CN110852544B - 风力发电机组的可靠性评估方法及装置 - Google Patents

风力发电机组的可靠性评估方法及装置 Download PDF

Info

Publication number
CN110852544B
CN110852544B CN201810955221.2A CN201810955221A CN110852544B CN 110852544 B CN110852544 B CN 110852544B CN 201810955221 A CN201810955221 A CN 201810955221A CN 110852544 B CN110852544 B CN 110852544B
Authority
CN
China
Prior art keywords
wind generating
group
reliability
generating set
wind
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810955221.2A
Other languages
English (en)
Other versions
CN110852544A (zh
Inventor
侠惠芳
张宏伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinfeng Technology Co ltd
Original Assignee
Xinjiang Goldwind Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinjiang Goldwind Science and Technology Co Ltd filed Critical Xinjiang Goldwind Science and Technology Co Ltd
Priority to CN201810955221.2A priority Critical patent/CN110852544B/zh
Publication of CN110852544A publication Critical patent/CN110852544A/zh
Application granted granted Critical
Publication of CN110852544B publication Critical patent/CN110852544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风力发电机组的可靠性评估方法及装置，所述方法包括：获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标；根据所述可靠性评估指标建立用于评估风力发电机组的可靠性的多个评估模型；获取待评估风力发电机组的可靠性评估指标，从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型，并利用确定的评估模型基于所述待评估风力发电机组的可靠性评估指标评估所述待评估风力发电机组的可靠性。本发明实施例提供的方法可以提高评估风力发电机组可靠性的准确率，使得评估结果更加可靠。

