CN110309492A - 基于扩散图数据降维技术的风力发电机组健康度评估方法 - Google Patents

Abstract

本发明公开了一种基于扩散图数据降维技术的风力发电机组健康度评估方法，包括采集样本数据、构建检测模型、健康状态曲面确定、不同故障质心选择、数据降维、整机健康度评估以及风力发电机组关键部件健康度评估。本发明的有益效果是：通过对风力发电机组的健康度衰退指数监测以确保风力发电机组安全运行，在风力发电机组健康度衰退时及时安排检查和维修，避免不必要的人力物力损失，可以对风力发电机组及其关键部件进行实时的健康度评估，并且扩散图数据降维技术实现了风力发电机组健康度的可视化，提前监测风力发电机组的健康指数衰退情况，对现场维修人员具有指导意义，优化维修方案，减少人力物力浪费，从而降低风力发电机的运维成本。

Description

基于扩散图数据降维技术的风力发电机组健康度评估方法

技术领域

本发明涉及一种风力发电机组健康度评估方法，具体为一种基于扩散图数据降维技术的风力发电机组健康度评估方法，属于风力发电机组的数据采集与监控技术领域。

背景技术

风力发电是指把风的动能转为电能，风能是一种清洁无公害的的可再生能源能源，随着大功串的电力电子器件和能源存储设备的进一步发展，风力发电在总投资或发电费用上可与常规能源相竞争，风力发电技术也得到更大的发展，

目前，风力发电机组主要依靠状态监测和故障诊断进行运维，并没有对风力发电机组健康度进行评估的方法。无法及时有效地监测风力发电机组的健康状况，故障发生后破坏力强，导致人力物力损失，使得运维成本大大增加。

发明内容

本发明的目的就在于为了解决上述问题而提供的能够对风力发电机组进行健康状态监测，以便对整个风力发电机组的健康状态更好的掌控，将风力发电机部件的健康状态可视化，提高风力发电机组的安全性，降低运维成本的一种基于扩散图数据降维技术的风力发电机组健康度评估方法。

本发明通过以下技术方案来实现上述目的：一种基于扩散图数据降维技术的风力发电机组健康度评估方法，包括以下步骤：

步骤一：采集样本数据：采集风力发电机组不同故障前一个星期的故障样本数据；

步骤二：构建检测模型：将采集到的不同故障的历史数据作为样本模型，使用数据降维的扩散图技术将不同模型的高维数据进行数据压缩，使其降到二维空间中，将降维后的样本数据进行不同故障类别标示，并在同一二维坐标轴中进行展示；

步骤三：不同故障质心选择：利用扩散图技术得到的不同类型故障以簇的形式分布在二维平面上，通过使用高斯概率密度核函数计算出不同簇的质心，以质心代表不同的故障部位和类型；

步骤四：数据降维：使用扩散图数据降维技术将风力发电机运行时产生的实时数据降到二维空间；

步骤五：整机健康度评估：以风力发电机组健康状态下运行的数据作为评估基准点，使用扩散图技术将标准健康数据压缩到二维空间作为基准健康曲面，并将此时点设置为0；使用GMM模型计算风力发电机组实时数据压缩后产生的点和风力发电机组基准面压缩到同一二维平面，使用L2公式计算风力发电机组的健康度；

步骤六：风力发电机组关键部件健康度评估：将风力发电机组关键部件的模型提取到一个二维空间中，将实时数据输入到模型中，通过点到质心的距离大小和方向对风力发电机的主要部件进行健康度评估；以最大距离作为部件健康度指标，以方向作为风力发电机关键部件对故障模型的指向。

优选的，所述步骤一中，采样频率为10min，采样维度为51，每条样本数据所包含的样本容量为1008*51。

优选的，所述步骤二中，扩散图框架起源于动力学系统领域，在数据图上定义马尔可夫随机游动的基础上得到的；通过执行若干个时间步的随机游走，获得了数据点的接近度测量值，在扩散映射框架中，使用高斯核函数计算图中边缘的权重，得到矩阵：

其中，σ²表示高斯方差。矩阵W以行的和为1进行归一化处理；矩阵P⁽¹⁾为：

由于扩散图来源于动力学系统理论，因此所得矩阵P⁽¹⁾被认为是定义动力学过程正向转移概率矩阵的马尔可夫矩阵；因此，矩阵P⁽¹⁾表示在单个时间步中从一个数据点到另一个数据点的转换概率；t个时间步长P^(t)的正向概率矩阵由(P⁽¹⁾)^t给出；利用随机前移概率扩散距离定义为：

