一种变桨系统超级电容运行数据检验方法

技术领域

本发明属超级电容运行数据检验技术领域，尤其涉及一种变桨系统超级电容运行数据检验方法。

背景技术

目前，风力发电机的故障设置通常为单纯的数值比较型判断，例如当转速大于一定值时，或后备电源电压低于一定值时触发故障，然而风力发电机的部件发生故障后，除了数值升高或降低外，很多情况还有发生频繁的数据波动并且机组停机后又恢复正常，其结果是一方面故障报出来后，运维人员不易查找故障原因，另一方面，控制器中的定时器模块的特点是条件接通后，定时器开始计时，而条件断开后，定时器停止工作并复位，而数据的频繁波动也会导致定时器频繁启动、复位，而无法到达定时时间，使故障不能正常触发，为排查故障造成困难，甚至如果不能正常触发，还会危害机组安全；

为了分析机组故障原因，需要对机组的运行数据进行分析和诊断，此功能可在故障发生时刻，自动、准确、及时地记录故障前、后过程的各种电气量的变化情况，通过这些电气量的分析、比较，对分析处理事故、判断保护是否正确动作，对风力发电机组的安全可靠运行起着十分重要的作用。但是在当前的故障数据记录方法中，所记录的数据往往是预设好的，其结果是经常出现采集的数据中缺少某些数据的情况导致无法确定故障原因的情况；而对于尤其在故障出现没有规律性、故障发生的外部条件不明确的情况下，分析故障原因更为困难；此外，由于控制器的存储空间和CPU有限，如果将风力发电机所有的运行数据都进行记录保存，会增大控制器的CPU利用率、存储卡空间占用率，甚至可能会导致CPU死机，影响风力发电机运行安全；

变桨系统是各种复杂电气元件、控制逻辑的组合，同一个故障可以是多种不同的原因导致的，随着智能化风机概念的升级，为减少现场故障排除时间，减少不必要的器件试更换，故障定位的作用和价值也越来越高；如图1所示，在风力发电机进行调桨时，电容电压发生了很大的波动(正常值为85V，而图中曲线波动的上限约为95V，下限约为74V)，此现象表征超级电容已发生严重故障，但目前对超级电容电压的检测，能识别到的只有“超级电容电压低”故障，然而，除了此波动现场外，导致“超级电容电压低”故障的可能原因还有：充电器故障、电网异常、信号采集异常、超级电容容值下降等多种因素，会对现场排除和处理故障造成一定的混淆。

因此，能够对超级电容电压波动情况进行实时监测，其有益效果有：准确区分、定位出故障原因，减少人员排查故障的工作量，减少故障处理时间；对超级电容性能进行提前检测和预警，保护整机安全。

目前，对数据波动情况进行检测的方法主要有：

1、幅值检测法：判断超级电容电压大于或小于一定幅值，则进行报警；其缺点是：检测幅值及时间窗口不易确定；幅值设置过小，容易误报；幅值设置过大，会导致漏报；检测故障时的延时时间过长，可能会导致检测不到故障；检测延时时间过短，又容易因为偶然的单次跳变而误触发故障；

2、均值检测法：对超级电容去平均值，之后进行数据检测；其缺点是：不能进行有效的波动检测，数据波动时，往往是在正常值附近上下跳动，上、下两次数据取平均值后，可能正好等于正常值，因为此方法对数据波动的检测较为困难；

3、跳变次数检测法：此方法的不足是需要设置检测阈值，然而数据波动的幅度事先并不知道，所以检测的通用性不高；此外，时间窗口设置过长，不能有效检测出数据波动，时间窗口过短，又会造成误报，不能区分出故障；

4、频率检测法：检测数据的变化频率值，以此进行故障检测；此方法的不足是：检测频率需要控制器有很高的数据采集频率，且需要有高级的算法(如快速傅里叶变换)，而这两种功能对工业控制器而言，难以实现；

