CN108897954A - 基于BootStrap置信度计算的风电机组温度预警方法及其系统 - Google Patents

Abstract

本发明公开了一种基于BootStrap置信度计算的风电机组温度预警方法及其系统，属于风力发电机组领域，包括如下步骤：实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量N_n，计算异常率η；置信度计算触发条件为预设的异常率限值η_a，当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平；当置信度水平超出预警指标CL_limit时，则进行故障预警。本发明综合异常率与置信度水平计算，可极大降低误报警率。

Description

基于BootStrap置信度计算的风电机组温度预警方法及其 系统

技术领域

本发明涉及风力发电机组领域，特别是涉及一种基于BootStrap置信度计算的风电机组温度预警方法及其系统。

背景技术

近年来，风电产业得到了广泛发展，我国装机容量不断飙升，相配套的状态监测装置却相对落后，高额的运营成本降低了风电的经济效益。通过有效方法，监测风电机组运行状态，做出预防性维修，对于减少风电场运营成本、降低风电机组的运行风险具有重要意义。

风电机组状态监测传统方法是通过对一定频率范围内的震动信号分析实现的，但需要对监测部件逐一加装振动传感器，该方法由于施工成本过高而很难被风电工业广泛应用。风电场SCADA系统持续的采集了风电机组的上千个传感器的信号，数据中蕴藏着风电机组运行状态的相关信息，应用运行数据分析成为近年来国内外风电机组运行状态监测的主流。

目前领域内专家学者对风电机组状态监测、预警技术做了一系列研究。应用神经网络等机器学习算法对风电机组主部件温度进行分析研究，但依靠神经网络等机器学习算法建立的监测模型存在模型学习时间过长、学习效率过低问题，不适应于在线工程应用。采用非线性状态估计(NSET)方法建立齿轮箱等部件正常工作状态下的温度模型并用其进行温度预测，采用单一参数报警阈值不能适应复杂工况变化，容易出现漏报和误报。

发明内容

本发明的目的是提供一种兼顾风电机组运行环境的多变性和状态信息的复杂性的，并能大幅度降低误报率的基于BootStrap置信度计算的风电机组温度预警方法及其系统。

一方面，本发明提供一种包括基于BootStrap置信度计算的风电机组温度预警方法，包括如下步骤：

S1：对实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；

其中，所述预设的数据库中包括所述已划分的若干子工况和根据工况内参数分布确立的每个子工况的阈值限，所述子工况的划分根据历史数据特性综合评估划分得到，所述预设的数据库中还包括设定的置信度计算触发条件和预警指标CL_limit；

S2：在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；

S3：对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量N_n，计算异常率η；

S4:置信度计算触发条件为预设的异常率限值η_a，当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平；

S5:当置信度水平超出预警指标CL_limit时，则进行故障预警。

进一步地，所述预设的数据库为通过对离线历史数据处理得到，具体步骤为：

1)：建立风电机组正常工作状态样本，提取风电机组SCADA历史数据特性，通过相关性方法提取与主部件温度密切相关的变量，与环境温度变量进行工况划分，划分为若干子工况，通过精度计算选择合适的划分工况的间隔尺度；

2)利用工况内参数分布的高斯模型确立每个子工况的阈值限。

进一步地，所述步骤1)中，所述主部件温度包括齿轮箱非驱动端轴温变量，采用相关分析法来求取其它变量与齿轮箱非驱动端轴温变量间的相关性系数，相关系数的计算公式为：

式中，x为齿轮箱非驱动端的轴温变量，y为其它变量，包括风速变量、有功功率变量、环境温度变量或桨距角变量；

通过分析选取有功功率变量与环境温度变量进行二维工况划分。

进一步地，根据环境温度变量和有功功率变量进行运行工况划分，所述工况划分方法为：

针对风电机组历史数据，在剔除环境温度奇异值后，确定环境温度区间[C_min，C_max]，C_min为不高于环境温度最低值的整数，C_max为不低于环境温度最高值的整数，将环境温度变量等分为M个区间，其间隔尺度为M’；

