[发明专利]一种基于OC-RKELM的风电机组状态监测方法

说明书

一种基于OC‑RKELM的风电机组状态监测方法，包括如下步骤：步骤1：采集风电机组的运行数据、环境参数数据；步骤2：对采集到的风电机组数据进行清洗；建立风电机组正常运行数据的健康数据集；步骤3：基于风电机组的健康数据集，利用OC‑RKELM模型建立针对健康数据集的数学描述；步骤4：基于历史正常数据的分析来确定健康阈值，以判断运行数据是否隶属于风电机组健康数据集；步骤5：对风电机组实时运行数据进行相应的处理，基于OC‑RKELM模型判断其是否为正常运行数据，当满足预警条件时，对风电机组进行预警、停机检查。本发明人为干预少、实施简单，能有效地检测出风电机组发电机运行状态的异常，可以为风电场运维提供技术支持。

技术领域

本发明涉及风电技术领域，尤其涉及一种基于OC-RKELM的风电机组状态监测方法。

背景技术

为了应对环境污染和能源危机等问题，世界各国正在大力发展风电产业，风电机组累积装机容量不断增长。截止2019年底，全球风电机组装机容量已经达到了651GW，数十万台风电机组正在并网运行。风电机组的设计寿命通常为20年，在其服役的生命周期中，由于各种环境、载荷、材料等因素的不利影响，机组各个部件都不可避免地产生累积损伤、抗力衰减和功能退化，甚至会导致严重故障的发生。状态监测技术可以在装备故障前提前发现异常，从而为优化运维策略、降低运维成本提供技术支持。因此，发展风电机组的状态监测技术是提高风电场可靠性和经济性的关键之一。

现有的数据采集与监视控制(SCADA)系统状态监测技术仅通过对一维特征参数设定阈值来实现，只能发现极端的异常数据；现有的风电数据可视化分析技术需要有专业分析人员对风电机组的功率曲线等图表进行分析或由经验丰富的人员对风电场进行监控，人力成本较高且实时性较差；现有的基于神经网络建模的状态监测技术，其参数具有较强的随机性，模型的泛化性和稳定性难以保证。

发明内容

为了克服已有技术的不足，本发明提供了一种一种基于单分类简化核极限学习机(One-Class Reduced Kernel Extreme Learning Machine,OC-RKELM)的风电机组状态监测方法，该方法人为干预少、实施简单，能有效地检测出风电机组发电机运行状态的异常，可以为风电场运维提供技术支持。

本发明解决其技术问题所采用的技术方案是：

一种基于OC-RKELM的风电机组状态监测方法，包括如下步骤：

步骤1：采集风电机组的运行数据、环境参数数据，风电机组运行数据包括桨距角、发电机转速和有功功率，环境参数包括风速、风向和环境温度；

步骤2：对采集到的风电机组数据进行清洗，包括对缺失值、异常值进行处理；对待机、停机数据以及离群数据进行清除；建立风电机组正常运行数据的健康数据集；

步骤3：基于风电机组的健康数据集，利用OC-RKELM模型建立针对健康数据集的数学描述，其中，OC-RKELM模型输出的一维指标即表征了输入的实时运行数据与风电机组健康数据集中数据的相似程度；

步骤4：基于历史正常数据的分析来确定健康阈值，以判断运行数据是否隶属于风电机组健康数据集；

步骤5：对风电机组实时运行数据进行相应的处理，基于OC-RKELM模型判断其是否为正常运行数据，当满足预警条件时，对风电机组进行预警、停机检查。

进一步，所述步骤2的过程为：

步骤21：清除采集的数据中存在缺失的数据；清除超出参数给定范围的数据；

步骤22：为获取到纯净的风电机组正常运行数据，首先清除掉机组待机以及停机状态下的数据；其次，通过局部异常因子离群点检测算法，将严重偏离健康数据集群的离群数据去除；

步骤23：为消除量纲影响，对数据清理后的数据进行相应的归一化。