基于风电设备异常分析数据的时序模糊层次分析评估方法与流程

本发明涉及风电
技术领域：
，特别是涉及一种基于风电设备异常分析数据的时序模糊层次分析评估方法。
背景技术：
随着alphago和alphagozero战胜围棋界顶级高手，智能交通、智能餐饮、智能家居等一系列的大数据、人工智能科技已逐步进入人们的生活当中，为人们生活提供了轻便的智能服务。随着国家下发的人工智能规划、中国制造2025、互联网+行动计划等一系列重大政策，能源行业的大数据也悄然将至。能源大数据理念是将电力、石油、燃气等能源领域数据进行综合采集、处理、分析与应用的相关技术与思想。能源大数据不仅是大数据技术在能源领域的深入应用，也是能源生产、消费及相关技术革命与大数据理念的深度融合，将加速推进能源产业发展及商业模式创新。风力发电作为能源行业是十三五规划的重点规划发展绿色能源之一，融合能源大数据理念已是必然趋势。风力发电设备维护从最初的依靠人力定期维护，到在线监视以故障为依据的维护，再到如今设备预测性维护已经历了巨大的变革。然而，如今的预测性维护仍处于初级阶段，仅能对设备有大概的预判性，如：大数据异常检测技术等，却不能细化设备需要维护的程度，导致维护工作复杂程度较高。由此可见，上述现有的针对风电设备预测性维护方法显然仍存在有不便与缺陷，而亟待加以进一步改进。如何能创设一种新的基于风电设备异常分析数据的时序模糊层次分析评估方法，使其能排列出风力发电设备异常设备的需要维护程度，指导维护人员有选择的对风力发电设备部件进行高效维护，实属当前重要研发课题之一。技术实现要素：本发明要解决的技术问题是提供一种基于风电设备异常分析数据的时序模糊层次分析评估方法，使其能排列出风力发电设备异常设备的需要维护程度，指导维护人员有选择的对风力发电设备设备进行高效维护，从而克服现有的针对风电设备预测性维护方法的不足。为解决上述技术问题，本发明提供一种基于风电设备异常分析数据的时序模糊层次分析评估方法，所述方法包括如下步骤：s1、采集风电机组各设备的异常分析结果数据，并将所述异常分析结果数据进行归一化处理；s2、结合风电机组的机理关系，建立层次分析树，所述层次分析树的第一层为风电机组的各设备部件，标记为b1、b2……bx，第二层为影响各设备异常的各指标元素，标记为c11、c12、……c101、c102；s3、采用1-9级标度规则，根据层次分析法对层次分析树中的第一层设备进行统计，构建判断矩阵b，同时对层次分析树中各设备的第二层指标元素进行统计，构建判断矩阵b1、b2……bx；s4、根据判断矩阵b计算该矩阵b的最大特征根λbmax、特征向量δb和权重值wb,再根据判断矩阵b1、b2……bx分别计算最大特征根λb1max、λb2max...λbxmax以及相应的特征向量δb1、δb2...δbx和权重值wb1、wb2...wbx；s5、设定风电机组设备健康等级，分别为非常健康、健康、亚健康、不健康、非常不健康五个等级；s6、根据风电机组各设备第二层指标元素对应的分析元素，在设备健康等级上评价隶属度，组建评价隶属度向量，得到各设备第二层指标元素的隶属度向量β；s7、根据步骤s4得到的各设备权重值wbx和步骤s6得到的各设备第二层指标元素的隶属度向量β，利用公式计算出风电机组各设备影响风电机组模糊评估向量γbx，再组成风电机组整体评估矩阵γb＝[γb1，γb2，γb3，γb4，γb5，...，γbx]；s8、利用综合模糊层次评估法对风电机组整体健康进行评估，根据公式计算出风电机组各设备处在的健康等级ε，得到所述风电机组的健康评价结果。作为本发明的一种改进，所述步骤s1中所述异常分析结果数据归一化处理的方法为：将所述异常分析结果数据在时间尺度、数据尺度和数据分类命名方面进行归一化处理。进一步改进，所述步骤s4中矩阵的最大特征根λmax的计算公式为：其中，i和j为矩阵中的因素，i代表行，j代表列，aij为因素i与因素j的重要性之比，n为因素个数，wi和wj为判断矩阵各行各列因素的标准化。进一步改进，所述步骤s4中还包括对层次分析法的一致性检验，根据公式：计算随机一致性比率cr，其中ci为一致性指标，ri为平均随机一致性指标，m为判断矩阵的阶数，若满足cr<0.1，表明该判断矩阵符合一致性检验，若不满足cr<0.1，表明该判断矩阵不符合一致性检验，需调整该判断矩阵。采用这样的设计后，本发明至少具有以下优点：本发明基于风力发电设备的异常分析结果和其他分析结果，通过时间序列的模糊层次分析评估，得到风电机组各个设备所代表的因素权重，进而得到风力发电设备的整体健康程度排序，根据健康程度有效推断需要维护的程度，有利于指导维护人员有选择的对风力发电设备进行高效维护；并通过各设备的异常程度，对风机指定设备进行维护，有效降低维护时间，有效协助增强预测型维护，节省维护成本，提高经济效益。附图说明上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。图1是本发明基于风电设备异常分析数据的时序模糊层次分析评估方法的流程示意图。图2是本发明分析评估方法中建立的层次分析树的实例示意图。具体实施方式目前风电机组设备已逐步进入数字化精细管理，通常采用风电机组设备的运行数据等进行异常分析和其他异常分析，但其输出的结果采用不同的方式记录，导致原始数据不一致，时间序列间隔不一致。因此，首先需要将各类分析结果数据源归一化，然后以该归一化的数据作为数据分析基础，采用基于时间序列的模糊层次分析法与机组评估分析结合的方式评估风电机组设备整体健康情况。该模糊层次分析法是层次分析法和模糊综合评价法相结合的方法，采用此方法能够更合理的评估事务的权重。其中，层次分析法(analytichierarchyprocess)是一种定性和定量相结合的、系统化、层次化的分析方法，该方法是由系统工程理论发展而来的；它把一个多准则决策问题分解成若干个目标，再进而分解成对应层次的多指标元素，按每个元素的属性自上而下进行分层排序，同一层中的元素隶属于上层元素或可影响上层元素，同时又可支配下层元素或受下层元素影响；然后通过判断和计算，确定各元素、各层次的相对权重并对其进行排序；最后将得到的每个层次相对总目标的总排序作为决策依据。该模糊综合评价法是运用模糊数学的基本原理和方法，将某些边界模糊，不易定的问题清晰化、定量化而进行综合评价的一种方法。它是对受多个因素影响的目标问题，按一定的标准进行评价并给出该问题的评价结论。参照附图1所示，本实施例基于风电设备异常分析数据的时序模糊层次分析评估方法的具体实现步骤如下：首先，采集风电机组各设备的异常分析结果数据，并将该异常分析结果数据在时间尺度、数据尺度和数据分类命名等方面进行归一化处理。例如：异常分析结果可能包括：c11齿轮箱油压异常、c12齿轮箱油温异常，...；c31发电机风扇异常、c32发电机轴承温度异常，...；c51变频器柜内温度异常、c52变频器igbt异常，...；c71风速仪1异常、c72风向标1异常，...；c91主轴前轴承异常、c92主轴后轴承异常，...；其他分析结果还可能包括：c21齿轮箱其他异常分析结果1、c22齿轮箱其他异常分析结果2，...；c41发电机其他异常分析结果1、c42发电机其他异常分析结果2，...；c61变频器其他异常分析结果1、c62变频器其他异常分析结果2，...；c81测风系统其他异常分析结果1、c82齿轮箱其他异常分析结果2，...；c101主轴承其他异常分析结果1、c102主轴承其他异常分析结果2，...。第二步，结合风电机组的机理关系，建立层次分析树作为模糊层次分析法的输入。如附图2所示，该层次分析树的第一层为风电机组的各设备部件，标记为b1、b2……bx，第二层为影响各设备异常的各指标元素，标记为c11、c12、……c101、c102。第三步，根据层次分析法将b1-bx采用1-9级标度规则进行统计，构建判断矩阵，如下列矩阵b。