确定有功功率区间[P_min，P_max],P_min为最低限0KW，P_max为机组额定功率附加100KW，将有功功率变量等分为N个区间，其间隔尺度为N’；

根据环境温度变量、有功功率变量的区间划分，可将工况划分为M×N个运行子工况，将运行工况标记为W_ij(＝1,2,3,…,；＝1,2,3,…,)，每个工况的数据点数Si_j在公式中定义为：

S_ij＝{(c,p)|c≤c_i,c≥c_i-1,p≤p_j,p≥p_j-1}

式中,为第Si_j个工况的数据点数，c为环境温度变量，p为有功功率变量，c_i为第i个环境温度区间上限值，p_j为第j个有功功率区间上限值；

通过选择不同的间隔尺度M’、N’对工况进行划分，并进行工况划分精度计算，选取准确度高的间隔尺度。

进一步地，所述工况划分精度计算的方法为：

A)假设机组预处理后的数据集为{x_A}，选取不同间隔尺度M’、N’进行工况划分，对不同子工况分别应用轴温的均值和标准差σ进行奇异值标记，奇异值标记的方法为：

分别计算第n个子工况的轴温的均值和标准差σ_n：

式(1)、(2)中，为第n个子工况的轴温的均值，σ_n为第n个子工况的轴温的标准差σ_n；

B)奇异值标记遵循公式：

式(3)中μ是统计分析确立的正常范围系数，超出式(3)范围的轴温点x_j则进行奇异值标记；

C)在正常运行状态下对工况数据x_j的奇异值标记认为是误标记，误标记比率计算方法如下式：

式(4)中η为工况划分后计算的误标记比率，定义为工况划分精度，T_q为工况划分后的误标记总数，A为数据总量。

进一步地，选择合适的工况划分数量还结合计算耗时进行判断，结合模型的工况划分精度和计算耗时两个因素提出了统一的评估指标：

F＝w₁·p₁+w₂·p₂ (5)

式(5)中F为评估指标，p₁和p₂分别为精度及计算耗时归一化值，w₁和w₂分别为两个因素的权重系数，从而最终确定合适的划分尺度。

进一步地，所述步骤S2中阀值限划定方法为：

通过实验验证工况内数据呈现正态分布的特点，正态分布函数式为：

式(6)中，x为样本值，f为样本在该值出现的概率密度，μ为样本均值，σ为样本标准差；

当机组出现故障时，将会偏离正常运行状态，工况内会出现部分离群值，将分布在μ±2.58σ范围外的数据为异常数据，划定工况阈值限；

对于总体符合正态分布的工况，进行子工况W_ij训练样本计算，求取μ_ij和σ_ij，H_ij＝μ_ij+2.58σ_ij为上阈值限，L_ij＝μ_ij-2.58σ_ij为下阈值限，获得子工况阈值限；

对相同环境温度工况下所有的H_ij和L_ij值分别依次连线，形成该环境温度下全功率范围内的上、下阈值线。

进一步地，将实时数据进行预处理，针对实时数据中的有功功率变量、环境温度变量进行子工况辨识，搜寻到变量对应的工况后，将轴温数据代入相应运行工况，与确立的阈值限进行比对，对于超出阈值限的数据进行异常状态标记为1，未超出阈值限的数据为正常状态0；如此，形成了按时间先后顺序变化的状态序列,采用滑动窗口统计方法计数异常率，异常率的计算公式为：

η＝N_n/N (7)

式(7)中，η为异常率，N为滑动窗口统计方法中连续的数据个数，N_n为连续N个数据中的异常点个数。

进一步地，当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平，BootStrap计算方法为：

1)针对实时数据样本中的原始轴温数据集F，首先设定抽样次数T和抽样样本量D，随机从原始轴温数据中抽取样本量为D的一个BootStrap样本作为已知样本，从原始轴温数据F中进行反复T次有放回抽样，每次抽取D个观测值，形成了T个BootStrap样本；

2)将滑动窗口异常率超限点前连续个数据，超限点后连续个数据，共D个数据组成故障待验证样本集；

3)对于故障待验证样本和T个BootStrap样本，分别对每个样本进行计算D个观测值的均值：

4)设定累积和的初始值S₁＝0，通过轴温数据和均值计算不同样本每一个数据的累积和：

5)计算极值差：

S_diff＝S_max-S_min (10)

