状态片Y_k,nu中的所有风速片中，计算获得每个风速片在新状态片Y_k,nu中S_k,nu,u(u＝0,1,...,nu)，其中，S_k,nu,u＝[S_k,nu,u,d S_k,nu,u,e](u＝0,1,...,nu)，S_k,nu,u,d＝P_k,nu,MZ_k+u，S_k,nu,u,e＝P_k,nu,MeZ_k+u；S_k,nu,u表示使用状态片Y_k,nu当前的监测模型对第k+u个风速片在特征空间的投影，表示第k+u个风速片，Z_k+u表示第k+u个风速片经过如步骤(1.3)中所述白化处理后得到的矩阵。进一步计算S_k,nu,u,d(u＝0,1,...,nu)每条向量的监测统计值统计计算获得每个风速片的监测统计值在状态片Y_k,nu中与标准卡方分布的相似度Sim_k,nu,u(u＝0,1,...,nu)。(1.5)将每个风速片在状态片Y_k,nu中的Sim_k,nu,u(u＝0,1,...,nu)与初始风速片的Sim_k进行比较：若有连续三个u满足则把当前的nu作为nu^*，继续执行步骤(1.6)；若不满足该条件，则重复执行步骤(1.4)。其中，α是一个附加于Sim_k的常数，称为松弛因子。(1.6)将序号为k至k+nu^*‑1的状态片作为一个离线子状态；假设目前得到的是第a个离线子状态则该离线子状态的监测模型为和且该子状态的进一步得S_a,d＝P_a,MZ_a，S_a,e＝P_a,MeZ_a。计算该离线子状态的四个监测统计量并根据高斯核密度估计确定这四个监测统计量对应的置信限(置信度α一般取0.95)ST1_a，ST2_a，DY1_a，DY2_a。四个监测统计量的计算与服从分布如下：T_a²＝s_a,d,i^Ts_a,d,i，服从分布：T_a,e²＝s_a,e,i^Ts_a,e,i，服从分布：S_a²＝s_a,d,i^TΩ_a,M^‑1s_a,d,i，服从分布：S_a,e²＝s_a,e,i^TΩ_a,Me^‑1s_a,e,i，服从分布：其中，s_a,d,i为S_a,d中的第i条向量，s_a,e,i为S_a,e中的第i条向量。表示自由度为p的卡方分布，F_p,q表示自由度为p,q的方差比分布。(1.7)将风速片作为新状态片的初始风速片，进行下一个离线子状态划分；新状态片Y_k,nu中：k＝k+nu*，nu归零。递归地重复步骤(1.2)～(1.6)获得全部离线子状态。(2)获取风场工作实时监测数据并利用步骤(1)状态划分的离线子状态对风场工作实时数据划分状态，获得风机实时运行状态；具体包括如下步骤：(2.1)获得数据并计算监测统计量：获取风场工作实时监测数据，包括当前时间及其之前的Win条时序数据，每条数据包括J个状态参数。将监测数据标准化后根据风速划分成与步骤(1.7)中获得的离线子状态相对应的λ个实时监测子状态，形成实时监测状态片Ym_v(v＝1,2,...,λ)。根据步骤(1.3)中的相关公式计算得到Ym_v对应的Zm_v(v＝1,2,...,λ)，并根据各自对应的离线子状态的P_a,M、P_a,Me、Ω_a,M、Ω_a,Me，计算得到Sm_v,d＝P_a,MZm_v、Sm_v,e＝P_a,MeZm_v，进一步按照步骤(1.5)的相关公式计算得到当前实时监测状态片Ym_v(v＝1,2,...,λ)的T_v²(v＝1,2,...,λ)、T_v,e²(v＝1,2,...,λ)、S_v²(v＝1,2,...,λ)、S_v,e²(v＝1,2,...,λ)监测统计量。(2.2)比较实时监测统计量与离线监测阈值：根据对应的离线子状态中的控制限ST1_a，ST2_a，DY1_a，DY2_a判断实时监测子状态的监测统计量T_v²(v＝1,2,...,λ)、T_v,e²(v＝1,2,...,λ)、S_v²(v＝1,2,...,λ)、S_v,e²(v＝1,2,...,λ)中每个数据是否超限，分别统计本次监测中各监测统计量对应的超限个数TC_N、TeC_N、SC_N、SeC_N，及超限比例TC、TeC、SC、SeC，其中TC、TeC作为静态指标，SC、SeC作为动态指标。(2.3)判断风机实时运行状态：当指标超过预设的比例，这里采用10％，即判定指标异常。如果动态指标正常，静态指标异常，则判断风机工况发生变动，但工作状态正常，判断其状态为State1；如果动态指标正常，静态指标正常，则判断风机工况不变动，且工作状态正常，判断其状态为State2；如果动态指标异常，静态指标也异常，则判断风机工况发生变动，且工作状态异常，判断其状态为State3；如果动态指标异常，静态指标正常，则判断风机工况不变动，但工作状态异常，判断其状态为State4。