【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及風電機組故障預(yù)警，具體涉及一種基于粒子群優(yōu)化算法和mamdani模糊推理的風電機組塔架振動預(yù)警方法。
技術(shù)介紹
1、塔架作為風電機組的主要支撐部件，它將機艙固定在幾十米甚至上百米高空中，使風電機組能更好的獲取風能。在風電機組的使用周期內(nèi)，塔架會受到不同風況、機艙以及自身重量的復(fù)雜動載荷作用，進而會概率性引起風電機組塔架發(fā)生振動異常、傾斜過度等狀況，將導(dǎo)致風電機組發(fā)生安全事件。因此研究風電機組塔架振動狀態(tài)監(jiān)測技術(shù)，能及時發(fā)現(xiàn)風電機組塔架振動異常問題，對提高風電機組的經(jīng)濟性和安全性具有非常重要的意義。
2、目前，盡管對風電機組塔架振動預(yù)警研究已有所進展，當前許多學(xué)者在選擇風電機組塔架振動預(yù)警模型時，模型表現(xiàn)出的故障報警率較低，且提前報警時間較短。此外，現(xiàn)有研究往往忽略了風電機組故障誤報的情況，并且沒有探索如何減少風電機組故障誤報率，從而限制了模型的預(yù)警精度。
技術(shù)實現(xiàn)思路
1、為解決上述技術(shù)問題，本專利技術(shù)提供一種基于粒子群優(yōu)化算法和mamdani模糊推理的風電機組塔架振動預(yù)警方法，該方法基于馬氏距離建立風電機組塔架正常振動狀態(tài)模型，該模型可以確定風電機組塔架振動預(yù)警閾值，將其與mamdani模糊推理模型結(jié)合，提出風電機組塔架振動預(yù)警模型，并以三類預(yù)警指標為基準，優(yōu)化mamdani模糊推理模型的參數(shù)，通過模糊優(yōu)化推理得到輸出結(jié)果。該方法可以對風電機組塔架振動進行提前預(yù)警，優(yōu)化后模型提高了風電機組塔架振動異常檢測率，降低了誤報率。
2、本專利技術(shù)采取
3、基于粒子群優(yōu)化算法和mamdani模糊推理的風電機組塔架振動預(yù)警方法，包括以下步驟：
4、步驟1：從n個與風電機組塔架振動相關(guān)的變量中篩選出n個與風電機組塔架振動相關(guān)性高的變量，包括：p個速度類變量，n-p個非速度類變量；
5、步驟2：計算正常狀態(tài)下p個速度類變量的馬氏距離，構(gòu)成向量d1；計算正常狀態(tài)下n-p個非速度類變量的馬氏距離，構(gòu)成向量d2，根據(jù)馬氏距離劃分風電機組塔架振動狀態(tài)閾值；步驟3：根據(jù)風電機組塔架振動狀態(tài)閾值建立mamdani模糊推理模型，對風電機組塔架振動進行預(yù)警，并利用精度檢驗指標對風電機組振動預(yù)警模型進行評估；
6、步驟4：對mamdani模糊推理模型參數(shù)進行優(yōu)化，以得到最優(yōu)的風電機組塔架振動預(yù)警模型。
7、所述步驟1包括以下步驟：
8、s1.1：收集某風電場每10分鐘scada運行數(shù)據(jù)變量，具體包括風速、轉(zhuǎn)子轉(zhuǎn)速、功率、變壓器溫度、風向、定子溫度、機艙溫度、葉片位置、轉(zhuǎn)子軸承溫度、齒輪箱油溫等變量；具體如表9所示，為風電場2021年1月1日0：00-2021年6月30日23：50每10分鐘scada運行數(shù)據(jù)變量。
9、表9scada運行數(shù)據(jù)變量
10、
11、s1.2：將上述變量輸入至綜合相關(guān)性指標中，以評估其與塔架加速度的相關(guān)性，從而獲得每個變量的綜合相關(guān)性值，具體如下：
12、通過計算n個變量與x向塔架加速度的綜合相關(guān)性指標并進行降序排列，以確定最重要的變量來構(gòu)建風電機組塔架預(yù)警模型，對應(yīng)公式如下所示：
13、
14、式中：ηic為綜合相關(guān)性值；r為person相關(guān)系數(shù)；ρ為spearman秩相關(guān)系數(shù)，τ為kendall秩相關(guān)系數(shù)，i為最大信息系數(shù)；
