[发明专利]一种风电机组健康状态实时评估方法

摘要

一种风电机组健康状态实时评估方法，所述方法首先基于风电机组历史运行数据，运用聚类技术实现风电机组运行工况的划分，并计算每种工况下的风电机组标准状态云模型；然后采用流式聚类算法对风电机组的实时数据流进行工况辨识，并计算机组实时状态的云模型；之后计算实时状态的云模型与标准状态云模型的偏离值并将其作为风电机组的健康指数；最后根据健康指数的大小对风电机组的健康状态进行评估。本发明利用云模型来描述风电机组的运行状态，并引入时间窗的方法来获取风电机组健康状态及发展趋势，该方法充分考虑了风电机组状态监测信息的不确定性，大大提高了评估结果的准确性，可为制定风电机组维护计划提供有力支撑。

主权项

1.一种风电机组健康状态实时评估方法，其特征是，所述方法首先基于风电机组历史运行数据，运用聚类技术实现风电机组运行工况的划分，并计算每种工况下的风电机组标准状态云模型；然后采用流式聚类算法对风电机组的实时数据流进行工况辨识，并计算机组实时状态的云模型；之后计算实时状态的云模型与标准状态云模型的偏离值并将其作为风电机组的健康指数；最后根据健康指数的大小对风电机组的健康状态进行评估；具体评估步骤如下：a.采用主成分分析方法从风电机组监测参数中选取出工况特征参数，建立工况特征集X(x₁,x₂,……,x_n)，x_i表示第i个特征参数，i＝1,2，…n，n表示特征参数总数；采用聚类算法h_c将风电机组的工况空间O聚类成m个运行工况子空间，即O＝f_O(X)＝(o₁,o₂…o_i…o_m)，o_i表示第i运行工况空间，将O作为风电机组的标准运行工况空间；b.对于每种标准工况下的风电机组状态数据，利用云变换的方法得出综合云a表示在第1个运行工况空间下用云变换方法获得的a个云模型，b表示第i个运行工况空间下用云变换方法获得的b个云模型，c表示第m个运行工况空间下用云变换方法获得的c个云模型,则G⁰可描述每种工况下的风电机组的标准状态；c.基于Spark采用流式聚类算法对风电机组的实时数据流进行聚类：首先基于时间滑动窗口将数据流按照时间进行分割，形成离散数据流，并将每段数据都转换成一系列的弹性分布数据集缓存在内存中，然后对每段数据用map计算每片数据中所有样本点到聚类中心的距离并归类，再用reduce更新聚类中心，重复上述过程直到完成聚类，定义时间滑动窗口内微簇的结构为CF＝[N,LS,SS,CS,BS,t,tl]，其中N为该微簇中包含数据点的个数，LS为数据元素属性线性和，SS为数据元素的平方和，CS为数据元素的立方和，BS为数据元素的四次方和，t是微簇生成时间，tl为微簇最后更新时间；d.在当前时间滑动窗口内，采用下面的方法计算每个微簇的云模型参数：期望Ex:二阶中心矩:四阶中心矩；:云模型的两个参数En和He按下式计算：e.将每一个云模型视为高斯云变换中的一个概念，将概念之间的交叠程度定义为概念含混度：CD＝He/En其中CD为概念含混度，En表示熵，He表示超熵，计算云模型之间的概念含混度，若两个云模型之间的概念含混度超过设定值，则采用以下方法将二者合并：机组当前的状态用综合云G'来表示：其中q为机组运行工况个数，表示第i个工况下用云变换的方法获得的e个云模型，i＝1,2，…q，d和f分别表示第1和第q个运行工况下用云变换方法获得云模型个数；给定两个云模型C₁(Ex₁,En₁,He₁)，C₂(Ex₂,En₂,He₂)，令合并后的云模型为C(Ex,En,He)，则有：En＝En'₁+En'₂其中，En'₁和En'₂的计算方法如下：设MECc₁(x)和MECc₂(x)分别是云模型C₁和C₂的期望曲线，并令则有其中，U是一个用精确数值表示的定量论域；云模型C(Ex,En,He)的期望曲线为f.计算风电机组的健康指数H：首先计算风电机组当前状态与标准状态的偏离度h：式中，ω_i为第i个云模型的权重系数，ω_j为第j个运行工况的权重系数，x_0k为第j个运行工况下表示机组标准状态的第k个云滴，x_ik为第j个运行工况下表示机组当前状态的第k个云滴，n′为第j个运行工况获得的云模型总个数，s为最近一段时间机组运行工况总数，r为总的云滴个数；风电机组的健康指数H为：H_t＝αH_t‑1+(1‑α)h_t式中：α用于平衡当前健康指数的观察值和历史观察值之间的关系；H_t：表示t时刻风电机组的健康指数；H_t‑1：表示t时刻的上一个时刻t‑1的风电机组健康指数；h_t：表示t时刻风电机组状态与标准状态的偏离度；g.根据健康指数的大小对风电机组的健康状态进行评估：健康指数为1时，机组处于完全健康状态，随着机组健康指数的减小，机组的健康状况逐渐恶化。