CN115419558A - 一种风电机组运行状态评估方法及装置 - Google Patents
一种风电机组运行状态评估方法及装置 Download PDFInfo
- Publication number
- CN115419558A CN115419558A CN202211184857.4A CN202211184857A CN115419558A CN 115419558 A CN115419558 A CN 115419558A CN 202211184857 A CN202211184857 A CN 202211184857A CN 115419558 A CN115419558 A CN 115419558A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- state
- working condition
- monitoring data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims description 40
- 238000012216 screening Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 241000288105 Grus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明属于风电机组状态评估技术领域，具体涉及一种风电机组运行状态评估方法及装置。本发明在对各工况参量的历史监测数据集加工况标签时，采用改进模糊C均值聚类算法进行聚类工况划分，该改进模糊C均值聚类算法的改进在于不再采用随机确定初始聚类中心的方法，而是利用各采样点的密度选择初始聚类中心，所选择的初始聚类中心的密度较大且各初始聚类中心之间的距离相对较远，防止随机选择初始聚类中心时造成的密度小的区域出现多个聚类分割块的情况出现，从而选择出更为合适的初始聚类中心，从而保证了训练工况辨识模型的训练数据所加的标签是准确的，进而保证了工况辨识模型的预测精度，为后续风电机组运行状态评估的准确性打下基础。
Description
技术领域
本发明属于风电机组状态评估技术领域，具体涉及一种风电机组运行状态评估方法及装置。
背景技术
近年来，随着许多国家对风力发电技术研究的投入不断加强，风电产业在国内外经历了迅猛的发展，全球风电市场规模正在快速的发展壮大。然而风电机组通常位于高山戈壁、海上岛屿等风资源丰富的地区，运行环境恶劣、工况复杂多变，导致风电机组频繁出现故障，每年因为运维所花费的人力物力成本居高不下。因此，开展风电机组运行健康状态评估研究，及时准确的掌握机组的运行情况，实现故障早期预警，对提高风电系统的安全可靠运行，降低运行和维护费用具有重要的指导意义。
目前风电机组主要依靠传统的状态监测系统进行运维，存在故障报警不精确、不及时的问题，当系统发出故障报警时，当前故障可能已经严重到必须“停机”，甚至“紧急停机”的程度，来不及预防机组故障的恶化，而且现有风场大数据系统存储的海量风机运行数据没有得到充分利用。
为了解决上述问题，申请公布号为CN111709490A的中国发明专利申请公开了一种基于GRU神经网络的风机健康状态评估方法，该方法先将实时风机特征参量输入到随机森林分类模型中，再依据分类结果将特征参量数据映射到对应的工况中进行工况匹配，接着获取相应工况的GRU神经网络评估模型对实时样本数据的预测值，计算SCADA系统的预测值与监测值之间的平均绝对百分比误差，以计算得到风机运行健康度指数，最终利用健康度指数评估风机运行健康状态。该方法中预测SCADA系统的预测值的前提在于需要先确定实时风机特征参量对应于哪种工况，如果工况确定错误那么将导致后续错误选择GRU神经网络评估模型，为了准确确定工况，那么对随机森林分类模型的精度要求较高，其训练数据的标签便是保证精度的关键。该方法利用CLIQUE聚类算法进行工况划分，可以一定程度上提高运行效率和准确率。当然，还可选择其他的聚类算法进行工况划分，例如模糊C均值聚类算法(FCM)，FCM聚类算法在选择初始的聚类中心存在一定的随机性，特别是在大数据量聚类时，使用不良的初始聚类中心对聚类结果的影响更大。目前大多数的初始聚类中心选取方法均为随机选取，影响聚类精度，在聚类精度受影响的情况下势必导致最终对风电机组的健康状态评估不准。
发明内容
本发明的目的在于提供一种风电机组运行状态评估方法及装置，用以解决现有技术中对风电机组运行健康状态评估不准确的问题。
为解决上述技术问题，本发明提供了一种风电机组运行状态评估方法，包括如下步骤：
