一种风力发电机扫膛异常识别方法、系统及计算机设备与流程

1.本发明属于风力发电机扫膛异常识别技术领域，具体涉及一种风力发电机扫膛异常识别方法、系统及计算机设备。


背景技术：

2.发电机是风电机组的核心部件之一，当风吹动叶轮，通过轴承带动齿轮箱以及与齿轮箱相连接的发电机转子，转子再通过磁场与定子建立扭矩传输关系，从而将动能转换成电能。随着发电机组的大型化，发电机直径越来越大，且为了降低磁阻，节省成本，定转子之间的设计间隙也有逐渐变小的趋势，一旦出现轴承不对中或是受到载荷冲击导致偏心、结构形变，就会出现定转子气隙变小，极端出现定子和转子表面磨碰，也就是所谓的扫膛现象。
3.扫膛现象已经成为了影响发电机大部件损坏的一个主要原因之一。由于定转子之间的间隙存在于电机内部，即使出现扫膛现象，很难被运维人员发现。碰撞之后随着时间推移，会造成转子结构脱落、绝缘磨损直至电机出现绝缘击穿故障，严重时还会造成火灾等重大安全事件的发生。
4.经检索，比如专利文献cn207382074u-一种单轴承风力发电机定转子防扫膛结构、cn201536255u-发电机、电动机扫膛保护器、cn201515212u-电动机或发电机保膛监控装置，其解决方式主要以增加额外设备进行防扫膛的保护。
5.目前针对电机设备扫膛识别的方法很少，而针对已经存在的批量运行机组却没有办法进行识别和保护。


技术实现要素：

6.本发明的目的在于提供一种风力发电机扫膛异常识别方法、系统及计算机设备，解决了批量运行机组没有办法进行识别和保护的问题。
7.本发明是通过以下技术方案来实现：
8.一种风力发电机扫膛异常识别方法，包括以下步骤：
9.s1、获取目标风电场的实时监控数据和机组运行数据，并进行数据清洗，清洗后的数据包括每台机组的启机数据、发电状态下的发电机温升数据、发电机冷却系统进出风口图像；
10.s2、将每台机组的启机数据输入到构建的启机时刻的平均风速模型中，计算得到每台机组的启机平均风速viavg，及全场所有机组的启机平均风速vavg；
11.将每台机组的在发电状态下的发电机温升数据输入到构建的发电机温升计算模型中，计算得到每台机组的各功率分仓内的发电机平均温升tki，及全场所有机组的每个功率段发电机平均温升tkavg；
12.将每台机组的发电机冷却系统进出风口图像输入到图像识别模型中，识别出脏污的照片数量nbi和总照片数量ni；
13.其中，i＝1,2...n，i表示机组编号；k＝1,2...k，k表示分仓数；
14.s3、扫膛异常的确定通过以下3个条件进行判断：
15.条件1：将每台机组的启机平均风速viavg与全场所有机组的启机平均风速vavg进行比对，如果超出风速阈值，则认定条件1满足；
16.条件2：将每台机组的每个功率段发电机平均温升tki与全场所有机组的发电机平均温升tavg进行比对，如果超出温升阈值的分仓数超过预设分仓数，则认定条件2满足；
17.条件3：根据识别出脏污的照片数量nbi和总照片数量ni，计算每台机组的负样本与总样本的比值，若比值超过设定阈值时，则认定条件3满足；
18.当条件1或条件2满足，且条件3同时满足时，则判断风力发电机扫膛异常。
19.进一步，s1中，针对机组运行数据的清洗具体为：重复值删除、缺失值补充或/和中断数据剔除；
20.针对实时监控数据的清洗具体为：去除模糊或拍照位置异常图片。
21.进一步，s2中，将每台机组的启机数据输入到构建的启机时刻的平均风速模型中，计算得到每台机组的启机平均风速viavg，及全场所有机组的启机平均风速vavg；具体为：
22.2.11)对每台机组运行数据进行状态识别，识别出标识为启机的数据；
23.2.12)提取全场所有机组每次启机开始时刻前tmin内的风速序列，并计算这tmin内的机组启机平均风速v ij，i＝1,2...n,i表示机组编号；j＝1,2...m，j表示启机次数；
24.2.13)对现场所有机组的启机平均风速v ij进行排序，剔除x％最大值和x％最小值，保留合格的vij；
25.2.14)针对剔除后的数据进行计算，计算每台机组的启机平均风速viavg，再将合格的vij取平均值得到全场所有机组的启机平均风速vavg。
