一种基于机器学习算法平台的风电机组健康管理方法技术

一种基于机器学习算法平台的风电机组健康管理方法。该健康管理方法包括：理论发电量平衡分析法，性能等级评估，故障诊断模型及健康管理模型设计，健康评估与健康度分析、健康管理即状态检修的实现。根据理论电量平衡分析法的深入应用，结合大数据技术，通过机器学习与人工智能结合，实现风机及其配件和主要设备的健康状态的预判与评估，最终使得风电机组的检修模式由计划检修、定检定修向状态检修过渡，从而降低风电机组计划检修损失电量、非计划检修损失电量及性能损失电量，达到提高风电场站发电量、提高场站经济效益的目标。

A Wind Turbine Health Management Method Based on Machine Learning Algorithms Platform

A wind turbine health management method based on machine learning algorithm platform is proposed. The health management methods include: theoretical power balance analysis method, performance grade assessment, fault diagnosis model and health management model design, health assessment and health degree analysis, health management that is the realization of condition-based maintenance. According to the in-depth application of theoretical power balance analysis method, combined with large data technology, through the combination of machine learning and artificial intelligence, the health status of fans and their accessories and main equipment can be predicted and evaluated. Finally, the overhaul mode of wind turbines can be transformed from planned overhaul, verification overhaul to condition overhaul, so as to reduce the planned overhaul loss of power and unplanned overhaul of wind turbines. Repair loss of electricity and performance loss of electricity, to achieve the goal of improving the wind farm power generation and economic benefits of the station.