1)获取风电机组各工况参量的历史监测数据集，对各工况参量的历史监测数据集中的每一组历史监测数据进行特征提取，利用提取后的特征采用改进模糊C均值聚类算法对每一组历史监测数据进行聚类，将得到的聚类结果作为每一组历史监测数据的工况划分结果；其中，所述改进模糊C均值聚类算法的改进点在于采用如下方法确定初始聚类中心：
①计算每一个样本点xi的密度函数值，i＝1,2,…,n，n表示样本点的总个数：
其中xj表示第j个样本点，|| ||表示求取欧氏距离，
从中选择密度函数值较大的K个样本点构成筛选集，K＜n；
②从筛选集中挑选出距离最远的两个样本点作为初始聚类中心，判断此时挑选出的初始聚类中心的个数是否大于等于设定聚类中心要求个数：若大于等于，则将最终挑选出的样本点作为初始聚类中心；否则，将挑选出作为初始聚类中心的样本点从筛选集中删除，并对执行删除操作后的筛选集重新执行步骤②，直至挑选出的聚类中心的个数大于等于设定聚类中心要求个数；
2)利用已知工况划分结果的各工况参量的历史监测数据集对构建的工况辨识模型进行训练，得到训练好的工况辨识模型；获取风电机组各工况参量在评估时间段的监测数据，并输入至训练好的工况辨识模型中，得到风电机组在评估时间段所处的工况；
3)获取风电机组各状态参量在评估时间段的监测数据，并输入至与所处工况以及各状态参量对应的状态参量预测模型中，得到风电机组各状态参量在预测时间段的预测数据；
4)确定风电机组各状态参量在预测时间段的预测数据和在预测时间段的监测数据之间的差异，利用所述差异对风电机组的运行状态进行评估。
其有益效果为：本发明在对各工况参量的历史监测数据集加工况标签时，采用改进模糊C均值聚类算法进行聚类工况划分，该改进模糊C均值聚类算法的改进在于不再采用随机确定初始聚类中心的方法，而是利用各采样点的密度选择初始聚类中心，所选择的初始聚类中心的密度较大且各初始聚类中心之间的距离相对较远，防止随机选择初始聚类中心时造成的密度小的区域出现多个聚类分割块的情况出现，从而选择出更为合适的初始聚类中心。使用合适的初始聚类中心不仅能避免异常值和孤立点作为初始聚类中心对聚类造成的影响，还可以减少运行时间以提高计算的效率、帮助节省运算资源以及提高聚类准确度，从而保证了训练工况辨识模型的训练数据所加的标签是准确的，进而保证了工况辨识模型的预测精度，为后续风电机组运行状态评估的准确性打下基础。本发明可以灵敏地跟踪风机劣化过程，准确的评估风机运行的健康状态变化，对降低风机的运维成本和确保风电系统的安全、可靠运行具有重要的指导意义。
进一步地，所述改进模糊C均值聚类算法的聚类数目为：
其中，c*表示最终选择的聚类数；U*表示在最佳聚类数时的隶属度矩阵；U表示由隶属度u组成的隶属度矩阵；Ωc表示最优的有限集合；Rik表示第i类和第k类的模糊相关度；m表示权值；n为样本点的总个数；||xj-vi||和||xj-vk||表示样本点xj分别与聚类中心vi、vk之间的欧氏距离；uji和ujk表示样本点xj分别属于第i类和第k类的隶属程度，且
其有益效果为：采用模糊相关度函数确定最佳聚类数目，将模糊相关度较高的聚类块可适当聚合为一个聚类块，从而使得最终得到的各个聚类块之间的模糊相关度较小。
进一步地，所述各工况参量包括风速和功率；步骤1)中各工况参量的历史监测数据集为对各工况参量的历史原始监测数据集进行预处理后的各工况参量的历史监测数据集，所述预处理的方法包括：利用风电机组功率和风电机组风速采用CLIQUE聚类算法对各工况参量的历史原始监测数据集进行聚类，根据聚类结果将离群的历史原始监测数据进行剔除。
其有益效果为：先利用风速和功率将明显有问题的数据进行剔除，保证后续计算处理的精度。
进一步地，所述工况参量为从待选工况参量中筛选出的有效工况参量，筛选出的有效工况参量包括风速、功率、发电机转速、叶轮转速、扭矩和环境温度。
进一步地，步骤2)中所述工况辨识模型为随机森林模型；步骤3)中所述状态参量预测模型为BiGRU神经网络模型。
其有益效果为：选择随机森林模型，可以提高分类精度；比传统GRU神经网络相比，选择的BiGRU神经网络模型可以更有效地从海量数据中提取有价值的信息。
进一步地，所述状态参量为从待选状态参量中筛选出的有效状态参量，筛选方法为：采用FP-Growth算法挖掘待选状态参量与相关部件劣化模式的关联性，并选取关联性大于设定阈值的状态参量作为有效状态参量。
其有益效果为：采用FP-Growth算法从待选状态参量中筛选出有效状态参量，一方面避免使用过多状态参量造成计算量大的问题，另一方面选择更有效的状态参量可以提高评估精度。
进一步地，步骤4)中利用所述差异对风电机组的运行状态进行评估的手段为：利用差异计算得到风电机组的健康度指标值，根据健康度指标值对风电机组的运行状态进行评估，所述健康度指标值为：
其中，HI(t)表示风电机组在t时刻的健康度指标值；
表示第i个状态参量在t时刻的权重；n表示状态参量的总个数；
表示第i个状态参量在一个滑动窗口内的误差均值；m表示滑动窗口的时间长度；
表示第i个状态参量在t时刻的预测数据与监测数据之间的偏差，且
其中，
表示第i个状态参量在t时刻的预测数据；
表示第i个状态参量在t时刻的监测数据；σ表示设置的用于防止分母为0的实数。
其有益效果为：利用风机实时健康指标值实现对风机健康状态的量化评估及早期故障预警，而且，在计算
时在分母上设置一个实数σ，可以防止分母为0导致无法计算出
的情况出现。
进一步地，第i个状态参量在t时刻的权重
的更新公式为：
其中，
表示第i个状态参量在初始时刻的权重。
其有益效果为：利用滑动窗口内的误差均值
来计算权重
相较于使用
计算权重
的方式，防止某一时刻
的突变导致权重
突变而影响健康度指标值计算准确性的问题。
进一步地，所述根据健康度指标值对风电机组的运行状态进行评估的手段为：确定健康度指标值所处的健康度指标区间，根据所处的健康度指标区间确定风电机组的状态等级；其中，一个健康度指标区间对应一个状态等级，且共划分有5个健康度指标区间。
其有益效果为：划分5个健康度指标区间，可以精细划分风电机组运行状态。
为解决上述技术问题，本发明还提供了一种风电机组运行状态评估装置，所述评估装置包括处理器，所述处理器用于执行计算机程序指令以实现上述介绍的风电机组运行状态评估方法，并达到与该方法相同的有益效果。
附图说明
图1是本发明的工况辨识的流程图；
图2是本发明的风电机组运行状态评估方法的流程图；
图3是本发明所使用的BiGRU神经网络结构示意图；
图4是本发明的风电机组运行状态评估装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
风电机组运行状态评估方法实施例：
本发明的一种风电机组运行状态评估方法实施例，其整体流程如图2所示，过程如下：
步骤一，建立并训练随机森林模型，以得到工况辨识模型。整个过程如下：
1、从SCADA系统中获取风电机组待选工况参量的历史监测数据集，待选工况参量包括风速、功率、发电机转速、叶轮转速、扭矩、环境温度、齿轮箱油温、平均桨距角等众多工况参量。历史监测数据集包括多组历史监测数据，一组历史监测数据为某一时刻的风速、功率、发电机转速、叶轮转速、扭矩、环境温度、齿轮箱油温、桨距角等众多待选工况参量的具体取值数据。
2、利用待选工况参量中的风速和功率对历史监测数据集中的多组历史监测数据进行预处理，以剔除存在问题的数据，具体处理手段为：利用风速和功率采用CLIQUE聚类算法对工况参量的历史监测数据集进行聚类，根据聚类结果将离群的历史监测数据进行剔除，也即将功率和风速明显有问题的数据进行剔除。
3、对待选工况参量的历史监测数据集进行关联分析，筛选出有效工况参量，筛选出的有效工况参量包括：风速、功率、发电机转速、叶轮转速、扭矩和环境温度。
4、采用KPCA算法(核主成分分析算法)对筛选出的有效工况参量的历史监测数据集进行特征提取，将特征提取结果作为改进FCM聚类算法的输入进行聚类分析，将得到的聚类结果作为每一组历史监测数据的工况划分结果。一个聚类结果为风电机组的一种运行工况，从而按照该种方式为每一组有效工况参量的历史监测数据设置工况标签。本实施例所使用的改进FCM聚类算法包括两方面的改进，一方面是对如何选取初始聚类中心进行改进，另一方面是对如何选择聚类数目进行改进，下面具体介绍。
1)基于密度函数初始化FCM聚类算法的聚类中心，确定初始聚类中心的过程如下：
①给定样本数据集X＝{x1,x2,…,xn}，xi为第i个样本点，i＝1,2,…,n，n表示样本点的总个数；设定聚类中心要求个数c、计数次数t＝0。
②根据以下公式(1)和公式(2)计算每个样本点的密度函数值，将其进行降序排列，选择前n/2个值添加至集合E中。
其中，ρi表示样本点xi的密度值；n表示样本点的总个数；||xi-xj||表示样本点xi和样本点xj的欧式距离；
表示所有样本点的平均距离，即
③选取集合E中距离相对最远的两个样本点分别作为两个初始聚类中心v1、v2，并添加至集合V中，同时从集合E中删除v1、v2。
④继续从集合E中选取集合V中已有聚类中心最远的数据点作为新的聚类中心并添加至集合V中，同时将其从集合E中删除。
⑤判断集合V中已有聚类中心数目t是否满足t≥c，若满足则算法终止，输出最终的初始聚类中心V＝[v1,v2,…,vc](此种情况为t＝c的情况)，否则跳转至步骤4)继续进行筛选，直至满足t≥c。
2)利用模糊相关度函数确定最佳聚类数目。模糊相关度函数计算公式为：
