CN114936758A - 风电机组健康状态评估方法、装置及电子设备 - Google Patents

风电机组健康状态评估方法、装置及电子设备 Download PDF

Info

Publication number
CN114936758A
CN114936758A CN202210478563.6A CN202210478563A CN114936758A CN 114936758 A CN114936758 A CN 114936758A CN 202210478563 A CN202210478563 A CN 202210478563A CN 114936758 A CN114936758 A CN 114936758A
Authority
CN
China
Prior art keywords
evaluation
data
state
wind turbine
calculating
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.)
Pending
Application number
CN202210478563.6A
Other languages
English (en)
Inventor
张斌
李博强
王佳
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.)
Guodian United Power Technology Co Ltd
Original Assignee
Guodian United Power 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 Guodian United Power Technology Co Ltd filed Critical Guodian United Power Technology Co Ltd
Priority to CN202210478563.6A priority Critical patent/CN114936758A/zh
Publication of CN114936758A publication Critical patent/CN114936758A/zh
Pending legal-status Critical Current

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供了风电机组健康状态评估方法、装置及电子设备；其中，该方法包括：获取风电机组的评估数据；其中，评估数据包括：历史状态信息数据、实时运行状态数据和异常状态预警数据；根据评估数据和预设评估策略进行计算，得到风电机组的健康状态评估分数；其中，预设评估策略包括信息熵理论、模糊层次综合决策和故障预警扣分评估策略。上述评估方法，通过风电机组的历史状态信息数据、实时运行状态数据和异常状态预警数据实现风电机组的多维度健康状态综合评估，提高了评估的准确度，具有较好的实用价值。

Description

风电机组健康状态评估方法、装置及电子设备
技术领域
本发明涉及风电机组技术领域，尤其是涉及风电机组健康状态评估方法、装置及电子设备。
背景技术
风电场的自然环境一般比较恶劣，风电机组长期在严苛的条件下运行时容易发生各种故障，导致机组运行效率下降，机组寿命缩短，严重时危及设备和人身安全。通过对风电机组健康状态进行科学合理的评估，可以预先掌握机组的运行状态变化，保证机组正常运行，提高现场运效率并降低维成本。
目前，风电场普遍使用现场SCADA(Supervisory Control And DataAcquisition，数据采集与监视控制系统)系统实时运行数据进行风电机组健康状态的评估，但是这种方法只关注测点的实时状态变化情况，并未考虑机组历史运行状态和长期劣化趋势对健康状态评估的重要影响，导致其实际评估结果虽然时效性较强，但评估层面相对单一且评估完整性有明显的不足，从而降低了健康评估结果的准确性。
发明内容
有鉴于此，本发明的目的在于提供风电机组健康状态评估方法、装置及电子设备，以缓解上述问题，提高了风电机组健康状态评估的准确度，具有较好的实用价值。
第一方面，本发明实施例提供了一种风电机组健康状态评估方法，包括：获取风电机组的评估数据；其中，评估数据包括：历史状态信息数据、实时运行状态数据和异常状态预警数据；根据评估数据和预设评估策略进行计算，得到风电机组的健康状态评估分数；其中，预设评估策略包括信息熵理论、模糊层次综合决策和故障预警扣分评估策略。
可选地，上述根据评估数据和预设评估策略进行计算，得到风电机组的健康状态评估分数的步骤，包括：根据历史状态信息数据和信息熵理论计算得到第一评估分数；根据实时运行状态数据和模糊层次综合决策计算得到第二评估分数；根据异常状态预警数据和故障预警扣分评估策略计算得到第三评估分数；根据第一评估分数、第二评估分数和第三评估分数，以及分别对应的评估权重值，计算得到健康状态评估分数。
可选地，上述历史状态信息数据包括多个指标数据；根据历史状态信息数据和信息熵理论计算得到第一评估分数的步骤，包括：对多个指标数据进行归一化处理，并生成历史状态矩阵；计算每个指标数据的信息熵值和熵权值，并生成熵权向量；其中，熵权向量包括每个指标数据的熵权值；根据历史状态矩阵和熵权向量计算得到第一评估分数。
可选地，上述实时运行状态数据包括：多个部件系统指标，每个部件系统指标还包括多个测点指标，每个测点指标配置有上下限值；根据实时运行状态数据和模糊层次综合决策计算得到第二评估分数的步骤，包括：根据每个测点指标的上下限值和劣化度函数，计算得到每个测点指标的劣化度值；根据每个测点指标的劣化度值和隶属度函数，计算得到每个测点指标的隶属度向量；其中，隶属度函数包括多个健康等级的隶属度子函数，隶属度向量包括每个隶属度子函数分别对应的隶属度值；根据多个测点指标的隶属度向量，生成对应的部件系统指标的隶属度矩阵；根据隶属度矩阵和第一权重矩阵，计算得到对应的部件系统指标的状态评判向量；其中，第一权重矩阵用于表征部件系统指标内多个测点指标的权重值；根据多个部件系统指标的状态评判向量生成状态评判矩阵；根据状态评判矩阵和第二权重矩阵，计算得到风电机组的目标状态评判向量；其中，第二权重矩阵用于表征多个部件系统指标的权重值；根据目标状态评判向量和预设评判向量，计算得到风电机组的第二评估分数。
