【技术实现步骤摘要】
本专利技术属于风力发电，尤其涉及一种风电机组的发电机轴承温度异常识别方法及系统。
技术介绍
1、发电机是风电机组传动链系统中的关键设备，其失效概率大、更换成本高，一直是风电机组中的重点关注对象。当发电机轴承温度出现异常时，往往能够反映出设备存在的潜在风险，包括润滑不良、散热系统失效甚至轴承损坏等。如果能够及时、准确地检测到这种异常变化，提前告知运维人员安排检修，将有效减少风机运行过程中存在的安全风险以及异常停机带来的发电量损失。
2、在现有的相关技术中，都是先通过机器学习技术进行模型训练，再利用模型预测值与真实采集值之间的残差进行异常识别。但是该方案往往需要大量的历史数据，而且所需要的输入特征通常较多，否则难以达到理想的效果。
3、在实际应用中，许多风电机组存在部分输入特征数据未采集或者缺失的情况，而且新投运的风电机组不一定拥有足够的历史数据，因此亟需一种依赖特征和数据相对而言更少的异常识别方法。
技术实现思路
1、本专利技术的目的在于：为了准确地监测发电机的健康状态，提供给检修人员明确的检修依据，公开了一种风电机组的发电机轴承温度异常识别方法及系统。
2、一方面，本专利技术目的通过下述技术方案来实现：
3、一种风电机组的发电机轴承温度异常识别方法，所述风电机组的发电机轴承温度异常识别方法包括如下步骤：
4、s1：获取待检测机组历史数据；
5、s2：针对历史数据进行数据预处理；
6、s3：将待检测机
7、s4：对于每个功率区间内的时间序列数据进行离群点检测；
8、s5：计算每个功率区间内的异常因子，判别区间内发电机轴承温度状态；
9、s6：将所有功率区间内的轴承温度状态进行融合，判别最终的发电机轴承温度状态；
10、s7：对发电机轴承温度异常的风电机组发送预警信息。
11、根据一个优选的实施方式，步骤s1具体包括，获取风场信息、风机信息、日期时间、有功功率、发电机轴承温度、舱内温度数据。
12、根据一个优选的实施方式，步骤s2具体包括：对空值数据做无效处理，对卡滞数据做无效处理，对明显超出区间范围内的数据做无效处理，并将功率筛选条件设置为大于0。
13、根据一个优选的实施方式，步骤s3包括：计算待检测风电机组一段时间内的发电机轴承温度与舱内温度的差值，并依据其对应时刻的有功功率将数据划分到不同的功率区间内；
14、假设划分了m个功率区间，分别为p1,...,pm，则得到m条时间序列数据，每个数据点是轴承温度与舱内温度的差值。
15、根据一个优选的实施方式，步骤s4包括：对于每条时间序列数据，使用离群点检测算法进行数据标记，如果待检测风电机组在某时刻的数据表现为异常点，则标记为1；如果表现为正常点，则标记为0。
16、根据一个优选的实施方式，步骤s4中，群点检测方法包括但不限于为n-sigma方法、箱型盒方法，以及孤立森林或局部异常检测算法lof。
17、根据一个优选的实施方式，步骤s5包括：对待检测风电机组每条时间序列数据中的异常标记数据进行统计分析，计算单天的异常因子以及该时间内的总体异常因子；
18、设定阈值，如果两类异常因子均超过预设比例，则认为待检测风电机组的发电机轴承温度在对应的功率区间内存在异常状态。
19、根据一个优选的实施方式，步骤s5中，异常因子的计算方式如下：设数据总条数为p，异常条数为q，则异常比例因子a＝q/p。
20、根据一个优选的实施方式，步骤s7包括，通过异常因子计算与状态融合，生成预警信息以及发电机轴承检修申请；所述预警信息包括风场、风机、机型、预警部件、可能原因、检修建议。
21、另一方面，本专利技术还公开了：
22、一种风电机组的发电机轴承温度异常识别系统，所述风电机组的发电机轴承温度异常识别系统包括：
23、数据采集模块，被配置为完成待检测机组历史数据采集，包括：风场信息、风机信息、日期时间、有功功率、发电机轴承温度、舱内温度采集；
24、数据预处理模块，被配置为将空值数据做无效处理，将卡滞数据做无效处理，将明显超出区间范围内的数据做无效处理，并将功率筛选条件为大于0；
25、特征生成模块，被配置为计算待检测风电机组预设时间段内的发电机轴承温度与舱内温度的差值，并依据其对应时刻的有功功率将数据划分到不同的功率区间内；假设划分了m个功率区间p1,...,pm，则得到m条时间序列数据，每个数据点是轴承温度与舱内温度的差值；
26、离群点检测模块，被配置为使用离群点检测算法对每条时间序列数据进行数据标记；如果待检测风电机组在某时刻的数据表现为异常点，则标记为1；如果表现为正常点，则标记为0；
27、单功率区间异常因子计算模块，被配置为对待检测风电机组每条时间序列数据中的异常标记数据进行统计分析，计算单天的异常因子以及该时间内的总体异常因子；
28、并基于设定的阈值，如果两类异常因子均超过预设比例，则认为待检测风电机组的发电机轴承温度在对应的功率区间内存在异常状态；
29、功率区间状态融合模块，被配置为将每个功率区间内发电机轴承温度的状态进行融合，且任何一个功率区间内若存在异常，则表明发电机轴承温度异常；
