风力发电机组算法模型的监控方法及其装置及计算机可读存储介质与流程

1.本发明实施例涉及风力发电技术领域，尤其涉及一种风力发电机组算法模型的监控方法及其装置及计算机可读存储介质。


背景技术：

2.随着煤炭、石油等能源的逐渐枯竭，人类越来越重视可再生能源的利用。风能作为一种清洁的可再生能源越来越受到世界各国的重视。伴随着风电技术的不断发展，风力发电机组在电力系统中的应用日益增加。风力发电机组是将风能转化为电能的大型设备，通常设置于风能资源丰富的地区。
3.在整个风电场中会分布多台风力发电机组，而每台风力发电机组在应用中会部署多个算法模型。算法模型的部署情况多，模型部署验证周期长，而且，模型验证需要较高的技术程度，因此，目前判断算法模型的好坏及算法模型何时需要更新等技术含量较高的工作一般都需要人工来完成，仅靠现成的运维人工是无法独立完成的，而具有技术能够完成该工作的算法工程师或算法科学家们又没有时间去涵盖整个风电场中的所有风力发电机组的状态。


技术实现要素：

4.本发明实施例的目的在于提供一种风力发电机组算法模型的监控方法及其装置及计算机可读存储介质，能够自动监控风力发电机组算法模型的健康状态，大大减少人工参与度，并且，能够提高模型诊断的准确性和提前量。
5.本发明实施例的一个方面提供一种风力发电机组算法模型的监控方法。所述方法包括：步骤s1：从风力发电机组的振动状态监控系统中获取所述风力发电机组正常运行状态下的cms振动数据；步骤s2：将所述cms振动数据输入到所述风力发电机组的算法模型中，获得所述算法模型的第一状态；步骤s3：在所述cms振动数据中加入失效仿真信号以获得失效仿真数据；步骤s4：将所述失效仿真数据输入到所述算法模型中，获得所述算法模型的第二状态；及步骤s5：基于所述第一状态和所述第二状态来确定是否需要对所述算法模型进行更新。
6.本发明实施例的另一个方面还提供一种风力发电机组算法模型的监控装置。所述装置包括一个或多个处理器，用于实现如上所述的风力发电机组算法模型的监控方法。
7.本发明实施例的又一个方面还提供一种计算机可读存储介质。所述计算机可读存储介质上存储有程序，所述程序被处理器执行时，实现如上所述的风力发电机组算法模型的监控方法。
8.本发明实施例的风力发电机组算法模型的监控方法及其装置及计算机可读存储介质能够自动监控风力发电机组算法模型的健康状态，大大减少人工参与度。并且，由于是否更新的判断过程可以由系统自动完成，可以减少人为判断的主观性，提高人工判断的时
效性，从而能够提高模型诊断的准确性和提前量。
附图说明
9.图1为一种风力发电机组的示意图；
10.图2为本发明一个实施例的风力发电机组算法模型的监控方法的流程图；
11.图3为本发明一个实施例的风力发电机组算法模型的监控装置的示意性框图。
具体实施方式
12.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本发明相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。
13.在本发明实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。除非另作定义，本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“多个”或者“若干”表示两个及两个以上。除非另行指出，“前部”、“后部”、“下部”和/或“上部”等类似词语只是为了便于说明，而并非限于一个位置或者一种空间定向。“包括”或者“包含”等类似词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而且可以包括电性的连接，不管是直接的还是间接的。在本发明说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
14.图1揭示了一种风力发电机组100的立体示意图。如图1所示，风力发电机组100包括多个叶片101、机舱102、轮毂103及塔架104。塔架104从基础(未图示)向上延伸，机舱102安装在塔架104的顶端，轮毂103安装在机舱102的一端，多个叶片101安装在轮毂103上。
