CN110552847A - 状态预警方法和装置、计算机可读存储介质 - Google Patents

Abstract

本发明公开一种状态预警方法和装置、计算机可读存储介质。该状态预警方法包括：获取与风力发电机组的目标对象相关的各评判指标的运行数据；根据运行数据、预设的与运行数据对应的指标极限运行区间和预设的与运行数据对应指标允许运行区间，构建目标对象的评判矩阵；对基于目标对象的所有评判指标的常权向量进行变权处理，得到基于目标对象的所有评判指标的变权向量；利用变权向量对评判矩阵进行权重分配，得到目标对象的状态预警参数。采用本发明实施例中的技术方案，能够利用各设备系统的指标参数，实现对风力发电机组各个设备系统的隐患预警。

Description

状态预警方法和装置、计算机可读存储介质

技术领域

本发明涉及风力发电技术领域，尤其涉及一种状态预警方法和装置、计算机可读存储介质。

背景技术

风力发电机组包括多个设备系统，比如，齿轮箱等设备系统。风力发电机组的运行工况信息涉及来自多个设备系统的运行参数，每个设备系统的运行参数又来自多个指标参数。

目前，各设备系统的指标参数值主要用于确认当前各个设备系统是否运行正常，如果指标参数超出对应的预定阈值范围，则对风力发电机组执行故障停机，以维护风力发电机组的安全运行。

但是，频繁执行故障停机会降低风力发电机组的使用寿命，因此，如何对风力发电机组整体以及各设备系统的隐患进行系统化预警，以在故障发生之前能够及时清除故障隐患，降低风力发电机组的停机频率，成为目前急需解决的问题。

发明内容

本发明实施例提供了一种状态预警方法和装置、计算机可读存储介质，能够在故障发生之前对风力发电机组的各设备系统的隐患进行有效预警。

第一方面，本发明实施例提供一种状态预警方法，该方法包括：

获取与风力发电机组的目标对象相关的评判指标的运行数据；

根据运行数据、预设的与运行数据对应的指标极限运行区间和预设的与运行数据对应指标允许运行区间，构建目标对象的评判矩阵；

对基于目标对象的所有评判指标的常权向量进行变权处理，得到基于目标对象的所有评判指标的变权向量；

利用变权向量对评判矩阵进行权重分配，得到目标对象的状态预警参数。

在第一方面的一种可能的实施方式中，根据运行数据、预设的与运行数据对应的指标极限运行区间和预设的与运行数据对应指标允许运行区间，构建目标对象的评判矩阵，包括：根据评价指标的运行数据、指标极限运行区间和指标允许运行区间，得到评价指标的当前状态相对于故障状态的劣化度；根据劣化度相对于预设的指标评价集中各评价元素的隶属度，构建目标对象的评判矩阵。

在第一方面的一种可能的实施方式中，根据评价指标的运行数据、指标极限运行区间和指标允许运行区间，得到评价指标的当前状态相对于故障状态的劣化度，包括：若评判指标的运行数据大于对应指标极限运行区间的上限，则得到评判指标的劣化度等于1；若评判指标的运行数据小于对应指标极限运行区间的上限，且大于或者等于对应指标允许运行区间的上限，则根据评判指标的运行数据，以及对应指标极限运行区间的上限和对应指标允许运行区间的上限，得到评判指标的劣化度；若评判指标的运行数据小于对应指标允许运行区间的上限，且大于或者等于对应指标允许运行区间的下限，则得到评判指标的劣化度等于0；若评判指标的运行数据小于对应指标允许运行区间的下限，且大于或者等于对应指标极限运行区间的下限，则根据评判指标的运行数据，以及对应指标极限运行区间的下限和对应指标允许运行区间的下限，得到评判指标的劣化度；若评判指标的运行数据小于对应指标极限运行区间的下限，则得到评判指标的劣化度等于1。

在第一方面的一种可能的实施方式中，对基于目标对象的所有评判指标的常权向量进行变权处理，得到基于目标对象的所有评判指标的变权向量，包括：利用德菲尔法分别对目标对象的所有评判指标赋权值，得到基于目标对象的所有评判指标的常权向量；根据目标对象的所有评判指标的劣化度，构建基于目标对象的所有评判指标的状态变权向量；计算常权向量和状态变权向量的hardarmard乘积，得到基于目标对象的所有评判指标的变权向量。

在第一方面的一种可能的实施方式中，利用变权向量对评判矩阵进行权重分配，得到目标对象的状态预警参数，包括：计算变权向量和评判矩阵的乘积，得到目标对象的状态评估向量；从目标对象的状态评估向量中选取最大值，作为目标对象的状态预警参数。