式中，U表示由隶属度u组成的隶属度矩阵，c表示聚类数，Rik为第i类和第k类的模糊相关度，模糊相关度公式如下：
式中，m为权值；n为样本数据的大小；||xj-vi||和||xj-vk||分别表示样本点xj分别与聚类中心vi、vk之间的欧氏距离；uji和ujk表示样本点xj分别属于第i类和第k类的隶属程度，例如：
类与类之间的额定模糊相关度越小，代表聚类效果越好。令Ωc表示“最优”的有限集合，(U*；c*)表示最佳的有效聚类，c*表示最佳聚类数，U*表示在最佳聚类数时的隶属度矩阵。(U*；c*)需满足以下公式：
5、构建随机森林算法模型。利用带有工况标签的历史监测数据集的特征提取结果对随机森林模型进行训练，训练完成后便可得到工况辨识模型。
步骤二，获取风电机机组有效工况参量在评估时间段的监测数据，并经过KPCA进行特征提取，将特征提取结果输入至工况辨识模型，便可得到工况辨识结果，即风电机组在评估时间段所处的工况。步骤一至步骤二的整个过程如图1所示。
步骤三，建立并训练双向循环神经网络BiGRU模型，以得到状态参量预测模型。本实施例中的状态参量预测模型个数与有效状态参量的个数p1和工况个数p2有关，状态参量预测模型个数为p1*p2，即一种工况下的一种有效状态参量对应一个状态参量预测模型。下面对每个状态参量预测模型的训练过程进行详细介绍：
1、从SCADA系统中获取风电机组待选状态参量的历史监测数据集。根据风机知识和专家经验，从风机运维重点关注部件所涉参数中筛选出34个与机组状态具有较强相关的参量作为待选状态参量，详见表1。
表1
2、通过FP-Growth算法挖掘待选状态参量与相关部件劣化模式的关联性，并选取关联性大于0.6的待选状态参量作为有效状态参量。
3、基于工况划分结果，采用各工况对应有效状态参量的样本数据分别训练相应的双向循环神经网络BiGRU模型，训练完成后得到各工况下各有效状态参量对应的状态参量预测模型。BiGRU是由两个单向GRU上下叠加在一起组成而成，输出由这两个GRU的状态共同决定，这样可以增加模型的参数，有效提高模型的学习能力，因此BiGRU神经网络比传统GRU神经网络相比，可以更有效的从海量数据中提取有价值的信息，其模型结构如图3所示。
下面对其中一个有效状态参量预测模型为例进行介绍，其他有效状态参量预测模型的构建以及训练的过程类似。例如，对于工况为“恒功率运行”且有效状态参量为“功率”的有效状态参量预测模型，首先构建一个双向循环神经网络BiGRU模型，然后利用恒功率运行下的功率数据集，功率数据集包括多组功率数据，每一组功率数据包括不同时刻的功率数据，利用功率数据集对双向循环神经网络BiGRU模型进行训练，训练完成后得到工况为“恒功率运行”且有效状态参量为“功率”的有效状态参量预测模型。各个有效状态参量预测模型的实质在于利用历史数据预测其发展趋势，以得到未来时刻的数据。当然，对于预测某一种有效状态参量，其输入不一定只有该种有效状态参量，还可以涉及其他有效状态参量，这是因为各种有效状态参量之间都是会相互影响的，从其他有效状态参量的变化趋势也可窥见一斑，知晓需预测的有效状态参量的变化。
步骤四，获取风电机组有效状态参量在评估时间段的监测数据，并输入至与所处工况以及各有效状态参量对应的状态参量预测模型中，得到风电机组各有效状态参量在预测时间段的预测数据。
步骤五，计算风电机组有效状态参量在预测时间段的预测数据和在预测时间段的监测数据(为实时监测数据)之间的差异，采用动态权重的方法将一个滑动窗口内各有效状态参量的偏差值进行加权融合得到健康度指标值。健康度指标值具体计算公式如下：
式中，HI(t)表示风电机组在t时刻的健康度指标值；
表示第i个状态参量在t时刻的权重；n表示状态参量的总个数；
表示第i个状态参量在一个滑动窗口内的误差均值；m表示滑动窗口的时间长度；
表示预测数据与监测数据之间偏差，即
式中，
表示第i个状态参量在t时刻的预测值；
表示第i个状态参量在t时刻的实际监测值；σ表示设置的实数，其无限小以防止分母为零。
动态权重的更新公式如下：
步骤六，利用该健康度指标值采用分段式阈值方法对风电机组的当前状态进行等级划分。合专家经验知识将风机健康状态分为五种。如表2所示，等级5代表风机当前运行正常；等级4代表风机存在不明显的劣化，但仍处于安全运行状态；等级3代表风机存在较为初步的劣化趋势，此时应发出检修警告；等级2代表风机存在明显的劣化趋势，频繁出现故障，应停机检修；等级1代表风机劣化严重，此时风机系统将自动停机并发出报警。
表2
