本发明涉及风电智能运维的技术领域，尤其是指一种大型半直驱机组健康状态评估方法。
背景技术
风电机组是风电场的关键设备，其运行可靠性与风电场经济效益具有紧密联系。风电机组是一个极其复杂的系统，由多种机械、电气和控制部件构成，任何一个部件发生故障都可能导致机组停运，严重的故障甚至会影响电力系统稳定运行。
风机故障停机和风机发电性能下降是造成发电量损失的最大原因，如果能够提前避免风机故障发生或者在风机发电性能下降前能采取措施，则会大大减少发电量损失并提高经济效益。
目前，风电场运行维护存在一些不足和问题：
风电场现场普遍采用事后维护，即被动式运行维护。风机故障发生后，风电场的现场人员才会采取应对措施。即便风机没有发生故障，普通的风机运行维护也很难发现风机早期缺陷。实现预防性维护面临许多困难，缺乏必要的技术手段支撑。
技术实现要素：
本发明的目的在于克服现有技术的缺点与不足，提出了一种行之有效的大型半直驱机组健康状态评估方法，以弥补现有技术的不足和被动运行维护等问题，可有效实现对风机整机及各关键部件运行状态的实时监控和评估。
为实现上述目的，本发明所提供的技术方案为：一种大型半直驱机组健康状态评估方法，包括以下步骤：
1)通过风电场scada系统或大数据平台集控系统采集风电场各风机的秒级数据，风机秒级数据采集的时间以天为单位且采集标签点计量单位保持一致；
2)对数据进行预处理，对于存在异常值和有缺失的数据进行清洗；再将秒级数据进行时间间隔划分处理，分别求10分钟、1分钟和10秒钟的平均值；
3)确定风机健康状态评估模型的状态评价等级为良好(a)、合格(b)、注意(c)、严重(d)、停机(e)；
4)确定风机健康状态评估模型的评价对象的因素集，风机健康状态评估模型共包括8个关键部件：齿轮箱、发电机、变桨、变频器、偏航、液压、转速、振动，确定每个部件对应的评价指标即为该评价对象的因素集；
5)确定评价指标对各关键部件的影响权重以及各关键部件对风机健康状态评估模型的影响权重；
6)根据风机类型的特点，引入相对劣化度的概念，确定以各部件指标劣化度参数为准的判断准则，并运用变权理论，建立基于模糊综合评价的风机健康状态评估模型，模型建立包括以下步骤：
6.1)确定评价指标的劣化度参数
按照各关键部件的评价指标性质，将实际指标值分为三种类型，分别为越小越优型、中间型和越大越优型；[α1,β1]为指标的下限值和上限值，[α2,β2]为指标的合理区间，合理区间是指当指标的实际值在运行状态时处于合理区间范围内即代表良好状态，显然合理区间是介于下限值和上限值之间。
其中，越小越优型指标，指标的实际值越小，说明运行情况越好，这种类型指标的劣化度按照公式(1)来计算：
中间型指标，指标值大于或小于设定值都不好，当处于合理区间代表运行情况良好；这类指标的劣化度按照公式(2)来计算：
越大越优型指标，在不超过限值的范围内越大越好，这种类型指标的劣化度按照公式(3)来计算：
6.2)确定健康状态评估模型的隶属度参数
将各关键部件的因素集对该关键部件的影响程度进行量化，根据劣化度的模糊分解区间，确定对应因素集中m个指标对该关键部件的隶属度。用各个关键部件因素集的劣化度，按照公式(4)-(7)分别计算得到4个隶属度向量，再将四个隶属度向量组合成隶属度矩阵v：
lx＝[lx1lx2…lxm](8)
v＝[ar1'ar2'ar3'ar4'](9)
公式(4)—(7)中的x为劣化度值；a、b、c、d为隶属度参数，且满足关系0＜a＜b＜c＜d＜1。
lx1-lxm为因素集中m个指标的劣化度，lx为m个指标劣化度组成的劣化度向量，ar1、ar2、ar3、ar4为劣化度向量lx分别根据公式(4)-(7)计算得到的隶属度向量，v是由4个隶属度向量组成的隶属度矩阵，隶属度矩阵又可以表示为以下形式：
