CN107622173B

CN107622173B - 风力发电机组可靠性水平预测的方法及系统

Info

Publication number: CN107622173B
Application number: CN201710959006.5A
Authority: CN
Inventors: 董兆宇; 石峰毓
Original assignee: Xinjiang Goldwind Science and Technology Co Ltd
Current assignee: Jinfeng Technology Co ltd
Priority date: 2017-10-16
Filing date: 2017-10-16
Publication date: 2020-10-30
Anticipated expiration: 2037-10-16
Also published as: CN107622173A

Abstract

本发明公开了一种风力发电机组可靠性水平预测的方法及系统。所述方法包括：设置可靠性指标的预定的多个变化状态；基于可靠性指标的时间窗口的历史数据，计算多个变化状态的转移概率矩阵；基于时间窗口的历史数据，计算所述多个变化状态中的每个变化状态的概率分布期望；基于转移概率矩阵，获取与当前状态相关的各个转换概率；基于概率分布期望以及转换概率，计算与当前状态相关的综合状态期望；基于综合状态期望和可靠性指标的当前值，计算可靠性指标的预测值。本发明能够以后一时间的可靠性指标的值与前一时间的可靠性指标的值之间的变化量作为马尔可夫“状态”，从而得到合理且准确的预测结果。

Description

风力发电机组可靠性水平预测的方法及系统

技术领域

以下描述涉及一种风电领域，具体地说，涉及一种风力发电机组可靠性水平预测的方法及系统。

背景技术

风力发电越来越重要地用于解决当前突出的能源和环境问题。随着风力发电机组的广泛应用，风力发电机组所处的运行环境日益多样化、风力发电机组机型配置日益复杂，这导致风力发电机组的可靠性水平预测越来越必须，从而能够根据可靠性水平的预测制定风力发电机组的整改策略，以有效地保证风力发电机组的可靠性要求。然而，由于风力发电机组工况的复杂性，掌握全球范围内风电场中的风力发电机组整体的可靠性水平和未来趋势越来越困难，并且风力发电机组的可靠性水平预测的准确性难以保证。

发明内容

为了解决上述问题，本发明基于马尔可夫过程，提供一种风力发电机组可靠性水平预测的方法及系统。

根据本发明的一方面，提供一种风力发电机组可靠性水平预测的方法，所述方法可包括：设置可靠性指标的预定的多个变化状态；基于所述可靠性指标的时间窗口的历史数据，计算所述多个变化状态的转移概率矩阵；基于所述时间窗口的历史数据，计算所述多个变化状态中的每个变化状态的概率分布期望；基于所述转移概率矩阵，获取与当前状态相关的各个转换概率；基于所述概率分布期望以及所述转换概率，计算与当前状态相关的综合状态期望；基于所述综合状态期望和所述可靠性指标的当前值，计算所述可靠性指标的预测值。

可选地，所述方法还包括：在计算所述多个变化状态的转移概率矩阵步骤之前，对所述时间窗口的历史数据进行预处理，以去除所述时间窗口的历史数据的空值。

优选地，计算所述多个变化状态中的每个变化状态的概率分布期望的步骤可包括：对所述时间窗口的历史数据进行时间差分运算；基于与各变化状态相关的差分运算结果，计算相应的各变化状态的概率分布；基于各变化状态的概率分布，计算相应的各变化状态的概率分布期望。

优选地，计算相应的各变化状态的概率分布的步骤可包括：按照预设间隔区间，对所述差分运算结果进行离散分布统计；对统计的离散分布进行非线性拟合，得到初始概率分布；对所述初始概率分布进行负概率修正，获得所述相应的各变化状态的概率分布。

优选地，对所述初始概率分布进行负概率修正的步骤可包括：将所述初始概率分布中的负值修正为预定的正值。

优选地，计算与当前状态相关的综合状态期望的步骤可包括：将每个变化状态的概率分布期望和与所述当前状态相关的每个转换概率相乘；对相乘所得的结果求和，以计算所述综合状态期望。

