一种新能源机组退化趋势评估与风险预警方法及系统
本发明属于装备退化预测,具体涉及一种新能源机组退化趋势评估与风险预警方法及系统。 更具体地,本发明涉及新能源发电设备关键部件的状态监测、故障诊断及预测性维护。
背景技术:
1、风力发电机组、光伏跟踪驱动机构、储能变流及电驱动装备等新能源机组通常处于变风速、变负载、变温度和频繁启停的复杂工况下运行。机组关键部件在长期运行过程中容易出现轴承磨损、齿轮点蚀、转子不平衡、绝缘老化、润滑劣化等退化现象。若不能及时识别退化趋势并进行风险预警,可能导致非计划停机、发电效率下降、维护成本升高甚至安全事故。
2、现有技术中,新能源机组风险预警多采用固定阈值、单一信号趋势判断或普通数据驱动模型。固定阈值方法难以适应不同风速、负载和环境温度下的正常波动,容易将工况变化误判为退化异常;单一信号方法难以覆盖早期磨损、中期结构损伤和后期热异常的完整退化链条;普通机器学习或深度学习方法虽然能够拟合历史数据,但通常缺乏退化单调性、疲劳损伤累积和物理速率边界等约束,导致输出结果可解释性不足,且在跨机组、跨工况应用时稳定性较差。
3、此外,现有多源融合方法常将振动、温度、油液等特征直接进行归一化或降维融合,未能明确区分由运行工况引起的可逆响应、随机扰动和由部件损伤引起的不可逆退化。对于新能源机组而言,相同振动幅值或温升在高负载工况下可能属于正常响应,在低负载工况下则可能指示异常。如果不进行工况-退化解耦,健康指标容易出现伪退化跳变,造成误报或漏报。
4、新能源机组在变风速、变负载、变温度及频繁启停条件下运行时,振动幅值、轴承温升、电流特征和润滑状态等测量量会随工况产生可逆变化。高负载引起的振动和温升上升并不必然表示部件发生不可逆损伤;若直接基于原始测量量设定固定阈值或训练退化模型,工况突变容易被误识别为健康状态突降。另一方面,完全依赖数据拟合的健康指标还可能出现短时反向恢复或超过物理允许退化速率的跳变,因此需要同时实现工况响应剥离、退化物理约束,并将健康状态不确定性传播至剩余寿命与维护窗口内失效概率。
5、因此,有必要提出一种能够面向复杂变工况、区分工况响应与真实退化、具有物理一致性约束并能够输出概率化风险等级的新能源机组退化趋势评估与风险预警方法及系统,以对装备进行预测和管理。
技术实现思路
1、为解决上述问题,本发明提出一种新能源机组退化趋势评估与风险预警方法及系统,该新能源机组退化趋势评估与风险预警方法及系统可有效降低变工况误报,提升退化评估的物理可解释性与预警可靠性。
2、本发明所处理的数据对应目标新能源机组实体运行状态,其中状态监测数据由设置于机组关键部件或其邻近位置的振动、温度、油液状态和电流检测单元获得,运行工况参数由机组控制系统或监控与数据采集系统scada获得;各类数据经时间同步后共同用于识别工况响应、不可逆退化以及后续剩余寿命和风险等级,使计算结果直接服务于关键部件状态评估和检修决策。
3、本发明采用以下技术方案:
4、一方面,一种新能源机组退化趋势评估与风险预警方法,包括以下步骤:
5、s101,采集新能源机组运行过程中的多模态状态数据,所述多模态状态数据包括状态监测数据和运行工况参数;基于包括振动信号、温度信号、油液状态信号和电流信号的状态监测数据,提取多模态状态特征;基于包括转速、负载、输出功率、环境温度和风速的运行工况参数,构建工况状态向量;
6、s102,基于工况状态向量对多模态状态数据划分运行片段,得到稳态运行片段、瞬态冲击片段和异常扰动片段;
7、s103,针对各运行片段建立工况-退化解耦模型,将多模态状态特征分解为工况响应分量、随机扰动分量和不可逆退化分量,并根据不可逆退化分量构建工况无关退化特征集;其中,工况响应分量为由工况状态向量引起的工况响应分量,通过历史正常样本的近邻检索与核加权估计获得;随机扰动分量为多模态状态特征扣除工况响应分量后,在预设局部时间窗内相对于局部平滑趋势的零均值波动;不可逆退化分量为多模态状态特征扣除工况响应分量和随机扰动分量后的剩余分量,并经动态健康基线偏差及单调约束修正得到;