其中arij为因素集中第i个指标对该关键部件的第j个评价等级的隶属度。
6.3)确定变权向量
对隶属度矩阵v按照以下公式进行变权计算，得到评判矩阵：
r＝wv×v(12)
wv＝(wv1,wv2,…,wvm)(13)
其中，wv为每个关键部件对应的变权权重，wvi为因素集中每个指标对应的变权权重，weight为常权值，delta为变权系数，r为评判矩阵，r是(1×4)的矩阵。常权值weight的确定可根据aph层次分析法、专家赋值法、加权平均法等方法获取；当各因素的均衡问题考虑不多时，取delta>0.5，当不能容忍某些因素的严重偏离时，取delta<0.5时，当delta＝1时，等同于常权模式。
6.4)确定模型判定原则
根据上一步骤中将变权权重矩阵和隶属度矩阵合并得到的评判矩阵r，根据最大隶属度原则，评判矩阵中的最大值所在位置[1234]对应评价等级所在的位置，就是被评价对象的最终评价结果，即评判矩阵中最大值所在位置[1234]，对应评价结果[abcd]，根据机组运行模式中启动模式、升速模式和并网模式为风机正常运行状态的判定原则，不满足判定原则的风机整机评价结果直接判定为停机(e)；
7)通过建立的健康状态评估模型对风机整机以及各关键部件的运行状态进行实时评估，在大数据平台上，通过健康状态评估模型对实时传输的数据进行运算处理，输出风机整机和各关键部件的状态，包括良好(a)、合格(b)、注意(c)、严重(d)、停机(e)五大不同等级，实现对风机整机及各关键部件运行状态的实时监控和评估。
本发明与现有技术相比，具有如下优点与有益效果：
风电场现场普遍采用事后维护，即被动式运行维护。风机故障发生后，风电场的现场人员才会采取应对措施。即便风机没有发生故障，普通的风机运行维护也很难发现风机早期缺陷。实现预防性维护面临许多困难，缺乏必要的技术手段支撑。本发明提出的大型半直驱机组健康状态评估方法可有效弥补现有技术的不足和被动运行维护等问题，该方法选取影响风机整机以及各关键部件状态运行的相关变量，利用变权理论、模糊综合评价算法，建立风机运行健康状态评估模型，对风机整机以及各关键部件的运行状态进行实时评估。在大数据平台上，通过健康状态评估模型对实时传输的数据进行运算处理，输出风机整机和各关键部件的状态包括良好、合格、注意、严重、停机五大不同等级，实现对风机整机及各关键部件运行状态的实时监控和评估。风电场的现场人员通过对健康状态评估模型结果分析的判断，采取相应的运行维护措施，实现预防性维护。
附图说明
图1为本发明方法的逻辑流程示意图。
图2为越小越优型评价指标图。
图3为中间型评价指标图。
图4为越大越优型评价指标图。
图5为半梯形和三角形组合的隶属函数分布图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本实施例所提供的大型半直驱机组健康状态评估方法，其具体情况如下：
1)通过风电场scada系统或大数据平台集控系统采集风电场各风机的秒级数据，风机秒级数据采集的时间以天为单位且采集标签点计量单位保持一致。
2)对数据进行预处理，对于存在异常值和有缺失的数据进行清洗；再将秒级数据进行时间间隔划分处理，分别求10分钟、1分钟和10秒钟的平均值。
3)确定风机健康状态评估模型的状态评价等级为良好(a)、合格(b)、注意(c)、严重(d)、停机(e)。
4)确定风机健康状态评估模型的评价对象的因素集，风机健康状态评估模型共包括8个关键部件：齿轮箱、发电机、变桨、变频器、偏航、液压、转速、振动，确定每个部件对应的评价指标即为该评价对象的因素集。