可选地，上述异常状态预警数据包括多个故障预警等级，以及每个故障预警等级对应的扣分权重；根据异常状态预警数据和故障预警扣分评估策略计算得到第三评估分数的步骤，包括：根据每个故障预警等级的累积频次和对应的扣分权重，计算得到第三评估分数。
可选地，上述方法还包括：根据健康状态评估分数确定风电机组对应的健康状态等级；其中，健康状态等级包括：健康状态、亚健康状态、异常状态和故障状态。
可选地，上述获取风电机组的评估数据的步骤之后，该方法还包括：对评估数据进行预处理，得到处理后的评估数据；其中，预处理包括：数据清洗和数据缺失填补。
第二方面，本发明实施例还提供一种风电机组健康状态评估装置，包括：获取模块，用于获取风电机组的评估数据；其中，评估数据包括：历史状态信息数据、实时运行状态数据和异常状态预警数据；计算模块，用于根据评估数据和预设评估策略进行计算，得到风电机组的健康状态评估分数；其中，预设评估策略包括信息熵理论、模糊层次综合决策和故障预警扣分评估策略。
第三方面，本发明实施例还提供一种电子设备，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计算机程序，处理器执行计算机程序时实现上述第一方面的方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面的方法的步骤。
本发明实施例带来了以下有益效果：
本发明实施例提供了风电机组健康状态评估方法、装置及电子设备，获取风电机组的评估数据；其中，评估数据包括：历史状态信息数据、实时运行状态数据和异常状态预警数据；并根据评估数据和预设评估策略进行计算，得到风电机组的健康状态评估分数；其中，预设评估策略包括信息熵理论、模糊层次综合决策和故障预警扣分评估策略，从而通过风电机组的历史状态信息数据、实时运行状态数据和异常状态预警数据实现风电机组的多维度健康状态综合评估，提高了评估的准确度，具有较好的实用价值。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种风电机组健康状态评估方法的流程图；
图2为本发明实施例提供的一种实时运行状态数据的示意图；
图3为本发明实施例提供的一种劣化度函数的示意图；
图4为本发明实施例提供的另一种劣化度函数的示意图；
图5为本发明实施例提供的一种隶属度函数的示意图；
图6为本发明实施例提供的一种风电机组健康状态评估装置的示意图；
图7为本发明实施例提供的一种电子设备的示意图。
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，下面将结合附图对本发明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。
为便于对本实施例进行理解，下面首先对本发明实施例提供的一种风电机组健康状态评估方法进行详细介绍。
本发明实施例提供了一种风电机组健康状态评估方法，如图1所示，该方法包括以下步骤：
步骤S102，获取风电机组的评估数据；
其中，评估数据包括：历史状态信息数据、实时运行状态数据和异常状态预警数据；具体地，评估数据的来源不限于风电场SCADA系统的机组运行数据，还包括现场可稳定获得的其它生产、监测、控制和运维系统记录存储的时序信息数据，比如：CMS(ConditionMonitoring System，状态监测系统)、测风系统、GIS(Geographic Information System，地理信息系统)、SF6气体回收系统、一次电力设备、音视频监控系统、智能巡检系统、消防系统、防盗系统、OA(Office Automation，办公自动化)系统等的数据，实现面向风电场内部设备产生的呈现多维异构、时空关联或无关的庞大特性数据流，并采用卡尔曼滤波、数理统计、贝叶斯概率推理、证据推理等多种数据融合算法，以事件时间戳为主轴，将多个源头的评估数据分为历史状态信息数据(即过去)、实时运行状态数据(即现在)和异常状态预警数据(即未来，如预警模型的预测结果等)，从而在风电机组的健康状态评估中实现多源数据在像素级、特征级和决策级上的多层次深度融合，即通过多维度评估数据的综合评估，提高了风电机组健康状态评估的准确度。
优选地，该方法还包括：对评估数据进行预处理，得到处理后的评估数据；其中，预处理包括：数据清洗和数据缺失填补。具体地，电子设备获取多个源头的评估数据之后，还对评估数据进行预处理，包括但不仅限于数据清洗和数据缺失填补等，具体可以根据实际情况进行设置，实现风电机组运行指标记录、实时运行数据、故障预警结果等多源数据在像素级、特征级和决策级上的多层次融合，为数据应用奠定基础，同时，还便于根据预处理后的评估数据进行评估，进一步提高了风电机组的健康状态评估分数的准确度。
步骤S104，根据评估数据和预设评估策略进行计算，得到风电机组的健康状态评估分数；
其中，预设评估策略包括信息熵理论、模糊层次综合决策和故障预警扣分评估策略。具体地，根据历史状态信息数据和信息熵理论计算得到第一评估分数；根据实时运行状态数据和模糊层次综合决策计算得到第二评估分数；根据异常状态预警数据和故障预警扣分评估策略计算得到第三评估分数；根据第一评估分数、第二评估分数和第三评估分数，以及分别对应的评估权重值，计算得到健康状态评估分数。
(I)对于历史状态信息数据，包括多个指标数据；根据历史状态信息数据和信息熵理论计算得到第一评估分数的过程如下：对多个指标数据进行归一化处理，并生成历史状态矩阵；计算每个指标数据的信息熵值和熵权值，并生成熵权向量；其中，熵权向量包括每个指标数据的熵权值；根据历史状态矩阵和熵权向量计算得到第一评估分数。即采用常用的多元数据特征熵权衡量方法，计算每一时刻所有特征数据的加权占比，并将结果换算成百分数值，即作为对应时刻机组健康状态的第一评估分数。
由于在风电场中风电机组的数量较多，这里以m个样本(即m台风电机组)的历史状态信息数据为例说明，包括p个指标数据，每个指标数据均包括m个样本在该指标下的子数据。
首先对p个指标数据逐个进行归一化处理并生成历史状态矩阵R，如下式所示：
R＝(rij)mp (1)
其中，rij表示第j个指标数据下的第i个样本值。
然后，按照下式计算第j个指标数据下的第i个样本值的比重值pij：
Figure BDA0003625784890000071
并根据第j个指标数据中每个样本的比重值，按照下式计算第j个指标数据的信息熵值ej：
Figure BDA0003625784890000072
根据信息熵值ej，按照如下公式计算第j个指标数据的熵权值ωj，并生成熵权向量ω：
Figure BDA0003625784890000073
ω＝(ωj)1p (5)
