一种风电机组桨距系统故障识别方法与流程

本发明涉及一种风电机组桨距系统故障识别方法，属于故障识别技术领域。

背景技术：

风电能源作为一种可循环再生的绿色能源，逐渐成为新能源开发利用的主流。风力发电机组(简称风电机组)作为风力发电的主要实现设备，保障其正常可靠运行具有重要意义。风力发电机组包括风轮和风力发电机等部分，风力发电机的桨距子系统作为风力发电系统中控制系统的重要组成部分，用于控制桨叶桨距角变换，因此为了保障风力发电系统的正常可靠运行，需要对桨距子系统进行故障诊断。

传统基于卡尔曼滤波或贝叶斯方法的故障诊断方法一般都是基于假设系统干扰和测量噪声服从某种概率分布的前提，而在实际工业控制过程中，系统干扰和测量噪声分布的先验信息很难得到，因此，研究学者们假设干扰和噪声未知但有界提出了集员估计方法，由于该方法符合实际工业系统过程干扰和噪声的特性，因此得到了深入研究和广泛应用，如鲁棒控制，机器人定位和故障诊断等领域。

上述方法在故障识别阶段，常用模型匹配的方法，即假设估计状态和真实状态的误差在连续的时间长度内都满足一定的条件来实现故障识别，但是要直到满足这一条件才能完成故障识别，所以会使故障识别速度变慢，从而降低了故障诊断效率。

技术实现要素：

为了解决现有基于模型匹配的故障识别方法存在的故障诊断效率低的问题，本发明提供了一种风电机组桨距系统故障识别方法，通过设计正多胞体卡尔曼滤波器对系统状态进行估计，之后采用贝叶斯理论和模型匹配相结合的方法实现故障识别，即通过故障类型的匹配概率完成故障识别，相较于传统的模型匹配方法，提高了故障诊断效率。

一种风电机组桨距系统故障识别方法，所述方法包括：

根据风电机组的桨距子系统的状态向量，建立桨距子系统的系统模型，并根据系统模型确定测量输出向量；

定义正多胞体o，并确定桨距子系统初始状态对应的正多胞体；

设计正多胞体卡尔曼滤波器对桨距子系统状态进行估计，并利用正多胞体对受未知干扰影响的状态集合进行描述；当桨距子系统发生故障时，采用贝叶斯理论和模型匹配方法实现故障识别过程。

可选的，所述根据风电机组的桨距子系统的状态向量，建立桨距子系统的系统模型，包括：

建立式(1)所示的系统模型；

其中，β表示桨距角，βa表示已知的桨速度，βr表示桨距参考值，表示桨距角的状态变量，表示桨速度的状态变量，ωn和ζ为已知的系统参数，分别表示桨距子系统的自然频率和阻尼系统。

可选的，所述根据系统模型确定测量输出向量，包括：

将式(1)所示的桨距子系统的系统模型表示为连续的时间状态空间方程：

其中x＝[ββa]^t，u＝βr，v和w分别为过程干扰和测量噪声，设定采样时间ts对系统离散化，得到：

其中分别表示桨距子系统在k时刻的状态，输入和测量输出向量，a,b,c,e,f分别为不同维度的参数矩阵，和分别为系统过程干扰和测量噪声，二者均有界；

根据式(3)所示的离散状态空间方程确定系统测量输出向量y。

可选的，所述定义正多胞体o，并确定桨距子系统初始状态对应的正多胞体，包括：

定义正多胞体o为：

其中，分别表示正多胞体的中心、正多胞体中生成矩阵的对角线值和无穷范数小于1的向量；diag(d)表示对角值为d的对角阵；

设置桨距子系统的初始状态，测量噪声和过程干扰所在的正多胞体分别满足：

x(0)∈o(0,d0)，w(k)∈o(0,dw)，v(k)∈o(0,dv)式(5)

d0为正多胞体o(0,d0)中生成矩阵的对角线值，dw为正多胞体o(0,dw)中生成矩阵的对角线值，dv为正多胞体o(0,dv)中生成矩阵的对角线值。

可选的，所述设计正多胞体卡尔曼滤波器对桨距子系统状态进行估计，并利用正多胞体对受未知干扰影响的状态集合进行描述，包括：

设计正多胞体卡尔曼滤波器形式如下：

则桨距子系统的估计状态可通过式(6)～(8)递归得到：

d(k)＝(a-g(k-1)c)d(k-1)+edw(k-1)-g(k-1)fdv(k-1)式(7)

可选的，所述采用贝叶斯理论和模型匹配方法实现故障识别过程，包括：

根据式(9)计算桨距子系统估计状态和故障库中桨距子系统真实状态的误差；同时对满足式(9)的估计状态的个数进行计数，记为li(k)，i＝1,2,…,q；

其中，q为故障库中的故障类型的个数，θi,0为故障库中第i个故障类型的故障状态，ε为故障阈值，预定时间范围的时间长度为l，l为整数。

可选的，所述采用贝叶斯理论和模型匹配方法实现故障识别过程中，如果所有的估计状态i都不满足式(9)，则确定在k时刻系统发生了故障库中没有的故障类型，标记k时刻系统发生的故障的类型为fq+1，后续将满足式(9)的估计状态中属于fq+1的故障个数记为lq+1(k)，i∈{1,2,…,q}；

