專利名稱:智能風電機組工況辨識系統(tǒng)及方法
技術領域:
本發(fā)明涉及風力發(fā)電領域,尤其涉及一種智能風電機組工況辨識系統(tǒng)及方法。
背景技術:
風能作為一種清潔的可再生能源,越來越受到世界各國的重視。其蘊量巨大,全球的風能約為2.74X IO9MW,其中可利用的風能為2X IO7MW,比地球上可開發(fā)利用的水能總量還要大10倍。把風的動能轉變成機械動能,再把機械能轉化為電力動能,這就是風力發(fā)電。風力發(fā)電的原理是利用風力帶動風車葉片旋轉,再透過增速機將旋轉的速度提升,來促使發(fā)電機發(fā)電。依據目前的風車技術,大約是每秒三米的微風速度(微風的程度),便可以開始發(fā)電。風力發(fā)電正在世界上形成一股熱潮,因為風力發(fā)電不需要使用燃料,也不會產生輻射或空氣污染。風力發(fā)電所需要的裝置,稱作風力發(fā)電機組。這種風力發(fā)電機組,大體上可分風輪(包括尾舵)、電機和鐵塔三部分。隨著風力發(fā)電技術的發(fā)展和大規(guī)模的商業(yè)化運營,由于風電機組成本高、維修維護費用高及運營壽命長,所以風電機組的穩(wěn)定性和安全性問題得到越來越廣泛的關注。特別大型風力發(fā)電機組,其通常工作在非常惡劣的氣候條件和交變載荷工況下,并且是全天候的運行。因此,對風電機組進行狀態(tài)監(jiān)控,能有效地避免風電機組故障的發(fā)生,達到在不停機狀態(tài)下對運行設備進行有效的監(jiān)控。目前,各種風電監(jiān)控系統(tǒng)廣泛應用于支持和保障風電機組的正常運行。然而,現有技術的這些風電監(jiān)控系統(tǒng)采用的監(jiān)控策略多是基于風電機組的單個或幾個參數為依據(如風速、電機轉速和有功功率等),將風電機組化分為幾個不同的工況,再根據不同工況進行控制參數的整定和監(jiān)測閾值的選擇。但事實上,僅通過有限的參數閾值來劃分風電機組的運行工況,并不能有效描述風力發(fā)電機組復雜多變的運行工況。因此采用現有技術的 這種監(jiān)控策略的風電監(jiān)控系統(tǒng)的很可能在實際監(jiān)控過程中做出錯誤判斷并發(fā)生諸如誤報警等的錯誤,這將直接影響到風電機組的正常運行。而且,由于實際使用的風電機組由多個子系統(tǒng)集成,不同的子系統(tǒng)其對不同的工況響應是不同的,因此在設計合理有效的風電機組的監(jiān)控系統(tǒng)時,也需要考慮到其中的子系統(tǒng)對不同工況的響應。因此,本領域的技術人員致力于開發(fā)一種智能風電機組工況辨識系統(tǒng)及方法,采用風電機組的多個參數進行工況辨識。
發(fā)明內容
有鑒于現有技術的上述缺陷,本發(fā)明所要解決的技術問題是提供一種智能風電機組工況辨識系統(tǒng)及方法,通過采用風電機組的多個參數并使用自組織映射神經網絡實現風電機組的工況辨識。為實現上述目的,本發(fā)明提供了一種智能風電機組工況辨識方法,其特征在于,風電機組包括多個子系統(tǒng),所述辨識方法包括步驟:
使用傳感器獲取所述風電機組的多個參數,所述參數包括所述風電機組的環(huán)境參數和所述風電機組的機組參數;將所述多個參數分類為全局參數和局部參數,所述全局參數與所述多個子系統(tǒng)皆相關,所述局部參數僅與所述多個子系統(tǒng)中的一部分相關;提取所述多個參數的特征值,所述特征值包括統(tǒng)計學特征值和時、頻域特征值;根據各個所述參數的特征值獲得各個所述參數的特征值向量;將與同一個所述子系統(tǒng)相關的所述多個參數的特征值向量輸入第一層自組織映射神經網絡獲得與所述子系統(tǒng)相關的輸出向量;將與所述多個子系統(tǒng)分別相關的各個所述輸出向量作為混合向量并將所述混合向量輸入第二層自組織映射神經網絡獲得所述風電機組的工況的辨識結果。