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技术

本发明专利技术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。

Wind turbine blade icing anomaly monitoring method based on fine-grained wind power generation state partition

【技术实现步骤摘要】
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
本专利技术属于风力发电过程监测领域，特别是涉及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。
技术介绍
据行业统计，2018年1-9月，全国新增风电并网容量1261万千瓦，到9月底累计风电并网容量达到1.76亿千瓦；1-9月，全国风电发电量2676亿千瓦时，同比增长26％；平均利用小时数1565小时，同比增加178小时；1-9月，全国弃风电量222亿千瓦时，同比减少74亿千瓦时。与此同时，经济性仍是制约风电发展的重要因素。与传统的化石能源电力相比，风电的发电成本仍比较高，补贴需求和政策依赖性较强，行业发展受政策变动影响较大。而在风电项目的开发过程中，风机能否在运转时期发挥最佳性能是衡量风场投资成败的关键因素之一。风机极易出现一些利用普通手段难以监测的细微故障，这些故障的发生往往会导致风力发电机无法达到额定的工作点，例如风机叶片结冰。叶片结冰会导致风机产生无法并网的电能，造成了资源的浪费甚至对电网的稳定运行造成干扰。结冰程度较为严重时会导致冰块脱落，这往往会威胁到风场人员财产安全。同时因为风机结构众多，测点数很多，导致数据量十分庞大，不利于对此类故障的分析以及监测。风力发电产业的工作环境复杂多变，并且由于其需要并入电网运行，因而对发电机运行的稳定性要求较高，并且需要及时的人员维护。但是其发生故障的机率较高，若不及时检测并排除故障就会导致风场无法正常运行，并消耗大量资金用于维修。例如：2016年2月16日和2月20日，大唐河北乌登山风场和山西偏关水泉风场接连发生风机倒塔，造成设别损坏的事件。河北乌登山风场110号风机倒塔事故的直接原因是叶片质量出现问题，在运行中开裂，气流不平稳而引起风机的剧烈摇晃，山西偏关水泉风场项目14号风机倒塔事故的直接原因则是风机振动值严重超标，造成法兰疲劳开裂导致的风机倒塔。现阶段，暂时没有人针对风机运行变工况的特点，以及数据的静态与动态特性，来研究风机的状态监测，判断其结冰故障。当前对风机结冰等故障的判断，主要依靠风电操作员的经验，或者通过二维数据特征，通常为即风电功率曲线，来简单进行判断。但是这样做出的结冰故障判断通常只能在严重结冰判断出来，无法及时在结冰早期就做出判断。这可能是由于先前的方法无法有效利用风机中大量其他测点带来的完整信息，且没有考虑风机运行变工况的特点，以及数据的静态与动态特性，从而无法对风机的整体状态形成完成、准确、及时的监测。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供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。本专利技术的目的通过以下技术方案实现：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，本方法的基本分析和建模单元是风速片数据矩阵，输出是沿速度方向的状态分类，并且不同的子状态沿速度方向是连续的。通过顺序地添加新的风速片以迭代更新可变展开建模单元，基于其与参考分布相似度的变化来检查所得模型的相似特性的变化，若特性变化超过设定阈值，则认为不属于同一子状态。对于得出的各状态分类，可根据其统计监测量的数据分布得监测置信限。该算法实际上是通过考察模型的改变其对监测性能的影响来识别不同状态的。该方法包括两个部分：(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Ik(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Xk。对每一个原始风速片Xk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Xk的均值，D(Xk)表示Xk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Uk：其中，Λk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Qk：Qk＝Λk-1/2UkT再对风速片进行白化，得到白化后的风速片Zk：对Zk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Pk：其中，Ωk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Wk：Wk＝PkQk得到的Ωk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Ωk,M，剩余的为Ωk,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Pk,M。剩余的标准正交基张成矩阵Pk,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Pk,M、Pk,Me、Ωk,M、Ωk,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Sk，分为两部分计算：Sk＝[Sk,dSk,e]Sk,d＝[Sk,1,Sk,2,...,Sk,M]＝Pk,MZkSk,e＝[Sk,1,Sk,2,...,Sk,Me]＝Pk,MeZk其中，Sk,d包含M个慢特征[Sk,1,Sk,2,...,Sk,M]。Sk,e包含Me个剩余特征[Sk,1,Sk,2,...,Sk,Me]。计算Sk,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，sk,d,j表示Sk,d的第j条向量。统计离散化概率分布Prk,j，计算Sk,d的监测统计值与标准卡方分布的相似度Simk：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Prk,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Prk,jr(j＝1,2,...,n)。Simk的计算公式如下：(1.4)将作为状态片Yk,nu的初始风速片：Yk,nu表示为Yk,nu(Iu×J)，由当前状态片中包含的风速片展开而成；Iu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Yk,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Yk,nu中，得到状态片Yk,nu(Iu×J)，将状态片Yk,nu按照(1.3)逐步计算得到状态片的Zk,nu、Ωk,nu,M、Ωk,nu,Me、Pk,nu,M和Pk,nu,Me，将Pk,nu,M、Pk,nu,Me作为状态片的监测模型，并代入状态片Yk,nu中的所有风速片中，计算获得每个风速片在新状态片Yk,nu中Sk,nu,u(u＝0,1,...,nu)，其中，Sk,nu,u＝[Sk,nu,u,dSk,nu,u,e](u＝0,1,...,nu)，Sk,nu,u,d＝Pk,nu,MZk+u，Sk,nu,u,e＝Pk,nu,MeZk+u；Sk,nu,u表示使用状态片Yk,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，本文档来自技高网...