Description

风力发电机组的可靠性评估方法及装置
技术领域
本发明涉及风力发电技术领域，尤其涉及一种风力发电机组的可靠性评估方法及装置。
背景技术
随着国民对环境保护的日益重视，由于风力发电具有清洁、无污染的特性，所以风力发电受到了大众的广泛欢迎。目前我国的风机装机容量迅猛增长，单机容量为兆瓦级大型风力发电机组以及上百兆瓦风电场正得到迅速发展，当风力发电机组发生故障时，会影响发电量从而带来经济损失，因此，需要及时全面准确的监测和评估风电风力发电机组的运行状态和可靠性，有效避免故障及连锁故障的发生，对于优化风电场的维修策略和实现大规模风力发电机组安全高效的并网具有重要的现实意义。
目前，评估风力发电机组的可靠性的方法主要有两种，第一种是人为规定选取部分风力发电机组可靠性评价指标的最低限值，来判定风力发电机组的运行状态是否符合预定要求，将低于目标值的风力发电机组作为定检定修的重点机组；第二种是选取部分可靠性评价指标，对单个指标进行分级，通过专家经验对指标进行重要度判定、结合风力发电机组运行情况进行每个指标复核权重计算，将每个指标的分级的得分乘以该指标的权重得出可靠性评价结果。但是，在风力发电机组的实际运行中，不同运行周期内的风力发电机组的可靠性是截然不同的。风力发电机组的可靠性变化满足浴盆曲线，风力发电机组的故障率在磨合期的时候较高，逐渐进入有效周期时故障率降低，后期又逐渐增高进入损耗期。如果使用上述两种评估方法，将所有的风力发电机组按照相同的最低限值或者同样的指标权重进行评价，会将处于磨合期的风力发电机组判定为可靠性低的风力发电机组，从而无法在大量风力发电机组中筛选出真正需要定检定修的风力发电机组，实现风力发电机组的重点排查维护。
因此，如何对风力发电机组的可靠性进行准确评估，提高风力发电机组的可靠性评估结果成为目前亟待解决的技术问题。
发明内容
本发明提供了一种风力发电机组的可靠性评估方法及装置。
第一方面，提供了一种风力发电机组的可靠性评估方法，所述方法包括：
获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标；
根据所述可靠性评估指标建立用于评估风力发电机组的可靠性的多个评估模型；
获取待评估风力发电机组的可靠性评估指标，从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型，并利用确定的评估模型基于所述待评估风力发电机组的可靠性评估指标评估所述待评估风力发电机组的可靠性。
可选地，获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标的步骤包括：
基于风力发电机组的运行时长对所述多个风力发电机组进行分组，分别获取每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标，其中，每组对应一个生命周期阶段。
可选地，基于风力发电机组的运行时长对所述多个风力发电机组进行分组的步骤包括：
基于所述风力发电机组的运行时长按照预定的多个不同运行时长区间对所述多个风力发电机组进行分组。
可选地，基于风力发电机组的运行时长按照预定的多个不同运行时长区间对所述多个风力发电机组进行分组的步骤还包括：
根据所述风力发电机组的环境数据对所述多个风力发电机组进行初次分组，初次分组后的每一组分别对应不同的预定时长区间划分模式；
每一个所述预定时长区间划分模式包括多个不同的运行时长区间，基于所述预定时长区间划分模式中的多个运行时长区间对初次分组后的相应组的风力发电机组进行二次分组，分别获取二次分组后的每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标。
可选地，根据所述可靠性评估指标建立用于评估风力发电机组的多个评估模型的步骤包括：
针对所有分组中的每一组，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果，所述聚类结果反映了该组中的风力发电机组的可靠性；
针对所述聚类结果，基于多分类逻辑回归算法进行训练，以得到与所述每一组分别对应的可靠性评估模型。
可选地，针对所述聚类结果，基于多分类逻辑回归算法进行模型训练，以得到与所述每一组分别对应的评估模型的步骤包括：
得到聚类结果后，将每一组中每个类别下的一部分风力发电机组的可靠性评估指标作为训练集数据，剩余的另一部分风力发电机组的可靠性评估指标作为验证集数据；
将每一组中的所有类别的训练集数据作为待训练模型的输入，所述训练集数据对应的聚类结果作为待训练模型的输出，基于多分类逻辑回归算法进行训练，以得到每一组的初始评估模型；
基于每一组的验证集数据分别对所述初始评估模型进行可靠性验证，当验证结果符合预定条件时，将所述初始评估模型确定为该组的评估模型。
可选地，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果的步骤包括：
基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，将该组下的所有风力发电机组聚类成多个类别；
针对每个类别，分别计算该类别下的每个风力发电机组的可靠性评估指标的中位数，可靠性评估指标的中位数的大小反映相应类别的风力发电机组的可靠性。
可选地，在根据所述可靠性评估指标建立用于评估风力发电机组的可靠性的多个评估模型之前，所述方法还包括：对每一组的所有风力发电机组的可靠性评估指标进行归一化处理，并对处理后的可靠性评估指标进行聚类。
可选地，所述运行数据包括所述风力发电机组在预定周期内的故障总时间、平均无故障时间和故障次数；
根据所述运行数据计算相应的可靠性评估指标的步骤包括：
针对每个风力发电机组，根据所述故障总时间和所述预定周期计算所述风力发电机组的可利用率；
针对每个风力发电机组，根据所述故障总时间和所述故障次数计算所述风力发电机组的平均排除故障耗时；
将所述可利用率、所述平均排除故障耗时和所述平均无故障时间作为可靠性评估指标。
可选地，从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型的步骤包括：
获取所述待评估风力发电机组的运行时长；
根据所述运行时长，确定所述待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估所述待评估风力发电机组的评估模型；或
获取所述待评估风力发电机组的运行时长和环境数据；
根据所述运行时长和所述环境数据，确定所述待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估所述待评估风力发电机组的评估模型。
第二方面，提供了一种风力发电机组的可靠性评估装置，所述装置包括：
计算模块，用于获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标；
评估模型建立模块，用于根据所述可靠性评估指标建立用于评估风力发电机组的可靠性的多个评估模型；
可靠性评估模块，用于获取待评估风力发电机组的可靠性评估指标，从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型，并利用确定的评估模型基于所述待评估风力发电机组的可靠性评估指标评估所述待评估风力发电机组的可靠性。
可选地，所述计算模块通过以下处理获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算相应每个风力发电机组的可靠性评估指标：
基于风力发电机组的运行时长对所述多个风力发电机组进行分组，分别获取每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标，其中，每组对应一个生命周期阶段。
可选地，所述计算模块，还用于基于所述风力发电机组的运行时长按照预定的多个不同运行时长区间对所述多个风力发电机组进行分组。
可选地，所述计算模块包括：
