本发明涉及一种风力发电机组运行状态评估技术领域，具体地讲，涉及一种风力发电机组振动程度的评估方法与系统。
背景技术：
随着风力发电被人类广泛应用，风电设备不断增加。世界范围内各个国家对风电行业都更加重视，然而风电设备的长期维修和保养以及严重影响了风电项目的经济效益。风力发电机组设备的而大型化、复杂化都导致了故障的高发率，研究风力发电机组的状态监测与故障诊断系统显得尤为重要。在风力发电机组中，机组振动水平是衡量机组稳定性的重要指标，正常状态下机组属于稳态系统，其振动水平、发电性能等指标相对稳定。但是，经常由于控制参数不合适或者机组大部件出现异常会导致机组振动水平增大或出现振动发散的耦合振动，此时，机组处于危险的失稳状态。因此，机组振动水平的程度测试和分析十分重要。
目前，现有技术还停留在从单台机组角度出发分析单台机组是否发生振动或发生了何种振动的阶段，无法对机组在一段时间内的振动水平进行分析进而确定振动的严重程度。由此，现有技术中也无法实现风场级的机组振动分析，进而无法根据振动分析结果对机组作进一步的优化控制。
技术实现要素：
本发明提供了一种从机组振动角度出发，对风力发电机组振动程度进行分析的评估方法与系统。
本发明的一方面提供了一种风力发电机组振动程度的评估方法，包括以下步骤：(a)获取风力发电机组的振动相关数据文件；(b)对获取的振动相关数据文件进行数据分析；(c)根据数据分析的结果对所述风力发电机组的振动程度进行评估。
优选地，步骤(b)中所述数据分析包括特征抽取和数据分类。
优选地，所述特征抽取包括：调用特征模式库，对获取的所述风力发电机组的振动相关数据文件进行特征抽取；所述数据分类包括：根据特征抽取结果，确定每个振动相关数据文件的振动模式。
优选地，所述特征抽取包括抽取标准差、峭度、包络线、时域振幅特征、特定频率滤波后幅值特征、频谱主频率特征和频谱主能量特征中的至少一种特征。
优选地，所述振动模式通过规则抽象法进行判断，其中，规则抽象法包括专家经验法或机器学习法。
优选地，所述步骤(c)包括：所述步骤(c)包括：根据所述振动相关数据文件的个数以及为不同振动模式分配的权重进行加权运算，得到所述风力发电机组的振动等级；根据振动等级评估所述风力发电机组的振动程度。
优选地，根据所述振动相关数据文件的个数以及为不同振动模式分配的权重进行加权运算，得到所述风力发电机组的振动等级，具体包括：分别计算与每种振动模式对应的数据文件的总个数；分别将每个振动模式的权重值乘以相应振动模式对应的数据文件的总个数，并对所有的乘积结果求和；根据求和结果以及预设的等级区间来确定风力发电机组的振动等级。
优选地，所述步骤(c)包括：根据先验知识以及获取的对所述风力发电机组振动相关数据文件的振动模式的确定结果和对不同振动模式的权重分配结果，通过机器学习法得到所述风力发电机组的振动等级；根据振动等级评估所述风力发电机组的振动程度。
优选地，通过以下方式执行所述机器学习法得到所述风力发电机组的振动等级：根据先验知识中已知的风力发电机组的振动相关数据文件和振动等级数据训练机器学习模型；将决策向量作为机器学习模型的输入；通过机器学习模型输出所述风力发电机组的振动等级。
优选地，所述决策向量为获取的风力发电机组的振动相关数据文件的振动模式和为每个振动模式分配的权重对应相乘的结果。
优选地，所述评估方法还包括步骤(d)：对风力发电机组的振动程度评估结果进行排序，根据排序结果对风电场级的机组振动程度进行评估。
优选地，所述步骤(d)包括：通过将每个风力发电机组的振动程度的评估结果与基线值进行比较来评估不同风电场的振动程度，其中，所述基线值为专家经验值、状态边界值、仿真结果值其中之一，其中，状态边界值是通过大数据分析得出的已知有问题的机组和没有问题的机组之间的状态的边界值，所述状态边界值随风电场级的机组数量的变化进行修正，仿真结果值是风电场级的机组进行设计时正常工作状态的仿真结果的值。