根据本发明的另一方面，提供一种用于风力发电机组可靠性水平预测的系统，所述系统可包括：初始化模块，被配置为：设置可靠性指标的预定的多个变化状态；计算模块，被配置为：基于所述可靠性指标的时间窗口的历史数据，计算所述多个变化状态的转移概率矩阵；基于所述时间窗口的历史数据，计算所述多个变化状态中的每个变化状态的概率分布期望；基于所述转移概率矩阵，获取与当前状态相关的各个转换概率；基于所述概率分布期望以及所述转换概率，计算与当前状态相关的综合状态期望；以及预测值模块，被配置为：基于所述综合状态期望和所述可靠性指标的当前值，计算所述可靠性指标的预测值。

可选地，所述系统还可包括：数据导入模块，被配置为：导入各个可靠性指标的时间窗口的历史数据；交互模块，被配置为：设置需要进行预测的所述可靠性指标，选择用于所述计算模块的所述可靠性指标的时间窗口的历史数据，并且设置所述预测值模块的预测时间；显示模块，被配置为：将所述预测值模块计算的所述可靠性指标的预测值以图像、报表的形式进行显示；以及导出模块，被配置为：将所述预测值模块计算的所述可靠性指标的预测值以图像、报表的形式进行存储。

在根据本发明示例实施例的风力发电机组可靠性水平预测中，基于马尔可夫过程进行各种可靠性指标的预测，以后一时间的可靠性指标的值与前一时间的可靠性指标的值之间的变化量作为马尔可夫“状态”，有效地利用风力发电机组可靠性水平与其上一个时间段的可靠性水平的较强相关性，得到合理且准确的预测结果，从而根据预测结果设定可靠性目标和/或制定合适的风电机组整改策略。

附图说明

图1是根据本发明的示例实施例的风力发电机组可靠性水平预测的方法的流程图；

图2是根据本发明的示例实施例的风力发电机组可靠性水平预测的系统的框图；

图3示出根据本发明的示例实施例时间窗口的历史数据与预测结果的示图；

图4示出根据本发明的示例实施例时间窗口的历史数据与预测结果的示图。

具体实施方式

本发明可具有各种变形和各种实施例，应理解，本发明不限于这些实施例，而是包括本发明的精神和范围内的所有变形、等同物和替换。

在本发明的示例实施例中使用的术语仅用于描述特定实施例，而不是为了限制示例实施例。除非上下文另有清楚的指示，否则在此使用的单数形式也意图包括复数形式。

图1是根据本发明的示例实施例的风力发电机组可靠性水平预测的方法的流程图。

参照图1，在步骤101中，设置可靠性指标的预定的多个变化状态。具体地，根据可靠性指标的值在两个邻近时间的改变量，来设置预定的多个变化状态。在一个示例实施例中，可以假设(但不限于)可靠性指标为平均故障间隔时间(Mean Time Between Failure，MTBF)，两个邻近时间的一个示例为两个相邻的月份，则可以根据可靠性指标的时间窗口的历史数据或经验，设置两个月份之间的MTBF的预定的多个变化状态，例如，可以设置三种预定的变化状态s1、s2和s3。这里，变化状态s1可表示后一月MTBF相比前一月MTBF提高200h(小时)以上，即，后一月MTBF与前一月MTBF之差Δ|_s1大于200h：Δ|_s1>200h。变化状态s2可表示后一月MTBF与前一月MTBF之差Δ|_s2的绝对值在200h以内，即，-200h≤Δ|_s2≤200h。变化状态s3可表示后一月MTBF相比前一月MTBF降低200h以上，即，后一月MTBF与前一月MTBF之差Δ|_s3小于-200h：Δ|_s3＜-200h。在上面的描述中，根据后一时间的可靠性指标的值与前一时间的可靠性指标的值之间的变化量设置的多个变化状态，即为马尔可夫“状态”。

为方便起见，以上述可靠性指标MTBF和三种预定的变化状态s1、s2和s3为例对本发明构思进行详细描述。然而，本发明构思的示例实施例不限于此，其他可靠性指标(例如，FF(故障频次)、MTBR(平均修复间隔时间)、MTTR(平均故障修复时间)、MRT(平均故障修复工作时间或平均维修时间)、DT(故障停机总时间)、MDT(平均故障停机总时间)、MTBI(平均检修间隔时间)等)也是可行的。此外，根据本发明构思的设置的变化状态不限于上述各种预定的变化状态s1、s2和s3，可根据实际工程需要而设置预定的更多或更少种变化状态，并且预定的变化状态的界限值不限于200h。

