用于风力发电机组的状态监测方法和装置与流程

本发明涉及风力发电技术领域，更具体地涉及一种用于风力发电机组的状态监测方法和装置。

背景技术：

随着风力发电机组投运规模的扩大和运行时间的增加，设备机械故障趋于常态化。为了对风力发电机组进行状态监测从而有计划地对其进行维护，需要在风力发电机组的多个位置设置相应的传感器。

目前，对传感器进行状态监测的方法并不多，主要是借助其他传感器的测量数据来对目标传感器的状态进行评估，尚不存在通过传感器自身的测量数据来判断其自身状态的方法。因为传感器的测量对象本身是个未知量，这就导致当传感器的测量数据出现异常时，很难判断是传感器本身出了问题还是测量对象出了问题。

技术实现要素：

鉴于以上一个或多个问题，本发明提供了一种新颖的用于风力发电机组的状态监测方法和装置，能够将实现真实传感器状态与风力发电机组自身状态的分离，从而实现对风力发电机组异常状态的监测。

第一方面，提供了一种用于风力发电机组的状态监测方法，包括：利用安装在风力发电机组上的传感器测量风力发电机组的n个特征量的实际值的步骤，n是大于0的整数；基于风力发电机组的虚拟标准对照系统和安装在风力发电机组上的传感器的虚拟传感器系统，根据当前风况数据，计算n个特征量的理论值的步骤；以及，当n个特征量中的每个特征量的实际值与理论值之间的相关性系数均大于第一阈值时，判定风力发电机组不存在异常的步骤。

第二方面，提供了一种用于风力发电机组的状态监测装置，包括：获取单元、计算单元和判断单元。该获取单元被配置为利用安装在风力发电机组上的传感器获取传感器测量的风力发电机组的n个特征量的实际值，n是大于0的整数；该计算单元被配置为基于风力发电机组的虚拟标准对照系统和安装在风力发电机组上的传感器的虚拟传感器系统，根据当前风况数据，计算n个特征量的理论值；该判断单元被配置为当n个特征量中的每个特征量的实际值与理论值之间的相关性系数均大于第一阈值时，判定风力发电机组不存在异常。

第三方面，提供了一种用于风力发电机组的状态监测装置，包括：存储器、处理器和总线；存储器和处理器通过总线连接并完成相互间的通信；存储器用于存储程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行上述用于风力发电机组的状态监测方法。

根据本发明实施例提供的用于风力发电机组的状态监测方法和装置，通过将真实传感器数据与虚拟标准对照系统中虚拟传感器系统中的虚拟传感器数据进行一一对比，实现真实传感器状态与风力发电机组自身状态的分离，当多个真实传感器与虚拟传感器对比差异均较小时，可以判定风力发电机组本身不存在异常，从而实现对风力发电机组异常状态的监测。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种实施例的用于风力发电机组的状态监测方法的示意性流程图；

图2是本发明的另一种实施例的用于风力发电机组的状态监测方法的示意性流程图；

图3是本发明的一种实施例的虚拟标准对照系统中虚拟传感器系统的空间图谱；

图4是本发明的一种实施例的叶轮与发电机传动示意图；

图5是本发明的一种实施例的发电机轴向截面示例图；

图6是本发明的一种实施例的风力发电机组各特征量之间的关系模型；

图7是本发明的一种实施例的用于风力发电机组的状态监测装置的示意性结构框图；

图8是本发明一实施例的用于风力发电机组的状态监测装置的计算设备实现结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本发明的全面理解。但是，对于本领域技术人员来说很明显的是，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法，而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本发明造成不必要的模糊。

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明更全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中，为了清晰，可能夸大了区域和层的厚度。在图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料等。在其它情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明的主要技术创意。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

由于传感器的设计制造以及风力发电机组的设计制造都遵循着一定的数学物理关系，尤其是传感器，其本身在设计时就是通过数学关系来表示物理过程。因此，可以借助于风力发电机组和传感器本身服从的数学模型来建立风力发电机组和传感器的虚拟模型，作为风力发电机组和传感器的标准原样；并且通过将风力发电机组和传感器的虚拟模型进行关联，来模拟安装在风力发电机组上的传感器测量风力发电机组的多个特征量的场景。

在保证风力发电机组的虚拟模型与真实风力发电机组有同样的输入风速的情况下，风力发电机组的虚拟模型应该与真实风力发电机组产生一致趋势的响应。同时，可以将虚拟标准对照系统中虚拟传感器系统中的虚拟传感器与真实传感器的测量数据进行一一对比，来判定真实传感器的状态。这为传感器状态与风力发电机组自身状态的分离带来了切入点，因为：无论是真实风力发电机组还是风力发电机组的虚拟模型，其中的各部件间都存在着物理关系，即一个部件出问题，那么关联部件会同时具有异常的响应；如果多个传感器的测量数据与传感器的虚拟模型的模拟数据之间存在差异，意味着很有可能风力发电机组本身存在异常；如果仅是单个传感器的测量数据与传感器的虚拟模型的模拟数据之间存在差异，意味着很可能是传感器本身存在异常。

