基于BootStrap置信度计算的风电机组温度预警方法及其系统技术方案

本发明专利技术公开了一种基于BootStrap置信度计算的风电机组温度预警方法及其系统，属于风力发电机组领域，包括如下步骤：实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量Nn，计算异常率η；置信度计算触发条件为预设的异常率限值ηa，当异常率η超出异常率限值ηa时，则触发进行BootStrap置信度计算，计算置信度水平；当置信度水平超出预警指标CLlimit时，则进行故障预警。本发明专利技术综合异常率与置信度水平计算，可极大降低误报警率。

【技术实现步骤摘要】
基于BootStrap置信度计算的风电机组温度预警方法及其系统
本专利技术涉及风力发电机组领域，特别是涉及一种基于BootStrap置信度计算的风电机组温度预警方法及其系统。
技术介绍
近年来，风电产业得到了广泛发展，我国装机容量不断飙升，相配套的状态监测装置却相对落后，高额的运营成本降低了风电的经济效益。通过有效方法，监测风电机组运行状态，做出预防性维修，对于减少风电场运营成本、降低风电机组的运行风险具有重要意义。风电机组状态监测传统方法是通过对一定频率范围内的震动信号分析实现的，但需要对监测部件逐一加装振动传感器，该方法由于施工成本过高而很难被风电工业广泛应用。风电场SCADA系统持续的采集了风电机组的上千个传感器的信号，数据中蕴藏着风电机组运行状态的相关信息，应用运行数据分析成为近年来国内外风电机组运行状态监测的主流。目前领域内专家学者对风电机组状态监测、预警技术做了一系列研究。应用神经网络等机器学习算法对风电机组主部件温度进行分析研究，但依靠神经网络等机器学习算法建立的监测模型存在模型学习时间过长、学习效率过低问题，不适应于在线工程应用。采用非线性状态估计(NSET)方法建立本文档来自技高网...

【技术保护点】
1.一种基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，包括如下步骤：S1：对实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；其中，所述预设的数据库中包括所述已划分的若干子工况和根据工况内参数分布确立的每个子工况的阈值限，所述子工况的划分根据历史数据特性综合评估划分得到，所述预设的数据库中还包括设定的置信度计算触发条件和预警指标CLlimit；S2：在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；S3：对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量Nn...

【技术特征摘要】
1.一种基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，包括如下步骤：S1：对实时数据进行预处理，针对实时数据变量与预设的数据库中已划分的若干子工况进行工况辨识；其中，所述预设的数据库中包括所述已划分的若干子工况和根据工况内参数分布确立的每个子工况的阈值限，所述子工况的划分根据历史数据特性综合评估划分得到，所述预设的数据库中还包括设定的置信度计算触发条件和预警指标CLlimit；S2：在相对应子工况下，通过已划定阈值限对实时温度数据进行数据状态标记，包括异常点标记和正常标记，形成时间顺序的状态序列；S3：对于按时间顺序形成的状态标记序列，统计连续N个数据的异常点标记数量Nn，计算异常率η；S4:置信度计算触发条件为预设的异常率限值ηa，当异常率η超出异常率限值ηa时，则触发进行BootStrap置信度计算，计算置信度水平；S5:当置信度水平超出预警指标CLlimit时，则进行故障预警。2.根据权利要求1所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，所述预设的数据库为通过对离线历史数据处理得到，具体步骤为：1)建立风电机组正常工作状态样本，提取风电机组SCADA历史数据特性，通过相关性方法提取与主部件温度密切相关的变量，与环境温度变量进行工况划分，划分为若干子工况，通过精度计算选择合适的划分工况的间隔尺度；2)利用工况内参数分布的高斯模型确立每个子工况的阈值限。3.根据权利要求2所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，所述步骤1)中，所述主部件温度包括齿轮箱非驱动端轴温变量，采用相关分析法来求取其它变量与齿轮箱非驱动端轴温变量间的相关性系数，相关系数的计算公式为：式中，x为齿轮箱非驱动端的轴温变量，y为其它变量，包括风速变量、有功功率变量、环境温度变量或桨距角变量；通过分析，选取有功功率变量与环境温度变量进行二维工况划分。4.根据权利要求3所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，根据环境温度变量和有功功率变量进行运行工况划分，所述工况划分方法为：针对风电机组历史数据，在剔除环境温度奇异值后，确定环境温度区间[Cmin，Cmax]，Cmin为不高于环境温度最低值的整数，Cmax为不低于环境温度最高值的整数，将环境温度变量等分为M个区间，其间隔尺度为M’；确定有功功率区间[Pmin，Pmax],Pmin为最低限0KW，Pmax为机组额定功率附加100KW，将有功功率变量等分为N个区间，其间隔尺度为N’；根据环境温度变量、有功功率变量的区间划分，可将工况划分为M×N个运行子工况，将运行工况标记为Wij(＝1,2,3,…,；＝1,2,3,…,)，每个工况的数据点数Sij在公式中定义为：Sij＝{(c,p)|c≤ci,c≥ci-1,p≤pj,p≥pj-1}式中,为第Sij个工况的数据点数，c为环境温度变量，p为有功功率变量，ci为第i个环境温度区间上限值，pj为第j个有功功率区间上限值；通过选择不同的间隔尺度M’、N’对工况进行划分，并进行工况划分精度计算，选取准确度高的间隔尺度。5.根据权利要求4所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，所述工况划分精度计算的方法为：A)假设机组预处理后的数据集为{xA}，选取不同间隔尺度M’、N’进行工况划分，对不同子工况分别应用轴温的均值和标准差σ进行奇异值标记，奇异值标记的方法为：分别计算第n个子工况的轴温的均值和标准差σn：式(1)、(2)中，为第n个子工况的轴温的均值，σn为第n个子工况的轴温的标准差σn；B)奇异值标记遵循公式：式(3)中μ是统计分析确立的正常范围系数，超出式(3)范围的轴温点xj则进行奇异值标记；C)在正常运行状态下对工况数据xj的奇异值标记认为是误标记，误标记比率计算方法如下式：式(4)中η为工况划分后计算的误标记比率，定义为工况划分精度，Tq为工况划分后的误标记总数，A为数据总量。6.根据权利要求5所述的基于BootStrap置信度计算的风电机组温度预警方法，其特征在于，选择合适的工况划分数量还结合计算耗时进行判断，结合模型的工况划分精度和计算耗时两个因素提出了统一的评估指标：F＝w1·p1+w...

【专利技术属性】
技术研发人员：刘瑞华，李韶武，王桂松，胥佳，朱耀春，
申请(专利权)人：龙源北京风电工程技术有限公司，
类型：发明
国别省市：北京,11