具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。

如图1至图3所示，本发明提供一种基于信号重构风电机组编码器故障容错方法S100，具体包括以下步骤S110～S160：

S110、获取风电机组预设时间内的数据信息；

具体的，在机组正产运行过程中，获取机组某段时间内的数据信息，例如，调取T时间段内SCADA系统中记录的桨距角指令u_β，实际桨距角度β、风速v和风机转速ω等信息，并将数据信息存入matlab中，以备后续处理。

S120、对数据信息进行预处理；

具体的，在matlab中对步骤S110中获取的各个参数进行预处理，例如，在一些实施例中，若某些关键数据缺失，可采用线性插值法对数据信息进行数据补充。或者，在另一些实施例中，若某个数据或某些数据与周围数据偏差过大，则认为其为坏值，对数据信息进行去环值处理，将其替换为相邻数据的平均值。或者，在另一些实施例中，若噪声信息过大，可以采用滤波法对数据信息进行降噪处理。再或者，在另一些实施例中，若存在大量重复数据，则对数据信息进行隔点采样处理，即每隔固定数目的点取一个点作为有效数据，以减少运算量。

需要说明的是，本实施例对于滤波法不作具体限定，可以采用惯性滤波，也可以采用卡尔曼滤波进行降噪处理。

S130、根据预处理后的数据信息，辨识伺服机构的传递函数与神经网络模型；

具体的，根据预处理后的桨距角指令与实际桨距角度，辨识伺服机构的传递函数，包括：

根据预处理后的桨距角指令与实际桨距角度数据，采用最小二乘辨识或粒子群寻优算法得到传递函数G₁(s)，具体关系式(1)如下：

β(s)＝G₁(s)u_β(s) (1)

式中：β(s)表示实际桨距角度数据；

u_β(s)表示桨距指令。

以及，由于在不同风速下，桨距角与风机转速的关系差异较大，为了提高神经网络拟合度，本实施例设定风速范围节点v₁、v₂、v₃，并利用matlab工具箱Neural Net Fitting拟合实际桨距角度β与风机转速ω之间神经网络模型，即训练出不同风速范围下实际桨距角度与风机转速之间的神经网络模型，具体关系式(2)如下：

式中：β表示实际桨距角度；

v表示风机

ω表示风机转速。

需要说明的是，本实施例的风速范围节点相邻两个神经网络模型在节点处的输出值偏差不应超过0.15r/min，否则需要重新拟合神经网络模型。

S140、根据传递函数设计状态观测器，并设置增益向量，将状态观测器极点配置在预设范围内；

具体的，根据步骤S130中获得的传递函数G₁(s)，首先将其转化为状态空间表达式形式，根据状态空间表达式设计状态观测器，并利用matlab配置极点的方法得到状态观测器反馈增益向量K，即设置合适的状态观测器增益，以将观测器极点配置在理想范围内以保证观测器性能。

S150、在编码器正常时验证状态观测器重构性能与神经网络模型的准确度。若神经网络模型准确度低于预设值，即神经网络模型准确度较低时，则需要重新训练神经网络模型。

将设计的状态观测器与神经网络模型应用于如图3所示的桨距角控制系统中。在容错之前需完成连续24h试验，统计观测器重构值与编码器测量值的残差e_s以及神经网络输出值与真实风电机组转速的残差e_n。定义μ_s与σ_s分别为24h内e_s的均值与标准差，μ_n与σ_n分别为24h内e_n的均值与标准差，则有如下关系式(3)：

需要说明的是，若在试验过程中e_s与e_n分别不超过机组实时桨距角β与风机转速ω的5％，则认为通过试验。若完成试验即可将其应用于风电机组桨距角编码器容错控制。否则退回步骤S130重新辨识桨距角指令与实际桨距角度之间的传递函数模型G₁(s)，重新拟合神经网络模型。

S160、设定编码器测量值与状态观测器重构值残差的阈值，若残差超过阈值，分别将编码器测量值与状态观测器重构值代入对应风速下的神经网络模型进行验证，以对编码器作出相应操作，

具体的，定义E_s＝μ_s+2.57σ_s ²为观测器重构值与编码器测量值残差e_s的阈值，定义E_n＝μ_n+2.57σ_n ²为神经网络估计值与实际转速之间残差e_n1与e_n2的阈值，其中，μ_s与σ_s分别为24h内e_s的均值与标准差，μ_n与σ_n分别为24h内e_n的均值与标准差。且e_n1＝ω₁-，e_n2＝ω₂-ω。

基于上述定义的参数，分别将编码器测量值与状态观测器重构值代入对应风速下的神经网络模型进行验证，根据验证情况以对编码器作出的具体操作有如下三种情况：

第一、若在实际运行过程中，残差超过阈值，即e_s触发阈值，则分别将编码器测量值与观测器重构值代入对应风速范围内的神经网络模型，若编码器测量值代入神经网络后得到的第一风机转速估计值ω₁与实际风机转速ω相匹配，即两者更接近，即|e_n1|≤|e_n2|，且有：|e_n1|≤E_n，则说明观测器模型失配，需要重新辨识距角指令与实际桨距角度之间的传递函数模型G₁(s)，以及重新设计状态观测器的并完成极点配置。

