[发明专利]一种基于数据分析的风电机组故障诊断方法

权利要求书

1.一种基于数据分析的风电机组故障诊断方法，所述风电机组故障诊断方法是利用风电机组历史数据分析来诊断风电机组故障的；将风电机组历史数据分为：风电机组非故障状态运行数据、风电机组故障状态运行数据；并从历史数据库中剔除异常值；并从风电机组故障数据变化特性角度将故障数据分为机械与状态量、电气量、以及开关状态量三类；其特征在于，该故障诊断包括步骤如下：

S1、收集风电机组的历史数据：具体风电机组类型和参数；以及获取的现场数据信息；用于风电机组故障的明确辨识的基础信息资料；

S2、收集现场数据，对数据进行辨识，按照数据类型对数据进行分类与处理；所述收集的现场数据包括：叶轮系统相关故障数据、变桨系统相关故障数据、偏航系统相关故障数据、变频系统相关故障数据、发电机系统相关故障数据；

 S3、利用获取的基础信息资料对具体的风电机组进行初始故障建模；按照数据类型对数据进行分类与处理，

S4、基于风电机组历史数据对SCADA系统监测量按照数据性质与变化特性进行分类，并按照分类提取风电机组故障数据形成故障信息记录表格；其中SCADA系统，即数据采集与监视控制系统和以计算机为基础的DCS与电力自动化监控系统;

 S5、利用数据的变化特性与其与故障的关联关系将故障信息记录表格转化为故障样本事务集以供算法处理使用；

S6、利用故障样本事务集，运用FPGrowth算法对风电机组进行风电机组故障频繁项集、故障关联规则挖掘；

S7、根据专家经验以及理论知识，对以上得出的频繁项集与关联规则进行筛选，剔除显然无关联的项集与规则，并对其他的关联规则进行分析，挖掘故障发展的可能模式，并以此为依据完善故障模型；

S8、依据逐渐完善的故障模型，通过判断数据中故障特征信号的变化以及特定故障信号的关联规则，对风电机组进行故障诊断。

2.根据权利要求1所述基于数据分析的风电机组故障诊断方法，其特征在于，所述步骤S4中运用FPGrowth算法挖掘风电机组故障频繁项集、故障关联规则；具体实施步骤如下：

S41：故障监测量分类，从SCADA系统监测量中挑选出可能与风电故障相关的量，将其分为机械量、电气量以及开关状态量三类；

S42：形成故障信息记录表格；根据风电机组运行数据记录获取风电机组故障；将该故障时刻下的监测量数据记录下来，并按照机械量、电气量以及开关状态量三类分类形成故障信息记录表格；

S43：将步骤S42形成的故障信息记录表格转化为故障样本事务集，根据风电机组运行数据记录获取风电机组故障信息，将该故障时刻挑选出来的监测量集合视为一个事务，这些不同监测量将进行不同处理；具体包括：（1）因为机械量不会突变，所以当故障时刻机械量较正常运行时发生了越限行为，则认为该监测数据与故障可能相关；（2）对于电气量以及开关量，这些监测量可以突变，因此，在遇到这些量时可以将该故障时刻的前后时间量展开来分析，判断该监测量是否是在该故障时刻下发生改变；在传感器的采样频率以及故障发生的因果关系不明的情况下，可以认为这些监测量在该故障时刻前后的短时间内变化都是与故障相关；由此，可以得到风电机组故障事务集；（3）在挖掘故障与数据的关联关系时，应当以关联与否作为标准，相关联则将其值标记为1，不关联则将其值标记为0，通过这种方法，可以解决机械量、电气量以及开关状态量单位以及数值不统一的问题，也可以简化事务集；

S44：利用故障样本事务集，运用FPGrowth算法对风电机组进行风电机组故障频繁项集、故障关联规则挖掘；

S45：根据专家经验以及理论知识，对以上得出的频繁项集与关联规则进行筛选，剔除显然无关联的项集与规则，并对其他的关联规则进行分析，判断故障发展的可能模式，并以此为依据完善故障树模型；

S46：依据逐渐完善的故障树模型，通过判断数据中故障特征信号的变化以及特定故障信号的关联规则，对风电机组进行故障诊断。

3.根据权利要求1所述基于数据分析的风电机组故障诊断方法，其特征在于，所述步骤S6中 FPGrowth算法实施步骤如下：

1.）设定FP树最小支持度以及最小置信度；

2）扫描故障样本事务集，产生候选项集，根据最小支持度，对候选项集进行筛选产生频繁一项集；

3）依照支持度大小将频繁项集进行降序排列并按该顺序对故障样本事务集中所有项目重新排列；

4）.创建并初始化根节点为空；

5).依次加入故障样本事务集中各项集，代表各项集的路径上的节点的计数值增加1.当所有项集均加入故障样本事务集中时，FP树建立完成；

6).根据调整后的频繁项集，从支持度最小的频繁项开始，进行降序排列，并按该顺序依次构建FP树，并挖掘以该频繁项为后缀的频繁项集；

7).根据步骤6），直至构建支持度最大的频繁项的条件FP树并挖掘出以之为后缀的频繁项集，该频繁项集为该支持度最大的频繁项本身；

8) 根据最小支持度与最小置信度对频繁项集进行筛选，满足同时大于等于最小支持度与最小置信度条件的频繁项集可以得到强关联规则；在算法的工程应用中，需要人工指定挖掘的最小支持度与置信度，设定过小的支持度，好处是不会遗漏隐藏的关联关系，能更有效地挖掘潜在的故障发展路径；缺点是可能导致挖掘出大量冗余的频繁项集，增加无用的计算量并为数据分析带来困难；过大的支持度则会导致挖掘出的关联关系大多依据风电机组运行原理便可推导出来的，易遗漏隐藏的故障发展路径，从而失去了挖掘的价值。