[發明專利]基于多模型組合的風電機組故障預警方法

在審

• 申請號: 202010584859.7
• 申請日: 2020-06-22
• 公開（公告）號: CN111798650A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 李洋;許宜菲;崔愷;安平;李志強;李雪松;孫佳;閻磊;馬良玉;劉衛亮
• 申請（專利權）人: 河北新天科創新能源技術有限公司
• 主分類號: G08B31/00
• 分類號: G08B31/00;G06Q10/04;G06F30/27;G06N3/08;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多模型組合的風電機組故障預警方法，其特征為，該方法包括以下步驟：

步驟1.采集大量風速、槳距角、轉矩設定、中軸線與風向夾角的SCADA、功率的歷史數據，采用多種神經網絡方法，分別建立風電機組切入-切出的全工況功率預測子模型；

步驟2.基于數據滑動窗口，利用功率預測子模型計算功率預測值時間序列，計算運行狀態指標；

步驟3.基于歷史運行數據，針對每一功率預測子模型，計算大量運行狀態指標值樣本，采用核密度估計方法計算運行狀態指標的概率密度函數；

步驟4.利用每一功率預測子模型，計算當前運行狀態指標值，并基于概率密度函數，確定故障預警命題的基本概率分配函數；

步驟5.采用證據理論對多個功率預測子模型的基本概率分配函數進行融合；

步驟6.將融合結果與設定的預警閾值進行比較，得出故障預警結論。

2.如權利要求1所述的一種基于多模型組合的風電機組故障預警方法，其特征在于建立的全工況功率預測子模型具體包括Elman神經網絡子模型、BP神經網絡子模型與GRNN神經網絡子模型，各模型的建立過程為：

采集大量風電機組SCADA系統所記錄的風速V、槳距角θ、轉矩設定T、中軸線與風向夾角α的歷史數據，針對每一神經網絡，構造樣本集D，

D＝{(X₁，t₁)，(X₂，t₂)，…，(X_i，t_i)，…}

其中，在t_i時刻，對于Elman神經網絡，有

對于BP神經網絡，有

對于GRNN神經網絡，有

其中Elman神經網絡子模型的輸入為t_i時刻的風速槳距角轉矩設定中軸線與風向夾角輸出為t_i時刻的功率輸入層神經元個數為4，隱含層神經元個數為N_Elman，輸出層神經元個數為1；隱含層神經元的激勵函數為tansig函數，輸出層神經元的激勵函數為purelin函數；

BP神經網絡子模型的輸入為t_i-1時刻的風速槳距角轉矩設定中軸線與風向夾角功率以及t_i時刻的風速槳距角轉矩設定中軸線與風向夾角輸出為t_i時刻的功率輸入層神經元個數為9，隱含層神經元個數為N_BP，輸出層神經元個數為1；隱含層神經元的激勵函數為tansig函數，輸出層神經元的激勵函數為purelin函數；

GRNN神經網絡子模型的輸入為t_i時刻的風速槳距角轉矩設定中軸線與風向夾角以及t_i-1時刻的功率，輸出為t_i時刻的功率；輸入層神經元個數為5，模式層神經元個數為N_GRNN，求和層神經元個數為N_GRNN+1，輸出層神經元個數為1。

3.如權利要求1所述的一種基于多模型組合的風電機組故障預警方法，其特征在于所述運行狀態指標的計算過程為：

在t_k時刻，構造數據滑動窗口：

其中，h為窗口寬度。

假設功率子模型的輸出為定義t_k時刻的運行狀態指標為窗口時間段風電機組功率預測值相對于其實際值的變化量與實際值的比值的均方根平均值：

。

4.如權利要求1所述的一種基于多模型組合的風電機組故障預警方法，其特征在于所述運行狀態指標的概率密度函數的計算過程為：采用核密度估計方法計算運行狀態指標的概率密度函數，即

其中，n為運行狀態指標樣本集中的樣本個數，為在任意狀態指標C處的總體密度函數f(C)的核密度估計，K()為核函數，h_k為核密度估計的窗寬。