CN112163680B - 一种基于认知计算的风电故障运维管理方法 - Google Patents
一种基于认知计算的风电故障运维管理方法 Download PDFInfo
- Publication number
- CN112163680B CN112163680B CN202011037144.6A CN202011037144A CN112163680B CN 112163680 B CN112163680 B CN 112163680B CN 202011037144 A CN202011037144 A CN 202011037144A CN 112163680 B CN112163680 B CN 112163680B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- layer
- cognitive
- knowledge
- node
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 163
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 84
- 238000004364 calculation method Methods 0.000 title claims abstract description 42
- 238000007726 management method Methods 0.000 title claims abstract description 19
- 230000008451 emotion Effects 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims abstract description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 6
- 230000004907 flux Effects 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 20
- 230000036772 blood pressure Effects 0.000 claims description 15
- 238000004804 winding Methods 0.000 claims description 15
- 230000036760 body temperature Effects 0.000 claims description 14
- 230000008030 elimination Effects 0.000 claims description 14
- 238000003379 elimination reaction Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 11
- 230000019771 cognition Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000002996 emotional effect Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003930 cognitive ability Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Eletrric Generators (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于认知计算的风电故障运维管理方法，包括以下步骤：对风电机组定子匝间短路故障进行特征分析；针对特征分析的结果，基于贝叶斯网络建立风电故障运维认知计算模型；实时采集运维人员的行为动作和情感状态信号；将采集的行为动作和情感状态信号送入风电故障运维认知计算模型中，运用马尔科夫链蒙特卡洛方法迭代贝叶斯网络，得到运维人员的认知结果。本发明在运维人员能力评定中考虑了情感因素，以应对风机维修的极端恶劣条件，通过参考风电故障运维认知计算模型，电力企业能够更加高效地进行人员派遣，切实降低运维成本。
Description
技术领域
本发明涉及风电领域，特别涉及一种基于认知计算的风电故障运维管理方法。
背景技术
风能作为清洁能源的典型代表，近年来发展迅速，风电机组装机容量及复杂程度不断增大，使得运维任务也越来越复杂，风电场大多分布在远离人群的偏远地区，机舱的高度在65米左右，给风电运维的难度和成本均带来了巨大挑战，容易因运维人员水平不一导致发电损失甚至人身安全问题。风机事故中因运维不当导致的事故占比高达32.5％，由此可见对于运维人员的认知计算非常重要，准确的认知计算是运维管理的先决条件，运维人员的规范是高效运维的重要因素之一，同时也是风电运维后市场可持续发展的关键因素之一。
