[發明專利]風電機組的能效評價與診斷方法、系統及介質

在審

• 申請號: 202111266250.6
• 申請日: 2021-10-28
• 公開（公告）號: CN114021932A
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 朱俊杰;王維海;王文鋒;王一冰;任鑫;李暉;趙登峰;尹偉偉;劉旭亮;吳昊;呂亮;祝金濤;武青;李遙宇
• 申請（專利權）人: 華能利津風力發電有限公司;中國華能集團清潔能源技術研究院有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/00;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 趙迪

1.一種風電機組的能效評價與診斷方法，其特征在于，包括以下步驟：

對風電機組的每個系統和設備依次進行機理分析，生成所述風電機組的鏈條式能效指標異常知識，并根據所述能效指標異常知識構建所述風電機組的本體能效診斷知識庫；

根據所述風電機組的運行數據對所述風電機組的工況進行劃分，并確定每個工況下的監測參數和能效指標的基準區間；

確定每個所述能效指標與對應的所述基準區間的基準值之間的差值，根據所述差值和每個能效指標的權重，對所述風電機組的運行能效狀態進行評價；

采集所述風電機組的實時運行數據，基于對應的基準區間對所述實時運行數據進行異常檢測，如果檢測出異常數據則對所述異常數據進行異常類型檢測，確定數據異常類型，以所述數據異常類型為故障征兆，并根據所述故障征兆構造異常事件網絡片段，根據所述造異常事件網絡片段在所述本體能效診斷知識庫中進行匹配和搜索，以診斷出所述異常數據對應的故障模式；

確定所述故障模式的候選故障原因、故障影響和維護措施，并構建因果圖模型，基于因果圖模型從所述候選故障原因中診斷出所述風電機組的最終故障原因。

2.根據權利要求1所述的方法，其特征在于，所述根據所述風電機組的運行數據對所述風電機組的工況進行劃分，包括：

對所述運行數據進行穩態篩選，獲得穩態數據；

通過K-均值聚類算法對所述穩態數據進行初步劃分，確定初始聚類數；

通過silhouette準則評價全部聚類點與對應的樣本數據間的相似度，并根據所述相似度確定最終聚類數，根據所述最終聚類數進行工況劃分。

3.根據權利要求1或2所述的方法，其特征在于，所述根據所述風電機組的運行數據對所述風電機組的工況進行劃分，還包括：選取多個特征變量，根據所述多個特征變量的個數，通過多步K-均值聚類算法劃分所述風電機組的的工況。

4.根據權利要求1所述的方法，其特征在于，所述確定每個工況下的監測參數和能效指標的基準區間，包括：

通過多元高斯混合模型剔除每個工況下的故障數據，生成正常數據訓練樣本，并通過所述正常數據訓練樣本訓練長短期記憶人工神經網絡LSTM；

針對每個監測參數和能效指標，獲取所述長短期記憶人工神經網絡LSTM輸出的多個參數預測值，以及對應的實際值；

計算每個所述參數預測值與所述實際值的差值，以與所述實際值的差值最大的參數預測值為目標參數預測值；

以所述目標參數預測值為中心，以所述目標參數預測值與所述實際值的差值的兩倍為區間長度構造所述基準區間。

5.根據權利要求1所述的方法，其特征在于，所述確定所述故障模式的候選故障原因、故障影響和維護措施，包括：

通過預設的自定義規則推理機自定義推導規則，根據所述推導規則確定所述故障模式對應的候選故障原因、故障影響和維護措施。

6.根據權利要求1所述的方法，其特征在于，所述構建因果圖模型，基于因果圖模型從所述候選故障原因中診斷出所述風電機組的最終故障原因包括：

構建結構性因果模型，根據所述結構性因果模型確定故障模式與故障征兆之間的因果關系，并對故障原因的先驗因子，以及故障原因與故障模式間的因果強度進行賦值，以構建因果圖模型；

根據所述因果圖模型確定所述故障模式的最小割集布爾表達式和不交化最終割集表達式；

根據所述不交化最終割集表達式確定所述故障模式發生的概率，并根據所述最小割集布爾表達式和所述不交化最終割集表達式，確定每個候選故障原因和所述故障模式共同發生的概率；

根據所述故障模式發生的概率，以及所述每個候選故障原因和所述故障模式共同發生的概率，確定每個候選故障原因在所述故障模式發生的條件下發生的概率；

根據所述每個候選故障原因在所述故障模式發生的條件下發生的概率的大小，確定所述風電機組的最終故障原因；

將確定的所述最終故障原因添加至所述本體能效診斷知識庫，以在下一次診斷時結合當前確定的所述最終故障原因進行先驗賦值。