以及，根据历史状态矩阵R和熵权向量ω，按照如下公式计算得到每个样本的第一评估分数，即百分制SH：
SH＝(100R·ωT) (6)
需要说明的是，对于只有一个样本，即一台风电机组的情形，令m＝1，按照上述公式(1)-(6)计算得到该风电机组的第一评估分数，本发明实施例在此不再详细赘述。
(II)对于基于实时运行状态数据的评估，本发明实施例采用基于模糊层次综合决策进行评估，具体地，将风电机组分为“整机-部件系统-测点”三级可扩展的健康状态评估体系，如图2所示，包含1个整机层(风电机组)、7个部件系统指标组成的部件系统层和25个测点指标组成的测点层，基于风电机组SCADA实时运行数据，充分结合评估指标时序分布与设计上、下限值之间的动态变化关系，引入指标劣化度和模糊隶属度评价策略方法，实现多层次风电机组运行状态健康程度的评估，结果采用百分制，分数越高代表风电机组的健康状态越好。
因此，对于风电机组的实时运行状态数据，包括：多个部件系统指标，每个部件系统指标还包括多个测点指标，每个测点指标配置有上下限值；例如，对于包含1个整机(风电机组)、7个部件系统指标和25个测点指标的情形，可以按照下式定义指标集合U：
Figure BDA0003625784890000081
其中，U1-7表示7个部件系统指标组成的集合，{U11-16}表示第一个部件系统指标中6个测点指标组成的集合，依次类推，本发明实施例在此不再详细赘述。
此外，还可以将风电机组运行状态的健康程度从健康到故障划分为四个等级，并定义等级评判集合V，如下式所示：
V＝{V1,V2,V3,V4} (8)
其中，V1表示健康状态，V2表示亚健康状态，V3表示异常状态，V4表示故障状态。
具体地，根据上述实时运行状态数据和模糊层次综合决策计算得到第二评估分数的过程如下：
①根据每个测点指标的上下限值和劣化度函数，计算得到每个测点指标的劣化度值；
其中，上述劣化度函数用于表征风电机组测点指标在“健康”与“故障”等级之间的劣化程度，劣化度函数g(x)的取值范围为[0,1]，映射测点指标x在健康状态“0”与故障状态“1”之间的变化关系。对于上述25个测点指标，分为23个温度类测点指标和2个压力类测点指标，由于温度类测点指标的劣化度函数定义需要考虑环境温度变化的影响，而压力类测点指标的劣化度函数定义则无需考虑环境因素的影响，因此，对于不同类型的测点指标，本发明实施例还分别设置对应的劣化度函数。
对于温度类测点指标，在实际应用中，温度类测点指标T的劣化过程属于越远离限值越优型，如图3所示，可将其劣化度函数g(x)定义成一种随指标分布呈现倒梯形的分段折线变化形式，测点指标T的下限值和上限值分别为Tdown和Tup，劣化度由“0”变化到“1”的拐点定义为T80-和T80+，分别对应环境温度Tenv到下限值和上限值距离80％处的值。当温度类测点指标T含有上、下限值时，其在t＝i时刻处的劣化度值gi(T)可按照如下公式分段计算：
Figure BDA0003625784890000091
对于压力类测点指标，在实际应用中，如图4所示，与温度类测点指标的劣化度函数定义类似，压力类测点指标P的劣化度函数g(P)也采用分段折线变化的形式。其中，Pdown和Pup为压力类测点指标的下限值和上限值，P80-和P80+定义为压力上下限均值Pmean到限值各自距离80％处的值，P80-和P80+之间的劣化度值设为“0”，同样规定其与对应压力限值之间的劣化度按照线性变化，超过压力限值后的劣化度设为“1”。由于压力类测点指标无需考虑环境因素对其劣化度的影响，因此，压力类测点指标在任意时刻的劣化度值可以按照如下公式计算：
Figure BDA0003625784890000101
因此，对于实时运行状态数据中的每个测点指标，根据对应的劣化度函数和其上下限值，可以计算得到每个测点指标的劣化度值g。
②根据每个测点指标的劣化度值和隶属度函数，计算得到每个测点指标的隶属度向量；
其中，隶属度函数包括多个健康等级的隶属度子函数，如图5所示，折线μ1-μ4分别表征健康状态、亚健康状态、异常状态和故障状态等四个健康等级的隶属度量化关系，即四个隶属度子函数，在实际应用中，考虑到相邻等级的隶属度量化关系之间存在不同程度的交叠，定义隶属度模糊集合向量μ＝{μ1,μ2,μ3,μ4}来量化表示测点指标的劣化程度与健康状态等级之间的模糊隶属关系。本发明实施例设置测点指标四个健康状态等级隶属度子函数的劣化度核心值集合为k＝{k1,k2,k3,k4}＝{0.4,0.65,0.75,0.9}，并以此划分健康状态等级的隶属区域，优选地，对隶属度函数中的四个等级的隶属度子函数按照下式进行定义：
Figure BDA0003625784890000111
因此，对于每个测点指标的劣化度值，分别根据不同的隶属度子函数，计算对应的隶属度值，并根据四个隶属度值生成该测点指标的隶属度向量。
③根据多个测点指标的隶属度向量，生成对应的部件系统指标的隶属度矩阵；
具体地，对于上述每个测点指标的隶属度向量，可以根据同一部件系统指标下的多个测点指标的隶属度向量，生成该部件系统指标的隶属度矩阵，例如，对于包含1个整机(风电机组)、7个部件系统指标和25个测点指标的情形，定义25个测点指标的隶属度向量为M＝[μ11,μ12,μ13,...,μ71]T，进而构成7个部件系统指标的隶属度矩阵，如下式所示：
Figure BDA0003625784890000112
其中，M1-7表示7个部件系统指标的隶属度矩阵组成的矩阵，μ11-16表示第一个部件系统指标下的6个测点指标的隶属度向量组成的第一个部件系统指标的隶属度矩阵，μ21-22表示第二个部件系统指标的隶属度矩阵，依次类推，其余隶属度矩阵本发明实施例在此不再详细赘述。
④根据隶属度矩阵和第一权重矩阵，计算得到对应的部件系统指标的状态评判向量；
其中，第一权重矩阵用于表征部件系统指标内多个测点指标的权重值；具体地，定义指标权重集合W，如下式所示：
Figure BDA0003625784890000113
其中，W1-7表示7个部件系统指标的权重组成的矩阵，W11-16表示第一个部件系统指标下的6个测点指标的权重组成的矩阵，即第一个部件系统指标对应的第一权重矩阵，同理，W21-22表示第二个部件系统指标对应的第一权重矩阵。
本发明实施例采用指标相互重要程度分析法，在考虑多级指标间从属关系的同时兼顾同级指标间的差异性，合理定义同部件系统所属测点指标的权重及整机所属部件系统指标的权重，具体步骤如下：
对于测点指标权重；首先，针对任一部件系统指标下的多个测点指标，构造判断矩阵A，其中，判断矩阵A中aij为该部件系统指标所属的n个测点指标中，第i个测点指标与第j个测点指标对于该部件系统指标健康状态的重要程度的比较结果，aij的常规取值标准如下表1所示；
表1
Figure BDA0003625784890000121
其中，上述重要程度表示第i个测点指标相较于第j个测点指标对于所属部件系统指标健康状态的重要程度。
然后，采用和积法计算判断矩阵A的n个列向量归一化后的算术平均值，并将其近似作为该部件系统指标所属测点指标的权值{Wi1,Wi2,...,Wij}，这里Wij可以按照下式计算：
Figure BDA0003625784890000122
其中，i＝1,2，…7。
同理，重复使用上述分析计算方法依次确定所有部件系统指标所属测点指标的权值，即{{W11-16},{W21-22},{W31-36},{W41-45},{W51-53},{W61-62},{W71}}，且，遵循属于同一部件系统指标的多个测点指标的权重和为1，如sum({W11-16})＝1或者sum({W71})＝1。
对于部件系统指标的权重，同样采用指标相互重要程度分析法，可以确定部件系统指标的权重：{W1-7}，且遵循七个指标的权重和为1，即sum({W1-7})＝1。以及，对于整机指标权重W定义为1。
综上，根据每个部件系统指标的隶属度矩阵和对应的第一权重矩阵，可以计算得到该部件系统指标的状态评判向量，具体计算公式如下：
Bi＝Wi·Mi (15)
其中，Bi表示某个部件系统指标的状态评判向量，Wi表示该部件系统指标的第一权重矩阵，即该部件系统指标下多个测点指标的权重值组成的矩阵，Mi表示部件系统指标的隶属度矩阵，即该部件系统指标下多个测点指标的隶属度向量组成的矩阵。需要说明的是，上述每个测点指标的隶属度向量也可称为该测点指标的健康状态评判向量。
⑤根据多个部件系统指标的状态评判向量生成状态评判矩阵；
具体地，根据多个部件系统指标的状态评判向量Bi，生成状态评判矩阵，如对于7个部件系统指标的情形生成B1-7，其余情形可以根据实际情况进行计算。
⑥根据状态评判矩阵和第二权重矩阵，计算得到风电机组的目标状态评判向量；其中，第二权重矩阵用于表征多个部件系统指标的权重值；
按照下式计算风电机组的目标状态评判向量：
Figure BDA0003625784890000141
其中，B表示风电机组的目标状态评判向量，W1-7表示第二权重矩阵，即多个部件系统指标的权重值组成的矩阵，B1-7表示7个部件系统指标对应的状态评判矩阵；即计算状态评判矩阵B1-7和第二权重矩阵W1-7的内积，以得到风电机组的目标状态评判向量B。
可选地，本发明实施例还按照最大隶属原则，选择各个测点指标的隶属度向量μ11-71中的最大隶属度值、部件系统指标的状态评判向量B1-7中最大值以及整机指标目标状态评判向量B中最大结果所对应的健康状态等级为该测点指标、部件系统指标和整机指标的健康状态等级评判结果。
⑦根据目标状态评判向量和预设评判向量，计算得到风电机组的第二评估分数。
具体地，按照下式计算第二评估分数：
SB＝(B·VT) (17)
其中，SB表示第二评估分数，即整机指标基于实时运行状态数据的评估分数；B表示风电机组的目标状态评判向量，V表示等级评判集合，在实际应用中，等级评判集合V的一个合理数值量化向量优选设置为V＝(100,80,70,60)，即健康状态满分为100，故障状态为60，亚健康状态为80，异常状态为70。
因此，根据风电机组的目标状态评判向量B和等级评判集合V进行内积计算，可以得到百分制的第二评估分数SB。
此外，为了便于风电场的操作人员更加详细连接每台风电机组的情况，同时满足多种应用需求，除了计算第二评估分数SB外，还可以根据所有测点指标的隶属度向量μ11-71和等级评判集合V进行内积计算，具体如下式所示：
Sμ11-71＝(μ11-71·VT) (18)
其中，Sμ11-71表示风电机组在测点指标对应的健康分数值。
同理，还可以根据所有部件系统指标的状态评判向量B1-7和等级评判集合V进行内积计算，具体如下式所示：
SB1-7＝(B1-7·VT) (19)
其中，SB1-7表示风电机组在部件系统指标对应的健康分数值。
(III)对于基于异常状态预警数据的评估，本发明实施例利用故障预警模型的检测结果，结合机型故障等级的定义，创新设计故障预警扣分权重FW＝{FW1,FW2,FW3,FW4}，将故障预警报出频次以累积扣分项SF的形式引入到风电机组健康状态评估的总分S中。其中，风电机组的机型故障级别、故障预警等级和扣分权重的对应关系如下表2所示：
表2
Figure BDA0003625784890000151
Figure BDA0003625784890000161
以及，故障预警模型与故障名称、故障级别、故障预警等级和扣分权重的对应关系如下表3所示：
表3
Figure BDA0003625784890000162
Figure BDA0003625784890000171
因此，异常状态预警数据包括多个故障预警等级，以及每个故障预警等级对应的扣分权重；具体地，根据每个故障预警等级的累积频次和对应的扣分权重，计算得到第三评估分数。其中，按照下式计算第三评估分数：
Figure BDA0003625784890000172
其中，SF表示第三评估分数，ni表示第i个故障预警等级的累积频次，FWi表示第i个故障预警等级对应的扣分权重。优选地，扣分权重可以设置为FW＝{FW1,FW2,FW3,FW4}＝{0.4,0.3,0.2,0.1}。
综上，根据第一评估分数SH、第二评估分数SB和第三评估分数SF，以及分别对应的评估权重值，可以计算得到健康状态评估分数S。优选地，可以设置第一评估分数SH、第二评估分数SB的评估权重值均为0.5，第三评估分数SF的评估权重值为-1，按照下式计算健康状态评估分数S：
S＝0.5(SH+SB)-SF (21)
需要说明的是，在实际评估过程中，三个时间层面上的运行管理时效性是不同的，具体地，面向风电机组历史状态信息数据的评估计算，可以采取每周运行一次的方式，对当前评估时刻历史一周内参与评估的多源数据进行基于信息熵理论的综合评估；面向实时运行状态数据的评估计算可以采用每10分钟运行一次的方式，截取现场SCADA系统机组运行数据进行基于模糊层次综合决策的状态评估；面向早起异常预警的异常状态预警数据，可以采用每天运行一次的方式，如基于当前评估时刻历史24小时内的机组历史运行数据，采用机器学习和深度学习算法进行机组异常和故障预警评估，得到异常状态预警数据。需要说明的是，上述每类评估数据的运行周期可以根据实际情况进行设置。
可选地，上述方法还包括：根据健康状态评估分数确定风电机组对应的健康状态等级；其中，健康状态等级包括：健康状态、亚健康状态、异常状态和故障状态。具体地，根据健康状态评估分数和每个健康状态等级对应的分数区间，确定对应的健康状态等级，其中，每个健康状态等级对应的分数区间如下表4所示：
表4
分数区间 健康状态等级
85～100 健康状态
70～85 亚健康状态
60～70 异常状态
＜60 故障状态
因此，根据健康状态评估分数和分数区间，可以确定风电机组对应的健康状态等级。
本发明实施例提供的风电机组健康状态评估方法，通过风电机组的历史状态信息数据、实时运行状态数据和异常状态预警数据实现风电机组的多维度健康状态综合评估，即分别聚焦风电机组运行状态的过去、现在和将来，合理运用信息熵理论、模糊层次综合决策以及故障预警扣分评估策略，实现了风电机组多层面的健康状态综合评估，提高了评估的准确度，具有较好的实用价值。
为了便于理解，这里选取某风电场WT1-8机组的评估数据举例说明。假设评估时刻为t，单台机组的健康状态评估总分数为S，包含历史状态信息数据对应的第一评估分数SH、实时运行状态数据对应的第二评估分数SB、异常状态预警数据对应的第三评估分数SF，并根据S将机组健康状态等级划分为健康状态、亚健康状态、异常状态和故障状态，具体计算过程如下：
(1)历史状态信息数据对应的第一评估分数SH
具体地，已知现场8台机组在评估时刻t之前一周内的历史状态信息数据如下表5所示，历史状态信息数据包括m＝8个样本和p＝8个指标数据，涵盖发电量、发电效能、运行时长、可利用率、故障时长、通讯中断时长、维护时长、故障次数等基本指标特征，其中发电效能和可利用率为一周均值量数据，其它特征为一周累积量数据；
表5
Figure BDA0003625784890000191
对指标数据逐个进行归一化处理并生成历史状态矩阵R，如下表6所示：
表6
Figure BDA0003625784890000192
Figure BDA0003625784890000201
根据公式(2)计算每个指标数据下的每个样本的比重值pij，结果如下表7所示：
表7
Figure BDA0003625784890000202
根据公式(3)计算每个指标数据的信息熵值ej，结果如下表8所示：
表8
Figure BDA0003625784890000211
根据公式(4)-(5)计算每个指标数据的熵权值ωj，并生成熵权向量ω，结果如下表9所示：
表9
Figure BDA0003625784890000212
计算每台机组样本评估的加权分数并换算成百分制SH，结果如下表10所示：
表10
机组编号 WT1 WT2 WT3 WT4 WT5 WT6 WT7 WT8
S<sub>H</sub>分数 42.457 16.77 40.98 67.84 25.2 51.8 86.57 100
这里以WT1机组为例，其在t时刻前一周内的SH评估值为42.45分。
(2)实时运行状态数据对应的第二评估分数SB
已知WT1机组在t时刻前10分钟内的平均运行数据，如下表11所示，包含25个测点的记录数值，环境温度均值为25.5℃。这里以变桨系统指标U1＝{U11,U12,U13,U14,U15,U16}为例，推导测点指标和部件系统指标的健康状态评估分数SB。
表11
Figure BDA0003625784890000221
Figure BDA0003625784890000231
计算各个测点指标的劣化度值，结合变桨系统U11-16测点指标的上下限值及环境温度值，如下表12所示，
表12
测点指标 T<sub>down</sub> T<sub>80-</sub> T<sub>80+</sub> T<sub>up</sub>
U<sub>11-13</sub> -30℃ -18.9℃ 57.1℃ 65℃
U<sub>14-16</sub> -30℃ -18.9℃ 111.5℃ 133℃
根据公式(9)计算测点指标10分钟平均运行数据的劣化度值g11-16，结果如下表13所示：
表13
劣化度 g<sub>11</sub> g<sub>12</sub> g<sub>13</sub> g<sub>14</sub> g<sub>15</sub> g<sub>16</sub>
数值 0 0 0 0.09 0.05 0.12
将上述劣化度值逐个代入公式11，根据劣化度所属区域计算其在每个健康状态评判等级范围内的隶属度值，即根据每个隶属度子函数进行计算，并构成变桨系统内多个测点指标的隶属度矩阵：M1＝(μ11-16)T＝((μ1(g11-16))T,(μ2(g11-16))T,(μ3(g11-16))T,(μ4(g11-16))T)，结果如下表14所示：
表14
隶属度 μ<sub>11</sub> μ<sub>12</sub> μ<sub>13</sub> μ<sub>14</sub> μ<sub>15</sub> μ<sub>16</sub>
向量 (1,0,0,0) (1,0,0,0) (1,0,0,0) (1,0,0,0) (1,0,0,0) (1,0,0,0)
将上述测点指标的隶属度矩阵代入公式(18)中，可以计算得到t时刻测点指标对应的健康状态分数。由于变桨系统六个测点指标的的综合劣化度值都小于0.4，隶属度均为(1,0,0,0)，所以对应的健康状态分数都是100分；具体地，如下式所示：
Figure BDA0003625784890000241
此外，为确定测点指标权重，本发明实施例还按照变桨系统所属六个测点指标两两相较对变桨系统的重要程度之比来构造判断矩阵A＝(aij)6×6，如下表15所示，这里设定变桨电机温度对变桨系统的重要性与变桨驱动器相比要“重要得多”；
表15
A U<sub>11</sub> U<sub>12</sub> U<sub>13</sub> U<sub>14</sub> U<sub>15</sub> U<sub>16</sub>
U<sub>11</sub> 1 1 1 1/7 1/7 1/7
U<sub>12</sub> 1 1 1 1/7 1/7 1/7
U<sub>13</sub> 1 1 1 1/7 1/7 1/7
U<sub>14</sub> 7 7 7 1 1 1
U<sub>15</sub> 7 7 7 1 1 1
U<sub>16</sub> 7 7 7 1 1 1
根据公式(14)，采用和积法取判断矩阵A的6个列向量归一化后的算术平均值近似作为变桨系统内部每个测点指标权值W11-16，即可计算得到W1＝(1/24,1/24,1/24,7/24,7/24,7/24)。
