CN115310746A - 一种风力发电机组主传动系统状态评估方法及系统 - Google Patents
一种风力发电机组主传动系统状态评估方法及系统 Download PDFInfo
- Publication number
- CN115310746A CN115310746A CN202111582820.2A CN202111582820A CN115310746A CN 115310746 A CN115310746 A CN 115310746A CN 202111582820 A CN202111582820 A CN 202111582820A CN 115310746 A CN115310746 A CN 115310746A
- Authority
- CN
- China
- Prior art keywords
- state
- transmission system
- main transmission
- data
- driven generator
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 106
- 238000011156 evaluation Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000010219 correlation analysis Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Nonlinear Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
本发明提供一种风力发电机组主传动系统状态评估方法及系统，涉及风力发电机组状态评估技术领域，具体为：收集SCADA数据集并划分数据集；对收集到的SCADA数据进行预处理；对风力发电机主传动系统运行状态进行工况划分；对不同工况下的风机主传动系统状态参数进行二次处理；建立不同工况下的风力发电机主传动系统的状态参数预测模型；建立状态评估模型，输出主传动系统状态评估等级结果，解决了现有技术中风力发电机组的状态评估方法人为主观因素，评估结果不准确的技术问题。
Description
技术领域
本发明涉及风力发电机组状态评估技术领域，具体为一种风力发电机组主传动系统状态评估方法及系统。
背景技术
风力发电机通常安装在比较差地理环境下，加上常年饱受各种风雨、霜雪等恶劣天气，增加了风力发电机故障率，尤其是风力发电机的主传动系统的部分，因为主传动系统故障而导致风机停机的时间占据40％-60％。一旦停机维修，不仅会耗费很大的财力，还会耗费很长的时间，同时也增加了运行成本。
目前，针对风力发电机组的状态评估大部份都是针对整个风力发电机或者针对单一的部件，例如齿轮箱、主轴承等进行状态评估，并未考虑到风力发电机主传动系统的对整个风机运行的串联作用和重要性，针对风机主传动系统的评估很少；再者，现有的风力发电机状态评估方法，基本上都是根据风速或者聚类的方法对风机的运行工况进行简单的一次划分，甚至有些都没有对风机的运行工况进行一个划分，这样的方式会导致对风机状态评估的结果准确性不高；传统的评估方法对风机状态划分大多数为二分类，评估时人为主观因素比重太大，主观性太强，会导致最终评估结果难以契合风机的实际的运行状态。
因此，提出一种关于风力发电机主传动系统的状态评估方法，可以更加详细的了解风力发电机的运行状态，提醒工程师及时的去检修，减少风机的停机时间，降低运维成本，增加经济效益，对风力发电机的维护和风电产业的发展具有极其重要的意义。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种风力发电机主传动系统状态评估方法及系统，解决了上述背景技术中提出的目前风力发电机组的状态评估方法人为主观因素，评估结果不准确的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种风力发电机主传动系统状态评估方法，所述方法包括：
收集SCADA数据集并划分数据集；
对收集到的SCADA数据进行预处理；
对风力发电机主传动系统运行状态进行工况划分；
对不同工况下的风机主传动系统状态参数进行二次处理；
建立不同工况下的风力发电机主传动系统的状态参数预测模型；
建立状态评估模型，输出主传动系统状态评估等级结果。
优选地，所述收集SCADA数据集并划分数据集，包括：首先收集SCADA系统在风力发机主传动系统不同健康状态下的多变量时间序列历史数据在风力发电机主传动系统不同健康状态下的历史数据，并将数据集划分为两份；
一份用训练主传动系统神经网络状态预测模型，即训练数据集，一份用于实验验证，即实验数据集；
最后再收集实时数据，输入到主传动系统神经网络预测模型中，对风力发电机主传动系统进行状态评估。
优选地，所述对收集到的SCADA数据进行预处理，包括：数据清洗和状态参数相关性分析。
优选地，所述数据清洗和状态参数相关性分析，包括：所述数据清洗包括：根据风力发电机的风功率曲线，清洗掉无效、异常或者缺失的数据；所述状态参数相关性分析包括：对收集到的数据集，选出与风力发电机主传动系统运行状态相关性较强的参数，根据皮尔逊相关系数法计算挑选出强相关(|r|>0.6)和极度相关(|r|>0.8)的状态参数；
皮尔逊相关系数计算公式如下：
式中：E(XY)为X,Y共同的期望；E(X)为X的期望；E(Y)为Y的期望；
当样本X和Y的总都为N时，则X和Y总体样本的相关系数计算公式如下：
式中：N为总样本数，
是对Xi样本的标准分数，σX为样本标准差，
为样本平均值。
优选地，所述对风力发电机主传动系统运行状态进行工况划分，包括：根据收集到的历史数据，首先根据实际的风功率曲线，初步将风机的运行工况划分为工况1停机阶段，工况2低功率阶段，工况3功率快速增加阶段，工况4恒功率阶段以及工况5超出风速停机阶段；
其次针对工况3功率快速增加阶段，工况4恒功率阶段筛选出工况参数，分别运用数据聚类的算法，将工况3和工况4进一步细分，划分为如工况3-1、3-2.···3-m和工况4-1、4-2···4-n，同时在此基础上建立工况辨识模型，用于在线评估时对实时的数据进行工况辨识。
优选地，所述对不同工况下的风机主传动系统状态参数进行二次处理，包括：工况划分结束后，使用皮尔逊相关系数法依次对每一个工况中的状态参数进行再一次的相关性分析，根据计算结果，挑选出强相关(|r|>0.6)和极度相关(|r|>0.8)的状态参数，并剔除冗余的状态参数。
优选地，所述对不同工况下的风机主传动系统状态参数进行二次处理还包括：采用线性函数归一化的方法对筛选出来的状态参数进行标准化处理，
计算公式如下：
式中：Xnorm指标准化过后的数据；Xmax为数据集的最大数据；
为数据集最小的数据；X待标准化的数据。
优选地，所述建立不同工况下的风力发电机主传动系统的状态参数预测模型，包括：建立状态参数预测模型，所述状态参数预测模型具体为：建立在混沌粒子群算法(CPSO)优化下的基于注意力机制的BiGRU状态参数预测模型，依次将不同工况下的数据集，利用深度学习的方法，将对应工况下的训练数据集分别输入到预测模型中，训练预测模型；
将实验数据集进行预处理、运行状态进行工况划分、状态参数二次处理，最后输入到对应工况下的风发电机主传动系统状态参数预测模型，通过输出的预测值与真实值进行比较，验证预测模型的精度。
优选地，所述建立状态评估模型，输出主传动系统状态评估等级结果，包括：针对主传动系统建立评价状态评估结构体系，目标层C即主传动系统，项目层Ci即主传动系统中重要的部件，二级指标层Cij即每个部件上的重要参数，采用三标度法来衡量指标在同一层次下在决策中的重要程度，计算出初始权重WI；利用决策与实验评价试验法(DEMATEL)计算影响权重WD,综合初始权重和影响权重得到主观权重；利用熵权法计算客观权重WK；利用模糊综合评价法结合综合权重构建出状态评价模型；所建立的评估模型从指标层依次开始计算，最后得到风机主传动系统的状态等级。
本发明还提供一种风力发电机主传动系统状态评估系统，所述系统包括：
数据收集及划分模块：用于收集SCADA数据集并划分数据集；
数据预处理模块：用于对收集到的SCADA数据进行预处理；
工况辨识模块：用于对风力发电机主传动系统运行状态进行工况划分；
参数二次处理模块：用于对不同工况下的风机主传动系统状态参数进行二次处理；
预测模型建立模块：用于建立不同工况下的风力发电机主传动系统的状态参数预测模型；
状态评估模块：用于建立状态评估模型，输出主传动系统状态评估等级结果。
有益效果
本发明提供了一种风力发电机主传动系统状态评估方法及系统。具备以下有益效果：
1、本发明提供的一种风力发电机主动系统状态评估方法比传统的状态评估能够更加了解主传动系统的当前的运行状态。
2、本发明提供的一种风力发电机主动系统状态评估方法，将主传动系统的运行工况做了二次划分，并且针对当前工况下主传动系统的运行状态做了一个评估，有助于研究人员更加了解主传动系统当前所处的情况。
3、本发明采用改进的标度法和DEMATEL结合的方式计算得出主观权重，在结合熵权法算出的客观权重，综合得到我们的最后的权重，最大程度上削弱了人为主观评判的因素，使得评估的结果更加准确；解决了目前关于主传动系统状态评估暂无相关的成熟的技术的问题。
附图说明
图1为本发明提供的一种风力发电机主传动系统状态评估方法流程图；
图2为本发明提供的一种风力发电机主传动系统状态评估系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，一种风力发电机主传动系统状态评估方法，所述方法包括：
收集SCADA数据集并划分数据集；
对收集到的SCADA数据进行预处理；
对风力发电机主传动系统运行状态进行工况划分；
对不同工况下的风机主传动系统状态参数进行二次处理；
建立不同工况下的风力发电机主传动系统的状态参数预测模型；
建立状态评估模型，输出主传动系统状态评估等级结果。
优选地，所述收集SCADA数据集并划分数据集，包括：首先收集SCADA系统在风力发机主传动系统不同健康状态下的多变量时间序列历史数据在风力发电机主传动系统不同健康状态下的历史数据，并将数据集划分为两份；
一份用训练主传动系统神经网络状态预测模型，即训练数据集，一份用于实验验证，即实验数据集；
最后再收集实时数据，输入到主传动系统神经网络预测模型中，对风力发电机主传动系统进行状态评估。
优选地，所述对收集到的SCADA数据进行预处理，包括：数据清洗和状态参数相关性分析。
优选地，所述数据清洗和状态参数相关性分析，包括：所述数据清洗包括：根据风力发电机的风功率曲线，清洗掉无效、异常或者缺失的数据；所述状态参数相关性分析包括：对收集到的数据集，选出与风力发电机主传动系统运行状态相关性较强的参数，根据皮尔逊相关系数法计算挑选出强相关(|r|>0.6)和极度相关(|r|>0.8)的状态参数；
皮尔逊相关系数计算公式如下：
式中：E(XY)为X,Y共同的期望；E(X)为X的期望；E(Y)为Y的期望；
当样本X和Y的总都为N时，则X和Y总体样本的相关系数计算公式如下：
式中：N为总样本数，
是对Xi样本的标准分数，σX为样本标准差，
为样本平均值。
优选地，所述对风力发电机主传动系统运行状态进行工况划分，包括：根据收集到的历史数据，首先根据实际的风功率曲线，初步将风机的运行工况划分为工况1停机阶段，工况2低功率阶段，工况3功率快速增加阶段，工况4恒功率阶段以及工况5超出风速停机阶段；
其次针对工况3功率快速增加阶段，工况4恒功率阶段筛选出工况参数，分别运用数据聚类的算法，将工况3和工况4进一步细分，划分为如工况3-1、3-2.···3-m和工况4-1、4-2···4-n，同时在此基础上建立工况辨识模型，用于在线评估时对实时的数据进行工况辨识。
优选地，所述对不同工况下的风机主传动系统状态参数进行二次处理，包括：工况划分结束后，使用皮尔逊相关系数法依次对每一个工况中的状态参数进行再一次的相关性分析，根据计算结果，挑选出强相关(|r|>0.6)和极度相关(|r|>0.8)的状态参数，并剔除冗余的状态参数。
优选地，所述对不同工况下的风机主传动系统状态参数进行二次处理还包括：采用线性函数归一化的方法对筛选出来的状态参数进行标准化处理，
计算公式如下：
式中：Xnorm指标准化过后的数据；Xmax为数据集的最大数据；
为数据集最小的数据；X待标准化的数据。
优选地，所述建立不同工况下的风力发电机主传动系统的状态参数预测模型，包括：建立状态参数预测模型，所述状态参数预测模型具体为：建立在混沌粒子群算法(CPSO)优化下的基于注意力机制的BiGRU状态参数预测模型，依次将不同工况下的数据集，利用深度学习的方法，将对应工况下的训练数据集分别输入到预测模型中，训练预测模型；
将实验数据集进行预处理、运行状态进行工况划分、状态参数二次处理，最后输入到对应工况下的风发电机主传动系统状态参数预测模型，通过输出的预测值与真实值进行比较，验证预测模型的精度。
优选地，所述验证预测模型的精度包括但不限于均方误差(Mean SquaredError)、均方根误差(Root Mean Squared Error)和平均绝对值误差(Mean AbsoluteError)等等，以下分别简称为MSE RMSE MAE；
MSE计算公式如下：
Mt＝observedt-predictedt
式中：observedt为数据真实值；predictedt为预测模型输出的预测值；Mt为预测值和真实值的残差值；t为数据集中数据的数量；
RMSE计算公式如下：
Mt＝observedt-predictedt
式中：observedt为数据真实值；predictedt为预测模型输出的预测值；Mt为预测值和真实值的残差值；t为数据集中数据的数量；
MAE计算公式如下：
Mt＝observedt-predictedt
式中：observedt为数据真实值；predictedt为预测模型输出的预测值；Mt为预测值和真实值的残差值；t为数据集中数据的数量；
在对应工况下计算得出的残差Mt，挑选出最大残差Mt(max)作为当前工况下的状态报警阈值，当输入数据的真实值和预测值的残差超过该阈值时，发出状态告警；
优选地，所述建立状态评估模型，输出主传动系统状态评估等级结果，包括：针对主传动系统建立评价状态评估结构体系，目标层C即主传动系统，项目层Ci即主传动系统中重要的部件，二级指标层Cij即每个部件上的重要参数，采用三标度法来衡量指标在同一层次下在决策中的重要程度，计算出初始权重WI；利用决策与实验评价试验法(DEMATEL)计算影响权重WD，综合初始权重和影响权重得到主观权重；利用熵权法计算客观权重WK；利用模糊综合评价法结合综合权重构建出状态评价模型；所建立的评估模型从指标层依次开始计算，最后得到风机主传动系统的状态等级。
优选地，标度值和对应的含义如下：【-1 0 1】分别代表指标之间相比的重要程度【不重要同等重要重要】，来构造判断矩阵B＝(bij)n×n，计算出初始权重WI；
其次，我们利用决策实验与评价试验法(DEMATEL)来计算影响权重WD,具体过程如下；
(1)构件各层次指标之间的直接影响矩阵D＝(dij)n×n,在这我们定义【0 1 2 3】分别表示【无影响影响相似有一定影响有较大的影响】，对各指标之间的重要性进行评判，从而建立直接影响矩阵；
(2)规范影响矩阵D,得到矩阵X；
(3)计算各层次指标间的综合影响矩阵E及影响权重WD，
E＝X+X2+...+Xn＝(eij)n×n
(4)算出修正后的主观权重
接着，利用熵权法计算客观权重WK,具体步骤如下：
(1)根据筛选出的参数的性质，对参数进行标准化：
正向型指标：
逆向型指标：
(2)求出各个指标的信息熵：
其中：A＝-ln(n)-1，B＝ln pij，
(3)计算出各个指标的权重：
进一步的，所述建立状态评估模型还包括劣化度的计算，对于温度和功率等参数容易受到风速的影响，采用固定阈值计算劣化度会降低评估的准确性，因此采用动态劣化度的计算方式，具体计算公式如下:
针对其他的参数指标按照固定阈值，利用传统的劣化度计算方式计算出劣化度；
最后，利用模糊综合评价法结合我们算出的综合权重构建出我们的评价模型。将风机主传动系统运行状态等级划分为5级，{健康亚健康合格注意严重}；
A＝W·G
式中，综合权重
G为隶属度矩阵，
gij表示指标处于当前状态等级的隶属度,由选定的隶属度函数计算可得，A为评价结果，·为算子；
优选地，还包括依据所建立的评估模型从指标层依次开始计算，最后得到我们的目标层即风机主传动系统的状态等级隶属度矩阵
A＝{x1 x2 x3 x4 x5}，x1～x5反映了当前主传动系统的处于{健康 亚健康 合格注意 严重}状态等级的隶属程度；当采集到实时数据时，经过数据第一次处理、工况辨识、数据第二次处理、状态参数预测，最终通过评估模型得到实时的状态评估结果。
本发明还提供一种风力发电机主传动系统状态评估系统，所述系统包括：
数据收集及划分模块：用于收集SCADA数据集并划分数据集；
数据预处理模块：用于对收集到的SCADA数据进行预处理；
工况辨识模块：用于对风力发电机主传动系统运行状态进行工况划分；
参数二次处理模块：用于对不同工况下的风机主传动系统状态参数进行二次处理；
预测模型建立模块：用于建立不同工况下的风力发电机主传动系统的状态参数预测模型；
状态评估模块：用于建立状态评估模型，输出主传动系统状态评估等级结果。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种风力发电机主传动系统状态评估方法，其特征在于，所述方法包括：
收集SCADA数据集并划分数据集；
对收集到的SCADA数据进行预处理；
对风力发电机主传动系统运行状态进行工况划分；
对不同工况下的风机主传动系统状态参数进行二次处理；
建立不同工况下的风力发电机主传动系统的状态参数预测模型；
建立状态评估模型，输出主传动系统状态评估等级结果。
2.根据权利要求1所述的风力发电机主传动系统状态评估方法，其特征在于，所述收集SCADA数据集并划分数据集，包括：首先收集SCADA系统在风力发机主传动系统不同健康状态下的多变量时间序列历史数据在风力发电机主传动系统不同健康状态下的历史数据，并将数据集划分为两份；
一份用训练主传动系统神经网络状态预测模型，即训练数据集，一份用于实验验证，即实验数据集；
最后再收集实时数据，输入到主传动系统神经网络预测模型中，对风力发电机主传动系统进行状态评估。
3.根据权利要求2所述的风力发电机主传动系统状态评估方法，其特征在于，所述对收集到的SCADA数据进行预处理，包括：数据清洗和状态参数相关性分析。
4.根据权利要求3所述的风力发电机主传动系统状态评估方法，其特征在于，所述数据清洗和状态参数相关性分析，包括：所述数据清洗包括：根据风力发电机的风功率曲线，清洗掉无效、异常或者缺失的数据；所述状态参数相关性分析包括：对收集到的数据集，选出与风力发电机主传动系统运行状态相关性较强的参数，根据皮尔逊相关系数法计算挑选出强相关(|r|>0.6)和极度相关(|r|>0.8)的状态参数；
皮尔逊相关系数计算公式如下：
式中：E(XY)为X,Y共同的期望；E(X)为X的期望；E(Y)为Y的期望；
当样本X和Y的总都为N时，则X和Y总体样本的相关系数计算公式如下：
式中：N为总样本数，
是对Xi样本的标准分数，σX为样本标准差，
为样本平均值。
5.根据权利要求4所述的风力发电机主传动系统状态评估方法，其特征在于，所述对风力发电机主传动系统运行状态进行工况划分，包括：根据收集到的历史数据，首先根据实际的风功率曲线，初步将风机的运行工况划分为工况1停机阶段，工况2低功率阶段，工况3功率快速增加阶段，工况4恒功率阶段以及工况5超出风速停机阶段；
其次针对工况3功率快速增加阶段，工况4恒功率阶段筛选出工况参数，分别运用数据聚类的算法，将工况3和工况4进一步细分，划分为如工况3-1、3-2.···3-m和工况4-1、4-2···4-n，同时在此基础上建立工况辨识模型，用于在线评估时对实时的数据进行工况辨识。
6.根据权利要求5所述的风力发电机主传动系统状态评估方法，其特征在于，所述对不同工况下的风机主传动系统状态参数进行二次处理，包括：工况划分结束后，使用皮尔逊相关系数法依次对每一个工况中的状态参数进行再一次的相关性分析，根据计算结果，挑选出强相关(|r|>0.6)和极度相关(|r|>0.8)的状态参数，并剔除冗余的状态参数。
7.根据权利要求6所述的风力发电机主传动系统状态评估方法，其特征在于，所述对不同工况下的风机主传动系统状态参数进行二次处理还包括：采用线性函数归一化的方法对筛选出来的状态参数进行标准化处理，
计算公式如下：
式中：Xnorm指标准化过后的数据；Xmax为数据集的最大数据；
为数据集最小的数据；X待标准化的数据。
8.根据权利要求7所述的风力发电机主传动系统状态评估方法，其特征在于，所述建立不同工况下的风力发电机主传动系统的状态参数预测模型，包括：建立状态参数预测模型，所述状态参数预测模型具体为：建立在混沌粒子群算法(CPSO)优化下的基于注意力机制的BiGRU状态参数预测模型，依次将不同工况下的数据集，利用深度学习的方法，将对应工况下的训练数据集分别输入到预测模型中，训练预测模型；
将实验数据集进行预处理、运行状态进行工况划分、状态参数二次处理，最后输入到对应工况下的风发电机主传动系统状态参数预测模型，通过输出的预测值和真实值进行比较，验证预测模型的精度。
9.根据权利要求8所述的风力发电机主传动系统状态评估方法，其特征在于，所述建立状态评估模型，输出主传动系统状态评估等级结果，包括：针对主传动系统建立评价状态评估结构体系，目标层C即主传动系统，项目层Ci即主传动系统中重要的部件，二级指标层Cij即每个部件上的重要参数，采用三标度法来衡量指标在同一层次下在决策中的重要程度，计算出初始权重WI；利用决策与实验评价试验法(DEMATEL)计算影响权重WD,综合初始权重和影响权重得到主观权重；利用熵权法计算客观权重WK；利用模糊综合评价法结合综合权重构建出状态评价模型；所建立的评估模型从指标层依次开始计算，最后得到风机主传动系统的状态等级。
10.一种风力发电机主传动系统状态评估系统，其特征在于，所述系统包括：数据收集及划分模块：用于收集SCADA数据集并划分数据集；
数据预处理模块：用于对收集到的SCADA数据进行预处理；
工况辨识模块：用于对风力发电机主传动系统运行状态进行工况划分；
参数二次处理模块：用于对不同工况下的风机主传动系统状态参数进行二次处理；
预测模型建立模块：用于建立不同工况下的风力发电机主传动系统的状态参数预测模型；
