专利名称：智能风电机组工况辨识系统及方法
技术领域：
本发明涉及风力发电领域，尤其涉及一种智能风电机组工况辨识系统及方法。
背景技术：
风能作为一种清洁的可再生能源，越来越受到世界各国的重视。其蕴量巨大，全球的风能约为2.74X IO9MW,其中可利用的风能为2X IO7MW,比地球上可开发利用的水能总量还要大10倍。把风的动能转变成机械动能，再把机械能转化为电力动能，这就是风力发电。风力发电的原理是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电。依据目前的风车技术，大约是每秒三米的微风速度(微风的程度)，便可以开始发电。风力发电正在世界上形成一股热潮，因为风力发电不需要使用燃料，也不会产生辐射或空气污染。风力发电所需要的装置，称作风力发电机组。这种风力发电机组，大体上可分风轮(包括尾舵)、电机和铁塔三部分。随着风力发电技术的发展和大规模的商业化运营，由于风电机组成本高、维修维护费用高及运营寿命长，所以风电机组的稳定性和安全性问题得到越来越广泛的关注。特别大型风力发电机组，其通常工作在非常恶劣的气候条件和交变载荷工况下，并且是全天候的运行。因此，对风电机组进行状态监控，能有效地避免风电机组故障的发生，达到在不停机状态下对运行设备进行有效的监控。目前，各种风电监控系统广泛应用于支持和保障风电机组的正常运行。然而，现有技术的这些风电监控系统采用的监控策略多是基于风电机组的单个或几个参数为依据(如风速、电机转速和有功功率等)，将风电机组化分为几个不同的工况，再根据不同工况进行控制参数的整定和监测阈值的选择。但事实上，仅通过有限的参数阈值来划分风电机组的运行工况，并不能有效描述风力发电机组复杂多变的运行工况。因此采用现有技术的 这种监控策略的风电监控系统的很可能在实际监控过程中做出错误判断并发生诸如误报警等的错误，这将直接影响到风电机组的正常运行。而且，由于实际使用的风电机组由多个子系统集成，不同的子系统其对不同的工况响应是不同的，因此在设计合理有效的风电机组的监控系统时，也需要考虑到其中的子系统对不同工况的响应。因此，本领域的技术人员致力于开发一种智能风电机组工况辨识系统及方法，采用风电机组的多个参数进行工况辨识。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种智能风电机组工况辨识系统及方法，通过采用风电机组的多个参数并使用自组织映射神经网络实现风电机组的工况辨识。为实现上述目的，本发明提供了一种智能风电机组工况辨识方法，其特征在于，风电机组包括多个子系统，所述辨识方法包括步骤:
使用传感器获取所述风电机组的多个参数，所述参数包括所述风电机组的环境参数和所述风电机组的机组参数；将所述多个参数分类为全局参数和局部参数，所述全局参数与所述多个子系统皆相关，所述局部参数仅与所述多个子系统中的一部分相关；提取所述多个参数的特征值，所述特征值包括统计学特征值和时、频域特征值；根据各个所述参数的特征值获得各个所述参数的特征值向量；将与同一个所述子系统相关的所述多个参数的特征值向量输入第一层自组织映射神经网络获得与所述子系统相关的输出向量；将与所述多个子系统分别相关的各个所述输出向量作为混合向量并将所述混合向量输入第二层自组织映射神经网络获得所述风电机组的工况的辨识结果。进一步地，所述子系统包括轮毂子系统、传动子系统、发电机子系统、电气控制子系统和塔基子系统。进一步地，所述工况包括多个全局工况和多个子系统工况；所述全局工况表示所述风电机组的整体运行状态，包括停机、启动、欠载、满载和超载；所述子系统工况表示所述各个子系统的运行状态，包括轮毂子系统的低速、高速、额定转速、失速和锁定。