一种基于多源异构数据模型的风电机组健康评估方法与流程

本发明涉及风电机组健康评估，具体为一种基于多源异构数据模型的风电机组健康评估方法。

背景技术：

1、目前，针对大型风力发电机组的状态评估方法主要有概率统计法、贝叶斯网络方法、专家系统、灰色度理论、人工神经网络法和模糊综合评估等[28]。概率统计法侧重于评价指标因素服从独立分布的情况，不适用于各评价指标因素关联性较强的情况。贝叶斯网络方法善于学习因果关系，易于融合领域知识与数据信息；缺点在于需要大量历史数据，特别是失效数据。基于知识的专家系统依赖于历史经验、专家知识，知识库的更新和维护较困难，知识库的不完整则无法对应新的故障，制约了该方法的实用性。灰色度理论擅长处理时间序列数据，但作为一种新引入的方法需要更多的实践和验证。基于神经网络的智能方法自学习能力、非线性映射能力、并行计算能力强，但评价准确度需要大量的训练样本的验证才能保证可靠性。

技术实现思路

1、鉴于现有一种基于多源异构数据模型的风电机组健康评估方法中存在的问题，提出了本发明。

2、因此，本发明的目的是提供一种基于多源异构数据模型的风电机组健康评估方法，解决了的问题。

3、为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

4、一种基于多源异构数据模型的风电机组健康评估方法，具体包括以下步骤：

5、步骤一：构建风电机组scada系统，主要为定期采集机组各部件或子系统的运行状态数据并进行记录；当所监测数据超出限定阈值，系统将发出警告信息提醒运维人员做出相应处理；监测项目分为离散量和连续量；

6、步骤二：对风电机组scada系统所监测的数据进行监控性能分析；离散监测变量更多的作用是查看控制指令和机组各个模块状态量、动作量和开关量，不能用于机组健康状态的评估指标体系中；连续量监测项目的主要针对机组运行过程中变化缓慢的各指标参数，系统经过固定周期采集一次并反馈到机组控制系统；在机组的控制保护逻辑中，对每个监测变量设置固定的上下阈值，只有当监测数据超出阈值时才会触发机组控制保护逻辑，实行停机保护；即在风电场的现行管理中，连续量监测数据目前主要用于产生越限报警和生成统计数据；

7、步骤三：风功率曲线的建模；具体包括风功率散点图的数据筛选与处理；依照风电机组实际情况和运行日志，剔除如下四种数据：①停机或启动过程中输出功率为0或者负值的数据；②在机组运行日志中记载的故障数据点或检修异常数据点；③传感器异常或者通讯故障引起的测量误差数据点；④运行日志中记录的风机限负荷运行数据点；

8、步骤四：采用比恩法完成风功曲线的建模：采用比恩法(bin)进行建模分析；比恩法以全部数据为基础，构建的风功率曲线和其他方法相比更平稳准确，误差较小；比恩法一般取每0.5m/s风速为一个间隔，然后对每一个风速间隔内的风速、输出功率分别求取平均值，得到比恩区间的平均点(vi,pi)，即

9、

10、

11、采用多项式拟合法将点(vi,pi)拟合成一条光滑的曲线，得到比恩法建模的功率曲线；

12、步骤五：风速与输出功率的不确定性分析，即从输出功率随风速变化的相关性和相同风速下输出功率的波动性两方面分析风电机组性能；

13、步骤六：风速和功率的相关性分析，具体为：在机组的有效风速范围内，计算每个比恩区间输入风速的方差系数cvi和该区间对应的输出功率的方差系数cpi

14、

15、

16、式中，cvi—第i个风速区间的风速标准差；cpi—第i个风速区间的功率标准差；

17、2)通过每个区间的方差值构造方差系数数据组cv，cp

18、cv＝[cv1,cv2，…cvn]

19、cp＝[cp1,cp2，…cpn]

20、3)计算数组cv，cp的互相关系数

21、r＝corrcoef(cv,cp)    (3-5)

