技术领域
[0001] 本
发明涉及复杂
机电系统状态监测与评估技术领域，特别是一种基于温度参数预测的永磁直驱
风力机服役质量评价方法。
背景技术
[0002] 风力发电技术作为目前技术最成熟、最具有规模化开
发条件的绿色
能源利用技术，具有广阔的发展前景。风力发电技术的关键装备—风力机是一个及其复杂的机电系统，通常坐落于偏僻的、交通不便的、环境恶劣的远郊地区以及沿海或近海区域，
冰冻、低气压、沙尘、
雷击等恶劣的自然环境导致日常运行状态检测困难，维护成本昂贵。发展风力机状态监测与评估技术，掌握风力机
健康状态及发展趋势，对于优化机组维修计划，节约运维成本支出，避免恶性安全和生产事故发生，提升风电产业的竞争力具有重要的意义。
[0003] 安装
数据采集与监视控制(SCAD)系统是目前风
电场普遍采用的监测风力机实时运行状态的措施，希望籍此达到提高风电场运行安全与经济性的目标。该系统监测参数众多,包括温度、风速、振动、
电压、
电流、
偏航角、
电机控制等，由于无需在机组中安装额外的数据采集系统，风力机厂商和风电场业主等都希望通过分析SCADA系统采集到的数，实现风力机健康状态评估。
[0004] 近年，国内外专家在利用SCAD系统状态数据的风力机故障预测和状态评估领域开展了大量工作。华北电力大学郭鹏等采用非线性状态估计技术作为建模方法，在对风电机组
塔架振动特性及其影响因素进行细致分析的
基础上，建立了塔架振动模型，为后续拟开展的风电机组振动状态监测和早期故障诊断打下了良好的基础；爱荷华大学Kusiak等人通过分析SCADA数据，挖掘出了与风电机组
轴承、电机等关键零部件故障相关的信息，构建数据模型用于揭示
主轴和塔架的振动与风电机组运行参量间的关联特性。北京交通大学王玮等建立了基于SCAD系统数据的风力机变桨系统参数回归模型，并据此提出了基于
数据挖掘的风电机组变桨系统劣化状态在线辨识方法。与电气、振动等
信号相比、温度信号是一种更为稳定的状态信号，已有学者尝试探索基于SCAD系统温度信号
预测模型的风力机短期可靠性评估方法，但这些研究没有考虑对风力机较长时间尺度的历史状态对温度参数变化的影响，温度参数预测模型的
精度和风力机状态评价的准确性无法保障。
[0005] 上述卓有成效的工作均在一定程度上推进了发展风电机组状态监测与评估技术
水平，但大多关注风力机的某一部件或运行状态下某一较短的时间段内状态评估及故障预警，不能满足关注工程实际对风力机全服役周期(包含运行状态与停机状态)内整体状态评估的技术需求；这些研究的具体对象通常为双馈型风力机，对于同样广泛应用的永磁直驱风力机涉及较少；还基本停留在理论研究阶段，与实际应用还有一段距离。
现有技术无法为风力机，尤其是永磁直驱风力机在恶劣工作环境下的科学维护与高效运行提供坚实的技术
支撑。
发明内容
[0006] 本发明所要解决的技术问题是，针对现有技术不足，提供一种基于温度参数预测的永磁直驱风力机服役质量评价方法，实现风力机服役期全工况的动态健康状态实时评估，为永磁直驱风力机在恶劣工作环境下的科学维护与高效运行提供关键的技术保障。
[0007] 为解决上述技术问题，本发明所采用的技术方案是：本发明所采用的技术方案是：一种基于温度参数预测的永磁直驱风力机服役质量评价方法，包括以下步骤：
[0008] 1)建立温度参数时间序列预测模型：建立以风力机
轮毂转速、外界风速、
环境温度、输出有功功率、
叶片变桨角度为外部输入变量，主轴承温度、
机舱温度、轮毂温度为自回归预测变量的温度参数时间序列预测模型。
[0009] 2)多预测模型训练与集成：从风力机的数据采集与监视控制(SCADA)系统中读取待评价风力机稳定服役第1年的状态数据作为训练样本集，通过有放回的均匀随机抽样获取5个样本子集，每个样本子集的样本数量均为样本集的3/10，应用样本子集分别独立训练5个温度参数时间序列预测模型；采用预测结果取均值的方式对训练的5个模型进行集成，建立温度参数集成预测模型。
[0010] 3)温度参数预测与风力机温度体征服役质量指标：从SCADA系统读取风力机当前状态参数，应用温度参数集成预测模型在线对当前时刻预测变量进行预测；依据预测绝对误差计算风力机温度体征服役质量指标。
[0011] 4)风力机服役质量评价：依据风力机温度体征服役质量指标值对风力机服役质量进行实时评价。
[0012] 步骤1中，温度参数时间序列预测模型架构为带外部输入非线性时间序列自回归神经网络预测模型，模型的外部输入向量X(t)为：