优选地，所述步骤(d)包括：将不同的风力发电机组振动程度的评估结果中最严重振动等级所占比例值大小进行对比来评估不同风电场的振动程度。
本发明的另一方面提供了一种风力发电机组振动程度的评估系统，包括：数据收集模块，获取风力发电机组的振动相关数据文件；数据分析模块，对获取的振动相关数据文件进行数据分析；程度评估模块，根据数据分析的结果对所述风力发电机组的振动程度进行评估。
优选地，数据分析模块中所述数据分析包括特征抽取和数据分类。
优选地，所述特征抽取包括：调用特征模式库，对获取的所述风力发电机组的振动相关数据文件进行特征抽取；所述数据分类包括：根据特征抽取结果，确定每个振动相关数据文件的振动模式。
优选地，所述特征抽取包括抽取标准差、峭度、包络线、时域振幅特征、特定频率滤波后幅值特征、频谱主频率特征和频谱主能量特征中的至少一种特征。
优选地，所述振动模式通过规则抽象法进行判断，其中，规则抽象法包括专家经验法或机器学习法。
优选地，程度评估模块包括：根据所述振动相关数据文件的个数以及为不同振动模式分配的权重进行加权运算，得到所述风力发电机组的振动等级；根据振动等级评估所述风力发电机组的振动程度。
优选地，程度评估模块根据所述振动相关数据文件的个数以及为不同振动模式分配的权重进行加权运算，得到所述风力发电机组的振动等级，具体包括：分别计算与每种振动模式对应的数据文件的总个数；分别将每个振动模式的权重值乘以相应振动模式对应的数据文件的总个数，并对所有的乘积结果求和；根据求和结果以及预设的等级区间来确定风力发电机组的振动等级。
优选地，程度评估模块：根据先验知识以及获取的对所述风力发电机组振动相关数据文件的振动模式的确定结果和对不同振动模式的权重分配结果，通过机器学习法得到所述风力发电机组的振动等级；根据振动等级评估所述风力发电机组的振动程度。
优选地，程度评估模块通过以下方式执行所述机器学习法得到所述风力发电机组的振动等级：根据先验知识中已知的风力发电机组的振动相关数据文件和振动等级数据训练机器学习模型；将决策向量作为机器学习模型的输入；通过机器学习模型输出所述风力发电机组的振动等级。
优选地，所述决策向量为获取的风力发电机组的振动相关数据文件的振动模式和为每个振动模式分配的权重对应相乘的结果。
优选地，所述程度评估模块还包括：对风力发电机组的振动程度评估结果进行排序，根据排序结果对风电场级的机组振动程度进行评估。
优选地，程度评估模块包括：通过将每个风力发电机组的振动程度的评估结果与基线值进行比较来评估不同风电场的振动程度，其中，所述基线值为专家经验值、状态边界值、仿真结果值其中之一，其中，状态边界值是通过大数据分析得出的已知有问题的机组和没有问题的机组之间的状态的边界值，所述状态边界值随风电场级的机组数量的变化进行修正，仿真结果值是风电场级的机组进行设计时正常工作状态的仿真结果的值。
优选地，程度评估模块包括：将不同的风力发电机组振动程度的评估结果中最严重振动等级所占比例值大小进行对比来评估不同风电场的振动程度。
在本发明中，从机组振动角度出发，通过对单台机组的多种运行文件进行分析，对与振动相关的文件进行量化表征，实现对单台风力发电机组的振动程度进行单一结果的评估。在此基础上，进而能够对对整个风电场的机组振动程度进行分析，实现场级振动评估。由此可见，本发明不仅可以得到单台机组的振动严重程度，并进一步确定哪类振动模式影响了单台机组的振动程度，以方便提供配套的解决方案，还可以给出整个风场的振动严重程度评估，快速定位振动程度差的目标机组，进行动态运维处理，更进一步对不同风电场进行振动程度评估。
附图说明
通过以下结合附图进行的描述，本发明的示例性实施例的以上和其他方面、特点和优点将会更加清楚，在附图中：
图1示出根据本发明的实施例的风力发电机组振动程度的评估方法的流程图；
图2示出根据本发明的实施例的用于对获取的振动相关数据文件进行数据分析的过程的流程图；
图3示出根据本发明的实施例的根据机器学习法来评估机组振动等级结果的另外一种方式的回归曲线图；
