CN109685371A - 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 - Google Patents

Abstract

基于贝叶斯网的动态概权风电机组运行状态综合评估方法，利用scada数据确定风电机组状态评估参数向量，对风电机组故障模式进行分类。构建三层贝叶斯网络描述风电机组运行参数向量和故障因果关系，确定贝叶斯网络参数向量的先验分布，通过风电机组经验知识确定乘积狄利克雷分布的超参数。确定贝叶斯网络参数的后验概率分布。计算贝叶斯网络中各节点在其父节点不同状态下的条件概率分布。根据风电机组运行状态综合评估的动态概权，对风电机组运行状态进行综合评估。本发明实现了对风电机组运行状态的快速有效的评估，提前发现设备的异常和劣化趋势，实现预测性维修，有效地避免故障发生，减少经济损失，提高风电场的经济性和安全性。

Description

基于贝叶斯网的动态概权风电机组运行状态综合评估方法

技术领域

本发明涉及风电机组状态评估方法，具体涉及一种基于贝叶斯网的动态概权风电机组运行状态综合评估方法。

背景技术

风力发电作为一种清洁环保、最具可开发性的新能源发电方式，对于改善生态环境和缓解电力供应紧张的形势有着十分重要的意义。随着风力发电的快速发展，高昂的风电机组的管理维护费用与状态评估等问题也日益突出。据统计，陆上风电机组的运维费用约占10％-15％。海上风电场由于其运行环境更加特殊，对技术要求更为苛刻，维护费用高达20％-25％。高昂的机组维护费用很重要的原因是风电场采用“定期维修”和“事故维修”的原则进行维护作业，而不是通过对机组进行综合状态评估，采取预测性运行维护，最终造成巨大经济损失。

数据采集与监控(scada)系统是一种应用广泛的风电机组状态监测系统，主要功能有数据采集、风机监控、参数调节以及各类信号报警灯，能够为研究风电场提供实时数据和报警信息。但是，现有的scada系统大多缺乏有效的系统状态评估算法，无法判定风电机组整体的运行状态，只有当采样数据越限时，才能给出相应部位的报警信息，导致事故已经发生并造成了实际损失，而没有起到预测性维修作用。

目前已经有学者研究基于神经网络、概率统计以及物元分析的总和关联评判等方法进行风电机组状态评估。概括起来的思路有两种，一种是从scada历史故障数据中挖掘故障信息，建立起故障识别模型，该思路需要大量的机组故障信息作为训练数据集，而实际中不可能产生如此庞大的故障数据集。一种是从scada历史数据中挖掘正常的数据信息，建立一种风电机组异常的判定模型，该思路则缺乏对机组整体运行状态进行研究，导致存在较大的判别误差。以上方法同时也存在计算量大，模型运行环境苛刻的缺点。

因此在工程实际中，如何对风电机组运行状态进行快速有效的评估，实时掌握机组的运行状态，提前预警机组故障隐患，指导预测性维修是一个亟待解决的问题，提前发现设备的异常和劣化趋势，可以避免故障发生，从而避免经济损失，提高经济性和安全性。

发明内容

为了克服和解决上述现有技术存在的不足，本发明的目的在于提供一种基于贝叶斯网的动态概权风电机组运行状态综合评估方法。

为达到上述目的，本发明所采用的技术方案是：

基于贝叶斯网的动态概权风电机组运行状态综合评估方法，包括如下步骤：

步骤1：利用scada历史运行数据，选择用于构建反映风电机组运行状态的贝叶斯网络的状态评估参数向量；

步骤2：确定风电机组的故障模式；

步骤3：对风电机组的故障模式进行分类；

步骤4：形成贝叶斯网络；

根据状态评估参数向量和风电机组的故障模式之间的因果关系，结合scada系统的历史运行数据进行统计分析，得到用于描述风电机组的故障和状态评估参数向量间的因果关系三层贝叶斯网络；