因此，本发明提供了一种新颖的用于风力发电机组的状态监测方法和系统，以实时监测风力发电机组的健康状态。

图1是本发明一种实施例的用于风力发电机组的状态监测方法的示意性流程图。该用于风力发电机组的状态监测方法，可以包括：S110，利用安装在风力发电机组上的传感器测量风力发电机组的n个特征量的实际值，n是大于0的整数；S120，基于风力发电机组的虚拟标准对照系统和安装在风力发电机组上的传感器的虚拟传感器系统，根据当前风况数据，计算n个特征量的理论值；以及S130，当n个特征量中的每个特征量的实际值与理论值之间的相关性系数均大于第一阈值时，判定风力发电机组不存在异常。

图2是本发明的另一种实施例的用于风力发电机组的状态监测方法的示意性流程图。其中，与图1的用于风力发电机组的状态监测方法中相同的步骤采用了相同的标号，如图2所示，该用于风力发电机组的状态监测方法还可以还包括：S230，当n个特征量中的m个特征量的实际值与理论值之间的相关性系数不大于第一阈值时，判定用于测量m个特征量的实际值的m个传感器或m个传感器安装在其上的风力发电机组部件存在异常，m是大于0且小于n的整数。

在一些示例中，S120中的虚拟标准对照系统和虚拟标准对照系统中虚拟传感器系统可以通过以下方式建立：

在S121中，可以为风力发电机组的虚拟标准对照系统定义坐标系，例如定义4个坐标系，分别由向量X_i＝(x_i，y_i，z_i)表征，i＝1，2，3，4，其中，坐标系1可以固定在塔架底部，由于塔架底座固定不动，所以该坐标系为绝对坐标系；坐标系2可以固定在塔架顶端，随着塔架的两个方向的变形运动(方向1：塔架沿机头、机尾方向的前后变形运动，定义为fore-back变形，方向2：垂直于机头与机尾连线的左右变形运动，定义为side-by-side)，其z方向始终沿着塔架顶端切线方向，那么相对于坐标系1，坐标系2原点在x，y与z方向分别偏移了u_f(α)，u_s(α)与H，绕y轴与x轴分别旋转了角度δ_f(α)和δ_s(α)，其中，H是塔架高度，则坐标系1，2之间变换关系如下公式(1)所示：

X₂＝a₁₂X₁+[-u_f(α)，-u_s(α)，-H]^T (1)

其中a₁₂为变换矩阵，如下公式(2)所示：

坐标系3固定在轮毂处，但不随叶轮的旋转而旋转，其与坐标系2相对静止，仅原点发生了偏移，坐标系2，3之间变换关系如下公式(3)所示：坐标系3原点对应坐标系2的原点偏移量为：[[L_x，0，H_z]]

X₃＝a₂₃X₂+[L_x，0，H_z]^T (3)

由于没有旋转变换，a₂₃为单位矩阵。

针对每个叶片均固定一个坐标系4，z方向始终沿着叶片轴线，相对坐标系3，其随叶轮的旋转而绕x轴旋转角度θ(α)，坐标系3与坐标系4之间变换关系如下公式(5)所示：

X₄＝a₃₄X₃ (5)

其中，变换矩阵a₃₄如下公式(6)所示：

由公式(1)-(6)我们可得坐标系1，4之间的变换关系如下公式(7)所示：

X₄＝a₃₄a₂₃a₁₂X₁+a₃₄a₂₃[-u_f(α)，-u_s(α)，-H]^T+a₃₄[L_x，0，-H_z]^T (7)

图3是本发明的一种实施例的虚拟标准对照系统中虚拟传感器系统的空间图谱。如图3所示，其中，第1行代表风机运行的不同时刻t，即风机运行的时间轴(代表风机运行寿命)，第2行代表不同时刻的传感器状态SE(sensor)，即风机运行在不同阶段，传感器同样也工作在对应的不同阶段，而不同运行阶段的风机状态和传感器状态会以时间为坐标融合在虚拟传感器系统感知的信息当中，这些信息代表着每一个状态，即图3中第3行所表示的内容ST(state)，这些状态的物理基础便是图3中第4行的安装有传感器不同风机部件P(part)，而这些单独的部件没有什么实质性的功能，只有以一种特定的空间位置相互组合起来才可以组成一个有特定功能的子系统，因此就出现了图3中第5行的空间坐标索引IN(index)和第6行的各子功能Fu(fun)，这里的空间坐标索引index与上述风力发电机组的虚拟标准对照系统坐标系一致，这些子功能的物理基础就是图3中第7行的子系统sys，这些子系统通过物理关系组合完成整个风力发电机组的功能，包括叶轮系统将风能转化为旋转机械能，发电机系统将旋转的机械能转化为电能，变流器系统将发电机输出的不稳定电能转变为符合电网要求的稳定电能，并输出给电网的整个过程。由图3所示，我们可以发现风力发电机组的不同空间位置代表着一种物理意义，即位于不同位置的传感器处在不同的物理功能环境中，尽管有些传感器测试同一子系统，但根据上述分析知道由于空间位置的差异，会带入不同的物理作用，而这些物理作用可以反过来通过空间坐标进行差异转换，进而实现同一子系统的不同位置(类型)传感器达到对应子系统的一致性描述。