初次分组子模块，用于根据所述风力发电机组的环境数据对所述多个风力发电机组进行初次分组，初次分组后的每一组分别对应不同的预定时长区间划分模式，每一个所述预定时长区间划分模式包括多个不同的运行时长区间；
二次分组子模块，用于基于所述预定时长区间划分模式中的多个运行时长区间对初次分组后的相应组的风力发电机组进行二次分组，分别获取二次分组后的每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标。
可选地，评估模型建立模块包括：
聚类子模块，用于针对所有分组中的每一组，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果，所述聚类结果反映了该组中的风力发电机组的可靠性；
模型训练子模块，用于针对所述聚类结果，基于多分类逻辑回归算法进行训练，以得到与所述每一组分别对应的可靠性评估模型。
可选地，所述模型训练子模块包括：
分类单元，用于得到聚类结果后，将每一组中每个类别下的一部分风力发电机组的可靠性评估指标作为训练集数据，剩余的另一部分风力发电机组的可靠性评估指标作为验证集数据；
训练单元，用于将每一组中的所有类别的训练集数据作为待训练模型的输入，所述训练集数据对应的聚类结果作为待训练模型的输出，基于多分类逻辑回归算法进行训练，以得到每一组的初始评估模型；
验证单元，用于基于每一组的验证集数据分别对所述初始评估模型进行可靠性验证，当验证结果符合预定条件时，将所述初始评估模型确定为该组的评估模型。
可选地，所述聚类子模块包括：
聚类单元，用于基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，将该组下的所有风力发电机组聚类成多个类别；
计算单元，用于针对每个类别，分别计算该类别下的每个风力发电机组的可靠性评估指标的中位数，可靠性评估指标的中位数的大小反映相应类别的风力发电机组的可靠性。
可选地，所述装置还包括：
归一化模块，用于对每一组的所有风力发电机组的可靠性评估指标进行归一化处理，并对处理后的可靠性评估指标进行聚类。
可选地，所述运行数据包括所述风力发电机组在预定周期内的故障总时间、平均无故障时间和故障次数；
所述计算模块还包括：
可利用率计算子模块，用于针对每个风力发电机组，根据所述故障总时间和所述预定周期计算所述风力发电机组的可利用率；
平均排除故障耗时计算子模块，用于针对每个风力发电机组，根据所述故障总时间和所述故障次数计算所述风力发电机组的平均排除故障耗时；
将所述可利用率、所述平均排除故障耗时和所述平均无故障时间作为可靠性评估指标。
可选地，所述可靠性评估模块通过以下处理从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型：
获取所述待评估风力发电机组的运行时长；
根据所述运行时长，确定所述待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估所述待评估风力发电机组的评估模型；或
获取所述待评估风力发电机组的运行时长和环境数据；
根据所述运行时长和所述环境数据，确定所述待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估所述待评估风力发电机组的评估模型。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述的风力发电机组的可靠性评估方法。
第四方面，提供了一种风力发电机组的可靠性评估装置，该装置包括：
至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，
当计算机程序指令被处理器执行时实现如上述的风力发电机组的可靠性评估方法。
根据本发明的风力发电机组的可靠性评估方法及装置，通过将风力发电机组按照不同生命周期阶段进行划分，并建立不同生命周期阶段下的评估模型，通过评估模型对不同生命周期阶段的风力发电机组进行可靠性的评估，充分考虑了因为不同生命周期阶段而导致的可靠性评估差异，能够反映风力发电机组所处生命周期的指标特征，进而提高了评估风力发电机组可靠性的准确率，使得评估结果更加可靠。
附图说明
通过下面结合附图进行的详细描述，本发明的上述和其它目的、特点和优点将会变得更加清楚，其中：
图1是本发明一实施例的风力发电机组的可靠性评估方法的流程图；
图2是本发明一实施例的建立用于评估风力发电机组的可靠性的多个评估模型的流程图；
图3是本发明另一实施例的建立用于评估风力发电机组的可靠性的多个评估模型的流程图；
图4是本发明一实施例的风力发电机组的可靠性评估装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1是本发明一实施例的风力发电机组可靠性评估方法的流程示意图。
如图1所示，风力发电机组的可靠性评估方法包括如下步骤：
S101，获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标；
在S101中，获取多个处于不同生命周期阶段下的风力发电机组的运行数据需要首先确定风力发电机组处于全生命周期中的哪个阶段。一般来说，运行1年的风力发电机组和运行3年的风力发电机组在故障率上会有所差异，运行1年的风力发电机组还处于磨合期，所以发生故障的概率较高，而运行3年的风力发电机组已经度过了磨合期而进入稳定期，但是不能只根据故障率评估风力发电机组的可靠性，这样容易将运行1年仍旧处于磨合期的风力发电机组误判为可靠性差的风力发电机组，所以为了得到更精确的评估结果，可以将多个风力发电机组按照不同的运行时长进行分组。针对每一组，分别获取该组下的风力发电机组的运行数据。作为示例，风力发电机组的运行数据可以包括：风力发电机组的运行时长、风力发电机组在预定周期内的故障总时间、风力发电机组在预定周期内的发生故障的次数和平均无故障时间等。本领域技术人员可以理解的是，除了上述运行数据外，还可以包括其他的数据，例如，正常停机时间、非正常停机时间等。对此，本发明不做任何限制。
在一示例性实施例中，基于风力发电机组的运行时长对多个风力发电机组进行分组的方法可以为：基于风力发电机组的运行时长按照预定的多个不同运行时长区间对多个风力发电机组进行分组。按照预定的多个运行时长区间对多个风力发电机组进行分组时，例如，预定的多个运行时长区间可以按照“年”为单位，划分为【0～5】、【5～8】、【8～10】、【10～15】等，其中预定的运行时长区间可以按照实际需求和机组实际运行情况划分为多个，将运行1年的风力发电机组划分到【0～5】区间所对应的组中，将运行6年的风力发电机组划分到【5～8】区间所对应的组中，将运行10年的风力发电机组划分到【8～10】区间所对应的组中，其中每个区间对应的组都代表风力发电机组所处的一个生命周期阶段，将所有的风力发电机组划分完成后，分别获取每组中包括的所有风力发电机组的运行数据，并计算每组中的每个风力发电机组的可靠性评估指标，对于划分出的所有组的风力发电机组，都采用上述方式，计算每个风力发电机组的可靠性评估指标。
在另一示例性实施例中，基于风力发电机组的运行时长对多个风力发电机组进行分组的方法还可以为：获取所有风力发电机组在过去预定周期内(例如，一个月或者一年等)的运行数据，对获取的运行数据进行拟合计算，得到运行数据曲线，进而将曲线形态相近的风力发电机组划分为一个组。判断相近曲线的方式属于现有技术，这里不再赘述。
在对风力发电机组进行分组时，考虑到风电场中的风力发电机组的机位点的环境均不同，不同机位点的风力发电机组的寿命周期存在较大差异，因此在对风力发电机组进行分组时可以将风力发电机组处的环境数据作为分组的一个依据。作为示例，环境数据可以包括：风速数据、风向数据、温度数据、湿度数据、地理位置信息、冰冻指数、地域信息等。鉴于此，本发明实施例还提供了另一种基于风力发电机组的运行时长按照预定的多个不同运行时长区间对多个风力发电机组进行分组的方法，下面进行详细描述。