参照图1，可选择地，在步骤102中，对MTBF的时间窗口的历史数据(例如，当前时间之前的若干月份的MTBF数据)进行预处理，以去除时间窗口的历史数据的空值，保证数据完整。

在步骤103中，基于MTBF的时间窗口的历史数据，计算多个变化状态(例如，s1、s2和s3)的转移概率矩阵

如表1所示。

表1：s1、s2和s3的转移概率矩阵

具体地说，可基于MTBF的时间窗口的历史数据，计算每个月的MTBF相比于其上一月的MTBF的变化量，并根据变化量确定每个月的变化状态对应于多个变化状态s1、s2和s3中的哪一变化状态。然后，统计相邻月份的变化状态的状态转移，得到多个变化状态s1、s2和s3的转移概率矩阵。

在表1的转移概率矩阵

中，P00表示从变化状态s1转移到变化状态s1的概率，P10表示从变化状态s1转移到变化状态s2的概率，P20表示从变化状态s1转移到变化状态s3的概率。表1中的P01至P22的含义类似于P00至P20。

根据本发明的示例实施例，上述表1中的转移概率矩阵

可表示为：

在步骤104中，基于MTBF的时间窗口的历史数据，计算多个变化状态(例如，s1、s2和s3)中的每个变化状态的概率分布期望。

根据本发明构思的示例实施例，步骤104包括：对时间窗口的历史数据进行时间差分运算；基于与各变化状态相关的差分运算结果，计算相应的各变化状态的概率分布；基于各变化状态的概率分布，计算相应的各变化状态的概率分布期望。

以下以变化状态s1为例详细地描述步骤104的操作。

首先将时间窗口的历史数据的MTBF进行时间差分运算，然后按照预设间隔区间，对差分运算结果进行离散分布统计。例如，在以变化状态s1为例的示例实施例中，对大于200h的差分运算结果(即，与变化状态s1相关的差分运算结果)进行柱状分布，间隔区间选取为40h。也就是说，分别统计差分运算结果在各个间隔区间(200,240]、(240,280]、(280,320]……内的概率分布。根据本发明构思的示例实施例，离散分布统计不受限于柱状分布，间隔区间不限于40h。

接下来，对统计的离散分布进行非线性拟合，得到变化状态s1的初始概率分布。例如，对柱状分布进行非线性拟合，非线性拟合的区间点(非线性拟合的自变量值的选取)为各个柱状区间的均值，即，220、260、300……，非线性拟合的结果对应于各个区间点的概率。

随后，对初始概率分布进行负概率修正，获得相应的变化状态(即，变化状态s1)的概率分布。根据本发明构思的示例实施例，基于概率为非负的特性，对非线性拟合后的初始概率分布进行负概率修正，例如，将初始概率分布中的负值修正为预定的正值(诸如，0.01)。然而，本发明构思不限于此，其他的负概率修正的方法也是可行的。

最后，基于相应的变化状态(即，变化状态s1)的概率分布，计算相应的变化状态的概率分布期望。例如，变化状态s1的概率分布期望可表示为如下的等式1：

为方便起见，在等式1中，x_i可以为非线性拟合的各个区间点，n可以为区间点的总个数，p_i可以为相应的区间点的概率。然而，本发明构思的示例实施例不限于此，可根据负概率修正后的非线性拟合的概率分布，选取更多或更少的其他的区间点来计算各个状态的概率分布期望。

在步骤105中，获取当前状态S₀。具体地说，如果是初次预测，则将时间窗口的历史数据的末尾时间的变化状态作为当前状态S₀。如果不是初次预测，则当前状态S₀为基于之前预测值得到的状态。