基于上述风力发电机组的虚拟标准对照系统中虚拟传感器系统的空间图谱可以建立风力发电机组的虚拟标准对照系统和虚拟标准对照系统中虚拟传感器系统的数学模型。风力发电机组的虚拟标准对照系统需要的结合叶轮气动力模型、塔架动力学模型、发电机传动链模型和发电机模型。

在叶轮气动力模型的建立中，目前有多种理论用于计算风力发电机组的气动载荷，在一些示例中，可以采用动量叶素理论来建立风力发电机组叶轮的气动力模型。根据动量叶素理论假定整个叶片可被分割为很多小的相互独立的叶素单元，各个叶素单元的气动力可以由二维翼型的气动特性来计算，将各个叶素所到的气动力叠加即可求得作用于叶片上的推力和转矩，根据动量理论原理，可以得知气流在经过叶轮旋转平面时压力或动量的下降源于气流对叶轮所做的功。因此联合运用动量理论与叶素理论通过迭代计算即可计算得到叶片的气动载荷。针对分割得到的每个环形区域的叶素dr，由叶素理论可以计算得到作用于叶素的推力与转矩如下公式(8)和(9)所示：

其中，B为叶片数量，ρ为空气密度，V_r为气流相对于叶素的相对风速，C_l为叶片升力系数，C_d为叶片阻力系数，为入流角，c为叶片r处的弦长，f_loss为损失系数。

在塔架动力学模型的建立中，塔架作为整个风力发电机组的支持体系，当风作用在叶轮上时，叶轮会将其所受的气动载荷最终传递到机舱与塔架上，使塔架产生变形，进而使得位于塔架顶端的机舱与叶轮发生振动。在一些示例中，可以只考虑塔架在fore-back和side-by-side两个方向的振动，而这两个方向的振动均可由如下公式10的动力学方程表示：

其中，U_f(α)为在X方向上的偏移量，也可以理解为广义自由度，m^*为塔架广义质量，c^*为广义阻尼，k^*为广义刚度，为广义力。m^*，c^*与k^*为模型常系数，可由虚功原理计算如下公式11-13：

其中，δ₁和δ₂分别为塔架在振动方向的一阶与二阶模态阻尼比，ω₁与ω₂为一阶与二阶模态圆频率，m_top为塔架顶端叶轮与机舱的等效质量，其相对于塔架顶端轴线转动惯量为J_top，塔架高度为H，塔架高度z处界面的面密度为m(z)，由于风力发电机组塔架目前均为圆形截面，各向同性，故两个方向上的抗弯刚度均为EI(z)，ψ₁和ψ₂分别为一阶振型函数与二阶振型函数，该模态振型可以由有限元的方法计算获取。由于各阶模态之间的正交性，各矩阵仅对角线的值不为0，在m^*，c^*与k^*计算得到后，就可以依据公式14计算出塔架各阶的无阻尼固有频率：

在发电机传动链模型的建立中，在一些示例中，叶轮与发电机所连接的轴系，以永磁同步电机为例，图4是本发明的一种实施例的叶轮与发电机传动示意图，如图4所示，以轴的刚度系数K与阻尼系数D来建模表示在两质量块的运动过程中，分别用风力机的阻尼系数D_tur与发电机的阻尼系数D_gen表示两质量块的粘性摩擦，两个质量块数学模型可表示为：

θ_g＝θ_tur-θ_gen (18)

式中，H_tur和H_gen分别为风力机与发电机的惯性时间常数，K为轴的刚度系数，D_tur和D_gen分别为风力机转子与发电机转子的阻尼系数，θ_tur和θ_gen分别为风力机转子与发电机转子的角位移，θ_g为两质量块之间相对角位移，T_tur和T_g分别为风力机机械转矩与发电机电磁转矩，ω_tur和ω_gen分别为风力机与发电机转子转速，ω_o为同步转速。

在发电机模型的建立中，在一些示例中，以建立永磁直驱同步发电机的数学模型为例，假设：忽略铁心饱和效应；忽略涡流和磁滞损耗；反电动势是正弦的；转子没有阻尼绕组，永磁体没有阻尼作用。根据以上假设，可以得出永磁体的电动势E_g为：

E_g＝2πf_gΦ (19)

式(19)中，Φ为转子永磁体在定子相产生的磁通，f_g为电频率，单位为Hz。

电频率计算公式为：

f_g＝p_jf_m (20)

式中，p_j为极对数，f_m为机械频率，单位为Hz。

在d-q轴坐标系中建立旋转坐标系轴d-q轴数学模型，取永磁体基波磁场方向(即永磁体转子极中心线)为d轴，q轴沿转子旋转方向超前d轴90°。永磁励磁磁链与d轴重合，i为转子等效励磁电流。图5是本发明的一种实施例的发电机轴向截面示例图，如图5所示，以永磁同步发电机为例，在d-q轴旋转坐标系下永磁同步发电机的电压和电磁转矩的数学关系为：

u_d＝pΨ_d+R_si_d-ωΨ_q (21)

u_q＝pΨ_q+R_si_q+ωΨ_d (22)

Ψ_d＝L_di_d+Ψ_f (23)

Ψ_q＝L_qi_q (24)