除此之外，上述方法所共同存在的不足点为：

(1)、对于跳变时间较短的情况，无法检测到，例如，平均值法会把较小的值平均掉；跳变次数检测由于设置的次数阈值，所以短时间的跳变不足以触发阈值；而频率检测法若要检测到短时间的跳变，需要进行快速傅里叶等高级运算，而这种算法在一般的PLC控制器内难以实现；

(2)、阈值不易确定，如附图1所示，电容电压最低值约为74V，而如果阈值设置为75V，就可能检测不到数据异常；且数据波动与跳变的程度完全是随机的，导致其阈值不易确定；

(3)、现有方法只能对数据的上、下限进行检测，而无法确定数据准确的分布区间；例如检测最小值，只能判断最小值是多少，而不能检测数据在最小值与最大值之间的整体分布情况；例如，只能检测到数据在0-70V范围内个数最多，但无法检测数据主要分布在80-90V之间；

因此，需要一种变桨系统超级电容运行数据检验方法，可以对风力发电机的运行数据进行更为准确的检测，并以此判断风力发电机的的运行状态，并有效检测出数据分布区间；此外，其检测参数可以实现自动设置，不需要根据数据范围的变化而调整参数。

发明内容

为了解决上述技术问题，本发明提供一种变桨系统超级电容运行数据检验方法，所述电容运行数据检验方法的步骤为：

步骤一：投针法检验：根据要检测的数据的最大值，判断并计算数据分段因子，并以检测数据作为被除数，分段因子作为除数，计算商及余数，之后根据商及余数判断是否与分段因子线相交；

步骤二：用余数不为0的个数，除以要检测的数据总个数，再根据投针法公式进行计算；当数值大于1.57时，停止计算；最后对最大分段因子和最小分段因子对应的数值进行统计，就可以得出数据的主要分布区间，再根据投针法公式，计算概率值；并统计分布区间内的数据个数；

步骤三：根据投针法的分析结果，对数据分散、集中情况进行判断，统计数据的分布区间及每个区间内的数据个数，对数据个数求取方差值并以数据完全分布于某区间，计算参考方差值；

步骤四：计算得出的方差值与参考方差值进行比较，方差值与参考方差值相差越大，则说明数据越分散，对应于超级电容电压，则可判断出超级电容电压波动的范围较大，由此可判断超级电容电压发生异常。

优选的，所述投针法公式的公式为

优选的，所述分段因子的设置方法为：根据数据最大值，分段因子的选取可设置为分段数大于等于10。

优选的，所述商及余数判断是否与分段因子线相交，是利用判断数据除以分段因子的余数，若余数为0，则表示不相交，若余数不为0，则表示相交。

优选的，所述概率值选取为1.57。

优选的，所述分布区间内的数据记为1，不在分布区间的数记为0，以方便进行数据统计分析，并根据数据记为1的个数及全部数据的个数的比值，求取数据的占比情况。

与现有技术相比，本发明的有益效果为：

1、本发明可以有效检测数据的波动情况，并检测出短时间的跳变；且所检测的数据分布区间范围更准确、更细化，且不需要对检测阈值进行修改或调整；

2、本发明涉及的投针法检验，其数据检测与统计的结果与分段因子选取关系不大；

3、本发明的投针法能够解决传统检验中每个区间分布的个数各不相同，占比多少也各不相同，从而难以实现对所有运行工况下的数据的统一检测的问题。

附图说明

图1为本发明的变桨系统轴三柜的电容电压值图；

图2为本发明的投针法检测流程图；

图3为本发明的数据分散情况统计分析方法步骤图；

图4为本发明的实施例1中的投针法检验的分析结果图；

图5为本发明的实施例1中投针法与传统统计方法的检测效果对比图；

图6为本发明的实施例1中超级电容电压检测示例图；

图7为本发明的实施例1中超级电容电压的分布图。

具体实施方式

以下结合附图对本发明做进一步描述：

实施例：

本发明提供一种变桨系统超级电容运行数据检验方法，所述电容运行数据检验方法的步骤为：

(1)如附图2所示，投针法检验：

步骤201：数据读取完成；

步骤202：根据数据的最大值，判断并设置分段因子；分段因子的选取可设置为分段数大于等于10，若数据最大值是100，则分段因子可设置为10，若数据最大值是3000，分段因子可设置为100，以此类推，但分段因子的设置不仅限于10或100，也可设置为如5、50或20、200；

