一种基于风电机组SCADA信号数据的多级健康状态评估方法

本发明涉及风力发电设备状态监测和故障预警，具体涉及一种基于风电机组scada信号数据的多级健康状态评估方法。

背景技术：

1、随着新能源装机规模的持续扩大，风电机组在电力系统中的应用日益广泛。风电机组通常长期运行于强风、低温、高湿、冰冻及沙尘等复杂环境中，其内部包括变桨系统、变流并网系统、发电机系统、偏航系统、液压制动系统及控制监测系统等多个功能系统。在长期运行过程中，热应力、机械磨损、电磁应力及控制执行偏差逐渐累积，可能导致风电机组的运行状态发生退化，进而影响风电机组的发电能力、运行安全性及涉网支撑能力。

2、风电机组的scada系统能够连续采集风电机组运行过程中的温度、功率、压力、角度和转速等运行参数，为风电机组状态监测和故障预警提供数据基础。现有风电机组健康状态评估方法通常根据单个或少量scada运行参数是否超过预设阈值判断风电机组是否出现异常。该类方法通常在运行参数已经明显越限后才触发告警，难以及时识别故障发生前参数逐渐偏移和部件逐渐退化的过程。

3、同时，风电机组scada运行参数数量较多，不同运行参数在量纲、数值范围、变化方向及物理含义方面存在差异，并且部分运行参数之间具有较强的相关性。如果直接采用全部scada运行参数进行健康状态评价，容易产生指标冗余，增加健康状态评价过程的复杂程度，且可能使部分重复信息对评价结果产生不必要的影响。

4、此外，现有健康状态评估方法通常针对单个参数或者单个部件进行分析，缺少参数、部件与整机之间的层级对应关系，难以将不同部件的运行状态统一融合为风电机组的整机健康状态。即使部分方法能够输出整机健康分值或者健康等级，也难以进一步确定整机健康状态下降主要由哪个部件或者哪个运行参数引起，导致评价结果的可追溯性和可解释性不足，难以为现场运维检修提供明确依据。

5、在健康状态评价过程中，各评价指标权重的确定方式也会影响评价结果。采用固定权重或者仅采用主观赋权方式，可能难以充分反映不同样本数据之间的差异；仅采用客观赋权方式，又可能忽略风电机组运行机理、故障风险和工程经验。因而，单一赋权方式难以兼顾工程经验与样本数据特征。

6、因此，需要提供一种基于风电机组scada信号数据的多级健康状态评估方法，在对scada运行数据进行筛选和统一量化的基础上，建立参数层、部件层和整机层之间的层级评价关系，实现风电机组健康状态的逐级融合、健康等级判定及主导薄弱部件识别，提高健康状态评价结果的完整性和可解释性。

技术实现思路

1、本发明针对现有技术存在的问题，提供了一种基于风电机组scada信号数据的多级健康状态评估方法，以解决现有风电机组健康状态评估方法过度依赖单一阈值、评价指标存在冗余、不同量纲和不同变化方向的运行参数难以统一评价、不同部件的健康信息难以融合为整机健康状态以及整机评价结果难以追溯至具体薄弱部件等问题。

2、为实现上述目的，本发明采用的技术方案如下：

3、s1，采集风电机组运行过程中的scada运行数据，对所述scada运行数据进行预处理，得到有效样本数据集。

4、具体地，采集风电机组运行过程中的温度参数、功率参数、压力参数、角度参数和转速参数；从采集的scada运行数据中剔除风电机组停机期间的数据、限功率运行期间的数据、通信异常数据和明显坏点数据；对剔除处理后的scada运行数据中的缺失值和异常值进行清洗处理，得到用于健康状态评估的有效样本数据集。

5、s2，根据有效样本数据集中的scada运行参数与风电机组部件之间的对应关系，构建包括参数层、部件层和整机层的三级健康状态评价指标体系。

6、具体地，将scada运行参数按照变桨系统、变流并网系统、发电机系统、偏航系统和液压制动系统进行归属。将表征具体运行变量的指标确定为参数层的指标，将变桨系统、变流并网系统、发电机系统、偏航系统和液压制动系统确定为部件层的评价对象，将风电机组整体确定为整机层的评价对象，从而建立scada运行参数、风电机组部件与风电机组整体之间的层级对应关系。

7、为反映变流并网系统内部的热状态差异，将1号变流器机侧igbt功率模块最高温度减去对应的1号变流器网侧igbt功率模块最高温度，得到1号变流器机网侧igbt温差；将2号变流器机侧igbt功率模块最高温度减去对应的2号变流器网侧igbt功率模块最高温度，得到2号变流器机网侧igbt温差。