综上，本发明首先对机组运行工况参量进行关联分析，筛选出有效的工况参量，采用KPCA方法对工况参量进行特征提取，采用改进FCM聚类算法实现工况划分。其次采用FP-Growth算法选取状态评估参量，并基于工况划分结果在各子工况分别构建BiGRU模型预测各状态评估参量的变化情况。最后结合动态权重对多个评估参量的实际监测值与模型预测值的偏差进行加权分析，获得风机实时健康指标值，实现对风机健康状态的量化评估及早期故障预警。本发明可以灵敏地跟踪风机劣化过程，准确的评估风机运行的健康状态变化，对降低风机的运维成本和确保风电系统的安全、可靠运行具有重要的指导意义。
风电机组运行状态评估装置实施例：
本发明的一种风电机组运行状态评估装置实施例，如图4所示，包括存储器、处理器和内部总线，处理器、存储器之间通过内部总线完成相互间的通信和数据交互。存储器包括至少一个存储于存储器中的软件功能模块，处理器通过运行存储在存储器中的软件程序以及模块，执行各种功能应用以及数据处理，实现本发明的风电机组运行状态评估方法实施例中介绍的一种风电机组运行状态评估方法。
其中，处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。存储器可为利用电能方式存储信息的各式存储器，例如RAM、ROM等；也可为利用磁能方式存储信息的各式存储器，例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等；还可为利用光学方式存储信息的各式存储器，例如CD、DVD等；当然，还可为其他方式的存储器，例如量子存储器、石墨烯存储器等。
以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。
Claims (10)
1.一种风电机组运行状态评估方法，其特征在于，包括如下步骤：
1)获取风电机组各工况参量的历史监测数据集，对各工况参量的历史监测数据集中的每一组历史监测数据进行特征提取，利用提取后的特征采用改进模糊C均值聚类算法对每一组历史监测数据进行聚类，将得到的聚类结果作为每一组历史监测数据的工况划分结果；其中，所述改进模糊C均值聚类算法的改进点在于采用如下方法确定初始聚类中心：
①计算每一个样本点xi的密度函数值，i＝1,2,…,n，n表示样本点的总个数：
其中xj表示第j个样本点，|| ||表示求取欧氏距离，
从中选择密度函数值较大的K个样本点构成筛选集，K＜n；
②从筛选集中挑选出距离最远的两个样本点作为初始聚类中心，判断此时挑选出的初始聚类中心的个数是否大于等于设定聚类中心要求个数：若大于等于，则将最终挑选出的样本点作为初始聚类中心；否则，将挑选出作为初始聚类中心的样本点从筛选集中删除，并对执行删除操作后的筛选集重新执行步骤②，直至挑选出的聚类中心的个数大于等于设定聚类中心要求个数；
2)利用已知工况划分结果的各工况参量的历史监测数据集对构建的工况辨识模型进行训练，得到训练好的工况辨识模型；获取风电机组各工况参量在评估时间段的监测数据，并输入至训练好的工况辨识模型中，得到风电机组在评估时间段所处的工况；
3)获取风电机组各状态参量在评估时间段的监测数据，并输入至与所处工况以及各状态参量对应的状态参量预测模型中，得到风电机组各状态参量在预测时间段的预测数据；
4)确定风电机组各状态参量在预测时间段的预测数据和在预测时间段的监测数据之间的差异，利用所述差异对风电机组的运行状态进行评估。
2.根据权利要求1所述的风电机组运行状态评估方法，其特征在于，所述改进模糊C均值聚类算法的聚类数目为：
其中，c*表示最终选择的聚类数；U*表示在最佳聚类数时的隶属度矩阵；U表示由隶属度u组成的隶属度矩阵；Ωc表示最优的有限集合；Rik表示第i类和第k类的模糊相关度；m表示权值；n为样本点的总个数；||xj-vi||和||xj-vk||表示样本点xj分别与聚类中心vi、vk之间的欧氏距离；uji和ujk表示样本点xj分别属于第i类和第k类的隶属程度，且
3.根据权利要求1所述的风电机组运行状态评估方法，其特征在于，所述各工况参量包括风速和功率；步骤1)中各工况参量的历史监测数据集为对各工况参量的历史原始监测数据集进行预处理后的各工况参量的历史监测数据集，所述预处理的方法包括：利用风电机组功率和风电机组风速采用CLIQUE聚类算法对各工况参量的历史原始监测数据集进行聚类，根据聚类结果将离群的历史原始监测数据进行剔除。
4.根据权利要求1所述的风电机组运行状态评估方法，其特征在于，所述工况参量为从待选工况参量中筛选出的有效工况参量，筛选出的有效工况参量包括风速、功率、发电机转速、叶轮转速、扭矩和环境温度。
5.根据权利要求1所述的风电机组运行状态评估方法，其特征在于，步骤2)中所述工况辨识模型为随机森林模型；步骤3)中所述状态参量预测模型为BiGRU神经网络模型。