【技术保护点】
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Ik(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

【技术特征摘要】
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Ik(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Xk。对每一个原始风速片Xk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Xk的均值，D(Xk)表示Xk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Uk：其中，Λk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Qk：Qk＝Λk-1/2UkT再对风速片进行白化，得到白化后的风速片Zk：对Zk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Pk：其中，Ωk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Wk：Wk＝PkQk得到的Ωk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Ωk,M，剩余的为Ωk,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Pk,M。剩余的标准正交基张成矩阵Pk,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Pk,M、Pk,Me、Ωk,M、Ωk,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Sk，分为两部分计算：Sk＝[Sk,dSk,e]Sk,d＝[Sk,1,Sk,2,...,Sk,M]＝Pk,MZkSk,e＝[Sk,1,Sk,2,...,Sk,Me]＝Pk,MeZk其中，Sk,d包含M个慢特征[Sk,1,Sk,2,...,Sk,M]。Sk,e包含Me个剩余特征[Sk,1,Sk,2,...,Sk,Me]。计算Sk,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，sk,d,j表示Sk,d的第j条向量。统计离散化概率分布Prk,j，计算Sk,d的监测统计值与标准卡方分布的相似度Simk：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Prk,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Prk,jr(j＝1,2,...,n)。Simk的计算公式如下：(1.4)将作为状态片Yk,nu的初始风速片：Yk,nu表示为Yk,nu(Iu×J)，由当前状态片中包含的风速片展开而成；Iu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Yk,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Yk,nu中，得到状态片Yk,nu(Iu×J)，将状态片Yk,nu按照(1.3)逐步计算得到状态片的Zk,nu、Ωk,nu,M、Ωk,nu,Me、Pk,nu,M和Pk,nu,Me，将Pk,nu,M、Pk,nu,Me作为状态片的监测模型，并代入状态片Yk,nu中的所有风速片中，计算获得每个风速片在新状态片Yk,nu中Sk,nu,u(u＝0,1,...,nu)，其中，Sk,nu,u＝[Sk,nu,u,dSk,nu,u,e](u＝0,1,...,nu)，Sk,nu,u,d＝Pk,nu,MZk+u，Sk,nu,u,e＝Pk,nu,MeZk+u；Sk,nu,u表示使用状态片Yk,nu当前的监测模型对第k+u个风速片在...

【专利技术属性】
技术研发人员：赵春晖，姚邹静，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33