进一步地，使用正多边形显示所述工况的辨识结果；所述正多边形的中心与所述正多边形的各个顶点的连线将所述正多边形分为多个三角形的全局工况区域，所述全局工况区域与所述全局工况一一对应；每个所述全局工况区域皆被从所述正多边形的中心至所述全局工况区域的三角形的底边的线分为多个子系统工况区域；在每个所述全局工况区域内，所述子系统工况区域与所述子系统工况一一对应；每个所述全局工况区域皆被平行于所述全局工况区域的三角形的底边的线分为多个分级区域，距离所述正多边形的中心越远的所述分级区域对应的工况严厉程度越高；当需要显示的所述工况的辨识结果为处于一个工况严厉程度的一个全局工况时，在所述正多边形中对应该全局工况的全局工况区域内的对应该工况严厉程度的分级区域被选中；当需要显示的所述工况的辨识结果为处于一个工况严厉程度的一个子系统工况时，在所述正多边形中对应该子系统工况的子系统工况区域内的对应该工况严厉程度的分级区域被选中。进一步地，在所述正多边形中，所述选中的区域的颜色不同于未被选中的区域的颜色。进一步地，所述环境参数包括所述风电机组所在处的风速、风向和环境温度；所述机组参数包括所述风电机组的发电机U相电压、发电机V相电压、发电机W相电压、发电机U相电流、发电机V相电流、发电机W相电流、电网频率、电机功率因数、输出功率、风轮转速、发电机转速、发电机温度、控制器温度、主轴承温度、齿轮箱润滑油温度、液压系统油温度、润滑油液位、液压油液位、电缆扭转角、叶片角度、机舱位置、发电量、消耗电量、程序运行时间、轮毂启动次数、偏航角度、偏航左转次数、偏航右转次数、偏航功率、倾斜角度和塔内温度。进一步地，所述风速、所述风向和所述环境温度的所述分类为所述全局参数；所述风轮转速和所述叶片角度的所述分类为所述局部参数，其与所述轮毂子系统相关；所述齿轮箱润滑油温度的所述分类为所述局部参数，其与所述传动子系统相关；所述输出功率、所述发电机U相电压、所述发电机V相电压、所述发电机W相电压、所述发电机U相电流、所述发电机V相电流、所述发电机W相电流、所述发电机温度、所述电网频率和所述消耗电量的所述分类为所述局部参数，其与所述发电机子系统相关；所述偏航角度、所述偏航左转次数、所述偏航右转次数、所述偏航功率、所述倾斜角度和所述塔内温度的所述分类为所述局部参数，其与所述塔基子系统相关。进一步地，根据各个所述参数的特征值获得各个所述参数的特征值向量的过程包括对各个所述参数的特征值进行加权计算；所述加权计算中使用的神经元权值通过训练所述第一层自组织映射神经网络和所述第二层自组织映射神经网络获得。进一步地，本发明还提供了一种智能风电机组工况辨识系统，应用上述的智能风电机组工况辨识方法，其特征在于，包括数据采集模块、参数筛选分级模块、特征提取模块和工况辨识模块；所述数据采集模块使用传感器获取所述风电机组的所述多个参数；所述参数筛选分级模块将所述多个参数分类为所述全局参数和所述局部参数；所述特征提取模块提取所述多个参数的特征值；所述工况辨识模块根据各个所述参数的特征值获得各个所述参数的特征值向量，并使用所述第一层自组织映射神经网络和所述第二层自组织映射神经网络获得所述风电机组的工况的辨识结果。在本发明的较佳实施方式中，提供了一种智能风电机组工况辨识系统及其方法。其中，本发明的智能风电机组工况辨识系统包括数据采集模块、参数筛选分级模块、特征提取模块和工况辨识模块。数据采集模块使用传感器获取风电机组的多个参数；参数筛选分级模块将多个参数分类为全局参数和局部参数；特征提取模块提取多个参数的特征值；工况辨识模块根据各个参数的特征值获得各个参数的特征值向量，并使用第一层自组织映射神经网络和第二层自组织映射神经网络获得风电机组的工况的辨识结果。风电机组包括轮毂子系统、传动子系统、发电机子系统、电气控制子系统和塔基子系统的多个子系统，风电机组的工况包括多个全局工况和多个子系统工况。