在步骤106中，基于步骤103所计算的转移概率矩阵

获取与当前状态S₀相关的各个转换概率。步骤106可表示为如下等式2：

为了便于理解，这里假设当前状态S₀为变化状态s2，则在等式2中，

(S₀)可表示变化状态s2下的转移概率矩阵，即，

P₁，P₂，P₃分别表示：变化状态s2分别转移为变化状态s1、s2和s3的转换概率P01、P11、P21。

在步骤107中，基于步骤104所计算的概率分布期望以及步骤106所获取的转换概率，计算与当前状态S₀相关的综合状态期望。具体地说，计算与当前状态相关的综合状态期望的步骤107可包括：将每个变化状态的概率分布期望和与当前状态相关的每个转换概率相乘；对相乘所得的结果求和，以计算与当前状态相关的综合状态期望

即，综合状态期望

可表示为如下等式3：

在等式3中，E_i(i＝1、2、3)表示各个变化状态s1、s2和s3的概率分布期望，P_i(i＝1、2、3)表示当前状态S₀转移为各个变化状态s1、s2和s3的转换概率。根据本发明构思的示例实施例，i的值不限于1、2、3，而是可随着步骤101所设置的变化状态的数量的变化而变化。

在步骤108中，基于步骤107所计算的综合状态期望和可靠性指标的当前值，计算可靠性指标的预测值。例如，在可靠性指标为MTBF的示例实施例中，当前值为MTBF₀，则MTBF的预测值MTBF_pre可表示为以下等式4：

根据本发明构思的示例实施例，如果是初次预测，则可以将时间窗口的历史数据的末尾时间(例如，时间窗口的历史数据的末尾月)的MTBF的值作为当前值MTBF₀。如果不是初次预测，则前值MTBF₀可以为上一次预测的预测值。

在步骤109中，判断是否结束预测，如果结束预测(是)，则结束预测并输出各个预测结果。如果在步骤109中判断预测未结束(否)，则在步骤110中，使用预测值进行数据的更新，以用于可靠性指标的下一次预测。例如，如果需要利用时间窗口的历史数据(例如，2017年3月之前的实际测量的MTBF值)对2017年3月至2017年12月的MTBF进行预测，则可基于2017年3月之前的最近时间处的MTBF(例如，2017年2月的MTBF)，按照上述方法来预测2017年3月的MTBF；在预测得到2017年3月的预测值后，可将2017年3月份的预测值用于2017年4月份的预测(重复步骤103至步骤108)，以此类推直至预测得到2017年12月的MTBF的预测值。然而，本发明构思不限于此，其他预测方式也包含在本发明构思的范围内。

以上仅示出根据本发明构思的风力发电机组可靠性水平预测的方法的示例性实施例，然而本发明构思不限于此，图1中所描述的流程图可不按上述步骤顺序地执行，或者可根据工程需要省略或添加一个或多个步骤。

图2是根据本发明的示例实施例的风力发电机组可靠性水平预测的系统的框图。

参照图2，根据实施例的风力发电机组可靠性水平预测的系统200可包括初始化模块203、计算模块204以及预测值模块205。

可选地，图2所示的系统200还可包括数据导入模块201、交互模块202、显示模块206和导出模块207。

根据本发明构思的示例实施例，数据导入模块201可导入各个可靠性指标的时间窗口的历史数据。根据本发明构思的另一示例实施例，系统200也可不包括数据导入模块201，而是包括额外的存储模块来存储各个可靠性指标的时间窗口的历史数据。

根据本发明构思的示例实施例，交互模块202可设置需要进行预测的可靠性指标，例如，如上所述的MTBF。此外，交互模块202还可选择用于计算模块204的可靠性指标的时间窗口的历史数据，并且设置用于预测值模块205的预测范围。根据本发明构思的另一示例实施例，系统200也可不包括交互模块202，而在初始化模块203中设置默认的可靠性指标，并且使用默认的可靠性指标的时间窗口的历史数据并且设置默认的预测时间。

根据本发明构思的示例实施例，初始化模块203可设置可靠性指标预定的多个变化状态。具体地，初始化模块203可根据可靠性指标的值在两个邻近时间的改变量，来设置预定的多个变化状态。可选地，初始化模块203还可对时间窗口的历史数据进行预处理，以去除时间窗口的历史数据的空值。根据本发明构思的示例实施例，初始化模块203可进行图1中所示的步骤101和/步骤102的操作。上述图1的相应的描述也可应用于图2，因此为了简洁和简明，在此省略初始化模块203的具体操作的详细描述。

根据本发明构思的示例实施例，计算模块204可基于交互模块202选择的可靠性指标的时间窗口的历史数据，计算多个变化状态的转移概率矩阵；基于时间窗口的历史数据，计算多个变化状态中的每个变化状态的概率分布期望；基于转移概率矩阵，获取与当前状态相关的各个转换概率；并且基于概率分布期望以及转换概率，计算与当前状态相关的综合状态期望。

具体地说，计算模块204可基于以下操作来计算多个变化状态中的每个变化状态的概率分布期望：对时间窗口的历史数据进行时间差分运算；基于与各变化状态相关的差分运算结果，计算相应的各变化状态的概率分布；以及基于各变化状态的概率分布，计算相应的各变化状态的概率分布期望。其中，计算模块204可基于以下操作来计算相应的各变化状态的概率分布：按照预设间隔区间，对差分运算结果进行离散分布统计；对统计的离散分布进行非线性拟合，得到初始概率分布；对初始概率分布进行负概率修正，获得相应的变化状态的概率分布。此外，计算模块204可通过将初始概率分布中的负值修正为预定的正值，来进行负概率修正。计算模块基于以下操作计算综合状态期望：将每个变化状态的概率分布期望和与当前状态相关的每个转换概率相乘；对相乘所得的结果求和，以计算综合状态期望。

根据本发明构思的示例实施例，计算模块204可进行图1中所示的步骤103至步骤107的操作。上述图1的相应的描述也可应用于图2，因此为了简洁和简明，在此省略计算模块204的具体操作的详细描述。

根据本发明构思的示例实施例，预测值模块205可基于计算模块204所计算的综合状态期望和可靠性指标的当前值，来计算可靠性指标的预测值。

显示模块206可将预测值模块205计算的可靠性指标的预测值以图像、报表的形式进行显示。如图3和图4示出根据本发明的示例实施例时间窗口的历史数据与预测结果的示图。位于图3的上方的曲线图是某一风力发电机组(例如，同一批次安装的风力发电机组)在2016年1月至2016年11月的MTBF的时间窗口的历史数据，位于图3的下方的曲线图是利用2016年1月至2016年11月的MTBF的时间窗口的历史数据，预测之后的五个月(2016年12月至2017年4月)的MTBF的预测值。图4示出利用2015年1月至2016年11月的时间窗口的历史数据，预测之后的4个月的MTBF的预测值。根据本发明构思的示例实施例，可通过交互模块202来选择图3的在2016年1月至2016年11月的MTBF的时间窗口的历史数据以及图4的2015年1月至2016年11月的时间窗口的历史数据，并且可通过交互模块202来设置图3的预测时间(2016年12月至2017年4月)以及图4的4个月的预测时间。

在本发明的另一示例实施例中，预测值模块205可同时对不同的风力发电机组(例如，不同批次安装的风力发电机组)的可靠性值进行预测，并且在显示模块206中显示针对不同的风力发电机组的预测结果的比较图。

导出模块207可将预测值模块205计算的可靠性指标的预测值以图像、报表的形式进行存储。

以上仅示出根据本发明构思的风力发电机组可靠性水平预测的系统的示例性实施例，然而本发明构思不限于此。例如，图2所示的系统中的各个模块被分开地示出，但是也可将各个模块中的任意两个或任意多个实现在一个集成的模块中预测值模块。在根据本发明示例实施例的风力发电机组可靠性水平预测中，基于马尔可夫过程进行各种可靠性指标的预测，以后一时间的可靠性指标的值与前一时间的可靠性指标的值之间的变化量作为马尔可夫“状态”，有效地利用风力发电机组可靠性水平与其上一个时间段的可靠性水平的较强相关性，得到合理且准确的预测结果，从而根据预测结果设定可靠性目标和/或制定合适的风电机组整改策略。

虽然上面描述了本发明的特定示例实施例，但是在不脱离本发明构思的精神和范围的情况下，可以以各种形式对本发明进行修改。在此描述的示例实施例被认为仅是描述性的，而非为了限制的目的。每一示例实施例中的特征或方面的描述将被认为适用于其他示例实施例中的相似特征或方面。如果描述的技术以不同的顺序被执行，和/或如果描述的系统、架构、或装置中的组件以不同的方式组合，和/或被其他组件或它们的等同物代替或补充，则可实现合适的结果。因此，本公开的范围不是通过具体实施方式所限定，而是由权利要求和它们的等同物限定，并且在权利要求和它们的等同物的范围内的所有变化将被解释为被包括在本公开中。

