风力发电机组的叶片健康状态评估方法及系统与流程

本发明涉及叶片状态监控，具体涉及一种风力发电机组的叶片健康状态评估方法及系统。

背景技术：

1、近年来，风力发电产业快速发展，风力发电机组持续向大型化发展，单只叶片长度已经超过80米。为了保障风力发电机组安全正常运行，需要对叶片的健康状态进行监测。

2、目前，主流的叶片监控状态监测技术主要通过在叶片上布设电传感器和光纤传感器，监测叶片的载荷、振动加速度、温度等信号，通过这些信号分析来判断叶片健康状态。分析方法包括载荷阈值超限判断、振动加速度频谱分析等。

3、而风力发电机组的叶轮是低速转动部件，相较于齿轮箱等设备，其振动加速度信号噪音较大，受工况及周边设备影响较大，且振动加速度传感器一般仅布置在叶片根部，离叶尖距离较远，无法及时判断结构损伤。

4、阈值超限判断需要人为设定阈值，且该阈值基于静态理论载荷计算，与风力发电机组实际运行工况时的载荷存在偏差，因此在风力发电机组的叶片健康状态评估中准确性不高。

5、基于此，本技术的发明人设计了一种风力发电机组的叶片健康状态评估方法及系统，以期克服上述技术问题。

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状态评估精度差的缺陷，提供一种风力发电机组的叶片健康状态评估方法及系统。

2、本发明是通过下述技术方案来解决上述技术问题的：

3、本发明提供了一种风力发电机组的叶片健康状态评估方法，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以及同期叶片载荷监测数据作为目标数据；

5、步骤2、确定三支叶片载荷一致性系数；

6、步骤3、计算正常叶片载荷频域一致性系数偏差分布和实际叶片运行时叶片载荷一致性偏差分布；

7、步骤4、比较实际叶片一致性偏差分布与正常偏差分布以对叶片结构损伤程度进行判断。

8、根据本发明的一个实施例，所述步骤1还包括：

9、对每支叶片载荷监测信号做傅里叶变换，得到载荷信号的频域分布。

10、根据本发明的一个实施例，所述步骤2包括：

11、对三支叶片载荷频域的幅值做归一化，并计算三支叶片频域的一致性系数：

12、

13、其中，similarity是三支叶片的载荷频率图谱的一致性系数，σ(yfftj)为三支叶片在每个频率j的幅值的标准差。

14、根据本发明的一个实施例，所述步骤3包括：

15、步骤31、将所述目标数据作为正常数据集；所述正常数据集包括风力发电机组数据采集与监控系统的数据和三支叶片载荷频域一致性系数：

16、

17、其中，g表示风力发电机组数据采集与监控系统的监测点，风力发电机组数据采集与监控系统的监测点包括但不限于风速、有功功率、偏航对风角度、桨距角；m表示时间序列的个数，在建模中，选取的m个时间点覆盖风电机组所有正常状态时测点信号的正常运行值；similarity_t表示正常数据集t中，每个时间点，三支叶片载荷频域一致性系数；

18、步骤32、在所述正常数据集中选取多个数据作为基准矩阵，剩余的数据作为训练数据集；其中，所述基准矩阵的数据覆盖正常状态下出现的最大值和最小值；

19、步骤33、定义理论三支叶片载荷频域一致性系数similarity_l_est为：

20、similarity_l_est＝dscada·w；

21、其中，w是权重向量，为所述基准矩阵中的风力发电机组数据采集与监控系统测点数据集dscada与训练数据集l中每一个工况的相似度；

22、步骤34、基于所述基准矩阵计算的理论叶片载荷频域一致性系数与所述训练数据集中实际一致性系数的正常残差分布为：

23、ε0＝similarity_l_est-similarity_l。

24、根据本发明的一个实施例，所述步骤34后还包括：

25、根据最小二乘法，使残差最小，得到w：

26、w＝(dt·d)-1·(dt·similarity_l)；

27、带入similarity_l_est的计算公式，得到：

28、lest＝d·(dt·d)-1·(dt·similarity_l)；

29、则：

30、ε0＝d·(dt·d)-1·(dt·similarity_l)-similarity_l。

31、根据本发明的一个实施例，所述步骤3还包括：

32、基于所述基准矩阵，推算得到实际数据集，得到l′est：

33、

34、定义残差ε1＝l′est-l；

35、其中，l′est为实际数据集，l为训练数据集。

36、根据本发明的一个实施例，所述步骤4包括：

37、若实际偏差的分布符合正常残差分布，则：

38、

39、若实际偏差的分布不符合正常残差分布，则：

40、

41、两个分布的比例为：

42、

43、根据序贯概率比检验法，比较与和的接近度，进而判断残差分布与正常残差分布不一致或者一致：

44、

45、

46、其中，α和β分别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。

47、根据比较结果，进行叶片结构损伤预警和损伤程度判断。

48、本发明还提供了一种风力发电机组的叶片健康状态评估系统，其特点在于，所述风力发电机组的叶片健康状态评估系统采用如上所述的风力发电机组的叶片健康状态评估方法，所述预测系统包括：

49、获取模块，在风力发电机组数据采集与监控系统以及同期叶片载荷监测数据作为目标数据；

50、确定模块，确定三支叶片载荷一致性系数；

51、计算模块，计算正常叶片载荷频域一致性系数偏差分布和实际叶片运行时叶片载荷一致性偏差分布；

52、判定模块，比较实际叶片一致性偏差分布与正常偏差分布以对叶片结构损伤程度进行判断。

53、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权利要求1-7任一项所述的风力发电机组的叶片健康状态评估方法。

54、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的叶片健康状态评估方法。

55、本发明的积极进步效果在于：

56、本发明风力发电机组的叶片健康状态评估方法，基于风力发电机组数据采集与监控系统数据以及叶片载荷监测数据，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条件下的三支叶片频率一致性的理论值，然后将理论值与实际值进行比较，得到正常状态的一致性偏差分布。在实际中，根据基准矩阵推算实际运行工况下的频率一致性理论值，计算理论值与实际值的偏差，再按照序贯概率比检验法，比较实际偏差分布与正常状态的偏差分布是否一致，来判断叶片结构是否损伤，然后进行预警和告警。