在第一方面的一种可能的实施方式中，风力发电机组包括多个设备系统，目标对象为一个设备系统；在计算变权向量和评判矩阵的乘积，得到目标对象的状态评估向量之后，该方法还包括：基于多个设备系统的状态评估向量，构建风力发电机组的评判矩阵；计算多个设备系统的常权向量和风力发电机组的评判矩阵的乘积，得到风力发电机组的状态评估向量；从风力发电机组的状态评估向量中选取最大值，作为风力发电机组整体的状态预警参数。

第二方面，本发明实施例提供一种状态预警装置，该装置包括：

获取模块，用于获取与风力发电机组的目标对象相关的评判指标的运行数据；

构建模块，用于根据运行数据、预设的与运行数据对应的指标极限运行区间和预设的与运行数据对应指标允许运行区间，构建目标对象的评判矩阵；

变权处理模块，用于对基于目标对象的所有评判指标的常权向量进行变权处理，得到基于目标对象的所有评判指标的变权向量；

权重分配模块，用于利用变权向量对评判矩阵进行权重分配，得到目标对象的状态预警参数。

在第二方面的一种可能的实施方式中，构建模块包括：第一计算单元，用于根据评价指标的运行数据、指标极限运行区间和指标允许运行区间，得到评价指标的当前状态相对于故障状态的劣化度；第一构建单元，用于根据劣化度相对于预设的指标评价集中各评价元素的隶属度，构建目标对象的评判矩阵。

在第一方面的一种可能的实施方式中，变权处理模块包括：第二计算单元，用于利用德菲尔法分别对目标对象的所有评判指标赋权值，得到基于目标对象的所有评判指标的常权向量；第二构建单元，用于根据目标对象的所有评判指标的劣化度，构建基于目标对象的所有评判指标的状态变权向量；第三计算单元，用于计算常权向量和状态变权向量的hardarmard乘积，得到基于目标对象的所有评判指标的变权向量。

在第一方面的一种可能的实施方式中，权重分配模块包括：第四计算单元，用于计算变权向量和评判矩阵的乘积，得到目标对象的状态评估向量；第一选取单元，用于从目标对象的状态评估向量中选取最大值，作为目标对象的状态预警参数。

在第一方面的一种可能的实施方式中，风力发电机组包括多个设备系统，目标对象为一个设备系统；权重分配模块还包括：第三构建单元，用于基于多个设备系统的状态评估向量，构建风力发电机组的评判矩阵；第五计算单元，用于计算多个设备系统的常权向量和风力发电机组的评判矩阵的乘积，得到风力发电机组的状态评估向量；第二选取单元，用于从风力发电机组的状态评估向量中选取最大值，作为风力发电机组整体的状态预警参数。

第三方面，本发明实施例提供一种状态评预警装置，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程序，处理器执行程序时实现如上所述的状态预警方法。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有程序，程序被处理器执行时实现如上所述的状态预警方法。

如上所述，为实现对风力发电机组的各设备系统状态的有效预警，可以获取与风力发电机组的目标对象相关的各评判指标的运行数据；然后根据运行数据、预设的与运行数据对应的指标极限运行区间和预设的与运行数据对应指标允许运行区间，构建目标对象的评判矩阵；接着对基于目标对象的所有评判指标的常权向量进行变权处理，得到基于目标对象的所有评判指标的变权向量；再利用变权向量对评判矩阵进行权重分配，就可以得到目标对象的状态预警参数。

由于本发明实施例基于风力发电机组各设备系统的指标参数构建了设备系统的评判矩阵，并对评判矩阵进行了权重分配，从而将模糊综合评判理论成功地应用在风力发电机组的状态预警领域，达到了对风力发电机组的各设备系统的隐患进行有效预警的目的。从而可以在故障发生之前能够及时清除故障隐患，降低风力发电机组的停机频率。

此外，由于本发明实施例对各评价项目或者评价指标的常权向量做了变权处理，相比较于基于常权向量的状态预警方法，更能够反映出风电机组各设备系统的真实运行状态，具有较高的预警精度。

附图说明

从下面结合附图对本发明的具体实施方式的描述中可以更好地理解本发明其中，相同或相似的附图标记表示相同或相似的特征。

图1为本发明第一实施例提供的状态预警方法的流程示意图；

图2为本发明第二实施例提供的状态预警方法的流程示意图；

图3为本发明第三实施例提供的隶属度函数的示意图；

图4为本发明第四实施例提供的状态预警方法的流程示意图；

图5为本发明第五实施例提供的状态预警方法的流程示意图；

图6为本发明第六实施例提供的用于齿轮箱系统的状态预警架构图；

图7为本发明第七实施例提供的状态预警方法的流程示意图；

图8为本发明第八实施例提供的风力发电机组的多级评价体系的架构示意图；

图9为本发明第九实施例提供的状态预警装置的结构示意图；

图10为本发明第十实施例提供的状态预警装置的结构示意图；

图11为本发明第十一实施例提供的状态预警装置的结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本发明的全面理解