進一步地,所述子系統(tǒng)包括輪轂子系統(tǒng)、傳動子系統(tǒng)、發(fā)電機子系統(tǒng)、電氣控制子系統(tǒng)和塔基子系統(tǒng)。進一步地,所述工況包括多個全局工況和多個子系統(tǒng)工況;所述全局工況表示所述風電機組的整體運行狀態(tài),包括停機、啟動、欠載、滿載和超載;所述子系統(tǒng)工況表示所述各個子系統(tǒng)的運行狀態(tài),包括輪轂子系統(tǒng)的低速、高速、額定轉速、失速和鎖定。進一步地,使用正多邊形顯示所述工況的辨識結果;所述正多邊形的中心與所述正多邊形的各個頂點的連線將所述正多邊形分為多個三角形的全局工況區(qū)域,所述全局工況區(qū)域與所述全局工況一一對應;每個所述全局工況區(qū)域皆被從所述正多邊形的中心至所述全局工況區(qū)域的三角形的底邊的線分為多個子系統(tǒng)工況區(qū)域;在每個所述全局工況區(qū)域內,所述子系統(tǒng)工況區(qū)域與所述子系統(tǒng)工況一一對應;每個所述全局工況區(qū)域皆被平行于所述全局工況區(qū)域的三角形的底邊的線分為多個分級區(qū)域,距離所述正多邊形的中心越遠的所述分級區(qū)域對應的工況嚴厲程度越高;當需要顯示的所述工況的辨識結果為處于一個工況嚴厲程度的一個全局工況時,在所述正多邊形中對應該全局工況的全局工況區(qū)域內的對應該工況嚴厲程度的分級區(qū)域被選中;當需要顯示的所述工況的辨識結果為處于一個工況嚴厲程度的一個子系統(tǒng)工況時,在所述正多邊形中對應該子系統(tǒng)工況的子系統(tǒng)工況區(qū)域內的對應該工況嚴厲程度的分級區(qū)域被選中。進一步地,在所述正多邊形中,所述選中的區(qū)域的顏色不同于未被選中的區(qū)域的顏色。進一步地,所述環(huán)境參數包括所述風電機組所在處的風速、風向和環(huán)境溫度;所述機組參數包括所述風電機組的發(fā)電機U相電壓、發(fā)電機V相電壓、發(fā)電機W相電壓、發(fā)電機U相電流、發(fā)電機V相電流、發(fā)電機W相電流、電網頻率、電機功率因數、輸出功率、風輪轉速、發(fā)電機轉速、發(fā)電機溫度、控制器溫度、主軸承溫度、齒輪箱潤滑油溫度、液壓系統(tǒng)油溫度、潤滑油液位、液壓油液位、電纜扭轉角、葉片角度、機艙位置、發(fā)電量、消耗電量、程序運行時間、輪轂啟動次數、偏航角度、偏航左轉次數、偏航右轉次數、偏航功率、傾斜角度和塔內溫度。進一步地,所述風速、所述風向和所述環(huán)境溫度的所述分類為所述全局參數;所述風輪轉速和所述葉片角度的所述分類為所述局部參數,其與所述輪轂子系統(tǒng)相關;所述齒輪箱潤滑油溫度的所述分類為所述局部參數,其與所述傳動子系統(tǒng)相關;所述輸出功率、所述發(fā)電機U相電壓、所述發(fā)電機V相電壓、所述發(fā)電機W相電壓、所述發(fā)電機U相電流、所述發(fā)電機V相電流、所述發(fā)電機W相電流、所述發(fā)電機溫度、所述電網頻率和所述消耗電量的所述分類為所述局部參數,其與所述發(fā)電機子系統(tǒng)相關;所述偏航角度、所述偏航左轉次數、所述偏航右轉次數、所述偏航功率、所述傾斜角度和所述塔內溫度的所述分類為所述局部參數,其與所述塔基子系統(tǒng)相關。進一步地,根據各個所述參數的特征值獲得各個所述參數的特征值向量的過程包括對各個所述參數的特征值進行加權計算;所述加權計算中使用的神經元權值通過訓練所述第一層自組織映射神經網絡和所述第二層自組織映射神經網絡獲得。