[發(fā)明專利]一種風(fēng)電機(jī)組運(yùn)行狀態(tài)評估方法及裝置

在審

• 申請?zhí)枺?/td>: 202211184857.4
• 申請日: 2022-09-27
• 公開（公告）號(hào): CN115419558A
• 公開（公告）日: 2022-12-02
• 發(fā)明（設(shè)計(jì)）人: 馬運(yùn)亮;謝高鋒;楊云鵬;夏路甲;王虎森;冉茂兵;常玉峰;韋祥遠(yuǎn);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(quán)）人: 許繼電氣股份有限公司
• 主分類號(hào): F03D17/00
• 分類號(hào): F03D17/00;G06K9/62
• 代理公司: 鄭州睿信知識(shí)產(chǎn)權(quán)代理有限公司 41119
• 代理人: 史萌楊

本發(fā)明屬于風(fēng)電機(jī)組狀態(tài)評估技術(shù)領(lǐng)域，具體涉及一種風(fēng)電機(jī)組運(yùn)行狀態(tài)評估方法及裝置。本發(fā)明在對各工況參量的歷史監(jiān)測數(shù)據(jù)集加工況標(biāo)簽時(shí)，采用改進(jìn)模糊C均值聚類算法進(jìn)行聚類工況劃分，該改進(jìn)模糊C均值聚類算法的改進(jìn)在于不再采用隨機(jī)確定初始聚類中心的方法，而是利用各采樣點(diǎn)的密度選擇初始聚類中心，所選擇的初始聚類中心的密度較大且各初始聚類中心之間的距離相對較遠(yuǎn)，防止隨機(jī)選擇初始聚類中心時(shí)造成的密度小的區(qū)域出現(xiàn)多個(gè)聚類分割塊的情況出現(xiàn)，從而選擇出更為合適的初始聚類中心，從而保證了訓(xùn)練工況辨識(shí)模型的訓(xùn)練數(shù)據(jù)所加的標(biāo)簽是準(zhǔn)確的，進(jìn)而保證了工況辨識(shí)模型的預(yù)測精度，為后續(xù)風(fēng)電機(jī)組運(yùn)行狀態(tài)評估的準(zhǔn)確性打下基礎(chǔ)。

技術(shù)領(lǐng)域

本發(fā)明屬于風(fēng)電機(jī)組狀態(tài)評估技術(shù)領(lǐng)域，具體涉及一種風(fēng)電機(jī)組運(yùn)行狀態(tài)評估方法及裝置。

背景技術(shù)

近年來，隨著許多國家對風(fēng)力發(fā)電技術(shù)研究的投入不斷加強(qiáng)，風(fēng)電產(chǎn)業(yè)在國內(nèi)外經(jīng)歷了迅猛的發(fā)展，全球風(fēng)電市場規(guī)模正在快速的發(fā)展壯大。然而風(fēng)電機(jī)組通常位于高山戈壁、海上島嶼等風(fēng)資源豐富的地區(qū)，運(yùn)行環(huán)境惡劣、工況復(fù)雜多變，導(dǎo)致風(fēng)電機(jī)組頻繁出現(xiàn)故障，每年因?yàn)檫\(yùn)維所花費(fèi)的人力物力成本居高不下。因此，開展風(fēng)電機(jī)組運(yùn)行健康狀態(tài)評估研究，及時(shí)準(zhǔn)確的掌握機(jī)組的運(yùn)行情況，實(shí)現(xiàn)故障早期預(yù)警，對提高風(fēng)電系統(tǒng)的安全可靠運(yùn)行，降低運(yùn)行和維護(hù)費(fèi)用具有重要的指導(dǎo)意義。

目前風(fēng)電機(jī)組主要依靠傳統(tǒng)的狀態(tài)監(jiān)測系統(tǒng)進(jìn)行運(yùn)維，存在故障報(bào)警不精確、不及時(shí)的問題，當(dāng)系統(tǒng)發(fā)出故障報(bào)警時(shí)，當(dāng)前故障可能已經(jīng)嚴(yán)重到必須“停機(jī)”，甚至“緊急停機(jī)”的程度，來不及預(yù)防機(jī)組故障的惡化，而且現(xiàn)有風(fēng)場大數(shù)據(jù)系統(tǒng)存儲(chǔ)的海量風(fēng)機(jī)運(yùn)行數(shù)據(jù)沒有得到充分利用。

