一种风电机的在线状态评估方法、装置、设备及存储介质与流程

本发明涉及新能源设备状态评估，尤其涉及一种风电机的在线状态评估方法、装置、设备及存储介质。

背景技术：

1、风能作为技术成熟、绿色无污染的可再生能源，已经成为解决能源污染问题不可或缺的力量。风电行业的快速发展以及风电机组的广泛安装给风电机组安全稳定运行带来了巨大的挑战。例如，由于受风力资源分布的影响，风电机组大多安装在山区、海口、海岛等风口处，长期工作在严寒酷暑、极端温差、沙尘暴、雷暴雨以及无规律变向的风力等恶劣环境下，导致风电机组故障频发，致使风电机组安全稳定运行受到严重影响；再者风电机组是一个复杂、非线性、强耦合的控制系统，机组的各个部件之间相互耦合，任何部件出现微小的故障，在相对滞后的精准检测技术下将会持续恶化，最终造成致命性的故障，给风电机组的维护和检修工作提高了难度；此外，风电机组大多数位于偏远地区，从发生故障到恢复正常运行往往需要支付巨额运营成本还需要承担停机造成的经济损失；据文献指出，我国针对风电机组研发能力以及运营维护技术均有不足，现有运行的风电机组将逐步达到质保期，促使风电机组的运营成本在总支出中占据较高的比例。风电机组控制系统故障率最高，其次是叶片、变桨系统等，而平均排查故障耗时最多的是叶片，其次是齿轮箱和发电机。因此针对故障排查时间长且故障率高的风机叶片进行故障检测和预警研究，检测出故障的发生并发出预警，使运营维护人员能够及时地做出反应，避免带来更大的经济损失。但是风电机组叶片故障检测与预警面临着以下几个难点：1)由于风电机组在正常工作状况下scada系统的监测数据中蕴含着大量的噪声信息并且存在数据的部分丢失，scada系统采集的数据具有不连续性，对故障检测结果造成重要影响；2)风电机组是一个复杂、非线性、强耦合的控制系统，各个状态参数之间相互耦合，具有极其复杂的相关性，存在大量与故障无关的特征。若不加以特征选取，会影响模型的泛化能力，进一步影响故障检测与预警的准确性；3)在实际运行中，由于环境干扰和运行方式的变化，风电机组故障模式也会发生变化，因此叶片开裂故障检测模型需要具有一定的泛化能力。因此，如何利用风电机组scada系统历史数据本身价值，挖掘各个状态参数与风电机组叶片开裂故障之间的关系，实现风电机组运行过程中叶片开裂故障检测与预警，对于优化风电机组运维策略、促进电力系统安全稳定运行以及提升风力发电的经济效应具有重要影响。

2、现有技术一，申请号：cn202211548233.6公开了阈值风电机组的性能评估与能效诊断方法及系统，方法包括：基于待诊断的目标风电机组的有功功率,对目标风电机组的发电性能进行在线评估；结合在线评估的结果构建目标风电机组的能效状态指标体系，并确定每个能效状态指标的基准值；针对能效状态指标体系构建风电机组能效诊断本体知识库；获取目标风电机组的实时运行数据，根据实时运行数据和所述基准值进行能效异常识别，并基于能效异常识别的结果通过所述能效诊断本体知识库进行能效故障诊断。虽然能够对风电机组的发电性能进行实时评估，并能准确诊断出能效故障模式和能效故障原因，提高了能效诊断的准确性和针对性。但是构建知识库需要的数据较多，一定程度上增加了数据处理时间，使得故障诊断的时效性较差。

3、现有技术二，申请号：cn202111313388.7公开了一种面向大型风电机组实时出力性能的评估方法，基于风电机组正常运行状态下数据采集与监视控制系统记录数据集，设计利用滑窗技术的离群点检测方法，并设计带有时间信息提取的特征提取模型，选取xgboost模型拟合风能利用系数与输入特征的等效数学模型，并统计训练集中超限程度，用于在线应用时出力性能的实时评估。在实时出力性能评估方法中，对每个数据点能够进行多次判断，并统计其离群程度进行离群点检测，从而获取更鲁棒、更灵活的检测结果；在特征提取中考虑变量时间依赖性，虽然解决了机器学习xgboost模型没有利用时间信息的问题，基于训练集超限程度作为在线实时评估依据，避免了人为主观因素的干扰，保证了评估的准确性。但是功能较为单一，仅能对实时处理进行评估，无法对风电机的在线状态进行全方位的评估，导致评估结果不准确。