式(10)中

6)求取T个BootStrap样本每一个样本的S_max和S_min，并计算其S_diff；求取故障待验证样本集S^t _max和S^t _min，计算其S^t _diff；

7)统计T个BootStrap样本的T个S_diff中比S^t _diff小的样本个数，定义为X,则置信度水平计算公式如下：

按照上述方法，求取置信度水平，设置置信度水平限值即预警指标CL_limit，当计算异常率超限点的置信度水平δ大于预警指标CL_limit时，则进行故障报警。

进一步地，所述实时数据预处理是剔除实时数据中无预警参考价值的数据点，包括：

机组不工作数据点剔除；当风速大于切入风速时，输出功率仍为0或负值的点。

异常停机点剔除；风电机组在切入风速以上，切出风速以下功率从正常值减小到0或负值的点即为风电机组的异常停机点，删除这些点以及前若干个停机状态过程点；同理，在切入风速以上，风电机组输出功率由0或负值渐增加到正值的过程即为风电机组切入风速以上的启动，删除这些点以及后若干个启动状态过程点；

连续风速不变点剔除；因风速仪卡塞等导致的连续风速不变数据，确认条件为超过30分钟出现连续风速不变的数据，保留第一条数据，剔除其余数据；

连续时间不变点剔除；发生连续时间不变，保留第一条数据，剔除其余数据。

另一方面，提供一种基于BootStrap置信度计算的风电机组温度预警系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于BootStrap置信度计算的风电机组温度预警方法的步骤。

由于采用上述技术方案，本发明至少具有以下优点：

(1)本发明对实时数据处理后，与预设的数据库中的数据进行比对，并进行异常率的计算，并设定异常率限值触发BootStrap置信度计算，使用BootStrap构造超限点置信度计算方法，可大幅降低误报率，具有低成本、效率高、误报率低的优点。

(2)本发明充分考虑风电机组故障预警普遍存在的误报警问题及环境因素对主部件温度的影响，通过变量相关性分析提取与主部件温度密切相关的变量，通过综合性能评估方法选择合适的划分尺度进行工况划分，兼顾风电机组运行环境的多变性和状态信息的复杂性，结合置信度计算方法，可大幅降低误报率，。

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是本发明的基于BootStrap置信度计算的风电机组温度预警方法的框架示意图；

图2是本发明的基于BootStrap置信度计算的风电机组温度预警方法的流程示意图；

图3是本发明的某正常机组运行状态实例的以环境温度变量按不同分隔尺度划分后的工况划分数量的精度和计算耗时的计算结果示意图；

图4是本发明的某正常机组运行状态实例的以有功功率变量按不同分隔尺度划分后的工况划分数量的精度和计算耗时的计算结果示意图；

图5是本发明的某正常机组运行状态实例的以环境温度变量按不同分隔尺度划分后的工况划分数量的综合评估结果示意图；

图6是本发明的某正常机组运行状态实例的以有功功率变量按不同分隔尺度划分后的工况划分数量的综合评估结果示意图；

图7是本发明的某正常机组运行状态实例的环境温度为10-15℃区间下全功率范围内的上、下阈值线及工况辨识的实时数据的轴温分布；

图8是本发明的某正常机组运行状态实例的通过滑动窗口方法对主轴温度计算的异常率结果示意图；

图9是本发明的某正常机组运行状态实例的BootStrap样本S_diff统计直方图。

具体实施方式

本发明提供一种基于BootStrap置信度计算的风电机组温度预警方法的实施例，如图1、图2所示，包括如下步骤：

S1：对实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；

其中，所述预设的数据库中包括所述已划分的若干子工况和根据工况内参数分布确立的每个子工况的阈值限，所述子工况的划分根据历史数据特性综合评估划分得到，所述预设的数据库中还包括设定的置信度计算触发条件和预警指标CL_limit；

S2：在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；

S3：对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量N_n，计算异常率η；

S4:置信度计算触发条件为预设的异常率限值η_a，当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平；

S5:当置信度水平超出预警指标CL_limit时，则进行故障预警。

实时数据预处理是剔除实时数据中无预警参考价值的数据点，阈值限根据历史数据信息计算得到，置信度计算触发条件(异常率限值)和预警指标CL_limit的设定可以根据本领域技术人员的经验值进行设定，比如，置信度计算触发条件(异常率限值)可以设定为固定阈值50％，预警指标CL_limit的大小决定故障报警的灵敏度，可以设定为95％。