文献“电力系统操作人因可靠性分析及其数据库系统研究”提出了时间相关型、过程相关型、应急相关型三种场景下的人为可靠性分析方法，可以量化人为失误的概率；文献“考虑人为因素的基于隐马尔科夫的设备强迫停运率模型”同样在以上三种场景下运用隐马尔科夫判别设备强波停运中的人为因素；文献“人为失误对保护系统可靠性的影响”基于状态维修环境，运用了人为失误率预测技术(THERP)、人员认知可靠性模型技术(HCR)以及Markov方法分析了人为失误对保护系统可靠性指标的影响；这些文献都对分析电力系统中人为因素及其影响做出了有益分析，但并未提出切实有效的解决办法，并且这些前期研究都未将运维人员的情感状态考虑在内，忽略了极端情况下情感状态对严谨作业效果的影响，业内对于多维度考量运维人员的认知计算也鲜有讨论。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、可靠性高的基于认知计算的风电故障运维管理方法。
本发明解决上述问题的技术方案是：一种基于认知计算的风电故障运维管理方法，包括以下步骤：
步骤一：对风电机组定子匝间短路故障进行特征分析；
步骤二：针对特征分析的结果，基于贝叶斯网络建立风电故障运维认知计算模型；
步骤三：实时采集运维人员的行为动作和情感状态信号；
步骤四：将采集的行为动作和情感状态信号送入风电故障运维认知计算模型中，运用马尔科夫链蒙特卡洛方法迭代贝叶斯网络，得到运维人员的认知结果。
上述基于认知计算的风电故障运维管理方法，所述步骤一中，特征分析包括电气特征参数分析和机械特征参数分析；
电气特征参数分析如下：
正常情况下，定子绕组漏抗Xσ的计算公式为：
其中f为频率，μ0＝4π×10-7为真空磁导率，N1是每相串联匝数，p为极对数，q为每极每相槽数，lef为电枢轴向计算长度，∑λ为槽比漏磁导、谐波比漏磁导、齿顶比漏磁导、端部比漏磁导之和；在d,q坐标轴下分析，定子电压及磁链方程为：
其中，Ld,Lq分别是d,q轴电枢电感，id,iq分别为d,q轴电枢电流，ψd,ψq分别为d,q轴磁链，ψf是常量，为永磁铁产生的磁链；
电枢电流为：
其中，R为定子相电阻，ud,uq分别为d,q轴定子电压，ωr为转子角速度，ω＝ωrp，ω是电机角速度；
转矩方程为：
Te＝1.5p(ψdid-ψqiq)＝1.5p[(Ld-Lq)idiq+ψf+iq]＝1.5pψfiq (4)
由式(2)可知，在匝间短路故障发生时，由于定子槽内线圈数的减少，使漏抗减小，由此导致PMSG产生杂质电流，破坏了三相电流的对称性；由式(4)可知，三相电流的无规律增加导致iq的无规律增加，因此转矩Te也无规律增加；
机械特征参数分析如下：
定子为空心结构体，振脉电磁力引起定子弹性圆柱壳体的振动，在故障发生时，振动也发生变化；以磁密计算法来计算脉振电磁力，发电机气隙磁密B(αm,t)为：
B(αm,t)＝Λ(αm,t)·f(αm,t) (5)
作用在定子内圆表面的单位面积磁力q(αm,t)为：
其中Λ(αm,t)为气隙磁导，αm为定子机械角度，t为时间，f(αm,t)为气隙磁势；由推导可知，定子匝间短路故障引起脉振频率为2f、4f、6f的定子振动变化量，其中2f的相对变化量最大，f＝50；
当绕组的不同位置发生故障时，与正常运行相比，除电气量、机械量发生变化之外，三相绕组电流也发生变化，将定子匝间短路故障特征总结如下：
(1)电气量：系统的对称性被破坏，各项定子相电压、相电流不再对称；磁通线稀薄，磁通量降低；短路支路出现以基波为主的短路电流，被短路支路电流增加；转矩增大并表现出不稳定状态。
(2)机械量：定子匝间短路引起定、转子的径向振动，其二倍频分量幅值有增大；
(3)故障定位：A相绕组不同位置发生故障时，B相电流始终最大，A、C相电流随着故障位置从机端向中性点推移时交替变化；B、C相绕组不同位置发生短路时现象类推。
上述基于认知计算的风电故障运维管理方法，所述步骤二中，风电故障运维认知计算模型包括三层，第一层为运维认知层，运维认知层包括运维认知节点；第二层为特征变量层，特征变量层中的节点包括发电机系统知识GSK、故障运维程序知识PK、故障运维战略知识SK、情感状态压力分级PR；第三层为运维参数层，运维参数层中的节点包括信号参数特征PC、基本操作知识BO、空间分割、串行消除、更换部件R&R、运维人员心率、运维人员体温、运维人员血压。
上述基于认知计算的风电故障运维管理方法，所述风电故障运维认知计算模型中，以RECOLA数据库中的生理信号心率、体温及血压为观测量，利用自适应加权融合算法与隐马尔科夫模型HMM实现对情感压力的分级采样，数据融合公式为：
式中Wi为第i个特征的加权因子，n为特征总数，Xi为第i个特征值；将融合后的特征参数归一化处理作为HMM的输入来计算压力等级。
上述基于认知计算的风电故障运维管理方法，所述风电故障运维认知计算模型中，第一层、第二层、第三层依次连接，前一层节点作为后一层节点的父节点，后一层节点作为前一层节点的子节点，第一层的运维认知节点分别作为第二层的发电机系统知识GSK、故障运维程序知识PK、故障运维战略知识SK、情感状态压力分级PR的父节点，第二层的发电机系统知识GSK作为第三层的信号参数特征PC、基本操作知识BO的父节点，第二层的故障运维程序知识PK作为第三层的基本操作知识BO、空间分割、串行消除、更换部件R&R的父节点，第二层的故障运维战略知识SK作为第三层的信号参数特征PC、空间分割、串行消除、更换部件R&R的父节点，第二层的情感状态压力分级PR作为第三层的运维人员心率、运维人员体温、运维人员血压的父节点。
上述基于认知计算的风电故障运维管理方法，所述风电故障运维认知计算模型中，子节点与父节点之间的关系分为直接依赖关系和联合关系，子节点仅依赖一个父节点，则子节点与父节点之间的关系为直接依赖关系；当多个父节点同时作用于一个子节点时，父节点与子节点之间的关系是联合关系；
第一层的运维认知节点与第二层的发电机系统知识GSK、故障运维程序知识PK、故障运维战略知识SK、情感状态压力分级PR之间为直接依赖关系；第二层的情感状态压力分级PR与第三层的运维人员心率、运维人员体温、运维人员血压的父节点之间为直接依赖关系；
第二层的发电机系统知识GSK、故障运维战略知识SK与第三层的信号参数特征PC之间为联合关系；第二层的发电机系统知识GSK、故障运维程序知识PK与第三层的基本操作知识BO之间为联合关系；第二层的故障运维程序知识PK、故障运维战略知识SK与第三层的空间分割、串行消除、更换部件R&R之间为联合关系。
上述基于认知计算的风电故障运维管理方法，所述风电故障运维认知计算模型中，采用有效θ方法将故障程度有效定义，引入参数c与d，c为关联系数，d为截距，以生成一个用于单参数GRM的变量，记作θ**；
若子节点与父节点之间为直接依赖关系，则运用有效θ的方法，经线性变换此时有效θ表达式为
为子节点h的有效θ，θH为父节点H的故障程度，ch,H与dh,H分别为子节点h与父节点H线性变换的关联系数与截距；
若子节点与父节点之间为联合关系，则其有效θ表示为
其中表示子节点的m个父节点，min是最小值函数，/>表示对子节点h贡献最小的父节点故障程度，/>与/>分别表示/>线性变换的关联系数与截距，/>表示子节点h与父节点Hm之间的关联系数，通过调整参数c和d，将有效θ代入GRM函数中，得到各节点间的条件概率；
设定运维人员心率、运维人员体温、运维人员血压均分为3个等级，等级1为激动，等级2为正常，等级3为消极；信号参数特征PC、基本操作知识BO的等级由1至3依次降低，空间分割、串行消除、更换部件R&R战略层级依次降低；GSK、故障运维程序知识PK、故障运维战略知识SK的等级由1至4依次降低，情感状态压力分级PR的等级由高到低为2-3-1/4；运维认知节点Cognition为最终认知结果，等级由1至4依次降低。
上述基于认知计算的风电故障运维管理方法，所述步骤四中，以Metropolis-Hastings算法来构造马尔科夫链转移概率，Metropolis-Hastings算法基于“拒绝采样”来逼近平稳分布，判断收敛条件为：
p(θt-1)Q(θ*|θt-1)A(θ*|θt-1)＝p(θ*)Q(θt-1|θ*)A(θt-1|θ*) (12)
其中θ*为候选状态样本，θt-1为上一轮采样结果，p(x)是状态分布，x＝θt-1,θ*，A(m|n)是m被接受的概率，m,n＝θt-1,θ*，Q(m|n)是先验概率，Q(m|n)A(m|n)是从状态n到m的转移概率。
本发明的有益效果在于：本发明首先对风电机组定子匝间短路故障进行特征分析；然后针对特征分析的结果，基于贝叶斯网络建立风电故障运维认知计算模型；最后实时采集运维人员的行为动作和情感状态信号并送入风电故障运维认知计算模型中，运用马尔科夫链蒙特卡洛方法迭代贝叶斯网络，得到运维人员的认知结果。本发明在运维人员能力评定中考虑了情感因素，以应对风机维修的极端恶劣条件，通过参考风电故障运维认知计算模型，电力企业能够更加高效地进行人员派遣，切实降低运维成本。
附图说明
图1为本发明的流程图。
图2为正常时及故障时磁通线对比图。
图3为风电故障运维认知计算模型的示意图。
图4为实施例中三名运维人员的认知测量结果图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1所示，一种基于认知计算的风电故障运维管理方法，包括以下步骤：
步骤一：对风电机组定子匝间短路故障进行特征分析。特征分析包括电气特征参数分析和机械特征参数分析；
电气特征参数分析如下：
定子匝间短路故障是永磁同步电机(PMSG)发生率最高的电气类故障之一，发电机带故障异常运行会严重影响电网的安全运行，因此需要故障未发生前的实时监控以及故障早期的及时运维。
正常情况下，定子绕组漏抗Xσ的计算公式为：
其中f为频率，μ0＝4π×10-7为真空磁导率，N1是每相串联匝数，p为极对数，q为每极每相槽数，lef为电枢轴向计算长度，∑λ为槽比漏磁导、谐波比漏磁导、齿顶比漏磁导、端部比漏磁导之和；在d,q坐标轴下分析，定子电压及磁链方程为：
其中，Ld,Lq分别是d,q轴电枢电感，id,iq分别为d,q轴电枢电流，ψd,ψq分别为d,q轴磁链，ψf是常量，为永磁铁产生的磁链；
电枢电流为：
其中，R为定子相电阻，ud,uq分别为d,q轴定子电压，ωr为转子角速度，ω＝ωrp，ω是电机角速度；
转矩方程为：
Te＝1.5p(ψdid-ψqiq)＝1.5p[(Ld-Lq)idiq+ψf+iq]＝1.5pψfiq (4)
由式(2)可知，在匝间短路故障发生时，由于定子槽内线圈数的减少，使漏抗减小，由此导致PMSG产生杂质电流，破坏了三相电流的对称性；由式(5)可知，三相电流的无规律增加导致iq的无规律增加，因此转矩Te也无规律增加。
利用有限元仿真软件Maxwell对2.5MW的PMSG定子匝间短路故障进行仿真模拟，以磁通仿真为例，图2为PMSG在正常情况下以及5匝短路时的磁通线仿真，由仿真可知，匝间短路故障的发生会导致磁场密度稀薄，磁通密度变弱。
机械特征参数分析如下：