式中，u_d，u_q分别为d和q轴电压分量，i_d和i_q分别为d和q轴电流分量，L_d和L_q分别为d和q轴电感分量，Ψ_d和Ψ_q分别为d和q轴磁链分量，R_s为定子501相电阻，Ψ_f为永磁体基波励磁磁场对定子501绕组磁链，ω为电气角速度，p为微分算子。

发电机电磁转矩方程为：

运动方程为(以转子502旋转方向为正)：

ω＝p_jΩ_m (27)

式中，M_m为风力机的机械转矩，M_g为永磁电机电磁转矩，J为永磁电机转动惯量，Ω_m为机械角速度。

将上述各个模型结合，即可建立起图6是本发明的一种实施例的风力发电机组各特征量之间的关系模型，如图6所示：

从中可以看出，风力发电机组各特征量之间的关系模型主要由4个模块组成，叶轮气动力计算模型利用动量叶素理论来完成，用于计算输入风作用于叶片上的气动载荷，主要输入信号包括风速信号与由发电机传动链模型计算得到的叶轮转速信号，同时由于塔架变形振动使得叶轮整体具有一定的速度，这对气流相对速度造成了影响，因此还要获知气流相对于各个叶素的相对速度。塔架动力学模型利用假设模态法完成，用于计算塔架的振动，主要输入信号为由叶轮气动力计算模型计算得到的作用于塔架顶端的载荷。通过坐标变换利用塔架振动模型计算得到的塔架顶端的振动位移与速度计算得到气流相对叶片各叶素的相对速度。发电机模块利用叶轮输出的扭矩仿真获得发电机端电信号，同时得到叶轮转速信号。

在一些示例中，上述的各个模型也可以分离的进行使用，从对风力发电机组的各个部分分别进行状态监测。并且，对风力发电机组的虚拟标准对照系统的建模不仅局限于上述的建模方式。

在虚拟传感器系统的构建中，由于大型风力发电机组是一个十分复杂的系统，其包含上百个传感器，而传感器的类型就只有几十种而已，并且其中，占比较大的加速度传感器等测试振动信号的传感器等，以及测试温度信号的温度传感器等，还有就是对于风力发电机组最最关键的测风传感器，即风向标和风速仪，这些传感器都是依据特定物理关系设计制造的，那么其有固定的数学物理模型存在，所以可以直接依据这些数学物理关系建立起对应传感器的虚拟模型，以代表风力发电机组上安装的物理实体传感器。一般情况下，真实风力发电机组由于安装工艺及成本问题无法安装足以测试风力发电机组详细运行状态的传感器，而虚拟标准对照系统上可以接入满足需要的任意数量的虚拟传感器。在步骤S110和S120中，实际运行的风力发电机组和风力发电机组的虚拟标准对照系统可以同步接收来自实际风向标与风速仪的测风数据，并根据各自对应的控制逻辑对虚、实风力发电机组做出相应的控制，虚、实风力发电机组的运行状态时刻由对应的虚、实传感器系统进行检测，并不断对虚、实传感器的测试信号进行对比分析，

在一些示例中，在S130中，特征量的实际值与理论值之间的相关性系数可以通过下式进行计算：

DX(t)＝E[X(t)-M_x(t)]² (29)

C_x(X_实，X_虚)＝cov(X_实(t)，X_虚(t))＝E[X_实(t)-M_实(t)]·[X_虚(t)-M_虚(t)] (30)

式(28)至(30)中ρ(X_实，X_虚)为相关系数，DX(t)为方差C_x(X_实，X_虚)为协方差，M_x(t)为X(t)的均值向量，并将上述所计算的虚拟传感器对应特征向量的理论值与真实传感器对应特征向量的实际值的相关系数与预先设定的阈值ψ进行对比分析。例如，当n个特征量中的每个特征量的实际值与理论值之间的相关性系数均大于第一阈值时，判定风力发电机组不存在异常。

通过将真实传感器数据与虚拟标准对照系统中虚拟传感器系统中的虚拟传感器数据进行一一对比，实现真实传感器状态与风力发电机组自身状态的分离，当多个实际传感器与虚拟传感器对比差异均较小时，可以判定风力发电机组本身不存在异常，从而实现对风力发电机组异常状态的监测。

在一个示例中，该方法还可以包括在m个传感器安装在同一风力发电机组部件上的情况下，计算在m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的实际值Tri的情况下，m个传感器中的传感器Sj测量出的m个特征量中的特征量Tj的实际值Trj的概率p(Trj|Tri)，i＝1，2，3...，m，j＝1，2，3...，m，i≠j；计算传感器Sj所对应的概率p(Trj|Tri)与第二阈值的绝对差值；当m个传感器中有一半以上传感器所对应的概率p(Trj|Tri)与第二阈值的绝对差值大于第三阈值时，判定风力发电机组部件存在异常。例如，如果虚、实传感器系统中某个对应传感器输出的数据存在很大的差异，可以分为两种情况进行判断。在一些示例中，该方法还可以包括当m个传感器中有不到一半传感器所对应的概率p(Trj|Tri)与第二阈值的绝对差值大于第三阈值时，计算m个传感器测量出的特征量的实际值相互之间的相关性系数；如果m个传感器测量出的特征量的实际值相互之间的相关性系数大于第四阈值，则判定风力发电机组部件上安装m个传感器的m个部位存在异常，否则判定m个传感器存在异常。在一个示例中，同一被测部件安装了多个同种传感器，这种情况下根据图3可以得知，传感器的测试数据结果是空间和时间上的函数，即Y＝f(x，y，z，t)，所以即使是多个传感器测试的是同一部件，那么由于安装位置的不同也会在测试结果中表现出不同程度的差异，因此，在传感器安装测试的初期我们要对各传感器进行标定修正，以使各传感器从不同角度对同一部件的监测达到一致性描述，此实施例中采用了贝叶斯理论对这些传感器的状态进行概率预测，贝叶斯原理如下式所示：

