本发明涉及风力发电
技术领域：
：，特别是涉及一种风电机组高温降容状态智能评估方法及系统。
背景技术：
：：风电机组工作环境复杂，作为机械传动系统易受环境因素影响，如随机变化的风速及波动范围大的温度，使得各类系统零部件不能在稳定的工况下运行，这就导致风机在某些时间段会处于亚健康状态运行，虽然不一定会使得机组停机，但会削减机组出力及发电量，从而影响风机运营企业经济效益。为降低风电机组在亚健康状态下的发电量损失，需对机组此类状态进行判别与评估，从而制定更具针对性的运行维护方法，避免机组状态进一步恶化导致各类故障的发生。通常双馈风电机组的故障大多数发生在齿轮箱、桨叶和电气系统等设备部件上，这些部件的成本占风电机组费用的80％以上；而其中齿轮箱发生故障会造成风电机组长时间的停机，停机后的维修时间、维修成本也较高。尤其是风电机组在夏季存在齿轮箱油温过高导致机组出力降低频发的情形(简称高温降容状态)，机组频繁出现高温降容状态，会引起润滑油化学性能降低，容易造成齿面的磨损和损坏，从而影响风机的正常运行。目前现场的风机遇到此类情况一般都是通过简单的阈值判断对机组下发超限降功率运行指令，但由于温度及温度传感器具有迟延特性，使得机组在遇到高温时动作迟滞，进一步扩大了齿轮箱高温对机组出力的影响。现有的一种风力发电机组、风力发电机组功率控制方法包括：比较当前运行环境温度与预设环境温度范围；判断风力发电机组是否处于正常工作状态；当当前运行环境温度大于预设环境温度范围中的额定最大值，小于预设环境温度范围中的实际需求最大值且风力发电机组处于正常工作状态时，则根据预设的高温降容控制表中当前运行环境温度对应的输出功率对风力发电机组进行降容控制；当当前运行环境温度小于预设环境温度范围中的具有升容需求的额定最大值且风力发电机组处于正常工作状态时，则根据预设的低温升容控制表中当前运行环境温度对应的输出功率对风力发电机组进行升容控制。因此，根据机组的监测信息实时评估机组齿轮箱运行状态，提早获知风机亚健康状态，制定合理的运行维护方案，可减少风机出力损失，同时也避免造成更为严重的零部件故障。现有的对机组性能进行评价的方法中大多利用前馈神经网络建立多参数的风电机组状态预测模型，以对机组性能进行评价，但神经网络建模需消耗大量的训练时间，且模型的输入样本大小会影响模型的训练精度。另外，现有的scada(supervisorycontrolanddataacquisition，数据采集与监视控制)系统虽然能够提供的机组状态参数较多，但大多采用单一维度数据进行分析，或者采用多维数据却没有综合考虑各个参数之间的相关性，没能进一步利用各个状态参数之间的耦合特性。而且，现有的对机组进行评估的方法中，很少有关于风电机组高温降容状态进行评估的方法。因此希望有一种风机状态评估方法能够针对传统状态估计方法未能完全利用各个状态参数之间的耦合特性及建模耗时较长的缺点，以解决现有技术中存在的问题。技术实现要素：基于
背景技术：
：中的技术问题，本发明提出了一种风电机组高温降容状态智能评估方法及系统，以便能够完全利用各个机组状态参数之间的耦合特性，以解决现有技术中存在的技术问题。第一方面，本发明提出的风机高温降容状态智能评估方法，包括以下步骤：采集风电机组的多维特征变量，基于所述多维特征变量形成vine-copula贝叶斯网络模型的训练数据集；根据所述vine-copula贝叶斯网络模型的训练数据集建立pair-copula函数以确定多维特征变量中两两之间的最优copula函数；根据所述最优copula函数，得到最优copula函数中的各组pair-copula函数的相关性系数，基于所述相关性系数构建关系树，利用所述关系树搭建vine-copula结构，将所述vine-copula结构作为vine-copula贝叶斯网络的dag网络结构，生成vine-copula贝叶斯网络模型；计算各多维特征变量的条件概率表，将其输入vine-copula贝叶斯网络模型中，得到vine-copula贝叶斯网络模型的条件概率表；利用该vine-copula贝叶斯网络模型的条件概率表对状态点测试样本集中的测试样本进行检测获得状态检测结果并对所述状态检测结果进行评估；其中，所述状态点测试样本集是对多维特征变量的高温降容状态点进行标记后所形成的。