基于贝叶斯定理，计算故障库中每一个故障类型的概率，记为pi(k)。

可选的，在基于贝叶斯定理计算故障库中每一个故障类型的概率时，令先验概率则在k时刻该故障类型是故障fi，i∈{1,2,…,q+1}的概率pi(k)由式(10)计算可得：

其中，

l为常数，因此，对概率pi(k)的计算式(10)进行化简，得到式(12)：

当概率pi(k)满足式(13)时完成故障诊断

即当存在i∈{1,2,…,q+1}使得后验概率pi(k)满足式(13)时故障识别完成，其中为设定的识别精度。

可选的，所述采样时间ts＝0.01s。

本申请还提供一种风电机组桨距系统，所述系统采用上述风电机组桨距系统故障识别方法进行故障识别，以确定所述风电机组桨距系统是否发生故障。

本发明有益效果是：

1)本申请采用正多胞体卡尔曼滤波器对状态集合进行估计，并利用正多胞体对受未知但有界噪声的状态集合进行描述，使得所估计出的风电机组桨距子系统状态更贴近于实际的工作状态；

2)利用模型匹配的方法并结合贝叶斯方法进行故障识别，即通过故障类型的匹配概率完成故障识别，提高了故障诊断效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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是本发明一个实施例中风电机组桨距子系统故障识别方法的流程图。

图2是本发明所提出的故障识别方法的故障概率和故障识别信号仿真图。

图3是本发明一个实施例中两种故障识别方法的故障识别对比仿真图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。首先介绍相关的技术名词如下：

桨距角：桨距角指的是风轮叶片顶端翼型弦线与旋转平面的夹角。

桨速度：桨速度为桨距角对应的变化速度。

系统参数：系统的自然频率ωn和阻尼系统ζ。

实施例一：

本实施例提供一种风电机组桨距子系统故障识别方法，参见图1，所述方法包括：

步骤101：根据桨距子系统的状态向量，建立桨距子系统的系统模型：

其中，桨距子系统的状态向量包括桨距角的状态变量β和桨速度的状态变量βa；

其中，βr表示桨距参考值，ωn和ζ为已知的系统参数，分别表示系统的自然频率和阻尼系数。

步骤102：根据步骤101建立的桨距子系统的系统模型确定测量输出向量y；

将桨距子系统表示为连续的时间状态空间方程为：

其中x＝[ββa]^t，u＝βr，v和w分别为过程干扰和测量噪声，取采样时间ts＝0.01s对系统离散化，得到：

其中分别表示桨距子系统在k时刻的状态，输入和测量输出向量，a,b,c,e,f分别为适当维度的参数矩阵，和分别为系统过程干扰和测量噪声，二者均有界。

系统处于正常状态时，取ωn＝11.11rad/s，ζ＝0.6，离散化后可得系统参数矩阵：

根据离散状态空间方程确定系统测量输出向量y。

步骤103：定义正多胞体o，并对估计状态进行初始化；

定义正多胞体o为：

其中，分别表示正多胞体的中心、正多胞体中生成矩阵的对角线值和无穷范数小于1的向量；diag(d)表示对角值为d的对角阵。

设置系统初始状态，测量噪声和过程干扰所在的正多胞体分别满足：

x(0)∈o(0,d0)，w(k)∈o(0,dw)，v(k)∈o(0,dv)式(5)

d0为正多胞体o(0,d0)中生成矩阵的对角线值，dw为正多胞体o(0,dw)中生成矩阵的对角线值，dv为正多胞体o(0,dv)中生成矩阵的对角线值。

步骤104：设计正多胞体卡尔曼滤波器，对桨距子系统状态进行估计，并利用正多胞体对受未知干扰影响的状态集合进行描述；

设计正多胞体卡尔曼滤波器形式如下：

则桨距子系统的估计状态可通过式(6)～(8)递归得到：

d(k)＝(a-g(k-1)c)d(k-1)+edw(k-1)-g(k-1)fdv(k-1)式(7)

其中g(k-1)为最优观测器增益。

步骤105：基于贝叶斯理论和模型匹配方法实现故障识别过程。

具体的，k时刻在连续的时间长度l内，在用式(9)计算桨距子系统估计状态和故障库中桨距子系统真实状态的误差的同时，对满足式(9)的估计状态的个数进行计数，记为

其中，q为故障库中的故障类型的个数，θi,0为故障库中第i个故障类型的故障状态，ε为选择的阈值，预定时间范围的时间长度为l，l为整数，l是根据实际需要预先设置的。

