CN116025529B - 一种风电机组自主健康评估方法及自愈调控方法及系统 - Google Patents

Abstract

本发明提供一种风电机组自主健康评估方法及自愈调控方法及系统，涉及风力发电机组自主健康管理领域，提取风电机组的频发故障信息，并进行分类；对风电机组进行聚类分析；对风电机组的频发故障信息进行建模；对风电机组进行趋势预测，如出现故障，则进行告警提示；计算风电机组的劣化度、对风电机组的健康度进行评估；对风电机组进行分类辅助调控。本发明通过自愈调控系统对其进行停机、偏航或限功率运行，通过自愈调控，避免机组长期带病运行，降低风电场的发电损失的同时提升机组运行的安全性，提高风电场整体经济效益。

Description

一种风电机组自主健康评估方法及自愈调控方法及系统

技术领域

本发明涉及风力发电机组自主健康管理领域，尤其涉及一种风电机组自主健康评估方法及自愈调控方法及系统。

背景技术

风电机组是多部件协同工作且关联性强的复杂系统，且其运行工况复杂，运行环境恶劣，多部件相互作用是使其产生故障的终极原因。目前风电机组的设计寿命为20年，对于风电运营商而言最多关心的是机组的安全性、运行可靠性。

一般而言风电机组在临近5年质保期时，各种部件已开始出现不同程度的劣化，如何依据机组的运行状态劣化趋势评估机组整体健康指标，及早发现潜在故障并加以控制，是当前亟待解决的技术问题。

发明内容

本发明提供一种风电机组自主健康评估方法及自愈调控系统，系统保证机组安全高效运行，能够快速准确的溯源诊断并进行自愈调控，可实现在役机组的再制造，又能改变传统设计理念。

风电机组自主健康评估方法及自愈调控方法包括：

步骤一：提取风电机组的频发故障信息，并进行分类；

步骤二：对风电机组进行聚类分析；

步骤三：对风电机组的频发故障信息进行建模；

步骤四：对风电机组进行趋势预测，如出现故障，则进行告警提示；

步骤五：计算风电机组的劣化度、对风电机组的健康度进行评估；

步骤六：对风电机组进行分类辅助调控。

进一步需要说明的是，步骤一中，对全部风电机组的故障信息进行提取；

按部件、告警详细信息、告警等级、告警次数以及停机时长进行分类统计，并提取频发故障，针对频发故障进行建模。

进一步需要说明的是，步骤二中，使用K-Means聚类算法，对表现相似的风电机组进行聚类；

选择风电机组的性能评价指标作为聚类的特征，对风电机组进行聚类，把风电机组划分为几个簇，选择性能表现最优的簇内风电机组运行数据建模，簇内风电机组划分为训练集与测试集，其机组数量比例按4：1预留，分别对训练集与测试集内所有机组数据合并。

进一步需要说明的是，步骤三中，使用训练集数据进行模型训练，按照预设要求剔除风电机组故障数据；

依据机组运行机理，筛选出相应的特征指标，再对全部特征指标进行分析，根据Pearson相关系数分析结果，剔除特征之间的相关性高的指标，剩余指标输入模型，使用MLPRegressor算法对风电机组正常运行数据进行训练，获得风电机组的正常运行工况的模型，在训练集上做交叉验证后，选用SkLearn中的joblib导出故障预警模型，使用测试集机组进行模型准确度验证。

进一步需要说明的是，步骤三中，MLPRegressor算法由输入层，隐层，输出层组成，其调参公式如下：

h=a（1）

η=（2）

（1）式中h为隐含层内神经元数量，n为输入层单元数，m为输出层单元数，a为0 到10之间的常数；

（2）式中η为学习率,为神经元数量；

将测试集机组正常运行数据输入至故障预警模型中，获得预测数据，对预测数据和实际值进行残差分析，获取机组正常运行状态下的残差分布；

采用一个低通滤波器来对残差进行滤波，使用滑动窗口的方法来对残差曲线进行平滑化，最后使用3sigma法则获取残差最佳值与告警阈值。

进一步需要说明的是，步骤四中，对风电机组进行趋势预测是以2小时为一个时间窗，获取SCADA系统存储的秒级数据，将数据输入步骤三中导出的模型，得到各类特征量的预测值；