第二、若状态观测器重构值代入神经网络后得到的第二风机转速估计值ω₂与实际风机转速ω相匹配，即两者更接近，即|e_n2|≤|e_n1|，且有：|e_n2|≤E_n，则说明编码器失效，进一步采用状态观测器重构值代替编码器测量值作为实际桨距角度信号，以减少对控制系统造成的影响，同时发出需要更换编码器的报警信号，也就是说，这种情况下，需要及时更换编码器。

第三、若若|e_s|＞E_s，|e_n1|＞E_n与|e_n2|＞E_n同时满足，即编码器测量值与状态观测器重构值残差较大，且编码器测量值与状态观测器重构值均代入对应风速下的神经网络模型后，得到的第一风机转速估计值ω₁以及第二风机转速估计值ω₂均与实际风机转速ω不匹配，即第一风机转速估计值与实际风机转速相差较大，第二风机转速估计值也有实际风机转速相差较大。也就是说，无论将观测器重构值还是编码器测量值代入对应风速范围下的神经网络模型，得到的输出都与实际转速相差较大，则说明容错控制方法崩溃，此时发出检验编码器是否发生故障的报警信号。也就是说，上述情况下，发出报警信号，需要人工检验是否编码器发生故障。并反馈步骤S130。之后，再进一步重新辨识桨距角指令与实际桨距角度之间伺服机构的传递函数，重新训练不同风速下的实际桨距角度与风机转速神经网络模型。

应当理解的是，如图2和图3所示，当e_s触发阈值后，若不符合|e_n1|≤E_n且|e_n2|≤E_n的情况，则返回步骤S130。若符合则进入下一步，即判断是否满足|e_n2|≤|e_n1|，若不满足则返回步骤S130，若满足则进入下一步，即完成故障诊断，使用观测器重构值代替桨距角编码器。

请一并结合图4至图6，分别给出了桨距角编码器故障容错效果图、桨距角重构残差曲线以及神经网络估计残差曲线。从图6可以看出，将编码器测量值代入神经网络模型后得到的风机转速残差触发了阈值，而观测器重构值代入神经网络模型后风机转速残差在阈值范围内，说明是编码器发生故障，将观测器重构值代替编码器测量值是合理的。

需要说明的是，传统基于状态观测器的传感器故障容错控制方法在状态观测器重构值与传感器测量值残差过大时直接认定传感器故障，这样会造成一定的认定错误。而本发明基于神经网络模型验证环节，当观测器重构值与传感器测量值残差较大时需要验证传感器故障与观测器模型失配两种情形，这样，可以进一步确定残差过大的原因，并对应作出调整。

本实施例的方法利用神经网络模型验证环节，实现了对风电机组桨距角编码器故障诊断。以及，根据变桨距系统与编码器数学模型设计状态观测器，配合风电其它正常传感器信号重构出桨距角信号，实现风电机桨距角编码器故障的容错控制，以提高风力发电可靠性。

下面将结合具体实施例进一步说明基于信号重构的风电机组编码器故障容错方法：

实施例1

本示例中基于信号重构的风电机组编码器故障容错方法，包括如下步骤：

S1、以某台1.5MW风力发电机组为基础，在机组正产运行过程中，获取机组历史数据，具体为：其切人风速为3m/s，额定风速为10.86m/s，切出风速为25m/s，叶轮半径为38.5m，叶片数为3，桨距角变化速率不超过3°/s。得到G₁(s)为：

S2、在matlab中对上述各个参数信息进行预处理。

S3、根据桨距角指令u_β与实际桨距角度β数据，采用最小二乘辨识或粒子群寻优算法辨识得到传递函数G₁(s)，具体关系式(1)如下：

进一步的，本实施例适用于风速达到额定风速之后，对桨距角进行闭环控制时编码器故障的容错，故对风速在10.86m/s～25m/s范围内进行研究。即：10.86m/s≤v≤25m/s。取v₁＝12m/s，v₂＝15m/s，v₃＝15m/s。分别拟合不同风速范围内风机转速、风速、桨距角之间的神经网络模型：ω＝f_i(v，β)，i＝1，2，3，4 (2)。

S4、根据S3中获得的传递函数G₁(s)，首先将其转化为状态空间表达式形式A＝-60，B＝1，C＝60，D＝0，根据状态空间表达式设计状态观测器，利用matlab配置极点的方法得到状态观测器反馈增益向量K＝1。

S5～S6、根据上述对风速在10.86m/s～25m/s范围内进行研究得到的神经网络模型，在容错之前需完成连续24h试验，统计观测器重构值与编码器测量值的残差e_s以及神经网络输出值与真实风电机组转速的残差e_n，以及，E_s＝μ_s+2.57σ_s ²为观测器重构值与编码器测量值残差e_s的阈值，定义E_n＝μ_n+2.57σ_n ²为神经网络估计值与实际转速之间残差e_n1与e_n2的阈值。根据上述各式进一步得到本实施例观测器重构值与编码器测量值残差e_s的阈值E_s为1.3°。神经网络估计值与实际风机转速阈值为1r/min。

本发明提供一种基于信号重构风电机组编码器故障容错方法。相对于现有技术而言，本发明的方法利用神经网络模型验证环节，当观测器重构值与传感器测量值残差较大时需要进一步验证，以对应作出调整，可有效解决在风电机组桨距角编码器硬件设备故障后，依然能够通过算法重构出桨距角，不需要额外的经济成本。另外，本发明的方法根据变桨距系统与编码器数学模型设计状态观测器，配合风电其它正常传感器信号重构出桨距角信号，实现风电机桨距角编码器故障的容错控制，提高风力发电可靠性。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。