8、为反映发电机绕组和定子部分的局部热状态，从12个发电机分段绕组温度测点值中选取最大值，得到发电机绕组最高温度；从12个发电机定子温度测点值中选取最大值，得到发电机定子最高温度。

9、将1号变流器机网侧igbt温差、2号变流器机网侧igbt温差、发电机绕组最高温度、发电机定子最高温度以及按照风电机组部件进行归属的scada运行参数作为参数层中的候选指标。

10、s3，对参数层中的候选指标进行pearson相关性分析和偏度分析，并结合风电机组运行机理、故障映射关系、数据质量和模型可解释性，从候选指标中筛选得到关键指标。

11、具体地，计算任意两个候选指标之间的pearson相关系数，根据pearson相关系数识别候选指标之间的冗余关系；计算各候选指标的偏度，根据偏度确定对应候选指标的样本分布向高值方向或者低值方向偏移的方向及程度。

12、根据候选指标之间的冗余关系和候选指标样本分布的偏移方向及程度，并结合风电机组运行机理、故障映射关系、数据质量和模型可解释性，从候选指标中确定用于健康状态评价的关键指标。对于满足预设强相关条件但分别表征不同风险维度的候选指标，同时保留相应候选指标，以避免在消除冗余信息的过程中遗漏不同类型的运行风险。

13、s4，根据各关键指标的物理含义，将各关键指标划分为越小越优型指标和中间最优型指标，采用与指标类型对应的单一劣化度函数将各关键指标映射至[0,1]区间，得到各关键指标的单一劣化度。

14、对于越小越优型指标，当指标当前值小于或等于健康区间上限时，将对应的单一劣化度确定为0；当指标当前值大于或等于劣化阈值时，将对应的单一劣化度确定为1；当指标当前值位于健康区间上限与劣化阈值之间时，使对应的单一劣化度随指标当前值的增大由0线性增大至1。

15、对于中间最优型指标，当指标当前值小于或等于左边界阈值或者大于或等于右边界阈值时，将对应的单一劣化度确定为1；当指标当前值等于最优值或者中心值时，将对应的单一劣化度确定为0；当指标当前值位于左边界阈值与最优值或者中心值之间时，使对应的单一劣化度随指标当前值的增大由1线性减小至0；当指标当前值位于最优值或者中心值与右边界阈值之间时，使对应的单一劣化度随指标当前值的增大由0线性增大至1。

16、其中，单一劣化度为0表示对应关键指标处于健康状态或者最优状态，单一劣化度为1表示对应关键指标偏离正常状态的程度最大。通过单一劣化度映射，将不同量纲、不同数值范围和不同变化方向的关键指标转换为具有统一取值范围和统一劣化方向的评价数据。

17、s5，针对同一部件对应的多个关键指标，采用层次分析法确定各关键指标的主观权重，采用熵权法确定各关键指标的客观权重，并对主观权重和客观权重进行组合，得到各关键指标的组合权重。

18、具体地，将同一部件对应的各关键指标的单一劣化度组成对应部件的参数层劣化度向量。采用层次分析法确定参数层劣化度向量中各单一劣化度对应的主观权重，得到主观权重向量。

19、采用熵权法计算各关键指标的信息熵，将1与各关键指标的信息熵之差确定为对应关键指标的指标冗余度，并根据各关键指标的指标冗余度确定各关键指标的客观权重。

20、将同一关键指标的主观权重与主观权重系数的乘积和该关键指标的客观权重与客观权重系数的乘积相加，得到该关键指标的组合权重。其中，主观权重系数与客观权重系数之和为1，且主观权重系数和客观权重系数均位于[0,1]区间。

21、s6，根据同一部件对应的各关键指标的单一劣化度和组合权重进行加权融合，得到对应部件的综合劣化度，并根据部件的综合劣化度得到对应部件的部件健康度。

22、具体地，对同一部件对应的各关键指标的单一劣化度和组合权重进行加权求和，得到对应部件的综合劣化度；将1与部件综合劣化度之差确定为对应部件的部件健康度。由此，分别得到变桨系统、变流并网系统、发电机系统、偏航系统和液压制动系统的综合劣化度及部件健康度。