在一示例性实施例中，该方法包括：首先根据风力发电机组的环境数据对多个风力发电机组进行初次分组，初次分组后的每一组分别对应不同的预定时长区间划分模式；作为示例，可以将采集的每台风力发电机组的环境数据进行统计，作为示例，这里以温度数据以及湿度数据作为采集的环境数据。统计可以采用散点拟合求平均的方法，计算每个风力发电机组处的温度与湿度相对于平均值的距离，根据距离的不同将风力发电机组进行分组，每一个分组中的风力发电机组所处的环境的温度以及湿度是大致相同的，每一个分组对应不同的预定时长划分模式。每一个预定时长区间划分模式包括多个不同的运行时长区间，例如，模式一对应一个分组，其包括的运行时长区间为【0～3】、【3～6】、【6～8】、【8～10】；模式二对应另一个分组，其包括的运行时长划分区间为【0～5】、【5～8】、【8～10】、【10～15】，其中每个区间对应的组都代表风力发电机组所处的一个生命周期阶段。接下来，基于预定时长区间划分模式中的多个运行时长区间对初次分组后的相应组的风力发电机组进行二次分组，分别获取二次分组后的每组中的所有风力发电机组的运行数据。以模式一作为示例，假设模式一对应的初次分组中有30个风力发电机组，那么就可以基于这30个风力发电机组的运行时长按照模式一的运行时长区间进行进一步分组。
上述示例性实施例是针对同一个风电场的多个风力发电机组的分组，对于不同风电场的风力发电机组，可以根据环境数据中的地理位置信息(例如，海上、陆地)或地域信息(例如，南方、北方、西北、东北等)对风力发电机组进行初次分组。作为示例，根据地理位置信息可以将所有风力发电机组划分为海上风力发电机组和陆上风力发电机组，也就是说，初次分组时的结果为两组。在此基础上分别对这两组风力发电机组按照预定的运行时长区间划分模式进行二次分组。
接下来在二次分组结果的基础上获取每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标。
在一示例性实施例中，根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标的方法包括：针对每个风力发电机组，根据预定周期内的故障总时间和预定周期计算风力发电机组的可利用率；
针对每个风力发电机组，根据预定周期内的故障总时间和预定周期内的故障次数计算风力发电机组的平均排除故障耗时；
将可利用率、平均排除故障耗时和平均无故障时间作为可靠性评估指标。其中，可利用率和平均无故障时间越高代表机组越稳定，平均排除故障耗时越低代表机组越稳定。
具体地，针对单个风力发电机组而言，利用该风力发电机组运行数据中的故障总时间和预定周期计算风力发电机组的可利用率，计算公式为：
Figure GDA0003817576410000101
其中，a为可利用率，预定周期为T，t为在预定周期内的风力发电机组的故障时间，预定周期和故障时间都以小时为单位。
根据公式1可以计算在预定周期内的风力发电机组的可利用率。
具体地，针对单个风力发电机组而言，利用该风力发电机组运行数据中的在预定周期内的故障总时间和故障次数计算风力发电机组的平均排除故障耗时，计算公式为：
b＝t/c (公式2)
其中，b为风力发电机组的平均排除故障耗时，c为预定周期内的风力发电机组的故障次数。
将可利用率、平均排除故障耗时和平均无故障时间作为可靠性评估指标，仅仅是示例性的，在实际应用中，可以根据需要选取或者计算风力发电机组的不同可靠性评估指标，例如，平均连续可用小时、平均无故障可用小时或受累停运备用电量损失等，不同的评估指标可以反应对于风电机组不同的关注重点。
S102，根据可靠性评估指标建立用于评估不同生命周期阶段的风力发电机组的可靠性的多个评估模型；
在S102中，针对不同组的风力发电机组，根据可靠性评估指标建立用于评估不同生命周期阶段的风力发电机组的可靠性的评估模型，进而得到多个评估模型，每个评估模型分别针对上述每一个分组，用于评估相应组中的风力发电机组的可靠性。
在一示例性实施例中，建立针对不同组的风力发电机组的可靠性评估模型的方法可以为：针对所有分组中的每一组，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果，该聚类结果反映了该组中的风力发电机组的可靠性；针对聚类结果，基于多分类逻辑回归算法进行训练，以得到与每一组分别对应的可靠性评估模型。
S103，获取待评估风力发电机组的可靠性评估指标，从多个评估模型中确定一个用于评估该风力发电机组的评估模型，并利用确定的评估模型基于待评估风力发电机组的可靠性评估指标评估待评估风力发电机组的可靠性。
在一示例性实施例中，获取待评估风力发电机组的可靠性评估指标，从多个评估模型中确定一个用于评估该风力发电机组的评估模型的方法还可以为：获取待评估风力发电机组的运行时长；根据风力发电机组的运行时长，通过上述实施例描述的分组方法确定该待评估风力发电机组所在的分组，并将该组对应的评估模型作为用于评估待评估风力发电机组的评估模型。
在一示例性实施例中，还可以根据运行时长和环境数据，通过上述实施例描述的分组方法确定待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估待评估风力发电机组的评估模型。
在S103中，在用于评估待评估风力发电机组的可靠性评估模型被确定后，结合待评估风力发电机组的可靠性评估指标，将待评估风力发电机组的可靠性评估指标输入到确定的评估模型中，得到该待评估风力发电机组的可靠性评估结果。待评估的风力发电机组可以是S101中的多个风力发电机组中，也可以来自于其他风电场中的风力发电机组，如果是S101中的多个风力发电机组之中的，则直接获取该风力发电机组的可靠性评估指标，输入到确定的评估模型中，如果是来自于其他风电场中的风力发电机组，则首先需要获取该风力发电机组的运行数据，然后计算其可靠性评估指标，再确定用于评估该风力发电机组的评估模型，最后输入到确定的评估模型中，得到可靠性评估结果。
在本实施例中，通过将风力发电机组按照不同生命周期阶段进行划分，并建立不同生命周期阶段下的评估模型，通过评估模型对不同生命周期阶段的风力发电机组进行可靠性的评估，充分考虑了因为不同生命周期阶段而导致的可靠性评估差异，能够反映风力发电机组所处生命周期阶段的指标特征，进而提高了评估风力发电机组可靠性的准确率，使得评估结果更加可靠。
下面详细阐述本发明实施例中，如何根据可靠性评估指标建立用于评估风力发电机组的可靠性的多个评估模型。具体过程如图2所示，包括如下步骤：
S201，针对所有分组中的每一组，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果，该聚类结果反映了该组中的风力发电机组的可靠性；
本步骤中，聚类算法可以将处于相似运行状态的风力发电机组划分为一类，可以通过统计方法ward聚类法构建聚类模型，将数据聚成几类与样本的数据特征本身有关，为了确定将每组的可靠性评估指标聚成几类，得到最优的聚类方法，本实施例中列出2类到10类的统计学指标，可以分别通过统计学中的休伯特指数和D指数确定本实施例的聚类数量，在休伯特指数图和D指数图中，寻求一个显著的拐点，这个指标相当于该指标值的显着增加，该拐点对应的数量即为统计学上最好的聚类数量，当然，本实施例中还可以通过其他的指数投票方法确定最佳分类方法，但结果与休伯特指数图和D指数图中的结果是一致的，作为示例，本发明实施例中最优的聚类组合为分成4类。
将每组中的所有可靠性评估指标聚类以后，会得到多个类别，每个类别都对应着风电发电机组不同的评估结果，例如，当聚成4类以后，4个类别下的可靠性评估指标分别代表着不同可靠性状态的风力发电机组。下面以聚成4类为例详细阐述本实施例的实施过程。
在一示例性实施例中，在将每组的所有可靠性评估指标进行聚类以前，由于各个可靠性评估指标的单位是不同的，为了消除量纲，可以将所有可靠性评估指标进行归一化处理，具体归一化处理的方法可以为：分别将可利用率和平均无故障时间的变量标记为X和Y，对应归一化数学公式分别为：