计算预测值与实际值的残差值，并与残差阈值进行对比，如果超过阈值且持续超过阈值一段时间，则认为该条数据存在性能降低的隐患，随机发布语音告警提示。

进一步需要说明的是，步骤五中，计算风电机组的劣化度包括：根据残差分析结果，计算机组特征指标劣化度；

（3）

（3）式中，g(x) 为劣化度（为实测残差值），[/>分别为残差下限和上限阈值，/>为残差最佳阈值，/>。

进一步需要说明的是，对风电机组的健康度进行计算包括：按照传动系统、变桨系统、控制系统、变流器、发电机、液压系统、振动七个维度，分别计算各风机各维度的劣化程度，各维度劣化度评估需要按照当前维度之中的评估指标权重进行计算，分析各维度劣化指标对风机整体健康度影响，赋予不同的权重，计算机组整体健康度；

（4）

（4）式中为各维度劣化度指标，/>为该劣化指标权重，H为机组健康度；

计算结果存储到mysql数据库，劣化度及健康度计算结果集采用MQTT协议发布，以用于辅助调控，故障预警信息通过json字符串形式推送至页面前端。

进一步需要说明的是，步骤六还包括：

I、对风电机组的劣化指标进行归类；

限功率类：健康度指标在65%<H<85%区间内的机组，且劣化指标包含温度超阈值、叶片结冰、功率超发等类型的给与限功率控制；

停机类：健康度指标在H<65%区间内的机组给与停机控制；

偏航类：偏航动态偏差劣化度低于85%，动态偏航补偿控制；

能量管理启停机频繁：调整启停机控制策略；

II、执行功率分配策略：在电网不限功率的情况下，一级性能优异机组自由发电不进行控制，二级初始劣化机组与三级严重劣化机组，进行告警提示，同时对其进行限功率控制，分别给与75%Pn、50%Pn限功率指令；在电网限功率情况下，计算限功率比例，并对不同健康状态机组给与不同指标控制；

（5）

式（5）中为当前全场限功率比率，AviP为当前全场可用功率，Pset为当前全场限功率指令；

三级严重劣化机组限功率指令为=/>*0.3*/>，二级机组初始劣化机组限功率指令为/>=/>*0.5*/>，其中/>为当前机组可用发电功率；剩余指令分配给一级健康状态机组，该类机组按照可用功率的比例分配；

III、配置并执行停机策略；

IV、配置并执行启机策略；

V、配置并执行偏航控制策略。

本发明还提供一种风电机组自主健康评估方法及自愈调控系统，系统包括：提取分类模块、聚类分析模块、故障建模模块、预测告警模块、健康度评估模块以及分类调控模块；

提取分类模块用于提取风电机组的频发故障信息，并进行分类；

聚类分析模块用于对风电机组进行聚类分析；

故障建模模块用于对风电机组的频发故障信息进行建模；

预测告警模块用于对风电机组进行趋势预测，如出现故障，则进行告警提示；

健康度评估模块用于计算风电机组的劣化度、对风电机组的健康度进行评估；

分类调控模块用于对风电机组进行分类辅助调控。

从以上技术方案可以看出，本发明具有以下优点：

本发明提供的风电机组自主健康评估方法对风电机组分类后进行建模，所得到的模型泛化能力更强，通用性更高。而且自主健康评估方法基于残差动态分析法创建告警阈值，提高了系统预警的准确率。

本发明提供的风电机组自主健康评估方法对风电机组不同部件、多维度特征指标的劣化程度进行了量化，创建了基于多维度权重模型的混合健康状态评估方法，提高了机组健康状态的可视性。

本发明通过自愈调控方式实现机组动态控制，在延长机组的使用寿命同时，提高了风电场整体的发电能力，实现了风电场经济效益最优。

附图说明

为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为风电机组自主健康评估方法及自愈调控方法流程图；

图2为故障预警模型训练流程图。

具体实施方式

如图1至2所示，本发明提供一种风电机组自主健康评估方法及自愈调控方法中所提供的图示仅以示意方式说明本发明的基本构想，本发明基于K-Means聚类分析对风电机组进行分类，针对运行工况相近的机组，基于前馈神经网络MLPRegressor算法实现机组故障预警建模，对机组关键部件参数趋势进行预测，并进行关键特征指标劣化度计算，基于多维度权重创建风电机组健康状态评估指标，最后根据机组健康度进行分类排序。

本发明对健康度欠佳机组予以报警提示，并通过自愈调控系统对其进行停机、偏航或限功率运行，通过自愈调控，避免机组长期带病运行，降低风电场的发电损失的同时提升机组运行的安全性，提高风电场整体经济效益。

本发明的风电机组自主健康评估方法及自愈调控方法可以基于人工智能技术对关联的数据进行获取和处理。

其中，人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。

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，所描述的实施例仅仅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。

本发明提供的风电机组自主健康评估方法及自愈调控方法包括：

步骤一：提取风电机组的频发故障信息，并进行分类；

本发明的实施例中，选用西北某2个风电场2.5MW双馈机组最近2年的SCADA运行历史数据进行分析，机组总数为60台。

首先对全部机组的故障告警信息进行分析，按部件、告警详细信息、告警等级、告警次数、停机时长等分类统计，并提取频发故障，针对频发故障建模。

其中，频发故障告警模型归类包括如下方式：

1、温度、温升模型；

具体涉及，齿轮箱油温、齿轮箱高低速轴温度、液压站油温、冷却单元温度预警；发电机三相绕组温度、前后轴承温度、滑环温度预警；变桨控制柜、变桨轴柜温度、机舱柜、塔基柜、变流器柜温度预警；变桨电机温度、IGBT模块温度异常。

2、压力模型；

具体涉及，齿轮箱油压、水冷系统压力、液压站油压、偏航油压预警。

3、偏航系统；

具体涉及，偏航速度过快、风向偏差、偏航频次过高、偏航方向错误。

4、控制系统；

具体涉及，发电机转速异常、转矩控制策略异常、运行欠速、功率过低；桨距轴1、2、3位置与设定值不一致、桨叶角度偏差过大、变桨速率异常、能量管理系统启停机频繁。

5、功率曲线、发电性能；

具体涉及，功率曲线离散度、符合度、机组不满发或超发、结冰或低温限功率模型。

6、振动；

具体涉及，机舱振动超限。

步骤二：对风电机组进行聚类分析；

由于风场运行机组较多，每个机组或多或少都有一些特性差异，针对某个机组训练的模型去预测其他机组时，往往会出现预测偏差较大的问题，为了提升预测模型的准确性、通用性，减少模型数量，可以先对全部机组进行分类后再做模型训练。

本发明的实施例中，使用K-Means聚类算法，对表现相似的机组进行了聚类。选择风电机组的性能评价指标作为聚类的特征，对风机进行聚类，把机组划分为几个簇，选择性能表现最优的簇内机组运行数据建模，簇内机组划分为训练集与测试集，其机组数量比例按4：1预留，分别对训练集与测试集内所有机组数据合并。

步骤三：对风电机组的频发故障信息进行建模；

具体来包括如下步骤：

I、模型训练。使用训练集数据进行模型训练，按照要求剔除机组故障数据。针对不同的故障预警模型，首先依据机组运行机理，筛选出相应的特征指标，再对全部特征指标进行分析，此处推荐使用pandas_profiling工具快速预览数据，根据Pearson相关系数分析结果，剔除特征之间的相关性较高的指标，剩余指标输入模型，使用神经网络算法MLPRegressor对机组正常运行数据进行训练，获得机组的正常运行工况的模型，在训练集上做交叉验证后，选用SkLearn中的joblib导出模型，使用测试集机组进行模型准确度验证。

II、MLPRegressor算法调参。从网络的层数、每层中的神经元数、初始权值以及学习速率等四个方面进行考虑。三层的神经网络可以实现多维单位立方体Rn到Rm 的映射，即能够逼近任何有理函数；网络层数增加可以更进一步地降低误差,提高精度，但同时也使网络复杂化，通过增加隐含层中的神经元数目来提高误差精度，隐含层取输入层的两倍，然后适当地加上一点余量；初始权值一般取在(-1,1)之间的随机数,也可选取在[-2.4/n,2.4/n] 之间的随机数,其中n为输入特征个数；学习速率选取0.01 ~0. 8，一般采用变化的自适应学习速率,使网络的训练在不同的阶段自动设置不同学习的速率。

MLPRegressor由三层功能神经元（functional neuron）组成（输入层，隐层，输出层），总结出调参经验公式如下：

h=a（1）

η=（2）

（1）式中h为隐含层内神经元数量，n为输入层单元数，m为输出层单元数，a为0 到10之间的常数。

（2）式中η为学习率,为神经元数量；在MLPRegressor中，只有当参数solver设置为’sgd’时使用。

III、阈值确定。将测试集机组正常运行数据输入故障预警模型中导出的模型，获得预测数据，对预测数据和实际值进行残差分析，获取机组正常运行状态下的残差分布，噪音的存在对预测结果的残差存在很大影响，采用一个低通滤波器来对残差进行滤波，使用滑动窗口的方法来对残差曲线进行平滑化，最后使用3sigma法则获取残差最佳值与告警阈值。

步骤四：对风电机组进行趋势预测，如出现故障，则进行告警提示；

其中，对风电机组进行趋势预测是以2小时为一个时间窗，获取SCADA系统存储的秒级数据，将数据输入步骤三中导出的模型，得到各类特征量的预测值。

计算预测值与实际值的残差值，并与残差阈值进行对比，如果超过阈值且持续超过阈值一段时间（持续时间可调），则认为该条数据存在性能降低的隐患，随机发布语音告警提示。

步骤五：计算风电机组的劣化度、对风电机组的健康度进行评估；

具体包括如下步骤：

I、劣化度计算。根据残差分析结果，计算机组特征指标劣化度。

（3）

式（3）中，g(x) 为劣化度（为实测残差值），[/>分别为残差下限和上限阈值，/>为残差最佳阈值，/>。

II、计算健康度。按照传动系统、变桨系统、控制系统、变流器、发电机、液压系统、振动等七个维度，分别计算各风机各维度的劣化程度，各维度劣化度评估需要按照当前维度之中的评估指标权重进行计算，分析各维度劣化指标对风机整体健康度影响，赋予不同的权重，计算机组整体健康度。

（4）

式（4）中为各维度劣化度指标，/>为该劣化指标权重，H为机组健康度。

III、健康等级评估。根据健康度指标划分机组健康等级为四级：

表1健康等级归类表

IV、计算指标发布。Python后台通过定时任务实现性能指标计算、模型趋势预测、劣化度计算、健康评估，相关任务执行周期一般设置为1小时，计算结果存储到mysql数据库，劣化度及健康度计算结果集采用MQTT协议发布，以用于辅助调控，故障预警信息通过json字符串形式推送至页面前端。

步骤六：对风电机组进行分类辅助调控。

作为本发明的步骤六来讲，还包括如下方式：

1、对风电机组的劣化指标进行归类；

限功率类：健康度指标在65%<H<85%区间内的机组，且劣化指标包含高温、叶片结冰、功率超发等类型的给与限功率控制；

停机类：健康度指标在H<65%区间内的机组给与停机控制；

偏航类：偏航动态偏差劣化度低于85%，动态偏航补偿控制；

能量管理启停机频繁：调整启停机控制策略。

2、执行功率分配策略：

功率分配策略：在电网不限功率的情况下，一级性能优异机组自由发电不进行控制，二级初始劣化机组与三级严重劣化机组，进行告警提示，同时对其进行限功率控制，分别给与75%Pn、50%Pn限功率指令；在电网限功率情况下，计算限功率比例，并对不同健康状态机组给与不同指标控制。

（5）

（5）式中为当前全场限功率比率，AviP为当前全场可用功率，Pset为当前全场限功率指令。

三级严重劣化机组限功率指令为=/>*0.3*/>，二级机组初始劣化机组限功率指令为/>=/>*0.5*/>，其中/>为当前机组可用发电功率；剩余指令分配给一级健康状态机组，该类机组按照可用功率的比例分配。

3、配置并执行停机策略；针对四级危险机组下发停机指令锁定，不允许进行启机操作；针对能量管理系统启停机控制频繁机组，优化后的停机策略为：对全部受控运行队列的机组按照发电量、能量管理停机次数排序两级排序，优先停止能量管理停机次数最少的机组，次数相同则优先停止发电量多的机组，取到当前机组后在满足限功率指令与实际功率均已低于停机临界值，执行停机操作。

4、配置并执行启机策略；对全部待风无故障机组按照健康度、风速进行二级排序，优先启动健康状态最优机组，健康状态相等则启动风速最大的机组，取到当前机组后在满足风速条件下下发启动指令。

5、配置并执行偏航控制策略：按照系统实时计算的动态偏航误差，下发偏航角度补偿指令，使风电机组处于最优对风位置，最大程度捕获风能。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

这样，基于风电机组自主健康评估方法及自愈调控方法可以根据机组的劣化曲线进行自愈调控，在快准预警的同时，大幅度减少停机及人为检修运维，并减少机器对人的依赖。

基于风电机组自主健康评估方法及自愈调控方法可以根据机组健康度进行分类排序，对健康度欠佳机组予以报警提示，并通过自愈调控系统对其进行停机、偏航或限功率运行，通过自愈调控，避免机组长期带病运行，降低风电场的发电损失的同时提升机组运行的安全性，提高风电场整体经济效益。

以下是本公开实施例提供的风电机组自主健康评估方法及自愈调控系统的实施例，该风电机组自主健康评估方法及自愈调控系统与上述各实施例的风电机组自主健康评估方法及自愈调控方法属于同一个发明构思，在风电机组自主健康评估方法及自愈调控系统的实施例中未详尽描述的细节内容，可以参考上述风电机组自主健康评估方法及自愈调控方法的实施例。

风电机组自主健康评估方法及自愈调控系统包括：提取分类模块、聚类分析模块、故障建模模块、预测告警模块、健康度评估模块以及分类调控模块；

提取分类模块用于提取风电机组的频发故障信息，并进行分类；

聚类分析模块用于对风电机组进行聚类分析；其中，聚类分析模块是基于K-Means聚类算法实现风电机组的分类，以减少不同工况及不同机型创建的模型个数。

示例性的讲，通过分析风电机组综合性能指标如发电性能、功率曲线、UTH、PBA、TBA，并对机组进行故障次数分类统计后，采用K-Means聚类算法，把全场机组划分为几个簇。针对同一个簇内机组，对工况进行划分后，剔除非正常运行工况数据，对正常数据合并后进行模型训练，提高模型的泛化能力，减少模型整体数量。