图4示出根据本发明的实施例的风力发电机组振动程度的评估系统的框图。
在附图中，相同的标号将被理解为表示相同的元件、特征和结构。
具体实施方式
提供以下参照附图的描述以帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。以下参照附图的描述包括各种特定细节以帮助理解，但是所述特定细节将仅被视为示例性的。因此，本领域普通技术人员将意识到，在不脱离本发明的范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外，为了清晰和简要，可省略公知功能和结构的描述。
图1是示出根据本发明的实施例的风力发电机组振动程度的评估方法流程图。
如图1所示，首先，在步骤s100，获取风力发电机组的振动相关数据文件。具体地，可通过各种监测设备获取风力发电机组的振动相关的单台机组的各类文件信息和文件数量。风电场级的机组中有相应的监测机制，当机组振动出现异常后可触发这些监测机制生成记录文件。这种监测机制不进行复杂的性能评估分析，只负责触发生成记录文件。根据本发明的实施例，触发条件可由专家经验提供。以风力发电机组w为例，假设w中有wt1～wtm总共m个单台机组，则需要获取风力发电机组中m个单台机组振动相关的所有数据文件。
接下来，在步骤s200，对获取的振动相关数据文件进行数据分析。根据本发明的实施例，针对风力发电机组的振动相关数据文件进行数据分析可包括特征抽取和振动模式分类。
具体地，根据本发明的实施例，取风力发电机组w中的一个单台wt1机组为例，假设针对单台机组wt1在一段时间内获取的机组振动相关数据文件包括x个k文件，y个s文件、z个瞬时数据文件。其中，k文件是机组出现故障时触发的数据文件。机组有多种类型的故障，如振动加速度故障、过速故障等，因此每台机组的k文件个数可以是不相同的。s文件是机组出现特殊频率的振动时触发生成的数据文件，如低频振动或高频振动等，机组出现特殊频率的振动会生成s文件，但不一定会生成k文件，每台机组的s文件个数也是不相同的。瞬时数据文件是机组正常运行数据，一般记录机组关键信息的变化，如风速、温度、功率等。每台机组的瞬时数据文件个数都是相同的。接下来，对机组wt1的所有振动相关数据文件进行振动模式分类。应理解，上述的k文件、s文件以及瞬时数据文件仅是与机组的振动相关数据文件的示例，本发明可采用的数据文件的类型不限于此。在步骤s300，根据数据分析的结果对所述风力发电机组的振动程度进行评估。具体地，根据本发明的实施例，根据所述振动相关数据文件的个数以及为不同振动模式分配的权重进行加权运算，得到所述风力发电机组的振动等级，再根据振动等级评估所述风力发电机组的振动程度。根据本发明的另一实施例，还可以根据先验知识以及获取的与所述风力发电机组振动相关数据文件的振动模式分类结果和对不同振动模式的权重分配结果，通过机器学习法得到所述风力发电机组的振动等级，再根据振动等级评估所述风力发电机组的振动程度。下面将参照图2和图3来分别详细说明根据本发明实施例的用于机组振动程度的评估方法过程。
图2是示出根据本发明的实施例的用于对获取的振动相关数据文件进行数据分析的过程的流程图。
假设在图1的步骤s100中得到了风电场级的机组w中wt1单台机组在一段时间内振动相关的x个k文件、y个s文件、z个瞬时数据文件。
在步骤s201，调用特征模式库，对获取的所述风力发电机组的振动相关数据文件进行特征抽取。具体地，根据本发明的实施例，对单台机组wt1在一段时间内触发生成的x个k文件，y个s文件、z个瞬时数据文件分别进行特征抽取，特征抽取例如可包括抽取标准差、峭度、包络线、时域振幅特征、特定频率滤波后幅值特征、频谱主频率特征和频谱主能量特征中的至少一种特征。这里假设对三类文件均进行标准差的提取，则在步骤s201对单台机组wt1触发生成的x个k文件、y个s文件、z个瞬时数据文件分别进行标准差提取。
