【技术实现步骤摘要】
本申请属于机组状态监测，尤其涉及一种机组状态监测方法和系统。
技术介绍
1、对为了应对日渐严峻的能源危机，实现全球可持续发展目标，我国高度重视可再生能源的开发。风能作为一种清洁、可持续的发电方式，是减少温室气体排放和节约能源的首选方式。因此，国内的风力发电得到了快速发展，陆上风力发电机装机容量迅速增加。我国已经成为全球范围内陆上风力发电量最多的国家，约占全球风力发电总量的40％。与此同时，海上风力发电机的发电能力也得到了大力的发展，目前我国已成为全球海上风力发电容量增速最快的国家。根据“双碳”目标，我国承诺到2030年实现非化石燃料占全国一次能源结构的25％，截至2022年底，我国已经实现了758gw风电机组和光伏系统的并网运行。根据全球风能协会市场情报预计，我国将在2025年前实现1200gw的可再生能源装机目标。综上所述，风力发电具有巨大的发展前景。但是在发电过程中，需要对机组状态进行监测。
2、但是常见的监测方法在使用过程中，多采用人工巡检和机械故障检测方法，监测效率偏低。
技术实现思路
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本申请的第一个目的在于提出一种机组状态监测方法，以提高机组状态的监测效率。
3、本申请的第二个目的在于提出一种机组状态监测系统。
4、本申请的第三个目的在于提出一种电子设备。
5、本申请的第四个目的在于提出一种计算机可读存储介质。
6、为达上述目的，
7、获取风电厂的发电机组的机组振动数据；
8、对所述机组振动数据进行时频分析以判断发电机组是否处于健康的状态；
9、若不健康，则基于所述机组振动数据得到机组状态监测损伤敏感特征；
10、利用人工神经网络建立机组状态监测模型，将所述机组状态监测损伤敏感特征输入所述机组状态监测模型以得到损伤敏感特征预测值；
11、基于所述机组状态监测损伤敏感特征和所述损伤敏感特征预测值获得重构误差；
12、基于所述重构误差和ewma阈值以确定发电机组的运行状态是否异常。
13、在本申请的第一方面的方法中，在对所述机组振动数据进行时频分析之前还包括对所述机组振动数据进行预处理，所述预处理包括去重和分类分析。
14、在本申请的第一方面的方法中，所述基于所述机组振动数据得到机组状态监测损伤敏感特征，包括：对所述机组振动数据进行模态分解以得到故障特征，并对所述故障特征进行分类以得到机组状态监测损伤敏感特征。
15、在本申请的第一方面的方法中，采用萤火虫改进麻雀搜索算法对所述人工神经网络进行优化以获得所述人工神经网络的学习速率和各层隐藏神经元数目的最优值，基于所述学习速率和各层隐藏神经元数目的最优值对人工神经网络进行赋值从而得到机组状态监测模型。
16、在本申请的第一方面的方法中，所述分类分析包括对机组振动数据进行采集、清洗、筛选、过滤处理，并且按照字段建立的时间建立分区表。
17、在本申请的第一方面的方法中，所述时频分析包括在时间域上的聚类分析和在频域上的功率谱比较。
18、在本申请的第一方面的方法中，所述基于所述重构误差和ewma阈值以确定发电机组的运行状态是否异常，包括：比较所述重构误差和ewma阈值，若所述重构误差维持在ewma阈值以下，则发电机组运行正常，若所述重构误差超过ewma阈值并保持在ewma阈值上，发电机组运行异常。
19、为达上述目的，本申请第二方面实施例提出了一种机组状态监测系统，包括：
20、数据采集模块，用于获取风电厂的发电机组的机组振动数据；
21、时频分析模块，用于对所述机组振动数据进行时频分析以判断发电机组是否处于健康的状态；
22、特征提取模块，用于若不健康，则基于所述机组振动数据得到机组状态监测损伤敏感特征；
23、预测模块，用于利用人工神经网络建立机组状态监测模型，将所述机组状态监测损伤敏感特征输入所述机组状态监测模型以得到损伤敏感特征预测值；
24、计算模块，用于基于所述机组状态监测损伤敏感特征和所述损伤敏感特征预测值获得重构误差；
25、判断模块，用于基于所述重构误差和ewma阈值以确定发电机组的运行状态是否异常。
26、为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现本申请第一方面提出的方法。
27、为达上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请第一方面提出的方法。
28、本申请提供的机组状态监测方法、系统、电子设备及存储介质，通过获取风电厂的发电机组的机组振动数据；对机组振动数据进行时频分析以判断发电机组是否处于健康的状态；若不健康，则基于机组振动数据得到机组状态监测损伤敏感特征；利用人工神经网络建立机组状态监测模型，将机组状态监测损伤敏感特征输入机组状态监测模型以得到损伤敏感特征预测值；基于机组状态监测损伤敏感特征和损伤敏感特征预测值获得重构误差；基于重构误差和ewma阈值以确定发电机组的运行状态是否异常。在这种情况下，利用时频分析先判断发电机组的健康的状态，当不健康时获得机组状态监测损伤敏感特征并利用人工神经网络建立的机组状态监测模型得到预测值，从而得到重构误差，再利用重构误差和ewma阈值监测发电机组部件的运行状态，减轻了相关人工监测带来的误差，减轻了相关人员的劳动负担，提高了机组状态的监测效率。
29、本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
本文档来自技高网...【技术保护点】
1.一种机组状态监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的机组状态监测方法，其特征在于，在对所述机组振动数据进行时频分析之前还包括对所述机组振动数据进行预处理，所述预处理包括去重和分类分析。
3.根据权利要求1所述的机组状态监测方法，其特征在于，所述基于所述机组振动数据得到机组状态监测损伤敏感特征，包括：
4.根据权利要求3所述的机组状态监测方法，其特征在于，采用萤火虫改进麻雀搜索算法对所述人工神经网络进行优化以获得所述人工神经网络的学习速率和各层隐藏神经元数目的最优值，基于所述学习速率和各层隐藏神经元数目的最优值对人工神经网络进行赋值从而得到机组状态监测模型。
5.根据权利要求2所述的机组状态监测方法，其特征在于，所述分类分析包括对机组振动数据进行采集、清洗、筛选、过滤处理，并且按照字段建立的时间建立分区表。
6.根据权利要求1所述的机组状态监测方法，其特征在于，所述时频分析包括在时间域上的聚类分析和在频域上的功率谱比较。
7.根据权利要求1所述的机组状态监测方法，其特征在于，所述基于所
8.一种机组状态监测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种机组状态监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的机组状态监测方法，其特征在于，在对所述机组振动数据进行时频分析之前还包括对所述机组振动数据进行预处理，所述预处理包括去重和分类分析。
3.根据权利要求1所述的机组状态监测方法，其特征在于，所述基于所述机组振动数据得到机组状态监测损伤敏感特征，包括：
4.根据权利要求3所述的机组状态监测方法，其特征在于，采用萤火虫改进麻雀搜索算法对所述人工神经网络进行优化以获得所述人工神经网络的学习速率和各层隐藏神经元数目的最优值，基于所述学习速率和各层隐藏神经元数目的最优值对人工神经网络进行赋值从而得到机组状态监测模型。
5.根据权利要求2所述的机组状态监测方法，其特征在于，所...
【专利技术属性】
技术研发人员：刘树鹏，刘杲沛，赵彦燊，李琛，姜广政，王延博，葛恒，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。