即在其中一个传感器出现某种状态B时其余任一个传感器出现A_i的状态的概率p(A_i|B)，然后将这个概率值与预先设定的阈值φ进行对比，这时会出现n-1个这样的对比差值：

e_i＝|p(A_i|B)-φ|i＝1，2，...，n-1 (32)

假设这n-1个差值中有m个不满足误差要求，且m小于n-m-1，则对这m个值对应的传感器进行相关性分析，若相关性系数很大，则判定该m个传感器对应的被测对象部位有异常，若相关系数不满足阈值要求，则判定传感器有问题。

在一些示例中，该方法还可以包括在m个传感器是不同种类的传感器的情况下，将m个传感器测量出的实际值进行转换，以对风力发电机组部件进行一致性描述。在一个示例中，若对于同一部件安装不同种测试传感器，则首先要对不同种测试数据进行标准化或转化预处理，尤其对于非格式化数据，例如视频监测数据与加速度测试数据，这时我们就需要首先对视频图像数据进行图像处理，这里边主要步骤为边缘监测，特征提取，特征匹配，坐标转化计算出特征的实际运行中产生的变化量，例如位移量等。

在一些示例中，该方法还可以包括对于没有安装传感器或仅安装有一个传感器的风力发电机组部件，基于其关联风力发电机组部件上的一个以上传感器测量出的一个以上特征量的实际值，估算该没有安装传感器或仅安装有一个传感器的风力发电机组部件的一个以上特征量的实际值；基于当前风况数据计算该没有安装传感器或仅安装有一个传感器的风力发电机组部件的一个以上特征量的理论值；当该没有安装传感器或仅安装有一个传感器的风力发电机组部件的一个以上特征量中的每个特征量的实际值与理论值之间的相关性系数均大于第一阈值时，判定该没有安装传感器或者仅安装有一个传感器的风力发电机组部件不存在异常。在一些示例中，被测部件仅安装了一个传感器或未直接在被测对象上安装测试传感器，而是通过与其关联部件上的传感器进行间接监测。状态监测主要是通过与关联部件上的虚、实传感器进行对比分析，对比过程类似与上述状态监测方法类似，当然此种情况下还需要判断是不是要采用其他部件上的同种传感器，或不同种传感器，若是不同种传感器可以先进行数据的标准化或转化过程，然后再通过不同部件间的物理数学模型进行数据间的关联转化，最后进行对比分析，若是同种传感器，则不需要转化数据格式。

在关联风力发电机组部件上的一个以上传感器虚、实传感器输出的数据没有对比异常，我们就可以确定实际传感器存在问题，

因为机组各子系统、各部件之间存在着密不可分的数学物理关系，所以一旦机组某个部件出现异常，那么与其相关联的其它部件也会出现相应的异常，而风力发电机组的虚拟标准对照机组是标准的、正常的运行关系，那么这种情况下虚、实传感器数据对比会出现个异常，在仅有一个传感器输出数据出现异常时，就可以认为是该传感器出现了异常，这就实现了对实际机组状态与实际传感器状态的监测分离，准确定位到了异常对象。

在一些示例中，该方法还可以包括当判定m个传感器存在异常，分别将m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的实际值与理论值的相关性系数与第五阈值进行比较，若不大于第五阈值，则判定传感器Si需要更换，否则，根据相关性系数对传感器Si的输入输出特征量之间的关系参数进行修正。在一些示例中，当传感器出现问题时，我们可以提取出对应虚拟传感器中的输入数据和实际传感器输出的测试数据，然后将虚拟传感器中的输入数据作为输入数据，实际传感器输出的测试数据作为输出数据，利用这组数据对虚拟传感器模型进行参数识别，参数识别的过程主要是依据传感器本身的设计原理，因为传感器设计之初遵循一个特定的物理数学模型，比如温度传感器，设温度T为输入，电压U值U为输出，则输出与输入之间存在函数关系：U＝f(T)即电压是温T的函数，那么传感器出厂时有个设计的初始参数，当然在安装到被测部件上时，我们首先要对传感器进行标定，即先确定输出电压值与输入温度值之间的函数关系，即确定方程中的系数，并将其作为初始标准值，因为传感器测试值的输出是时间和空间的函数，因此同一种传感器安装在不同位置，参数可能会存在差异，所以初始标定后的参数可能存在差异，这些差异是空间坐标的函数，随着传感器使用时间的推移，传感器部件会有损耗，这就会引起函数中参数的变化，这个变化我们可以通过将输入输出值带入上述电压与温度的函数中，计算出对应时间的参数，即使用一段时间后的函数方程中的系数。然后可以将这些新算出的参数与初始标定时的参数进行对比，以修正测试精度。在一个示例中，该方法中的关系参数还可以通过神经网络等深度学习的方法进行判别。然后对比识别出的参数与标准传感器模型参数的差异，确定出异常物理量，进而判断实际传感器是否已失去测试能力，如果失去继续测试能力，则可以将其更换，如果还可以继续进行测试，仅是会存在一定的测试误差，那么就可以通过对应的虚拟传感器对实际传感器测试数据进行修正，例如，还可以基于相关性系数采用PID控制逻辑对传感器Si的输入输出特征量之间的关系参数进行修正，采用这种修正方法具有两个作用，一是消除虚、实传感器数据差异，避免重复告警；二是为真实风力发电机组状态监测提供高质量的测试数据。