(Xi-min(X)/(max(X)-min(X))(i＝1…n) (公式3)
(Yi-min(Y)/(max(Y)-min(Y))(i＝1…n) (公式4)
假设可利用率和平均无故障时间分别有n个，分别取n个可利用率中的最大值和最大值、n个平均无故障时间中的最大值和最小值，每个指标分别按照上述两个公式进行归一化计算。
平均排除故障耗时的变量记为Z，对应的归一化公式为：
(max(Z)-Zi)/(max(Z)-min(Z))(i＝1…n) (公式5)
假设平均排除故障耗时有n个，取n个平均排除故障耗时中的的最大值和最小值，按照(公式5)进行归一化计算。
将各个可靠性评估指标进行归一化处理后，还可以对处理后的数据进行排序。排序的方法可以按照任意一个指标归一化的结果进行降序或者升序排列，便于观察和统计。
针对每一组，将该组的所有可靠性评估指标进行聚类，得到4个类别的聚类结果，每个风力发电机组都被划分为其中一类，下表1.1中给出一些示例：
表1.1
可利用率a 平均无故障时间 平均排除故障耗时b 所属类别
0.9723866 0.65267665 0.9222825 4
0.9743590 0.04962218 0.9424120 2
0.9743590 0.04963617 0.9487135 2
0.9743590 0.19016319 0.9229827 2
0.9743590 0.19033105 0.9574654 2
0.9743590 0.25649414 0.8923508 2
0.9743590 0.37516404 0.9635918 1
0.9763314 0.06319059 0.9385612 2
0.9763314 0.08919870 0.9352354 2
0.9763314 0.19038357 0.9361106 2
0.9763314 0.47924424 0.8804481 1
0.9763314 0.65174639 0.9728689 4
0.9763314 0.99918504 0.8106074 3
以上表格中的内容即为根据所有可靠性评估指标进行聚类后，分为4个类别，每个类别中对应的风力发电机组以及该风力发电机组的可靠性评估指标。
在一示例性实施例中，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果的方法具体可以包括：基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，将该组下的所有风力发电机组聚类成多个类别；针对每个类别的风力发电机组，计算该类别的风力发电机组的每个可靠性评估指标的中位数或方差，其中，每个可靠性评估指标的中位数或方差反映该类别的风力发电机组的可靠性。在通过聚类方法将每组中所有风力发电机组的可靠性评估指标进行聚类后，为了得到每个类别所代表的可靠性评估结果，需要将聚类结果进行数据处理。以上述实施例中聚成4类为例，为了得到这4个类别的风力发电机组分别表征的卡靠性评估结果，针对每个类别的风力发电机组，分别计算每个类别下，所有风力发电机组的每个可靠性评估指标的中位数或方差，得到每个可靠性评估指标的平均水平，该平均水平反映了这个类别下的风力发电机组的可靠性状态。可以理解的是，在得到聚类结果以后，也可以采用其他的数据处理方式，例如求取每个类别中每个可靠性评估指标的平均值、方差的最大值或最小值，这些数值都可以反映该类别下的可靠性评估指标与其他类别下的可靠性评估指标之间的差异，比如每个类别的数据都与其他类别的数据存在较大差异，那么可以确定该聚类结果是合理的。
表1.2示例性示出了本发明实施例中对聚类结果进行处理的结果，每个类别的数据分别为该类别下的每个可靠性评估指标的中位数。
表1.2
所属类别 可利用率a 平均无故障时间 平均排除故障耗时b
1 99.81 148.7532 4.52
2 99.78 74.3425 5.22
3 99.89 371.8004 4.79
4 99.91 247.8437 3.05
在表1.2中可以看出，4个类别中每个可靠性评估指标的中位数之间有差异，在将每个类别与所在类别的风力发电机组的可靠性对应评价时，需要综合考虑每个类别中的指标特点以及每个指标的意义，并且根据可利用率和平均无故障时间越高代表机组越稳定，平均排除故障耗时越低代表机组越稳定这些特点，可以初步判断第4个类别的风力发电机组可靠性是最好的，其次是第3个类别，再其次是第1个类别，可靠性相对来说最不好的是第2个类别的风力发电机组，因为它的平均排除故障耗时较长，而且可利用率和平均无故障时间低。
S202，针对聚类结果，基于多分类逻辑回归算法进行训练，以得到与每一组分别对应的可靠性评估模型。
针对S201中得到的聚类结果，采用回归算法进行模型训练。具体地，为了能够在上述复杂的分组方法以及聚类的结果基础上进行建模，本实施例采用多分类逻辑回归算法进行模型训练，以得到与每一组分别对应的评估模型的方法如图3所示，还包括如下步骤：
S2021，得到聚类结果后，将每一组中每个类别下的一部分风力发电机组的可靠性评估指标作为训练集数据，剩余的另一部分风力发电机组的可靠性评估指标作为验证集数据；
针对上述聚类结果，针对每组风力发电机组而言，将每个类别下的所有风力发电机组的其中一部分的可靠性评估指标作为训练集，其余的可靠性评估指标作为验证集。例如，对于其中一个类别而言，假设有49个机组在第1类中，那么可以随机选取其中70％的数据作为训练集数据，即选取35个风力发电机组的可靠性评估指标数据作为训练集数据，而剩余30％的数据作为验证集数据，即剩下的14个风力发电机组的可靠性评估指标数据作为验证集数据。针对每个类别的可靠性评估指标都做相同的处理，得到不同类别下的训练集数据和验证集数据。
S2022，将每一组中的所有类别的训练集数据作为待训练模型的输入，所述训练集数据对应的聚类结果作为待训练模型的输出，基于多分类逻辑回归算法进行训练，以得到每一组的初始评估模型；
为了得到每个类别中每个可靠性评估指标的权重，对后续机组做出准确的可靠性评估，需要对所有的聚类结果进行训练，以得到各个指标的权重。因此，针对所有类别，需要建立多分类回归模型，将所有类别的训练集数据作为待训练模型的输入，将训练集数据对应的聚类结果作为待训练模型的输出，采用多分类逻辑回归算法进行训练，得到初始模型。
具体训练模型的方式可以通过计算机语言实现，例如R语言、Hadoop等，以R语言为例，将35个风力发电机组的可靠性评估指标数据通过R语言调用，就会得到每个指标前的权重系数，同理，其他类别的风力发电机组的可靠性评估指标前的权重系数也可以得到，并且针对于不同类别的风力发电机组，相同的指标前的权重系数是不相同的，得到的初始评估模型包含各个指标的权重系数。
初始评估模型的输入为风力发电机组的可靠性评估指标，输出为该风力发电机组属于每个类别的概率值，取最大的概率值对应的类别为该风力发电机组所属的类别。
在本步骤中，在得到每种类别下、每个指标的权重系数以后，为了验证得到的系数是否满足统计学规律、是否有效、是否存在进一步优化的空间，采用R语言中自带的标准差计算公式进行验证。验证过程如下：
采用计算机程序语言得到每种类别下、每个指标的权重系数后，结果如下表1.3：
表1.3
序号 截距 平均无故障时间 平均排除故障耗时b 可利用率a
2 121.1821 -0.11367706 -0.24993759 -1.043377
3 -551.4951 0.14821699 0.43953182 5.087577
4 -467.2451 0.06397342 -0.02583633 4.541632
采用R语言中自带的标准误差计算公式进行验证，验证结果如下：
序号 截距 平均无故障时间 平均排除故障耗时b 可利用率a
2 0.0003531043 0.02576766 0.0765759 0.03834838
3 0.0024098083 0.05144644 0.7154089 0.20325696
4 0.0004025256 0.01187471 0.1381597 0.02964756
