[发明专利]一种海上风电机组自适应状态评估方法

说明书

本发明涉及一种海上风电机组自适应状态评估方法，包括：1：通过相关数据及信息，对历史状态数据动态划分，得到机组典型状态空间下状态数据集；2：采用字典学习方法，学习机组各状态中的初始字典，并作为模型重要参数储存；3：利用KL散度判断实时状态数据与历史数据集间的信息差异程度，当小于信息差异阈值时，将实时数据在各初始字典中稀疏分类，评估得到机组当前状态；4：在实时状态数据与各历史数据集间产生明显的信息差异时，将该实时数据作为状态空间里的增量集，在初始字典的基础上增加字典原子，得到学习后的增量字典，将实时数据在增量字典上稀疏分类，评估得到机组当前状态。与现有技术相比，本发明具有自适应状态评估等优点。

技术领域

本发明涉及海上风电机组状态评估技术领域，尤其是涉及一种海上风电机组自适应状态评估方法。

背景技术

海上风电是电力系统中增长最强劲的可再生能源之一。截至2019年底全球海上风电装机容量已超过29.1GW，其中新增装机容量突破6.1GW。与此同时，受海洋环境影响，海上风电机组运行工况多变、可及性差，设备故障率高、故障原因多样。在海上时变的运行工况下，风电机组状态评估方法也应追踪机组进行自适应调整，结合状态数据准确评估机组当前的状态是海上风电机组状态评估面临的一项重要挑战。

现有的海上风电机组状态评估研究，主要存在以下三个问题：1)从机组部件间电气耦合出发，分别建立独立的等效解析模型，从部件故障机理角度构建机械参量的变化来实行判别，此类方法并未考虑机组部件耦合带来的故障传递影响，此外，构建精确的整机物理模型是其准确评估的关键。2)状态评估模型理想化。默认机组状态空间数据不变，仅利用历史状态数据训练评估模型，此类方法从全寿命周期层面来看，难以覆盖机组的多种状态。3)由于机组状态评估模型准确性受训练数据的数量影响较大，训练集中以及机组各状态数据数量的不平衡性，采用机器学习方法将对识别结果造成一定的倾向性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种海上风电机组自适应状态评估方法，主要目标是在保证历史中出现的相同故障被准确识别的基础上，追踪匹配机组时变状态，补充机组状态空间数据，追求机组在全寿命周期中对典型状态自适应识别。

本发明的目的可以通过以下技术方案来实现：

一种海上风电机组自适应状态评估方法，包括以下步骤：

步骤1：通过海上风电机组状态监测数据和现场维护日志信息，对历史状态数据动态划分，得到机组典型状态空间下状态数据集；

步骤2：采用字典学习方法，学习机组各状态中的初始字典，并作为模型重要参数储存；

步骤3：利用KL散度判断实时状态数据与历史数据集间的信息差异程度，当不满足信息差异阈值时，将实时数据在各初始字典中稀疏分类，评估得到机组当前状态；

步骤4：在实时状态数据与各历史数据集间产生明显的信息差异时，将该实时数据作为状态空间里的增量集，在初始字典的基础上增加字典原子，得到学习后的增量字典，将实时数据在增量字典上稀疏分类，评估得到机组当前状态，同时更新步骤2中字典和状态空间中数据。

进一步地，所述的步骤1具体包括：通过海上风电机组状态检测数据和现场维护日志信息，对历史状态数据通过平衡迭代规约聚类动态划分，得到机组典型状态空间下状态数据集，所述机组典型状态空间下状态数据集中的样本数据线性和向量，其描述公式为：

式中，Σ_l为样本数据线性和向量，x_n为第N个机组状态数据样本，维数为D。

进一步地，所述机组典型状态空间下状态数据集中的样本数据线性和向量，其描述公式为：