风力发电机组包括多个设备系统，目前各设备系统的指标运行参数主要用于确认当前各个设备系统是否运行正常，如果指标参数超出对应的预定阈值范围，则对风力发电机组执行故障停机以维护风力发电机组的安全运行，然而频繁执行故障停机会降低风力发电机组的使用寿命。基于此，本发明实施例提供一种状态预警方法和装置、计算机可读存储介质，用于风力发电技术领域。采用本发明实施例中的技术方案，能够在故障发生之前对风力发电机组各设备系统的隐患(或者状态)进行有效预警，从而能够及时清除故障隐患，降低风力发电机组的停机频率。

图1为本发明第一实施例提供的状态预警方法的流程示意图。如图1所示，该状态预警方法包括步骤101至步骤104。

在步骤101中，获取与风力发电机组的目标对象相关的评判指标的运行数据。

其中，评判指标的运行数据可以基于并网风力发电机组的数据采集及监视(Supervisory Control And Data Acquisition，SCADA)系统获取。SCADA系统是以计算机为基础的生产过程控制与调度自动化系统。它可以对现场的运行设备进行监视和控制。

其中，目标对象可以是风力发电机组的各个设备系统，风力发电机组的设备系统包括但不限于齿轮箱系统(记作R_C)等。

在一个示例中，齿轮箱系统R_C涉及的评判指标包括但不限于：齿轮箱轴承温度R_C1、齿轮箱回油温度R_C2和齿轮箱油池温度R_C3等。

在步骤102中，根据运行数据、预设的与运行数据对应的指标极限运行区间和预设的与运行数据对应指标允许运行区间，构建目标对象的评判矩阵。

其中，指标极限运行区间指的是评判指标参数的极限取值范围，若超出极限运行区间表明风力发电机组存在运行风险。指标允许运行区间指的是风力发电机组正常运行时，评判指标参数的正常取值范围。可以理解地是，指标允许运行区间是指标极限运行区间的子区间。

在一个示例中，指标极限运行区间可以表示为[β₁，α₁]，指标允许运行区间可以表示为[β₂，α₂]，两者之间的关系为：β₁＜β₂＜α₂＜α₁。

评判矩阵的概念来源于模糊综合评判方法，其原理为考虑与目标对象相关的各个因素将各项评判指标统一量化，并根据不同评判指标对目标对象的影响程度来分配权重，从而对各评判对象做出合理的综合评估。该方法具有结果清晰，系统性强的特点，适合各种非确定性问题的解决。

为了得到相对合理的评价结果，同时尽量简化评价过程，一般选取4个元素的评价集作为目标对象相关因素的指标评价集K，比如K＝{良好，合格，注意，严重}。

本发明实施例以风电机组业务知识为依据，结合SCADA数据对各评判指标进行可行性、成本、准确性分析，在确定指标评价集后，可以与业务专家一起确定风力发电机组各设备系统和整机的预警评价体系。

在步骤103中，对基于目标对象的所有评判指标的常权向量进行变权处理，得到基于目标对象的所有评判指标的变权向量。

其中，常权向量是一组固定常权值，用于表征各评价指标对目标对象的运行状态的影响程度。常权向量可以通过但不限于德菲尔法(也称为专家打分法)进行求解。德菲尔法具体是指将待赋值的评价指标和必要的背景材料，采用通信的方式向有经验的专家提出，然后把他们答复的意见进行综合后，再反馈给他们，如此反复多次，直到认为意见合适为止。本领域技术人员可以参考相关资料获取德菲尔法分法的具体步骤，此处不进行赘述。

然而，由于常权向量是一组固定常权值，采用常权向量对风力发电机组以及各设备系统的状态进行评估时，无法适应评价指标的变化情况。特别是针对动态预警问题，不同时刻评价指标权重的取值常常不同。因此，在实际问题中，应当遵守“均衡”的原则，即综合评价中诸要素状态的均衡性，即使是最不重要的因素，只要其量值太大(或太小)就会导致评价结果的偏差。

为解决常权向量无法客观反映评判指标严重偏离正常的情况，本发明实施例提出了对常权向量进行变权处理的思路。变权处理的中心思想是：使评价指标的权重随着评价指标参数值(即运行参数)的变化而变化，从而更准确地体现相应评价指标在综合评价体系中的作用。

在一个可选实施例中，可以从构造状态变权向量的方向对常权向量进行变权处理。状态变权向量的本质是对评价指标的状态进行加权，且加权后的权重随评价指标运行参数的不同而变化。