其中，表1.3中的截距为每个类别下得到的可靠性评估结果的线性方程中的常数，序号为得到的3个分类器，由表1.3中的结果可知，三个指标系数的标准误差都在统计学允许的范围内，并且通过系统计算得到残差为58.2131、AIC(Akaike informationcriterion，简称AIC，是衡量统计模型拟合优良性的一种标准)值为82.2131，将得到的系数做系数显著性检验，用单因素方差分析检验3个权重系数的假设检验结果的参数P值，结果为3个权重系数的P值都小于0.01，说明本模型具有统计学意义。采用逐步回归法检验3个指标的权重系数是否可以优化，当AIC不再变化时，证明3个指标的权重系数已经达到最优，证明该初始评估模型方程可以用来进行验证。
S2023，基于每一组的验证集数据分别对初始评估模型进行可靠性验证，当验证结果符合预定条件时，将初始评估模型确定为该组的评估模型。
在得到初始评估模型以后，需要对该初始评估模型进行可靠性验证，即采用验证集数据对该初始评估模型进行验证，当验证结果符合预定条件时，可以将该初始评估模型确定为该组的评估模型。
以S2021和S2022中的数据为例，将剩余30％的可靠性评估指标数据作为验证集数据，验证初始评估模型的可靠性。验证的方法为：将验证集数据中输入到初始评估模型中，输出验证结果，如果验证结果与S201中的分类结果在符合预定条件时，例如，通过初始评估模型输出的类别与S201分类的结果之间的误差在一定范围内，那么就可以将该初始评估模型确定为该组的评估模型。在一个示例中，将14个属于第1类别的风力发电机组的可靠性评估指标数据作为验证集数据时，如果输入到初始评估模型中时，输出的结果中有13个的预测结果为第1类别，那么初始评估模型预测的准确率在92.8％，可以确定该初始评估模型为该组的评估模型。将所有的验证集数据输入到初始评估模型中，比较预测出来的类别与聚类结果中得到的类别之间的误差，如果误差满足预定条件，比如在误差率在10％以内，那么就可以将初始评估模型确定为该组的最终的评估模型。
通过上述实施例的方法可以建立所有组的评估模型，进而可以针对不同生命周期阶段的风力发电机组进行评估。
由此，上述实施例可以通过将每组的风力发电机组的可靠性评估指标进行聚类，并针对聚类结果，采用多分类逻辑回归算法进行模型训练，得到该组的评估模型，进而得到所有组的评估模型，并且在评估模型中，不同生命周期阶段的风力发电机组的可靠性评估指标前的权重系数是不同的，针对不同生命周期阶段的风力发电机组，可以通过本实施例的聚类以及多分类逻辑回归的算法计算不同生命周期阶段下的风力发电机组的可靠性评估指标的最佳权重，进而提高了风力发电机组可靠性评估的准确性。
本发明实施例还提供了一种风力发电机组的可靠性评估装置400，包括：
计算模块401，用于获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标；
评估模型建立模块402，用于根据可靠性评估指标建立用于评估风力发电机组的可靠性的多个评估模型；
可靠性评估模块403，用于获取待评估风力发电机组的可靠性评估指标，从多个评估模型中确定一个用于评估该风力发电机组的评估模型，并利用确定的评估模型基于待评估风力发电机组的可靠性评估指标评估待评估风力发电机组的可靠性。
在一示例性实施例中，计算模块401通过以下处理获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算相应每个风力发电机组的可靠性评估指标：
基于风力发电机组的运行时长对多个风力发电机组进行分组，分别获取每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标，其中，每组对应一个生命周期阶段。
在一示例性实施例中，计算模块401，还用于基于风力发电机组的运行时长按照预定的多个不同运行时长区间对多个风力发电机组进行分组。
在一示例性实施例中，计算模块401包括：
初次分组子模块，用于根据风力发电机组的环境数据对多个风力发电机组进行初次分组，初次分组后的每一组分别对应不同的预定时长区间划分模式，每一个预定时长区间划分模式包括多个不同的运行时长区间；
二次分组子模块，用于基于预定时长区间划分模式中的多个运行时长区间对初次分组后的相应组的风力发电机组进行二次分组，分别获取二次分组后的每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标。
在一示例性实施例中，评估模型建立模块402包括：
聚类子模块，用于针对所有分组中的每一组，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果，聚类结果反映了该组中的风力发电机组的可靠性；
模型训练子模块，用于针对聚类结果，基于多分类逻辑回归算法进行训练，以得到与每一组分别对应的可靠性评估模型。
在一示例性实施例中，模型训练子模块包括：
分类单元，用于得到聚类结果后，将每一组中每个类别下的一部分风力发电机组的可靠性评估指标作为训练集数据，剩余的另一部分风力发电机组的可靠性评估指标作为验证集数据；
训练单元，用于将每一组中的所有类别的训练集数据作为待训练模型的输入，训练集数据对应的聚类结果作为待训练模型的输出，基于多分类逻辑回归算法进行训练，以得到每一组的初始评估模型；
验证单元，用于基于每一组的验证集数据分别对初始评估模型进行可靠性验证，当验证结果符合预定条件时，将初始评估模型确定为该组的评估模型。
在一示例性实施例中，聚类子模块包括：
聚类单元，用于基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，将该组下的所有风力发电机组聚类成多个类别；
计算单元，用于针对每个类别，分别计算该类别下的每个风力发电机组的可靠性评估指标的中位数，可靠性评估指标的中位数的大小反映相应类别的风力发电机组的可靠性。
在一示例性实施例中，装置400还包括：
归一化模块，用于对每一组的所有风力发电机组的可靠性评估指标进行归一化处理，并对处理后的可靠性评估指标进行聚类。
在一示例性实施例中，运行数据包括风力发电机组在预定周期内的故障总时间、平均无故障时间和故障次数；
计算模块401还包括：
可利用率计算子模块，用于针对每个风力发电机组，根据故障总时间和预定周期计算风力发电机组的可利用率；
平均排除故障耗时计算子模块，用于针对每个风力发电机组，根据故障总时间和故障次数计算风力发电机组的平均排除故障耗时；
将可利用率、平均排除故障耗时和平均无故障时间作为可靠性评估指标。
在一示例性实施例中，可靠性评估模块403通过以下处理从多个评估模型中确定一个用于评估该风力发电机组的评估模型：
获取待评估风力发电机组的运行时长；
根据运行时长，确定待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估待评估风力发电机组的评估模型；或
获取待评估风力发电机组的运行时长和环境数据；
根据运行时长和环境数据，确定待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估待评估风力发电机组的评估模型。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述的风力发电机组的可靠性评估方法。
本发明实施例还提供了一种风力发电机组的可靠性评估装置，该装置包括：
至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，
当计算机程序指令被处理器执行时实现如上述的风力发电机组的可靠性评估方法。
需要说明的是，上述各实施例的装置可作为上述各实施例的用于各实施例的方法中的执行主体，可以实现各个方法中的相应流程，实现相同的技术效果，为了简洁，此方面内容不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (16)