定子为空心结构体，振脉电磁力引起定子弹性圆柱壳体的振动，在故障发生时，振动也发生变化；以磁密计算法来计算脉振电磁力，发电机气隙磁密B(αm,t)为：
B(αm,t)＝Λ(αm,t)·f(αm,t) (5)
作用在定子内圆表面的单位面积磁力q(αm,t)为：
其中Λ(αm,t)为气隙磁导，αm为定子机械角度，t为时间，f(αm,t)为气隙磁势，μ0为空气导磁系数；由推导可知，定子匝间短路故障引起脉振频率为2f、4f、6f的定子振动变化量，其中2f的相对变化量最大，f＝50；
当绕组的不同位置发生故障时，与正常运行相比，除电气量、机械量发生变化之外，三相绕组电流也发生变化，将定子匝间短路故障特征总结如下：
(1)电气量：系统的对称性被破坏，各项定子相电压、相电流不再对称；磁通线稀薄，磁通量降低；短路支路出现以基波为主的短路电流，被短路支路电流增加；转矩增大并表现出不稳定状态。
(2)机械量：定子匝间短路引起定、转子的径向振动，其二倍频分量幅值有增大；
(3)故障定位：A相绕组不同位置发生故障时，B相电流始终最大，A、C相电流随着故障位置从机端向中性点推移时交替变化；B、C相绕组不同位置发生短路时现象类推。
步骤二：针对特征分析的结果，基于贝叶斯网络建立风电故障运维认知计算模型。
风电故障运维认知计算模型包括三层，第一层为运维认知层，运维认知层包括运维认知节点；第二层为特征变量层，特征变量层中的节点包括发电机系统知识(generatorsystems knowledge,GSK)、故障运维程序知识(O&M procedure knowledge,PK)、故障运维战略知识(O&M strategic knowledge,SK)、情感状态压力分级(Emotional StatePressure Rating,PR)；第三层为运维参数层，运维参数层中的节点包括信号参数特征PC、基本操作知识BO、空间分割、串行消除、更换部件R&R、运维人员心率、运维人员体温、运维人员血压。
由于风电运维的极端恶劣条件，工程师的情感状态也会极大地影响到运维效率，耶基斯-多德森曲线表明，压力等级与工作效率之间是倒U形的曲线关系，在较低或较高状态下都不利于工作效率的提高，个体处于过度焦虑和紧张的状态，会干扰到思维、记忆的正常活动；过于消极则会降低参与活动的积极性。因此非常有必要将情感状态压力分级作为评价系统的一个单独的平行节点。以RECOLA数据库中的生理信号心率、体温及血压为观测量，利用自适应加权融合算法与隐马尔科夫模型HMM实现对情感压力的分级采样，数据融合公式为：
式中Wi为第i个特征的加权因子，n为特征总数，Xi为第i个特征值；将融合后的特征参数归一化处理作为HMM的输入来计算压力等级。
第一层、第二层、第三层依次连接，前一层节点作为后一层节点的父节点，后一层节点作为前一层节点的子节点，第一层的运维认知节点分别作为第二层的发电机系统知识GSK、故障运维程序知识PK、故障运维战略知识SK、情感状态压力分级PR的父节点，第二层的发电机系统知识GSK作为第三层的信号参数特征PC、基本操作知识BO的父节点，第二层的故障运维程序知识PK作为第三层的基本操作知识BO、空间分割、串行消除、更换部件R&R的父节点，第二层的故障运维战略知识SK作为第三层的信号参数特征PC、空间分割、串行消除、更换部件R&R的父节点，第二层的情感状态压力分级PR作为第三层的运维人员心率、运维人员体温、运维人员血压的父节点。
子节点与父节点之间的关系分为直接依赖关系和联合关系，子节点仅依赖一个父节点，则子节点与父节点之间的关系为直接依赖关系；当多个父节点同时作用于一个子节点时，父节点与子节点之间的关系是联合关系；
第一层的运维认知节点与第二层的发电机系统知识GSK、故障运维程序知识PK、故障运维战略知识SK、情感状态压力分级PR之间为直接依赖关系；第二层的情感状态压力分级PR与第三层的运维人员心率、运维人员体温、运维人员血压的父节点之间为直接依赖关系；
第二层的发电机系统知识GSK、故障运维战略知识SK与第三层的信号参数特征PC之间为联合关系；第二层的发电机系统知识GSK、故障运维程序知识PK与第三层的基本操作知识BO之间为联合关系；第二层的故障运维程序知识PK、故障运维战略知识SK与第三层的空间分割、串行消除、更换部件R&R之间为联合关系。
采用有效θ方法将故障程度有效定义，引入参数c与d，c为关联系数，d为截距，以生成一个用于单参数GRM的变量，记作θ**；
若子节点与父节点之间为直接依赖关系，则运用有效θ的方法，经线性变换此时有效θ表达式为
为子节点h的有效θ，θH为父节点H的故障程度，ch,H与dh,H分别为子节点h与父节点H线性变换的关联系数与截距；
若子节点与父节点之间为联合关系，则其有效θ表示为
其中表示子节点的m个父节点，min是最小值函数，/>表示对子节点h贡献最小的父节点故障程度，/>与/>分别表示/>线性变换的关联系数与截距，/>表示子节点h与父节点Hm之间的关联系数，通过调整参数c和d，将有效θ代入GRM函数中，得到各节点间的条件概率。
设定运维人员心率、运维人员体温、运维人员血压均分为3个等级，等级1为激动，等级2为正常，等级3为消极；信号参数特征PC、基本操作知识BO的等级由1至3依次降低，空间分割、串行消除、更换部件R&R战略层级依次降低；GSK、故障运维程序知识PK、故障运维战略知识SK的等级由1至4依次降低，情感状态压力分级PR的等级由高到低为2-3-1/4；运维认知节点Cognition为最终认知结果，等级由1至4依次降低。