本发明的智能风电机组工况辨识方法包括步骤:使用传感器获取风电机组的多个参数；将多个参数分类为全局参数和局部参数；提取多个参数的特征值；根据各个参数的特征值获得各个参数的特征值向量；将与同一个子系统相关的多个参数的特征值向量输入第一层自组织映射神经网络获得与该子系统相关的输出向量；将与多个子系统分别相关的各个输出向量作为混合向量并将该混合向量输入第二层自组织映射神经网络获得风电机组的工况的辨识结果。其中，根据各个参数的特征值获得各个参数的特征值向量的过程包括对各个参数的特征值进行加权计算，加权计算中使用的神经元权值通过训练第一层自组织映射神经网络和第二层自组织映射神经网络获得。获得工况的辨识结果由包括多个对应全局工况的全局工况区域的正多边形显示，每个全局工况区域皆被分为多个对应子系统工况的子系统工况区域和多个对应工况严厉程度的分级区域；选中全局工况区域内的分级区域表示风电机组的工况为处于对应的工况严厉程度的全局工况，选中子系统工况区域内的分级区域表示风电机组的工况为处于对应的工况严厉程度的子系统工况。由此可见，本发明的智能风电机组工况辨识系统及其方法采用风电机组的多个参数来分析风电机组的工况，根据参数对不同子系统的影响分为局部参数和全局参数，将风电机组的工况分为若干全局工况和子系统工况，通过对多个参数分别赋予不同的神经元权值并使用两层自组织映射神经网络确定风电机组的工况。由此，本发明可提高对风电机组的工况的辨识稳定性，不会因单个参数可几个参数的异常而造成误判，并且本发明的多层辨识能将风电机组的工况进一步细化，提高了对风电机组的运行的监控精度。以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
图1是本发明的智能风电机组工况辨识系统的结构示意图，其中显示了数据流向。图2是本发明的智能风电机组工况辨识系统及其方法所使用的两层自组织神经映射神经网络的工作示意图。图3是训练本发明的智能风电机组工况辨识系统及其方法所使用的两层自组织神经映射神经网络的流程图。图4是训练本发明的智能风电机组工况辨识系统及其方法所使用的两层自组织神经映射神经网络时，第一层自组织神经映射神经网络中的SOM模块SOMl的工作的流程图。图5是在一个实施例中使用的显示风电机组的工况的辨识结果的正多边形。
具体实施例方式在本发明的智能风电机组工况辨识系统及其方法中，风电机组包括轮毂子系统、传动子系统、发电机子系统、电气控制子系统和塔基子系统的多个子系统，风电机组的工况包括多个全局工况和多个子系统工况。如图1所示，本发明的智能风电机组工况辨识系统包括数据采集模块10、参数筛选分级模块20、特征提取模块30和工况辨识模块40。数据采集模块10使用传感器获取风电机组的多个参数1，参数I包括风电机组的环境参数和风电机组的机组参数，并将这些参数发送到参数筛选分级模块20。参数筛选分级模块20将这些参数分类为全局参数和局部参数后发送到特征提取模块30。特征提取模块30提取这些参数的特征值并将这些参数的特征值发送到工况辨识模块40。工况辨识模块40根据各个参数的特征值获得各个参数的特征值向量，并使用第一层自组织映射神经网络和第二层自组织映射神经网络获得风电机组的工况的辨识结果。具体地，本发明的智能风电机组工况辨识方法包括以下步骤:第一步，使用传感器获取风电机组的多个参数。数据采集模块10使用传感器获取风电机组的多个参数，这些参数包括风电机组的环境参数和风电机组的机组参数，并将这些参数发送到参数筛选分级模块20。其中，环境参数包括风电机组所在处的风速、风向、环境温度、大气压强、环境湿度和空气密度。