[0013] X(t)＝[x(t)1 x(t)2 x(t)3 x(t)4 x(t)5 x(t)6 x(t)7]
[0014] 其中，t为当前时刻。x(t)1、x(t)2、x(t)3、x(t)4、x(t)5、x(t)6、x(t)7分别为t时刻风力机的轮毂转速、外界风速、环境温度、输出有功功率、叶片1变桨角度、叶片2变桨角度和叶片3变桨角度。
[0015] 自回归预测向量Y(t)为：
[0016] Y(t)＝[y(t)1 y(t)2 y(t)3]
[0017] 其中，y(t)1、y(t)2、y(t)3分别为t时刻风力机的主轴承温度、机舱温度和轮毂温度。
[0018] 温度参数时间序列预测模型PM[·]可表示为：
[0019]
[0020] 其中，a为模型考虑历史状态数据对当前温度参数影响的阶数,a的取值范围为[2,10]。z(t)1——z(t)s1为模型的输入参数，z(t)1＝x(t)1,z(t)2＝x(t)2,…，z(t)7＝x(t)7，z(t)8＝x(t-1)1，…，z(t)7(a+1)＝x(t-a)7，z(t)7(a+1)+1＝y(t-1)1，…，z(t)s1＝y(t-a)3；其中，s1＝10×a+7。模型的输出为自回归预测向量的预测值
[0021] 温度参数时间序列预测模型PM[·]由1个
输入层L1、1个
输出层L3和1个带延时的隐含层L2构成，L1层
节点个数为输入参数的个数s1，L3层节点个数为输出参数的个数3，L2层节点个数s2的计算公式为：
[0022]
[0023] 其中，INT(·)为取整函数，c为常数，c的取值范围为[3,6]。
[0024] 温度参数时间序列预测模型隐含层L2的第i个节点的加权输入L2bi为：
[0025]
[0026] 其中，vij为第j个输入层节点与第i个隐含层节点之间的连接权值，θi为第i个隐含层节点的偏置量。
[0027] 隐含层L2的第i个节点的加权输出OL2bi为：
[0028]
[0029] 其中，e为自然常数。
[0030] 输出层L3的第k个节点的加权输入L3bk和输出 为：
[0031]
[0032] 其中，wkh为第h个隐含层节点与第k个输出层节点之间的连接权值，γk为第k个输出层节点的偏置量； 为预测模型输出的自回归预测向量预测值 的第k个元素，即t时刻风力机主轴承温度、机舱温度和轮毂温度的预测值。
[0033] 步骤2中，温度参数时间序列预测模型的训练方法为Levenberg-Marquardt
迭代算法，迭代终止条件为：
[0034]
[0035] 其中， 为第r次训练后
输出节点k的实际输出值，y(t)kr为第r次训练后输出节点k的期望输出值，即数据采集与监视控制系统实测的预测变量值，从训练样本中读取；er为最大允许均方误差，er在区间[0.03,0.07]中取值；Ger为有效误差降低速度，Ger在区间-8 -7[5×10 ，1.5×10 ]中取值。
[0036] 步骤3中，风力机温度体征服役质量指标由温度体征统计健康指标和温度体征轨迹健康指标两个次级指标构成。温度体征统计健康指标的服役质量评价角度为：一段时间内风力机温度变化与预测模型的统计学符合程度；温度体征轨迹健康指标的服役质量评价角度为：当前时刻风力机温度参数与温度预测模型预测的风力机温度参数发展轨迹偏离程度；两者互为补充。
[0037] 温度体征统计健康指标计算的参考基准为预测误差标准百分位数，获得的方法为：应用步骤2获得的温度参数集成预测模型对步骤2所述的全部训练样本集自回归预测向量进行预测并计算预测绝对误差，获得标准预测误差样本集；统计计算标准预测误差样本集的百分位数集pc1,pc2,…,pc99，将其作为预测误差标准百分位数。t时刻的温度体征统计健康指标ISt的计算方法为：
[0038]
[0039] CSt为当前时刻t之前hb小时内数据采集与监视控制系统有状态参数记录的时刻组成的集合，hb在区间[4，72]中取值，当时刻t之前的状态参数记录不足hb小时时用t时刻的状态参数将缺少的参数记录补足。aqnt为与nt时刻温度参数集成预测模型绝对误差ent最接近的预测误差标准百分位数pcpi的序号。nqnt的计算方法为：
[0040]
[0041] aqn为离差非奇异
阈值，aqn在区间[67，95]中取值。
[0042] t时刻温度体征轨迹健康指标ITt的计算方法为：
[0043]
[0044] 其中，et为t时刻温度参数集成预测模型绝对预测误差，arctan(·)为反正切函数。