15、s1.3：接著，選取綜合相關(guān)性值大于0.5的變量分為速度類變量和非速度類變量，其中，所選取速度類變量5個：x向風速、y向風速、軸向塔架加速度、轉(zhuǎn)子轉(zhuǎn)速、發(fā)電機轉(zhuǎn)速；非速度類變量5個：功率、電機電流、前端軸承溫度、后端軸承溫度、定子溫度。
16、所述步驟2包括以下步驟：
17、s2.1：通過應(yīng)用綜合相關(guān)性指標篩選的速度類變量和非速度類變量，計算正常狀態(tài)的馬氏距離，得到速度類馬氏距離和非速度類馬氏距離，具體如下：
18、風電機組塔架p個速度類變量計算正常振動狀態(tài)馬氏距離，來表示風電機組塔架的正常振動狀態(tài)，速度類變量包含v、nr，每個變量有m個歷史觀測值，對于第i個觀測值，i＝1，2，…，m，變量v對應(yīng)的與均值偏差的標準化值為j，j＝1,2,…,p；其中，σ為p個速度類變量的標準差矩陣，同理，計算p個速度類每個變量的均值標準化，能夠得下式所示的向量fi：
19、
20、上式中，向量fi由p列速度類變量的均值標準化組成；σj為第j列的標準差，vi為第i時刻風速，為平均風速；nri為第i時刻轉(zhuǎn)子轉(zhuǎn)速，為平均轉(zhuǎn)子轉(zhuǎn)速；ati為第i時刻塔架加速度，為平均塔架加速度；ngi為第i時刻發(fā)電機轉(zhuǎn)速，為平均發(fā)電機轉(zhuǎn)速。
21、在此基礎(chǔ)上，引入速度類變量的相關(guān)系數(shù)矩陣的逆矩陣r-1將p列數(shù)據(jù)整合為一列無量綱數(shù)據(jù)，即馬氏距離d1,i，公式如下式所示：
22、
23、其中，fit為向量fi的轉(zhuǎn)置矩陣；m個時刻計算的速度類馬氏距離d1,1,d1,2,…,d1,m構(gòu)成向量d1；當速度類馬氏距離d1,i偏離均值越高，則代表風電機組塔架振動異常程度越高。類似地，將公式中的速度類變量替換為非速度類變量進行計算向量f；
24、然后，代入上述公式引入非速度類變量相關(guān)系數(shù)矩陣的逆矩陣r-1，即能夠計算非速度類馬氏距離d2,i，計算的非速度類馬氏距離d2,1,d2,2,…,d2,m構(gòu)成向量d2。
25、s2.2：將上述速度類馬氏距離和非速度類馬氏距離采用正態(tài)分布的“3σ”準則劃分風電機組塔架不同振動狀態(tài)閾值，具體如下：
26、引用正態(tài)分布的“3σ”準則，將速度類馬氏距離d1的頻次直方圖右側(cè)劃分風電機組塔架三個不同振動狀態(tài)閾值。其中，正常振動狀態(tài)閾值為μ1+σ1、中振動閾值為μ1+2σ1、振動異常閾值為μ1+3σ1，μ1為速度類馬氏距離d1的均值，σ1為速度類馬氏距離d1的標準差。
27、類似地，根據(jù)非速度類馬氏距離d2的頻次直方圖劃分三個不同振動狀態(tài)閾值：正常振動狀態(tài)閾值為μ2+σ2、中振動閾值為μ2+2σ2、振動異常閾值為μ2+3σ2，μ2為速度類馬氏距離d2的均值，σ2為速度類馬氏距離d2的標準差。
28、所述步驟3包括以下步驟：
29、s3.1：應(yīng)用所劃分風電機組塔架不同振動狀態(tài)閾值建立mamdani模糊推理模型，將速度類馬氏距離和非速度類馬氏距離作為輸入，風電機組不同振動狀態(tài)作為輸出，構(gòu)建對應(yīng)隸屬度函數(shù)，建立規(guī)則庫，并應(yīng)用重心法將輸出轉(zhuǎn)化為數(shù)值，通過輸出折線圖進行風電機組塔架振動預(yù)警；具體如下：
30、將速度類馬氏距離d1作為輸入，根據(jù)計算的振動閾值將風電機組塔架振動狀態(tài)劃分為3個模糊集合：正常振動狀態(tài)βl1、中振動狀態(tài)βm1、振動異常狀態(tài)βh1，分別構(gòu)建隸屬度函數(shù)；同理，將非速度類變量計算的馬氏距離d2同樣劃分為3個模糊集合，構(gòu)建對應(yīng)的隸屬度函數(shù)；
31、通過兩個輸入數(shù)據(jù)的模糊集合，建立風電機組塔架振動狀態(tài)的規(guī)則庫，進而判斷風電機組塔架振本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：所述步驟1包括以下步驟：
3.根據(jù)權(quán)利要求1所述基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：所述步驟2包括以下步驟：
