一种基于模糊综合评判的风电机组状态参数异常辨识方法技术

本发明专利技术涉及一种基于模糊综合评判的风电机组状态参数异常辨识方法，该方法包括以下步骤：S1：根据状态参数广义模糊异常辨识模型的选择结果获取测试样本的平均绝对误差，得到各预测模型权重；S2：通过各预测模型实现对待分析时段的状态参数预测；S3：通过各预测模型的残差实现对状态参数的状况分析，得到各模型残差异常指数；S4：计算各指标的模糊隶属度，构成模糊评判矩阵，计算输出层评估值；S5：评估结果的输入依据隶属度最大原则，对应的评语作为评判结果。本发明专利技术采用的方法基于风电场SCADA数据，易于编程实现，能准确有效地反映参数的异常；综合考虑多个预测模型异常辨识结果可提高状态参数异常辨识的准确性。

【技术实现步骤摘要】

本专利技术属于新能源电力设备安全评估
，涉及一种基于模糊综合评判的风 电机组状态参数异常辨识方法。
技术介绍
风电场SCADA(Supervisory Control And Data Acquisition)系统中机组的状态 监测参数不仅是设备工作状况的体现，同时也蕴含机组健康状态的相关信息。基于SCADA系 统的机组状态参数异常工况识别，是获取风电机组可靠性信息的重要途径。然而，SCADA系 统中的状态参数易受风速、环境温度的影响，机组的异常信息容易被掩盖。 目前对机组状态参数进行异常识别的主要方法是建立风电机组状态的参数的预 测模型，并依据预测所产生的残差对机组状态进行辨识。此类方法的有效性和准确性主要 基于：1)预测模型能够准确的实现状态参数的预测。2)预测模型的数据样本均来源于机组 正常运行时。已有研究主要是通过优化预测模型的输入参数达到预测精度提高的目的，但 对数据样本的影响考虑较少。实际应用中，模型样本数据的选择对状态参数的预测和异常 辨识均有较大的影响。基于历史数据作为训练样本的预测模型，由于设备老化和维修会对 模型精度产生影响，基于近期数据作为训练样本的预测模型，由于含有异常运行时的数据 会对异常辨识的灵敏有较大的影响。因此，如何在样本有效性不确定的情况下提高预测模 型对状态参数异常辨识的准确性，是目前亟需解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于模糊综合评判的风电机组状态参数异 常辨识方法，该方法根据机组状态参数与机组工作特性的关联关系、机组状态参数与自然 环境的关联关系，建立状态参数的预测模型。分别以历史数据样本、近期数据样本、同类机 组数据样本建立状态参数预测模型，对比分析预测精度。并以此为基础，提出风电机组状态 参数的预测模型的选择方法和预测残差异常的量化分析方法，构建了状态参数异常辨识指 标体系，采用模糊评判的方法综合了多个预测模型的异常辨识结果。该方法能准确有效地 反映参数的异常；综合考虑多个预测模型异常辨识结果可提高状态参数异常辨识的准确 性。 为达到上述目的，本专利技术提供如下技术方案： -种基于模糊综合评判的风电机组状态参数异常辨识方法，包括以下步骤： S1:根据状态参数广义模糊异常辨识模型的选择结果获取测试样本的平均绝对误 差，并由公式(6)得到各预测模型权重ω1: S2 :通过各预测模型实现对待分析时段的状态参数预测；模型的预测采用窗口滚 动的方式，状态参数异常辨识时间间隔设定为6小时； S3:通过各预测模型的残差实现对状态参数的状况分析;残差特征统计分析的数 据选择只考虑处于样本取值范围内的状态参数点，其余预测点作为无效预测点；选取24小 时有效残差的累积数据，量化分析各模型状态参数异常程度，得到各模型残差异常指数 EAIi； S4:根据公式(3)-公式(5)计算各指标的模糊隶属度，构成模糊评判矩阵，采用公 式(7)计算输出层评估值； S5:评估结果的输入依据隶属度最大原则，即以bmax=max(bi)对应的评语li作为评 判结果。 进一步，在步骤S1中，状态参数广义模糊异常辨识模型的构架如下： 对应不同类型的数据样本，分别建立与之对应的状态参数预测模型，具体实现过 程分为以下4个步骤： 1)对当前SCADA系统中某段时间的监测数据进行采集，并获取需要进行分析的状 态参数时间序列和与之相对应的预测模型输入参数的时间序列； 2)对应各预测模型得到该数据样本下状态参数的预测值，并获取状态参数预测残 差的时间序列； 3)根据残差序列的异常量化方法计算各残差序列的异常指数，表征各预测模型下 的状态参数异常程度； 4)以所有残差序列的异常指数构造指标体系，采用模糊综合评判方法对状态参数 进行异常辨识。 进一步，在步骤S2中，所述状态参数的预测方法具体包括： 机组状态参的预测模型用于反映SCADA系统中各状态参数之间的关联关系，选取 需要分析的时间段，用预测模型对状态参数进行预测，若机组状态参数处于正常情况，则该 预测结果的残差特征与数据样本的残差特征相符;若机组状态参数处于异常情况，则该预 测结果的残差与数据样本的残差特征有明显差别;状态参数的预测模型构建方法包括以下 步骤:选择预测模型的输入参数;提取预测模型的训练样本及残差统计特性分析的测试样 本;分析预测模型的类型、结构和训练方法，采用训练样本进行训练； 具体如下： 1)输入参数的选择 预测模型中输入参数的选择分为两种类型，第1类状态参数与风速和环境温度相 关性较大，此类状态参数的预测以风速、环境温度和上一时温度作为模型的输入参数;第2 类状态参数与风速相关性较大，此类状态参数的预测以风速、桨距角与偏航角误差作为输 入参数； 2)样本数据的提取 预测模型的训练样本采取三种提取方式:第1种为本机近期样本，数据样本来源于 本台机组自身，数据样本时间段取于近期一个月内且不含待分析时间段数据;第2种为本机 历史样本，数据样本来源于本机，数据样本时间段取于上年中同月份;第3中为同类机组近 期样本，数据样本来源于风场同类型其他机组，数据样本时间段为近期一个月数据且包含 待分析时间段数据； 此外，所有样本数据的提取均不包含强迫停运事件，若该运行时段含有被迫停运 事件则应除去停运前2天内的数据;为保证残差分布建模含有充足的统计数据，设置训练样 本和测试样本的比例为6:4; 3)数据预处理 数据样本用于训练前首先对数据进行预处理，以保证数据的有效性和准确性，主 要包括:剔除无效数据、均值处理和归一化处理;此外，针对状态参数变化较快的参数，采用 1分钟平均处理，如转速和功率等;针对状态参数变化较慢的参数，采用10分钟平均处理，如 温度型参数； 4)预测模型的训练利用反向传播神经网络（BPNN)建立状态参数的预测模型；BPNN模型其结构组成 为：1个输入层、1个隐含层和1个输出层;其中，输入状态参数的个数等于模型输入层的节点 数，隐含层神经元个数由20尺独立试验训练网络确定，输出层节点数为1，隐层传递函数为 tansig型，输出层传递函数为logsig型。进一步，采用以下方法进行状态参数广义模糊异常辨识模型的建立： 1)预测残差的异常程度量化若机组状态参数为正常，则预测时间段内残差分布特征与训练样本的残差分布相 符；以此，建立基于残差分布模型的异常指数:若残差分布特性中预测残差处于概率密度取 值较大的取值范围，则该参数为正常;若残差分布特性中预测残差处于低概率密度取值区 间，则该参数为异常；依据上述原理以划分残差取值范围：以分位数〇.〇25、0.25、0.75、 0.975对应的残差值，将残差取值范围划分为3个区间； 定义残差异常指数(Error Abnormal Index,EAI)表征残差的异常程度，计算公式 如下： 式中，化为残差序列中取值处于区间i内的数目，(^为取值处于区间i内的惩罚因 子，设为;EAI越大，表明残差异常程度越高； 2)状态参数的模糊异常辨识 采用模糊综合评判方法进行参数的异常辨识，该方法的评判指标体系由输出层和 指标层组成：指标层为预测模型获取的残差异常指数EAL·，输出层为异常评判结果;此外， 对状态参数的异常等级划分为"正常"、"注意"和"异常"三种情况本文档来自技高网...

