[发明专利]基于BootStrap置信度计算的风电机组温度预警方法及其系统

说明书

本发明公开了一种基于BootStrap置信度计算的风电机组温度预警方法及其系统，属于风力发电机组领域，包括如下步骤：实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量N_n，计算异常率η；置信度计算触发条件为预设的异常率限值η_a，当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平；当置信度水平超出预警指标CL_limit时，则进行故障预警。本发明综合异常率与置信度水平计算，可极大降低误报警率。

技术领域

本发明涉及风力发电机组领域，特别是涉及一种基于BootStrap置信度计算的风电机组温度预警方法及其系统。

背景技术

近年来，风电产业得到了广泛发展，我国装机容量不断飙升，相配套的状态监测装置却相对落后，高额的运营成本降低了风电的经济效益。通过有效方法，监测风电机组运行状态，做出预防性维修，对于减少风电场运营成本、降低风电机组的运行风险具有重要意义。

风电机组状态监测传统方法是通过对一定频率范围内的震动信号分析实现的，但需要对监测部件逐一加装振动传感器，该方法由于施工成本过高而很难被风电工业广泛应用。风电场SCADA系统持续的采集了风电机组的上千个传感器的信号，数据中蕴藏着风电机组运行状态的相关信息，应用运行数据分析成为近年来国内外风电机组运行状态监测的主流。

目前领域内专家学者对风电机组状态监测、预警技术做了一系列研究。应用神经网络等机器学习算法对风电机组主部件温度进行分析研究，但依靠神经网络等机器学习算法建立的监测模型存在模型学习时间过长、学习效率过低问题，不适应于在线工程应用。采用非线性状态估计(NSET)方法建立齿轮箱等部件正常工作状态下的温度模型并用其进行温度预测，采用单一参数报警阈值不能适应复杂工况变化，容易出现漏报和误报。

发明内容

本发明的目的是提供一种兼顾风电机组运行环境的多变性和状态信息的复杂性的，并能大幅度降低误报率的基于BootStrap置信度计算的风电机组温度预警方法及其系统。

一方面，本发明提供一种包括基于BootStrap置信度计算的风电机组温度预警方法，包括如下步骤：

S1：对实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；

其中，所述预设的数据库中包括所述已划分的若干子工况和根据工况内参数分布确立的每个子工况的阈值限，所述子工况的划分根据历史数据特性综合评估划分得到，所述预设的数据库中还包括设定的置信度计算触发条件和预警指标CL_limit；

S2：在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；

S3：对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量N_n，计算异常率η；

S4:置信度计算触发条件为预设的异常率限值η_a，当异常率η超出异常率限值η_a时，则触发进行BootStrap置信度计算，计算置信度水平；

S5:当置信度水平超出预警指标CL_limit时，则进行故障预警。

进一步地，所述预设的数据库为通过对离线历史数据处理得到，具体步骤为：