5)确定评价指标对各关键部件的影响权重以及各关键部件对风机健康状态评估模型的影响权重。
6)根据风机类型的特点，引入相对劣化度的概念，确定以各部件指标劣化度参数为准的判断准则，并运用变权理论，建立基于模糊综合评价的风机健康状态评估模型，模型建立包括以下步骤：
6.1)确定评价指标的劣化度参数
按照各关键部件的评价指标性质，将实际指标值分为三种类型，分别为越小越优型、中间型和越大越优型；[α1,β1]为指标的下限值和上限值，[α2,β2]为指标的合理区间，合理区间是指当指标的实际值在运行状态时处于合理区间范围内即代表良好状态，显然合理区间是介于下限值和上限值之间；
其中，越小越优型指标，指标的实际值越小，说明运行情况越好，这种类型指标的劣化度按照公式(1)来计算，如图2所示。
中间型指标比如齿轮箱油位，指标值太大或太小都不好，当处于合理区间代表运行情况良好。这类指标的劣化度按照公式(2)来计算，如图3所示。
越大越优型指标比如发电机转速，在不超过限值的范围内越大越好。这种类型指标的劣化度按照公式(3)来计算，如图4所示。
6.2)确定健康状态评估模型的隶属度参数
将各关键部件的因素集对该关键部件的影响程度进行量化，根据劣化度的模糊分解区间，确定因素集中m个指标对该关键部件的隶属度。用各个关键部件因素集的劣化度lx，按照公式(4)-(7)分别计算得到4个隶属度向量，如图5所示，再将四个隶属度向量组合成隶属度矩阵v：
lx＝[lx1lx2…lxm](8)
v＝[ar1'ar2'ar3'ar4'](9)
公式(4)-(7)中的x为劣化度值；a、b、c、d为隶属度参数，且满足关系0＜a＜b＜c＜d＜1。
lx1-lxm为因素集中m个指标的劣化度，lx为m个指标劣化度组成的劣化度向量，ar1、ar2、ar3、ar4为劣化度向量lx分别根据公式(4)-(7)计算得到的隶属度向量，v是由4个隶属度向量组成的隶属度矩阵，隶属度矩阵又可以表示为以下形式：
其中arij为因素集中第i个指标对该关键部件的第j个评价等级的隶属度。
6.3)确定变权向量
对隶属度矩阵v按照以下公式进行变权计算，得到评判矩阵：
r＝wv×v(12)
wv＝(wv1,wv2,...,wvm)(13)
其中，wv为每个关键部件对应的变权权重，wvi为因素集中每个指标对应的变权权重，weight为常权值，delta为变权系数，r为评判矩阵，r是(1×4)的矩阵。常权值weight的确定可根据aph层次分析法、专家赋值法、加权平均法等方法获取；当各因素的均衡问题考虑不多时，取delta>0.5，当不能容忍某些因素的严重偏离时，取delta<0.5时，当delta＝1时，等同于常权模式。
6.4)确定模型判定原则
根据上一步骤中将变权权重矩阵和隶属度矩阵合并得到的评判矩阵r，根据最大隶属度原则，评判矩阵中的最大值所在位置[1234]对应评价等级所在的位置，就是被评价对象的最终评价结果，即评判矩阵中最大值所在位置[1234]，对应评价结果[abcd]，根据机组运行模式中启动模式、升速模式和并网模式为风机正常运行状态的判定原则，不满足判定原则的风机整机评价结果直接判定为停机(e)；
7)通过建立的健康状态评估模型对风机整机以及各关键部件的运行状态进行实时评估，在大数据平台上，通过健康状态评估模型对实时传输的数据进行运算处理，输出风机整机和各关键部件的状态，包括良好(a)、合格(b)、注意(c)、严重(d)、停机(e)五大不同等级，实现对风机整机及各关键部件运行状态的实时监控和评估。风电场的现场人员通过对健康状态评估模型结果分析的判断，采取相应的运行维护措施，实现预防性维护。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。