机组参数包括风电机组的发电机U相电压、发电机V相电压、发电机W相电压、发电机U相电流、发电机V相电流、发电机W相电流、电网频率、电机功率因数、输出功率、风轮转速、发电机转速、发电机温度、控制器温度、主轴承温度、齿轮箱润滑油温度、液压系统油温度、润滑油液位、液压油液位、电缆扭转角、叶片角度、机舱位置、发电量、消耗电量、程序运行时间、轮毂启动次数、偏航角度、偏航左转次数、偏航右转次数、偏航功率、倾斜角度、塔内温度、制动状态、轴承温度、齿轮温度、齿轮箱油泵压力、轮毂电机扭矩、变浆电机温度、无功功率、网侧电压、变频功率、油泵启动次数、温度差、冷却泵启停次数、冷却水压力和电柜温度和刹车启动次数。第二步，将多个参数分类为全局参数和局部参数。参数筛选分级模块20将这些参数分类为全局参数和局部参数后发送到特征提取模块30。其中，全局参数与风电机组的多个子系统皆相关，所述局部参数仅与多个子系统中的一部分相关。一般地，风电机组的环境参数与风电机组的多个子系统皆相关，分类为全局参数；而风电机组的机组参数包括从风电机组的各个子系统获得的参数，这些参数有些与风电机组的多个子系统皆相关，分类为全局参数，另一些只与一个或部分的子系统相关，分类为局部参数。例如，上述的风速、风向、环境湿度和系统运行时间的分类为全局参数。风轮转速、叶片角度、轮毂电机扭矩和变浆电机温度的分类为局部参数，其与轮毂子系统相关。制动状态、轴承温度、齿轮温度、齿轮箱油泵压力、润滑油温度、油泵启动次数和刹车启动次数的分类为局部参数，其与传动子系统相关。输出功率、无功功率发电机、发电机U相电压、发电机V相电压、发电机W相电压、发电机U相电流、发电机V相电流、发电机W相电流、电机温度、电网频率、网侧电压、变频功率、消耗功率和电柜温度的分类为局部参数，其与发电机子系统相关。偏航角度、偏航左转次数、偏航右转次数、偏航功率、倾斜角度和塔内温度的分类为局部参数，其与塔基子系统相关。第三步，提取多个参数的特征值。特征提取模块30提取各个参数的特征值并将这些参数的特征值发送到工况辨识模块40。参数的特征值为参数相应统计学特征值和时频特征值，包括参数的平均值、方差值、最大值，最小值，概率分布函数离散度、最大频率幅值和峭度等中的一个或多个。第四步，根据各个参数的特征值获得各个参数的特征值向量，根据各个特征值向量获得风电机组的工况的辨识结果。工况辨识模块40根据各个参数的特征值获得各个参数的特征值向量，并使用两层自组织映射神经网络获得风电机组的工况的辨识结果。如图2所示，两层自组织映射神经网络包括输入层41、第一层自组织映射神经网络42和第二层自组织映射神经网络43。输入层41的节点的数目与特征值向量的数目相等，本实施例中为64个，分别为风速、平均环境温度、塔筒柜平均温度、变速箱油入口处平均油温、齿轮油箱平均油温、齿轮箱轴承平均温度、发电机轴承平均温度、绕组最高温度平均值、有功功率平均值、有功功率最小值、有功功率最大值、无功功率平均值、无功功率最小值、无功功率最大值、发电机电压平均值、发电机电压最小值、发电机电压最大值、发电机电流平均值、发电机电流最小值、发电机电流最大值、发电机网侧电压平均值、发电机网侧电压最小值、发电机网侧电压最大值、发电机功率因数平均值、发电机功率因数最小值、发电机功率因数最大值、轮毂电机扭矩有效值、叶片角度平均值、叶片角度最大值、偏航变频器平均温度、偏航功率平均值、偏航功率最大值、机舱位置平均值、机舱电池电压平均值、主轴承平均温度、驱动方向塔筒偏转、I秒风数据筛选平均值、I秒风数据筛选最小值、I秒风数据筛选最大值、叶轮转速平均值、叶轮转速最大值、发电机转速平均值、发电机转速最小值、发电机转速最大值、齿轮箱油电泵压力平均值、齿轮箱油机械泵压力平均值、风速湍流平均值、风向、发电机冷却水出入水口温度平均值、发电量、消耗电量、程序运行时间、发电机并网次数、发电机联网时间、轮毂启动次数、轮毂运行时间、偏航左转启动次数、偏航左转运行时间、油泵启动次数、高速油泵运行时间、冷却风扇启动次数、冷却风扇运行时间、刹车液压运行时间、刹车运行时间。