接下来，在步骤s202，根据特征抽取结果，确定每个振动相关数据文件的振动模式。根据本发明的实施例，可对单台机组wt1触发生成的x个k文件，y个s文件、z个瞬时数据文件运用规则抽象法分别进行模式判断。在本发明的实施例中，规则抽象法可以是专家经验法，也可以是常用的机器学习法，如决策树模型、支持向量机模型、朴素贝叶斯模型等。在以下实施例中，运用专家经验法进行振动模式的判断。根据步骤s201中标准差的提取结果，判断标准差是否超过一定阈值且频谱主能量是否达到一定值，并根据标准差值所在的不同的阈值范围将数据文件分类为不同的振动模式。
在获得了每个单台机组的振动相关数据的振动模式之后，接下来，可根据多种方式来评估机组的振动程度。
根据本发明的实施例，可运用权重加权法和机器学习法评估每个单台机组的振动程度。
根据上述举例，假设根据专家经验总结出5类典型振动模式，并且给出这5类典型振动模式危害等级排序为振动模式一<振动模式二<振动模式三<振动模式四<振动模式五，则根据对机组的危害程度可通过层次分析法或变异系数法为振动模式分别分配权重为w1<w2<w3<w4<w5，其分配的权重值依次增大。在这里，假设对每类振动模式分配的权重向量为[0.05,0.15,0.2,0.25,0.35]。
权重加权法评估算法过程如下：首先，分别计算与每种振动模式对应的数据文件的总个数，然后分别将每个振动模式的权重值乘以相应振动模式对应的数据文件的总个数，并对所有的乘积结果求和，最后根据求和结果以及预设的等级区间来确定风力发电机组的振动等级。具体举例来说，假设获取的与每个单台机组的不同振动模式的数据文件的总数量为(x+y+z)，根据专家经验总结出了5类振动模式，对每类振动模式分配权重向量为[0.05,0.15,0.2,0.25,0.35]，则单台机组wt1振动程度最严重的上限值为(x+y+z)*0.35，正常振动水平量化为0*(x+y+z)，机组振动程度区间为[0,(x+y+z)*0.35]。这里取x+y+z＝10，则最严重的上限值为0.35，机组振动程度区间为[0,3.5]。假设步骤s203振动模式分类结果为其中1个文件属于振动模式四、9个文件属于振动模式五，则按照上述的危害等级划分可将等级区间分为5等分，振动等级对应表如表1所示：
表1振动等级对应表
根据上述的示例，可求出机组的分类后的数据文件的评估结果值为1*0.25+9*0.35＝3.4，从表1中可知在评估结果值3.4在数值[2.8,3.5]区间内，因此，评估结果为等级1，给予单台机组wt1振动等级最严重的评估结果。此外，由于10个总文件数量中9个文件属于模式五，占全部文件个数的90％，所以该机组的振动模式五的振动异常严重，应给予振动模式五相关的解决方案。
根据本发明的另一实施例，还可根据机器学习法来评估机组的振动程度。具体地，可根据先验知识中已知的风力发电机组的振动相关数据文件和振动等级数据训练机器学习模型，并将决策向量作为机器学习模型的输入，从而通过机器学习模型输出所述风力发电机组的振动等级。常用的机器学习法有决策树模型、支持向量机模型、朴素贝叶斯模型等。这里，机器学习模型的输入为机组数据文件的振动模式分类结果与不同振动模式权重相乘的结果。这里，输入可被定义为决策向量，模型的输出为已知机组的振动等级。通过交叉验证的方法训练模型，当满足要求后即可用于机组振动等级评估。此处以svm模型为例，机器学习法评估过程如下：假设svm模型已经完成训练，单台机组wt1的数据文件个数为x+y+z＝20个，根据上述步骤s202，得到振动模式的判断结果为2个数据文件属于振动模式二、3个数据文件属于振动模式四、15个数据文件属于振动模式五，假设这里专家经验总结出5类振动模式，且权重分配分别为0.05、0.15、0.2、0.25、0.35，则最终得到的决策向量为[0,0.3,0,0.75,5.25]。将决策向量作为已经训练好的svm模型的输入，输入样本为5维，则模型的输出即为本台机组的振动等级评估结果。如果结果为1则本台机组的振动水平为等级1，给予单台机组wt1振动等级最严重的评估结果。由于在振动模式分类结果中，振动模式五占全部文件个数的75％，所以该机组的振动模式五的振动异常严重，应给予振动模式五相关的解决方案。