1.一种风力发电机组的可靠性评估方法，其特征在于，所述方法包括：
获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标；
根据所述可靠性评估指标建立用于评估不同生命周期阶段的风力发电机组的可靠性的多个评估模型；
获取待评估风力发电机组的可靠性评估指标，从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型，并利用确定的评估模型基于所述待评估风力发电机组的可靠性评估指标评估所述待评估风力发电机组的可靠性；
其中，获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标的步骤包括：
基于风力发电机组的运行时长对所述多个风力发电机组进行分组，分别获取每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标，其中，每组对应一个生命周期阶段；
其中，所述运行数据包括所述风力发电机组在预定周期内的故障总时间、平均无故障时间和故障次数；
根据所述运行数据计算相应的可靠性评估指标的步骤包括：
针对每个风力发电机组，根据所述故障总时间和所述预定周期计算所述风力发电机组的可利用率；
针对每个风力发电机组，根据所述故障总时间和所述故障次数计算所述风力发电机组的平均排除故障耗时；
将所述可利用率、所述平均排除故障耗时和所述平均无故障时间作为可靠性评估指标；
其中，从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型的步骤包括：
获取所述待评估风力发电机组的运行时长；
根据所述运行时长，确定所述待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估所述待评估风力发电机组的评估模型；或
获取所述待评估风力发电机组的运行时长和环境数据；
根据所述运行时长和所述环境数据，确定所述待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估所述待评估风力发电机组的评估模型。
2.根据权利要求1所述的方法，其特征在于，基于风力发电机组的运行时长对所述多个风力发电机组进行分组的步骤包括：
基于所述风力发电机组的运行时长按照预定的多个不同运行时长区间对所述多个风力发电机组进行分组。
3.根据权利要求2所述的方法，其特征在于，基于风力发电机组的运行时长按照预定的多个不同运行时长区间对所述多个风力发电机组进行分组的步骤还包括：
根据所述风力发电机组的环境数据对所述多个风力发电机组进行初次分组，初次分组后的每一组分别对应不同的预定时长区间划分模式；
每一个所述预定时长区间划分模式包括多个不同的运行时长区间，基于所述预定时长区间划分模式中的多个运行时长区间对初次分组后的相应组的风力发电机组进行二次分组，分别获取二次分组后的每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标。
4.根据权利要求1至3任意一项所述的方法，其特征在于，根据所述可靠性评估指标建立用于评估风力发电机组的多个评估模型的步骤包括：
针对所有分组中的每一组，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果，所述聚类结果反映了该组中的风力发电机组的可靠性；
针对所述聚类结果，基于多分类逻辑回归算法进行训练，以得到与所述每一组分别对应的可靠性评估模型。
5.根据权利要求4所述的方法，其特征在于，针对所述聚类结果，基于多分类逻辑回归算法进行模型训练，以得到与所述每一组分别对应的评估模型的步骤包括：
得到聚类结果后，将每一组中每个类别下的一部分风力发电机组的可靠性评估指标作为训练集数据，剩余的另一部分风力发电机组的可靠性评估指标作为验证集数据；
将每一组中的所有类别的训练集数据作为待训练模型的输入，所述训练集数据对应的聚类结果作为待训练模型的输出，基于多分类逻辑回归算法进行训练，以得到每一组的初始评估模型；
基于每一组的验证集数据分别对所述初始评估模型进行可靠性验证，当验证结果符合预定条件时，将所述初始评估模型确定为该组的评估模型。
6.根据权利要求4所述的方法，其特征在于，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果的步骤包括：
基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，将该组下的所有风力发电机组聚类成多个类别；
针对每个类别，分别计算该类别下的每个风力发电机组的可靠性评估指标的中位数，可靠性评估指标的中位数的大小反映相应类别的风力发电机组的可靠性。
7.根据权利要求4所述的方法，其特征在于，在根据所述可靠性评估指标建立用于评估风力发电机组的可靠性的多个评估模型之前，所述方法还包括：对每一组的所有风力发电机组的可靠性评估指标进行归一化处理，并对处理后的可靠性评估指标进行聚类。
8.一种风力发电机组的可靠性评估装置，其特征在于，所述装置包括：
计算模块，用于获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算每个风力发电机组的可靠性评估指标；
评估模型建立模块，用于根据所述可靠性评估指标建立用于评估风力发电机组的可靠性的多个评估模型；
可靠性评估模块，用于获取待评估风力发电机组的可靠性评估指标，从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型，并利用确定的评估模型基于所述待评估风力发电机组的可靠性评估指标评估所述待评估风力发电机组的可靠性；
其中，所述计算模块通过以下处理获取处于不同生命周期阶段下的多个风力发电机组的运行数据，并根据每个风力发电机组的运行数据分别计算相应每个风力发电机组的可靠性评估指标：
基于风力发电机组的运行时长对所述多个风力发电机组进行分组，分别获取每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标，其中，每组对应一个生命周期阶段；
其中，所述运行数据包括所述风力发电机组在预定周期内的故障总时间、平均无故障时间和故障次数；
所述计算模块还包括：
可利用率计算子模块，用于针对每个风力发电机组，根据所述故障总时间和所述预定周期计算所述风力发电机组的可利用率；
平均排除故障耗时计算子模块，用于针对每个风力发电机组，根据所述故障总时间和所述故障次数计算所述风力发电机组的平均排除故障耗时；
将所述可利用率、所述平均排除故障耗时和所述平均无故障时间作为可靠性评估指标；
其中，所述可靠性评估模块通过以下处理从所述多个评估模型中确定一个用于评估该风力发电机组的评估模型：
获取所述待评估风力发电机组的运行时长；
根据所述运行时长，确定所述待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估所述待评估风力发电机组的评估模型；或
获取所述待评估风力发电机组的运行时长和环境数据；
根据所述运行时长和所述环境数据，确定所述待评估风力发电机组所在的组，并将该组对应的评估模型作为用于评估所述待评估风力发电机组的评估模型。
9.根据权利要求8所述的装置，其特征在于，所述计算模块，还用于基于所述风力发电机组的运行时长按照预定的多个不同运行时长区间对所述多个风力发电机组进行分组。
10.根据权利要求9所述的装置，其特征在于，所述计算模块包括：
初次分组子模块，用于根据所述风力发电机组的环境数据对所述多个风力发电机组进行初次分组，初次分组后的每一组分别对应不同的预定时长区间划分模式，每一个所述预定时长区间划分模式包括多个不同的运行时长区间；
二次分组子模块，用于基于所述预定时长区间划分模式中的多个运行时长区间对初次分组后的相应组的风力发电机组进行二次分组，分别获取二次分组后的每组中的所有风力发电机组的运行数据，并计算所有组中的每个风力发电机组的可靠性评估指标。
11.根据权利要求8至10任意一项所述的装置，其特征在于，评估模型建立模块包括：
聚类子模块，用于针对所有分组中的每一组，基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，得到聚类结果，所述聚类结果反映了该组中的风力发电机组的可靠性；
模型训练子模块，用于针对所述聚类结果，基于多分类逻辑回归算法进行训练，以得到与所述每一组分别对应的可靠性评估模型。
12.根据权利要求11所述的装置，其特征在于，所述模型训练子模块包括：
分类单元，用于得到聚类结果后，将每一组中每个类别下的一部分风力发电机组的可靠性评估指标作为训练集数据，剩余的另一部分风力发电机组的可靠性评估指标作为验证集数据；
训练单元，用于将每一组中的所有类别的训练集数据作为待训练模型的输入，所述训练集数据对应的聚类结果作为待训练模型的输出，基于多分类逻辑回归算法进行训练，以得到每一组的初始评估模型；
验证单元，用于基于每一组的验证集数据分别对所述初始评估模型进行可靠性验证，当验证结果符合预定条件时，将所述初始评估模型确定为该组的评估模型。
13.根据权利要求11所述的装置，其特征在于，所述聚类子模块包括：
聚类单元，用于基于每一组中的所有风力发电机组的可靠性评估指标进行聚类，将该组下的所有风力发电机组聚类成多个类别；
计算单元，用于针对每个类别，分别计算该类别下的每个风力发电机组的可靠性评估指标的中位数，可靠性评估指标的中位数的大小反映相应类别的风力发电机组的可靠性。
14.根据权利要求11所述的装置，其特征在于，所述装置还包括：
归一化模块，用于对每一组的所有风力发电机组的可靠性评估指标进行归一化处理，并对处理后的可靠性评估指标进行聚类。
15.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
16.一种风力发电机组的可靠性评估装置，其特征在于，所述装置包括：
至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，
当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。
CN201810955221.2A 2018-08-21 2018-08-21 风力发电机组的可靠性评估方法及装置 Active CN110852544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810955221.2A CN110852544B (zh) 2018-08-21 2018-08-21 风力发电机组的可靠性评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810955221.2A CN110852544B (zh) 2018-08-21 2018-08-21 风力发电机组的可靠性评估方法及装置

