一种服役大型风电机组健康状态预测方法与流程

1.本发明属于风电机组技术领域，具体涉及一种服役大型风电机组健康状态预测方法。


背景技术：

2.风电成为我国一种重要电力来源，风力发电机组是将风能转化为电能的主要装备，其运行可靠性将会直接影响风电投资成本。随着风电技术的快速发展，风电机组结构更加大型，安装由浅海安装逐渐深远海，系统智能化程度越来越高，运行环境恶劣和设备的复杂，增加风电设备的健康维护成本。
3.风电行业希望由传统的事后维修趋向智能维护，事后维修效率低下，资源浪费严重，对风电运营经济性影响巨大，难以满足风电行业大型化和深海化发展的运维需求，智能维护成为当前更合理的风电机组维护策略，智能维护依据大数据技术和决策支持工具来预测和预防设备的潜在故障，设备健康状态预测是智能维护的关键。健康状态预测是健康管理的核心功能之一，占有非常重要的地位。
4.如何准确、及时地预测风电机组的健康状况，及早发现潜在的故障风险，为风电机组的在线健康预测提供保障，是当前风电智能维护所要解决的技术问题。


技术实现要素：

5.为解决上述技术问题，本发明提供一种服役大型风电机组健康状态预测方法。
6.具体方案如下：
7.一种服役大型风电机组健康状态预测方法，包括如下步骤,
8.s1)：通过特征筛选提取风电机组的健康特征，并构建风电机组的健康特征空间；
9.s3)：计算特征的加权马氏距离wmd，利用wmd构建风电机组的健康指数模型，将所述风电机组的健康指数模型嵌入到风电机组的控制系统中；
10.s3)：采用广义幂变换box-cox对所述的加权马氏距离wmd值进行转换，使其符合正态分布，采用3σ准则确定阈值,预测并并判断风电机组的健康状态。
11.所述加权马氏距离wmd以筛选后的特征为依据，根据特征的重要性赋予加权马氏距离不同的权重，并计算特征的协方差距离，所述特征的协方差距离的计算公式为；
[0012][0013]
为特征的协方差距离，ω
η
为权重，所述ω
η
是根据特征对于健康状态的敏感度来确定，为平均数，为标准差，η为第η个特征值，θ为健康特征总数。
[0014]
权重ω
η
的计算公式为：
[0015][0016]
jf(x
η
)为特征敏感度程度函数为，所述jf(x
η
)的计算公式为：
[0017][0018][0019]
其中，m
xη
为正常样本的第η个特征值，s
xη
为正常样本的第η个特征类内离散度，m
yη
为异常样本的第η个特征值，s
yη
为异常样本的第η个特征类内离散度。
[0020]
以wmd的值为评估指标，构建风电机组健康指数模型h
sf
，所述风电机组健康指数模型公式为，
[0021]
wmd的值在(0,+∞)之间变动，所述ε为调节指数，所述调节指数ε通过健康状态下的wmd的均值和置信水平确定，调节指数ε的计算公式为:
[0022][0023]
所述广义幂变换对wmd值进行转换的公式为：
[0024][0025]
式中为第k个特征的wmd值，wdmk为变换后的值，λ为box-cox的参数，参数λ由最大似然估计法求得，最大似然估计公式为，
[0026][0027]
利用3σ准则求得变换后的wmd值的警戒值和阈值的计算公式为
[0028][0029]
将变换后的wmd值的警戒值和阈值代入风电机组健康指数模型h
sf
，得到健康状态预测的警戒值和阈值
[0030]
若预测的值处于警戒值以内，则系统正常，反之则系统处
于非健康状态，需要及时维护
[0031]
本发明公开了一种服役大型风电机组健康状态预测方法，通过特征筛选方法提取健康特征并构建其特征空间，然后计算特征的加权马氏距离wmd，利用wmd构建风电机组的健康指数预测模型。采用3σ准则确定阈值并及时判断系统的健康状态，准确、及时地预测风电机组的健康状况，及早发现潜在的故障风险，为风电机组的在线健康预测提供保障。
附图说明
[0032]
图1是本发明的流程图。
具体实施方式
[0033]
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施，而不是全部的实施，基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0034]
本发明提供了一种服役大型风电机组健康状态预测方法方法，其中包括风电机组健康指数模型构建和健康状态预测两部，本发明提出一种改进mts方法，用于风电机组的健康管理，解决传统mts方法忽略特征的重要程度，导致基准空间不稳健、多重共线性数据情况下md(mahalanobis distance)计算困难等问题。
[0035]
一种服役大型风电机组健康状态预测方法，包括如下步骤,
[0036]
s1)：通过特征筛选提取风电机组的健康特征，并构建风电机组的健康特征空间；
[0037]
s3)：计算特征的加权马氏距离wmd，利用wmd构建风电机组的健康指数模型，将所述风电机组的健康指数模型嵌入到风电机组的控制系统中；
[0038]
s3)：采用广义幂变换box-cox对所述的加权马氏距离wmd值进行转换，使其符合正态分布，采用3σ准则确定阈值,预测并并判断风电机组的健康状态。
[0039]
所述加权马氏距离wmd以筛选后的特征为依据，根据特征的重要性赋予加权马氏距离不同的权重，并计算特征的协方差距离，所述特征的协方差距离的计算公式为；
[0040][0041]
为特征的协方差距离，ω
η
为权重，所述ω
η
是根据特征对于健康状态的敏感度来确定，为平均数，为标准差，η为第η个特征值，θ为健康特征总数。
[0042]
权重ω
η
的计算公式为：
[0043][0044]