步骤三：实时采集运维人员的行为动作和情感状态信号。
步骤四：将采集的行为动作和情感状态信号送入风电故障运维认知计算模型中，运用马尔科夫链蒙特卡洛方法迭代贝叶斯网络，得到运维人员的认知结果。
风电故障运维认知计算模型中各层节点的定义确定了贝叶斯概率分布的结构，各节点间的关系为指定了结构间的推理过程。风电故障运维认知计算模型代表了认知评定所需的特征变量的先验概率及变量间的关系，其中各变量等级的划分是按照专家经验及知识划分的，最终想要得到的认知评定结果是后验概率。但对于复杂问题及需要大量样本调试至收敛的问题来说，利用贝叶斯模型来计算后验分布是困难的，因此采用MCMC方法。
采用MCMC方法迭代贝叶斯网络最终得到认知诊断的后验分布，即认知结果。MCMC方法对参数c和d的均值和方差进行估计，构造一个马尔科夫链，最终使其趋于平稳分布，该平稳分布为待估计参数的后验分布，即想要的认知模型。其中，马尔科夫链中转移概率的构造方法为MH算法，转移概率的构造方法不同，则会产生不同的MCMC算法。
以Metropolis-Hastings算法来构造马尔科夫链转移概率，Metropolis-Hastings算法基于“拒绝采样”来逼近平稳分布，判断收敛条件为：
p(θt-1)Q(θ*|θt-1)A(θ*|θt-1)＝p(θ*)Q(θt-1|θ*)A(θt-1|θ*) (12)
其中θ*为候选状态样本，θt-1为上一轮采样结果，p(x)是状态分布，x＝θt-1,θ*，A(m|n)是m被接受的概率，m,n＝θt-1,θ*，Q(m|n)是先验概率，Q(m|n)A(m|n)是从状态n到m的转移概率。
实施例
运用马尔科夫链蒙特卡洛的方法(MCMC)迭代贝叶斯网络，调节参数c和d，对直接依赖和联合关系中的参数c和d的均值和方差进行估计。
在风电故障运维认知计算模型中：GSK、SK与PC；GSK、PK与BO；PK、SK与R&R这三组节点之间为联合关系，以GSK、SK及PC为例，其参数c和d如表1所示：
表1联合关系中系数c及截距d的均值与方差
其中，为父变量GSK、SK与子变量PC之间关联的系数c的均值及方差；为截距d的均值与方差。
其他节点之间为直接依赖关系，以Cognition与PR；Cognition与PK两组节点为例，参数c和d如表2所示：
表2直接依赖关系中系数c及截距d的均值和方差
其中，为子节点X与父节点Cognition直接依赖的系数c的均值与方差；/>为截距d的均值与方差。
通过Metropolis采样器来构建平稳的马尔科夫链，运用WinBUGS迭代共6000次达到收敛，获取模型的后验分布。根据耶基斯-多德森曲线，设定心率、体温、血压的等级2为正常，其余可观测变量的等级由1至3依次降低；GSK、PK、SK知识能力节点的评定等级由1至4依次降低，PR情感压力节点的评定等级由高到低为2-3-1/4，情感压力在极高或极低的情况下都不利于运维效率的提高；Cognition为最终认知评定结果，评定等级由1至4依次降低。
图4为模拟运维人员[1],[2],[3]的认知评定结果，由图可知，运维人员[1]各项知识掌握较差，GSK,PK,SK为3、4等级的概率较大，PR压力非常大，为等级4的概率较大，所以认知能力较差；运维人员[2]各项知识掌握较好，GSK,PK,SK为1、2等级的概率较大，但PR压力较大，为3、4等级的概率大，因此认知能力较弱；运维人员[3]各项知识掌握较好，GSK,PK,SK为1、2等级的概率较大，且PK压力较小，为等级2的概率较大，所以认知能力优秀。
通过MCMC算法的运用，WINDRIVE模型展示了利用概率分布对运维人员故障认知能力的判断，以及表达运维人员能力和行动之间的关系。由WinBUGS运行结果可知，该模型能够按照实际需求，根据特定背景来计算运维人员的认知，评判因素除了常见的对于各项知识以及操作的掌握，还包括了针对风电运维极端情况下的情感状态压力等级，PR节点对于风电运维非常重要，能够较大地影响运维人员作业水平。
Claims (6)
1.一种基于认知计算的风电故障运维管理方法，其特征在于，包括以下步骤：
步骤一：对风电机组定子匝间短路故障进行特征分析；
步骤二：针对特征分析的结果，基于贝叶斯网络建立风电故障运维认知计算模型；
所述步骤二中，风电故障运维认知计算模型包括三层，第一层为运维认知层，运维认知层包括运维认知节点；第二层为特征变量层，特征变量层中的节点包括发电机系统知识GSK、故障运维程序知识PK、故障运维战略知识SK、情感状态压力分级PR；第三层为运维参数层，运维参数层中的节点包括信号参数特征PC、基本操作知识BO、空间分割、串行消除、更换部件R&R、运维人员心率、运维人员体温、运维人员血压；
所述风电故障运维认知计算模型中，以RECOLA数据库中的生理信号心率、体温及血压为观测量，利用自适应加权融合算法与隐马尔科夫模型HMM实现对情感压力的分级采样，数据融合公式为：
式中Wi为第i个特征的加权因子，n为特征总数，Xi为第i个特征值；将融合后的特征参数归一化处理作为HMM的输入来计算压力等级；
步骤三：实时采集运维人员的行为动作和情感状态信号；
步骤四：将采集的行为动作和情感状态信号送入风电故障运维认知计算模型中，运用马尔科夫链蒙特卡洛方法迭代贝叶斯网络，得到运维人员的认知结果。