ψ(x_i)⁽⁰⁾将高密度的部分赋予更大的权重；m_i是x_i的密度，m_i＝∑_jp_ij；从扩散距离定义可以看出，具有高正向转换概率的成对数据点具有较小的扩散距离；在数据的低维表示中，扩散图试图保持扩散距离；扩散距离由特征问题的d个主特征向量构成：

P^(t)v＝λv

低维表示数据由d主特征向量给出，特征向量通过其相应的特征值进行归一化。因此，低维数据表示为：

Y＝{λ₂v₂,λ₃v₃,…λ_d+1v_d+1}

优选的，所述步骤四中，通过扩散图算法将风力发电机组运行产生的历史故障特征降维处理。

优选的，所述步骤五中，风力发电机组健康状态下运行的数据为实时数据，并将实时数据输入到模型中评估风力发电机组的健康度。

本发明的有益效果是：该基于扩散图的风力发电机组健康度评估方法设计合理，通过对风力发电机组的健康度衰退指数监测以确保风力发电机组安全运行，在风力发电机组健康度衰退时及时安排检查和维修，避免不必要的人力物力损失，可以对风力发电机组及其关键部件进行实时的健康度评估，并且扩散图数据降维技术实现了风力发电机组健康度的可视化，提前监测风力发电机组的健康指数衰退情况，对现场维修人员具有指导意义，优化维修方案，减少人力物力浪费，从而降低风力发电机的运维成本。

附图说明

图1为本发明风力发电机组整机健康度评估系统模型；

图2为本发明风力发电机组健康度更新示意图；

图3为本发明风力发电机组关键部件健康度衰退指标评估模型。

具体实施方式

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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

请参阅图1～3，一种基于扩散图数据降维技术的风力发电机组健康度评估方法，包括以下步骤：

步骤一：采集样本数据：采集风力发电机组不同故障前一个星期的故障样本数据，采样频率为10min，采样维度为51，每条样本数据所包含的样本容量为1008*51；

步骤二：构建检测模型：将采集到的不同故障的历史数据作为样本模型，使用数据降维的扩散图技术将不同模型的高维数据进行数据压缩，使其降到二维空间中，将降维后的样本数据进行不同故障类别标示，并在同一二维坐标轴中进行展示；

扩散图框架起源于动力学系统领域，在数据图上定义马尔可夫随机游动的基础上得到的；通过执行若干个时间步的随机游走，获得了数据点的接近度测量值，在扩散映射框架中，使用高斯核函数计算图中边缘的权重，得到矩阵：

其中，σ²表示高斯方差。矩阵W以行的和为1进行归一化处理；矩阵P⁽¹⁾为：

由于扩散图来源于动力学系统理论，因此所得矩阵P⁽¹⁾被认为是定义动力学过程正向转移概率矩阵的马尔可夫矩阵；因此，矩阵P⁽¹⁾表示在单个时间步中从一个数据点到另一个数据点的转换概率；t个时间步长P^(t)的正向概率矩阵由(P⁽¹⁾)^t给出；利用随机前移概率扩散距离定义为：

ψ(x_i)⁽⁰⁾将高密度的部分赋予更大的权重；m_i是x_i的密度，m_i＝∑_jp_ij；从扩散距离定义可以看出，具有高正向转换概率的成对数据点具有较小的扩散距离；在数据的低维表示中，扩散图试图保持扩散距离；扩散距离由特征问题的d个主特征向量构成：

P^(t)v＝λv

低维表示数据由d主特征向量给出，特征向量通过其相应的特征值进行归一化。因此，低维数据表示为：

Y＝{λ₂v₂,λ₃v₃,…λ_d+1v_d+1}

步骤三：不同故障质心选择：利用扩散图技术得到的不同类型故障以簇的形式分布在二维平面上，通过使用高斯概率密度核函数计算出不同簇的质心，以质心代表不同的故障部位和类型；

步骤四：数据降维：使用扩散图数据降维技术将风力发电机运行时产生的实时数据降到二维空间，通过扩散图算法将风力发电机组运行产生的历史故障特征降维处理，实现了风力发电机组不同故障特征的可视化；

步骤五：整机健康度评估：以风力发电机组健康状态下运行的数据作为评估基准点，使用扩散图技术将标准健康数据压缩到二维空间作为基准健康曲面，并将此时点设置为0；使用GMM模型计算风力发电机组实时数据压缩后产生的点和风力发电机组基准面压缩到同一二维平面，使用L2公式计算风力发电机组的健康度，实现风力发电机组的健康状态在线监测；