為了解決上述問題，申請公布號(hào)為CN111709490A的中國發(fā)明專利申請公開了一種基于GRU神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)健康狀態(tài)評估方法，該方法先將實(shí)時(shí)風(fēng)機(jī)特征參量輸入到隨機(jī)森林分類模型中，再依據(jù)分類結(jié)果將特征參量數(shù)據(jù)映射到對應(yīng)的工況中進(jìn)行工況匹配，接著獲取相應(yīng)工況的GRU神經(jīng)網(wǎng)絡(luò)評估模型對實(shí)時(shí)樣本數(shù)據(jù)的預(yù)測值，計(jì)算SCADA系統(tǒng)的預(yù)測值與監(jiān)測值之間的平均絕對百分比誤差，以計(jì)算得到風(fēng)機(jī)運(yùn)行健康度指數(shù)，最終利用健康度指數(shù)評估風(fēng)機(jī)運(yùn)行健康狀態(tài)。該方法中預(yù)測SCADA系統(tǒng)的預(yù)測值的前提在于需要先確定實(shí)時(shí)風(fēng)機(jī)特征參量對應(yīng)于哪種工況，如果工況確定錯(cuò)誤那么將導(dǎo)致后續(xù)錯(cuò)誤選擇GRU神經(jīng)網(wǎng)絡(luò)評估模型，為了準(zhǔn)確確定工況，那么對隨機(jī)森林分類模型的精度要求較高，其訓(xùn)練數(shù)據(jù)的標(biāo)簽便是保證精度的關(guān)鍵。該方法利用CLIQUE聚類算法進(jìn)行工況劃分，可以一定程度上提高運(yùn)行效率和準(zhǔn)確率。當(dāng)然，還可選擇其他的聚類算法進(jìn)行工況劃分，例如模糊C均值聚類算法(FCM)，F(xiàn)CM聚類算法在選擇初始的聚類中心存在一定的隨機(jī)性，特別是在大數(shù)據(jù)量聚類時(shí)，使用不良的初始聚類中心對聚類結(jié)果的影響更大。目前大多數(shù)的初始聚類中心選取方法均為隨機(jī)選取，影響聚類精度，在聚類精度受影響的情況下勢必導(dǎo)致最終對風(fēng)電機(jī)組的健康狀態(tài)評估不準(zhǔn)。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種風(fēng)電機(jī)組運(yùn)行狀態(tài)評估方法及裝置，用以解決現(xiàn)有技術(shù)中對風(fēng)電機(jī)組運(yùn)行健康狀態(tài)評估不準(zhǔn)確的問題。

為解決上述技術(shù)問題，本發(fā)明提供了一種風(fēng)電機(jī)組運(yùn)行狀態(tài)評估方法，包括如下步驟：

1)獲取風(fēng)電機(jī)組各工況參量的歷史監(jiān)測數(shù)據(jù)集，對各工況參量的歷史監(jiān)測數(shù)據(jù)集中的每一組歷史監(jiān)測數(shù)據(jù)進(jìn)行特征提取，利用提取后的特征采用改進(jìn)模糊C均值聚類算法對每一組歷史監(jiān)測數(shù)據(jù)進(jìn)行聚類，將得到的聚類結(jié)果作為每一組歷史監(jiān)測數(shù)據(jù)的工況劃分結(jié)果；其中，所述改進(jìn)模糊C均值聚類算法的改進(jìn)點(diǎn)在于采用如下方法確定初始聚類中心：

①計(jì)算每一個(gè)樣本點(diǎn)x_i的密度函數(shù)值，i＝1,2,…,n，n表示樣本點(diǎn)的總個(gè)數(shù)：其中x_j表示第j個(gè)樣本點(diǎn)，|| ||表示求取歐氏距離，從中選擇密度函數(shù)值較大的K個(gè)樣本點(diǎn)構(gòu)成篩選集，K＜n；