8、s104,基于趋势性、单调性、故障可分性和工况弱相关性对工况无关退化特征集进行筛选,保留筛选合格的工况无关退化特征进行融合,得到融合健康指数;基于健康指数随退化过程非增的单调退化约束以及由当前工况状态向量确定的最大允许退化速率,对所述融合健康指数进行投影修正,生成物理约束退化健康指数;其中,故障可分性为工况无关退化特征在正常样本与故障或退化样本之间的分布差异程度,工况弱相关性为工况无关退化特征与工况状态向量之间的相关程度低于预设相关阈值的特性;
9、s105,建立新能源机组的退化数字孪生模型,确定状态向量并建立含疲劳损伤累积项和随机漂移项的退化状态方程,将所述物理约束退化健康指数作为所述状态向量中健康状态量的观测值,并据此建立观测方程;
10、s106,利用实时采集的多模态状态数据对退化数字孪生模型进行参数在线更新,并基于更新后的后验状态样本进行不确定性传播,得到健康状态预测分布、失效时间分布和剩余寿命概率分布;
11、s107,根据预设维护窗口内的失效概率、剩余寿命置信区间、退化速率和退化加速度生成分级风险预警结果。
12、优选地,基于工况状态向量对多模态状态数据划分运行片段,得到稳态运行片段、瞬态冲击片段和异常扰动片段,具体包括:
13、通过计算相邻采样窗口内工况状态向量的变化率和幅值波动,并计算当前工况状态向量与历史正常工况簇的距离,按照异常扰动、稳态运行和瞬态冲击的顺序进行判定:先将与历史正常工况簇距离超过第三阈值的数据划分为异常扰动片段;对于未被划分为异常扰动片段的数据,将变化率小于第一阈值且幅值波动小于第二阈值的数据划分为稳态运行片段;将其余未满足稳态运行条件的数据划分为瞬态冲击片段;
14、其中,所述工况状态向量表示为:
15、;
16、其中,为时间;为工况状态向量;n(t)为转速;l(t)为负载;p(t)为输出功率;tenv(t)为环境温度;v(t)为风速。
17、优选地,所述工况-退化解耦模型满足:
18、;
19、其中,为第j个多模态状态特征;j为多模态状态特征编号;gj(c(t))为第j个多模态状态特征由工况状态向量引起的工况响应分量;rj(t)为第j个多模态状态特征的随机扰动分量;dj(t)为第j个多模态状态特征的不可逆退化分量,所述不可逆退化分量由原始特征与动态健康基线的偏差经单调约束修正得到。
20、优选地,所述动态健康基线根据历史正常样本库和当前工况状态向量确定,具体过程为:将历史正常样本库中历史正常样本的工况状态向量与当前工况状态向量分别进行归一化处理,计算归一化后的工况状态向量之间的欧氏距离,并按欧氏距离由小到大排序,选取距离最小的3至20个历史正常样本作为与当前工况状态相近的历史正常样本;根据所选历史正常样本与当前工况状态之间的欧氏距离确定相应权重,其中欧氏距离越小,对应权重越大,且各权重之和为1;针对第 j 个多模态状态特征,对所选历史正常样本中对应的第 j 个多模态状态特征进行加权估计,得到当前工况下该第 j 个多模态状态特征的正常响应值,并将所述正常响应值作为工况响应分量 ;各多模态状态特征对应的工况响应分量共同构成当前工况下的动态健康基线;将实时多模态状态特征与其对应工况响应分量之间的归一化偏差作为工况补偿后的退化候选特征。
21、优选地,所述筛选合格的工况无关退化特征具体为综合筛选评分大于预设评分阈值的工况无关退化特征;所述综合筛选评分表示为:
22、;
23、其中,为第m个工况无关退化特征的综合筛选评分;m为工况无关退化特征的编号;为第m个工况无关退化特征的单调性指标;为第m个工况无关退化特征的趋势性指标;为第m个工况无关退化特征的故障可分性指标;为第m个工况无关退化特征与工况状态向量的相关性惩罚项;α、β、γ和η为权重系数;保留综合筛选评分大于预设评分阈值的工况无关退化特征参与物理约束退化健康指数构建。
24、优选地,s104中所生成的物理约束退化健康指数满足物理一致性的可行退化状态空间,如下:
25、;