進一步地,本發(fā)明還提供了一種智能風電機組工況辨識系統(tǒng),應用上述的智能風電機組工況辨識方法,其特征在于,包括數據采集模塊、參數篩選分級模塊、特征提取模塊和工況辨識模塊;所述數據采集模塊使用傳感器獲取所述風電機組的所述多個參數;所述參數篩選分級模塊將所述多個參數分類為所述全局參數和所述局部參數;所述特征提取模塊提取所述多個參數的特征值;所述工況辨識模塊根據各個所述參數的特征值獲得各個所述參數的特征值向量,并使用所述第一層自組織映射神經網絡和所述第二層自組織映射神經網絡獲得所述風電機組的工況的辨識結果。在本發(fā)明的較佳實施方式中,提供了一種智能風電機組工況辨識系統(tǒng)及其方法。其中,本發(fā)明的智能風電機組工況辨識系統(tǒng)包括數據采集模塊、參數篩選分級模塊、特征提取模塊和工況辨識模塊。數據采集模塊使用傳感器獲取風電機組的多個參數;參數篩選分級模塊將多個參數分類為全局參數和局部參數;特征提取模塊提取多個參數的特征值;工況辨識模塊根據各個參數的特征值獲得各個參數的特征值向量,并使用第一層自組織映射神經網絡和第二層自組織映射神經網絡獲得風電機組的工況的辨識結果。風電機組包括輪轂子系統(tǒng)、傳動子系統(tǒng)、發(fā)電機子系統(tǒng)、電氣控制子系統(tǒng)和塔基子系統(tǒng)的多個子系統(tǒng),風電機組的工況包括多個全局工況和多個子系統(tǒng)工況。本發(fā)明的智能風電機組工況辨識方法包括步驟:使用傳感器獲取風電機組的多個參數;將多個參數分類為全局參數和局部參數;提取多個參數的特征值;根據各個參數的特征值獲得各個參數的特征值向量;將與同一個子系統(tǒng)相關的多個參數的特征值向量輸入第一層自組織映射神經網絡獲得與該子系統(tǒng)相關的輸出向量;將與多個子系統(tǒng)分別相關的各個輸出向量作為混合向量并將該混合向量輸入第二層自組織映射神經網絡獲得風電機組的工況的辨識結果。其中,根據各個參數的特征值獲得各個參數的特征值向量的過程包括對各個參數的特征值進行加權計算,加權計算中使用的神經元權值通過訓練第一層自組織映射神經網絡和第二層自組織映射神經網絡獲得。獲得工況的辨識結果由包括多個對應全局工況的全局工況區(qū)域的正多邊形顯示,每個全局工況區(qū)域皆被分為多個對應子系統(tǒng)工況的子系統(tǒng)工況區(qū)域和多個對應工況嚴厲程度的分級區(qū)域;選中全局工況區(qū)域內的分級區(qū)域表示風電機組的工況為處于對應的工況嚴厲程度的全局工況,選中子系統(tǒng)工況區(qū)域內的分級區(qū)域表示風電機組的工況為處于對應的工況嚴厲程度的子系統(tǒng)工況。由此可見,本發(fā)明的智能風電機組工況辨識系統(tǒng)及其方法采用風電機組的多個參數來分析風電機組的工況,根據參數對不同子系統(tǒng)的影響分為局部參數和全局參數,將風電機組的工況分為若干全局工況和子系統(tǒng)工況,通過對多個參數分別賦予不同的神經元權值并使用兩層自組織映射神經網絡確定風電機組的工況。由此,本發(fā)明可提高對風電機組的工況的辨識穩(wěn)定性,不會因單個參數可幾個參數的異常而造成誤判,并且本發(fā)明的多層辨識能將風電機組的工況進一步細化,提高了對風電機組的運行的監(jiān)控精度。以下將結合附圖對本發(fā)明的構思、具體結構及產生的技術效果作進一步說明,以充分地了解本發(fā)明的目的、特征和效果。