26.进一步，s2中，将每台机组的在发电状态下的发电机温升数据输入到构建的发电机温升计算模型中，计算得到每台机组的各功率分仓内的发电机平均温升tki，及全场所有机组的每个功率段发电机平均温升tkavg；具体为：
27.2.21)识别出发电状态和启机状态，提取全场所有机组在发电状态下的发电机温升数据，并记录与发电机温升对应的发电功率p；
28.2.22)根据发电功率对温升进行分仓：将功率范围0-pr分为k个区间，pr为额定功率；
29.计算每个机组的各功率分仓内的平均发电机温升tki；
30.2.23)根据2.22)中求取的tki计算得到全场机组的每个功率段下的发电机平均温升，用t1avg、t2avg
……
tkavg来表示；
31.tkavg＝(tk1+tk2+
…
+tkn)/n，n为机组号。
32.进一步，s2中，将每台机组的发电机冷却系统进出风口图像输入到图像识别模型中，识别出脏污的照片数量nbi和总照片数量ni；具体为：
33.2.31)图形分类：将发电机冷却系统进出风口图像进行分类，标识时间及机组；
34.2.32)图形清洗：基于图形识别法，去除失效图片；
35.2.33)图形识别：基于图像识别法和机器学习方法，对发电机冷却系统进出风口图像的脏污程度进行比对和识别；
36.2.34)识别出脏污的照片数量nbi和总照片数量ni。
37.进一步，s3中，条件1的表达式为：viavg-vavg》v1；v1为风速阈值。
38.进一步，s3中，条件2的表达式为：tki-tkavg》t0，t0为温升阈值；
39.且超过温升阈值t0的分仓数大于等于y，y为预设分仓数。
40.进一步，根据s3的结果进行提示，具体为：
41.当条件1或条件2满足，同时满足条件3时，则进行运维提示；
42.条件3中的设定阈值为k0，k0设为三挡，分比为k1、k2和k3，且有k3》k2》k1：
43.当k0选取k1时，报扫膛异常注意；
44.当k0选取k2时，报扫膛异常预警；
45.当k0选取k3时，报扫膛异常紧急。
46.一种风力发电机扫膛异常识别系统，包括：
47.数据获取模块，用于获取目标风电场的实时监控数据和机组运行数据；
48.数据预处理模块，用于对实时监控数据和机组运行数据进行清洗，清洗后的数据包括每台机组的启机数据、发电状态下的发电机温升数据、发电机冷却系统进出风口图像；
49.平均风速模型，用于对每台机组的启机数据进行计算，得到每台机组的启机平均风速viavg，及全场所有机组的启机平均风速vavg；
50.发电机温升计算模型，用于对每台机组的在发电状态下的发电机温升数据进行计算，得到每台机组的每个功率段的发电机平均温升tki，及全场所有机组的发电机平均温升tavg；
51.图像识别模型，用于对每台机组的发电机冷却系统进出风口图像进行识别，识别出脏污的照片数量nbi和总照片数量ni；
52.其中，i＝1,2...n，i表示机组编号；k＝1,2...k，k表示分仓数；
53.第一判断模块，用于将每台机组的启机平均风速viavg与全场所有机组的启机平均风速vavg进行比对，如果超出风速阈值，则认定条件1满足；
54.第二判断模块，用于将每台机组的每个功率段发电机平均温升tki与全场所有机组的发电机平均温升tkavg进行比对，如果超出温升阈值的分仓数超过预设分仓数，则认定条件2满足；
55.第三判断模块，用于根据识别出脏污的照片数量nbi和总照片数量ni，计算每台机组的负样本与总样本的比值，若比值超过设定阈值时，则认定条件3满足；
56.其中条件1或条件2满足，且条件3同时满足时，则判断风力发电机扫膛异常。
57.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述风力发电机扫膛异常识别方法的步骤。
58.与现有技术相比，本发明具有以下有益的技术效果：
59.本发明公开了一种风力发电机扫膛异常识别方法，基于物理机理，针对发电机扫膛异常后的表象进行分析，分别从启机过程、发电过程，以及整个运行中的具体表现来同时判断发电机扫膛情况，可大幅提高准确度，且采用的数据为机组常规scada运行数据和机舱已有常规摄像头，不需要加装额外的传感信息，其有效性好；通过大数据的分析方法对一段运行时间的整场风机进行纵向对比，有效识别出机组存在着发电机扫膛风险，通过以下三个条件来判断是否扫膛异常：