2.根据权利要求1所述的基于认知计算的风电故障运维管理方法，其特征在于，所述步骤一中，特征分析包括电气特征参数分析和机械特征参数分析；
电气特征参数分析如下：
正常情况下，定子绕组漏抗Xσ的计算公式为：
其中f为频率，μ0＝4π×10-7为真空磁导率，N1是每相串联匝数，p为极对数，q为每极每相槽数，lef为电枢轴向计算长度，∑λ为槽比漏磁导、谐波比漏磁导、齿顶比漏磁导、端部比漏磁导之和；在d,q坐标轴下分析，定子电压及磁链方程为：
其中，Ld,Lq分别是d,q轴电枢电感，id,iq分别为d,q轴电枢电流，ψd,ψq分别为d,q轴磁链，ψf是常量，为永磁铁产生的磁链；
电枢电流为：
其中，R为定子相电阻，ud,uq分别为d,q轴定子电压，ωr为转子角速度，ω＝ωrp，ω是电机角速度；
转矩方程为：
Te＝1.5p(ψdid-ψqiq)＝1.5p[(Ld-Lq)idiq+ψf+iq]＝1.5pψfiq (4)
由式(2)可知，在匝间短路故障发生时，由于定子槽内线圈数的减少，使漏抗减小，由此导致PMSG产生杂质电流，破坏了三相电流的对称性；由式(4)可知，三相电流的无规律增加导致iq的无规律增加，因此转矩Te也无规律增加；
机械特征参数分析如下：
定子为空心结构体，振脉电磁力引起定子弹性圆柱壳体的振动，在故障发生时，振动也发生变化；以磁密计算法来计算脉振电磁力，发电机气隙磁密B(αm,t)为：
B(αm,t)＝Λ(αm,t)·f(αm,t) (5)
作用在定子内圆表面的单位面积磁力q(αm,t)为：
其中Λ(αm,t)为气隙磁导，αm为定子机械角度，t为时间，f(αm,t)为气隙磁势；由推导可知，定子匝间短路故障引起脉振频率为2f、4f、6f的定子振动变化量，其中2f的相对变化量最大，f＝50；
当绕组的不同位置发生故障时，与正常运行相比，除电气量、机械量发生变化之外，三相绕组电流也发生变化，将定子匝间短路故障特征总结如下：
(1)电气量：系统的对称性被破坏，各项定子相电压、相电流不再对称；磁通线稀薄，磁通量降低；短路支路出现以基波为主的短路电流，被短路支路电流增加；转矩增大并表现出不稳定状态；
(2)机械量：定子匝间短路引起定、转子的径向振动，其二倍频分量幅值有增大；
(3)故障定位：A相绕组不同位置发生故障时，B相电流始终最大，A、C相电流随着故障位置从机端向中性点推移时交替变化；B、C相绕组不同位置发生短路时现象类推。
3.根据权利要求1所述的基于认知计算的风电故障运维管理方法，其特征在于，所述风电故障运维认知计算模型中，第一层、第二层、第三层依次连接，前一层节点作为后一层节点的父节点，后一层节点作为前一层节点的子节点，第一层的运维认知节点分别作为第二层的发电机系统知识GSK、故障运维程序知识PK、故障运维战略知识SK、情感状态压力分级PR的父节点，第二层的发电机系统知识GSK作为第三层的信号参数特征PC、基本操作知识BO的父节点，第二层的故障运维程序知识PK作为第三层的基本操作知识BO、空间分割、串行消除、更换部件R&R的父节点，第二层的故障运维战略知识SK作为第三层的信号参数特征PC、空间分割、串行消除、更换部件R&R的父节点，第二层的情感状态压力分级PR作为第三层的运维人员心率、运维人员体温、运维人员血压的父节点。
4.根据权利要求3所述的基于认知计算的风电故障运维管理方法，其特征在于，所述风电故障运维认知计算模型中，子节点与父节点之间的关系分为直接依赖关系和联合关系，子节点仅依赖一个父节点，则子节点与父节点之间的关系为直接依赖关系；当多个父节点同时作用于一个子节点时，父节点与子节点之间的关系是联合关系；
第一层的运维认知节点与第二层的发电机系统知识GSK、故障运维程序知识PK、故障运维战略知识SK、情感状态压力分级PR之间为直接依赖关系；第二层的情感状态压力分级PR与第三层的运维人员心率、运维人员体温、运维人员血压的父节点之间为直接依赖关系；
第二层的发电机系统知识GSK、故障运维战略知识SK与第三层的信号参数特征PC之间为联合关系；第二层的发电机系统知识GSK、故障运维程序知识PK与第三层的基本操作知识BO之间为联合关系；第二层的故障运维程序知识PK、故障运维战略知识SK与第三层的空间分割、串行消除、更换部件R&R之间为联合关系。
5.根据权利要求4所述的基于认知计算的风电故障运维管理方法，其特征在于，所述风电故障运维认知计算模型中，采用有效θ方法将故障程度有效定义，引入参数c与d，c为关联系数，d为截距，以生成一个用于单参数GRM的变量，记作θ**；
若子节点与父节点之间为直接依赖关系，则运用有效θ的方法，经线性变换此时有效θ表达式为
为子节点h的有效θ，θH为父节点H的故障程度，ch,H与dh,H分别为子节点h与父节点H线性变换的关联系数与截距；
若子节点与父节点之间为联合关系，则其有效θ表示为
其中表示子节点的m个父节点，min是最小值函数，/>表示对子节点h贡献最小的父节点故障程度，/>与/>分别表示/>线性变换的关联系数与截距，/>表示子节点h与父节点Hm之间的关联系数，通过调整参数c和d，将有效θ代入GRM函数中，得到各节点间的条件概率；
设定运维人员心率、运维人员体温、运维人员血压均分为3个等级，等级1为激动，等级2为正常，等级3为消极；信号参数特征PC、基本操作知识BO的等级由1至3依次降低，空间分割、串行消除、更换部件R&R战略层级依次降低；GSK、故障运维程序知识PK、故障运维战略知识SK的等级由1至4依次降低，情感状态压力分级PR的等级由高到低为2-3-1/4；运维认知节点Cognition为最终认知结果，等级由1至4依次降低。