【技术实现步骤摘要】
一种基于机器学习算法平台的风电机组健康管理方法
本专利技术涉及互联网大数据技术及能源风力发电领域，具体涉及一种基于机器学习算法平台的风电机组健康管理方法。
技术介绍
我国风电行业迅猛发展，风电装机容量快速增长，以及风电场特殊的选址和风电机组负荷的波动性，给风电机组故障报警工作带来了巨大的挑战。传统报警系统存在报警多、报警不精确、报警不及时的问题，而现有大数据系统没有得到充分利用，并存在以下缺陷和不足：1)海量风机运行数据、维护数据及环境数据浪费，巨大的数据量却无法通过软件系统在合理时间内达到过滤、处理、分析、并形成为风电企业生产经营管理更有效的信息。2)大量的数据没有起到大数据的作用，数据处理和数据挖掘的效率低，没有准确的可视化分析展示。3)现有的报警致使阈值报警，没有将相关部件进行关联，不能实现报警的提前性和精准性。4)没有搭建基于机器学习算法平台的风电机组健康管理平台，风电场风电机组健康状态不可预测性存在管理隐患。
技术实现思路
本专利技术的目的是针对目前风电机组管理系统存在的不足之处，提出一种通过现场故障数据统计、专家评估、定量化建模等手段，在保证安全性和完好性的前提下，以最小的维修停机损失和最小的维修资源消耗为目标，提供一种基于机器学习算法平台的风电机组健康管理方法。本专利技术总体构思为：风电机组健康管理系统，是根据理论电量平衡分析法的深入应用，结合大数据技术，通过机器学习与人工智能结合，实现风机及其配件和主要设备的健康状态的预判与评估，最终使得风电机组的检修模式由计划检修、定检定修向状态检修过渡，从而降低风电机组计划检修损失电量、非计划检修损失电量及性能损失电量，达到提高风电场站发电量、提高场站经济效益的目标。本专利技术的技术方案是这样的：一种基于机器学习算法平台的风电机组健康管理方法。该健康管理方法包括：理论发电量平衡分析法，性能等级评估，故障诊断模型及健康管理模型设计，健康评估与健康度分析、健康管理即状态检修的实现。上述各部分功能如下：1、理论发电量平衡分析法。计算公式：理论发电量=实发电量+计划检修损失电量+非计划检修损失电量+限电损失电量+受累损失电量+性能损失电量。计划检修损失电量：以检修间隔期为基础，编制检修计划，对机组进行预防性修理期间内产生的电量损失称为计划检修损失电量（机组自身检修）；非计划检修损失电量：机组故障引起停机及消缺处理期间内的电量损失称为非计划检修损失电量又叫故障损失电量（机组自身故障）；限电损失电量：包括限电停机和限电降容两种，调度限电期间内的电量损失称为限电损失电量；受累损失电量：受累分为场内受累与场外受累。场内受累停机指因机组以外的场内设备停运（如主变、集电线路等配套的设施故障或计划检修）造成机组被迫退出运行期间内造成的电量损失；场外受累停机指因场外电网原因（如外部输电线路、电力系统故障、检修等）造成机组在一段时间内（非实时调度）被迫退出运行的期间内的电量损失，或者是自然因素引起的（雨雪、冰冻、台风等不可抗天气条件）超出风机设计等级的情况造成设备停机、降容的电量损失。性能损失电量：包含机组自降容和机组性能未达标两种。机组自降容是指机组自身原因造成机组降出力运行，如主要部件（轴承）更换后保护运行。机组性能未达标是指运行出力达不到标准值或者风速达到额定切入风速后机组无法切入运行，该期间内的电量损失称为性能损失电量。2、性能等级评估。风电机组性能等级评估就是在分析风电机组性能风险因素的基础上，建立评价模型，对风电机组性能等级得分进行估计，可以在综合评估中突出单一风险大小对整体评估的影响，更加客观反映实际情况。动态变权模糊评价模型主要包括两个部分：（1）运用动态定权的理论确定风电机组性能等级评估指标的权重；（2）然后根据指标间的相互关系对权重进行了修正，得到变权模型评估模型。利用变权模糊评估模型，低于风机性能风险进行评级和评分，用数据来反映机组性能状况，并将设备性能分为A、B、C三个等级，计算机组性能风险情况，得到机组性能等级评价得分，将处于A级的风电机组定性为性能达标，将处于B、C级的风电机组定性为性能不达标；通过性能等级评价后，将设备性能量化定性为性能不达标的风机，进入故障诊断模型，对性能不达标风机实现故障初级预判。3、故障诊断模型及健康管理模型设计。通过实时数据、检修数据、视频数据等进入大数据环境，通过数据库融合与多源异构模型，对各类数据进行关联，然后通过计算模型形成知识，再利用机器学习方法与算法，通过故障诊断对设备的故障进行故障判断，形成故障类型，并通过设置设备健康度的指标初始值来进行故障智能报警，并不断的对健康度初始值进行深度学习，直到指标值完全准确，报警确实精准。并完成机器学习与深度学习后，形成准确的健康评估报告与设备健康度分析，实现设备健康状况的实时跟踪与预判。对每个部件的属性进行了量化处理而不是简单的定性描述，主要包括代表不同意义的标准值、可接受值、超限值等，用数字说明问题，变为计算机可以识别的数字符号，当前测定值经过与标准值、可接受值、超限值按照一定算法比较后经过智能分析，给出报警等级、分析是否为误报警，最后给出结论，为维护工作人员提供决策依据。4、健康评估与健康度分析、健康管理即状态检修的实现。在完成机器学习、智能化平台与健康管理系统后，实现设备健康的预判，驱动设备检修状态由事后向事中与事前过渡，完成设备检修由定检定修、计划检修向状态检修转变。从多层次、多角度进行综合评判，以实现评判结果的准确、全面性。首先，比较当前测定值与标准值，得出偏离标准值的程度。其次，对当前检测部件的相对重要进行模糊评判，给出其相对权重。我们还要考虑其它方面的因素，综合各方面因素给出评判结果。本专利技术优点在于：1）解决风电场设备报警存在的误报和漏报现象，实现报警的客观准确性，为故障报警处理人员提供客观精确的报警处理依据；2）解决风电场风电机组健康状态不可预测性，实现可信度较高的风电场设备健康状态预测，为状态维修提供科学依据，把故障消除在萌芽状态，实现状态检修；3）解决风电机组维修方案难以预定问题，实现可靠性维修；4）解决风电场设备维修专家短缺和维修资源无法共享的问题，建立一个不断完善的风电场设备维修智能专家系统；5）解决风电场设备因故障造成的随机停机现象及对生产、产能、利润的影响，实现风电场设备因故障造成停机的可调控性，实现风电场产能最大化、利润最高化。附图说明图1为本专利技术风电机组健康管理流程示意图。具体实施方式本专利技术的具体实施方式结合附图加以说明。如图1所示，一种基于机器学习算法平台的风电机组健康管理方法。该管理方法包括如下程序：1、性能等级评价。利用性能等级评估模型对风机及其主要设备和配件进行性能等级评估，实现对风电机组性能等级的划分，将处于A级的风机定义为性能达标风机，将处于B/C级的风机定义为性能不达标风机。2、故障诊断模型设计。通过步骤1，将风机性能不达标风机，进入故障诊断模型，结合大数据平台及机器学算法平台的应用，通过故障诊断对设备的故障进行故障判断，形成故障类型，并将有故障风机进行报警。3、健康评估与健康度分析。将备品备件信息、检修人员信息、天气信息等于健康管理模型结合，形成准确的健康评估报告与设备健康度分析，实现设备健康状况的实时跟踪与预判，实现设备健康的预判，本文档来自技高网...