步骤5：确定贝叶斯网络参数向量先验分布；

步骤6：根据scada监控系统数据得到贝叶斯网络参数向量的似然函数；

步骤7：确定贝叶斯网络参数向量的后验概率分布；

步骤8：计算各节点在不同状态下的条件概率分布P(y_i|G)：

P(y_i|G)＝∫P(y_i|θ)p(θ|G)dθ

其中y_i表示参数i所在节点的某一状态，G表示给定的贝叶斯网络；

上式简化为：

结合scada系统中的监控数据，计算得到参数i所在节点处于状态y_i的概率P(y_i|π(X_i)，G)为：

其中

步骤9：利用贝叶斯网络得到动态概权，得到风电机组运行状态的评估结果。

本发明进一步的改进在于，步骤2具体过程为：根据风电机组历史故障信息和运行状态信息，统计得出齿轮箱及主轴系统、发电机系统、机舱系统、变桨系统和电网系统的故障模式。

本发明进一步的改进在于，步骤3的具体过程为：基于历史故障情况，把风电机组的故障模式分为突发、间歇和退化三种类型，其中突发表示一个元件或系统迅速的或突然完全丧失功能；间歇表示暂时发生的无需维护能够自定纠正；退化表示元件磨损、腐蚀、气蚀、冲刷引起的永久失效。

本发明进一步的改进在于，步骤5的具体过程为：假设贝叶斯网络参数向量具有全局独立性，从而贝叶斯网络参数向量的先验分布由乘积狄利克雷分布给出，

其中θ为贝叶斯网络的参数向量，n为贝叶斯网络的参数个数，q_i为贝叶斯网络参数i所在节点的父节点个数，r_i为参数i所在节点的状态数；θ_ijk为节参数i所在节点在父节点为j的条件下处于状态k时的条件概率，α_ijk为乘积狄利克雷分布的超参数。

本发明进一步的改进在于，步骤6的具体过程为：参数向量0在数据D下的似然函数为：

其中m_ijk表示数据包含当前状态时的特征量，定义如下：

m_ijk＝∑x(i，j，k；D)

其中X_i表示参数i所在节点的随机变量，π(X_i)表示参数i所在节点的父节点。

本发明进一步的改进在于，步骤7中，贝叶斯网络参数向量的后验概率分布表示为：

本发明进一步的改进在于，步骤9的具体过程为：当从scada监控系统得到新的数据参数x时，由贝叶斯网络得出故障模式三种类别的动态概率信息，即状态为1时的概率，分别为突发概率p₁，间歇概率p₂和退化概率p₃，并以此作为综合权重；将故障模式三种类别进行等级分数划分，分别为突发S₁，间歇S₂，退化S₃，且S₁+S₂+S₃＝100；得到综合评估结果为：

μ＝S₁β₁+S₂β₂+S₃β₃

其中β_i＝1-p_i(i＝1，2，3)。与现有技术相比，本发明具有的有益效果：

本发明利用scada历史运行数据，结合专家经验知识，创建出风电机组的因果关系贝叶斯网络结构，结合贝叶斯网络的节点先验知识，训练网络参数得出每个节点的概率分布，从而完成贝叶斯网络的建立。基于该网络建立一种基于动态概权的风电机组状态评价模型，实现对风电机组状态进行实时有效的评估，简便易行并且具有广泛的通用性，且过程直观明了；使得可以风电机组在安全稳定的前提下，可以实时评价机组运行状态，为风电机组的高效运行提供保证，为机组预测性维护提供有力支撑。根据本发明的基于贝叶斯网的动态概权风电机组运行状态综合评估方法，快速有效的得到风电机组的综合运行状态，提供给风电站运行维护的工作人员，为开展机组运行预测性维护计划提供有力支撑，能够提前发现设备的异常和劣化趋势，避免故障发生，提高机组维护的经济效益，降低机组维护成本。