第二方面，本发明提出的一种风电机组高温降容状态智能评估系统，所述系统包括：采集模块、确定模块、vine-copula贝叶斯网络模型获取模块和概率表获取模块；其中，所述vine-copula贝叶斯网络模型生成模块包括相关系数获取单元、关系树获取单元、vine-copula结构搭建单元、生成单元和评估单元；所述采集模块用于采集风电机组的多维特征变量，基于所述多维特征变量形成vine-copula贝叶斯网络模型的训练数据集；所述确定模块根据所述vine-copula贝叶斯网络模型的训练数据集建立pair-copula函数以确定多维特征变量中两两之间的最优copula函数；所述相关系数获取单元根据所述最优copula函数，得到最优copula函数中的各组pair-copula函数的相关性系数；所述关系树获取单元基于所述相关性系数构建关系树；所述vine-copula结构搭建单元利用所述关系树搭建vine-copula结构并将所述vine-copula结构作为vine-copula贝叶斯网络的dag网络结构；所述生成单元根据所述vine-copula贝叶斯网络的dag网络结构生成vine-copula贝叶斯网络模型；所述概率表获取单元计算各多维特征变量的条件概率表，将其输入vine-copula贝叶斯网络模型中，得到vine-copula贝叶斯网络模型的条件概率表；该vine-copula贝叶斯网络模型对状态点测试样本集中的测试样本进行检测获得状态检测结果；所述评估单元对所述状态检测结果进行评估；其中，所述状态点测试样本集是对多维特征变量的高温降容状态点进行标记后所形成的。与现有技术相比，本发明的有益效果是：本发明实施例提供的风电机组高温降容状态智能评估方法，从数据量庞大的scada系统中，利用vine-copula贝叶斯网络模型根据各个多维特征变量自身的分布特点对其进行有效的相关性分析，在vine-copula结构的基础上建立vine-copula贝叶斯网络模型；该vine-copula贝叶斯网络模型综合了考虑风电机组特征变量的各个维度的状态参数及其相关性，对风电机组高温降容状态的发生概率进行预测评估，通过交叉熵算法对模型输出结果进行评估。本发明提供的风电机组高温降容状态智能评估方法和系统贴近机组实际工况，能够给现场运维人员提供参考，更好地应对和处置齿轮箱高温降容状态，减少及避免进一步更大的损失。附图说明通过下面结合附图进行的详细描述，本发明的上述和其它目的、特点和优点将会变得更加清楚，其中：图1是本发明实施例提供的一种风电机组高温降容状态智能评估方法流程示意图。图2是本发明实施例提供的风速-功率散点图。图3是本发明实施例提供的齿轮箱油温-齿轮箱轴温所对应的pair-copula函数图像。图4是本发明实施例提供的各个根节点的多维特征变量的树形图。图5是本发明实施例提供的贝叶斯网络的dag网络结构图。图6是本发明实施例提供的vine-copula及贝叶斯网络模型测试输出结果。图7是本发明实施例提供的风电机组高温降容状态智能评估系统的结构示意图。具体实施方式为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。由于风电机组工作环境复杂，作为机械传动系统易受环境因素影响，如随机变化的风速及波动范围大的温度，使得各类系统零部件不能在稳定的工况下运行，这就导致风机在某些时间段会处于亚健康状态运行，虽然不一定会使得机组停机，但会削减机组出力及发电量，从而影响风机运营企业经济效益。为降低风电机组在亚健康状态下的发电量损失，本实施通过建立的vine-copula贝叶斯网络模型对风电机组的高温降容状态判别与评估，从而及时制定更具针对性的运行维护方案，避免机组状态进一步恶化导致各类故障的发生，下面将具体描述本实施例中的风电机组高温降容状态智能评估方法和系统。