以及，根据公式(15)可以计算得到t时刻的变桨系统状态评判向量B1＝(1,0,0,0)。将变桨系统状态评判向量B1代入公式(19)，可以计算得到t时刻变桨系统对应的健康度分数为100分，即SB1＝100。
同理，可以确定其它部件系统、所属测点指标以及整机的十分钟平均运行状态评估分数。这里WT1机组t时刻的运行状态评估分数SB为100分。
(3)异常状态预警数据对应的第三评估分数SF
已知WT1机组在t时刻前一天内的故障预警结果如下表16所示，
表16
预警模型名称 故障预警等级 扣分权重 预警频次
齿轮箱油温异常检测 3 FW<sub>3</sub> 1
齿轮箱轴温异常检测 3 FW<sub>3</sub> 1
发电机轴温异常检测 3 FW<sub>3</sub> 0
发电机绕组温度异常检测 3 FW<sub>3</sub> 0
主轴承温度异常检测 3 FW<sub>3</sub> 0
塔底柜温度异常检测 3 FW<sub>3</sub> 0
变桨电机温度异常检测 3 FW<sub>3</sub> 0
变桨电容温度异常检测 2 FW<sub>2</sub> 0
变桨驱动器温度异常检测 3 FW<sub>3</sub> 0
变桨柜温度异常检测 3 FW<sub>3</sub> 0
变桨轮毂温度异常检测 4 FW<sub>4</sub> 0
机舱柜温度异常检测 4 FW<sub>4</sub> 0
根据上表可知，分别报出一次齿轮箱油温异常和一次齿轮箱轴温异常警告，结合故障预警频次和扣分权重，可计算得到故障预警扣分总和SF为0.4分。
综上，根据上述历史状态信息数据对应的第一评估分数SH、实时运行状态数据对应的第二评估分数SB、异常状态预警数据对应的第三评估分数SF，计算得到WT1机组在t时刻健康状态评估的汇总分数S为70.825分，健康状态等级为亚健康状态。其余机组可以参照WT1机组，本发明实施例在此不再详细赘述。
因此，本发明实施例提供的风电机组健康状态评估方法，通过风电机组的历史状态信息数据、实时运行状态数据和异常状态预警数据实现风电机组的多维度健康状态综合评估，即分别聚焦风电机组运行状态的过去、现在和将来，实现风电机组在三个层面上的健康状态综合评估；此外，考虑到故障预警模型在风电场中的应用现状：故障预警模型开发覆盖机组大部件的完整性较差、模型现场准确率普遍不高、模型优化迭代周期长等痛点问题，将模型的故障预警等级与对应机型故障等级作对应，借助故障等级设计的合理性，采取扣分机制融入到综合评估结果，使得风电机组的评估数据更加符合实际运行，从而提高了风电机组健康状态评估的准确度。
对应于上述方法实施例，本发明实施例还提供了一种风电机组健康状态评估装置，如图6所示，该装置包括：获取模块61和计算模块62；其中，各个模块的功能如下：
获取模块61，用于获取风电机组的评估数据；其中，评估数据包括：历史状态信息数据、实时运行状态数据和异常状态预警数据；
计算模块62，用于根据评估数据和预设评估策略进行计算，得到风电机组的健康状态评估分数；其中，预设评估策略包括信息熵理论、模糊层次综合决策和故障预警扣分评估策略。
本发明实施例提供的风电机组健康状态评估装置，通过风电机组的历史状态信息数据、实时运行状态数据和异常状态预警数据实现风电机组的多维度健康状态综合评估，提高了评估的准确度，具有较好的实用价值。
在其中一种可能的实施方式中，上述计算模块62还用于：根据历史状态信息数据和信息熵理论计算得到第一评估分数；根据实时运行状态数据和模糊层次综合决策计算得到第二评估分数；根据异常状态预警数据和故障预警扣分评估策略计算得到第三评估分数；根据第一评估分数、第二评估分数和第三评估分数，以及分别对应的评估权重值，计算得到健康状态评估分数。
在另一种可能的实施方式中，上述历史状态信息数据包括多个指标数据；根据历史状态信息数据和信息熵理论计算得到第一评估分数，包括：对多个指标数据进行归一化处理，并生成历史状态矩阵；计算每个指标数据的信息熵值和熵权值，并生成熵权向量；其中，熵权向量包括每个指标数据的熵权值；根据历史状态矩阵和熵权向量计算得到第一评估分数。
在另一种可能的实施方式中，上述实时运行状态数据包括：多个部件系统指标，每个部件系统指标还包括多个测点指标，每个测点指标配置有上下限值；根据实时运行状态数据和模糊层次综合决策计算得到第二评估分数，包括：根据每个测点指标的上下限值和劣化度函数，计算得到每个测点指标的劣化度值；根据每个测点指标的劣化度值和隶属度函数，计算得到每个测点指标的隶属度向量；其中，隶属度函数包括多个健康等级的隶属度子函数，隶属度向量包括每个隶属度子函数分别对应的隶属度值；根据多个测点指标的隶属度向量，生成对应的部件系统指标的隶属度矩阵；根据隶属度矩阵和第一权重矩阵，计算得到对应的部件系统指标的状态评判向量；其中，第一权重矩阵用于表征部件系统指标内多个测点指标的权重值；根据多个部件系统指标的状态评判向量生成状态评判矩阵；根据状态评判矩阵和第二权重矩阵，计算得到风电机组的目标状态评判向量；其中，第二权重矩阵用于表征多个部件系统指标的权重值；根据目标状态评判向量和预设评判向量，计算得到风电机组的第二评估分数。
在另一种可能的实施方式中，上述异常状态预警数据包括多个故障预警等级，以及每个故障预警等级对应的扣分权重；根据异常状态预警数据和故障预警扣分评估策略计算得到第三评估分数，包括：根据每个故障预警等级的累积频次和对应的扣分权重，计算得到第三评估分数。
在另一种可能的实施方式中，上述装置还包括：根据健康状态评估分数确定风电机组对应的健康状态等级；其中，健康状态等级包括：健康状态、亚健康状态、异常状态和故障状态。
在另一种可能的实施方式中，上述获取模块61后，该装置还包括：对评估数据进行预处理，得到处理后的评估数据；其中，预处理包括：数据清洗和数据缺失填补。
本发明实施例提供的风电机组健康状态评估装置，与上述实施例提供的风电机组健康状态评估方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述风电机组健康状态评估方法。
参见图7所示，该电子设备包括处理器100和存储器101，该存储器101存储有能够被处理器100执行的机器可执行指令，该处理器100执行机器可执行指令以实现上述风电机组健康状态评估方法。
进一步地，图7所示的电子设备还包括总线102和通信接口103，处理器100、通信接口103和存储器101通过总线102连接。
