技术领域
[0001] 本
发明涉及能效状态诊断，具体涉及一种基于能量流的风电机组能效状态诊断方法。
背景技术
[0002] 随着风电机组容量的不断扩大，对机组经济性和安全性的要求不断提高，其复杂生产过程的监测控制存在诸多方面的问题：
[0003] (1)机理多元化的干扰性。
[0004] 风电机组运行过程中存在多种多样的机理复杂的干扰，影响着机组的经济运行，尤其是传动链
齿轮箱部分存在着多种机理效应，传统的诊断模型通常忽略这些不可预知也无法消除的影响因素，在实际应用中的效果和预期的理想效果相去甚远。
[0005] (2)参数之间的强耦合性。
[0006]
风力发电机组的正常运行包含了很多的SCADA系统运行参数，由于风电机组作为风、机、液、电的耦合体，运行参数之间都不是孤立存在的，它们相互影响，具有强耦合性，任何一个运行参数的变化都有可能引起机组整体运行状态的
波动。机组的能效
水平与各个参数的变化密切相关，而参数之间的强耦合性使得工业流程错综复杂，大大增加了对机组能效水平诊断和控制的困难程度。
[0007] (3)机组运行的非线性。
[0008] 对非线性较强的运行过程，如果采用像对非线性较弱的系统当作线性系统来处理的处理方法，结果将会和预期产生很大的偏差，因此，风电机组需要比较准确的诊断模型来处理机组运行的非线性问题。
[0009] 为克服上述
缺陷，本发明提供了一种基于能量流的风电机组能效状态诊断方法，实现了风电机组能效状态的全面诊断。
发明内容
[0010] 本发明将风电机组吸收、传递、转化能量的能力定义为能效。能效性能不仅能直观反映机组运行经济性，也为风电机组综合状态监测开辟了一条新思路。风电机组的功能是将
风能转变为
电能，机组一直处于多种能量并存的状态。风电机组同时存在风能、机械能、电能的流动与转化过程，可以通过能量流将机组各个重要系统与部件
串联成为一个整体。能量在风电机组中由机头方向至发电机端单向流动，各能量形式都具有对应的载体设备，因此，本发明将风电机组划分为风能捕获系统、机械能传递系统和电能转换系统。
[0011] 本发明所采用的风电能效诊断方法引用传统故障诊断与维修决策领域中的故障树分析(理论)，充分利用风电机组SCADA系统运行数据，采用
模式识别研究领域中较为完善的模糊识别模型对风电机组能效异常模式进行判定，实现风电机组能效状态的全面诊断。
[0012] 本发明提供一种基于能量流的风电机组能效状态诊断方法，所述诊断方法包括如下步骤：
[0013] 步骤1：构建风电机组能效指标关联参数库；
[0014] 步骤2：基于概率分布统计确定指标参数基准区间；
[0015] 步骤3：建立风电能效诊断树；
[0016] 步骤4：基于多元模糊识别模型判定能效状态水平；
[0017] 步骤5：获得能效状态诊断结果。
[0018] 所述步骤1构建风电机组能效指标关联参数库包括：
[0019] 分析风电机组与能量流子系统的运行特点；
[0020] 根据能量流子系统的能量损失机理，确定风电机组能效关联参数；
[0021] 解析风电机组能量关联参数与风电机组典型故障之间的关联性；
[0022] 构建风电机组能效指标关联参数库。
[0023] 所述步骤2基于概率分布统计确定指标参数基准区间，包括：
[0024] 步骤2-1：筛选运行良好的数据；
[0025] 步骤2-2：基于运行工况划分指标参数基准区间。
[0026] 所述步骤2-1确定运行良好的数据包括：
[0028] 筛去风电机组不工作、异常停机及奇异值数据点后，保留的数据作为历史样本数据；
[0029] 根据所述历史样本数据分布的高斯模型划分功率区间的上下限；
[0030] 在此功率区间上下限范围内的运行数据即为运行良好的数据。
[0031] 所述步骤2-2基于运行工况划分确定基准区间包括：
[0032] 以风电机组的
切入风速Vin为下界，以风电机组的