在一个示例中，状态变权向量的构造表达式可以为：其中，δ表示变权系数，表示评判指标R_ijk的劣化度，劣化度表示基于评价指标的运行参数得到的评价指标的当前状态相对于故障状态的劣化程度，i表示风力发电机组的编号，j表示各设备系统的编号，k表示评价指标的编号。

在步骤104中，利用变权向量对评判矩阵进行权重分配，得到目标对象的状态预警参数。

如上所述，为实现对风力发电机组的各设备系统状态的有效预警，可以获取与风力发电机组的目标对象相关的各评判指标的运行数据；然后根据运行数据、预设的与运行数据对应的指标极限运行区间和预设的与运行数据对应指标允许运行区间，构建目标对象的评判矩阵；接着对基于目标对象的所有评判指标的常权向量进行变权处理，得到基于目标对象的所有评判指标的变权向量；再利用变权向量对评判矩阵进行权重分配，就可以得到目标对象的状态预警参数。

由于本发明实施例基于风力发电机组各设备系统的指标参数构建了设备系统的评判矩阵，并对评判矩阵进行了权重分配，从而将模糊综合评判理论成功地应用在风力发电机组的状态预警领域，达到了对风力发电机组的各设备系统的隐患进行有效预警的目的。从而可以在故障发生之前能够及时清除故障隐患，降低风力发电机组的停机频率。

此外，由于本发明实施例对各评价项目或者评价指标的常权向量做了变权处理，相比较于基于常权向量的状态预警方法，更能够反映出风电机组各设备系统的真实运行状态，具有较高的预警精度。

图2为本发明第二实施例提供的状态预警方法的流程示意图。图2与图1的不同之处在于，图1中的步骤102可细化为图2中的步骤1021和步骤1022，用于详细说明评价矩阵的构建过程。

在步骤1021中，根据评价指标的运行数据、指标极限运行区间和指标允许运行区间，得到评价指标的当前状态相对于故障状态的劣化度。

在该步骤中，由于SCADA监测数据一定程度上反映了风力发电机组以及各设备系统运行状态的好坏，以及风力发电机组从正常运行状态到停机之间的量变过程，由此本发明实施例引入了相对劣化度的概念，用于表征风电机组当前实际状态与故障状态相比的相对劣化程度，其取值范围为[0，1]。

在一个可选实施例中，劣化度的计算表达式可以为：

其中，g(x)表示劣化度，x为与评价指标相关的SCADA监测数据，α₁和α₂分别为对应指标极限运行区间的上限和下限，α₂和β₂分别为对应指标允许运行区间的上限和下限。

在步骤1022中，根据劣化度相对于预设的指标评价集中各评价元素的隶属度，构建目标对象的评判矩阵。

以指标评价集K＝{良好，合格，注意，严重}为例，该步骤可以根据相关准则和经验，确定模糊分布函数的模糊分解区间，建立各劣化度的隶属度，以对各评价指标的评价值进行统一量化。

图3为本发明第三实施例提供的隶属度函数的示意图，用于展示隶属度和劣化度之间的一组映射关系。

如图3所示，横坐标表示各评价指标的劣化度，其取值范围为[0，1]；纵坐标表示隶属度，其取值范围也为[0，1]。

图3中还示出了隶属度为0时，沿劣化度区间[0，1]内依次分布的4个节点：a₂，a₄，a₆和a₈；并示出了隶属度为1时，劣化度等于0时对应的节点a₁，与a₂对应的节点a₃，与a₄对应的节点a₅，与a₆对应的节点a₅、与a₈对应的节点a₉，以及劣化度等于1对应的节点a₁₀。

图3中还示出了评价状态为“良好”的隶属度函数(线段a₁-a₃和线段a₃-a₄)，评价状态为“合格”的隶属度函数(线段a₂-a₅和线段a₅-a₆)，评价状态为“注意”的隶属度函数(线段a₄-a₇和线段a₇-a₈)，以及评价状态为“严重”的隶属度函数(线段a₆-a₉和线段a₉-a₁₀)。

下面对基于图3中的“隶属度-劣化度映射关系”，对劣化度相对于各评价元素的隶属度的计算过程进行详细说明：

S1、将公式(1)得到的g(x)分别与a₂，a₄，a₆和a₈做比较，确定出g(x)所述的劣化度区间；

S2、将g(x)代入其所属劣化度区间的两端函数，得到评价指标的劣化度相对于所属评价状态的隶属度。

在一个示例中，若g(x)在a2和a4之间，则利用a₃-a₄的线段函数求g(x)相对于“良好”的隶属度值，利用a₂-a₅的线段函数求g(x)相对于“合格”的隶属度值，且得到g(x)相对于“注意”和“严重”的隶属度值为0。