一、风电机组高温降容状态智能评估方法作为示例，本实施例采用以下数据来检验本发明的风电机组高温降容状态智能评估方法的有效性：本实施例采用内蒙古东部某风电场在2018年1月1日—2018年12月31日之间采集到的scada系统中的数据，时间分辨率为10min，风电机组为额定功率750kw的变桨距调节三叶片水平轴双馈异步发电机。图1是本发明实施例提供的一种风电机组高温降容状态智能评估方法流程示意图，参见图1，步骤1：采集风电机组的多维特征变量，基于所述多维特征变量形成vine-copula贝叶斯网络模型的训练数据集；优选的，本实施例采集的风电机组的多维特征变量来源于风电场的scada(supervisorycontrolanddataacquisition，数据采集与监视控制)系统。优选的，利用最优组内方差法对风电机组的多维特征变量进行数据预处理；进一步的，可以通过核密度估计法确定各个多维特征变量的边缘分布函数u＝[u1,u2,…,um]，基于该边缘分别函数形成vine-copula贝叶斯网络模型的训练数据集。具体的，上述步骤1包括步骤101、步骤102和步骤103。步骤101：对采集的风电机组的多维特征变量进行预处理形成预处理多维特征变量；参见图2，图2是本发明实施例提供的风速-功率散点图，以预设的时间间隔(例如预设的时间间隔是10min)采集所述风电机组的多维特征变量，并利用最优组内方差法对采集的多维特征变量进行筛选获得预处理多维特征变量，从而可以筛选出正常功率点以及异常功率点，并同时删除缺值点和停机点；其中，所述风电机组的多维特征变量包括风速、有功功率、齿轮箱油温、齿轮箱轴温、发电机温度、环境温度、机舱温度、发电机转速、叶轮转速、风向角、偏航角度和异常情况申诉中的高温降容填报数据等。步骤102：对预处理多维特征变量中的高温降容状态点进行标记，将标记后的预处理多维特征变量作为状态点样本数据集，将所述状态点样本数据集划分为状态点训练样本集和测试样本集；具体的，在本实施例中，可以对上述预处理多维特征变量中的异常情况申诉中的高温降容填报数据进行标记，将标记的高温降容状态时刻下的预处理多维特征变量的数据取出，作为状态点样本数据集，并将该状态点样本数据集划分为状态点训练样本集和测试样本集。步骤103：确定所述状态点训练样本集中的多维特征变量的边缘分布函数u＝[u1,u2,…,u1]2，将该边缘分布函数作为vine-copula贝叶斯网络模型的训练数据，形成vine-copula贝叶斯网络模型的训练数据集；优选的，利用核密度估计法确定所述状态点训练样本集中的多维特征变量(例如上述步骤101中的12个多维特征变量)的边缘分布函数u＝[u1,u2,…,u12]。步骤2：根据所述vine-copula贝叶斯网络模型的训练数据集建立pair-copula函数以确定多维特征变量中两两之间的最优copula函数；优选的，可以通过aic(akaikeinformationcriterion，赤池信息量准则)准则确定预处理后的多维特征变量中两两之间的最优copula函数及所述最优copula函数的参数。具体的，步骤2包括步骤201、步骤202和步骤203。步骤201：通过pair-copula方法对预处理后的多维特征变量进行两两关联性建模，获得两两多维特征变量的pair-copula函数及参数。具体的，根据经验值，根据vine-copula贝叶斯网络模型的训练数据集利用pair-copula方法对两两多维特征变量进行关联性建模，分别对以下5类copula函数进行关联性建模，即利用gaussian-copula(高斯-科普拉)、t-copula(t-科普拉函数)、gumbel-copula(冈贝尔-科普拉)、clayton-copula(克莱顿-科普拉)、frank-copula(弗兰克-科普拉)函数对多维特征变量进行两两关联性建模，获得两两多维特征变量的pair-copula函数及参数。