[发明专利]一种基于运行参数的风机性能分析方法

摘要

本发明公开了一种基于运行参数的风机性能分析方法，它包含如下步骤：通过相关测量元器件测得风场运行风机主要运行参数；利用相关性分析方法确定模型的输入变量，模型的输出变量为风机功率；基于Morlet小波神经网络构建风机功率预测模型；为了提高模型的预测精度，分别对模型的隐层节点数、学习因子及连接权值进行优化；采用自组织神经网络SOM对风机功率偏差聚类；采用马尔可夫模型计算风机的状态转移概率矩阵；通过分析风机的状态转移的概率评估风机异常状态。本发明基于风机运行参数的风机性能分析方法，和众多国内外风机性能分析、评估方法相比，具有所用数据量较小，评判过程简单易行，评判准确率较高等特点，所建模型有实际工程参考与应用价值。

主权项

1.一种基于运行参数的风机性能分析方法，其特征在于，它包含如下步骤：/n1).数据的采集/n通过相关测量元器件测得风场运行风机主要运行参数；/n2).相关性分析/n采用Pearson相关性分析公式计算风机主要运行参数与风机功率间的相关系数，其Pearson计算公式如下：/n /n式(1)中，r表示相关性系数，无量纲；x_i、y_i表示待计算的两个变量的第i个分量，i＝1，2，...，n；表示待计算的两个变量的平均值；/n采用公式(1)计算风机主要运行参数与风机功率间的相关系数后，将相关系数大于0.5的参数作为构建风机功率模型的输入变量，以风机功率作为模型的输出，采用Morlet小波神经网络构建风机功率模型：/n3).风机功率误差的计算/n接着利用如下公式计算某台风机功率预测偏差：/nDev＝p_measure-p_prediction (13)/n式(13)中，Dev为风机功率偏差，kW；p_measure为风机功率实测值；p_prediction为风机功率预测结果；/n4).采用自组织神经网络SOM对风机功率偏差聚类；/n5).计算风机的状态转移概率矩阵/n计算风机的状态转移概率矩阵(State Transition Probability Matrix，ST)和初始状态概率(Initial State Probability，IS)；ST和IS分别定义为：/n /nIS＝[c₁，c₂，...，c_n]_1×n (19)/n式(18)、(19)中，ST表示从一个状态转移到另一个状态的概率；IS表示开始时每个状态的初始概率；p_ij＝P(V_j|V_i)，c_i＝P(V_i)；P(V_j|V_i)表示在V_i条件下求V_j的概率；马尔可夫模型的无记忆性如下式所示：/nP(V_n|V_n-1，V_n-2，...，V₁)＝P(V_n|V_n-1) (20)/n式(20)中，V表示每一个状态；/n由条件概率可以得到：/n /n由于公式(20)为马尔可夫模型的无记忆性公式，所以公式(21)可由公式(20)进一步简化为：/n /n式(22)中，是状态V_n和V_n-1之间的状态转移概率，P(V₁¹)表示开始处于第1个状态的概率，可以通过统计各状态所包含的数据点出现的频率求得；/n6).风机异常状态概率的计算/n风机从State3转移到State4时，风机性能的异常值较小，将其定义为异常指数Al1；定义风机在State1至少停留2小时后直接转移到State4时风机存在严重的异常状态，将其定义为异常指数Al2；/nAl1可以表示为：/n /nAl2可以表示为：/n /n7).风机异常状态评估/n根据Al1和Al2的结果，比较不同风机的性能状态；对于同一台风机，比较Al1和Al2的大小来推断此风机当前的性能状态。/n