根据上述步骤S1和步骤S2，并基于设备系统的所有评价指标相对于各评价元素的隶属度，就可以构建出该设备系统的评判矩阵。需要说明的是，本领域技术人员可以根据实际需求，选择和制定适合于风力发电机组各评价指标的隶属度计算方法，此处不进行限定。

图4为本发明第四实施例提供的状态预警方法的流程示意图。图4与图1的不同之处在于，图1中的步骤103可细化为图4中的步骤1031至步骤1033，用于详细说明本发明实施例中的变权处理过程。

在步骤1031中，利用德菲尔法分别对目标对象的所有评判指标赋权值，得到基于目标对象的所有评判指标的常权向量。

在步骤1032中，根据目标对象的所有评判指标的劣化度，构建基于目标对象的所有评判指标的状态变权向量。

在步骤1033中，计算常权向量和状态变权向量的hardarmard乘积，得到基于目标对象的所有评判指标的变权向量。

在一个示例中，基于设备系统的所有评判指标的变权向量可以表示为：

其中，表示评判指标R_ijk的常权向量，d表示设备系统中包括的评价指标的个数，δ表示变权系数，表示评判指标R_ijk的劣化度，i表示风力发电机组的编号，j表示各设备系统的编号，k表示评价指标的编号。

图5为本发明第五实施例提供的状态预警方法的流程示意图。图5与图1的不同之处在于，图1中的步骤104可细化为图5中的步骤1041和步骤1042。

在步骤1041中，计算变权向量和评判矩阵的乘积，得到目标对象(即设备系统)的状态评估向量。

在步骤1042中，从设备系统的状态评估向量中选取最大值(即最大隶属度原则)，作为目标对象的状态预警参数。

图6为本发明第六实施例提供的用于齿轮箱系统的状态预警架构图。

图6中示出的齿轮箱系统R₁的评价指标包括：齿轮箱轴承温度R_C1、齿轮箱回油温度R_C2和齿轮箱油池温度R_C3。

为便于本领域技术人员理解，下面以齿轮箱系统的状态预警为例，对本发明实施例中的技术方案进行详细说明。

S1、采集某风电场一个时刻的齿轮箱系统的评价指标对应的SCADA数据(参看表1)：

表1

S2、根据公式(1)计算评价指标R_C1、R_C2和R_C3的劣化度。

S3、基于指标评价集K＝{良好，合格，注意，严重}，根据图3得到各评判指标相对于各评价元素的隶属度。

S4、根据各评价元素的隶属度构建齿轮箱系统的评判矩阵

S5、利用德菲尔法计算齿轮箱系统中评价指标的常权值，即对齿轮箱系统的评价指标进行赋权值，得到基于齿轮箱系统中所有评价指标的常权向量。

S6、根据公式(2)计算基于齿轮箱系统中所有评价指标和对应状态变权向量的hardarmard乘积，得到基于齿轮箱系统中所有评价指标的变权向量为：

S7、计算的乘积，得到齿轮箱系统的状态评估向量B_C为：

B_C＝[0 0.047436 0.720152 0.232]

S8、按照最大隶属度原则，从状态评估向量B_C中选取最大值，可以得出风力发电机组的齿轮箱系统的状态预警参数为0.720152。

从监测数据上看，齿轮箱系统的各项运行指标都在正常运行状态上，说明齿轮箱系统的实际运行状态与本文的预警评估结果相吻合。

需要说明的是，上文主要描述了基于模糊综合评判理论和变权策略对风力发电机组各设备系统的状态进行预警的技术方案。进一步地，可以将上述方案拓展至对风力发电机组整机的状态进行预警。

图7为本发明第七实施例提供的状态预警方法的流程示意图，图7与图5的不同之处在于，在图5中的步骤1041之后，还包括图7中的步骤1043至步骤1045。

在步骤1043中，基于多个设备系统的状态评估向量，构建风力发电机组的评判矩阵；

在步骤1044中，计算多个设备系统的常权向量和风力发电机组的评判矩阵的乘积，得到风力发电机组的状态评估向量；

在步骤1045中，从风力发电机组的状态评估向量中选取最大值，作为风力发电机组整体的状态预警参数。

图8为本发明第八实施例提供的风力发电机组的多级评价体系的架构示意图。如图8所示，风力发电机组状态(简称机组状态)表示为R，与风力发电机组状态相关的各设备系统表示为R₁、R₂、R₃和R₄。