切出风速Vout为上界，根据IEC标准中Bin方法，采用1m/s的风速间隔，将风速工况划分为n＝(Vout-Vin)个运行区间；
[0033] 以风电机组出厂时的
工作温度范围(Tl℃，Th℃)为温度工况划分的上下限，采用5℃的温度间隔，将温度工况划分为m＝(Th-Tl)/5个运行区间；
[0034] 经过上述区间划分，将运行工况划分为n*m个运行区间；
[0035] 按上述工况划分方法将步骤2-1得到的运行良好的数据划入相应的运行区间，生成各运行区间的训练样本集，从而获得各个运行工况下实际的指标参数基准区间。
[0036] 所述步骤3建立风电机组能效诊断树，包括：
[0037] 以风电机组能量损失过大为顶事件，利用故障树方法分析各能量流子系统的能效状态与关联设备和关联参数之间的逻辑关系，对所述顶事件的可能原因进行层次化梳理得到能效诊断树。
[0038] 所述步骤4基于多元模糊识别模型判定风电机组的能效状态水平，包括：
[0039] 步骤4-1：建立能效异常模式的标准多元模糊征兆集；
[0040] 步骤4-2：识别能效异常模式。
[0041] 所述步骤4-1包括：
[0042] 分析风电机组能效异常模式，确定风电机组典型的能效异常模式；
[0043] 分析典型的能效异常模式中的能量损失机理，获得能效异常时的征兆，从中
选定用来进行能效模式识别的能效异常征兆；
[0044] 对选定的能效异常征兆进行模糊量化，建立包括所有能效异常模式的标准多元模糊征兆集。
[0045] 所述步骤4-2包括：
[0046] 计算待识别能效异常模式的多元模糊征兆集与标准多元模糊征兆集的贴近度，按照选定的模糊模式识别原则，确定待识别能效状态所对应的能效异常模式。
[0047] 计算待识别能效异常模式的多元模糊征兆集与标准多元模糊征兆集的贴近度，包括：
[0048] 根据标准多元模糊征兆集里选定的能效异常征兆，将待识别能效异常模式转化为待识别能效异常模式的模糊征兆集M'＝{X1，X2，X3，…Xn}，根据下式(1)计算M'与标准多元模糊征兆集Mi(i＝1,2,…m)的贴近度，判断M'与Mi的相似程度：
[0049]
[0050] 所述模糊模式识别原则为最大隶属原则，即待识别能效异常模式按M'与Mi(i＝1,2,...,m)的贴合度计算得到的贴近度最大值对应的能效异常模式。
[0051] 当多元模糊识别诊断出待识别能效异常样本是异常模式后，可以迅速得到造成该能效异常模式的可能原因，实现风电机组能效状态的精确全面诊断。
[0052] 与最接近的
现有技术比，本发明提供的技术方案具有以下优异效果：
[0053] 1、由于风
电场环境极度恶劣，同时风电机组是一类多能量形式并存的大型
旋转机械，因此各设备之间关联耦合性强。为了准确判别风电机组-系统以及关键设备的运行状态，本发明从能效关联参数库中提取反映机组健康与经济性能的指标，建立基于机组-系统-关键设备结构划分的指标库，解决传统风电机组状态评价信息不够全面、准确的问题。
[0054] 2、由于风电场设备处于变速变负荷运行环境中，因此大多数监测参数频繁波动，难以实现反映能效状态有效信息的提取。本发明通过对大量历史数据进行统计分析，对风电机组出现的所有工况进行划分，并确定各个工况下能效指标的基准区间，通过运行工况辨识方法提高对风电机组能效运行状态实时判别的精确性。
[0055] 3、应用多元模糊识别模型判定机组能效状态并根据故障树FTA方法建立的能效诊断树确定导致能效状态异常的原因，实现风电机组能效的精确化诊断。
[0056] 4、本发明不仅提高了判断能效状态水平精确度，还对造成能效劣化原因进行诊断。
附图说明
[0057] 图1为本发明一种基于能量流的
风力发电机组能效状态诊断方法的诊断
流程图；
[0058] 图2为本发明所构建的风电机组能效指标关联参数库的示意图；
[0059] 图3为本发明建立的风电能效诊断树的示意图；