[0045] t时刻温度参数集成预测模型的预测绝对误差et的计算方法为：
[0046]
[0047] 其中，y(t)k为回归预测向量Y(t)第k个元素的实测值，y(t)1、y(t)2、y(t)3分别为数据采集与监视控制系统记录的t时刻风力机主轴承温度、机舱温度和轮毂温度。
[0048] 步骤4中，依据风力机温度体征质量指标值对服役质量进行评价以ISt指标为主，ITt指标辅助ISt指标对服役质量进行判断，评价准则为：
[0049] 1)ISt∈(0.95，1]时，风力机服役质量优秀；ISt∈(0.85，0.95]时，风力机服役质量良好；ISt∈(0.7，0.85]时，风力机服役质量轻度退化，需引起注意；ISt∈(0.5，0.7]时，风力机服役质量中度退化，需密切关注；ISt∈[0，0.5]时，风力机服役质量重度退化，需密切关注风力机或计划检修维护。
[0050] 2)ITt∈(0.8，1]时，无需特别关注风力机；ITt∈(0.6，0.8]时，需关注风力机状态；ITt∈[0,0.6]时，需密切关注风力机或计划检修维护。
[0051] 与现有技术相比，本发明所具有的有益效果为：充分考虑风力机较长时间尺度的历史状态对温度参数变化的影响，通过建立永磁直驱风力机温度参数带外部输入的非线性时间序列自回归神经网络预测模型，精确的掌握健康状态下风力机参数的变化规律，进而依据实测温度参数与健康状态下风力机参数估计值差别，实现对风力机服役质量的准确评估，可为永磁直驱风力机在恶劣工作环境下的科学维护与高效运行提供关键的技术保障；本发明可实现风力机服役期内包含停机状态的全工况动态健康状态在线评估，而非仅仅局限于运行状态，能更完备的掌握风力机健康状态。预测模型的训练样本来源为待评价风力机正式开始服役后1年的状态数据，无需进一步筛选，采用有回放的均匀随机抽样构建样本子集，并分别训练多个预测模型集成的方式抑制训练样本的不确定性对预测精度的影响，在简化模型训操作难度的同时能保证温度参数预测的有效性。本发明通过构建风力机温度体征服役质量指标，将预测绝对误差数据中蕴含的、不够明了的风力机服役质量信息准确、清晰、明了的呈现，降低了使用者的工作强度和难度。本发明还可推广应用于其它类型风力机、高速列车等复杂机电系统的动态健康状态在线评估。
附图说明
[0053] 图2为本发明一实施例的温度参数时间序列预测模型结构示意图；其中，1、输入层；2、隐含层；3、输出层；
[0054] 图3为本发明一实施例的预测误差标准百分位数散点图；
[0055] 图4为根据本发明的实施例风力机服役第二年温度体征服役质量指标计算结果与非正常停机数据示意图；图4的a是预测绝对误差；图4的b是温度体征统计健康指标；图4的c是温度体征轨迹健康指标；图4的d是风力机非正常停机数据；
[0056] 图5为根据本发明的实施例风力机服役第三年温度体征服役质量指标计算结果与非正常停机数据示意图；图5的a是预测绝对误差；图5的b是温度体征统计健康指标；图5的c是温度体征轨迹健康指标；图5的d是风力机非正常停机数据。
具体实施方式
[0057] 如附图1所示，本发明一实施例检测方法过程如下：
[0058] 首先,建立以风力机轮毂转速、外界风速、环境温度、输出有功功率、叶片变桨角度为外部输入变量，主轴承温度、机舱温度、轮毂温度为自回归预测变量的温度参数时间序列预测模型。模型结构参见附图2，外部输入向量X(t)为：
[0059] X(t)＝[x(t)1 x(t)2 x(t)3 x(t)4 x(t)5 x(t)6 x(t)7]
[0060] 其中，t为当前时刻。x(t)1、x(t)2、x(t)3、x(t)4、x(t)5、x(t)6、x(t)7分别为t时刻风力机的轮毂转速、外界风速、环境温度、输出有功功率、叶片1变桨角度、叶片2变桨角度和叶片3变桨角度。
[0061] 自回归预测向量Y(t)为：
[0062] Y(t)＝[y(t)1 y(t)2 y(t)3]
[0063] 其中，y(t)1、y(t)2、y(t)3分别为t时刻风力机的主轴承温度、机舱温度和轮毂温度。
[0064] 本实施例中，风力机SCADA系统的
采样周期为10分钟，考虑之前40分钟历史状态数据对当前温度参数的影响，因此，阶数a取值为3，输入参数的个数s1＝10×3+7＝37，温度参数时间序列预测模型PM[·]可表示为：
[0065]