故障建模模块用于对风电机组的频发故障信息进行建模；在进行建模时，可以对同类机型、相似工况的全部数据合并分析，获取更多的故障及正常样本数据。

故障建模模块可以使用SCADA存储的1小时内的秒级数据为一个时间窗输入模型，并对预测值与实际值的残差值进行分析，为减少噪音影响，采用一个低通滤波器来对残差进行滤波，使用滑动窗口的方法来对残差曲线进行平滑化。

故障建模模块可以基于卷积神经网络算法中的MLPRegressor回归算法实现模型训练，模型的特征提取采用Pearson相关系数分析法，所述特征之间的相关性尽量降低，而与目标参数的相关性要尽可能大。

预测告警模块用于对风电机组进行趋势预测，如出现故障，则进行告警提示；

具体来讲，预测告警模块基于3法则确定残差分布的最佳值与告警阈值，计算特征指标劣化度。

当然本发明的系统中，关键部件的劣化度是通过残差值和告警阈值计算得到，再根据专家经验确定不同部件对机组整体健康度影响，给定其所占权重，劣化度与权重相乘后累加得到机组整体健康度指标。

健康度评估模块用于计算风电机组的劣化度、对风电机组的健康度进行评估；健康度评估模块可以创建多维度权重模型，计算机组健康度指标，并依据健康度指标对进行排序；

分类调控模块用于对风电机组进行分类辅助调控。风电机组自主健康评估方法及自愈调控系统对劣化机组给予限功率、停机、动态偏航控制，以提高机组运行稳定性。

本发明提供的系统还提供机组劣化指标的分类控制，针对偏航误差较大的机组，提供动态偏航补偿控制，针对过温、结冰机组提供限功率控制，针对低温停机机组自动下发加热器启动信号，针对低健康机组进行停机且不允许手动启机，针对能量管理系统启停机频繁机组，基于健康度、发电量、风速多级排序优化启停机控制策略。

系统中，风电机组自主健康评估采用Python语言开发，基于Django框架实现前后端搭建，采用MQTT协议实现实时数据、评估结果集、告警信息的发布，自愈调控系统通过MQTT协议订阅评估结果数据，对风电机组进行控制，为了保证控制系统的效率，自愈调控采用C++语言开发，通过MODBUSTCP协议实现控制指令下发。自愈调控系统中的SCADA历史数据、评估结果集、过程数据采用Mysql数据库存储，秒级数据以文本文件形式存放。

在本发明提供的风电机组自主健康评估方法及自愈调控方法及系统中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

风电机组自主健康评估方法及自愈调控方法及系统附图中的流程图和框图，图示了按照本公开各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。示例性的讲，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本发明提供的风电机组自主健康评估方法及自愈调控方法及系统中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

在本发明提供的风电机组自主健康评估方法及自愈调控方法及系统中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电力服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(示例性的讲利用因特网服务提供商来通过因特网连接)。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种风电机组自主健康评估及自愈调控方法，其特征在于，方法包括：

步骤一：提取风电机组的频发故障信息，并进行分类；

步骤二：对风电机组进行聚类分析；

步骤三：对风电机组的频发故障信息进行建模；

使用训练集数据进行模型训练，按照预设要求剔除风电机组故障数据；

依据机组运行机理，筛选出相应的特征指标，再对全部特征指标进行分析，根据Pearson相关系数分析结果，剔除特征之间的相关性高的指标，剩余指标输入模型，使用MLPRegressor算法对风电机组正常运行数据进行训练，获得风电机组的正常运行工况的模型，在训练集上做交叉验证后，选用SkLearn中的joblib导出故障预警模型，使用测试集机组进行模型准确度验证；

