风力发电机组运行状态分析的叶片覆冰判断方法及系统与流程

本发明涉及风力发电机组覆冰判断，具体涉及一种风力发电机组运行状态分析的叶片覆冰判断方法及系统。

背景技术：

1、风力发电机组叶片覆冰对机组的安全和运行都会带来严重影响。例如叶片凝冰易引起叶片和机组的共振、加速叶片的疲劳损伤、增大传动链、塔筒等机组部件的载荷、降低机组的有功功率甚至停机。

2、因此，对风电机组叶片覆冰的监测预警显得尤为重要，通过监测预警，可以提前调整控制策略或停机，保障机组安全。

3、目前，风电机组叶片覆冰监测预警主要有两种方法：

4、一种是物理量测量法，通过机械、电学、热学、光学、波导等不同原理进行覆冰监测和预警。该方式需要购置传感器，存在一定费用，传感器大都安装在机舱上方，与叶片存在一定距离，且风况与旋转中的叶片差别较大，预警功能也比较薄弱。

5、另一种是数值法，主要包括气象预报和机组运行数据分析两种技术路线，气象预报只能对区域的自然情况进行计算，无法精确到风机具体所在点。而机组运行数据分析主要通过对比风机实际功率与风机理论功率曲线的偏差量来判断叶片凝冰情况，但实际中风电机组风功率曲线的影响因素较多，例如风速的测量准确性、机组部件损耗模型的差异性、机组部件工作的稳定性等因素都将引起功率曲线的差异，而非叶片凝冰单一因素影响机组运行功率曲线，所以单纯利用功率曲线偏差判断叶片凝冰状态的误差较大。

6、基于此，本技术发明人提出一种风力发电机组运行状态分析的叶片覆冰判断方法及系统，以期解决上述技术问题。

技术实现思路

1、本发明要解决的技术问题是为了克服现有技术中叶片覆冰预警和覆冰程度判断准确性差或者成本高的缺陷，提供一种风力发电机组运行状态分析的叶片覆冰判断方法及系统。

2、本发明是通过下述技术方案来解决上述技术问题的：

3、第一方面，本发明提供了一种风力发电机组运行状态分析的叶片覆冰判断方法，其特点在于，包括：

4、步骤1、在风力发电机组数据采集与监控系统中选取一定个数的正常运行数据建立正常数据集，并将所述正常数据集中选取多个数据作为基准矩阵，剩余的数据组成训练数据集；其中，选取的数据覆盖风力发电机组正常状态下的最大值和最小值；

5、步骤2、计算所述基准矩阵推算所述训练数据集的正常残差分布；

6、步骤3、计算所述基准矩阵推算实际运行数据集的实际残差分布；

7、步骤4、比较实际残差分布和正常残差分布。

8、根据本发明的一个实施例，所述正常数据集为：

9、

10、其中，g表示风力发电机组数据采集与监控系统的监测点个数，在计算中至少包括风速、有功功率、环境温度、偏航对风角度、桨距角度；m表示风力发电机组数据采集与监控系统时间序列的个数，在建模中需要选取m个时间点，覆盖机组所有正常状态时测点信号的正常运行值。

11、根据本发明的一个实施例，

12、所述步骤2包括：

13、步骤21、采用所述基准矩阵，推算所述训练数据集，得到lest：

14、lest＝d·w；

15、其中，w是权重向量，为所述基准矩阵d与所述训练数据集l中每一个工况的相似度；基于所述基准矩阵d计算的理论值lest与训练数据集l的残差为：

16、ε0＝lest-l；

17、步骤22、根据最小二乘法，使残差最小，计算得到w的计算公式为：

18、w＝(dt·d)-1·(dt·l)；

19、进一步得到：lest＝d·(dt·d)-1·(dt·l)；

20、ε0＝d·(dt·d)-1·(dt·l)-l。

21、根据本发明的一个实施例，所述步骤3包括：

22、采用所述基准矩阵，推算实际数据集，得到l′est：

23、l′est＝d·(dt·d)-1·(dt·l′)；

24、定义残差：ε1＝l′est-l；

25、其中，l′为实际数据集。

26、根据本发明的一个实施例，

27、所述步骤4包括：

28、步骤41、利用序贯概率比检验法比较正常残差ε0与实际偏差ε1分布是否一致；

29、步骤42、如果实际偏差的分布符合正常残差ε0的分布，则ε1的最大似然分布g(ε1)为：

30、

31、如果实际偏差的分布不符合正常残差ε0的分布，则ε1的最大似然分布f(ε1)为：

32、

33、g(ε1)和f(ε1)的分布比例为：

34、

35、

36、步骤43、根据序贯概率比检验法比较与和哪个数值更接近，进而判断残差分布与正常残差分布不一致或者一致，公式如下：

37、

38、

39、其中，α和β分别为人为设定的误报率和未报率，μ1和μ0分别为ε1和ε0的均值σ0是ε0的方差。

40、根据本发明的一个实施例，所述步骤4还包括：

41、定义：

42、

43、

44、其中，还包括将s0进一步归一化；

45、若s0≥b，则s1＝b；若s0≤a，则s1＝a；若a≤s0≤b，则s1＝s0；

46、在完成s1的计算后，若s1＞0，则s2＝s1/b；

47、若s1≤0，则s2＝s1/a，以使s2的取值范围在[-1 1]之间。

48、根据本发明的一个实施例，在步骤4后还包括：

49、利用比较结果进行叶片覆冰预警和告警。

50、第二方面，本发明还提供了一种风力发电机组运行状态分析的叶片覆冰判断系统，其特点在于，所述风力发电机组运行状态分析的叶片覆冰判断系统采用如上所述的风力发电机组运行状态分析的叶片覆冰判断方法，所述判断系统包括：

51、提取模块，在风力发电机组数据采集与监控系统中选取一定个数的正常运行数据建立正常数据集，并将所述正常数据集中选取多个数据作为基准矩阵，剩余的数据组成训练数据集；其中，选取的数据覆盖风力发电机组正常状态下的最大值和最小值；

52、第一计算模块，计算所述基准矩阵推算所述训练数据集的正常残差分布；

53、第二计算模块，计算所述基准矩阵推算实际运行数据集的实际残差分布；

54、比较模块，比较实际残差分布和正常残差分布。

55、第三方面，本发明还提供了一种电子设备，其特点在于，包括：处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行实现如上所述的风力发电机组运行状态分析的叶片覆冰判断方法。

56、第三方面，本发明还提供了一种可读存储介质，其特点在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的风力发电机组运行状态分析的叶片覆冰判断方法。

57、本发明的积极进步效果在于：

58、本发明风力发电机组运行状态分析的叶片覆冰判断方法，基于历史正常状态机组运行数据，在其中选取部分数据作为基准矩阵，剩余部分作为训练数据集，采用最小二乘法，计算基于基准矩阵推算的训练数据集理论值，将理论值与实际值进行对比，得到正常状态下的残差分布。在实际中，根据基准矩阵推算实际运行工况下的理论值，计算理论值与实际值的残差，再按照序贯概率比检验法，比较实际残差分布与正常状态的残差分布是否一致，进而判断叶片覆冰状态，提高了叶片覆冰判断的精度，并节省了覆冰判断成本。