本發(fā)明涉及風電技術(shù)領(lǐng)域，特別是涉及一種風機狀態(tài)評估與預(yù)測方法及系統(tǒng)。

背景技術(shù)：

每年風機故障損失的發(fā)電量和故障導(dǎo)致的維護費用都給風電場帶來巨大的經(jīng)濟損失。從減少故障維護時間和維護成本上講，風機健康情況的評估和故障預(yù)測機制是非常必要的。因此，一個能夠?qū)︼L機的健康狀態(tài)進行評估并且能夠?qū)︼L機故障進行預(yù)測的方法及系統(tǒng)是必要的。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種準確、可靠、有效的風機狀態(tài)評估與預(yù)測方法，能夠?qū)︼L機健康狀態(tài)實時監(jiān)測和評估，并對風機故障進行預(yù)測，從而使得風場工作人員能夠提前做出維護工作計劃，減小風場由于風機故障導(dǎo)致停機帶來的經(jīng)濟損失。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種風機狀態(tài)評估與預(yù)測方法，包括：從同一機型風機歷史數(shù)據(jù)中獲取健康時段數(shù)據(jù)，統(tǒng)計生成不同時空維度的指標參數(shù)的健康值范圍，并給定各參數(shù)與健康值范圍的偏離程度所對應(yīng)的權(quán)值，建立健康模型；將同一機型風機歷史數(shù)據(jù)中同一參數(shù)的變化情況視為一個空間域，提取帶有風機故障的時空中指標參數(shù)的變化趨勢和范圍，建立故障模型；將實時監(jiān)測的風機參數(shù)與所述健康模型比對，若當前參數(shù)超出其健康值范圍，根據(jù)偏離程度所對應(yīng)的權(quán)值計算并輸出風機當前的健康狀態(tài)值；將實時監(jiān)測的風機參數(shù)從當前時刻向前回溯不同時段內(nèi)的變化情況與所述故障模型比對，獲得各時段參數(shù)的變化情況與所述故障模型的重合度，當最大重合度超過預(yù)設(shè)閥值時輸出告警。

作為進一步地改進，所述當最大重合度超過預(yù)設(shè)閥值時，還根據(jù)該重合度匹配的故障模型預(yù)測可能發(fā)生的后續(xù)事件。

所述同一機型風機歷史數(shù)據(jù)先經(jīng)過清洗、去臟、修復(fù)的預(yù)處理過程。

所述各參數(shù)的健康值范圍通過數(shù)據(jù)挖掘技術(shù)獲得，所述數(shù)據(jù)挖掘技術(shù)為分類算法、回歸算法、神經(jīng)網(wǎng)絡(luò)、聚類或基于時間序列的預(yù)測算法。

所述各參數(shù)與健康值范圍的偏離程度所對應(yīng)的權(quán)值通過結(jié)合規(guī)則庫與業(yè)務(wù)知識給定初始值，并通過自學習和/或人工修改方式提高準確度。

一種風機狀態(tài)評估與預(yù)測系統(tǒng)，包括：健康模型建立模塊，用于從同一機型風機歷史數(shù)據(jù)中獲取健康時段數(shù)據(jù)，統(tǒng)計生成不同時空維度的各參數(shù)的健康值范圍，并給定各參數(shù)與健康值范圍的偏離程度所對應(yīng)的權(quán)值，建立健康模型；故障模型建立模塊，用于將同一機型風機歷史數(shù)據(jù)中同一參數(shù)的變化情況視為一個空間域，提取帶有風機故障的時空中各參數(shù)的變化趨勢和范圍，建立故障模型；健康模型比對模塊，將實時監(jiān)測的風機參數(shù)與所述健康模型比對，當所述參數(shù)超出其健康值范圍時，根據(jù)偏離程度所對應(yīng)的權(quán)值計算并輸出風機當前的健康狀態(tài)值；故障模型比對模塊，用于將實時監(jiān)測的風機參數(shù)從當前時刻向前回溯不同時段內(nèi)的變化情況與所述故障模型比對，獲得各時段參數(shù)的變化情況與所述故障模型的重合度，當重合度超過預(yù)設(shè)閥值時輸出告警。

作為進一步地改進，還包括預(yù)測模塊，用于當最大重合度超過預(yù)設(shè)閥值時，根據(jù)該重合度匹配的故障模型預(yù)測可能發(fā)生的后續(xù)事件。