22、式中，corrcoef为互相关函数；

23、最后用相关系数值对单台机组的性能进行量化评估；

24、步骤七：基于云模型的输出功率波动性分析建模：以概率理论和模糊理论为基础提出的数学模型，解决知识表达或定量定性分析中需统筹兼顾模糊性和随机性的问题；

25、步骤八：逆向云发生器将采集所得的实际和精确数据(输出功率数据点)通过相应的规则计算得出云模型的特征值(期望ex，熵en，超熵he)，完成从定量到定性的转化，从而实现量化分析：根据逆向云发生器的运算规则，首先将风速划分为不同的区间，每个风速区间内输出功率的数据点看做“云滴”；针对统计样本“云滴”，通过逆向云发生器计算上述三个特征值，获得每个风速区间输出功率的定量分布特性；

26、步骤九：正态云模型的建立：正态云模型的实现过程与逆向云发生器相反，完成的是从定性到定量的转化；将已经确定的云模型数字特征(期望ex，熵en，超熵he)通过映射计算产生满足条件的数据点(即云滴)，完成不确定性中定量范围和分布规律的直观表述；

27、步骤十：不同机组的功率云计算及其性能对比分析，利用正态云发生器建立不同机组的整体输出功率云模型；

28、步骤十一：利用熵权法，根据各因素所提供的信息量来计算相应的权重系数；它以评估对象的原始数据为依据，通过计算评估指标之间的信息熵，确定各评估指标之间的关联性，得到具有客观意义的权重；

29、步骤十二：基于云模型的风电机组健康状态评估，首先，为了消除量纲的影响，需要对风电机组健康状态评价指标做归一化处理；

30、步骤十三：隶属云模型的建立：设u是一个用固定数值建立的定量区域，c是u上的定性概念；若定量值x是定性概念c的一个随机数，x对c的确定度μ(x)∈[0，1]，是有稳定倾向的随机数

31、

32、一次随机实现产生的x称为一个云滴，x在论域u上的分布形成云；

33、用云模型评价风电机组健康状态，ex期望值代表了健康状态分类等级概念的点，熵en反映了健康状态评估过程中数据样本的随机性及数据样本所处健康状态等级的模糊性，超熵he体现了评估过程中模糊和随机两个特性的关联；

34、步骤十四：基于云模型的模糊综合评价，经过隶属云模型的计算，可以得到对象层中第i个因素的m个指标参数的劣化度值隶属于健康状态vn的隶属度矩阵ri为：

35、

36、其中，rmn为第i个对象中第m个指标相对于健康状态n的隶属度；

37、模糊综合评判表达式为b＝a·r，其中a为权重，b为最终的评判向量，“·”为模糊评判算子，此处计算采用的是加权平均型模糊算子；加权平均型模糊算子按照各指标参数的权重值，在实际的评估工作兼顾到每一个指标参数，因此最终的评估结果是所有指标参数相互作用的结果，从而保证了评估结果更加全面合理；

38、1)对象层健康状态的评估

39、根据第1个对象中的m个指标参数的劣化度隶属度矩阵ri以及各指标参数的权重向量ai，计算出该对象的综合健康状态的评判向量bi：

40、bi＝ai·ri＝[b1 b2…bn]

41、其中，

42、同样的方法可得到其他对象的评判向量，从而可得机组层面健康状态的隶属度矩阵r＝[b1，b2，，，bi]t；

43、2)机组健康状态的评估

44、根据机组层面健康状态的隶属度矩阵r和权重向量a，计算该机组的最终评判向量：

45、b＝a·r＝[b1 b2 b3 b4]

46、式中b1、b2、b3、b4分别为对应健康、亚健康、注意、故障4个等级的隶属度数值。

47、作为本发明所述的一种基于多源异构数据模型的风电机组健康评估方法的一种优选方案，其中：步骤三中，针对非正常运行数据的清洗、筛选和处理，采用粗大误差理论中的3σ理论准则；取风速区间间隔δv＝0.25m/s，统计每个风速区间的功率标准差，剔除落在±3σ以外的风功率散点；重复此过程多次清洗；统计每一次数据清洗率n(剔除数据百分比)，取1-n≥99.7％，结束清洗。

48、作为本发明所述的一种基于多源异构数据模型的风电机组健康评估方法的一种优选方案，其中：步骤四，式中vi为第i个区间的平均风速；pi为第i个比恩区间的平均功率；ni为第i个比恩区间的数据对数；vij为第i个比恩区间第j个10min平均风速；pij为第i个比恩区间第j个10min平均功率。