[0060] 图4为本发明建立的风能捕获系统的能效诊断树；
[0061] 图5为本发明建立的机械能传递系统的能效诊断树；
[0062] 图6为本发明建立的电能转换系统的能效诊断树；
[0063] 图7为本发明风电机组能效异常模式多元模糊识别诊断的流程图。
具体实施方式
[0064] 下面结合附图对本发明做进一步详细的的说明：
[0065] 本发明提供了一种基于能量流的风力发电机组能效状态诊断方法，从能量流
角度利用风电机组SCADA系统运行数据，结合风电机组结构特征与运行特性，建立能效指标与关联参数库，实现对运行中的风电机组能效状态的诊断。
[0066] 本发明提供的一种基于能量流的风电机组能效状态诊断方法，包括如下步骤：
[0067] 步骤1：构建风电机组能效指标关联参数库；
[0068] 步骤2：基于概率分布统计确定指标参数基准区间；
[0069] 步骤3：建立风电能效诊断树；
[0070] 步骤4：基于多元模糊识别模型判定能效状态水平；
[0071] 步骤5：获得能效状态诊断结果。
[0072] 所述步骤1构建风电机组能效指标关联参数库包括：
[0073] 分析风电机组与能量流子系统的运行特点，研究各能量流子系统的能量损失机理，确定能效关联参数，构建风电机组层次化的指标体系。
[0074] 由于不同系统具有不同的能量转换过程以及能量载体，针对下述三个能量流子系统：风能捕获系统、机械能传递系统以及电能转换系统的各分项能量损失机理，解析机组能量关联参数与机组典型故障之间的关联性，建立如图2所示的能效指标关联参数库。
[0075] 所述步骤2基于概率分布统计确定指标参数基准区间，包括：
[0076] 步骤2-1.确定运行良好数据：
[0077] 收集整理往年的运行数据；
[0078] 去除风电机组不工作、异常停机及奇异值数据点，保留正常运行数据作为历史样本数据；
[0079] 通过历史样本数据分布的高斯模型划分功率区间的上下限；
[0080] 将在此功率区间上下限范围内的运行数据看作风电机组良好运行状态时的工况数据，建立风电机组良好运行条件下的数据样本。
[0081] 所述通过历史样本数据分布的高斯模型划分功率区间的上下限包括：
[0082] 通过绘制各风速工况下机组功率数据的概率
密度分布图，发现从切入风速至额定风速之间的各风速条件下样本数据大致呈现一种正态分布的特点。对于运行状态良好的风电机组，在某一风速条件下可认为它的功率分布应该呈现一种正态分布：在均值处的数据点数多，出现的概率大；偏离均值越大，点数越少，出现的概率小。
[0083] 由正态分布的特点可知，数据点分布在μ±2.58σ范围内的概率为99％，可以认为分布在μ±2.58σ范围外的点为异常点，可以以此为据，划定功率上下限，其中μ为风速区间的期望值，σ为风速区间的标准差。
[0084] 由于风电机组运行工况的复杂性，其运行工况在不断的变化，需要对每个运行区间都划定上下限。对各风速区间Oi的训练样本集进行计算，得到各风速区间的μi和σi，Ui＝μi+2.58σi为上限值，Li＝μi-2.58σi为下限值，其中μi为第i风速区间的期望值，σi为第i风速区间的标准差。
[0085] 将Ui和Li对应各运行区间风速的中值画点，将不同Ui和Li依次连线，形成全风速范围内的能效状态正常的功率区间上下限。
[0086] 步骤2-2：基于运行工况划分的基准区间确定
[0087] 以风电机组的切入风速Vin为下界，以风电机组的切出风速Vout为上界，根据IEC标准中Bin方法，本发明采用1m/s的风速间隔，将风速工况分成n＝(Vout-Vin)个运行区间。
[0088] 以风电机组出厂时的工作温度范围(Tl℃，Th℃)为温度工况划分的上下限，采用5℃的间隔将温度工况划分为m＝(Th-Tl)/5个运行区间。