4.根據(jù)權(quán)利要求3所述基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：S2.1中，風電機組塔架p個速度類變量計算正常振動狀態(tài)馬氏距離，來表示風電機組塔架的正常振動狀態(tài)，速度類變量包含v、nR，每個變量有m個歷史觀測值，對于第i個觀測值，i＝1，2，…，m，變量v對應(yīng)的與均值偏差的標準化值為j，j＝1,2,…,p；其中，σ為p個速度類變量的標準差矩陣，同理，計算p個速度類每個變量的均值標準化，能夠得下式所示的向量fi：
5.根據(jù)權(quán)利要求3所述基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：S2.2中，引用正態(tài)分布的
6.根據(jù)權(quán)利要求1所述基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：所述步驟3包括以下步驟：
7.根據(jù)權(quán)利要求6所述基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：S3.1中，將速度類馬氏距離D1作為輸入，根據(jù)計算的振動閾值將風電機組塔架振動狀態(tài)劃分為3個模糊集合：正常振動狀態(tài)βL1、中振動狀態(tài)βM1、振動異常狀態(tài)βH1，分別構(gòu)建隸屬度函數(shù)；同理，將非速度類變量計算的馬氏距離D2同樣劃分為3個模糊集合，構(gòu)建對應(yīng)的隸屬度函數(shù)；
8.根據(jù)權(quán)利要求6所述基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：S3.2中，振動異常檢測率，為異常范圍內(nèi)超過風電機組塔架振動閾值Th的事件數(shù)量與風電機組塔架振動異常事件總數(shù)的比值，計算如下所示：
9.根據(jù)權(quán)利要求1所述基于粒子群優(yōu)化算法和Mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：所述步驟4中，對Mamdani模糊推理模型參數(shù)進行優(yōu)化，最優(yōu)的風電機組塔架振動預(yù)警模型；包括以下步驟：
...【技術(shù)特征摘要】
1.基于粒子群優(yōu)化算法和mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于粒子群優(yōu)化算法和mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：所述步驟1包括以下步驟：
3.根據(jù)權(quán)利要求1所述基于粒子群優(yōu)化算法和mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：所述步驟2包括以下步驟：
4.根據(jù)權(quán)利要求3所述基于粒子群優(yōu)化算法和mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：s2.1中，風電機組塔架p個速度類變量計算正常振動狀態(tài)馬氏距離，來表示風電機組塔架的正常振動狀態(tài)，速度類變量包含v、nr，每個變量有m個歷史觀測值，對于第i個觀測值，i＝1，2，…，m，變量v對應(yīng)的與均值偏差的標準化值為j，j＝1,2,…,p；其中，σ為p個速度類變量的標準差矩陣，同理，計算p個速度類每個變量的均值標準化，能夠得下式所示的向量fi：
5.根據(jù)權(quán)利要求3所述基于粒子群優(yōu)化算法和mamdani模糊推理的風電機組塔架振動預(yù)警方法，其特征在于：s2.2中，引用正態(tài)分布的“3σ”準則，將速度類馬氏距離d1的頻次直方圖劃分風電機組塔架三個不同振動狀態(tài)閾值；其中，正常振動狀態(tài)閾值為μ1+σ1、...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：繆書唯，徐海嘉，
申請(專利權(quán))人：三峽大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。