在一些示例中，该方法还可以包括当判定风力发电机组部件存在异常，分别根据m个传感器的传感器Si测量出m个特征量中的特征量Ti的实际值与理论值的相关性系数确定异常特征量，根据异常特征量判定存在异常的风力发电机组部件的故障类型和/或故障程度。在一些示例中，该方法还可以包括根据故障类型和/或故障程度计算发风力发电机组部件能够承受的载荷阈值。例如，对于机组某部件出现问题时，同样可以通过虚拟传感器和真实传感器测数据中提取数据进行参数识别，找出异常特征量，从而判定部件故障类型及故障程度，并利用对应的数学模型计算出对应变化后的部件参数可以承受的最大工作负荷，进而为主控提供相应的控制参考，以避免故障的进一步扩展恶化。

在一些示例中，该方法还可以包括当判定风力发电机组部件存在异常，分别根据判定风力发电机组部件存在异常的m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的实际值与理论值的相关性系数，对传感器Si对应于风力发电机组的虚拟传感器系统中的虚拟传感器Si′的输入输出特征量之间的关系参数进行修正，根据当前风况数据及修正后的m个虚拟传感器判断风力发电机组部件存在异常情况，若判定风力发电机组部件存在的异常消除，则判定获得风况数据的传感器存在异常，否则，判定风力发电机组部件存在异常。获得风况数据的传感器例如风速仪和风向标。在一些示例中，由于实际风力发电机组与风力发电机组的虚拟标准对照系统接收同样的风速，例如检测到监测塔架和机舱的传感器出现差异，因为是多个传感器出现异常，所以认为机组本身出现异常，则通过参数识别后，我们将新得到的关系参数带入对应的虚拟传感器，然后带入数据(差异时的输入数据)获得新的虚拟测试数据，然后对比这组数据与一开始的实际监测数据(有差异的时候)，若差异消除，则判定是风向标或风速仪出了问题，若差异依旧存在则是机组部件异常，可以利用上述机组异常判断过程进行异常判定。在一些示例中，在判定获得风况数据的传感器存在异常时，基于将存在异常的m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的理论值与当前风况数据及修正后的m个虚拟传感器Si，反推出虚拟传感器Si的输入变量，根据输入变量对风力发电机组进行控制。例如，当判定是风向标或风速仪出问题时，将风力发电机组的虚拟标准对照系统输出数据(差异时的数据)带入参数识别后的虚拟传感器中去，反推获得新的风速预测值，然后将此虚拟风速输入到风力发电机组的虚拟标准对照系统和真实风力发电机组控制系统，从而获得新的控制，从而不耽误机组的控制。在一个示例中，还可以通过直接采用风速预测的方法来还原风速，然后将此虚拟风速输入到风力发电机组的虚拟标准对照系统和真实风力发电机组控制系统，从而获得新的控制，从而不耽误机组的控制。在一个示例中，可以依据上述传感器修正过程对风速仪或风向标进行修正，以使其获得精准的风速值。

在一些示例中，该方法还可以包括根据风力发电机组的n个特征量的实际值及理论值基于风力发电机组的虚拟标准对照系统获得主风能所在风向，根据风向对风力发电机组进行偏航控制。通过上述方法，在获得风况数据的传感器出现问题或没出现问题的情况下，风力发电机组可以结合真实风力发电机组机舱、叶轮和塔架所受载荷在风力发电机组的虚拟标准对照系统中进行计算，评估出主风能所在方向，进而提高机组对风精度，例如，获得风况数据的传感器出现问题，机舱，塔架，叶轮上的载荷测试真实传感器会测得实际值，那么不同方向的风吹到上述三个部分上时，载荷测试真实传感器的测试值不一样，而风力发电机组的虚拟标准对照系统中可以预存有与上述三个部分相关的数据库，例如当机组处于某一风速段，风向在什么方位时，风力发电机组运行时上述三个部分的载荷的历史值，现在通过载荷测试真实传感器获得了载荷数据的实际值与历史值进行比对，即可通过数据关联预测出风向所在方位。一方面降低了风力发电机组因没对准主风能方向而流失的风能，另一方面降低了风力发电机组因没对准风而承受的交变载荷，降低了风力发电机组的疲劳损伤，提高风力发电机组运行可靠性。