4、现有技术三，申请号：cn202111589047.2公开了一种基于改进栈式自编码的风电机组发电机健康评估方法，包括以下步骤：获取训练数据集：对风电机组发电机运行数据进行清洗后再进行线性归一化处理，得到有效的训练数据和测试数据，然后对栈式自编码模型进行训练、测试；构建多个栈式自编码器模型；对每个栈式自编码器模型进行训练；集成提取训练数据集的深度特征；将训练好的基准模型作为发电机在线状态检测器，并将册数数据输入到基准模型中，得到每个时间段内风电机组发电机的健康度并输出。虽然保证健康评估结果客观性的前提下提高了准确性，更加灵敏直观、能够再故障发生前检测出故障趋势。但是依赖于所有数据点，使得模型对于噪声和异常值的影响较大。

5、目前现有技术一、现有技术二及现有技术三存在评估系统的智能化程度较低，对基础数据采集精度较差的问题。因而，本发明提供一种风电机的在线状态评估方法、装置、设备及存储介质，支持风机实时信息采集，提高设备运行可靠性。

技术实现思路

1、本发明的主要目的在于提供一种风电机的在线状态评估方法、装置、设备及存储介质，以解决现有技术中评估系统的智能化程度较低，对基础数据采集精度较差的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种风电机的在线状态评估方法，所述风电机的在线状态评估方法包括：

4、通过传感器设备，实时采集风电机的振动数据、温度数据、电流数据及功率数据运行数据，对采集到的运行数据进行异常值检测处理；

5、从异常值检测处理后的运行数据中提取目标状态特征，目标状态特征用于描述风电机的运行状态；对提取到的目标状态特征进行选择；利用包含目标状态特征的运行数据进行训练，建立风电机的在线状态评估模型；

6、通过交叉验证，对建立的在线状态评估模型进行评估，利用建立好的在线状态评估模型，对实时采集的数据进行预测和判断，评估风电机的在线状态；将评估结果可视化展示，并根据评估结果进行相应的操作和维护。

7、作为本发明的进一步改进，对采集到的运行数据进行异常值检测处理的过程，包括：

8、确定运行数据窗口的大小，从运行数据序列的开头开始，依次将窗口内的数据点放入一个数组中，对窗口内的数据点进行排序，并取其中间位置的值作为中位数；如果窗口大小为奇数，则中位数为排序后的中间值；如果窗口大小为偶数，则中位数为排序后中间两个值的平均值；

9、将当前窗口的中位数作为当前数据点的值，替换原始运行数据序列中的对应位置的值；将窗口向后移动一个位置，直到遍历完所有数据点，得到去噪后的运行数据；

10、使用统计学方法，对去噪后的运行数据进行描述性统计分析，检测是否存在与其他运行数据明显偏离的异常值；使用箱线图，通过判断数据点与其它数据点的偏离程度，识别异常值，将被识别为异常值的数据点从数据集中删除。

11、作为本发明的进一步改进，识别异常值的过程，包括：

12、计算去噪后的运行数据的均值和标准差，分别表示数据的中心趋势和离散程度；绘制箱线图显示运行数据的分布情况，箱线图包括上边缘、上四分位数、中位数、下四分位数和下边缘，异常值定义为超出上下四分位数1.5倍的四分位距的数据点；

13、计算每个数据点的z-score值，表示该数据点与平均值之间的偏离程度，公式为：z＝(x-μ)/σ，其中x为数据点，μ为均值，σ为标准差，z-score大于3或小于-3的数据点被视为异常值；