26、其中,为时刻的物理约束退化健康指数;为时间间隔;为时刻的物理约束退化健康指数;vmax(c(t))为由当前工况状态向量确定的最大允许退化速率;该可行退化状态空间,是由单调退化约束和退化速率边界约束共同确定的健康指数取值区间;当实时特征融合得到的健康指数大于上一时刻物理约束退化健康指数时,将其修正为上一时刻物理约束退化健康指数;当实时特征融合得到的健康指数低于由最大允许退化速率确定的健康指数下限时,将其修正为所述健康指数下限;当实时融合结果位于所述取值区间内时,则保持该融合结果不变。
27、优选地,所述退化数字孪生模型以离散采样时刻k为建模单位,状态向量表示为:
28、;
29、其中,k为离散采样时刻;为k时刻的状态向量;hk为k时刻的健康状态量;dk为k时刻的累计损伤量;bk为k时刻的退化速率;ak为k时刻的退化加速度;θk为k时刻的个体化工况敏感参数;为向量的转置;
30、所述退化状态方程表示为:
31、;
32、;
33、;
34、;
35、;
36、其中,π[0,1]{·}为区间投影算子;为k-1时刻的健康状态量;为k-1时刻的退化速率;为相邻采样时刻的时间间隔;为k-1时刻的退化加速度;为累计损伤对健康状态衰减的映射系数;为k-1时刻的累计损伤量;作为所述健康状态量的观测值,并对进行在线校正;、、、和分别为健康状态量、累计损伤量、退化速率、退化加速度和个体化工况敏感参数的随机扰动项;为k时刻的工况状态向量;为k-1时刻的个体化工况敏感参数;为k时刻单位时间疲劳损伤累积强度;为最小值函数;为当前工况允许的最大退化速率;为最大值函数;
37、所述疲劳损伤累积项表示为:
38、;
39、其中,、、、和分别为归一化后的转速、负载、输出功率、环境温度和风速;至为对应工况项的个体化敏感系数;max{0,·}为用于保证疲劳损伤累积强度为非负值;
40、所述随机漂移项表示为:
41、,;
42、其中,为随机漂移项;为过程噪声协方差矩阵,用于表征未建模扰动、传感器波动及单机个体差异对退化过程的影响;
43、所述观测方程表示为:
44、;
45、;
46、其中,为物理约束退化健康指数的观测值;为观测噪声;为观测噪声协方差。
47、优选地,所述s106,具体包括:
48、将实时采集的多模态状态数据计算得到的观测值输入退化数字孪生模型,对退化状态和退化速率进行在线更新;采用贝叶斯递推时,后验分布的更新公式为:
49、;
50、其中,为给定观测序列后的状态后验分布;为截至k时刻的观测序列,={y1,y2,…,yk};为观测似然;为截至k-1时刻的观测序列;为预测先验分布;
51、以粒子滤波实现时,第i个粒子的权重更新和观测似然采用如下公式:
52、;
53、;
54、其中,为第个粒子在k时刻的归一化权重;为粒子编号;为第个粒子在k-1时刻的权重;为粒子总数;为第个粒子预测得到的状态;ℓ为权重归一化求和索引;为第ℓ个粒子在k−1时刻的权重;为第ℓ个粒子由k−1时刻预测至k时刻得到的状态;为第个粒子预测得到的健康状态量;
55、在健康状态预测阶段,将后验粒子沿未来工况序列向前传播h步,得到未来健康状态预测分布,计算公式为:
56、;
57、其中,为给定观测序列后k+h时刻健康状态的预测分布;为时刻的物理约束退化健康指数;为第i个粒子传播至k+h时刻得到的健康状态量;为狄拉克函数;
58、在剩余寿命计算阶段,设置失效阈值,第i个粒子的失效时间和剩余寿命的计算公式为:
59、;
60、其中,为第i个粒子的失效时间;为满足失效条件的最早时刻;为未来第h步对应的时间;hfai为失效阈值;为第i个粒子的剩余寿命样本;为k时刻的时间;
61、剩余寿命的累积分布函数、维护窗口内失效概率和剩余寿命置信区间的计算公式为:
62、;
63、;
64、其中,为剩余寿命在维护窗口τ内的累积分布函数;为剩余寿命不大于τ的概率;τ为维护窗口;i(·)为示性函数;为维护窗口τ内的失效概率;为置信水平1-α下的剩余寿命置信区间;qα/2(rul)和q1-α/2(rul)为rul样本的加权分位数。