上文中结合图1至图6，详细描述了根据本发明实施例的用于风力发电机组的状态监测方法，下面将结合图7和图8，详细描述根据本发明实施例的用于风力发电机组的状态监测装置。

图7是本发明的一种实施例的用于风力发电机组的状态监测装置的示意性结构框图。该用于风力发电机组的状态监测装置700可以包括：获取单元710、计算单元720和判断单元730。该获取单元710被配置为利用安装在风力发电机组上的传感器获取传感器测量的风力发电机组的n个特征量的实际值，n是大于0的整数；该计算单元720被配置为基于风力发电机组的虚拟标准对照系统和安装在风力发电机组上的传感器的虚拟传感器系统，根据当前风况数据，计算n个特征量的理论值；该判断单元730被配置为当n个特征量中的每个特征量的实际值与理论值之间的相关性系数均大于第一阈值时，判定风力发电机组不存在异常。通过将真实传感器数据与虚拟标准对照系统中虚拟传感器系统中的虚拟传感器数据进行一一对比，实现真实传感器状态与风力发电机组自身状态的分离，当多个真实传感器与虚拟传感器对比差异均较小时，可以判定风力发电机组本身不存在异常，从而实现对风力发电机组异常状态的监测。

在一些示例中，该判断单元还可以包括：当n个特征量中的m个特征量的实际值与理论值之间的相关性系数不大于第一阈值时，判定用于测量m个特征量的实际值的m个传感器或m个传感器安装在其上的风力发电机组部件存在异常，m是大于0且小于n的整数。

在一些示例中，该装置还可以包括直接判断单元，被配置为：在m个传感器安装在同一风电部件上的情况下，计算在m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的实际值Tri的情况下，m个传感器中的传感器Sj测量出的m个特征量中的特征量Tj的实际值Trj的概率p(Trj|Tri)，i＝1，2，3...，m，j＝1，2，3...，m，i≠j；计算传感器Sj所对应的概率p(Trj|Tri)与第二阈值的绝对差值；当m个传感器中有一半以上传感器所对应的概率p(Trj|Tri)与第二阈值的绝对差值大于第三阈值时，判定风力发电机组部件存在异常。在一些示例中，该装置的直接判断单元还可以被配置为：在m个传感器是不同种类的传感器的情况下，将m个传感器测量出的实际值进行转换，以对风力发电机组部件进行一致性描述。在一些示例中，该装置的直接判断单元还可以被配置为：当m个传感器中有不到一半传感器所对应的概率p(Trj|Tri)与第二阈值的绝对差值大于第三阈值时，计算m个传感器测量出的特征量的实际值相互之间的相关性系数；如果m个传感器测量出的特征量的实际值相互之间的相关性系数大于第四阈值，则判定风力发电机组部件上安装m个传感器的m个部位存在异常，否则判定m个传感器存在异常。

在一些示例中，该装置还可以包括关联判断单元，被配置为：对于没有安装传感器或仅安装有一个传感器的风力发电机组部件，基于其关联风力发电机组部件上的一个以上传感器测量出的一个以上特征量的实际值，估算该没有安装传感器或仅安装有一个传感器的风力发电机组部件的一个以上特征量的实际值；基于当前风况数据计算该没有安装传感器或仅安装有一个传感器的风力发电机组部件的一个以上特征量的理论值；当该没有安装传感器或仅安装有一个传感器的风力发电机组部件的一个以上特征量中的每个特征量的实际值与理论值之间的相关性系数均大于第一阈值时，判定该没有安装传感器或者仅安装有一个传感器的风力发电机组部件不存在异常。

在一些示例中，该装置还可以包括第一处理单元，被配置为：当判定m个传感器存在异常，分别将m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的实际值与理论值的相关性系数与第五阈值进行比较，若不大于第五阈值，则判定传感器Si需要更换，否则，根据相关性系数对传感器Si的输入输出特征量之间的关系参数进行修正。

在一些示例中，该装置的第一处理单元还可以被配置为：当判定m个传感器存在异常，分别将m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的实际值与理论值的相关性系数与第五阈值进行比较，若不大于第五阈值，则判定传感器Si需要更换，否则，基于相关性系数采用PID控制逻辑对传感器Si的输入输出特征量之间的关系参数进行修正。

在一些示例中，该装置还可以包括故障诊断单元，被配置为：当判定风力发电机组部件存在异常，分别根据m个传感器的传感器Si测量出m个特征量中的特征量Ti的实际值与理论值的相关性系数确定异常特征量，根据异常特征量判定存在异常的风力发电机组部件的故障类型和/或故障程度。

在一些示例中，该装置的故障诊断单元还可以被配置为：根据故障类型和/或故障程度计算风力发电机组部件能够承受的载荷阈值。

在一些示例中，该装置还可以包括第二处理单元，被配置为：当判定风力发电机组部件存在异常，分别根据判定风力发电机组部件存在异常的m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的实际值与理论值的相关性系数，对传感器Si对应于风力发电机组的虚拟传感器系统中的虚拟传感器Si′的输入输出特征量之间的关系参数进行修正，根据当前风况数据及修正后的m个虚拟传感器判断风力发电机组部件存在异常情况，若判定风力发电机组部件存在的异常消除，则判定获得风况数据的传感器存在异常，否则，判定风力发电机组部件存在异常。