[0089] 经过上述划分，将运行工况划分为n*m个运行区间。将正常运行工况下的样本数据按上述工况划分方法划入相应的运行区间，生成各运行区间的训练样本集，从而获得各个运行工况下实际参数的基准区间。
[0090] 所述步骤3建立风电机组能效诊断树包括：
[0091] 本发明中能效诊断的含义不仅在于精确判断能效状态水平，还对造成能效劣化原因进行诊断。
[0092] 本发明引入故障分析理论中的故障树FTA方法，在风电机组设备管理系统
基础上梳理能效指标与能效状态之间的对应关系，构建风电机组能效
知识库。
[0093] 以机组能量损失过大为顶事件，利用FTA技术分析各系统能效状态与关联设备和关联参数之间的逻辑关系，对风电机组能量损失过大这一事件的可能原因进行层次化梳理得到能效诊断树。
[0094] 故障树分析是美国贝尔电报公司的电话实验室于1962年开发的，后来经波音公司
修改，最终形成了今天的FTA技术。故障树分析原理通过树状结构图的形式确定可能造成顶事件发生的事件构成，及故障原因的构成。其中，每一个故障称为故障树的一个元素，在本发明中将风电机组能效劣化这一事件看成一个故障元素而展开分析。故障树符号说明见表1。
[0095] 表1 FTA结构符号说明
[0096]
[0097]
[0098] 风电机组能效诊断树如图3、图4、图5、图6所示。
[0099] 所述步骤4基于多元模糊识别模型判定能效状态水平，包括：
[0100] 能效诊断通过测得的能效指标变化与已知能效状态模式进行匹配，来诊断出能效状态水平。
[0101] 风电机组由于其工作环境和工作性质的原因，某一异常的能效状态往往会对应着多种能效指标异常变化，同时，同一种指标异常变化也会对应着多种能效异常状态，如果仅仅通过一种能效指标异常变化特征就对其能效状态进行判定，容易引起能效状态的误判。而基于多元模糊识别的能效诊断能够对每种能效异常模式从多种能效指标异常变化来建立模糊向量，进行模糊模式识别，实现对能效状态多元异常征兆的融合，提高能效诊断的准确性。
[0102] 风电机组能效异常多元模糊识别诊断方法的流程见图7。
[0103] 第一步，能效异常的标准多元模糊征兆集的建立。
[0104] 在对风电机组能效异常模式进行细致研究后，确定风电机组典型的能效异常模式，通过对典型能效异常模式中能量损失机理进行分析，获得能效异常时的征兆。在选定能效异常征兆时，要尽量能够涵盖能效异常的典型特征，同时避免冗余。确定用来进行能效模式识别的征兆后，对提取到的能效异常征兆进行模糊量化，建立包括所有异常模式的标准多元模糊征兆集。
[0105] 第二步，能效异常的模糊模式识别。
[0106] 将待识别能效异常模式的多元模糊征兆集与标准多元模糊征兆集计算贴近度，按照选定的模糊模式识别原则，确定待识别能效状态所对应的能效异常模式。
[0107] 所述步骤5风电机组能效诊断结果，包括：
[0108] 将待识别能效异常模式，按照标准多元模糊征兆集里面选定的异常征兆，转
化成待识别的模糊征兆集M'＝{X1，X2，X3，…Xn}，按照选定方法来计算M'与Mi(i＝1,2,…m)的贴近度，来判断M'与Mi的相似程度。本发明选定的是欧几里得贴近度来进行计算两个模式之间的相似程度，如下式(1)所示：
[0109]
[0110] 模糊模式识别的原则采用的是最大隶属原则，即待识别能效异常模式属于M'与Mi(i＝1,2,...,m)计算出的贴近度最大值对应的异常模式。
[0111] 当多元模糊识别诊断出待识别能效异常样本是异常模式后，可以迅速得到造成该能效异常模式的可能原因，实现风电机组能效状态的精确全面诊断。
[0112] 最后应当说明的是：以上
实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本
申请进行了详细的说明,所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的
权利要求保护范围之内。