附图说明

图1为本发明的风电机组状态评估贝叶斯网络。

具体实施方式

下面结合scada数据，以基于贝叶斯网络的动态概权风电机组运行状态综合评估为实例对本发明作更详细的介绍。

首先利用scada数据确定风电机组状态评估参数向量，对风电机组故障模式进行分类。构建三层贝叶斯网络描述风电机组运行参数和故障因果关系，由乘积狄利克雷分布给出贝叶斯网络参数向量的先验分布，通过风电机组经验知识确定乘积狄利克雷分布的超参数。利用scada系统运行历史数据，确定贝叶斯网络参数向量的后验概率分布。计算贝叶斯网络中各节点在其父节点不同状态下的条件概率分布。在获取新的监测数据后，通过贝叶斯网络计算突发概率，间歇概率和退化概率，得到风电机组运行状态综合评估的动态概权，最后对风电机组运行状态进行综合评估。该评估方法实现了对风电机组运行状态的快速有效的评估，提前发现设备的异常和劣化趋势，实现预测性维修，有效地避免故障发生，减少经济损失，提高风电场的经济性和安全性。

本发明中所述的风电机组运行状态综合评估方法采用scada个和华锐SL1500/70机组，并选择状态评估参数向量如表1所示，故障模式分类如表3所示，利用贝叶斯网络得到动态概权进行风电机组运行状态综合评估。

本发明具体包括以下步骤：

步骤1：首先利用scada运行的历史数据，对风电机组的结构和故障模式及激励、运维日志等信息综合归纳和分析，选择具有代表性的参数，用于构建反映风电机组运行状态的贝叶斯网络。代表性的状态评估参数向量如表1所示。

表1风电机组状态评估参数

步骤2：根据风电机组运行统计信息，统计得出齿轮箱及主轴系统、发电机系统、机舱系统、变桨系统和电网系统的故障模式。如表2所示。

表2风电机组故障模式

步骤3：对故障模式进行分类，分为突发、间歇和退化三种类型，得到结果如表3所示。其中突发表示一个元件或系统迅速的或突然完全丧失功能；间歇表示暂时发生的无需维护可以自定纠正；退化表示元件磨损、腐蚀、气蚀、冲刷引起的永久失效。

表3风电机组故障模式分类

步骤4：形成贝叶斯网络。根据状态评估参数向量和风电机组的故障模式之间的因果关系，结合scada系统的历史运行数据进行统计分析，得到三层贝叶斯网络用于描述风电机组的故障和状态评估参数向量间的因果关系。如图1所示。

步骤5：确定贝叶斯网络参数向量先验分布。假设贝叶斯网络参数向量具有全局独立性，从而贝叶斯网络参数向量的先验分布由乘积狄利克雷分布给出，

其中θ为贝叶斯网络的参数向量，n＝164，q_i为贝叶斯网络参数i所在节点的父节点个数，r_i为参数i所在节点的状态数，均为2，分别为k＝0和k＝1两种状态。θ_ijk为参数i所在节点在父节点为j的条件下处于状态k时的条件概率，α_ijk为乘积狄利克雷分布的超参数。

步骤6：根据scada监控系统数据得到贝叶斯网络参数向量的似然函数。参数向量θ在数据D下的似然函数为：

其中m_ijk表示数据包含当前状态时的特征量，定义如下：

m_ijk＝∑x(i，j，k；D)

其中X_i表示参数i所在节点的随机变量，π(X_i)表示参数i所在节点的父节点。

步骤7：得出贝叶斯网络参数向量的后验概率分布。可表示为：

步骤8：计算各节点在不同状态下的条件概率分布。得到，

P(y_i|G)＝∫P(y_i|θ)p(θ|G)dθ

其中y_i表示参数i所在节点的某一状态，G表示给定的贝叶斯网络，如图1所示。

上式可简化为：

结合scada系统中的监控数据，可以计算得到参数i所在节点处于状态y_i的概率为：

其中

步骤9：利用贝叶斯网络得到动态概权，得出风电机组运行状态的评估结果。利用从scada系统得到新的检测数据，如表4所示，由贝叶斯网络可以得出故障模式三种类别的动态概率信息，即状态为1时的概率，分别为突发概率0.0156，间歇概率0.1387和退化概率0.0873，并以此作为综合权重。将故障模式三种类别进行等级分数划分，分别为突发55，间歇17，退化28。于是得到综合评估结果为：

μ＝S₁β₁+S₂β₂+S₃β₃＝94.3397

其中β_i＝1-p_i(i＝1，2，3)