15.在风力发电技术领域通常存在两种数据源，一种是来自风力发电机组100的scada(supervisory control and data acquisition，监视控制及数据采集)系统的scads数据，另一种是来自风力发电机组100的振动状态监控系统(condition monitoring system，称为cms系统)的cms振动数据。其中，对于scada数据来说，由于scada数据是一种多变量的数据源，其仿真会涉及到风资源知识、载荷仿真知识、风场信息等多种知识，因此，在仿真上具有较高的难度。而对于cms振动数据，由于cms振动数据是一种振动的时域信号，基于转子动力学或者旋转机械信号处理知识，可以认为cms振动数据其实就是多个正弦(sin(t))或余弦(cos(t))函数的叠加，因此，相对于scada数据来说，cms振动数据所具有的一大优势是拥有可以随时叠加仿真的属性。本发明实施例正是基于cms振动数据来进行考虑的。以下将结合附图对本发明实施例进行详细的描述。
16.本发明实施例提供了一种应用于图1所示的风力发电机组100的算法模型的监控
方法。图1揭示了本发明一个实施例的风力发电机组算法模型的监控方法的流程图。如图1所示，本发明一个实施例的风力发电机组算法模型的监控方法可以包括步骤s1至步骤s5。
17.在步骤s1中，从风力发电机组的振动状态监控系统(即cms系统)中获取风力发电机组正常运行状态下的cms振动数据x。
18.在步骤s2中，将cms振动数据x输入到风力发电机组的算法模型f()中，获得算法模型的第一状态h1。
19.其中，f()是风力发电机组中所使用的常见算法模型。风力发电机组的算法模型f()例如可以包括但不局限于cms传统统计模型，如均值、方差、傅里叶变化等；传统机器学习模型，如神经网络、随机森林等；先进的深度学习模型，如lstm(long-short term memory，长短期记忆)神经网络、dnn(deep neural networks，深度神经网络)等；以及单个模型或者多个模型的组合。
20.在一些实施例中，步骤s2中的将cms振动数据x输入到风力发电机组的算法模型f()中，获得算法模型f()的第一状态h1可以包括：将cms振动数据x输入到风力发电机组的算法模型f()中得到算法模型的第一输出f(x)；及基于算法模型的第一输出f(x)与算法模型的控制阈值y来获得算法模型的第一状态h1。
21.其中，算法模型的控制阈值y是用来对于f(x)输出结果的评判标准。在算法模型的第一输出f(x)大于算法模型的控制阈值y(即f(x)》y)时，则第一状态h1为失效状态；否则的话，则第一状态h1为正常状态。
22.第一状态h1可以采用二分类状态，即用0和1来表示，其中，例如0表示正常状态，1表示失效状态。因此，当f(x)》y时，则h1＝1；当f(x)≤y时，则h1＝0。
23.在步骤s3中，可以在cms振动数据中加入失效仿真信号以获得失效仿真数据。
24.在一些实施例中，可以预先建立cms振动数据x的失效信号仿真方程该失效信号仿真方程中具有多个可调参数。其中，由多个可调参数组成一个参数集合a。然后，将cms振动数据x输入到失效信号仿真方程中，从而可以得到真实的cms振动数据与失效仿真信号相混合的失效仿真数据x1。
25.在一个实施例中，例如以风力发电机组的轴承为研究对象，则风力发电机组的cms振动数据包括风力发电机组的轴承的cms振动数据，根据轴承发生故障时的振动原理和数学理论，可以建立轴承的cms振动数据所对应的失效信号仿真方程例如以下公式所示：
[0026][0027][0028]
其中，所对应的值即为通过该方程仿真得到的失效仿真数据x1，代表峰值(或称之为位移)，其取值范围可以在0.1-10；ξ代表阻尼比，其取值范围可以在0.001-0.5；fn代表失效频率或特征频率，其取值范围可以在0.1-100hz；w0为固有振动角频率；以及sin(t)＝x。
[0029]
ξ、fn分别为该失效信号仿真方程里的可调参数，参数集合其中，参数集合a可以根据不同仿真模型和不同故障数据量的需求进行多次组合调节。
[0030]
因此，将cms振动数据x代入上述公式(1)所示的对应的失效信号仿真方程中，从而可以仿真得到失效仿真数据x1。
[0031]