【技术保护点】
一种基于模糊综合评判的风电机组状态参数异常辨识方法，其特征在于：包括以下步骤：S1：根据状态参数广义模糊异常辨识模型的选择结果获取测试样本的平均绝对误差，并由以下公式得到各预测模型权重ωi：ωi=(1-MAEiΣi=1NMAEi)/Σi=1N(1-MAEiΣi=1NMAEi)=(1-MAEiΣi=1NMAEi)/(N-1)]]>式中，MAEi为预测模型i对测试样本进行预测的平均绝对误差值；S2：通过各预测模型实现对待分析时段的状态参数预测；模型的预测采用窗口滚动的方式，状态参数异常辨识时间间隔设定为6小时；S3：通过各预测模型的残差实现对状态参数的状况分析；残差特征统计分析的数据选择只考虑处于样本取值范围内的状态参数点，其余预测点作为无效预测点；选取24小时有效残差的累积数据，量化分析各模型状态参数异常程度，得到各模型残差异常指数EAIi；S4：计算各指标的模糊隶属度，构成模糊评判矩阵，计算输出层评估值；S5：评估结果的输入依据隶属度最大原则，即以bmax＝max(bi)对应的评语li作为评判结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：周湶，李剑，王飞鹏，陈伟根，杜林，王有元，万福，孙鹏，颜永龙，雷潇，张晓萌，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85