還包括數(shù)據(jù)預(yù)處理模塊，用于對所述風機歷史數(shù)據(jù)進行清洗、去臟、修復(fù)的預(yù)處理。

所述各參數(shù)的健康值范圍通過數(shù)據(jù)挖掘技術(shù)獲得，所述數(shù)據(jù)挖掘技術(shù)為分類算法、回歸算法、神經(jīng)網(wǎng)絡(luò)、聚類或基于時間序列的預(yù)測算法。

所述各參數(shù)與健康值范圍的偏離程度所對應(yīng)的權(quán)值通過結(jié)合規(guī)則庫與業(yè)務(wù)知識給定初始值，并通過自學習和/或人工修改方式提高準確度。

由于采用上述技術(shù)方案，本發(fā)明至少具有以下優(yōu)點：

本發(fā)明提供了一種風機狀態(tài)評估與預(yù)測方法及系統(tǒng)，分別從風機健康狀態(tài)實時檢測、故障預(yù)測兩個方面對風機運行狀態(tài)進行評估，評估結(jié)果準確、可靠、有效，利于風場工作人員提前做出維護工作計劃，從而減少了由于風機發(fā)生故障后停機導(dǎo)致的人力費用、風機維修費用、風機故障損失電量等經(jīng)濟損失。

附圖說明

上述僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，以下結(jié)合附圖與具體實施方式對本發(fā)明作進一步的詳細說明。

圖1是健康指標參數(shù)的修改配置界面。

圖2是三維健康指標參數(shù)圖。

圖3是某指標參數(shù)偏離健康值的示例。

圖4是三維實時檢測模型圖。

具體實施方式

本發(fā)明提供了一種風機狀態(tài)評估與預(yù)測方法及系統(tǒng)，通過以平行空間理論作為理論支撐點，并從健康和故障兩個方面來進行建模，以大數(shù)據(jù)技術(shù)作為建模的技術(shù)手段，來創(chuàng)建基于平行空間的風機健康模型和故障模型，通過實時監(jiān)測數(shù)據(jù)與健康模型和故障模型的比對，對風機狀態(tài)評估與預(yù)測，以此來提高風機運行效率，減少風機維護帶來的損失。

本發(fā)明的風機狀態(tài)評估與預(yù)測方法，包括：從同一機型風機歷史數(shù)據(jù)中獲取健康時段數(shù)據(jù)，統(tǒng)計生成不同時空維度的指標參數(shù)的健康值范圍，并給定各參數(shù)與健康值范圍的偏離程度所對應(yīng)的權(quán)值，建立健康模型；將同一機型風機歷史數(shù)據(jù)中同一參數(shù)的變化情況視為一個空間域，提取帶有風機故障的時空中指標參數(shù)的變化趨勢和范圍，建立故障模型；將實時監(jiān)測的風機參數(shù)與所述健康模型比對，若當前參數(shù)超出其健康值范圍，根據(jù)偏離程度所對應(yīng)的權(quán)值計算并輸出風機當前的健康狀態(tài)值；將實時監(jiān)測的風機參數(shù)從當前時刻向前回溯不同時段內(nèi)的變化情況與所述故障模型比對，獲得各時段參數(shù)的變化情況與所述故障模型的重合度，當最大重合度超過預(yù)設(shè)閥值時輸出告警。進一步地，當最大重合度超過預(yù)設(shè)閥值時，還根據(jù)該重合度匹配的故障模型預(yù)測可能發(fā)生的后續(xù)事件。