以上是以风力发电机组的轴承为例，建立的轴承的cms振动数据的失效信号仿真方程如上述公式(1)所示。然而，公式(1)仅仅只是用来辅助理解本发明实施例的获取失效仿真数据的一个示例。本发明实施例的基于cms振动数据建立的失效信号仿真方程并不局限于上述公式(1)，获取的cms振动数据也并不局限于轴承的cms振动数据。对于风力发电机组的其他部件，例如齿轮箱等，则可以获取对应部件的cms振动数据并按照该部件的机理建立对应的失效信号仿真方程。
[0032]
继续参照图2所示，在步骤s4中，将失效仿真数据x1输入到风力发电机组的算法模型f()中，获得算法模型的第二状态h2。
[0033]
在一些实施例中，步骤s4中将失效仿真数据x1输入到风力发电机组的算法模型f()中，获得算法模型的第二状态h2可以包括：将失效仿真数据x1输入到风力发电机组的算法模型f()中得到算法模型的第二输出f(x1)；及基于算法模型的第二输出f(x1)与该算法模型的控制阈值y来获得算法模型的第二状态h2。
[0034]
在算法模型的第二输出f(x1)大于该算法模型的控制阈值y(即f(x1)》y)时，则第二状态h2为失效状态；否则的话，则第二状态h2为正常状态。
[0035]
同样地，第二状态h2也采用二分类状态，即用0和1来表示，其中，例如0表示正常状态，1表示失效状态。因此，当f(x1)》y时，则h2＝1；当f(x1)≤y时，则h2＝0。
[0036]
在步骤s5中，可以基于步骤s2中获得的算法模型的第一状态h1和步骤s4中获得的算法模型的第二状态h2来确定是否需要对该算法模型进行更新。
[0037]
如图2所示，步骤s5中的基于第一状态h1和第二状态h2来确定是否对算法模型进行更新可以进一步包括步骤s51和步骤s52。
[0038]
在步骤s51中，可以基于步骤s2中获得的算法模型的第一状态h1和步骤s4中获得的算法模型的第二状态h2来生成该算法模型的最终状态h。
[0039]
在步骤s2中获得的算法模型的第一状态h1和步骤s4中获得的算法模型的第二状态h2分别为互斥的状态时，例如，第一状态h1为正常状态，而第二状态h2为失效状态(即h1＝0，h2＝1)，则该算法模型的最终状态h为正常状态(即h＝0)。
[0040]
在步骤s2中获得的算法模型的第一状态h1和步骤s4中获得的算法模型的第二状态h2为相同的状态时，例如，第一状态h1为正常状态，而第二状态h2也为正常状态(即h1＝0，h2＝0)，则该算法模型的最终状态h为失效状态(即h＝1)。
[0041]
在步骤s52中，可以基于最终状态来确定是否需要对算法模型进行更新。
[0042]
在一些实施例中，在步骤s51中得到的该算法模型的最终状态为失效状态时，则确定需要对该算法模型本身和该算法模型的控制阈值中的至少一个进行更新。
[0043]
在另一些实施例中，为了慎重起见，可以对算法模型进行多次重复迭代。因此，本发明实施例的风力发电机组算法模型的监控方法还可以进一步包括：重复执行上面所述的
步骤s1至s4及步骤s51预定次数s(例如s》1000次)，并且，在每次重复执行步骤s1时选取不同采样时刻的cms振动数据。
[0044]
在一个实施例中，本发明实施例的风力发电机组算法模型的监控方法还可以进一步包括：在每次重复执行步骤s3中的获得失效仿真数据时，可以改变失效信号仿真方程中的多个可调参数中的至少一个可调参数的值。
[0045]
例如，可以改变上述公式(1)所示的参数集合中的三个可调参数中的任一个参数或多个参数的值。当然，在其他实施例中，在算法模型的重复迭代过程中失效信号仿真方程中的多个可调参数也可以不变。失效信号仿真方程中的多个可调参数可以根据实际情况来进行变化或不变。
[0046]
在算法模型重复迭代多次的情况下，则在步骤s52中，可以基于重复预定次数s得到的多次最终状态h来确定是否需要对算法模型进行更新。
[0047]
可以基于重复预定次数s得到的最终状态h为失效状态的计数与预定阈值d的比较来确定需要对算法模型本身和算法模型的控制阈值中的至少一个进行更新。
[0048]
重复执行上面所述的步骤s1至s4及步骤s51预定次数s之后，得到的最终状态为失效状态的计数为a0，以下将给出用来确定算法模型是否需要更新的一些示意性的具体实施方案：
[0049]
方案1：整体循环后得到的失效状态的计数a0≤0.5d，则算法模型可以继续使用；
[0050]
方案2：整体循环后得到的失效状态的计数0.5d《a0《0.75d，则算法模型继续重复执行上面所述的步骤s1至s4及步骤s51预定次数s，其中，得到的最终状态为失效状态的计数为a1，计算a2＝(a0 a1)/2，当a2《0.75d时，则算法模型可以继续使用；当0.75d《a2《d，则进入以下的方案3；当d《a2《1.2d时，则进行以下的方案4；