圖1是本發(fā)明的智能風電機組工況辨識系統(tǒng)的結構示意圖,其中顯示了數據流向。圖2是本發(fā)明的智能風電機組工況辨識系統(tǒng)及其方法所使用的兩層自組織神經映射神經網絡的工作示意圖。圖3是訓練本發(fā)明的智能風電機組工況辨識系統(tǒng)及其方法所使用的兩層自組織神經映射神經網絡的流程圖。圖4是訓練本發(fā)明的智能風電機組工況辨識系統(tǒng)及其方法所使用的兩層自組織神經映射神經網絡時,第一層自組織神經映射神經網絡中的SOM模塊SOMl的工作的流程圖。圖5是在一個實施例中使用的顯示風電機組的工況的辨識結果的正多邊形。
具體實施例方式在本發(fā)明的智能風電機組工況辨識系統(tǒng)及其方法中,風電機組包括輪轂子系統(tǒng)、傳動子系統(tǒng)、發(fā)電機子系統(tǒng)、電氣控制子系統(tǒng)和塔基子系統(tǒng)的多個子系統(tǒng),風電機組的工況包括多個全局工況和多個子系統(tǒng)工況。如圖1所示,本發(fā)明的智能風電機組工況辨識系統(tǒng)包括數據采集模塊10、參數篩選分級模塊20、特征提取模塊30和工況辨識模塊40。數據采集模塊10使用傳感器獲取風電機組的多個參數1,參數I包括風電機組的環(huán)境參數和風電機組的機組參數,并將這些參數發(fā)送到參數篩選分級模塊20。參數篩選分級模塊20將這些參數分類為全局參數和局部參數后發(fā)送到特征提取模塊30。特征提取模塊30提取這些參數的特征值并將這些參數的特征值發(fā)送到工況辨識模塊40。工況辨識模塊40根據各個參數的特征值獲得各個參數的特征值向量,并使用第一層自組織映射神經網絡和第二層自組織映射神經網絡獲得風電機組的工況的辨識結果。具體地,本發(fā)明的智能風電機組工況辨識方法包括以下步驟:第一步,使用傳感器獲取風電機組的多個參數。數據采集模塊10使用傳感器獲取風電機組的多個參數,這些參數包括風電機組的環(huán)境參數和風電機組的機組參數,并將這些參數發(fā)送到參數篩選分級模塊20。其中,環(huán)境參數包括風電機組所在處的風速、風向、環(huán)境溫度、大氣壓強、環(huán)境濕度和空氣密度。機組參數包括風電機組的發(fā)電機U相電壓、發(fā)電機V相電壓、發(fā)電機W相電壓、發(fā)電機U相電流、發(fā)電機V相電流、發(fā)電機W相電流、電網頻率、電機功率因數、輸出功率、風輪轉速、發(fā)電機轉速、發(fā)電機溫度、控制器溫度、主軸承溫度、齒輪箱潤滑油溫度、液壓系統(tǒng)油溫度、潤滑油液位、液壓油液位、電纜扭轉角、葉片角度、機艙位置、發(fā)電量、消耗電量、程序運行時間、輪轂啟動次數、偏航角度、偏航左轉次數、偏航右轉次數、偏航功率、傾斜角度、塔內溫度、制動狀態(tài)、軸承溫度、齒輪溫度、齒輪箱油泵壓力、輪轂電機扭矩、變漿電機溫度、無功功率、網側電壓、變頻功率、油泵啟動次數、溫度差、冷卻泵啟停次數、冷卻水壓力和電柜溫度和剎車啟動次數。第二步,將多個參數分類為全局參數和局部參數。參數篩選分級模塊20將這些參數分類為全局參數和局部參數后發(fā)送到特征提取模塊30。其中,全局參數與風電機組的多個子系統(tǒng)皆相關,所述局部參數僅與多個子系統(tǒng)中的一部分相關。一般地,風電機組的環(huán)境參數與風電機組的多個子系統(tǒng)皆相關,分類為全局參數;而風電機組的機組參數包括從風電機組的各個子系統(tǒng)獲得的參數,這些參數有些與風電機組的多個子系統(tǒng)皆相關,分類為全局參數,另一些只與一個或部分的子系統(tǒng)相關,分類為局部參數。例如,上述的風速、風向、環(huán)境濕度和系統(tǒng)運行時間的分類為全局參數。風輪轉速、葉片角度、輪轂電機扭矩和變漿電機溫度的分類為局部參數,其與輪轂子系統(tǒng)相關。制動狀態(tài)、軸承溫度、齒輪溫度、齒輪箱油泵壓力、潤滑油溫度、油泵啟動次數和剎車啟動次數的分類為局部參數,其與傳動子系統(tǒng)相關。