Publications (2)

Publication Number Publication Date
CN110852544A CN110852544A (zh) 2020-02-28
CN110852544B true CN110852544B (zh) 2023-02-03

Family

ID=69595343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810955221.2A Active CN110852544B (zh) 2018-08-21 2018-08-21 风力发电机组的可靠性评估方法及装置

Country Status (1)

Country Link
CN (1) CN110852544B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657786A (zh) * 2021-08-24 2021-11-16 国网青海省电力公司清洁能源发展研究院 基于风电机组运行性能评估指标体系的机群划分方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956785A (zh) * 2016-05-13 2016-09-21 东华大学 一种风力发电机组运行状态评判方法
CN107133469A (zh) * 2017-04-27 2017-09-05 上海喆之信息科技有限公司 一种评估准确的车辆可靠性评估系统
CN107292516A (zh) * 2017-06-21 2017-10-24 合肥工业大学 一种计及负荷分级和能量调度的负荷可靠性评估方法
CN107402541A (zh) * 2017-07-27 2017-11-28 新疆金风科技股份有限公司 风力发电机组可靠性分析系统及其方法
CN107423904A (zh) * 2017-07-28 2017-12-01 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本分析的风电机组评价方法
CN107633368A (zh) * 2017-09-27 2018-01-26 北京金风科创风电设备有限公司 风力发电机组出力性能评估方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040054709A1 (en) * 2002-09-13 2004-03-18 Bess Charles E. Assessment of capability of computing environment to meet an uptime criteria
US20140214183A1 (en) * 2013-01-28 2014-07-31 Abb Technology Ag. Industrial plant production and/or control utilization optimization
CN104915747B (zh) * 2015-02-03 2019-02-01 远景能源（江苏）有限公司 一种发电机组的发电性能评估方法及设备
CN108335004A (zh) * 2017-09-07 2018-07-27 广东石油化工学院 一种基于受阻电能相等的风力发电系统可靠性评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956785A (zh) * 2016-05-13 2016-09-21 东华大学 一种风力发电机组运行状态评判方法
CN107133469A (zh) * 2017-04-27 2017-09-05 上海喆之信息科技有限公司 一种评估准确的车辆可靠性评估系统
CN107292516A (zh) * 2017-06-21 2017-10-24 合肥工业大学 一种计及负荷分级和能量调度的负荷可靠性评估方法
CN107402541A (zh) * 2017-07-27 2017-11-28 新疆金风科技股份有限公司 风力发电机组可靠性分析系统及其方法
CN107423904A (zh) * 2017-07-28 2017-12-01 中国能源建设集团浙江省电力设计院有限公司 一种基于全生命周期成本分析的风电机组评价方法
CN107633368A (zh) * 2017-09-27 2018-01-26 北京金风科创风电设备有限公司 风力发电机组出力性能评估方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
厚煤层大采高综采工作面系统可靠性应用研究;原袁;《中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑)》;20120915(第09期);B021-34 *
海上风电场电力电缆优化与全寿命周期成本管理研究;卢思瑶;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20180415(第04期);C042-409 *

Also Published As

Publication number Publication date
CN110852544A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
Adedipe et al. Bayesian network modelling for the wind energy industry: An overview
Xu et al. A short-term wind power forecasting approach with adjustment of numerical weather prediction input by data mining
Li et al. A multi-objective maintenance strategy optimization framework for offshore wind farms considering uncertainty
US8606416B2 (en) Energy generating system and control thereof
CN110348615B (zh) 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN110991666A (zh) 故障检测方法、模型的训练方法、装置、设备及存储介质
Li et al. Opportunistic maintenance for offshore wind farms with multiple-component age-based preventive dispatch
US20160369777A1 (en) System and method for detecting anomaly conditions of sensor attached devices
CN104915747A (zh) 一种发电机组的发电性能评估方法及设备
CN102360335B (zh) 定量评估核电厂安全级dcs系统应用软件缺陷价值的方法
CN110417011A (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN107305651B (zh) 一种输电系统可靠性评估方法和系统
Famoso et al. A novel hybrid model for the estimation of energy conversion in a wind farm combining wake effects and stochastic dependability
CN105975797A (zh) 一种基于模糊数据处理的产品早期故障根原因识别方法
CN112379325A (zh) 一种用于智能电表的故障诊断方法及系统
Xiyun et al. Wind power probability interval prediction based on bootstrap quantile regression method
Browell et al. Forecasting for day-ahead offshore maintenance scheduling under uncertainty
Zhou et al. Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process
He et al. Condition-based maintenance optimization for multi-component systems considering prognostic information and degraded working efficiency
CN110852544B (zh) 风力发电机组的可靠性评估方法及装置
Jafarzadeh et al. Probabilistic dynamic security assessment of large power systems using machine learning algorithms
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN115577854A (zh) 一种基于eemd-rbf组合的分位数回归风速区间预测方法
CN115864644A (zh) 一种继电保护装置状态评价方法、系统、设备及介质
Ge et al. Wind turbine power output estimation with probabilistic power curves

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee after: Jinfeng Technology Co.,Ltd.

Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder