一种风电机组关键部件多工况健康状态在线监测方法技术

本发明专利技术公开一种风电机组关键部件多工况健康状态在线监测方法，包括：从风电机组关键部件的历史监测数据中筛选有效状态变量，并进行特征向量提取；进行自适应工况划分，并基于工况划分结果构建基于BiLSTM‑GMM的多工况健康度基准模型及基于H‑SVM的工况识别基准模型；通过工况识别基准模型输出实时运行状态，将特征向量输入相应工况的健康度基准模型，得到风电机组关键部件的实时健康度；进行报警阈值的计算，基于实时健康度及报警阈值完成风电机组关键部件健康状态的在线监测。本发明专利技术能够对风电机组故障部件进行快速准确定位，且能够在故障停机前两到三天进行故障报警，从而运维人员能够有针对性地进行预修，提高运维效率。

【技术实现步骤摘要】
一种风电机组关键部件多工况健康状态在线监测方法
本专利技术涉及风力发电控制技术与计算机实时监测
，特别是涉及一种风电机组关键部件多工况健康状态在线监测方法。
技术介绍
随着人类社会和科学技术的进步，可再生能源终将取代不可再生能源，成为当今社会的一个共识。风能作为一种无污染、可再生的能源己经受到越来越多的关注。风机是利用风能对桨叶的作用力产生机械能，并通过发电装置转化为电能的一种发电工具。随着每年中国风机装机容量的增长，已连续多年占据全球风电装机容量排行榜榜首。然而风电行业快速发展的同时也带来全新挑战，风电场每年运维成本居高不下，运维费给运营商带来巨大的经济损失。一方面风电机组是一个复杂的机械系统，关键部件的故障频发，一旦故障发生不能及时锁定发生故障的关键部位，导致运维人员效率低，增加运营商的运维成本；另一方面，风电场位于山区等较偏于的地方，工作环境恶劣，对运行状况进行实时检查及健康度评估十分困难。因此，亟需一种风电机组关键部件的健康状态在线监测方法。
技术实现思路
本专利技术的目的是提供一种风电机组关键部件多工况健康状态在线监测方法，以解决现有技术存在的问题，能够实时准确地对风电机组关键部件的健康状态进行在线监测。为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种风电机组关键部件多工况健康状态在线监测方法，包括如下步骤：获取风电机组关键部件的历史监测数据并进行预处理；从风电机组关键部件历史监测数据的状态变量中筛选出有效状态变量，并对有效状态变量进行特征向量提取；对风电机组进行自适应工况划分，基于工况划分结果对历史监测数据进行贴标签处理；基于风电机组工况划分结果，构建基于BiLSTM-GMM的多工况健康度基准模型，采用基于改进的马氏距离对健康状态进行度量，并输出风电机组的健康度；构建基于H-SVM的工况识别基准模型，并利用贴标签处理后的历史监测数据对工况识别基准模型进行训练；获取风电机组关键部件的实时监测数据并进行归一化处理；通过工况识别基准模型输出实时监测数据的运行状态，将归一化处理后各有效状态变量的特征向量输入相应工况的健康度基准模型，得到风电机组关键部件的实时健康度；采用分段式阈值方法进行报警阈值的计算，基于实时健康度以及报警阈值完成风电机组关键部件健康状态的在线监测。优选地，历史监测数据预处理包括：采用基于平均距离的层次凝聚聚类方法对历史有功功率监测数据进行分析，将不需要的类别数据点设置为离群点并进行剔除；根据历史监测数据的时间戳关系，将有功功率离群点同时刻的其余变量值剔除；对剩余的历史监测数据进行归一化处理。优选地，基于BiLSTM-GMM的多工况健康度基准模型构建方法包括：首先，根据工况划分结构，在不同工况下分别使用双向长短时记忆神经网络BiLSTM算法对所有有效状态变量进行回归；然后，对有效状态变量的残差集集合采用高斯混合模型GMM进行多维空间拟合，得到基于BiLSTM-GMM的多工况健康度基准模型。优选地，基于改进的马氏距离对健康状态进行度量过程中，健康度HI的计算如式1所示：其中，采用滑动窗口分析方法对健康监测指标进行处理，T表示滑动窗口的宽度，α为常数，D(x)表示具有GMM中高斯函数权重的马氏距离，其中，D(x)的计算如式2所示：其中，wk表示基于BiLSTM-GMM的多工况健康度基准模型中第k个高斯分布所对应的权重，dk(x)表示第k个高斯分布中所有变量平均值与待测数据x之间的马氏距离。优选地，采用分段式阈值方法进行报警阈值的确定，其中，每一阶段对应风电机组不同的健康等级；分段式阈值方法的具体分段方法包括：第一阶段为从监测开始时刻到出现第一个健康度值小于Th1阈值的时刻，第二阶段为第一个健康度值小于Th1阈值的时刻到出现连续R个健康度值小于Th2阈值的时刻，第三阶段为出现连续R个健康度值小于Th2阈值的时刻到故障停机时刻；分段式阈值方法中阈值Th(t)的计算如式3所示：其中，Th1、Th2、Th3分别为阶段性阈值；HI、mean、std分别表示健康度值、健康度均值和健康度标准偏差；tts为在线评估时出现第一个健康值小于Th1的时刻；te表示出现连续R个健康度值均小于前一阈值的时刻，te+1时刻进行故障预报警。本专利技术公开了以下技术效果：本专利技术能够实时准确地监测风电机组关键部件健康状态在线监测，节省人力，减少人员调度；同时，本专利技术能够对故障部件进行快速准确定位，减少故障排查时间，且能够在故障停机前两到三天预知机组关键部件故障，从而运维人员能够有针对性地进行预修，提高运维效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术风电机组关键部件多工况健康状态在线监测方法流程图；图2为本专利技术实施例中基于BiLSTM-GMM的单工况健康度值计算方法流程图；图3为本专利技术实施例中基于H-SVM的工况识别方法流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。参照图1-3所示，本实施例提供一种风电机组关键部件多工况健康状态在线监测方法，包括如下步骤：步骤S1、数据预处理；从SCADA(SupervisoryControlAndDataAcquisition，数据采集与监视控制)系统中获取风电机组关键部件的历史监测数据，其中风电机组关键部件包括传动部件、偏航部件、风轮部件、制动部件；采用基于平均距离的层次凝聚聚类方法对历史有功功率监测数据进行分析，然后结合风机知识和专家经验将不需要的类别数据点设置为离群点进行剔除；根据历史监测数据的时间戳关系，将有功功率离群点同时刻的其余变量值剔除，并将剩余数据进行归一化处理，降低因变量量纲不同造成的干扰。步骤S2、状态变量筛选；采用灰色关联分析法对风电机组关键部件历史监测数据中的状态变量进行筛选，关联度值大于0.5的状态变量作为风电机组关键部件的有效状态变量。例如，对风电机组传动部件进行健康状态评估，其发电机转速(X0)为目标变量，对其与变量(X1～Xn)进行分析，其中n为历史监测数据中的状态变量的个数，分别计算X0和X0～Xn的灰色关联度，将关联度值大于0.5的状态变量选为有效状态变量。步骤S本文档来自技高网...

【技术保护点】
1.一种风电机组关键部件多工况健康状态在线监测方法，其特征在于，包括如下步骤：/n获取风电机组关键部件的历史监测数据并进行预处理；/n从风电机组关键部件历史监测数据的状态变量中筛选出有效状态变量，并对有效状态变量进行特征向量提取；/n对风电机组进行自适应工况划分，基于工况划分结果对历史监测数据进行贴标签处理；/n基于风电机组工况划分结果，构建基于BiLSTM-GMM的多工况健康度基准模型，采用基于改进的马氏距离对健康状态进行度量，并输出风电机组的健康度；/n构建基于H-SVM的工况识别基准模型，并利用贴标签处理后的历史监测数据对工况识别基准模型进行训练；/n获取风电机组关键部件的实时监测数据并进行归一化处理；/n通过工况识别基准模型输出实时监测数据的运行状态，将归一化处理后各有效状态变量的特征向量输入相应工况的健康度基准模型，得到风电机组关键部件的实时健康度；/n采用分段式阈值方法进行报警阈值的计算，基于实时健康度以及报警阈值完成风电机组关键部件健康状态的在线监测。/n

【技术特征摘要】
1.一种风电机组关键部件多工况健康状态在线监测方法，其特征在于，包括如下步骤：
获取风电机组关键部件的历史监测数据并进行预处理；
从风电机组关键部件历史监测数据的状态变量中筛选出有效状态变量，并对有效状态变量进行特征向量提取；
对风电机组进行自适应工况划分，基于工况划分结果对历史监测数据进行贴标签处理；
基于风电机组工况划分结果，构建基于BiLSTM-GMM的多工况健康度基准模型，采用基于改进的马氏距离对健康状态进行度量，并输出风电机组的健康度；
构建基于H-SVM的工况识别基准模型，并利用贴标签处理后的历史监测数据对工况识别基准模型进行训练；
获取风电机组关键部件的实时监测数据并进行归一化处理；
通过工况识别基准模型输出实时监测数据的运行状态，将归一化处理后各有效状态变量的特征向量输入相应工况的健康度基准模型，得到风电机组关键部件的实时健康度；
采用分段式阈值方法进行报警阈值的计算，基于实时健康度以及报警阈值完成风电机组关键部件健康状态的在线监测。


2.根据权利要求1所述的风电机组关键部件多工况健康状态在线监测方法，其特征在于，历史监测数据预处理包括：
采用基于平均距离的层次凝聚聚类方法对历史有功功率监测数据进行分析，将不需要的类别数据点设置为离群点并进行剔除；
根据历史监测数据的时间戳关系，将有功功率离群点同时刻的其余变量值剔除；
对剩余的历史监测数据进行归一化处理。


3.根据权利要求1所述的风电机组关键部件多工况健康状态在线监测方法，其特征在于，基于BiLSTM-GMM的多工况健康度基准模型构建方法包括：首先，根据工况划分结构，在不同工况下分别使用双向长短时记忆神经网络...

【专利技术属性】
技术研发人员：梁涛，孟召潮，谢高锋，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12