图3是示出根据本发明的实施例的根据机器学习法来评估机组振动等级结果的另外一种方式的回归曲线图。
图3是在运用机器学习法评估每个单台机组的振动程度时，在先验知识给出的风电场级的单台机组个数足够多的情况下，采用的回归问题分析机组振动程度，将离散的振动等级转化为连续的风险等级。此时，机器学习模型的输入同样为一个1×n的向量，输出则变为连续的风险等级，其中，纵坐标为风险等级值，横坐标为机组。如图3所示：图中振动程度稳定的机组为0，振动程度有问题的机组按照振动的严重程度依次上升，风险等级值越大说明对应振动程度越严重。
此外，根据本发明的实施例，图1所示的评估方法还包括对风力发电机组的振动程度评估结果进行排序，根据排序结果对风电场级的机组振动程度进行评估。根据上述举例，对风力发电机组w的m个单台机组振动程度的振动程度评估结果进行排序。假设风力发电机组w有33个单台机组，且评估结果量化后的结果为[3,1,3,1,2,1,1,1,4,1,2,1,5……]，且排序结果是振动等级为1的单台机组个数为20个，振动等级为2的单台机组个数为2个，振动等级为3的单台机组个数为4个，振动等级为4的单台机组个数为7个，根据排序结果可知对振动等级为1的机组予以重点关注。
此外，如果在不同风电场之间进行风电场级的机组振动程度评估时，会出现如下所举例的情况：例如，风电场a的机组振动水平中最严重的单台机组振动程度评估结果可能会比风电场b的机组振动水平中最不严重的单台机组振动程度评估结果要大。所以，根据本发明的实施例，还可在不同风电场之间进行风电场级的机组振动程度评估，，在不同风电场之间进行风电场级的机组振动程度评估时，根据本发明的实施例，还可进一步采用定基线的方式来进行不同风电场级的振动程度评估。
根据本发明的实施例，定基线值的方式是将每个单台机组的振动程度的评估结果与基线值进行比较来评估风电场级的机组振动程度。所述基线值为专家经验值、状态边界值、仿真结果值其中之一，其中，状态边界值是通过大数据分析得出的已知有问题的机组和没有问题的机组之间的状态的边界值，状态边界值随风电场级的机组数量的变化需要进行不断修正，仿真结果值是风电场级的机组进行设计时正常工作状态的仿真结果的值。根据得到的每个单台机组振动程度的评估结果值，当单台机组振动程度的评估结果超过基线值时将该单台机组评估为存在振动异常，否则评估单台机组振动程度正常。这样，可确定风电场级的机组中单台机组振动程度异常的总个数，然后根据所确定的不同风电场级的机组中单台机组振动程度异常的总个数进行对比，进而评估不同风电场机组振动程度。
根据本发明的另一实施例，也可以进一步将不同的风力发电机组振动程度的评估结果中最严重振动等级所占比例值大小进行对比来评估不同风电场的振动程度。根据上述举例，对于风电场级w，由排序结果是振动等级为1的单台机组个数为20个，振动等级为2的单台机组个数为2个，振动等级为3的单台机组个数为4个，振动等级为4的单台机组个数为7个可以得到最严重等级1所占的比例为60.6％，假设其他四个风电场q、t、r、u的比例值分别为70％、90.1％、50.3％、50％，则上述五个风电场中比例值最大的是风电场t，所以评估风电场t为五个风电场中振动程度最差的风电场。
图4是示出根据本发明的实施例的风力发电机组振动程度的评估系统的框图。
如图4所示，风力发电机组振动程度的评估系统600可包括数据收集模块601、数据分析模块602和振动程度评估模块603。根据本发明的实施例，风力发电机组振动程度的评估系统600可通过各种计算装置(例如，计算机、服务器、工作站等)来实现。具体的讲，数据收集模块601获取风力发电机组的振动相关数据文件。