表4 scada监测数据

Claims (7)

1.基于贝叶斯网的动态概权风电机组运行状态综合评估方法，其特征在于，包括如下步骤：

步骤1：利用scada历史运行数据，选择用于构建反映风电机组运行状态的贝叶斯网络的状态评估参数向量；

步骤2：确定风电机组的故障模式；

步骤3：对风电机组的故障模式进行分类；

步骤4：形成贝叶斯网络；

根据状态评估参数向量和风电机组的故障模式之间的因果关系，结合scada系统的历史运行数据进行统计分析，得到用于描述风电机组的故障和状态评估参数向量间的因果关系三层贝叶斯网络；

步骤5：确定贝叶斯网络参数向量先验分布；

步骤6：根据scada监控系统数据得到贝叶斯网络参数向量的似然函数；

步骤7：确定贝叶斯网络参数向量的后验概率分布；

步骤8：计算各节点在不同状态下的条件概率分布P(y_i|G)：

P(y_i|G)＝∫P(y_i|θ)p(θ|G)dθ

其中y_i表示参数i所在节点的某一状态，G表示给定的贝叶斯网络；

上式简化为：

结合scada系统中的监控数据，计算得到参数i所在节点处于状态y_i的概率P(y_i|π(X_i),C)为：

其中

步骤9：利用贝叶斯网络得到动态概权，得到风电机组运行状态的评估结果。

2.根据权利要求1所述的基于贝叶斯网的动态概权风电机组运行状态综合评估方法，其特征在于，步骤2具体过程为：根据风电机组历史故障信息和运行状态信息，统计得出齿轮箱及主轴系统、发电机系统、机舱系统、变桨系统和电网系统的故障模式。

3.根据权利要求1所述的基于贝叶斯网的动态概权风电机组运行状态综合评估方法，其特征在于，步骤3的具体过程为：基于历史故障情况，把风电机组的故障模式分为突发、间歇和退化三种类型，其中突发表示一个元件或系统迅速的或突然完全丧失功能；间歇表示暂时发生的无需维护能够自定纠正；退化表示元件磨损、腐蚀、气蚀、冲刷引起的永久失效。

4.根据权利要求1所述的基于贝叶斯网的动态概权风电机组运行状态综合评估方法，其特征在于，步骤5的具体过程为：假设贝叶斯网络参数向量具有全局独立性，从而贝叶斯网络参数向量的先验分布由乘积狄利克雷分布给出，

其中θ为贝叶斯网络的参数向量，n为贝叶斯网络的参数个数，q_i为贝叶斯网络参数i所在节点的父节点个数，r_i为参数i所在节点的状态数；θ_ijk为节参数i所在节点在父节点为j的条件下处于状态k时的条件概率，α_ijk为乘积狄利克雷分布的超参数。

5.根据权利要求4所述的基于贝叶斯网的动态概权风电机组运行状态综合评估方法，其特征在于，步骤6的具体过程为：参数向量θ在数据D下的似然函数为：

其中m_ijk表示数据包含当前状态时的特征量，定义如下：

m_ijk＝∑x(i,j,k；D)

其中X_i表示参数i所在节点的随机变量，π(X_i)表示参数i所在节点的父节点。

6.根据权利要求5所述的基于贝叶斯网的动态概权风电机组运行状态综合评估方法，其特征在于，步骤7中，贝叶斯网络参数向量的后验概率分布表示为：

7.根据权利要求1所述的基于贝叶斯网的动态概权风电机组运行状态综合评估方法，其特征在于，步骤9的具体过程为：当从scada监控系统得到新的数据参数x时，由贝叶斯网络得出故障模式三种类别的动态概率信息，即状态为1时的概率，分别为突发概率p₁，间歇概率p₂和退化概率p₃，并以此作为综合权重；将故障模式三种类别进行等级分数划分，分别为突发S₁，间歇S₂，退化S₃，且S₁+S₂+S₃＝100；得到综合评估结果为：

μ＝S₁β₁+S₂β₂+S₃β₃

其中β_i＝1-p_i(i＝1,2,3)。