輸出功率、無功功率發(fā)電機、發(fā)電機U相電壓、發(fā)電機V相電壓、發(fā)電機W相電壓、發(fā)電機U相電流、發(fā)電機V相電流、發(fā)電機W相電流、電機溫度、電網頻率、網側電壓、變頻功率、消耗功率和電柜溫度的分類為局部參數,其與發(fā)電機子系統(tǒng)相關。偏航角度、偏航左轉次數、偏航右轉次數、偏航功率、傾斜角度和塔內溫度的分類為局部參數,其與塔基子系統(tǒng)相關。第三步,提取多個參數的特征值。特征提取模塊30提取各個參數的特征值并將這些參數的特征值發(fā)送到工況辨識模塊40。參數的特征值為參數相應統(tǒng)計學特征值和時頻特征值,包括參數的平均值、方差值、最大值,最小值,概率分布函數離散度、最大頻率幅值和峭度等中的一個或多個。第四步,根據各個參數的特征值獲得各個參數的特征值向量,根據各個特征值向量獲得風電機組的工況的辨識結果。工況辨識模塊40根據各個參數的特征值獲得各個參數的特征值向量,并使用兩層自組織映射神經網絡獲得風電機組的工況的辨識結果。如圖2所示,兩層自組織映射神經網絡包括輸入層41、第一層自組織映射神經網絡42和第二層自組織映射神經網絡43。輸入層41的節(jié)點的數目與特征值向量的數目相等,本實施例中為64個,分別為風速、平均環(huán)境溫度、塔筒柜平均溫度、變速箱油入口處平均油溫、齒輪油箱平均油溫、齒輪箱軸承平均溫度、發(fā)電機軸承平均溫度、繞組最高溫度平均值、有功功率平均值、有功功率最小值、有功功率最大值、無功功率平均值、無功功率最小值、無功功率最大值、發(fā)電機電壓平均值、發(fā)電機電壓最小值、發(fā)電機電壓最大值、發(fā)電機電流平均值、發(fā)電機電流最小值、發(fā)電機電流最大值、發(fā)電機網側電壓平均值、發(fā)電機網側電壓最小值、發(fā)電機網側電壓最大值、發(fā)電機功率因數平均值、發(fā)電機功率因數最小值、發(fā)電機功率因數最大值、輪轂電機扭矩有效值、葉片角度平均值、葉片角度最大值、偏航變頻器平均溫度、偏航功率平均值、偏航功率最大值、機艙位置平均值、機艙電池電壓平均值、主軸承平均溫度、驅動方向塔筒偏轉、I秒風數據篩選平均值、I秒風數據篩選最小值、I秒風數據篩選最大值、葉輪轉速平均值、葉輪轉速最大值、發(fā)電機轉速平均值、發(fā)電機轉速最小值、發(fā)電機轉速最大值、齒輪箱油電泵壓力平均值、齒輪箱油機械泵壓力平均值、風速湍流平均值、風向、發(fā)電機冷卻水出入水口溫度平均值、發(fā)電量、消耗電量、程序運行時間、發(fā)電機并網次數、發(fā)電機聯網時間、輪轂啟動次數、輪轂運行時間、偏航左轉啟動次數、偏航左轉運行時間、油泵啟動次數、高速油泵運行時間、冷卻風扇啟動次數、冷卻風扇運行時間、剎車液壓運行時間、剎車運行時間。第一層自組織映射神經網絡42的節(jié)點的數目與子系統(tǒng)工況的數目相等,本實施例中為5X5個,分別為對應五個子系統(tǒng)的五個等級的工況(后文中詳述)。第二層自組織映射神經網絡43的節(jié)點的數目與全局工況的數目相關,本實施例中為6X6個,與六類全局工況(后文中詳述)相關。如圖2所示,與子系統(tǒng)I相關的各個參數的特征值向量從輸入層41進入第一層自組織映射神經網絡42獲得與子系統(tǒng)I相關的輸出向量,與子系統(tǒng)N相關的各個參數的特征值向量從輸入層41進入第一層自組織映射神經網絡42,獲得與子系統(tǒng)N相關的輸出向量。其中,在根據各個參數的特征值獲得各個參數的特征值向量的過程中,工況辨識模塊40對各個參數的特征值進行加權計算,加權計算中使用的神經元權值通過訓練第一層自組織映射神經網絡42和第二層自組織映射神經網絡43獲得。具體步驟如下(參見圖
