[發明專利]一種風電機組運行狀態評估方法及裝置

在審

• 申請號: 202211184857.4
• 申請日: 2022-09-27
• 公開（公告）號: CN115419558A
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 馬運亮;謝高鋒;楊云鵬;夏路甲;王虎森;冉茂兵;常玉峰;韋祥遠;張俊嶺;許垚;李浩林;陳春宇;束芳芳;王志磊;王亞楠;汪俊靜;劉春波;張晨曦
• 申請（專利權）人: 許繼電氣股份有限公司
• 主分類號: F03D17/00
• 分類號: F03D17/00;G06K9/62
• 代理公司: 鄭州睿信知識產權代理有限公司 41119
• 代理人: 史萌楊

1.一種風電機組運行狀態評估方法，其特征在于，包括如下步驟：

1)獲取風電機組各工況參量的歷史監測數據集，對各工況參量的歷史監測數據集中的每一組歷史監測數據進行特征提取，利用提取后的特征采用改進模糊C均值聚類算法對每一組歷史監測數據進行聚類，將得到的聚類結果作為每一組歷史監測數據的工況劃分結果；其中，所述改進模糊C均值聚類算法的改進點在于采用如下方法確定初始聚類中心：

①計算每一個樣本點x_i的密度函數值，i＝1,2,…,n，n表示樣本點的總個數：其中x_j表示第j個樣本點，|| ||表示求取歐氏距離，從中選擇密度函數值較大的K個樣本點構成篩選集，K＜n；

②從篩選集中挑選出距離最遠的兩個樣本點作為初始聚類中心，判斷此時挑選出的初始聚類中心的個數是否大于等于設定聚類中心要求個數：若大于等于，則將最終挑選出的樣本點作為初始聚類中心；否則，將挑選出作為初始聚類中心的樣本點從篩選集中刪除，并對執行刪除操作后的篩選集重新執行步驟②，直至挑選出的聚類中心的個數大于等于設定聚類中心要求個數；

2)利用已知工況劃分結果的各工況參量的歷史監測數據集對構建的工況辨識模型進行訓練，得到訓練好的工況辨識模型；獲取風電機組各工況參量在評估時間段的監測數據，并輸入至訓練好的工況辨識模型中，得到風電機組在評估時間段所處的工況；

3)獲取風電機組各狀態參量在評估時間段的監測數據，并輸入至與所處工況以及各狀態參量對應的狀態參量預測模型中，得到風電機組各狀態參量在預測時間段的預測數據；

4)確定風電機組各狀態參量在預測時間段的預測數據和在預測時間段的監測數據之間的差異，利用所述差異對風電機組的運行狀態進行評估。

2.根據權利要求1所述的風電機組運行狀態評估方法，其特征在于，所述改進模糊C均值聚類算法的聚類數目為：

其中，c^*表示最終選擇的聚類數；U^*表示在最佳聚類數時的隸屬度矩陣；U表示由隸屬度u組成的隸屬度矩陣；Ω_c表示最優的有限集合；R_ik表示第i類和第k類的模糊相關度；m表示權值；n為樣本點的總個數；||x_j-v_i||和||x_j-v_k||表示樣本點x_j分別與聚類中心v_i、v_k之間的歐氏距離；u_ji和u_jk表示樣本點x_j分別屬于第i類和第k類的隸屬程度，且

3.根據權利要求1所述的風電機組運行狀態評估方法，其特征在于，所述各工況參量包括風速和功率；步驟1)中各工況參量的歷史監測數據集為對各工況參量的歷史原始監測數據集進行預處理后的各工況參量的歷史監測數據集，所述預處理的方法包括：利用風電機組功率和風電機組風速采用CLIQUE聚類算法對各工況參量的歷史原始監測數據集進行聚類，根據聚類結果將離群的歷史原始監測數據進行剔除。

4.根據權利要求1所述的風電機組運行狀態評估方法，其特征在于，所述工況參量為從待選工況參量中篩選出的有效工況參量，篩選出的有效工況參量包括風速、功率、發電機轉速、葉輪轉速、扭矩和環境溫度。

5.根據權利要求1所述的風電機組運行狀態評估方法，其特征在于，步驟2)中所述工況辨識模型為隨機森林模型；步驟3)中所述狀態參量預測模型為BiGRU神經網絡模型。

6.根據權利要求1所述的風電機組運行狀態評估方法，其特征在于，所述狀態參量為從待選狀態參量中篩選出的有效狀態參量，篩選方法為：采用FP-Growth算法挖掘待選狀態參量與相關部件劣化模式的關聯性，并選取關聯性大于設定閾值的狀態參量作為有效狀態參量。