第一层自组织映射神经网络42的节点的数目与子系统工况的数目相等，本实施例中为5X5个，分别为对应五个子系统的五个等级的工况(后文中详述)。第二层自组织映射神经网络43的节点的数目与全局工况的数目相关，本实施例中为6X6个，与六类全局工况(后文中详述)相关。如图2所示，与子系统I相关的各个参数的特征值向量从输入层41进入第一层自组织映射神经网络42获得与子系统I相关的输出向量，与子系统N相关的各个参数的特征值向量从输入层41进入第一层自组织映射神经网络42，获得与子系统N相关的输出向量。其中，在根据各个参数的特征值获得各个参数的特征值向量的过程中，工况辨识模块40对各个参数的特征值进行加权计算，加权计算中使用的神经元权值通过训练第一层自组织映射神经网络42和第二层自组织映射神经网络43获得。具体步骤如下(参见图
3、4):步骤101，初始化第一层自组织映射神经网络42，将第一神经元权值(即第一层自组织映射神经网络42的权值)设为随机数，且权值之和为1，设定条件当该权值调整量小于IX 10_4时停止；获得风电机组的多个参数。如图3所示，第一层自组织映射神经网络42中包括k个SOM模块:S0M1、S0M2、…、SOMk,它们分别处理与子系统1、子系统2、…、子系统k相关的参数。相应地，各个SOM模块进行初始化:设置其使用的第一神经元权值和设定条件。步骤102，提取步骤101中获得的多个参数的特征值并使用各第一神经元权值计算多个参数的特征值向量。其中，提取参数 的特征值的方法与前述的第三步中描述的方法一样。各个SOM模块使用的第一神经元权值是皆为权值矩阵，如式(I)所示，对于子系统i，SOM模块SOMi将权值矩阵与各个特征值的点乘可以得到与子系统i相关的多个参数的特征值向量(简称为与子系统i相关的特征值向量)。式中，特征值x(i) P x(i)2、…、X(i)n为与子系统i相关的η个参数。
权利要求
1.一种智能风电机组工况辨识方法，其特征在于，风电机组包括多个子系统，所述辨识方法包括步骤: 使用传感器获取所述风电机组的多个参数，所述参数包括所述风电机组的环境参数和所述风电机组的机组参数； 将所述多个参数分类为全局参数和局部参数，所述全局参数与所述多个子系统皆相关，所述局部参数仅与所述多个子系统中的一部分相关； 提取所述多个参数的特征值，所述特征值包括统计学特征值和时、频域特征值； 根据各个所述参数的特征值获得各个所述参数的特征值向量； 将与同一个所述子系统相关的所述多个参数的特征值向量输入第一层自组织映射神经网络获得与所述子系统相关的输出向量；将与所述多个子系统分别相关的各个所述输出向量作为混合向量并将所述混合向量输入第二层自组织映射神经网络获得所述风电机组的工况的辨识结果。
2.如权利要求1所述的智能风电机组工况辨识方法，其中所述子系统包括轮毂子系统、传动子系统、发电机子系统、电气控制子系统和塔基子系统。
3.如权利要求1或2 所述的智能风电机组工况辨识方法，其中所述工况包括多个全局工况和多个子系统工况；所述全局工况表示所述风电机组的整体运行状态；所述子系统工况表示所述各个子系统的运行状态。
4.如权利要求3所述的智能风电机组工况辨识方法，其中使用正多边形显示所述工况的辨识结果； 所述正多边形的中心与所述正多边形的各个顶点的连线将所述正多边形分为多个三角形的全局工况区域，所述全局工况区域与所述全局工况一一对应； 每个所述全局工况区域皆被从所述正多边形的中心至所述全局工况区域的三角形的底边的线分为多个子系统工况区域；在每个所述全局工况区域内，所述子系统工况区域与所述子系统工况一一对应； 每个所述全局工况区域皆被平行于所述全局工况区域的三角形的底边的线分为多个分级区域，距离所述正多边形的中心越远的所述分级区域对应的工况严厉程度越高； 当需要显示的所述工况的辨识结果为处于一个工况严厉程度的一个全局工况时，在所述正多边形中对应该全局工况的全局工况区域内的对应该工况严厉程度的分级区域被选中；当需要显示的所述工况的辨识结果为处于一个工况严厉程度的一个子系统工况时，在所述正多边形中对应该子系统工况的子系统工况区域内的对应该工况严厉程度的分级区域被选中。