其中，所述健康模型和故障模的構(gòu)建主要包括以下過程。

健康模型：數(shù)據(jù)平臺采集風機參數(shù)的歷史數(shù)據(jù)，通過對相同型號風機歷史數(shù)據(jù)的清洗、去臟、修復(fù)等工作，同時去除風機故障征兆期、停機、報警等時間段的數(shù)據(jù)，留下健康時間段的數(shù)據(jù)。以平行空間理論作為出發(fā)點，將健康模型的各個參數(shù)條件作為影響時空走向的各個因素，可以是各個風機參數(shù)(如風速、環(huán)境溫度、空氣密度、液壓壓力、發(fā)電時間等)的值，或者某幾個參數(shù)經(jīng)過某些運算得出的新的值，也可以是參數(shù)在某個時間段內(nèi)的頻率或是值的變化次數(shù)，例如將風向、偏航角度、風速這三個參數(shù)經(jīng)過主成份分析方法得出一個新的參數(shù)，該參數(shù)就是這三個參數(shù)經(jīng)過邏輯運算得出的新值。利用數(shù)據(jù)挖掘技術(shù)和規(guī)則庫等知識相結(jié)合，例如分類算法、回歸算法、神經(jīng)網(wǎng)絡(luò)、聚類、基于時間序列的一些預(yù)測算法等，采用R語言和mat l ab進行建模，計算出各個時空中各參數(shù)(如圖2所示的三維健康指標參數(shù))的健康值范圍，并結(jié)合規(guī)則庫以及業(yè)務(wù)知識給出具體空間內(nèi)各個指標初始不同幅度的越限權(quán)值，根據(jù)不同的權(quán)值來決定每個指標具體值的影響力的大小。而指標初始權(quán)值大小是業(yè)務(wù)人員根據(jù)業(yè)務(wù)知識和規(guī)則庫設(shè)定的。模型實時運行時會根據(jù)風機各個維度的健康值的范圍以及權(quán)值計算出可風機實時狀態(tài)的健康狀態(tài)值。其中，健康值范圍以及權(quán)值可以進行自學習以及用戶手動修改等方式進行準確度的提高，如圖1所示的健康值配置窗口可以通過用戶手動編輯修改。

故障模型：數(shù)據(jù)平臺采集風機參數(shù)的歷史數(shù)據(jù)，通過對相同型號風機歷史數(shù)據(jù)的清洗、去臟、修復(fù)等工作，將同一機型相同參數(shù)的值變化情況視為一個空間域，并提取帶有故障的一個時空多個相關(guān)參數(shù)變化趨勢、范圍作為故障模型。通過實時檢測風機各參數(shù)的當前時刻向前不同時段(假設(shè)當前時刻為T時刻，向前依次有t1、t2、t3、t4時刻，則此處所述的不同時段為T-t1、T-t2、T-t3、T-t4時段)的變化情況與故障預(yù)警模型的重合度判斷風機是否處于某故障的時空，并給出與各個故障模型(多個故障模型位于不同的故障時空中)重合度的值，根據(jù)風機所處時空分段后續(xù)事件對風機的運行狀態(tài)及故障進行預(yù)測。

上述過程中，對健康時段和非健康時段、風機影響時空維度的指標參數(shù)的選擇，生成各維度指標參數(shù)的范圍和模型比對等是本發(fā)明的重要步驟，而數(shù)據(jù)篩選、參數(shù)范圍的自學習、報警方式等為可選部分。

作為具體的實施例，本發(fā)明的風機狀態(tài)評估與預(yù)測方法可概括為下述過程：

健康模型：自定義風機健康狀態(tài)(例如，用戶可自己定義哪些為非健康時間段是需要去除的)→選擇風機影響時空維度的指標參數(shù)→生成所選擇的風機各個維度指標的健康值范圍→實時監(jiān)控風機健康狀態(tài)，查看風機當前時空維度內(nèi)各指標是否處于健康值范圍(如圖4是實時監(jiān)測風機三維數(shù)據(jù)，圖3是某指標參數(shù)偏離健康值的示例)→不滿足健康指標進行提示并存庫。

故障模型：選擇風機故障時空→生成風機故障模型→進行故障模型匹配→對匹配度達到設(shè)定值的風機進行預(yù)警。

綜上所述，本發(fā)明創(chuàng)造性的結(jié)合平行空間理論，風機故障的趨勢性、相關(guān)性、重復(fù)性思想，對風機進行健康情況的評估和故障的預(yù)測。通過采用分別從風機健康狀態(tài)實時檢測、故障預(yù)測兩個方面對風機運行狀態(tài)進行評估，評估結(jié)果準確，可靠，從而減少了由于風機發(fā)生故障后停機導(dǎo)致的人力費用、風機維修費用、風機故障損失電量等經(jīng)濟損失。

以上所述，僅是本發(fā)明的較佳實施例而已，并非對本發(fā)明作任何形式上的限制，本領(lǐng)域技術(shù)人員利用上述揭示的技術(shù)內(nèi)容做出些許簡單修改、等同變化或修飾，均落在本發(fā)明的保護范圍內(nèi)。