MLPRegressor算法由输入层，隐层，输出层组成，其调参公式如下：

h=a（1）

η=（2）

（1）式中h为隐含层内神经元数量，n为输入层单元数，m为输出层单元数，a为0 到10之间的常数；

（2）式中η为学习率, 为神经元数量；

将测试集机组正常运行数据输入至故障预警模型中，获得预测数据，对预测数据和实际值进行残差分析，获取机组正常运行状态下的残差分布；

采用一个低通滤波器来对残差进行滤波，使用滑动窗口的方法来对残差曲线进行平滑化，最后使用3sigma法则获取残差最佳值与告警阈值；

步骤四：对风电机组进行趋势预测，如出现故障，则进行告警提示；

对风电机组进行趋势预测是以2小时为一个时间窗，获取SCADA系统存储的秒级数据，将秒级数据输入步骤三中导出的故障预警模型，得到各类特征量的预测值；

计算预测值与实际值的残差值，并与残差阈值进行对比，如果超过阈值且持续超过阈值一段时间，则认为当前秒级数据存在性能降低的隐患，随机发布语音告警提示；

步骤五：计算风电机组的劣化度、对风电机组的健康度进行评估；

计算风电机组的劣化度包括：根据残差分析结果，计算机组特征指标劣化度；

（3）

式（3）中，g(x) 为劣化度，为实测残差值，[/>分别为残差下限和上限阈值，为残差最佳阈值，/>；

对风电机组的健康度进行计算包括：按照传动系统、变桨系统、控制系统、变流器、发电机、液压系统、振动七个维度，分别计算各风机各维度的劣化程度，各维度劣化度评估需要按照当前维度之中的评估指标权重进行计算，分析各维度劣化指标对风机整体健康度影响，赋予不同的权重，计算机组整体健康度；

（4）

式（4）中为各维度劣化度指标，/>为该劣化指标权重，H为机组健康度；

计算结果存储到mysql数据库，劣化度及健康度计算结果集采用MQTT协议发布，以用于辅助调控，故障预警信息通过json字符串形式推送至页面前端；

步骤六：对风电机组进行分类辅助调控。

2.根据权利要求1所述的风电机组自主健康评估及自愈调控方法，其特征在于，

步骤一中，对全部风电机组的故障信息进行提取；

按部件、告警详细信息、告警等级、告警次数以及停机时长进行分类统计，并提取频发故障，针对频发故障进行建模。

3.根据权利要求1所述的风电机组自主健康评估及自愈调控方法，其特征在于，

步骤二中，使用K-Means聚类算法，对风电机组进行聚类分析；

选择风电机组的性能评价指标作为聚类的特征，对风电机组进行聚类，把风电机组划分为几个簇，选择性能表现最优的簇内风电机组运行数据建模，簇内风电机组划分为训练集与测试集，其机组数量比例按4：1预留，分别对训练集与测试集内所有机组数据合并。

4.根据权利要求1所述的风电机组自主健康评估及自愈调控方法，其特征在于，步骤六还包括：

I、对风电机组的劣化指标进行归类；

限功率类：健康度指标在65%<H<85%区间内的机组，且劣化指标包含温度超阈值、或叶片结冰、或功率超发，则给与限功率控制；

停机类：健康度指标在H<65%区间内的机组给与停机控制；

偏航类：偏航动态偏差劣化度低于85%，动态偏航补偿控制；

能量管理启停机频繁：调整启停机控制策略；

II、执行功率分配策略：在电网不限功率的情况下，一级性能优异机组自由发电不进行控制，二级初始劣化机组与三级严重劣化机组，进行告警提示，同时进行限功率控制，分别给与75%Pn、50%Pn限功率指令；在电网限功率情况下，计算限功率比例，并对不同健康状态机组给与不同指标控制；

（5）

式（5）中为当前全场限功率比率，AviP为当前全场可用功率，Pset为当前全场限功率指令；

三级严重劣化机组限功率指令为=/>*0.3*/>，二级机组初始劣化机组限功率指令为/>=/>*0.5*/>，其中/>为当前机组可用发电功率；剩余指令分配给一级健康状态机组，该一级健康状态机组按照可用功率的比例分配；

III、配置并执行停机策略；

IV、配置并执行启机策略；

V、配置并执行偏航控制策略。