作为示例，上述5种类型的copula函数的公式和参数取值范围如下表所示。需要说明的是，本实施例中的最优copula函数的参数，就是下表1中各copula函数中的参数ρ或θ的值。表1步骤202：基于所述两两多维特征变量的pair-copula函数及参数，通过aic准则以确定所述两两多维特征变量之间的最优copula函数；其中，aic准则的定义式如下所示：aic＝2k-2lnl；(1)其中，aic为赤池信息量，k为模型参数个数，l为极大似然估计。根据其定义可知，aic的数值越小表示所构建的模型拟合度越高，越简洁。由于篇幅有限，本实施例可以选取以风速、有功功率、齿轮箱油温、齿轮箱轴温、环境温度作为主变量所建立的pair-copula函数的aic准则的确定结果(即两两多维特征变量之间的最优copula函数类型)如下表2所示：表2在上述表2中，frank为frank-copula函数的简写，t为t-copula函数的简写。步骤3：根据所述最优copula函数，得到最优copula函数中的各组pair-copula函数的相关性系数，基于所述相关性系数构建关系树，利用所述关系树搭建vine-copula结构，将所述vine-copula结构作为vine-copula贝叶斯网络的dag网络结构，生成vine-copula贝叶斯网络模型；具体的，步骤3包括步骤301、步骤302、步骤303和步骤304，其中所述相关性系数包括各组pair-copula函数的kendall系数τi,j和spearman系数步骤301，相关系数获取步骤：根据所述最优copula函数，建立多组pair-copula函数，并获得各组pair-copula函数的kendall系数τi,j和spearman系数本实施例中，根据步骤202得到的最优copula函数(即用于确定各组pair-copula所采用的最优copula函数)，可以建立多组pair-copula函数，并获得各组pair-copula的kendall系数τi,j和spearman系数参见图3，图3是本发明实施例提供的齿轮箱油温-齿轮箱轴温两个多维特征变量所对应的pair-copula函数图像。其中，u和v分别为第i维和第j维特征变量的边缘分布。步骤302，选取步骤：选取τi,j和的平均数不小于预定值(例如预定值为0.6)的多维特征变量，将选取的多维特征变量所对应的pair-copula函数作为vine-copula贝叶斯模型的初始单元。具体的，通过判断各组pair-copula函数的τi,j和从中挑选出相关性较强(即与τi,j的平均数不小于预定值)的几组pair-copula函数作为vine-copula模型的初始单元，在本实施例中，所述初始单元包括风速、有功功率、齿轮箱油温、齿轮箱轴温、发电机温度、环境温度、机舱温度、风机高温降容状态等8个特征变量，这8个特征变量组成的12组pair-copula函数。其中，pair-copula函数的相关系数r一般可按三级划分：|r|<0.5为低度相关；0.6≤|r|<0.8为显著性相关；0.8≤|r|<1为高相关；本实施例中通过公式(τk+ρs)/2≥0.6可选取相关性较强的多维特征变量，最终保留其中的12组pair-copula函数，建立其kendall系数矩阵。步骤303，关系树构建步骤：对步骤301获得的kendall系数τi,j求和以得到kendall系数和将kendall系数和中的最大值所对应的第ui个特征变量记为第一根节点，根据选取的多维特征变量所对应的pair-copula函数构建treei(关系树)，公式如下：步骤304：重复步骤303，直至计算出所有多维特征变量作为根节点的treei，利用所述treei搭建vine-copula结构，将所述vine-copula结构作为vine-copula贝叶斯网络的dag(directedacyclicgraph，有向无环图)网络结构，生成vine-copula贝叶斯网络模型。