30、故障预警模块，被配置为通过异常因子计算与状态融合，生成预警信息以及发电机轴承检修申请，其中，所述预警信息包括风场、风机、机型、预警部件、可能原因、检修建议。
31、前述本专利技术主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本专利技术可采用并要求保护的方案。本领域技术人员在了解本专利技术方案后根据现有技术和公知常识可明了有多种组合，均为本专利技术所要保护的技术方案，在此不做穷举。
32、本专利技术的有益效果：
33、1、本专利技术所提供的风电机组发电机轴承温度异常识别方法及系统，通过不同功率区间下的离群点检测，可准确识别发电机轴承温度异常状态，同步实现预警信息推送，利于风电场实现计划性运维；
34、2、本专利技术所提供的风电机组发电机轴承温度异常识别方法及系统，不会对风力发电机组有任何不利影响和潜在危险，而且具备推广性，可适用陆上任何地形和海上风电场的机群。
本文档来自技高网...【技术保护点】
1.一种风电机组的发电机轴承温度异常识别方法，其特征在于，所述风电机组的发电机轴承温度异常识别方法包括如下步骤：
2.如权利要求1所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤S1具体包括，获取风场信息、风机信息、日期时间、有功功率、发电机轴承温度、舱内温度数据。
3.如权利要求2所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤S2具体包括：对空值数据做无效处理，对卡滞数据做无效处理，对明显超出区间范围内的数据做无效处理，并将功率筛选条件设置为大于0。
4.如权利要求1所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤S3包括：
5.如权利要求4所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤S4包括：对于每条时间序列数据，使用离群点检测算法进行数据标记，如果待检测风电机组在某时刻的数据表现为异常点，则标记为1；如果表现为正常点，则标记为0。
6.如权利要求5所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤S4中，群点检测方法包括但不限于为n-sigma方法、箱
7.如权利要求5所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤S5包括：对待检测风电机组每条时间序列数据中的异常标记数据进行统计分析，计算单天的异常因子以及该时间内的总体异常因子；
8.如权利要求7所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤S5中，异常因子的计算方式如下：设数据总条数为p，异常条数为q，则异常比例因子A＝q/p。
9.如权利要求7所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤S7包括，通过异常因子计算与状态融合，生成预警信息以及发电机轴承检修申请；所述预警信息包括风场、风机、机型、预警部件、可能原因、检修建议。
10.一种风电机组的发电机轴承温度异常识别系统，其特征在于，所述风电机组的发电机轴承温度异常识别系统包括：
...【技术特征摘要】
1.一种风电机组的发电机轴承温度异常识别方法，其特征在于，所述风电机组的发电机轴承温度异常识别方法包括如下步骤：
2.如权利要求1所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤s1具体包括，获取风场信息、风机信息、日期时间、有功功率、发电机轴承温度、舱内温度数据。
3.如权利要求2所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤s2具体包括：对空值数据做无效处理，对卡滞数据做无效处理，对明显超出区间范围内的数据做无效处理，并将功率筛选条件设置为大于0。
4.如权利要求1所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤s3包括：
5.如权利要求4所述的风电机组的发电机轴承温度异常识别方法，其特征在于，步骤s4包括：对于每条时间序列数据，使用离群点检测算法进行数据标记，如果待检测风电机组在某时刻的数据表现为异常点，则标记为1；如果表现为正常点，则标记为0。
6.如权利要求5所述的风电机...
【专利技术属性】
技术研发人员：蒋卓甫，王清照，杨鹤立，刘奇，李博，张坤，张权耀，郭自强，奉凡森，曾一鸣，李玉霞，彭波，
申请(专利权)人：东方电气风电股份有限公司，
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。