在一些示例中，该装置的第二处理单元还可以被配置为：在判定获得风况数据的传感器存在异常时，基于将存在异常的m个传感器中的传感器Si测量出的m个特征量中的特征量Ti的理论值与当前风况数据及修正后的m个虚拟传感器Si，反推出虚拟传感器Si的输入变量，根据输入变量对风力发电机组进行控制。

在一些示例中，该装置还可以包括风向评估单元，被配置为：根据风力发电机组的n个特征量的实际值及理论值基于风力发电机组的虚拟标准对照系统获得主风能所在风向，根据风向对风力发电机组进行偏航控制。

根据本发明实施例的用于风力发电机组的状态监测装置700可对应于根据本发明实施例的用于风力发电机组的状态监测方法中的执行主体，并且用于风力发电机组的状态监测的装置700中的各个单元的上述和其它操作和/或功能分别为了实现图1的方法的相应流程，为了简洁，在此不再赘述。

图8是本发明一实施例的用于风力发电机组的状态监测装置的计算设备实现结构示意图。如图8所示，结合7描述的用于风力发电机组的状态监测装置至少一部分可以由计算设备800实现，包括存储器804、处理器803和总线810；该存储器804和处理器803通过总线810连接并完成相互间的通信；该存储器604用于存储程序代码；该处理器630通过读取存储器604中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行如图1所示的用于风力发电机组的状态监测方法。在一些示例中，该计算设备800还可以包括输入设备801、输入端口802、输出端口805、以及输出设备806。其中，输入端口802、处理器803、存储器804、以及输出端口805通过总线810相互连接，输入设备801和输出设备806分别通过输入端口802和输出端口805与总线810连接，进而与计算设备800的其他组件连接。需要说明的是，这里的输出端口805和输入端口802也可以用I/O接口表示。具体地，输入设备801接收来自外部的输入信息，并通过输入端口802将输入信息传送到处理器803；处理器803基于存储器804中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器804中，然后通过输出端口805将输出信息传送到输出设备806；输出设备806将输出信息输出到计算设备800的外部。

上述存储器804包括用于数据或指令的大容量存储器。举例来说而非限制，存储器804可包括HDD、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器804可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器804可在计算设备800的内部或外部。在特定实施例中，存储器804是非易失性固态存储器。在特定实施例中，存储器804包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

总线810包括硬件、软件或两者，将计算设备800的部件彼此耦接在一起。举例来说而非限制，总线810可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线810可包括一个或多个总线810。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

当通过图8所示的计算设备800实现结合图7描述的用于风力发电机组的状态监测装置时，输入设备801安装在风力发电机组上的传感器测量风力发电机组的n个特征量的实际值，在特定实施例中，与输出设备相连的I/O接口可以包括硬件、软件或两者，提供用于在计算设备800与一个或多个I/O设备之间的通信的一个或多个接口。在合适的情况下，计算设备800可包括一个或多个这些I/O设备。一个或多个这些I/O设备可允许人和计算设备800之间的通信。举例来说而非限制，I/O设备可包括键盘、小键盘、麦克风、监视器、鼠标、打印机、扫描仪、扬声器、静态照相机、触针、手写板、触摸屏、轨迹球、视频摄像机、另一合适的I/O设备或者两个或更多个以上这些的组合。I/O设备可包括一个或多个传感器。本发明实施例考虑用于它们的任何合适的I/O设备和任何合适的I/O接口。在合适的情况下，I/O接口可包括一个或多个装置或能够允许处理器803驱动一个或多个这些I/O设备的软件驱动器。在合适的情况下，I/O接口可包括一个或多个I/O接口。尽管本发明实施例描述和示出了特定的I/O接口，但本发明实施例考虑任何合适的I/O接口。该处理器803基于存储器804中存储的可执行程序代码，利用安装在风力发电机组上的传感器测量风力发电机组的n个特征量的实际值，n是大于0的整数；基于风力发电机组的虚拟标准对照系统和安装在风力发电机组上的传感器的虚拟传感器系统，根据当前风况数据，计算n个特征量的理论值；以及，当n个特征量中的每个特征量的实际值与理论值之间的相关性系数均大于第一阈值时，判定风力发电机组不存在异常。随后在需要经由输出端口805和输出设备806将上述判断结果输出。

在合适的情况下，可执行程序代码可包括一个或多个基于半导体的或其他集成电路(IC)(例如，诸如现场可编程门阵列(FPGA)或专用IC(ASIC))、硬盘驱动器(HDD)、混合硬盘驱动器(HHD)、光盘、光盘驱动器(ODD)、磁光盘、磁光盘驱动器、软盘、软盘驱动器(FDD)、磁带、全息存储介质、固态驱动器(SSD)、RAM驱动器、安全数字卡或驱动或其他合适的计算机可读非临时性存储介质或者两个或更多个以上这些的组合。

需要明确，本发明并不局限于上文所描述并在图中示出的特定配置和处理。并且，为了简明起见，这里省略对已知方法技术的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后作出各种改变、修改和添加，或者改变步骤之间的顺序。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。