5.如权利要求4所述的智能风电机组工况辨识方法，其中在所述正多边形中，所述选中的区域的颜色不同于未被选中的区域的颜色。
6.如权利要求1、2、4或5所述的智能风电机组工况辨识方法，其中所述环境参数包括所述风电机组所在处的风速、风向和环境温度；所述机组参数包括所述风电机组的发电机U相电压、发电机V相电压、发电机W相电压、发电机U相电流、发电机V相电流、发电机W相电流、电网频率、电机功率因数、输出功率、风轮转速、发电机转速、发电机温度、控制器温度、主轴承温度、齿轮箱润滑油温度、液压系统油温度、润滑油液位、液压油液位、电缆扭转角、叶片角度、机舱位置、发电量、消耗电量、程序运行时间、轮毂启动次数、偏航角度、偏航左转次数、偏航右转次数、偏航功率、倾斜角度和塔内温度。
7.如权利要求6所述的智能风电机组工况辨识方法，其中所述风速、所述风向和所述环境温度的所述分类为所述全局参数；所述风轮转速和所述叶片角度的所述分类为所述局部参数，其与所述轮毂子系统相关；所述齿轮箱润滑油温度的所述分类为所述局部参数，其与所述传动子系统相关；所述输出功率、所述发电机U相电压、所述发电机V相电压、所述发电机W相电压、所述发电机U相电流、所述发电机V相电流、所述发电机W相电流、所述发电机温度、所述电网频率和所述消耗电量的所述分类为所述局部参数，其与所述发电机子系统相关；所述偏航角度、所述偏航左转次数、所述偏航右转次数、所述偏航功率、所述倾斜角度和所述塔内温度的所述分类为所述局部参数，其与所述塔基子系统相关。
8.如权利要求7所述的智能风电机组工况辨识方法，其中根据各个所述参数的特征值获得各个所述参数的特征值向量的过程包括对各个所述参数的特征值进行加权计算；所述加权计算中使用的神经元权值通过训练所述第一层自组织映射神经网络和所述第二层自组织映射神经网络获得。
9.一种智能风电机组工况辨识系统，应用如权利要求1所述的智能风电机组工况辨识方法，其特征在于，包括数据采集模块、参数筛选分级模块、特征提取模块和工况辨识模块；所述数据采集模块使用传感器获取所述风电机组的所述多个参数；所述参数筛选分级模块将所述多个参数分类为 所述全局参数和所述局部参数；所述特征提取模块提取所述多个参数的特征值；所述工况辨识模块根据各个所述参数的特征值获得各个所述参数的特征值向量，并使用所述第一层自组织映射神经网络和所述第二层自组织映射神经网络获得所述风电机组的工况的辨识结果。
全文摘要
本发明公开了一种智能风电机组工况辨识方法，用于辨识包括多个子系统的风电机组的工况，包括步骤获取风电机组的多个参数；将参数分类为全局参数和局部参数；提取多个参数的特征值；根据各个参数的特征值获得各个参数的特征值向量；通过第一层自组织映射神经网络和第二层自组织映射神经网络，将多个参数的特征值向量分类到全局工况和子系统工况，以获得所述风电机组的工况的辨识结果。本发明采用风电机组的多个参数来分析风电机组的工况并将风电机组的工况分为若干全局工况和子系统工况，可提高对风电机组的工况的辨识稳定性，并提高对风电机组的运行的监控精度。
文档编号F03D7/00GK103161668SQ20131005649
公开日2013年6月19日 申请日期2013年2月21日 优先权日2013年2月21日
发明者刘成良, 王双园, 黄亦翔, 贡亮, 李彦明 申请人:上海交通大学