60.1)判断条件1，采用启机前的平均风速来判断发电机是否存在扫膛等异常；
61.2)判断条件2，通过对比发电过程中的各功率段下的发电机温升来判断发电机是否存在扫膛异常；
62.3)判断条件3，通过比对发电机冷却系统进出风口的脏污情况，当发电机出现扫膛，其定转子内表面的三防漆会脱落，附着在发电机冷却系统出风口处，直接表现为出现脏污情况。
63.算法包含3个部分：1、查看启机时刻对应的风速与同一现场机组对比是否偏大；2、查看启机过程和发电状态下其发电机的温升是否与同一现场机组相比偏大；3、针对进行图片识别，识别机舱发电机冷却系统的出风口处是否有异常脏污情况出现。通过这三个条件判断，当满足条件1或2时，如果条件3也满足，则可确定出现扫膛现象。
64.进一步，该方法所负载的算法可移植到计算机设备中，针对全场机组进行定期检查，并发出预警信息，提示运维人员进行进一步的检查，提前采取行动避免扫膛问题的扩大化，如针对轻微扫膛机组进行对中调整或是加固定转子结构件，对于扫膛严重机组需要下塔更换，防止进一步的绝缘击穿或是火灾现象的发生。
附图说明
65.图1为本发明的一种风力发电机扫膛异常识别方法的流程图。
具体实施方式
66.为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅为本发明一部分实施例，而不是全部实施例。
67.本发明附图及实施例描述和示出的组件可以以各种不同的配置来布置和设计，因此，以下附图中提供的本发明实施例的详细描述并非旨在限制要求保护的本发明的范围，而仅仅是表示本发明选定的一种实施例。基于本发明的附图及实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。
68.本发明公开了一种风力发电机扫膛异常识别方法，包括以下步骤：
69.s1、获取目标风电场的实时监控数据和机组运行数据，并进行数据清洗，清洗后的数据包括每台机组的启机数据、发电状态下的发电机温升数据、发电机冷却系统进出风口图像；
70.s2、将每台机组的启机数据输入到构建的启机时刻的平均风速模型中，计算得到每台机组的启机平均风速viavg，及全场所有机组的启机平均风速vavg；
71.将每台机组的在发电状态下的发电机温升数据输入到构建的发电机温升计算模型中，计算得到每台机组的各功率分仓内的发电机平均温升tki，及全场所有机组的每个功率段发电机平均温升tkavg；
72.将每台机组的发电机冷却系统进出风口图像输入到图像识别模型中，识别出脏污的照片数量nbi和总照片数量ni；
73.其中，i＝1,2...n，i表示机组编号；k＝1,2...m，k表示分仓数；
74.s3、扫膛异常的确定通过以下3个条件进行判断：
75.条件1：将每台机组的启机平均风速viavg与全场所有机组的启机平均风速vavg进行比对，如果超出风速阈值，则认定条件1满足；
76.条件2：将每台机组的每个功率段发电机平均温升tki与全场所有机组的发电机平均温升tavg进行比对，如果超出温升阈值的分仓数超过预设分仓数，则认定条件2满足；
77.条件3：根据识别出脏污的照片数量nbi和总照片数量ni，计算每台机组的负样本与总样本的比值，若比值超过设定阈值时，则认定条件3满足；
78.当满足条件1或2时，如果条件3也满足，则判断风力发电机扫膛异常。
79.以下结合实施例对本发明的特征和性能进一步详细说明。
80.如图1所示，本发明主要分为四个大步骤：数据准备、模型计算、异常标识、运维提示。可在场端控制器中实现(即集控运维中心)，当检查出问题后提示现场人员进一步的检查和运维工作。
81.1、数据准备
82.1)结构化数据准备：针对目标风电场进行运行数据的采集和存储，要求不少于一个月的数据，可充分经历各种运行状态和外部环境风况，使数据更为有效；
83.2)非结构化数据准备：针对目标风电场机舱摄像头实时监控数据进行图形截取，可自动定义截取频次，如10张/日，并以图片形式保存；