3、4):步驟101,初始化第一層自組織映射神經網絡42,將第一神經元權值(即第一層自組織映射神經網絡42的權值)設為隨機數,且權值之和為1,設定條件當該權值調整量小于IX 10_4時停止;獲得風電機組的多個參數。如圖3所示,第一層自組織映射神經網絡42中包括k個SOM模塊:S0M1、S0M2、…、SOMk,它們分別處理與子系統(tǒng)1、子系統(tǒng)2、…、子系統(tǒng)k相關的參數。相應地,各個SOM模塊進行初始化:設置其使用的第一神經元權值和設定條件。步驟102,提取步驟101中獲得的多個參數的特征值并使用各第一神經元權值計算多個參數的特征值向量。其中,提取參數 的特征值的方法與前述的第三步中描述的方法一樣。各個SOM模塊使用的第一神經元權值是皆為權值矩陣,如式(I)所示,對于子系統(tǒng)i,SOM模塊SOMi將權值矩陣與各個特征值的點乘可以得到與子系統(tǒng)i相關的多個參數的特征值向量(簡稱為與子系統(tǒng)i相關的特征值向量)。式中,特征值x(i) P x(i)2、…、X(i)n為與子系統(tǒng)i相關的η個參數。
權利要求
1.一種智能風電機組工況辨識方法,其特征在于,風電機組包括多個子系統(tǒng),所述辨識方法包括步驟: 使用傳感器獲取所述風電機組的多個參數,所述參數包括所述風電機組的環(huán)境參數和所述風電機組的機組參數; 將所述多個參數分類為全局參數和局部參數,所述全局參數與所述多個子系統(tǒng)皆相關,所述局部參數僅與所述多個子系統(tǒng)中的一部分相關; 提取所述多個參數的特征值,所述特征值包括統(tǒng)計學特征值和時、頻域特征值; 根據各個所述參數的特征值獲得各個所述參數的特征值向量; 將與同一個所述子系統(tǒng)相關的所述多個參數的特征值向量輸入第一層自組織映射神經網絡獲得與所述子系統(tǒng)相關的輸出向量;將與所述多個子系統(tǒng)分別相關的各個所述輸出向量作為混合向量并將所述混合向量輸入第二層自組織映射神經網絡獲得所述風電機組的工況的辨識結果。
2.如權利要求1所述的智能風電機組工況辨識方法,其中所述子系統(tǒng)包括輪轂子系統(tǒng)、傳動子系統(tǒng)、發(fā)電機子系統(tǒng)、電氣控制子系統(tǒng)和塔基子系統(tǒng)。
3.如權利要求1或2 所述的智能風電機組工況辨識方法,其中所述工況包括多個全局工況和多個子系統(tǒng)工況;所述全局工況表示所述風電機組的整體運行狀態(tài);所述子系統(tǒng)工況表示所述各個子系統(tǒng)的運行狀態(tài)。
4.如權利要求3所述的智能風電機組工況辨識方法,其中使用正多邊形顯示所述工況的辨識結果; 所述正多邊形的中心與所述正多邊形的各個頂點的連線將所述正多邊形分為多個三角形的全局工況區(qū)域,所述全局工況區(qū)域與所述全局工況一一對應; 每個所述全局工況區(qū)域皆被從所述正多邊形的中心至所述全局工況區(qū)域的三角形的底邊的線分為多個子系統(tǒng)工況區(qū)域;在每個所述全局工況區(qū)域內,所述子系統(tǒng)工況區(qū)域與所述子系統(tǒng)工況一一對應; 每個所述全局工況區(qū)域皆被平行于所述全局工況區(qū)域的三角形的底邊的線分為多個分級區(qū)域,距離所述正多邊形的中心越遠的所述分級區(qū)域對應的工況嚴厲程度越高; 當需要顯示的所述工況的辨識結果為處于一個工況嚴厲程度的一個全局工況時,在所述正多邊形中對應該全局工況的全局工況區(qū)域內的對應該工況嚴厲程度的分級區(qū)域被選中;當需要顯示的所述工況的辨識結果為處于一個工況嚴厲程度的一個子系統(tǒng)工況時,在所述正多邊形中對應該子系統(tǒng)工況的子系統(tǒng)工況區(qū)域內的對應該工況嚴厲程度的分級區(qū)域被選中。