14、进行grubbs’test识别单个异常值，通过计算每个数据点与均值之间的差异，找出与其他数据点明显偏离的数据点。

15、作为本发明的进一步改进，在线状态评估模型的构建过程，包括：

16、使用缓解算法relief从经过异常值检测处理的运行数据中提取目标状态特征，计算特征与目标状态之间的相关性来评估特征的重要性；

17、根据相关性指标对提取到的目标状态特征进行选择，相关性指标确定哪些特征对于描述风电机的运行状态最为重要；

18、利用包含目标状态特征的运行数据进行训练，建立风电机的在线状态评估模型；在训练过程中，使用机器学习算法构建模型，以根据目标状态特征对风电机的在线状态进行评估。

19、作为本发明的进一步改进，缓解算法relief地过程，包括：

20、初始化特征权重，对于每个特征，初始化其权重为0；随机选择一个样本作为参考样本；根据欧氏距离计算其他样本与参考样本之间的相似度，并根据相似度对其他样本进行排序；

21、对于每个特征，计算参考样本与最近邻样本之间的差异值。如果最近邻样本属于目标状态类别，则增加特征权重；如果最近邻样本不属于目标状态类别，则减少特征权重；

22、根据差异值和样本权重更新特征权重，重复直到遍历所有样本；根据特征权重进行特征选择，选择达到权重阈值的特征作为目标状态特征。

23、作为本发明的进一步改进，根据相关性指标对提取到的目标状态特征进行选择的过程，包括：

24、计算特征与目标状态之间的相关性，对于每个特征，通过互信息计算其与目标状态之间的相关性指标；

25、根据互信息的值，确定哪些特征对于描述风电机的运行状态最为重要，设置一个互信息的阈值，只选择互信息值超过阈值的特征作为目标状态特征；互信息值越大表示特征与目标状态之间的相关性越高，被认为是重要特征；

26、根据相关性指标，按照相关性指标的大小进行排序，选择排名靠前的特征作为目标状态特征；

27、互信息的计算过程，包括：

28、计算特征和目标状态各自的概率分布，即特征的概率分布和目标状态的概率分布；计算特征和目标状态的联合概率分布，即特征和目标状态同时发生的概率；

29、步根据边缘概率分布和联合概率分布，计算特征与目标状态之间的互信息，互信息的计算公式如下：

30、i(x,y)＝∑p(x,y)*log(p(x,y)/(p(x)*p(y)))

31、其中，x表示特征，y表示目标状态，p(x,y)表示特征和目标状态同时发生的概率，p(x)和p(y)分别表示特征和目标状态的边缘概率分布；

32、将互信息的计算结果与互信息的阈值进行对比，选择处互信息值超过阈值的特征作为目标状态特征。

33、作为本发明的进一步改进，使用机器学习算法构建模型的过程，包括：

34、对包含目标状态特征的运行数据进行归一化预处理，选择随机森林的机器学习算法进行建模；

35、将预处理后的数据集划分为训练集和测试集，训练集用于在线状态评估模型的训练和参数调优，测试集用于评估在线状态评估模型的性能；

36、使用训练集对选定的机器学习算法进行训练，调整在线状态评估模型的参数；将训练集输入到机器学习算法中进行训练，训练集包含经过预处理的运行数据和对应的目标状态；

37、在训练过程中，机器学习算法根据输入的特征和目标状态之间的关系来学习在线状态评估模型的参数；根据训练数据的特征和目标状态的对应关系调整在线状态评估模型的权重和偏置；

38、训练过程中，进行调整决策树的深度、随机森林中树的数量等参数调优，训练完成后，得到了训练好的在线状态评估模型；

39、其中，通过尝试不同的参数取值，计算相应的损失函数值，并选择使得损失函数最小的参数组合作为最终的模型参数设置。

40、为实现上述目的，本发明还提供了如下技术方案：

41、一种风电机的在线状态评估装置，其应用于所述的风电机的在线状态评估方法，所述风电机的在线状态评估装置包括：

42、数据处理模块，用于通过传感器等设备，实时采集风电机的振动数据、温度数据、电流数据及功率数据运行数据，对采集到的运行数据进行异常值检测处理；

43、模型构建模块，用于通过缓解算法relief，从异常值检测处理后的运行数据中提取目标状态特征，目标状态特征用于描述风电机的运行状态；根据特征的相关性指标，对提取到的目标状态特征进行选择；