Claims

1.一种风力发电机组可靠性水平预测的方法，其特征在于，所述方法包括：

设置可靠性指标的预定的多个变化状态，其中，预定的多个变化状态根据可靠性指标的值在两个邻近时间的改变量来设置；

基于所述可靠性指标的时间窗口的历史数据，计算所述多个变化状态的转移概率矩阵；

基于所述时间窗口的历史数据，计算所述多个变化状态中的每个变化状态的概率分布期望；

基于所述转移概率矩阵，获取与当前状态相关的各个转换概率；

基于所述概率分布期望以及所述转换概率，计算与当前状态相关的综合状态期望；

基于所述综合状态期望和所述可靠性指标的当前值，计算所述可靠性指标的预测值。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：在计算所述多个变化状态的转移概率矩阵步骤之前，对所述时间窗口的历史数据进行预处理，以去除所述时间窗口的历史数据的空值。

3.如权利要求1所述的方法，其特征在于，计算所述多个变化状态中的每个变化状态的概率分布期望的步骤包括：

对所述时间窗口的历史数据进行时间差分运算；

基于与各变化状态相关的差分运算结果，计算相应的各变化状态的概率分布；

基于各变化状态的概率分布，计算相应的各变化状态的概率分布期望。

4.如权利要求3所述的方法，其特征在于，计算相应的各变化状态的概率分布的步骤包括：

按照预设间隔区间，对所述差分运算结果进行离散分布统计；

对统计的离散分布进行非线性拟合，得到初始概率分布；

对所述初始概率分布进行负概率修正，获得所述相应的各变化状态的概率分布。

5.如权利要求4所述的方法，其特征在于，对所述初始概率分布进行负概率修正的步骤包括：将所述初始概率分布中的负值修正为预定的正值。

6.如权利要求1所述的方法，其特征在于，计算与当前状态相关的综合状态期望的步骤包括：

将每个变化状态的概率分布期望和与所述当前状态相关的每个转换概率相乘；

对相乘所得的结果求和，以计算所述综合状态期望。

7.一种用于风力发电机组可靠性水平预测的系统，其特征在于，所述系统包括：

初始化模块，被配置为：设置可靠性指标的预定的多个变化状态，其中，预定的多个变化状态根据可靠性指标的值在两个邻近时间的改变量来设置；

计算模块，被配置为：基于所述可靠性指标的时间窗口的历史数据，计算所述多个变化状态的转移概率矩阵；基于所述时间窗口的历史数据，计算所述多个变化状态中的每个变化状态的概率分布期望；基于所述转移概率矩阵，获取与当前状态相关的各个转换概率；基于所述概率分布期望以及所述转换概率，计算与当前状态相关的综合状态期望；以及

预测值模块，被配置为：基于所述综合状态期望和所述可靠性指标的当前值，计算所述可靠性指标的预测值。

8.如权利要求7所述的系统，其特征在于，所述计算模块还被配置为：

对所述时间窗口的历史数据进行时间差分运算；

9.如权利要求8所述的系统，其特征在于，所述计算模块还被配置为：

对统计的离散分布进行非线性拟合，得到初始概率分布；

10.如权利要求7所述的系统，其特征在于，所述计算模块还被配置为：

对相乘所得的结果求和，以计算所述综合状态期望。

11.如权利要求7所述的系统，其特征在于，所述系统还包括：

数据导入模块，被配置为：导入各个可靠性指标的时间窗口的历史数据；

交互模块，被配置为：设置需要进行预测的所述可靠性指标，选择用于所述计算模块的所述可靠性指标的时间窗口的历史数据，并且设置所述预测值模块的预测时间；

显示模块，被配置为：将所述预测值模块计算的所述可靠性指标的预测值以图像、报表的形式进行显示；

导出模块，被配置为：将所述预测值模块计算的所述可靠性指标的预测值以图像、报表的形式进行存储。