65、优选地,所述分级风险预警结果包括关注级、预警级、告警级和紧急级;当退化速率连续多个窗口增大但预设维护窗口内失效概率未超过第一概率阈值时,输出关注级;当剩余寿命置信下界低于第一维护阈值或失效概率超过第一概率阈值时,输出预警级;当失效概率超过第二概率阈值且退化加速度超过加速度阈值时,输出告警级;当健康状态预测分布的下置信界低于失效阈值且连续多个窗口满足告警条件时,输出紧急级。
66、另一方面,一种新能源机组退化趋势评估与风险预警系统,包括:
67、多模态状态数据采集模块,用于采集新能源机组运行过程中的多模态状态数据,所述多模态状态数据包括状态监测数据和运行工况参数;基于包括振动信号、温度信号、油液状态信号和电流信号的状态监测数据,提取多模态状态特征;基于包括转速、负载、输出功率、环境温度和风速的运行工况参数,构建工况状态向量;
68、运行片段划分模块,用于基于工况状态向量对多模态状态数据划分运行片段,得到稳态运行片段、瞬态冲击片段和异常扰动片段;
69、工况-退化解耦模型建立模块,用于针对各运行片段建立工况-退化解耦模型,将多模态状态特征分解为工况响应分量、随机扰动分量和不可逆退化分量,并根据不可逆退化分量构建工况无关退化特征集;其中,工况响应分量为由工况状态向量引起的工况响应分量,通过历史正常样本的近邻检索与核加权估计获得;随机扰动分量为多模态状态特征扣除工况响应分量后,在预设局部时间窗内相对于局部平滑趋势的零均值波动;不可逆退化分量为多模态状态特征扣除工况响应分量和随机扰动分量后的剩余分量,并经动态健康基线偏差及单调约束修正得到;
70、物理约束退化健康指数生成模块,用于基于趋势性、单调性、故障可分性和工况弱相关性对工况无关退化特征集进行筛选,保留筛选合格的工况无关退化特征进行融合,得到融合健康指数;基于健康指数随退化过程非增的单调退化约束以及由当前工况状态向量确定的最大允许退化速率,对所述融合健康指数进行投影修正,生成物理约束退化健康指数;其中,故障可分性为工况无关退化特征在正常样本与故障或退化样本之间的分布差异程度,工况弱相关性为工况无关退化特征与工况状态向量之间的相关程度低于预设相关阈值的特性;
71、观测方程建立模块,用于建立新能源机组的退化数字孪生模型,确定状态向量并建立含疲劳损伤累积项和随机漂移项的退化状态方程,将所述物理约束退化健康指数作为所述状态向量中健康状态量的观测值,并据此建立观测方程;
72、状态分布预测模块,用于利用实时采集的多模态状态数据对退化数字孪生模型进行参数在线更新,并基于更新后的后验状态样本进行不确定性传播,得到健康状态预测分布、失效时间分布和剩余寿命概率分布;
73、分级风险预警结果生成模块,用于根据预设维护窗口内的失效概率、剩余寿命置信区间、退化速率和退化加速度生成分级风险预警结果。
74、与现有技术相比,本发明具有以下有益效果:
75、(1)本发明通过工况状态空间划分运行片段,结合工况-退化解耦模型将多模态特征拆解为工况响应分量、随机扰动分量与不可逆退化分量,可精准区分启停、负载突变、阵风等工况正常波动与部件真实损伤,从源头避免将工况响应误判为退化异常,大幅降低误报率。
76、(2)本发明在特征融合阶段引入单调退化约束、疲劳损伤累积约束与退化速率边界约束,使生成的物理约束退化健康指数符合机械部件不可逆损伤演化机理,规避纯数据驱动模型的无规律跳变问题,输出结果具备明确物理意义与工程合理性。
77、(3)本发明构建含疲劳损伤累积项的退化数字孪生模型,搭配在线贝叶斯更新机制,可随实时运行数据持续修正退化状态、退化速率与个体化工况敏感参数,在跨机组、跨工况场景下的应用稳定性显著提升。
78、(4)本发明摒弃单一阈值报警模式,综合维护窗口内失效概率、剩余寿命置信区间、退化速率与退化加速度多维度指标,输出关注、预警、告警、紧急四级风险结果,可直接指导检修优先级排序与维护窗口规划,提升运维效率与设备运行安全性。
79、(5)本发明通过趋势性、单调性、故障可分性与工况弱相关性联合评分机制筛选特征,筛除对工况高度敏感但对损伤不敏感的冗余特征,保障最终健康指数对退化过程的高敏感度,同时具备强抗工况干扰能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com