步骤六：风力发电机组关键部件健康度评估：将风力发电机组关键部件的模型提取到一个二维空间中，将实时数据输入到模型中，通过点到质心的距离大小和方向对风力发电机的主要部件进行健康度评估；以最大距离作为部件健康度指标，以方向作为风力发电机关键部件对故障模型的指向。

工作原理：在使用该基于扩散图的风力发电机组健康度评估方法时，通过使用扩散图算法对风力发电机运行产生的历史数据进行降维处理，实现了风力发电机组不同故障特征的可视化，建立了基于风力发电机组整机和关键部件的健康度评估模型，实际运行时通过监测模型输出的健康度矢量监测风力发电机组的健康状态及关键部件将会朝着哪种趋势劣化，并对其进行及时检修，从而进一步提高了风力发电机的可靠性和稳定性。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于扩散图数据降维技术的风力发电机组健康度评估方法，其特征在于：包括以下步骤：

步骤一：采集样本数据：采集风力发电机组不同故障前一个星期的故障样本数据；

步骤二：构建检测模型：将采集到的不同故障的历史数据作为样本模型，使用数据降维的扩散图技术将不同模型的高维数据进行数据压缩，使其降到二维空间中，将降维后的样本数据进行不同故障类别标示，并在同一二维坐标轴中进行展示；

步骤三：不同故障质心选择：利用扩散图技术得到的不同类型故障以簇的形式分布在二维平面上，通过使用高斯概率密度核函数计算出不同簇的质心，以质心代表不同的故障部位和类型；

步骤四：数据降维：使用扩散图数据降维技术将风力发电机运行时产生的实时数据降到二维空间；

步骤五：整机健康度评估：以风力发电机组健康状态下运行的数据作为评估基准点，使用扩散图技术将标准健康数据压缩到二维空间作为基准健康曲面，并将此时点设置为0；使用GMM模型计算风力发电机组实时数据压缩后产生的点和风力发电机组基准面压缩到同一二维平面，使用L2公式计算风力发电机组的健康度；

步骤六：风力发电机组关键部件健康度评估：将风力发电机组关键部件的模型提取到一个二维空间中，将实时数据输入到模型中，通过点到质心的距离大小和方向对风力发电机的主要部件进行健康度评估；以最大距离作为部件健康度指标，以方向作为风力发电机关键部件对故障模型的指向。

2.根据权利要求1所述的基于扩散图数据降维技术的风力发电机组健康度评估方法，其特征在于：所述步骤一中，采样频率为10min，采样维度为51，每条样本数据所包含的样本容量为1008*51。

3.根据权利要求1所述的基于扩散图数据降维技术的风力发电机组健康度评估方法，其特征在于：所述步骤二中，扩散图框架起源于动力学系统领域，在数据图上定义马尔可夫随机游动的基础上得到的；通过执行若干个时间步的随机游走，获得了数据点的接近度测量值，在扩散映射框架中，使用高斯核函数计算图中边缘的权重，得到矩阵：

其中，σ²表示高斯方差，矩阵W以行的和为1进行归一化处理；矩阵P⁽¹⁾为：

由于扩散图来源于动力学系统理论，因此所得矩阵P⁽¹⁾被认为是定义动力学过程正向转移概率矩阵的马尔可夫矩阵；因此，矩阵P⁽¹⁾表示在单个时间步中从一个数据点到另一个数据点的转换概率；t个时间步长P^(t)的正向概率矩阵由(P⁽¹⁾)^t给出；利用随机前移概率扩散距离定义为：

ψ(x_i)⁽⁰⁾将高密度的部分赋予更大的权重；m_i是x_i的密度，m_i＝∑_jp_ij；从扩散距离定义可以看出，具有高正向转换概率的成对数据点具有较小的扩散距离；在数据的低维表示中，扩散图试图保持扩散距离；扩散距离由特征问题的d个主特征向量构成：

P^(t)v＝λv

低维表示数据由d主特征向量给出，特征向量通过其相应的特征值进行归一化，因此，低维数据表示为：

Y＝{λ₂v₂,λ₃v₃,…λ_d+1v_d+1}。

4.根据权利要求1所述的基于扩散图数据降维技术的风力发电机组健康度评估方法，其特征在于：所述步骤四中，通过扩散图算法将风力发电机组运行产生的历史故障特征降维处理。

5.根据权利要求1所述的基于扩散图数据降维技术的风力发电机组健康度评估方法，其特征在于：所述步骤五中，风力发电机组健康状态下运行的数据为实时数据，并将实时数据输入到模型中评估风力发电机组的健康度。