本发明在使用时，如图1所示，对实时数据预处理后，将实时数据与预设数据库中的子工况对应进行工况辨识，对于异常点数据进行标记，对异常点数据进行统计并进行异常率计算，当异常率大于异常率限值时，即触发进行BootStrap置信度计算，计算置信度水平，当置信度水平超出预警指标CL_limit时，则进行故障预警。

进一步地，所述预设的数据库为通过对离线历史数据处理得到，具体步骤为：

1)：建立风电机组正常工作状态样本，提取风电机组SCADA历史数据特性，通过相关性方法提取与主部件温度密切相关的变量，与环境温度变量进行工况划分，划分为若干子工况，通过精度计算选择合适的划分工况的间隔尺度；

2)利用工况内参数分布的高斯模型确立每个子工况的阈值限。

本发明建立预设的数据库的方法是，对SCADA运行监测数据进行分析，通过相关性计算选择与轴温变量密切相关的变量，例如可以提取有功功率变量，与环境温度变量进行二维工况划分，以消除环境因素对监测结果的干扰。

进一步地，步骤1)中，主部件温度包括齿轮箱非驱动端轴温变量，采用相关分析法来求取其它变量与齿轮箱非驱动端轴温变量间的相关性系数，相关系数的计算公式为：

式中，x为齿轮箱非驱动端的轴温变量，y为其它变量，包括风速变量、有功功率变量、环境温度变量或桨距角变量；通过分析选取有功功率变量与环境温度变量进行二维工况划分。

进一步地，根据环境温度变量和有功功率变量进行运行工况划分，工况划分方法为：

针对风电机组历史数据，在剔除环境温度奇异值后，确定环境温度区间[C_min，C_max]，C_min为不高于环境温度最低值的整数，C_max为不低于环境温度最高值的整数，将环境温度变量等分为M个区间，其间隔尺度为M’；

确定有功功率区间[P_min，P_max],P_min为最低限0KW，P_max为机组额定功率附加100KW，将有功功率变量等分为N个区间，其间隔尺度为N’；

根据环境温度变量、有功功率变量的区间划分，可将工况划分为M×N个运行子工况，将运行工况标记为W_ij(＝1,2,3,…,；＝1,2,3,…,)，每个工况的数据点数S_ij在公式中定义为：

S_ij＝{(c,p)|c≤c_i,c≥c_i-1,p≤p_j,p≥p_j-1}

式中,为第S_ij个工况的数据点数，c为环境温度变量，p为有功功率变量，c_i为第i个环境温度区间上限值，p_j为第j个有功功率区间上限值；

通过选择不同的间隔尺度M’、N’对工况进行划分，并进行工况划分精度计算，选取准确度高的间隔尺度。

间隔尺度的大小选择会影响模型监测的准确性，对某正常运行状态机组进行工况划分精度计算，工况划分精度计算的方法为：

A)假设机组预处理后的数据集为{x_A}，选取不同间隔尺度M’、N’进行工况划分，对不同子工况分别应用轴温的均值和标准差σ进行奇异值标记，奇异值标记的方法为：

分别计算第n个子工况的轴温的均值和标准差σ_n：

式(1)、(2)中，为第n个子工况的轴温的均值，σ_n为第n个子工况的轴温的标准差σ_n；

B)奇异值标记遵循公式：

式(3)中μ是统计分析确立的正常范围系数，可以根据本领域技术人员的经验设定，本实施例中优选用μ＝3，超出式(3)范围的轴温点x_j则进行奇异值标记；

C)在正常运行状态下对工况数据x_j的奇异值标记认为是误标记，误标记比率计算方法如下式：

式(4)中η为工况划分后计算的误标记比率，定义为工况划分精度，T_q为工况划分后的误标记总数，A为数据总量。

在正常运行状态下对工况数据的异常点标记认为是误标记，统计不同间隔尺度划分工况的误标记比率，机组在正常运行状态下误标记比率越低，划分工况选择的间隔尺度越好，划分精度越高。