其中，设备系统R₁的评价指标包括：R₁₁、R₁₂和R₁₃。

设备系统R₂的评价指标包括：R₂₁、R₂₂、R₂₃和R₂₄。

设备系统R₃的评价指标包括：R₃₁、R₃₂、R₃₃、R₃₄、R₃₅和R₃₆。

设备系统R₄的评价指标包括：R₄₁和R₄₁。

为便于本领域技术人员理解，下面以风力发电机组整机状态的预警为例，对本发明实施例中的技术方案进行详细说明。

S1、采集某风电场两个时刻的风力发电机组的各设备系统的评价指标对应的SCADA数据(参看表2)：

表2

S2、根据公式(1)计算各评价指标的劣化度。

S3、基于指标评价集K＝{良好，合格，注意，严重}，根据图3得到各评判指标相对于各评价元素的隶属度。

S4、构建各设备系统的评判矩阵VR：

其中，表示设备系统R₁的评判矩阵，表示设备系统R₂的评判矩阵，表示设备系统R₃的评判矩阵，V_R4表示设备系统R₄的评价矩阵。评价矩阵中的每行表示对应设备系统其中一个评价指标相对于4个评价元素的隶属度。

S5、利用德菲尔法计算各设备系统中评价指标的常权值，即对各设备系统的评价指标进行赋权值，得到基于各设备系统中所有评价指标的常权向量。

S6、根据公式(2)计算基于各设备系统中所有评价指标的和对应的状态变权向量的hardarmard乘积，得到基于各设备系统中所有评价指标的变权向量AR为：

其中，表示设备系统R₁的评判指标的变权向量，表示设备系统R₂的评判指标的变权向量，表示设备系统R₃的评判指标的变权向量，A_R4表示设备系统R₄的评价指标的变权向量。变权向量中的每列表示对应设备系统器中一个评价指标的变权处理后的相应权重。

S7、分别对上述VR和AR相乘，得到与风力发电机组的评价矩阵V_R：

其中，B₁表示设备系统R₁的状态评估向量，B₂表示设备系统R₂的状态评估向量，B₃表示设备系统R₃的装填评估向量，B₄表示设备系统R₄的状态评估向量。状态评估向量中的每列表示该设备系统相对于4个评价元素的评估结果。

S8、利用菲尔德法计算风力发电机组的各评价项目的常权值，即对各设备系统的进行赋权值，得到评价项目的常权向量A_R为：

A_R＝[0.3022 0.2816 0.2919 0.1243]

S9、对V_R和A_R相乘得到风力发电机组运行状态的结果评估向量B：

B＝A_R×V_R＝[0.4384 0.1527 0.3387 0.0702]

S10、按照最大隶属度原则，从结果评估向量B中选取最大值，可以最终得出风力发电机组的状态预警参数为0.438。

从监测数据上看，设备系统R₁、R₂、R₃和R₄的各项运行指标都在正常运行状态上，说明风力发电机组的实际运行状态与本文的预警评估结果相吻合。

另外，对于表2中的监测数据2执行上述评估步骤，可以得到风力发电机组的状态预警参数为9.0956，评判结果为‘严重’。结合表2中的指标极限运行区间可以看出，R₁₁、R₂₂、R₃₁和R₃₂等评价指标都接近限值。说明本发明实施例的评判结果与实际运行情况符合。

需要补充的是，若预警对象为风力发电机组的设备系统，则可以在上述步骤S7之后，按照最大隶属度原则，从各设备系统的状态评估向量B_n中选取最大值，作为该设备系统的状态预警参数。

如上所述，本发明实施例在模糊综合评判理论和变权策略的基础上，构建了指标-设备系统-风力发电机组整机的多级评价体系，建立了对风力发电机组整机状态的预警体系。因此本发明实施例中的状态预警方法可以作为对风力发电机组整机及其设备系统的整体解决方案。具有系统性、扩展性，普适性和精确度高的优点，易于推广使用。

本领域技术人员可以对经验模型进行转化处理，使其与本身请的思想融合，进一步提高对风力发电机组性能的评估的精准性，从而提高风力发电机组的预警能力，甚至使得部分预警结果达到诊断的功能。

本申请的发明人在将本发明实施例的状态预警方法应用于风力发电机组领域后发现，对风力发电机组大设备系统状态评价准确性达到95％以上，对风力发电机组整体性评价准确性达到95％以上，对不同机型风力发电机组评价准确性差异在3％以内，风力发电机组预测故障发生时间至少在故障实际发生前15天给出提示。

图9为本发明第九实施例提供的状态预警装置的结构示意图。如图9所示，该状态预警装置包括获取模块901、构建模块902、变权处理模块903和权重分配模块904。

其中，获取模块901用于获取与风力发电机组的目标对象相关的各评判指标的运行数据。

构建模块902用于根据运行数据、预设的与运行数据对应的指标极限运行区间和预设的与运行数据对应指标允许运行区间，构建目标对象的评判矩阵。

变权处理模块903用于对基于目标对象的所有评判指标的常权向量进行变权处理，得到基于目标对象的所有评判指标的变权向量。

权重分配模块904用于利用变权向量对评判矩阵进行权重分配，得到目标对象的状态预警参数。

图10为本发明第十实施例提供的状态预警装置的结构示意图。图10与图9的不同之处在于，图9中的构建模块902可细化为图10中的第一计算单元9021和第一构建单元9022。