数据分析模块602对数据收集模块601获取的振动相关数据文件进行数据分析。根据本发明的实施例，针对风力发电机组的振动相关数据文件进行的数据分析包括特征抽取和数据分类。其中，特征抽取包括调用特征模式库，对数据收集模块601获取的振动相关数据文件进行包括抽取标准差、峭度、包络线、时域振幅特征、特定频率滤波后幅值特征、频谱主频率特征和频谱主能量特征中至少一种特征抽取。数据分类根据特征抽取结果对风力发电机组的振动相关数据文件进行规则抽象法振动模式分类，其中，规则抽象法可以是专家经验法，也可以是常用的机器学习法如决策树模型、支持向量机模型、朴素贝叶斯模型等。
振动程度评估模块603根据数据分析模块602的数据分析结果对风力发电机组的振动程度进行评估。根据本发明的实施例，振动程度的评估方法可以为权重加权法和机器学习法两种。其中，权重加权法根据所述振动相关数据文件的个数以及不同振动模式分配的权重进行加权运算，得到所述风力发电机组的振动等级，再根据振动等级评估所述风力发电机组的振动程度。根据本发明的实施例，权重加权法计算过程如下：分别计算与每种振动模式对应的数据文件的总个数，再分别将每个振动模式的权重值乘以相应振动模式对应的数据文件的总个数，并对所有的乘积结果求和，最后，根据求和结果以及预设的等级区间来确定风力发电机组的振动等级。
机器学习法根据先验知识以及获取的与所述风力发电机组振动相关数据文件的振动模式分类结果和对不同振动模式的权重分配结果，通过机器学习法得到所述风力发电机组的振动等级，再根据振动等级评估所述风力发电机组的振动程度。根据本发明的实施例，机器学习法计算过程如下：根据先验知识中已知的风力发电机组的振动相关数据文件和振动等级数据训练机器学习模型，再将决策向量作为机器学习模型的输入，其中，决策向量为获取的与风力发电机组的振动相关数据文件的振动模式和每个振动模式分配的权重对应相乘的结果，最后，通过机器学习模型输出所述风力发电机组的振动等级。
振动程度评估模块603还包括对风力发电机组的振动程度评估结果进行排序，根据排序结果对风电场级的机组振动程度进行评估。
振动程度评估模块603通过将每个风力发电机组的振动程度的评估结果与基线值进行比较来评估不同风电场的振动程度。所述基线值为专家经验值、状态边界值、仿真结果值其中之一，其中，状态边界值是通过大数据分析得出的已知有问题的机组和没有问题的机组之间的状态的边界值，所述状态边界值随风电场级的机组数量的变化进行不断修正，仿真结果值是风电场级的机组进行设计时正常工作状态的仿真结果的值。
振动程度评估模块603还可以通过将不同的风力发电机组振动程度的评估结果中最严重振动等级所占比例值大小进行对比来评估不同风电场的振动程度。
根据本发明的实施例的一种风力发电机组振动程度的评估方法和系统能够从机组振动角度出发，不仅可以得到单台机组的振动等级，并进一步确定哪类振动模式影响了单台机组的振动程度，以方便提供配套的解决方案，还可以给出整个风场的振动等级评估，快速定位振动程度差的目标机组，进行动态运维处理，更进一步对不同风电场进行振动程度评估。
根据本发明的实施例的风力发电机组振动程度的评估方法可实现为计算机可读记录介质上的计算机可读代码，或者可通过传输介质被发送。计算机可读记录介质是可存储此后可由计算机系统读取的数据的任意数据存储装置。计算机可读记录介质的示例包括只读存储器(rom)、随机存取存储器(ram)、光盘(cd)-rom、数字多功能盘(dvd)、磁带、软盘、光学数据存储装置，但不限于此。传输介质可包括通过网络或各种类型的通信通道发送的载波。计算机可读记录介质也可分布于连接网络的计算机系统，从而计算机可读代码以分布方式被存储和执行。
尽管已经参照本发明的特定示例性实施例显示和描述了本发明，但是本领域技术人员将理解，在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可进行各种形式和细节上的各种改变。