其中，存储器101可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA(IndustrialStandard Architecture，工业标准结构总线)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Enhanced Industry StandardArchitecture，扩展工业标准结构)总线等。上述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101，处理器100读取存储器101中的信息，结合其硬件完成前述实施例的方法的步骤。
本实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述风电机组健康状态评估方法。
本发明实施例所提供的风电机组健康状态评估方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种风电机组健康状态评估方法，其特征在于，包括：
获取所述风电机组的评估数据；其中，所述评估数据包括：历史状态信息数据、实时运行状态数据和异常状态预警数据；
根据所述评估数据和预设评估策略进行计算，得到所述风电机组的健康状态评估分数；其中，所述预设评估策略包括信息熵理论、模糊层次综合决策和故障预警扣分评估策略。
2.根据权利要求1所述的方法，其特征在于，所述根据所述评估数据和预设评估策略进行计算，得到所述风电机组的健康状态评估分数的步骤，包括：
根据所述历史状态信息数据和所述信息熵理论计算得到第一评估分数；
根据所述实时运行状态数据和所述模糊层次综合决策计算得到第二评估分数；
根据所述异常状态预警数据和所述故障预警扣分评估策略计算得到第三评估分数；
根据所述第一评估分数、所述第二评估分数和所述第三评估分数，以及分别对应的评估权重值，计算得到所述健康状态评估分数。
3.根据权利要求2所述的方法，其特征在于，所述历史状态信息数据包括多个指标数据；所述根据所述历史状态信息数据和所述信息熵理论计算得到第一评估分数的步骤，包括：
对多个所述指标数据进行归一化处理，并生成历史状态矩阵；
计算每个所述指标数据的信息熵值和熵权值，并生成熵权向量；其中，所述熵权向量包括每个所述指标数据的熵权值；
根据所述历史状态矩阵和所述熵权向量计算得到第一评估分数。
4.根据权利要求2所述的方法，其特征在于，所述实时运行状态数据包括：多个部件系统指标，每个所述部件系统指标还包括多个测点指标，每个所述测点指标配置有上下限值；
所述根据所述实时运行状态数据和所述模糊层次综合决策计算得到第二评估分数的步骤，包括：
根据每个所述测点指标的上下限值和劣化度函数，计算得到每个所述测点指标的劣化度值；
根据每个所述测点指标的劣化度值和隶属度函数，计算得到每个所述测点指标的隶属度向量；其中，所述隶属度函数包括多个健康等级的隶属度子函数，所述隶属度向量包括每个所述隶属度子函数分别对应的隶属度值；
根据多个所述测点指标的隶属度向量，生成对应的所述部件系统指标的隶属度矩阵；
根据所述隶属度矩阵和第一权重矩阵，计算得到对应的所述部件系统指标的状态评判向量；其中，所述第一权重矩阵用于表征所述部件系统指标内多个所述测点指标的权重值；
根据多个所述部件系统指标的状态评判向量生成状态评判矩阵；
根据所述状态评判矩阵和第二权重矩阵，计算得到所述风电机组的目标状态评判向量；其中，所述第二权重矩阵用于表征多个所述部件系统指标的权重值；
根据所述目标状态评判向量和预设评判向量，计算得到所述风电机组的第二评估分数。
5.根据权利要求2所述的方法，其特征在于，所述异常状态预警数据包括多个故障预警等级，以及每个所述故障预警等级对应的扣分权重；
所述根据所述异常状态预警数据和所述故障预警扣分评估策略计算得到第三评估分数的步骤，包括：
根据每个所述故障预警等级的累积频次和对应的扣分权重，计算得到所述第三评估分数。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述健康状态评估分数确定所述风电机组对应的健康状态等级；其中，所述健康状态等级包括：健康状态、亚健康状态、异常状态和故障状态。
7.根据权利要求1所述的方法，其特征在于，所述获取所述风电机组的评估数据的步骤之后，所述方法还包括：
对所述评估数据进行预处理，得到处理后的所述评估数据；其中，所述预处理包括：数据清洗和数据缺失填补。
8.一种风电机组健康状态评估装置，其特征在于，包括：
获取模块，用于获取所述风电机组的评估数据；其中，所述评估数据包括：历史状态信息数据、实时运行状态数据和异常状态预警数据；
计算模块，用于根据所述评估数据和预设评估策略进行计算，得到所述风电机组的健康状态评估分数；其中，所述预设评估策略包括信息熵理论、模糊层次综合决策和故障预警扣分评估策略。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述权利要求1-7任一项所述的方法的步骤。
CN202210478563.6A 2022-04-29 2022-04-29 风电机组健康状态评估方法、装置及电子设备 Pending CN114936758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210478563.6A CN114936758A (zh) 2022-04-29 2022-04-29 风电机组健康状态评估方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210478563.6A CN114936758A (zh) 2022-04-29 2022-04-29 风电机组健康状态评估方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114936758A true CN114936758A (zh) 2022-08-23

Family

ID=82864927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210478563.6A Pending CN114936758A (zh) 2022-04-29 2022-04-29 风电机组健康状态评估方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114936758A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114837902A (zh) * 2022-06-02 2022-08-02 中节能风力发电股份有限公司 一种风电机组健康度评估方法、系统、设备和介质