49、作为本发明所述的一种基于多源异构数据模型的风电机组健康评估方法的一种优选方案，其中：步骤六中：相关系数作为一个变量之间关系密切程度的统计指标反映了两个变量或两组数据发展趋势的关联强弱；当两个变量或两组数据不相关时其值为0，当两个变量或两组数据的变化趋势完全相同时其值为1；根据实际情况可知，风电机组输出功率的分散程度与风速的分散程度正相关，当其相关系数越接近于1，表明机组的响应越灵敏。

50、作为本发明所述的一种基于多源异构数据模型的风电机组健康评估方法的一种优选方案，其中：步骤七中：期望ex、熵en和超熵he是云模型理论中的数字特征值；其中：

51、期望ex：云模型中心的云滴值，即数域空间内的典型样本点。在风功率的不确定性分析代表功率变化幅度的平均值；

52、熵en：云模型中云滴的取值范围；一方面代表定性或定量表达中的模糊度以及云滴出现的随机性，另一方面代表了模糊度和随机性的相互联系。在风功率的不确定分析中反映功率波动范围的大小；

53、超熵he：he是熵的熵，即对en不确定性的分析和量化，代表了云滴的凝聚度。

54、作为本发明所述的一种基于多源异构数据模型的风电机组健康评估方法的一种优选方案，其中：步骤八中，具体计算过程如下：

55、1)根据样本{xi}，计算样本均值样本方差

56、一阶样本绝对中心矩

57、2)期望

58、3)熵

59、4)超熵

60、作为本发明所述的一种基于多源异构数据模型的风电机组健康评估方法的一种优选方案，其中：步骤九中，计算过程如下：

61、1)根据云模型的数字特征，生成一个正态随机数en′i＝norm(en，he2)；

62、2)以ex为期望值，为方差生成一个正态随机数

63、3)计算

64、4)xi是数域中的一个云滴，其属于整个论域空间的确定度为μi；

65、5)重复1)～4)n次，直到产生n个云滴；

66、统计不同风速区间下的输出功率的分布，基于逆向云发生器，计算各风速区间下输出功率的云模型特征值；根据输出功率云模型的特征值，利用正态云发生器绘制不同风速下输出功率云图，实现不同风速下输出功率特性的透视分析；通过对比云模型的三个特征值以及相应的正态云，分析各个风速区间输出功率的波动性和离散程度，评估机组的运行性能的优劣。

67、作为本发明所述的一种基于多源异构数据模型的风电机组健康评估方法的一种优选方案，其中：步骤十一中，若有n个对象，m个评价指标，原始数据矩阵x＝[xij]n×m，xij≥0(i＝1，2，，，，n；j＝1，2，，，，m)；由于熵中的变量取值范围为[0，1]，为了确保数据符合熵值计算标准，因此首先要对原始数据进行归一化处理，即得到符合要求的矩阵为p＝[pij]n×m；

68、对于系统中的某个指标xj，其信息熵为

69、

70、式中：k＝1/lnn。

71、第j个指标的熵权wj*定义为

72、

73、由此即可得到基于熵的权重向量，也就是各状态量的客观权重。

74、与现有技术相比：

75、1、风功率散点图描绘了机组运行状况的趋势和波动范围，但量化程度不够，只能笼统反映机组的性能。人们不可能直接通过散点图，捕捉到机组的关键量值，给出机组精准状态评价。引入云模型后，把机组状态从定性评价层面拓展到定量评价，从整体综合评价深入到风速区间段评价；

76、2、构建风功率云模型，量化机组运行性能指标，从而可实现更直观、更清晰、更准确对机组性能进行评估。功率云期望值大的风机，平均出力就高；功率云熵值越小，云凝聚性好，风机性能稳定、波动性较；

77、3、机组性能好差不仅体现在响应程度上，同时也体现在响应的速度上。云模型的数字特征值反映了机组输出功率的响应程度(生产出力)，输出功率相关系数反映了机组响应的速度(适应风速变化的敏捷性)；

78、4、输出功率与风速等气象条件密切相关；分季节(或根据气温平均值)处理scada数据，建立散点图，计算风功率云模型特征值，构建实际风功率曲线，可以更深入、更精准和更客观地反映机组的性能；

79、5、面对恶劣多变的外部环境，机组保养和维护成本很高，及时准确地评估设备健康状态，合理安排检修，可以提高机组的可靠性，改善风电场安全管理水平，降低运维费用，增加风电场经济效益。