6.根据权利要求5所述的基于认知计算的风电故障运维管理方法，其特征在于，所述步骤四中，以Metropolis-Hastings算法来构造马尔科夫链转移概率，Metropolis-Hastings算法基于“拒绝采样”来逼近平稳分布，判断收敛条件为：
p(θt-1)Q(θ*|θt-1)A(θ*|θt-1)＝p(θ*)Q(θt-1|θ*)A(θt-1|θ*) (12)
其中θ*为候选状态样本，θt-1为上一轮采样结果，p(x)是状态分布，x＝θt-1,θ*，A(m|n)是m被接受的概率，m,n＝θt-1,θ*，Q(m|n)是先验概率，Q(m|n)A(m|n)是从状态n到m的转移概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011037144.6A CN112163680B (zh) | 2020-09-28 | 2020-09-28 | 一种基于认知计算的风电故障运维管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011037144.6A CN112163680B (zh) | 2020-09-28 | 2020-09-28 | 一种基于认知计算的风电故障运维管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112163680A CN112163680A (zh) | 2021-01-01 |
| CN112163680B true CN112163680B (zh) | 2024-03-08 |
Family
ID=73861786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011037144.6A Active CN112163680B (zh) | 2020-09-28 | 2020-09-28 | 一种基于认知计算的风电故障运维管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163680B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5987415A (en) * | 1998-03-23 | 1999-11-16 | Microsoft Corporation | Modeling a user's emotion and personality in a computer user interface |
| CN107194155A (zh) * | 2017-05-02 | 2017-09-22 | 西北工业大学 | 一种基于小数据集和贝叶斯网络的威胁评估建模方法 |
| CN109918791A (zh) * | 2019-03-08 | 2019-06-21 | 湖南工学院 | 一种核电站数字化主控室操纵员人因可靠性分析方法 |
| CN111344721A (zh) * | 2017-11-13 | 2020-06-26 | 国际商业机器公司 | 使用认知计算的异常检测 |
| CN111461532A (zh) * | 2020-03-30 | 2020-07-28 | 湘潭大学 | 一种基于智能车竞赛的学生能力评价方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664400B (zh) * | 2018-05-11 | 2020-08-04 | 北京航空航天大学 | 一种基于相依贝叶斯网络的故障诊断技术的构建方法 |
-
2020
- 2020-09-28 CN CN202011037144.6A patent/CN112163680B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5987415A (en) * | 1998-03-23 | 1999-11-16 | Microsoft Corporation | Modeling a user's emotion and personality in a computer user interface |
| CN107194155A (zh) * | 2017-05-02 | 2017-09-22 | 西北工业大学 | 一种基于小数据集和贝叶斯网络的威胁评估建模方法 |
| CN111344721A (zh) * | 2017-11-13 | 2020-06-26 | 国际商业机器公司 | 使用认知计算的异常检测 |
| CN109918791A (zh) * | 2019-03-08 | 2019-06-21 | 湖南工学院 | 一种核电站数字化主控室操纵员人因可靠性分析方法 |
| CN111461532A (zh) * | 2020-03-30 | 2020-07-28 | 湘潭大学 | 一种基于智能车竞赛的学生能力评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于贝叶斯网络的网络舆情危机节点诊断研究;周昕;邱长波;李瑞;;现代情报(11);全文 * |