具体的，图4是本发明实施例提供的各个根节点的多维特征变量的树形图，参见图4，重复执行步骤303，直至计算出所有多维特征变量作为根节点的treei，并根据所述treei搭建vine-copula结构，由图4可以看出，发电机温度和机组高温降容状态并无直接的相关性联系，因此可将u4→u5和u3→u5两组有向连接边予以剔除，将发电机温度从初始单元中删除，剩下7个特征变量，即风速、有功功率、齿轮箱油温、齿轮箱轴温、环境温度、机舱温度、风机高温降容状态，这7个特征变量组成vine-copula贝叶斯模型的基本单元，构造出如图5所示的贝叶斯网络的dag(directedacyclicgraph，有向无环图)网络结构。步骤4：计算各多维特征变量的条件概率表，将其输入vine-copula贝叶斯网络模型中，得到vine-copula贝叶斯网络模型的条件概率表；具体的，步骤4包括步骤401和步骤402。步骤401：基于所述vine-copula贝叶斯网络的dag网络结构并通过极大似然估计算法获得各个节点的条件概率表；本实施例中，在确定vine-copula贝叶斯网络的dag网络结构之后，可以通过极大似然估计(mle)算法来计算各个节点的条件概率表，即根据步骤304所得的贝叶斯网络的dag网络结构中的样本数据u＝[u1,u2,…,um]，其似然函数可写为：其中，l为vine-copula贝叶斯网络的dag网络结构的似然函数；m为特征变量的个数；xi为父节点，xj为父节点xi所对应的子节点；i和j分别为父节点和子节点所对应的序号；ui为当前父节点i所对应的边缘分布，pa(xi)为父节点xi的边缘分布概率。步骤402：将所述各个节点的条件概率表输入vine-copula贝叶斯网络模型中，得到贝叶斯网络模型的条件概率表(cpt，conditionalprobabilitytable)。步骤5：利用该vine-copula贝叶斯网络模型的条件概率表对状态点测试样本集中的测试样本进行检测获得状态检测结果，并对所述状态检测结果进行评估。本实施中例如利用2018年4月某一周的数据，且状态点测试样本集中的测试样本大小为n＝1000，将所述测试样本输入vine-copula贝叶斯网络模型中，利用贝叶斯推理算法对测试样本模型进行检测获得状态检测结果，再通过交叉熵算法对所述状态检测结果进行评估，形成评估结果。具体的，步骤5包括步骤501、步骤502和步骤503。步骤501：获得状态点的测试样本集中的测试样本的先验概率；其中，该测试样本来源于步骤102获得的状态点的测试样本集；步骤502：将所述先验概率输入vine-copula贝叶斯网络模型中，通过步骤402所得到的贝叶斯网络模型的条件概率表进行贝叶斯推理，对所述测试样本进行检验获得状态检测结果，该状态检测结果如图6所示(图6中，横坐标为时间点，纵坐标为模型预测输入实例属于该真实类别的概率)具体的，以风速这个变量为例，描述其获得先验概率的过程如下：首先将训练数据集中的风速划分为n个状态空间，在本实施例中取n＝5,将风速在0-25m/s内划分为[0,5][5.001-10][10.001,15][15.00120][20.00125]的5个状态区间，然后从训练数据样本(共m个)中查寻风速落入到0-5m/s这一状态区间的个数，记为m0,则风速落入0-5m/s的先验概率可记为m0/ms,同理可得到风速落入其它几个状态空间的先验概率，这样就得到了训练数据集中风速在n个状态区间的先验概率，然后根据测试样本中的风速变量的数值，对应到训练样本中所属的风速状态区间，则该区间对应的先验概率即为测试样本的风速的先验概率。