84.3)将回传的数据和图片按照指定位置和编号放置在场端服务器上进行存储；
85.4)数据清洗工作，包括重复值删除、缺失值补充、中断数据剔除等。
86.2、模型计算
87.模型计算包含三个部分的计算，分别是启机时刻的平均风速、启机状态和发电状态下的发电机温升、机舱内发电机冷却系统的进出风口脏污识别。
88.2.1启机时刻平均风速识别
89.针对出现扫膛的机组，由于定转子出现摩擦，其启机的扭矩偏大，其对应的启机风速会比其它机组偏低。
90.1)对每台机组数据进行启机状态识别，运行数据通道中包含了待机状态的记录，正常机组会分为待机、启机、发电、停机和维护几种状态，需识别出标识为启机的数据；
91.2)计算全场所有机组的每次启机开始时刻向前记录并计算前10min内的机组平均风速v ij，i＝1,2...n,i表示机组编号；j＝1,2...m，j表示启机次数，注意每台机组启机总次数不同。
92.举例，对于1号机组，一共识别出100次启机，则将每次启机前10min时间内的风速信息提取出来并做平均值处理，即得到1号机组的100个启机前的平均风速数值，v11、v12、v 13…
v1
100
,如果2#机组有103次启机，则得到v21、v22、v23……
v2
103
，同理可得到该现场所有机组每一次启机前的平均风速，假设最后一台机组的启机次数为89次，50台机组最后加起来的数值为5000次，则其vij的总个数为100+103+
……
+89＝5000次。
93.3)对现场所有机组的启机风速v ij进行排序，剔除x％最大值和x％最小值，变成vij’。
94.假设v11＝2.1m/s，v12＝3.5m/s，
……
v1
100
＝3.2m/s；v21＝4.8m/s，v22＝0.2m/s
…
将这5000个v ij的值进行排序，找出占比为1％的最大值和最小值(这里x％假设取1％)进行筛除，筛除后数据剩余4900个。
95.去除因数据原因或调试原因导致的极端异常数据，以免影响启机平均风速。
96.4)针对这4900个数据进行计算，计算每台机组的启机平均风速，由于在步骤3)中已经筛除了异常的数据，每台机组的启机次数有所变化，如1#机组的启机风速分别为v11、v 13…
v1
100
，因为v12过大已经被筛除掉，因而1#机组的启机风速值不足100个，而仅为99个。则针对1#机组取启机风速平均值，得到v1avg＝(v11+v13+v14……
+v1
100
)/99，同理得到其它机组的启机平均风速v2avg、v3avg
……
v50avg(得到50个数值，每个代表一个机组的启机平均风速)。再将这4900个vij取平均值得到全场的启机平均风速信息vavg。
97.2.2发电状态下的发电机温升计算
98.在发电转动情况下由于定转子摩擦，导致生热，因而在相同功率运行情况下，其轴承的温升要高于其它机组，同样在启机过程中，即使不发电，其发电机的温度也要偏高；
99.1)识别出发电状态和启机状态，提取计算全场所有机组在发电状态下的发电机温升(发电机温度-环境温度)，并记录与温升对应的发电功率p；
100.2)根据发电功率对温升进行分仓，计算每个机组的每个功率段的平均发电机温升ti k avg，i＝1,2...n,i表示机组编号；k＝1,2...k，k表示分仓数；
101.由于功率范围为0-pr(pr为额定功率，也是最大功率)，例如以pr的10％为一个仓位，求取仓内的平均轴承温升，如0-10％pr、10％-20％pr...90％-100％pr区间对应的平均发电机温升为t1i、t2i、...t10i，即每台机组求取10个量，以50台机组为例，可计算出500个温度变量，分别对应每台机组在每个功率段内的发电机平均温升；
102.3)求取所有机组在每个功率段内的发电机温升平均值：
103.t1avg＝(t11+t12+
…
+t1n)/n，n为机组号；
104.t2avg＝(t21+t22+
…
+t2n)/n，n为机组号；
105.同理得到t10avg＝(t101+t102+
…
+t10n)/n。
106.2.3发电机冷却系统进出风口脏污识别