6.根据权利要求1所述的风电机组运行状态评估方法，其特征在于，所述状态参量为从待选状态参量中筛选出的有效状态参量，筛选方法为：采用FP-Growth算法挖掘待选状态参量与相关部件劣化模式的关联性，并选取关联性大于设定阈值的状态参量作为有效状态参量。
7.根据权利要求1所述的风电机组运行状态评估方法，其特征在于，步骤4)中利用所述差异对风电机组的运行状态进行评估的手段为：利用差异计算得到风电机组的健康度指标值，根据健康度指标值对风电机组的运行状态进行评估，所述健康度指标值为：
其中，HI(t)表示风电机组在t时刻的健康度指标值；
表示第i个状态参量在t时刻的权重；n表示状态参量的总个数；
表示第i个状态参量在一个滑动窗口内的误差均值；m表示滑动窗口的时间长度；
表示第i个状态参量在t时刻的预测数据与监测数据之间的偏差，且
其中，
表示第i个状态参量在t时刻的预测数据；
表示第i个状态参量在t时刻的监测数据；σ表示设置的用于防止分母为0的实数。
8.根据权利要求7所述的风电机组运行状态评估方法，其特征在于，第i个状态参量在t时刻的权重
的更新公式为：
其中，
表示第i个状态参量在初始时刻的权重。
9.根据权利要求7所述的风电机组运行状态评估方法，其特征在于，所述根据健康度指标值对风电机组的运行状态进行评估的手段为：确定健康度指标值所处的健康度指标区间，根据所处的健康度指标区间确定风电机组的状态等级；其中，一个健康度指标区间对应一个状态等级，且共划分有5个健康度指标区间。
10.一种风电机组运行状态评估装置，其特征在于，所述评估装置包括处理器，所述处理器用于执行计算机程序指令以实现如权利要求1～9任一项所述的风电机组运行状态评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211184857.4A CN115419558A (zh) | 2022-09-27 | 2022-09-27 | 一种风电机组运行状态评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211184857.4A CN115419558A (zh) | 2022-09-27 | 2022-09-27 | 一种风电机组运行状态评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115419558A true CN115419558A (zh) | 2022-12-02 |
Family
ID=84206761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211184857.4A Pending CN115419558A (zh) | 2022-09-27 | 2022-09-27 | 一种风电机组运行状态评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115419558A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842431A (zh) * | 2023-08-31 | 2023-10-03 | 中国船舶集团国际工程有限公司 | 一种钢结构健康监测评估方法 |
| CN117370827A (zh) * | 2023-12-07 | 2024-01-09 | 飞特质科(北京)计量检测技术有限公司 | 一种基于深度聚类模型的风机质量等级评估方法 |
| CN117454283A (zh) * | 2023-12-22 | 2024-01-26 | 深圳前海慧联科技发展有限公司 | 一种用于风电机组运行检测数据的状态评估方法 |
| CN117686861A (zh) * | 2024-02-04 | 2024-03-12 | 南京中鑫智电科技有限公司 | 多级参考基准的换流变阀侧套管绝缘状态监测方法及系统 |
| CN118013468A (zh) * | 2024-04-03 | 2024-05-10 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
-
2022
- 2022-09-27 CN CN202211184857.4A patent/CN115419558A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842431A (zh) * | 2023-08-31 | 2023-10-03 | 中国船舶集团国际工程有限公司 | 一种钢结构健康监测评估方法 |
| CN117370827A (zh) * | 2023-12-07 | 2024-01-09 | 飞特质科(北京)计量检测技术有限公司 | 一种基于深度聚类模型的风机质量等级评估方法 |