注：其中1-9级标度及含义如下表1所示：表1矩阵中1-9级标度及含义表一般对于n个因素来说，根据上表所属对元素两两比较后，得到相应的判断矩阵a＝(aij)n*n，会有以下性质：(1)aij>0；(2)aij＝1/aji；(3)aij＝1(i＝j)。第四步，根据判断矩阵计算各层的权重。第一层：b矩阵为：(1)计算b矩阵的最大特征根λmax；其中，wi的推导过程为：对判断b矩阵的每一行元素求积，标记为mi，其计算公式为：再计算mi的n次方根：然后再对标准化，得wi：同理，wj的计算公式为：(2)再计算出b矩阵的特征向量δb＝[δ1，δ2，...δn]，以及权重值wb。其中，wb1＝δ1/(δ1+δ2+...+δn)，wb2＝δ2/(δ1+δ2+...+δn)，...wbn＝δn/(δ1+δ2+...+δn)，且wb1+wb2+...+wbn＝1，则可以得到权重值wb1-wbn。(3)再进行层次分析法的一致性检验，根据下式计算随机一致性比率cr，并满足cr<0.1，验证判断矩阵合适的一致性，若不满足，需调整判断矩阵；其中cr根据下式计算，其中，ci为一致性指标，ri为平均随机一致性指标，m为判断矩阵的阶数，如下表2。表2判断矩阵的阶数表m1234567891011ri000.580.901.121.241.321.141.451.491.51第二层：计算b1-bx的指标权重如：判断矩阵b1包含的因素评判结果表如下：(1)计算b1矩阵最大特征根λb1max；(2)计算b1矩阵的特征向量δb1和权重值wb1；(3)进行一致性检验。还有，判断矩阵b2包含的因素评判结果表如下：相似的，在满足合适的一致性的前提下，计算出λb1max、λb2max、λb3max、λb4max、λb5max...λbxmax以及相应的特征向量δb1、δb2、δb2、δb3、δb4...δbx和权重值wb1、wb2、wb3、wb4、wb5...wbx。第五步，设定风电机组设备健康等级，分别为非常健康、健康、亚健康、不健康、非常不健康五个等级。第六步，根据风电机组各设备异常分析点对应的分析元素，在设备健康等级上评价隶属度，组建评价隶属度向量。例如：c12齿轮箱油温异常这个点的分析元素包括：齿轮箱油温、齿轮箱入口油温、发电机转速、发电机转矩给定、发电机转矩值、齿轮箱前轴承温度、齿轮箱后轴承温度。评价方法如下表：按照健康等级评价出c12这个点的隶属度向量β12＝(3/7,1/7,0,1/7,2/7)。相同的，分别得出c11，...，c21，c22，...，...，c101，c102，...的隶属向量，分别表示为：β11，...，β21，β22，...，...，β101，β102，...。第七步，第一层模糊层级分析。根据风电设备不同设备对风电机组设备的健康影响，计算风电设备各设备影响风电机组模糊评估向量γb1，γb2，γb3，γb4，γb5，...，γbx。计算公式为：β＝[β11，...，β21，β22，…]。根据得到的风电设备各设备影响风电机组模糊评估向量γb1，γb2，γb3，γb4，γb5，...，γbx，组成风电机组整体评估矩阵γb＝[γb1，γb2，γb3，γb4，γb5，...，γbx]。第八步，综合模糊层次评估。对风电机组整体健康进行评估，计算出风电机组各设备处在的健康等级ε，得到各等级ε的评价情况。例如，计算出的风电机组各设备处在的健康等级ε结果为ε＝[0.1152,0.6781,0.1053,0.0532,0.0482]t,即评价结果为：最终结果为该风电机组的评价结果，其中健康占比为67.81％，整体处于健康状态。本发明基于风力发电设备的异常分析结果和其他分析结果，通过时间序列的模糊层次分析评估，可以得到风力发电设备整体健康程度，根据健康程度有效推断需要维护的程度，能够指导维护人员有选择的对风力发电设备维护；并通过各设备的异常程度，对风机指定设备进行维护，有效降低维护时间，有效协助增强预测型维护，节省维护成本，提高经济效益。以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。当前第1页12