107.针对进行图片识别，识别机舱发电机冷却系统的出风口处是否有异常脏污情况出现；
108.1)图形分类：将回传数据进行分类，标识时间及机组；
109.2)图形清洗：基于图形识别技术，去除模糊、拍照位置异常等失效图片；
110.3)图形识别：基于图像识别技术和机器学习方法，对特定拍照区域(这里指发电机冷却系统进出风口)其脏污程度进行比对和识别；
111.4)记录识别出脏污的照片数量nbi(负样本)和总照片数量ni，(i＝1,2...n,i表示机组编号)。
112.机器学习方法在学习的时候，根据每台机组脏污情况进行打分并选取脏污成大的图片推送至运维人员进行标识判断，人为回馈结果，重新调整机器学习方法中的算法，直至算法成熟。
113.2、异常标识
114.针对轴承异常的确定需要进行3个条件进行组合判断：
115.1)条件1：对上述计算结果中得到的各机组的启机平均风速与全场启机平均风速进行比对，如果超出一定阈值v1，则认为条件1满足：
116.viavg-vavg》v1
117.2)条件2：对上述计算结果中得到的各机组发电机平均温升和全场发电机平均温升进行对比，要求每个分仓分别对比，即tki-tkavg差值是否超过t0(k＝1,2,...10分仓数)，如果有7个分仓满足差值超过t0(这里假设预设分仓数＝5，即10个分仓温度中有7个超过了t0，则认为条件2满足。
118.3)条件3：根据发电机冷却系统进出风口脏污识别率进行判断，计算每台机组的负样本与总样本的比值，ki＝nbi/ni,如ki超过一定阈值k0时则认为条件3满足。
119.3、运维提示
120.1)当条件1和条件2有一个满足时，如条件3也满足，则进行运维提示。
121.2)其中，条件3中的阈值k0可设为三挡：k1、k2和k3，且有k3》k2》k1：
122.当k0选取k1时，报扫膛异常注意；
123.当k0选取k2时，报扫膛异常预警；
124.当k0选取k3时，报扫膛异常紧急；
125.根据这三挡信息提示现场进行运维。
126.本发明还公开了一种风力发电机扫膛异常识别系统，包括：
127.数据获取模块，用于获取目标风电场的实时监控数据和机组运行数据；
128.数据预处理模块，用于对实时监控数据和机组运行数据进行清洗，清洗后的数据包括每台机组的启机数据、发电状态下的发电机温升数据、发电机冷却系统进出风口图像；
129.平均风速模型，用于对每台机组的启机数据进行计算，得到每台机组的启机平均风速viavg，及全场所有机组的启机平均风速vavg；
130.发电机温升计算模型，用于对每台机组的在发电状态下的发电机温升数据进行计算，得到每台机组的每个功率段的发电机平均温升tki，及全场所有机组的发电机平均温升tavg；
131.图像识别模型，用于对每台机组的发电机冷却系统进出风口图像进行识别，识别出脏污的照片数量nbi和总照片数量ni；
132.其中，i＝1,2...n，i表示机组编号；k＝1,2...m，k表示分仓数；
133.第一判断模块，用于将每台机组的启机平均风速viavg与全场所有机组的启机平均风速vavg进行比对，如果超出风速阈值，则认定条件1满足；
134.第二判断模块，用于将每台机组的每个功率段发电机平均温升tki与全场所有机组的发电机平均温升tkavg进行比对，如果超出温升阈值的分仓数超过预设分仓数，则认定条件2满足；
135.第二判断模块，用于根据识别出脏污的照片数量nbi和总照片数量ni，计算每台机组的负样本与总样本的比值，若比值超过设定阈值时，则认定条件3满足；
136.其中任何一个条件满足时，则判断风力发电机扫膛异常。
137.在示例性实施例中，还提供计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述风力发电机扫膛异常识别方法的步骤。处理器可能是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑
器件、分立门或者晶体管逻辑器件、分立硬件组件等。
138.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。