[0066] 其中，z(t)1＝x(t)1,z(t)2＝x(t)2,…，z(t)7＝x(t)7，z(t)8＝x(t-1)1，…，z(t)28＝x(t-3)7，z(t)29＝y(t-1)1，…，z(t)37。
[0067] 模型PM[·]隐含层L2节点个数s2的计算公式为：
[0068]
[0069] 本实施例中，常数c取值4，隐含层L2节点个数为10个。输入、输出层节点个数分别为37个和3个。
[0070] 建立温度参数时间序列预测模后，从风力机SCADA系统中读取待评价风力机稳定服役第1年的状态数据作为训练样本集。本实施例的评价对象为中国南方某山地风场的某台永磁直驱风力机，该风力机2012年完成现场安装，2013年开始稳定服役。训练样本集为该风力机SCADA系统记录的2013年1月1日开始到2013年12月31日为止状态数据。
[0071] 本实施例通过对训练样本集有放回的均匀随机抽样获取5个样本子集，每个样本子集的样本数量均为样本集的3/10，应用样本子集分别独立训练5个温度参数时间序列预测模型。训练迭代的终止最大允许均方误差er取值0.05，有效误差降低速度Ger取值1×10-7。采用预测结果取均值的方式对训练的5个模型进行集成，建立温度参数集成预测模型。
[0072] 获得的温度参数集成预测模型后，应该该模型对风力机训练样本集的自回归预测向量进行预测并计算预测绝对误差，获得标准预测误差样本集；统计计算标准预测误差样本集的百分位数集pc1,pc2,…,pc99，将其作为预测误差标准百分位数。得到的预测误差标准百分位数参见附图3，由图3还可得知，标准预测误差样本集中，80％的元素数值在0.12摄氏度以内，本发明的温度参数集成预测模型的预测精度极高。
[0073] 本实施例计算风力机温度体征服役质量指标时，参数hb取值为48小时，离差非奇异阈值aqn取为82。本实施例风力机2014年和2015年温度体征服役质量指标计算结果与非正常停机数据参见附图4和附图5。其中，图4的a和图5的a分别为2014年和2015年的预测绝对误差；图4的b和图5的b分别为2014年和2015年的温度体征统计健康指标计算结果；；图4的c和图5的c分别为2014年和2015年的温度体征轨迹健康指标结果；图4的d和图5的d分别为2014年和2015年的风力机非正常停机数据。由图可知，SCADA系统记录的2014年4000-7000参数序列和2015年45000到50000参数序列风力机存在长时间非正常停机，非正常停机即将发生与发生时，温度体征统计健康指标ISt数值明显降低，大部分时刻位于本发明服役质量评价准则的服役质量中度退化与重度退化区间；温度体征轨迹健康指标ITt在这些时刻也大部分位于需关注风力机状态与需密切关注风力机或计划检修维护区间。风力机状态正常时刻(无异常停机发生或即将发生)，ISt和ITt数值均较高，大部分位于服役质量良好、服役质量轻度退化或无需特别关注风力机区间。本发明方法能有效的对风力机服役质量进行评价。对比图4的b、图5的b、图4的c、图5的c与图4的a、图5的a可知，本发明构建的风力机温度体征服役质量指标，特别是温度体征统计健康指标可将预测绝对误差数据中蕴含的、不够明了的风力机服役质量信息准确、清晰、明了的呈现；温度体征轨迹健康指标可作为有意的补充辅助温度体征统计健康指标对风力机服役质量进行评价。
[0074] 本发明充分考虑风力机较长时间尺度的历史状态对温度参数变化的影响，通过建立永磁直驱风力机温度参数带外部输入的非线性时间序列自回归神经网络预测模型，精确的掌握健康状态下风力机参数的变化规律，进而依据实测温度参数与健康状态下风力机参数估计值差别，实现对风力机服役质量的准确评估，可为永磁直驱风力机在恶劣工作环境下的科学维护与高效运行提供关键的技术保障；本发明可实现风力机服役期内包含停机状态的全工况动态健康状态在线评估，而非仅仅局限于运行状态，能更完备的掌握风力机健康状态。预测模型的训练样本来源为待评价风力机正式开始服役后1年的状态数据，无需进一步筛选，采用有回放的均匀随机抽样构建样本子集，并分别训练多个预测模型集成的方式抑制训练样本的不确定性对预测精度的影响，在简化模型训操作难度的同时能保证温度参数预测的有效性。本发明通过构建风力机温度体征服役质量指标，将预测绝对误差数据中蕴含的、不够明了的风力机服役质量信息准确、清晰、明了的呈现，降低了使用者的工作强度和难度。本发明还可推广应用于其它类型风力机、高速列车等复杂机电系统的动态健康状态在线评估。