其中，第一计算单元9021用于根据评价指标的运行数据、评价指标的指标极限运行区间和评价指标的指标允许运行区间，得到评价指标的当前状态相对于故障状态的劣化度。第一构建单元9022用于根据劣化度相对于预设的指标评价集中各评价元素的隶属度，构建目标对象的评判矩阵。

在一个可选实施例中，如图10所示，图9中的变权处理模块903可细化为图10中的第二计算单元9031、第二构建单元9032和第三计算单元9033。

其中，第二计算单元9031用于利用德菲尔法分别对目标对象的所有评判指标赋权值，得到基于目标对象的所有评判指标的常权向量。第二构建单元9032用于根据目标对象的所有评判指标的劣化度，构建基于目标对象的所有评判指标的状态变权向量。第三计算单元9033用于计算常权向量和状态变权向量的hardarmard乘积，得到基于目标对象的所有评判指标的变权向量。

图11为本发明第十一实施例提供的状态预警装置的结构示意图。图11与图9的不同之处在于，图9中的权重分配模块904可细化为图11中的第四计算单元9041和第一选取单元9042。

其中，第四计算单元9041用于计算变权向量和评判矩阵的乘积，得到目标对象的状态评估向量。第一选取单元9042用于从目标对象的状态评估向量中选取最大值，作为目标对象的状态预警参数。

在一个可选实施例中，如图11所示，权重分配模块904还包括第三构建单元9043、第五计算单元9044和第二选取单元9045。

其中，第三构建单元9043与第四计算单元9041连接，用于基于多个设备系统的状态评估向量，构建风力发电机组的评判矩阵。第五计算单元9044用于计算多个设备系统的常权向量和风力发电机组的评判矩阵的乘积，得到风力发电机组的状态评估向量。第二选取单元9045用于从风力发电机组的状态评估向量中选取最大值，作为风力发电机组整体的状态预警参数。

在一个可选实施例中，状态预警装置可以是具有逻辑运算功能的独立器件。也可以设置于风力发电机组的主控制器中，从而避免对现有硬件结构进行改造，以节约成本。

本发明实施例还提供一种状态预警装置，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程序，该处理器执行程序时实现如上所述的状态预警方法。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上所述的状态预警方法。

需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例而言，相关之处可以参见方法实施例的说明部分。本发明实施例并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本发明实施例的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明实施例的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

本发明实施例可以以其他的具体形式实现，而不脱离其精神和本质特征。例如，特定实施例中所描述的算法可以被修改，而系统体系结构并不脱离本发明实施例的基本精神。因此，当前的实施例在所有方面都被看作是示例性的而非限定性的，本发明实施例的范围由所附权利要求而非上述描述定义，并且，落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明实施例的范围之中。

Claims (13)

1.一种状态预警方法，其特征在于，包括：

获取与风力发电机组的目标对象相关的评判指标的运行数据；

根据所述运行数据、预设的与所述运行数据对应的指标极限运行区间和预设的与所述运行数据对应指标允许运行区间，构建所述目标对象的评判矩阵；

对基于所述目标对象的所有评判指标的常权向量进行变权处理，得到基于所述目标对象的所有评判指标的变权向量；

利用所述变权向量对所述评判矩阵进行权重分配，得到所述目标对象的状态预警参数。

2.根据权利要求1所述的方法，其特征在于，所述根据所述运行数据、预设的与所述运行数据对应的指标极限运行区间和预设的与所述运行数据对应指标允许运行区间，构建所述目标对象的评判矩阵，包括：

根据所述评价指标的运行数据、所述指标极限运行区间和所述指标允许运行区间，得到所述评价指标的当前状态相对于故障状态的劣化度；

根据所述劣化度相对于预设的指标评价集中各评价元素的隶属度，构建所述目标对象的评判矩阵。

3.根据权利要求2所述的方法，其特征在于，所述根据所述评价指标的运行数据、所述指标极限运行区间和所述指标允许运行区间，得到所述评价指标的当前状态相对于故障状态的劣化度，包括：

若所述评判指标的运行数据大于对应指标极限运行区间的上限，则得到所述评判指标的劣化度等于1；

若所述评判指标的运行数据小于对应指标极限运行区间的上限，且大于或者等于对应指标允许运行区间的上限，则根据所述评判指标的运行数据，以及对应指标极限运行区间的上限和对应指标允许运行区间的上限，得到所述评判指标的劣化度；