以某正常运行状态机组进行工况划分精度计算，统计不同间隔尺度划分工况的误标记率，并计算精度，以环境温度变量的不同划分尺度划分后的工况划分数量M计算精度如图3所示，可根据精度选择合适的环境温度变量对应的工况划分数量M，以有功功率变量的不同划分尺度划分后的工况划分数量N计算精度如图4所示，可根据精度选择合适的环境温度变量对应的工况划分数量N。

为了获得最优的工况划分尺度，选择合适的工况划分数量还结合计算耗时进行判断，结合模型的工况划分精度和计算耗时两个因素提出了统一的评估指标：

F＝w₁·p₁+w₂·p₂ (5)

式(5)中F为评估指标，p₁和p₂分别为精度及计算耗时归一化值，w₁和w₂分别为两个因素的权重系数，从而最终确定合适的划分尺度。

合适的工况划分数量可保证模型的高精度与低计算耗时，分别以环境温度变量、有功功率变量的不同划分尺度划分后的工况划分数量M、N的计算精度结果和计算耗时如图3、图4所示，通过评估指标F＝w₁·p₁+w₂·p₂的计算，本领域技术人员可根据经验设定权重系数，本实施例同等考虑精度与计算耗时两个因素，权重系数w₁＝w₂＝0.5，因此，某机组齿轮箱非驱动端轴温数据根据不同变量划分工况的综合性能评估值如图5、6所示，可计算得到有功功率和环境温度的最佳工况划分分数量分别为N＝8和M＝32。

进一步地，步骤2)中阀值限划定方法为：

通过实验验证工况内数据呈现正态分布的特点，正态分布函数式为：

式(6)中，x为样本值，f为样本在该值出现的概率密度，μ为样本均值，σ为样本标准差；

当机组出现故障时，将会偏离正常运行状态，工况内会出现部分离群值，将分布在μ±2.58σ范围外的数据为异常数据，划定工况阈值限；

对于总体符合正态分布的工况，进行子工况W_ij训练样本计算，求取μ_ij和σ_ij，H_ij＝μ_ij+2.58σ_ij为上阈值限，L_ij＝μ_ij-2.58σ_ij为下阈值限，获得子工况阈值限；

对相同环境温度工况下所有的H_ij和L_ij值分别依次连线，形成该环境温度下全功率范围内的上、下阈值线，某机组齿轮箱非驱动端轴温数据根据不同变量划分工况的上、下阈值线及工况辨识的实时数据的轴温分布如图7所示。

进一步地，将实时数据进行预处理，针对实时数据中的有功功率变量、环境温度变量进行子工况辨识，搜寻到变量对应的工况后，将轴温数据代入相应运行工况，与确立的阈值限进行比对，对于超出阈值限的数据进行异常状态标记为1，未超出阈值限的数据为正常状态0；如此，形成了按时间先后顺序变化的状态序列,采用滑动窗口统计方法计数异常率，异常率的计算公式为：

η＝N_n/N (7)

式(7)中，η为异常率，N为滑动窗口统计方法中连续的数据个数，N_n为连续N个数据中的异常点个数。

通过以上验证，单纯的依靠极个别异常标记点来进行故障预警，误报率高，本发明采用异常率计算，将异常率限值设为置信度计算触发条件，当达到设定触发条件时，求取数据的置信度水平，综合作为故障预警的指标，以此避免因误标记引发的误报警问题。通过已划分阈值限对数据状态进行标记后，采用滑动窗口方法统计数据状态异常(标记坏点)比率。

BootStrap方法是在原始数据的基础上进行的模拟抽样统计推断方法，统计学家做了大量研究，在标准误差估计、线性回归分析、置换检验、区间估计等方面有了较好的应用。

假设一个数据样本的总体分布F未知，但已知有一个样本容量为D的来自分布F的数据样本，从样本D中进行有放回的随机抽样，抽取后样本容量仍为D，相继独立的从原始样本中抽取多个BootStrap样本，然后利用这些样本对整体进行统计推断，这种方法被称之为非参数BootStrap方法。本文尝试将非参数BootStrap方法应用于风电机组数据分析。CUSUM控制图计算原始数据特性累积和，是数据特性变化分析的有效工具。CUSUM控制图可以将数据微小的变化特性累积，使数据的趋势性变化更为直观的呈现出来。