5.如權利要求4所述的智能風電機組工況辨識方法,其中在所述正多邊形中,所述選中的區(qū)域的顏色不同于未被選中的區(qū)域的顏色。
6.如權利要求1、2、4或5所述的智能風電機組工況辨識方法,其中所述環(huán)境參數包括所述風電機組所在處的風速、風向和環(huán)境溫度;所述機組參數包括所述風電機組的發(fā)電機U相電壓、發(fā)電機V相電壓、發(fā)電機W相電壓、發(fā)電機U相電流、發(fā)電機V相電流、發(fā)電機W相電流、電網頻率、電機功率因數、輸出功率、風輪轉速、發(fā)電機轉速、發(fā)電機溫度、控制器溫度、主軸承溫度、齒輪箱潤滑油溫度、液壓系統(tǒng)油溫度、潤滑油液位、液壓油液位、電纜扭轉角、葉片角度、機艙位置、發(fā)電量、消耗電量、程序運行時間、輪轂啟動次數、偏航角度、偏航左轉次數、偏航右轉次數、偏航功率、傾斜角度和塔內溫度。
7.如權利要求6所述的智能風電機組工況辨識方法,其中所述風速、所述風向和所述環(huán)境溫度的所述分類為所述全局參數;所述風輪轉速和所述葉片角度的所述分類為所述局部參數,其與所述輪轂子系統(tǒng)相關;所述齒輪箱潤滑油溫度的所述分類為所述局部參數,其與所述傳動子系統(tǒng)相關;所述輸出功率、所述發(fā)電機U相電壓、所述發(fā)電機V相電壓、所述發(fā)電機W相電壓、所述發(fā)電機U相電流、所述發(fā)電機V相電流、所述發(fā)電機W相電流、所述發(fā)電機溫度、所述電網頻率和所述消耗電量的所述分類為所述局部參數,其與所述發(fā)電機子系統(tǒng)相關;所述偏航角度、所述偏航左轉次數、所述偏航右轉次數、所述偏航功率、所述傾斜角度和所述塔內溫度的所述分類為所述局部參數,其與所述塔基子系統(tǒng)相關。
8.如權利要求7所述的智能風電機組工況辨識方法,其中根據各個所述參數的特征值獲得各個所述參數的特征值向量的過程包括對各個所述參數的特征值進行加權計算;所述加權計算中使用的神經元權值通過訓練所述第一層自組織映射神經網絡和所述第二層自組織映射神經網絡獲得。
9.一種智能風電機組工況辨識系統(tǒng),應用如權利要求1所述的智能風電機組工況辨識方法,其特征在于,包括數據采集模塊、參數篩選分級模塊、特征提取模塊和工況辨識模塊;所述數據采集模塊使用傳感器獲取所述風電機組的所述多個參數;所述參數篩選分級模塊將所述多個參數分類為 所述全局參數和所述局部參數;所述特征提取模塊提取所述多個參數的特征值;所述工況辨識模塊根據各個所述參數的特征值獲得各個所述參數的特征值向量,并使用所述第一層自組織映射神經網絡和所述第二層自組織映射神經網絡獲得所述風電機組的工況的辨識結果。
全文摘要
本發(fā)明公開了一種智能風電機組工況辨識方法,用于辨識包括多個子系統(tǒng)的風電機組的工況,包括步驟獲取風電機組的多個參數;將參數分類為全局參數和局部參數;提取多個參數的特征值;根據各個參數的特征值獲得各個參數的特征值向量;通過第一層自組織映射神經網絡和第二層自組織映射神經網絡,將多個參數的特征值向量分類到全局工況和子系統(tǒng)工況,以獲得所述風電機組的工況的辨識結果。本發(fā)明采用風電機組的多個參數來分析風電機組的工況并將風電機組的工況分為若干全局工況和子系統(tǒng)工況,可提高對風電機組的工況的辨識穩(wěn)定性,并提高對風電機組的運行的監(jiān)控精度。
文檔編號F03D7/00GK103161668SQ20131005649
公開日2013年6月19日 申請日期2013年2月21日 優(yōu)先權日2013年2月21日
發(fā)明者劉成良, 王雙園, 黃亦翔, 貢亮, 李彥明 申請人:上海交通大學