步骤203：按分段因子所划分的区间，求取数据与分段区间平行线的是否相交，及余数是否为0，即可判断数据与分段区间平行线的是否相交，具体是指判断数据除以分段因子的余数是否为0，若余数为0，则表示不相交，若余数不为0，则表示相交，如15除以10的余数是5，则表示相交；

步骤204：根据投针法公式

步骤205：设置概率值为1.57，其中1.57＝Π/2；

步骤206：对统计结果运算分析；

(2)附图3所示，根据投针法的分析结果，对数据分散、集中情况进行判断：

步骤301：数据分析完成；

步骤302：统计数据的分布区间及每个区间内的数据个数；

步骤303：对数据个数求取方差值并以所有数据均分布在某个区间内，求取参数方差值；

步骤304：对实际统计的各区间分布内的数据个数求取实际方差值，计算得出的方差值与参考方差值进行比较；

步骤305：将实际方差值与参考方差值作对比；

步骤306：方差值与参考方差值相差越大，则说明数据越分散，对应于超级电容电压，则可判断出超级电容电压波动的范围较大，由此可判断超级电容电压发生异常。

实施例1

分段因子选取为10，运算过程是计算概率大于时停止计算，则可得出如附图4所示的分析结果；从图中可看出，数据主要集中分布在10-80，其中小于10的数量较少，大于10的无数据，具体是指因为概率达到Π/2＝1.5708，因此自动停止了计算；以上结果表明，本发明所提供的方法可用于蛋白质错误折叠致病机制的研究以及蛋白质相关疾病药物的研发。

如附图5所示，以100为分段因子，可得出以2100进行分段，对数据区间的统计最准确；而传统的统计方法，一方面分段区间的参数选取不易设置，例如分段区间设置为100、200、300，在数据比较分散的情况下，得到的统计均不一致；另一方面，如果要求取数据个数的最大值，则只能得到分布区间的200-5200，其中数据最大值是5250，总数据个数是3003个，得不到数据详细的分布统计情况；此外，传统的统计方法在判断数据有效性时不方便，例如本次数据可能1000～1500数据个数较多，而下次可能是在1500-2000数据个数较多，因此会使得数据的特性识别无法使用单一的参数进行判断，而投针法不存在此问题；

如附图7所示，从图中可看出，其数据范围主要分布在70-90V；其中，小于100的数据个数，以及大于2100的数据个数，分布为数据的小值情况和大值情况；且其优点在于：可以自动直接识别出数据小值、大值的数据个数，可以是1，而不是只统计此范围段内数据的有无；

如附图6所示，根据本方案的方法进行运算的结果：其中，由于电容电压的小数位数较多，所以为了求取余数，需要对数据进行放大处理；本例中为放大1000倍；最终得出的结果为：以30进行分段时，得出的数据统计结果最准确，即在数值0-30V内，数据较少；在数值30-60V内，数据较少；而在数值60-90内，数据较多；在数值90-120内，数值较少；其结果统计与附图7所示的电压分布范围一致，即主要分布在70-90V之间；而如果以10V为间隔进行统计，只能得出60-70V、70-80V、80-90V、90-100V这四个范围段内都有的数据，难以判断出数据主要集中在哪个区间范围内。

利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，设计出类似的技术方案，而达到上述技术效果的，均是落入本发明的保护范围。