jf(x
η
)为特征敏感度程度函数为，所述jf(x
η
)的计算公式为：
[0045]
[0046][0047]
其中，m
xη
为正常样本的第η个特征值，s
xη
为正常样本的第η个特征类内离散度，m
yη
为异常样本的第η个特征值，s
yη
为异常样本的第η个特征类内离散度。
[0048]
以wmd的值为评估指标，构建风电机组健康指数模型h
sf
，所述风电机组健康指数模型公式为，
[0049]
wmd的值在(0,+∞)之间变动，
[0050]
所述ε为调节指数，所述调节指数ε通过健康状态下的wmd的均值和置信水平确定，调节指数ε的计算公式为:
[0051][0052]
当系统健康状态恶化时系统的健康指数值趋近于1，正常工作时趋近于0。当ε＜1时，变换较为平缓，而当ε＞1时，在wmd值小于1时健康指数变化较大，可以增强健康状态识别的灵敏度。
[0053]
虽然系统的数据经过清洗、修正和筛选，但仍有可能存在误判，为提高判断结果的准确性，必须保证阈值有较高的置信度，本文采用3σ准则确定阈值。考虑到3σ准则要求数据分布服从正态分布或近似于正态分布，而在特征提取算法基础上计算的wmd值通常不服从正态分布，因此采用广义幂变换box-cox对wmd值进转化，使之服从正态分布。
[0054]
所述广义幂变换对wmd值进行转换的公式为：
[0055][0056]
式中为第k个特征的wmd值，wdmk为变换后的值，λ为box-cox的参数，
[0057]
box-cox变换的原理是数据在不同的区域被拉伸或压缩，λ参数曲线斜率较大区域的数据在变换后将被拉伸,变换数据的方差加大；参数曲线斜率较小区域的数据变换后被压缩，变换后该区域数据的方差变小。当λ＝0时，取值小的数据被拉伸,取值大的被压缩；λ＞1时则相反。因此box-cox变换需要根据输入数据的分布情况优化λ值，参数λ由最大似然估计法求得，最大似然估计公式为，
[0058][0059]
经过box-cox变换后的wmd值服从正态分布，利用3σ准则求得变换后的wmd值的警戒值和阈值的计算公式为
[0060][0061]
将变换后的wmd值的警戒值和阈值代入风电机组健康指数模型h
sf
，得到健康状态
预测的警戒值和阈值
[0062]
若预测的值处于警戒值以内，则系统正常，反之则系统处于非健康状态，需要及时维护。
[0063]
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种服役大型风电机组健康状态预测方法，其特征在于：包括如下步骤,s1)：通过特征筛选提取风电机组的健康特征，并构建风电机组的健康特征空间；s3)：计算特征的加权马氏距离wmd，利用wmd构建风电机组的健康指数模型，将所述风电机组的健康指数模型嵌入到风电机组的控制系统中；s3)：采用广义幂变换box-cox对所述的加权马氏距离wmd值进行转换，使其符合正态分布，采用3σ准则确定阈值,预测并并判断风电机组的健康状态。2.根据权利要求1所述的服役大型风电机组健康状态预测方法，其特征在于：所述加权马氏距离wmd以筛选后的特征为依据，根据特征的重要性赋予加权马氏距离不同的权重，并计算特征的协方差距离，所述特征的协方差距离的计算公式为；计算特征的协方差距离，所述特征的协方差距离的计算公式为；为特征的协方差距离，ω
η
为权重，所述ω
η
是根据特征对于健康状态的敏感度来确定，为平均数，为标准差，η为第η个特征值，θ为健康特征总数。3.根据权利要求2所述的服役大型风电机组健康状态预测方法，其特征在于：权重ω
η
的计算公式为：j
f
(x
η
)为特征敏感度程度函数为，所述j
f
(x
η
)的计算公式为：)的计算公式为：其中，m
xη
为正常样本的第η个特征值，s
xη
为正常样本的第η个特征类内离散度，m
yη
为异常样本的第η个特征值，s
yη
为异常样本的第η个特征类内离散度。4.根据权利要求1所述的服役大型风电机组健康状态预测方法，其特征在于：以wmd的值为评估指标，构建风电机组健康指数模型h
sf
，所述风电机组健康指数模型公式为，wmd的值在(0,+∞)之间变动，所述ε为调节指数，所述调节指数ε通过健康状态下的wmd的均值和置信水平确定，调节指数ε的计算公式为:5.根据权利要求1所述的服役大型风电机组健康状态预测方法，其特征在于：所述广义
幂变换对wmd值进行转换的公式为：式中为第k个特征的wmd值，wdm
k
为变换后的值，λ为box-cox的参数，参数λ由最大似然估计法求得，最大似然估计公式为，6.根据权利要求1所述的服役大型风电机组健康状态预测方法，其特征在于：利用3σ准则求得变换后的wmd值的警戒值和阈值的计算公式为将变换后的wmd值的警戒值和阈值代入风电机组健康指数模型h
sf
，得到健康状态预测的警戒值和阈值，若预测的值处于警戒值以内，则系统正常，反之则系统处于非健康状态，需要及时维护。

技术总结
本发明公开了一种服役大型风电机组健康状态预测方法，通过特征筛选方法提取健康特征并构建其特征空间，然后计算特征的加权马氏距离WMD，利用WMD构建风电机组的健康指数预测模型。采用3准则确定阈值并及时判断系统的健康状态，准确、及时地预测风电机组的健康状况，及早发现潜在的故障风险，为风电机组的在线健康预测提供保障。预测提供保障。预测提供保障。


技术研发人员：许守亮 陈志鹏 薄钧中 豆书贤 赵元军 姚瑞锋 李彦华 侯晓宁 陈慧婷 刘猛 孙言鹏
受保护的技术使用者：中国华电集团物资有限公司 华电（宁夏）能源有限公司
技术研发日：2023.06.26
技术公布日：2023/10/8