23、s7，根据各部件的综合劣化度和对应的整机层部件权重进行加权融合，得到风电机组的整机综合劣化度，并根据整机综合劣化度得到整机健康度。

24、具体地，获取变桨系统、变流并网系统、发电机系统、偏航系统和液压制动系统分别对应的预设整机层部件权重，组成部件权重向量，并使各预设整机层部件权重之和为1。对各部件的综合劣化度和对应的预设整机层部件权重进行加权求和，得到整机综合劣化度；将1与整机综合劣化度之差确定为整机健康度。

25、s8，根据各部件的整机层部件权重和综合劣化度，确定各部件对整机劣化的加权劣化贡献，并将加权劣化贡献最大的部件确定为主导薄弱部件。

26、具体地，分别计算各部件的整机层部件权重与对应部件在当前时刻的综合劣化度的乘积，得到各部件在当前时刻的加权劣化贡献；比较各部件在当前时刻的加权劣化贡献，将加权劣化贡献最大的部件确定为当前时刻的主导薄弱部件，以确定对整机健康状态下降贡献最大的部件。

27、s9，将整机综合劣化度作为健康等级判定变量，根据各健康等级对应的隶属度函数计算风电机组当前状态对各健康等级的隶属度，得到健康状态隶属度向量，并根据健康状态隶属度向量确定风电机组的健康等级。

28、具体地，将风电机组的健康等级设置为健康、亚健康、预警和故障。根据健康、亚健康、预警和故障分别对应的隶属度函数，计算风电机组当前状态对各健康等级的隶属度，得到健康状态隶属度向量。基于最大隶属度原则，将健康状态隶属度向量中最大隶属度对应的健康等级确定为初始健康等级。

29、当关键指标中用于表征部件热状态的关键热风险指标达到对应的预设极端异常阈值时，将风电机组的健康等级修正为故障。当健康状态隶属度向量中的最大隶属度与次大隶属度接近时，根据主导薄弱部件的综合劣化度对初始健康等级进行修正，得到风电机组的健康等级。

30、s10，输出风电机组的健康状态评估结果。

31、所述健康状态评估结果包括整机综合劣化度、整机健康度、健康等级、各部件的部件健康度、各关键指标的单一劣化度以及主导薄弱部件。通过同时输出整机层、部件层和参数层的评价结果，实现风电机组健康状态由整机层向部件层和参数层的逐级追溯。

32、相对于现有技术，本发明具有以下有益效果：

33、第一，本发明将风电机组scada运行参数按照变桨系统、变流并网系统、发电机系统、偏航系统和液压制动系统进行归属，构建参数层、部件层和整机层的三级健康状态评价指标体系，能够从多个层级反映风电机组的运行状态，减少采用单一参数或者单一部件评价造成的片面性。

34、第二，本发明通过pearson相关性分析识别候选指标之间的冗余关系，通过偏度分析确定候选指标样本分布的偏移方向及程度，并结合风电机组运行机理、故障映射关系、数据质量和模型可解释性筛选关键指标，有利于减少冗余指标对健康状态评价结果的影响，同时保留表征不同风险维度的运行信息。

35、第三，本发明针对越小越优型指标和中间最优型指标分别设置单一劣化度函数，将不同量纲、不同数值范围及不同变化方向的关键指标统一映射至[0,1]区间，使不同类型的scada运行参数能够在统一评价尺度下进行融合。

36、第四，本发明将层次分析法确定的主观权重与熵权法确定的客观权重进行组合，使关键指标的权重同时反映风电机组运行机理和样本数据差异，并通过参数层、部件层和整机层的逐级加权融合，得到部件综合劣化度、部件健康度、整机综合劣化度和整机健康度。

37、第五，本发明通过计算各部件的整机层部件权重与综合劣化度的乘积，确定各部件对整机劣化的加权劣化贡献，并将加权劣化贡献最大的部件确定为主导薄弱部件，能够在整机健康状态之外进一步识别对整机健康状态下降贡献最大的部件，减少整机综合评价结果对局部部件退化的掩盖。

38、第六，本发明通过健康等级隶属度函数和最大隶属度原则确定初始健康等级，并结合关键热风险指标和主导薄弱部件的综合劣化度对初始健康等级进行修正，有利于降低仅依据单一阈值或者单一综合分值进行健康等级判定产生的偏差。

39、第七，本发明同时输出整机综合劣化度、整机健康度、健康等级、各部件的部件健康度、各关键指标的单一劣化度和主导薄弱部件，使整机健康状态能够进一步追溯至部件层和参数层，有利于提高健康状态评价结果的可解释性，并为风电机组状态监测、故障预警和运维检修提供依据。