44、状态评估模块，用于利用包含目标状态特征的运行数据进行训练，建立风电机的在线状态评估模型；通过交叉验证，对建立的在线状态评估模型进行评估，利用建立好的在线状态评估模型，对实时采集的数据进行预测和判断，评估风电机的在线状态；将评估结果可视化展示，并根据评估结果进行相应的操作和维护。

45、为实现上述目的，本发明还提供了如下技术方案：

46、一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现所述的风电机的在线状态评估方法。

47、为实现上述目的，本发明还提供了如下技术方案：

48、一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现所述的风电机的在线状态评估方法。

49、本发明通过实时采集风电机的振动数据、温度数据、电流数据及功率数据等运行数据，并进行异常值检测处理，可以排除异常数据的干扰，确保后续分析和评估的准确性，可以提高风电机在线状态评估的可靠性和精度。通过缓解算法relief，从异常值检测处理后的运行数据中提取目标状态特征，可以识别出对风电机运行状态具有重要影响的特征；通过特征的相关性指标选择出最具代表性的特征，可以减少冗余信息并提高模型训练的效率；建立风电机的在线状态评估模型，可以实现对风电机运行状态的准确预测和判断。通过交叉验证对建立的在线状态评估模型进行评估，可以验证模型的性能和准确度，利用建立好的在线状态评估模型对实时采集的数据进行预测和判断，可以实时监测风电机的运行状态，及时发现潜在问题和故障，进行相应的操作和维护；将评估结果可视化展示，可以直观地了解风电机的运行状态，提供决策依据和指导，提高风电机的运维效率和可靠性。

技术特征：

1.一种风电机的在线状态评估方法，其特征在于，所述风电机的在线状态评估方法包括：

2.根据权利要求1所述的风电机的在线状态评估方法，其特征在于，对采集到的运行数据进行异常值检测处理的过程，包括：

3.根据权利要求2所述的风电机的在线状态评估方法，其特征在于，识别异常值的过程，包括：

4.根据权利要求1所述的风电机的在线状态评估方法，其特征在于，在线状态评估模型的构建过程，包括：

5.根据权利要求4所述的风电机的在线状态评估方法，其特征在于，缓解算法relief地过程，包括：

6.根据权利要求4所述的风电机的在线状态评估方法，其特征在于，根据相关性指标对提取到的目标状态特征进行选择的过程，包括：

7.根据权利要求4所述的风电机的在线状态评估方法，其特征在于，使用机器学习算法构建模型的过程，包括：

8.一种风电机的在线状态评估装置，其应用于如权利要求1至7之一所述的风电机的在线状态评估方法，其特征在于，所述风电机的在线状态评估装置包括：

9.一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至7中任一项所述的风电机的在线状态评估方法。

10.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至7中任一项所述的风电机的在线状态评估方法。

技术总结
本发明涉及新能源设备状态评估技术领域，公开了一种风电机的在线状态评估方法、装置、设备及存储介质，方法包括通过设备，实时采集风电机的运行数据，对采集的运行数据进行异常值检测处理；通过缓解算法Relief，从异常值检测处理后的运行数据中提取目标状态特征，根据特征的相关性指标，对提取到的目标状态特征进行选择；利用包含目标状态特征的运行数据进行训练，建立风电机的在线状态评估模型；利用建立好的在线状态评估模型，对实时采集的数据进行预测和判断，评估风电机的在线状态；装置包括数据处理模块、模型构建模块、状态评估模块。本发明提高风电机在线状态评估的准确性和可靠性，实现对风电机运行状态的实时监测和预测。

技术研发人员：李宏祥,王良红,王飞,范贤旗,杨盼盼,李王文,刘斌,高庆鹏,朱兴翔,杨云
受保护的技术使用者：云南滇能智慧能源有限公司
技术研发日：
技术公布日：2024/9/23