| 环境资源保存理论视角下人与机器设备合理操作性研究;倪春;;环境科学与管理(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112163680A (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mai et al. | Dynamic phasor and frequency estimators considering decaying DC components | |
| CN110687393B (zh) | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 | |
| CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
| CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
| CN112907075B (zh) | 一种电力系统综合负荷模型参数辨识方法 | |
| CN104953583A (zh) | 基于变点探测和Prony方法相结合的电力系统低频振荡在线监测方法 | |
| Bahadoorsingh et al. | A framework linking knowledge of insulation aging to asset management | |
| CN112163680B (zh) | 一种基于认知计算的风电故障运维管理方法 | |
| Zheng et al. | Research on Start-stop standby energy storage element participating in wind power filtering under the influence of power quality disturbance | |
| CN104898415A (zh) | 一种基于低通滤波的发电机组转动惯量参数的在线辨识方法 | |
| CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
| CN113156247A (zh) | 一种电力系统低频振荡的预警方法及装置 | |
| Bachri et al. | The implementation of A3S information fusion algorithm for interpreting Dissolved Gas Analysis (DGA) based on Doernenburg Ratio | |
| CN116316909A (zh) | 基于armax模型的电力系统惯量在线辨识方法与系统 | |
| Sumin et al. | Modeling and optimization of OC fault diagnosis for inverters based on GR-PTA-BN | |
| Quan et al. | The application of Bayesian network theory in transformer condition assessment | |
| Krishnan et al. | Asset management and finite element analysis in smart grid | |
| Chu et al. | Fast calculation of available transfer capability incorporating uncertainty of wind generation | |
| Wu et al. | Ambient signals based power system oscillation modes identification considering model order selection | |
| Chaouche et al. | A novel generalized analytic expression of power transformer equivalent RLC model | |
| CN117849691B (zh) | 一种电容式电压互感器多维协同运行监测预警系统和方法 | |
| Smadi et al. | Improving Hybrid Ac/dc Power System Resilience Using Enhanced Hybrid Power State Estimator | |
| CN109188185A (zh) | 一种发电机转子绕组匝间短路早期在线检测方法 | |
| Dou et al. | An Improved Fault Detection Method based on Canonical Variate Analysis for Tricky Faults of Wind Turbine | |
| CN112307997B (zh) | 一种利用主模式分解的功率信号重构方法和系统 |
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 |