[发明专利]一种基于多维度SCADA数据评估风电机组健康状态评估方法

说明书

本发明公开了一种基于多维度SCADA数据评估风电机组健康状态评估方法，针对传统方法对于风电机组健康状态评估所用参数较为单一，导致评估不全面的问题，提取表征机组退化信息的多个特征参数。该方法通过经验Copula函数计算SCADA系统中参数间的互信息，互信息的大小可反映出此参数影响风机性能的程度。将互信息数值大的参数作为健康评估的对象，相比传统方法将风功率曲线作为评估的对象，本发明对于风电机组健康状态的评估更全面、准确。在模型中引入根据风速区间划分工况的方法。并将此方法与核主成分分析结合建立基于自适应KPCA的风电机组健康状态评估模型。本发明诊断结果表明该模型对风电机组健康评估结果优于传统方法的评估结果。

技术领域

本发明是一种应用于风电机组健康评估领域的方法，针对风电机组所处环境恶劣，维修维护成本高，对其进行实时评估和预测可减少维护费用，提高风机使用效率；属于预测与健康管理技术领域。

背景技术

风电机组的高可靠性是风力发电的根本要求，然而潮湿、腐蚀、风沙、震动、极寒和极热等恶劣运行环境，不完善的运行控制策略和设计安装缺陷导致风力发电装置总体可靠性较低。较低的可靠性导致风电场运行与维护费用居高不下，据统计海上风电场运行与维护费用占发电成本的30％～35％，而其中大约25％～35％为定期维护费用，65％～75％为事后维修费用。降低事后维修费用的一个有效方法就是应用状态监测技术进行故障的早期探测。因此，开展风电机组健康状态监测与评价研究，根据评价结果预先判断机组健康衰退趋势，合理调整运行并安排维修，对提高风电机组运行安全性和可靠性，降低运行与维护费用具有重要的意义。

预测与健康管理(Prognostic and health management,PHM)是一门新兴的工程学科，在提高机器可靠性和降低维护成本方面具有巨大的潜力。健康管理是为即将发生的故障制定最佳维护策略的过程。因此，在一个有效的PHM系统中，主要的任务包括机器退化的监控、机器异常的检测和潜在机器故障模式的诊断。在许多应用程序中，这些监控任务都是通过在线方式实现的，以便及时提取最新的机器健康信息，并与管理层同步，以支持决策。据相关工程资料表明，PHM技术能够减少维护成本、提升机器效率及工厂总效率：

A.通过减少备件、保障设备和维修人力等保障资源需求，降低维修保障费用；

B.通过减少维修，特别是计划外维修次数，缩短维修时间，提高战备完好率；

C.通过健康状态预测，减少突发机器故障造成的事故风险，提高任务完成效率。

对于风电机组的PHM方面，当前研究人员多数采用基于状态的维护方式对风电机组进行维护，即通过测量轴承等关键部位温度或者机舱震动等参数，根据与健康状态下运行参数的变差来预测风电机组健康状态。这种方法更有针对性且更精准，但风电机组所属环境恶劣，易受风速、风向、环境温度等影响，风电机组运行状态复杂，基于状态的维护方式只能反映当前状态，而没有办法对未来进行预测，提前预知故障信息。研究人员主要通过风电场数据采集与监视控制(SCADA)系统采集的大量数据进行数据挖掘与分析。利用SCADA数据研究风机性能退化程度主要思想是对风电机组的风功率曲线走势进行分析，对实际所得的风功率曲线与理论风功率曲线进行差异对比，将所得差异值量化为可以表征风机健康的指标。然而这类方法仅通过应用风功率曲线单一特征来评价风电机组健康状态，不能反映其复杂的状态信息。针对这一问题，通过对SCADA系统中所有参数进行分析和筛选，建立基于多维度SCADA参数的风电机组健康状态评估新方法。

发明内容

本发明针对现阶段对于复杂工况下风电机组状态评估方法采用的参数单一导致评估不全面的问题，提出了一种新的基于多维度SCADA参数的风电机组退化评估方法。该算法的核心思想是：通过对SCADA系统中所有参数分析和筛选，并计算参数间的互信息，将互信息的大小作为参数选择的指标来确定研究参数，之后针对风电机组的复杂工况根据风速区间的工况划分方法进行工况辨识，充分考虑风电机组运行过程中的动态性能，最后针对工况划分后的数据通过自适应核主成分分析提取主元进行健康状态评估。该方法相比传统风电机组健康评估方法更加精确。