若所述评判指标的运行数据小于对应指标允许运行区间的上限，且大于或者等于对应指标允许运行区间的下限，则得到所述评判指标的劣化度等于0；

若所述评判指标的运行数据小于对应指标允许运行区间的下限，且大于或者等于对应指标极限运行区间的下限，则根据所述评判指标的运行数据，以及对应指标极限运行区间的下限和对应指标允许运行区间的下限，得到所述评判指标的劣化度；

若所述评判指标的运行数据小于对应指标极限运行区间的下限，则得到所述评判指标的劣化度等于1。

4.根据权利要求1所述的方法，其特征在于，所述对基于所述目标对象的所有评判指标的常权向量进行变权处理，得到基于所述目标对象的所有评判指标的变权向量，包括：

利用德菲尔法分别对所述目标对象的所有评判指标赋权值，得到基于所述目标对象的所有评判指标的常权向量；

根据所述目标对象的所有评判指标的劣化度，构建基于所述目标对象的所有评判指标的状态变权向量；

计算所述常权向量和所述状态变权向量的hardarmard乘积，得到基于所述目标对象的所有评判指标的变权向量。

5.根据权利要求1所述的方法，其特征在于，所述利用所述变权向量对所述评判矩阵进行权重分配，得到所述目标对象的状态预警参数，包括：

计算所述变权向量和所述评判矩阵的乘积，得到所述目标对象的状态评估向量；

从所述目标对象的状态评估向量中选取最大值，作为所述目标对象的状态预警参数。

6.根据权利要求5所述的方法，其特征在于，所述风力发电机组包括多个设备系统，所述目标对象为一个所述设备系统；在所述计算所述变权向量和所述评判矩阵的乘积，得到所述目标对象的状态评估向量之后，所述方法还包括：

基于所述多个设备系统的状态评估向量，构建所述风力发电机组的评判矩阵；

计算所述多个设备系统的常权向量和所述风力发电机组的评判矩阵的乘积，得到所述风力发电机组的状态评估向量；

从所述风力发电机组的状态评估向量中选取最大值，作为所述风力发电机组整体的状态预警参数。

7.一种状态预警装置，其特征在于，包括：

获取模块，用于获取与风力发电机组的目标对象相关的评判指标的运行数据；

构建模块，用于根据所述运行数据、预设的与所述运行数据对应的指标极限运行区间和预设的与所述运行数据对应指标允许运行区间，构建所述目标对象的评判矩阵；

变权处理模块，用于对基于所述目标对象的所有评判指标的常权向量进行变权处理，得到基于所述目标对象的所有评判指标的变权向量；

权重分配模块，用于利用所述变权向量对所述评判矩阵进行权重分配，得到所述目标对象的状态预警参数。

8.根据权利要求7所述的装置，其特征在于，所述构建模块包括：

第一计算单元，用于根据所述评价指标的运行数据、所述指标极限运行区间和所述指标允许运行区间，得到所述评价指标的当前状态相对于故障状态的劣化度；

第一构建单元，用于根据所述劣化度相对于预设的指标评价集中各评价元素的隶属度，构建所述目标对象的评判矩阵。

9.根据权利要求7所述的装置，其特征在于，所述变权处理模块包括：

第二计算单元，用于利用德菲尔法分别对所述目标对象的所有评判指标赋权值，得到基于所述目标对象的所有评判指标的常权向量；

第二构建单元，用于根据所述目标对象的所有评判指标的劣化度，构建基于所述目标对象的所有评判指标的状态变权向量；

第三计算单元，用于计算所述常权向量和所述状态变权向量的hardarmard乘积，得到基于所述目标对象的所有评判指标的变权向量。

10.根据权利要求7所述的装置，其特征在于，所述权重分配模块包括：

第四计算单元，用于计算所述变权向量和所述评判矩阵的乘积，得到所述目标对象的状态评估向量；

第一选取单元，用于从所述目标对象的状态评估向量中选取最大值，作为所述目标对象的状态预警参数。

11.根据权利要求10所述的装置，其特征在于，所述风力发电机组包括多个设备系统，所述目标对象为一个所述设备系统；所述权重分配模块还包括：

第三构建单元，用于基于所述多个设备系统的状态评估向量，构建所述风力发电机组的评判矩阵；

第五计算单元，用于计算所述多个设备系统的常权向量和所述风力发电机组的评判矩阵的乘积，得到所述风力发电机组的状态评估向量；

第二选取单元，用于从所述风力发电机组的状态评估向量中选取最大值，作为所述风力发电机组整体的状态预警参数。

12.一种状态评预警装置，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任意一项所述的状态预警方法。

13.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6任意一项所述的状态预警方法。