步骤503：利用交叉熵算法对所述状态检测结果进行评估，其计算公式如下：其中，y为输出变量，x为输入变量，l为损失函数，n为输入样本量(本实施例中，n＝1000，)yi为输入实例pi的真实类别，pi为模型预测输入实例属于该真实类别yi的概率，通过公式(8)获得的状态点的个数的结果如下表3所示：表3高温降容状态点个数(模型中输出结果>0.75的点的个数)logloss167/1890.2022现有技术中的利用“概率预测评估模型”对风电机组高温降熔状态点个数的交叉熵损失函数在0.5左右，而本实施例中利用vine-copula贝叶斯网络模型得到的交叉熵损失函数为0.2022，说明本实施例中搭建的vine-copula贝叶斯网络模型的评估精度较好，比较符合实际情况，能够对风电机组高温降容状态做出较为准确的评估，从而为风电现场的运维人员提供参考，更好地应对和处置齿轮箱高温降容状态，减少及避免进一步更大的损失。本实施例中的vine-copula是一种相关性分析模型，可以避免传统相关性分析中会出现的特征缺失或特征冗余的问题，并能够提取风电机组中的更为全面的特征变量；贝叶斯网络是一种不确定性因果关联模型，能够利用历史数据概率信息将多种渠道的信息有效地融和并集中表现出来；本实施例通过将vine-copula结构和贝叶斯网络结构结合起来，形成的vine-copula贝叶斯网络模型可以对风电机组的各个状态参数与齿轮箱高温降容状态进行关联性分析，并且提取各个多维特征变量间的关联特征，从而可以得到各个多维特征变量间准确的相关关系，提高了vine-copula贝叶斯网络模型的精确度。二、风电机组高温降容状态智能评估系统图7是本发明实施例提供的风电机组高温降容状态智能评估系统的结构示意图，如图7所示，本实施例的风电机组高温降容状态智能评估系统，所述系统包括：采集模块、确定模块、vine-copula贝叶斯网络模型获取模块和概率表获取模块；其中，所述vine-copula贝叶斯网络模型生成模块包括相关系数获取单元、关系树获取单元、vine-copula结构搭建单元、生成单元和评估单元；所述采集模块用于采集风电机组的多维特征变量，基于所述多维特征变量形成vine-copula贝叶斯网络模型的训练数据集；所述确定模块根据所述vine-copula贝叶斯网络模型的训练数据集建立pair-copula函数以确定多维特征变量中两两之间的最优copula函数；所述相关系数获取单元根据所述最优copula函数，得到最优copula函数中的各组pair-copula函数的相关性系数；所述关系树获取单元基于所述相关性系数构建关系树；所述vine-copula结构搭建单元利用所述关系树搭建vine-copula结构并将所述vine-copula结构作为vine-copula贝叶斯网络的dag网络结构；所述生成单元根据所述vine-copula贝叶斯网络的dag网络结构生成vine-copula贝叶斯网络模型；所述概率表获取单元计算各多维特征变量的条件概率表，将其输入vine-copula贝叶斯网络模型中，得到vine-copula贝叶斯网络模型的条件概率表；该vine-copula贝叶斯网络模型对状态点测试样本集中的测试样本进行检测获得状态检测结果；所述评估单元对所述状态检测结果进行评估；其中，所述状态点测试样本集是对多维特征变量的高温降容状态点进行标记后所形成的。本实施例中的评估系统的具体处理过程可分别参照上述实施例提供的风电机组高温降容状态智能评估方法的具体处理过程，在此不再赘述。本发明的有益效果：本发明实施例提供的风电机组高温降容状态智能评估方法，从数据量庞大的scada系统中，利用vine-copula贝叶斯网络模型根据各个多维特征变量自身的分布特点对其进行有效的相关性分析，在vine-copula结构的基础上建立vine-copula贝叶斯网络模型；该vine-copula贝叶斯网络模型综合了考虑风电机组特征变量的各个维度的状态参数及其相关性，对风电机组高温降容状态的发生概率进行预测评估，预测评估效果较好；并通过交叉熵算法对模型输出结果进行评估。本发明提供的风电机组高温降容状态智能评估方法和系统贴近机组实际工况，能够给现场运维人员提供参考，更好地应对和处置齿轮箱高温降容状态，减少及避免进一步更大的损失。最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12当前第1页12