| CN117454283A (zh) * | 2023-12-22 | 2024-01-26 | 深圳前海慧联科技发展有限公司 | 一种用于风电机组运行检测数据的状态评估方法 |
| CN117686861A (zh) * | 2024-02-04 | 2024-03-12 | 南京中鑫智电科技有限公司 | 多级参考基准的换流变阀侧套管绝缘状态监测方法及系统 |
| CN117686861B (zh) * | 2024-02-04 | 2024-04-23 | 南京中鑫智电科技有限公司 | 多级参考基准的换流变阀侧套管绝缘状态监测方法及系统 |
| CN118013468A (zh) * | 2024-04-03 | 2024-05-10 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
| CN118013468B (zh) * | 2024-04-03 | 2024-06-11 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115419558A (zh) | 一种风电机组运行状态评估方法及装置 | |
| CN106555788B (zh) | 基于模糊处理的深度学习在液压装备故障诊断中的应用 | |
| CN111709490A (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
| CN112633317A (zh) | 基于注意力机制的cnn-lstm风机故障预测方法及系统 | |
| CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
| CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
| CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
| 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 | |
| CN113807570A (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
| CN114201920A (zh) | 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法 | |
| CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
| Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
| Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
| 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 | |
| CN113884807B (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN117744495A (zh) | 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法 | |
| CN117913806A (zh) | 一种融合知识驱动的LightGBM-GRU风电功率组合预测方法 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Luo et al. | research on rolling bearing fault identification method based on LSTM neural network | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN116933512A (zh) | 基于多参数融合的汽轮发电机组健康度评估与预测方法 | |
| Hao et al. | Demand forecasting for rush repair spare parts of power equipment using fuzzy C-means clustering and the fuzzy decision tree |
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 |