本发明使用CUSUM控制图描述BootStrap样本特性，构建风电机组超限点置信度计算方法，步骤为：

当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平，BootStrap计算方法为：

1)针对实时数据样本中的原始轴温数据集F，首先设定抽样次数T和抽样样本量D，随机从原始轴温数据中抽取样本量为D的一个BootStrap样本作为已知样本，从原始轴温数据F中进行反复T次有放回抽样，每次抽取D个观测值，形成了T个BootStrap样本；

2)将滑动窗口异常率超限点前连续个数据，超限点后连续个数据，共D个数据组成故障待验证样本集；

3)对于故障待验证样本和T个BootStrap样本，分别对每个样本进行计算D个观测值的均值：

4)设定累积和的初始值S₁＝0，通过轴温数据和均值计算不同样本每一个数据的累积和：

5)计算极值差：

S_diff＝S_max-S_min (10)

式(10)中

6)求取T个BootStrap样本每一个样本的S_max和S_min，并计算其S_diff；求取故障待验证样本集S^t _max和S^t _min，计算其S^t _diff；

7)统计T个BootStrap样本的T个S_diff中比S^t _diff小的样本个数，定义为X,则置信度水平计算公式如下：

按照上述方法，求取置信度水平，设置置信度水平限值即预警指标CL_limit，当计算异常率超限点的置信度水平δ大于预警指标CL_limit时，则进行故障报警。本发明综合异常率指标与置信度水平计算，可极大降低误报警概率。

进一步地，实时数据预处理是剔除实时数据中无预警参考价值的数据点，包括：

机组不工作数据点剔除；当风速大于切入风速时，输出功率仍为0或负值的点。

异常停机点剔除；风电机组在切入风速以上，切出风速以下功率从正常值减小到0或负值的点即为风电机组的异常停机点，删除这些点以及前若干个停机状态过程点；同理，在切入风速以上，风电机组输出功率由0或负值渐增加到正值的过程即为风电机组切入风速以上的启动，删除这些点以及后若干个启动状态过程点；

本发明方法目前主要应用于风电机组10分钟数据和1分钟数据，根据风电机组运行原理认为风电机组在启机前30分钟停机后30分钟数据为启停机状态，若实际处理数据为10分钟数据，则为前后各三个过程点；若为1分钟数据，则为30个过程点。

连续风速不变点剔除；因风速仪卡塞等导致的连续风速不变数据，确认条件为超过30分钟出现连续风速不变的数据，保留第一条数据，剔除其余数据；

连续时间不变点剔除；发生连续时间不变，保留第一条数据，剔除其余数据。

本发明在使用时，以某风场机组正常运行状态为实例，测试其主轴温度；选取该机组2014、2015两年一分钟数据，选取风速、功率、室外温度、主轴温度和桨距角变量共5个参数，滑动窗口长度为500，置信度计算触发条件η_a设置为50％，选取主轴温度变量进行异常率计算，如图8所示，可知在7月5日12:25:00触发置信度计算条件，在超限点位置进一步进行置信度计算。设定抽样次数1000和抽样样本量1000，BootStrap样本计算结果统计直方图如图9所示。

超限点前后连续轴温数据构成的故障待验证样本的极值差S^t _diff数值为158.8。置信度水平计算结果为73％，设置的CL_limit为95％，置信度计算结果未超出报警指标，不认为在该时间段内有故障发生。

通过核对风电机组运行日志，在该时间段内并没有明显异常，因此考虑异常率超限为环境因素差异过大等偶发因素而导致的轴温前后差异造成的误标记。可知，本发明通过综合性能评估方法选择合适的划分尺度进行工况划分，兼顾风电机组运行环境的多变性和状态信息的复杂性，使用BootStrap构造超限点置信度计算方法，可大幅降低误报率，具有低成本、效率高、误报率的优点。

在该实施例中，BootStrap置信度计算中极值差的计算可以为抽取的故障待验证样本和随机抽取的1000个BootStrap样本集中累积和的最大值与最小值之差，置信度计算的定义是统计其它随机抽取的1000个BootStrap样本集极值差比故障待验证样本极值差小的个数，并计算比例，得到置信度水平，并与报警值比较判断是否进行故障预警。