如果所有的估计状态i,(i∈{1,2,…,q})都不满足式(9)，则确定在k时刻系统发生了故障库中没有的新的故障类型，标记该故障类型为fq+1，此时将计算新的故障类型满足式(9)的估计状态的个数，记为lq+1(k)。

基于贝叶斯定理，计算故障库中每一个故障类型的概率，记为pi(k)。

考虑系统可能发生新的故障类型，令先验概率则在k时刻该故障类型是故障fi，i∈{1,2,…,q+1}的概率pi(k)由式(10)计算可得：

其中，

由于选择的l为常数，因此，对概率pi(k)的计算式(10)进行化简，得到式(12)：

当概率pi(k)满足式(13)时完成故障诊断

即当存在i∈{1,2,…,q+1}使得后验概率pi(k)满足式(13)时故障识别完成，其中为设置的识别精度。

当发生的故障类型为fi时，相应的概率pi(k)随着k的增加而逐渐增大并趋向于或大于而其他故障类型对应的概率pj(k)，j∈{1,2,…,q+1}，j≠i，逐渐减小。

综上所述，为了减少未知但有界噪声的影响，提高系统状态估计精度，提高故障诊断效率，本申请提供了一种风电机组桨距子系统故障识别方法，该方法包括根据风力发电机的桨距子系统的状态向量，建立桨距子系统的系统模型，并根据系统模型确定测量输出向量；定义正多胞体o，并对估计状态进行初始化；设计正多胞体卡尔曼滤波器对桨距子系统状态进行估计，并利用正多胞体对受未知干扰影响的状态集合进行描述；当桨距子系统发生故障时，采用贝叶斯理论和模型匹配方法实现故障识别过程。

1)本申请采用正多胞体卡尔曼滤波器对状态集合进行估计，并利用正多胞体对受未知但有界噪声的状态集合进行描述；

2)利用模型匹配的方法并结合贝叶斯方法进行故障识别，即通过故障类型的匹配概率完成故障识别，提高了故障诊断效率。

为验证本申请所提出的一种风电机组桨距系统故障识别方法的故障诊断效率，进行如下仿真实验：

处于实际工作状态下的风电机组桨距系统，设置在k∈{58,126}时间段内发生故障f2，系统故障库中可能存在的故障类型如表1所示。

表1，系统故障库中可能存在的故障类型

基于相同的仿真条件，将本申请提出的一种风电机组桨距系统故障识别方法与现有的一种基于普通的模型匹配的风电机组桨距系统故障识别方法进行对比，设置ζ＝0.3，l＝5，得到的故障识别结果和故障识别对比分别如图2和图3所示。

现有的一种基于普通的模型匹配的故障识别方法可参考“hashimotom,itabaf,takahashik.model-basedfaultdetectionandisolationforapoweredwheelchair[c]//20104thinternationalsymposiumoncommunications,controlandsignalprocessing(isccsp).ieee,2010.”

图2展示了本申请所提出故障识别方法的故障概率和故障识别信号。图2上图中，在初始阶段，系统未发生故障，此时每种故障发生的故障概率一致。考虑到系统故障库中的三种故障以及可能发生的新故障，共有四种故障可能，因此每种故障的概率都为1/4，四条故障概率曲线都重合。当检测到系统发生故障后，开始进行故障识别，故障概率曲线开始变化，故障f2对应的故障概率p2逐渐上升并保持为1，其它故障对应的故障概率曲线分别逐渐下降，并维持为零直至故障结束，此时故障概率曲线p1、p3、p4保持重合。当故障结束后，各个故障发生的概率再次相同，因此各故障对应的故障概率曲线重合，并且数值都为1/4。

图2下图中，在未识别到系统发生的故障时，各故障对应的故障识别信号都为零，曲线保持重合。当识别到系统发生故障f2后，故障f2对应的故障识别信号fl2突变为1，并保持至此故障周期结束；而其他故障对应的故障识别信号一直保持零不变。在故障结束后，系统未识别出发生故障，各故障对应的故障识别信号都为零，各曲线重合。

根据图2可知，新故障f4对应的故障概率p4最快下降为0，说明系统发生新故障的可能性很小；故障f3对应的故障概率p3继而也很快就下降为0；故障f1对应的故障概率p1在一段时间的上升后也逐渐下降为0；而故障f2对应的故障概率p2逐渐上升，最后达到1。当故障f2对应的故障概率p2大于1-ζ＝1-0.3＝0.7时，故障识别信号fl2跳变为1，说明系统发生故障f2，成功识别出系统故障。

将本申请所提出的故障识别方法和基于普通的模型匹配的故障识别方法进行对比，对比结果如图3所示。由图3可得，本申请所提出故障识别方法在k＝77时成功识别出系统故障，而基于普通的模型匹配的故障识别方法需要在k＝104时才识别出系统故障，比前者慢了27个时间点，因此本申请所提出的故障识别方法能够更快地识别出风电机组桨距系统的故障，有着更高的故障诊断效率。

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。