【技术保护点】
1.一种基于机器学习算法平台的风电机组健康管理方法，其特征在于，该健康管理方法包括：理论发电量平衡分析法，性能等级评估，故障诊断模型及健康管理模型设计，健康评估与健康度分析、健康管理即状态检修的实现，上述各部分功能如下：（1）理论发电量平衡分析法：计算公式：理论发电量=实发电量+计划检修损失电量+非计划检修损失电量+限电损失电量+受累损失电量+性能损失电量，计划检修损失电量，以检修间隔期为基础，编制检修计划，对机组进行预防性修理期间内产生的电量损失称为计划检修损失电量（机组自身检修）；（2）性能等级评估：风电机组性能等级评估就是在分析风电机组性能风险因素的基础上，建立评价模型，对风电机组性能等级得分进行估计，可以在综合评估中突出单一风险大小对整体评估的影响，更加客观反映实际情况；（3）故障诊断模型及健康管理模型设计：通过实时数据、检修数据、视频数据等进入大数据环境，通过数据库融合与多源异构模型，对各类数据进行关联，然后通过计算模型形成知识，再利用机器学习方法与算法，通过故障诊断对设备的故障进行故障判断，形成故障类型，并通过设置设备健康度的指标初始值来进行故障智能报警，并不断的对健康度初始值进行深度学习，直到指标值完全准确，报警确实精准，并完成机器学习与深度学习后，形成准确的健康评估报告与设备健康度分析，实现设备健康状况的实时跟踪与预判；（4）健康评估与健康度分析、健康管理即状态检修的实现：在完成机器学习、智能化平台与健康管理系统后，实现设备健康的预判，驱动设备检修状态由事后向事中与事前过渡，完成设备检修由定检定修、计划检修向状态检修转变，从多层次、多角度进行综合评判，以实现评判结果的准确、全面性。...

【技术特征摘要】
1.一种基于机器学习算法平台的风电机组健康管理方法，其特征在于，该健康管理方法包括：理论发电量平衡分析法，性能等级评估，故障诊断模型及健康管理模型设计，健康评估与健康度分析、健康管理即状态检修的实现，上述各部分功能如下：（1）理论发电量平衡分析法：计算公式：理论发电量=实发电量+计划检修损失电量+非计划检修损失电量+限电损失电量+受累损失电量+性能损失电量，计划检修损失电量，以检修间隔期为基础，编制检修计划，对机组进行预防性修理期间内产生的电量损失称为计划检修损失电量（机组自身检修）；（2）性能等级评估：风电机组性能等级评估就是在分析风电机组性能风险因素的基础上，建立评价模型，对风电机组性能等级得分进行估计，可以在综合评估中突出单一风险大小对整体评估的影响，更加客观反映实际情况；（3）故障诊断模型及健康管理模型设计：通过实时数据、检修数据、视频数据等进入大数据环境，通过数据库融合与多源异构模型，对各类数据进行关联，然后通过计算模型形成知识，再利用机器学习方法与算法，通过故障诊断对设备的故障进行故障判断，形成故障类型，并通过设置设备健康度的指标初始值来进行故障智能报警，并不断的对健康度初始值进行深度学习，直到指标值完全准确，报警确实精准，并完成机器学习与深度学习后，形成准确的健康评估报告与设备健康度分析，实现设备健康状况的实时跟踪与预判；（4）健康评估与健康度分析、健康管理即状态检修的实现：在完成机器学习、智能化平台与健康管理系统后，实现设备健康的预判，驱动设备检修状态由事后向事中与事前过渡，完成设备检修由定检定修、计划检修向状态检修转变，从多层次、多角度进行综合评判，以实现评判结果的准确、全面性。2.根据权利要求1所述的健康管理方法，其特征在于：所说的性能等级评估建立的评价模型为动态变权模糊评价模型，主要包括两个部分：（1...

【专利技术属性】
技术研发人员：李刚，方志宁，冯元，渠叶君，刘俊燕，张力涛，
申请(专利权)人：国电电力宁夏新能源开发有限公司，
类型：发明
国别省市：宁夏,64