另一方面，提供一种基于BootStrap置信度计算的风电机组温度预警系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于BootStrap置信度计算的风电机组温度预警方法的步骤。

本发明充分考虑风电机组故障预警普遍存在的误报警问题及环境因素对主部件温度的影响，通过变量相关性分析提取与主部件温度密切相关的变量，通过综合性能评估方法选择合适的划分尺度进行工况划分，兼顾风电机组运行环境的多变性和状态信息的复杂性。本发明使用BootStrap构造超限点置信度计算方法，可大幅降低误报率，具有低成本、效率高、误报率低的优点。

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。

Claims (11)

1.一种基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，包括如下步骤：

S1：对实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；

其中，所述预设的数据库中包括所述已划分的若干子工况和根据工况内参数分布确立的每个子工况的阈值限，所述子工况的划分根据历史数据特性综合评估划分得到，所述预设的数据库中还包括设定的置信度计算触发条件和预警指标CL_limit；

S2：在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；

S3：对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量N_n，计算异常率η；

S4:置信度计算触发条件为预设的异常率限值η_a，当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平；

S5:当置信度水平超出预警指标CL_limit时，则进行故障预警。

2.根据权利要求1所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，所述预设的数据库为通过对离线历史数据处理得到，具体步骤为：

1)建立风电机组正常工作状态样本，提取风电机组SCADA历史数据特性，通过相关性方法提取与主部件温度密切相关的变量，与环境温度变量进行工况划分，划分为若干子工况，通过精度计算选择合适的划分工况的间隔尺度；

2)利用工况内参数分布的高斯模型确立每个子工况的阈值限。

3.根据权利要求2所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，所述步骤1)中，所述主部件温度包括齿轮箱非驱动端轴温变量，采用相关分析法来求取其它变量与齿轮箱非驱动端轴温变量间的相关性系数，相关系数的计算公式为：

式中，x为齿轮箱非驱动端的轴温变量，y为其它变量，包括风速变量、有功功率变量、环境温度变量或桨距角变量；

通过分析，选取有功功率变量与环境温度变量进行二维工况划分。

4.根据权利要求3所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，根据环境温度变量和有功功率变量进行运行工况划分，所述工况划分方法为：

针对风电机组历史数据，在剔除环境温度奇异值后，确定环境温度区间[C_min，C_max]，C_min为不高于环境温度最低值的整数，C_max为不低于环境温度最高值的整数，将环境温度变量等分为M个区间，其间隔尺度为M’；

确定有功功率区间[P_min，P_max],P_min为最低限0KW，P_max为机组额定功率附加100KW，将有功功率变量等分为N个区间，其间隔尺度为N’；

根据环境温度变量、有功功率变量的区间划分，可将工况划分为M×N个运行子工况，将运行工况标记为W_ij(＝1,2,3,…,；＝1,2,3,…,)，每个工况的数据点数S_ij在公式中定义为：

S_ij＝{(c,p)|c≤c_i,c≥c_i-1,p≤p_j,p≥p_j-1}

式中,为第S_ij个工况的数据点数，c为环境温度变量，p为有功功率变量，c_i为第i个环境温度区间上限值，p_j为第j个有功功率区间上限值；

通过选择不同的间隔尺度M’、N’对工况进行划分，并进行工况划分精度计算，选取准确度高的间隔尺度。

5.根据权利要求4所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，所述工况划分精度计算的方法为：

A)假设机组预处理后的数据集为{x_A}，选取不同间隔尺度M’、N’进行工况划分，对不同子工况分别应用轴温的均值和标准差σ进行奇异值标记，奇异值标记的方法为：

分别计算第n个子工况的轴温的均值和标准差σ_n：

式(1)、(2)中，为第n个子工况的轴温的均值，σ_n为第n个子工况的轴温的标准差σ_n；

B)奇异值标记遵循公式：

式(3)中μ是统计分析确立的正常范围系数，超出式(3)范围的轴温点x_j则进行奇异值标记；

C)在正常运行状态下对工况数据x_j的奇异值标记认为是误标记，误标记比率计算方法如下式：

式(4)中η为工况划分后计算的误标记比率，定义为工况划分精度，T_q为工况划分后的误标记总数，A为数据总量。

6.根据权利要求5所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，选择合适的工况划分数量还结合计算耗时进行判断，结合模型的工况划分精度和计算耗时两个因素提出了统一的评估指标：