状态评估模块：用于建立状态评估模型，输出主传动系统状态评估等级结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111582820.2A CN115310746A (zh) | 2021-12-22 | 2021-12-22 | 一种风力发电机组主传动系统状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111582820.2A CN115310746A (zh) | 2021-12-22 | 2021-12-22 | 一种风力发电机组主传动系统状态评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115310746A true CN115310746A (zh) | 2022-11-08 |
Family
ID=83853417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111582820.2A Pending CN115310746A (zh) | 2021-12-22 | 2021-12-22 | 一种风力发电机组主传动系统状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115310746A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892099A (zh) * | 2024-03-18 | 2024-04-16 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和系统 |
-
2021
- 2021-12-22 CN CN202111582820.2A patent/CN115310746A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892099A (zh) * | 2024-03-18 | 2024-04-16 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN110907066B (zh) | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN109492777A (zh) | 一种基于机器学习算法平台的风电机组健康管理方法 | |
| WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
| CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
| CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
| CN111537219A (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
| CN111582392A (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
| CN112508429A (zh) | 一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法 | |
| CN114444382A (zh) | 基于机器学习算法的风电机组齿轮箱故障诊断分析方法 | |
| CN112734131B (zh) | 一种基于深度学习算法的风机叶片覆冰状态预测方法 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
| CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
| CN112085108A (zh) | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 | |
| CN115600928A (zh) | 基于oao-rvm的gis盆式绝缘子状态评估方法 | |
| CN115310746A (zh) | 一种风力发电机组主传动系统状态评估方法及系统 | |
| CN114115199A (zh) | 新能源环卫车辆的监测及故障诊断系统 | |
| CN116821610B (zh) | 一种利用大数据优化风力发电效率的方法 | |
| CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 |
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 |