[0051]
方案3：整体循环后得到的失效状态的计数0.75d《a0《d或者0.75d《a2《d，则算法模型继续重复执行上面所述的步骤s1至s4及步骤s51预定次数2
×
s，其中，得到的最终状态为失效状态的计数为aa1，计算a2＝(a0 aa1)/3，当a2《d时，则算法模型可以继续使用；当d《a2《1.2d时，则进行以下的方案4；
[0052]
方案4：需要对算法模型本身和算法模型的控制阈值中的至少一个进行更新。通过该实施方式，可以使得算法模型的更新更加精准可控。
[0053]
以上所述仅为本发明实施例的对算法模型是否进行更新的一些示意性实施方案，然而，本发明实施例的对算法模型是否进行更新的实施方案并不局限于以上所述，在实际应用中，可以基于对算法模型的精度要求和时效性来合理选择相应的阈值并进行相应的比较来确定是否对算法模型进行更新。
[0054]
继续参照图2所示，本发明实施例的算法模型的监控方法还可以进一步包括步骤s6。在步骤s6中，在确定需要对算法模型本身和算法模型的控制阈值中的至少一个进行更新时，则将算法模型需要进行更新的状态码在人机交互界面上显示，以提供给算法工程师参考，算法工程师可以凭借自己的专业知识来进一步人工判断是否采纳该方法输出的更新状态。
[0055]
因此，采用本发明实施例的算法模型的监控方法之后，在风力发电机组100运行的大部分时间内，风力发电机组100中各个算法模型是否需要更新的判断过程将可以由系统
自动完成，而无需人工再去对各个算法模型进行全面确认，算法工程师仅需要在收到有某算法模型的更新状态码时再去人工确认是否采纳该结果即可。
[0056]
本发明实施例的风力发电机组算法模型的监控方法能够自动监控风力发电机组算法模型的健康状态，大大减少人工参与度。并且，由于是否更新的判断过程可以由系统自动多次迭代完成，可以减少人为判断的主观性，提高人工判断的时效性，从而能够提高模型诊断的准确性和提前量。
[0057]
本发明实施例还提供了一种风力发电机组算法模型的监控装置200。图3揭示了本发明一个实施例的风力发电机组算法模型的监控装置200的示意性框图。如图3所示，该算法模型的监控装置200可以包括一个或多个处理器201，用于实现上面任一实施例所述的风力发电机组算法模型的监控方法。在一些实施例中，算法模型的监控装置200可以包括计算机可读存储介质202，计算机可读存储介质202可以存储有可被处理器201调用的程序，可以包括非易失性存储介质。在一些实施例中，算法模型的监控装置200可以包括内存203和接口204。在一些实施例中，本发明实施例的算法模型的监控装置200还可以根据实际应用包括其他硬件。
[0058]
本发明实施例的风力发电机组算法模型的监控装置200具有与上面所述的风力发电机组算法模型的监控方法相类似的有益技术效果，故，在此不再赘述。
[0059]
本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有程序，该程序被处理器执行时，实现上面任一实施例所述的风力发电机组算法模型的监控方法。
[0060]
本发明实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于：相变存储器/阻变存储器/磁存储器/铁电存储器(pram/rram/mram/feram)等新型存储器、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0061]
以上对本发明实施例所提供的风力发电机组算法模型的监控方法及其装置及计算机可读存储介质进行了详细的介绍。本文中应用了具体个例对本发明实施例的风力发电机组算法模型的监控方法及其装置及计算机可读存储介质进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想，并不用以限制本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的精神和原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也均应落入本发明所附权利要求书的保护范围内。