F＝w₁·p₁+w₂·p₂ (5)

式(5)中F为评估指标，p₁和p₂分别为精度及计算耗时归一化值，w₁和w₂分别为两个因素的权重系数，从而最终确定合适的划分尺度。

7.根据权利要求2至6任一所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，所述步骤2)中阀值限划定方法为：

通过实验验证工况内数据呈现正态分布的特点，正态分布函数式为：

式(6)中，x为样本值，f为样本在该值出现的概率密度，μ为样本均值，σ为样本标准差；

当机组出现故障时，将会偏离正常运行状态，工况内会出现部分离群值，将分布在μ±2.58σ范围外的数据为异常数据，划定工况阈值限；

对于总体符合正态分布的工况，进行子工况W_ij训练样本计算，求取μ_ij和σ_ij，H_ij＝μ_ij+2.58σ_ij为上阈值限，L_ij＝μ_ij-2.58σ_ij为下阈值限，获得子工况阈值限；

对相同环境温度工况下所有的H_ij和L_ij值分别依次连线，形成该环境温度下全功率范围内的上、下阈值线。

8.根据权利要求7所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，将实时数据进行预处理，针对实时数据中的有功功率变量、环境温度变量进行子工况辨识，搜寻到变量对应的工况后，将轴温数据代入相应运行工况，与确立的阈值限进行比对，对于超出阈值限的数据进行异常状态标记为1，未超出阈值限的数据为正常状态0；如此，形成了按时间先后顺序变化的状态序列,采用滑动窗口统计方法计数异常率，异常率的计算公式为：

η＝N_n/N (7)

式(7)中，η为异常率，N为滑动窗口统计方法中连续的数据个数，N_n为连续N个数据中的异常点个数。

9.根据权利要求1至8任一所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平，BootStrap计算方法为：

1)针对实时数据样本的原始轴温数据集F，首先设定抽样次数T和抽样样本量D，随机从原始轴温数据中抽取样本量为D的一个BootStrap样本作为已知样本，从原始轴温数据F中进行反复T次有放回抽样，每次抽取D个观测值，形成了T个BootStrap样本；

2)将滑动窗口异常率超限点前连续个数据，超限点后连续个数据，共D个数据组成故障待验证样本集；

3)对于故障待验证样本和T个BootStrap样本，分别对每个样本进行计算D个观测值的均值：

4)设定累积和的初始值S₁＝0，通过轴温数据和均值计算不同样本每一个数据的累积和：

5)计算极值差：

S_diff＝S_max-S_min (10)

式(10)中

6)求取T个BootStrap样本每一个样本的S_max和S_min，并计算其S_diff；求取故障待验证样本集S^t _max和S^t _min，计算其S^t _diff；

7)统计T个BootStrap样本的T个S_diff中比S^t _diff小的样本个数，定义为X,则置信度水平计算公式如下：

按照上述方法，求取置信度水平，设置置信度水平限值即预警指标CL_limit，当计算异常率超限点的置信度水平δ大于预警指标CL_limit时，则进行故障报警。

10.根据权利要求1至9任一所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，所述实时数据预处理是剔除实时数据中无预警参考价值的数据点，包括：

机组不工作数据点剔除；当风速大于切入风速时，输出功率仍为0或负值的点。

异常停机点剔除；风电机组在切入风速以上，切出风速以下功率从正常值减小到0或负值的点即为风电机组的异常停机点，删除这些点以及前若干个停机状态过程点；同理，在切入风速以上，风电机组输出功率由0或负值渐增加到正值的过程即为风电机组切入风速以上的启动，删除这些点以及后若干个启动状态过程点；

连续风速不变点剔除；因风速仪卡塞等导致的连续风速不变数据，确认条件为超过30分钟出现连续风速不变的数据，保留第一条数据，剔除其余数据；

连续时间不变点剔除；发生连续时间不变，保留第一条数据，剔除其余数据。

11.一种基于BootStrap置信度计算的风电机组温度预警系统，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至10任一所述的基于BootStrap置信度计算的风电机组温度预警方法的步骤。