CN115619107A (zh) * 2022-12-20 2023-01-17 浙江浙能数字科技有限公司 一种基于多维信息的燃煤电厂设备健康度评价方法
CN116136987A (zh) * 2023-02-21 2023-05-19 北京思维实创科技有限公司 一种基于pscada数据的供电设备可靠性在线评估方法及其系统
CN116484751A (zh) * 2023-06-21 2023-07-25 北京尚文汇通能源科技有限公司 一种风电机组部件的疲劳寿命评估方法及装置
CN116881658A (zh) * 2023-07-12 2023-10-13 南方电网调峰调频发电有限公司检修试验分公司 一种水轮发电机组的智能状态评估方法及系统
CN117169717A (zh) * 2023-09-11 2023-12-05 江苏微之润智能技术有限公司 一种基于单片机的电机健康评估方法、装置及存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114837902A (zh) * 2022-06-02 2022-08-02 中节能风力发电股份有限公司 一种风电机组健康度评估方法、系统、设备和介质
CN114837902B (zh) * 2022-06-02 2023-03-28 中节能风力发电股份有限公司 一种风电机组健康度评估方法、系统、设备和介质
CN115619107A (zh) * 2022-12-20 2023-01-17 浙江浙能数字科技有限公司 一种基于多维信息的燃煤电厂设备健康度评价方法
CN116136987A (zh) * 2023-02-21 2023-05-19 北京思维实创科技有限公司 一种基于pscada数据的供电设备可靠性在线评估方法及其系统
CN116136987B (zh) * 2023-02-21 2023-08-15 北京思维实创科技有限公司 一种基于pscada数据的供电设备可靠性在线评估方法及其系统
CN116484751A (zh) * 2023-06-21 2023-07-25 北京尚文汇通能源科技有限公司 一种风电机组部件的疲劳寿命评估方法及装置
CN116484751B (zh) * 2023-06-21 2023-09-05 北京尚文汇通能源科技有限公司 一种风电机组部件的疲劳寿命评估方法及装置
CN116881658A (zh) * 2023-07-12 2023-10-13 南方电网调峰调频发电有限公司检修试验分公司 一种水轮发电机组的智能状态评估方法及系统
CN116881658B (zh) * 2023-07-12 2024-01-26 南方电网调峰调频发电有限公司检修试验分公司 一种水轮发电机组的智能状态评估方法及系统
CN117169717A (zh) * 2023-09-11 2023-12-05 江苏微之润智能技术有限公司 一种基于单片机的电机健康评估方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN114936758A (zh) 风电机组健康状态评估方法、装置及电子设备
Byon et al. Season-dependent condition-based maintenance for a wind turbine using a partially observed Markov decision process
CN110442833A (zh) 一种基于多维度scada数据评估风电机组健康状态评估方法
CN110135064B (zh) 一种发电机后轴承温度故障预测方法、系统及控制器
WO2013071931A1 (en) A system and method for identifying suggestions to remedy wind turbine faults
CN111878320B (zh) 风力发电机组的监控方法、系统及计算机可读存储介质
CN110852484B (zh) 一种风力发电机组故障预警系统与方法
CN116307641B (zh) 一种面向数字化电厂的资源协同调度管理方法及系统
CN115453356B (zh) 一种动力设备运行状态监测分析方法、系统、终端及介质
CN116992399B (zh) 一种基于电力数据分析的电力设备运维评估方法
CN115713320A (zh) 设备的运维策略优化方法、装置、设备及存储介质
CN117057785A (zh) 电力设备运维调度方法、系统、电子设备及存储介质
Castellani et al. A new data mining approach for power performance verification of an on-shore wind farm
CN113505448B (zh) 一种基于改进贝叶斯网络的风电机组动态可靠性评价方法
CN117422447A (zh) 变压器维护策略生成方法、系统、电子设备及存储介质
CN108074045A (zh) 风电机组整机脆弱性分析与故障排序方法及电子终端
CN116025529A (zh) 一种风电机组自主健康评估方法及自愈调控方法及系统
CN110619489A (zh) 一种电网自动电压控制策略评价方法及可读存储介质
Blanco-M et al. Impact of target variable distribution type over the regression analysis in wind turbine data
CN112084661B (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
CN113503232A (zh) 一种风机运行健康状态预警方法及系统
CN114764672A (zh) 联合学习框架下的融合多因素的电网设备风险评估方法
CN117273702A (zh) 一种齿轮箱维修方案预测及推荐方法
CN116591910A (zh) 风电机组运维的方法、装置、电子设备和存储介质
CN117311295B (zh) 基于无线网络设备的生产质量提升方法及系统

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