[发明专利]基于数据挖掘的风电机组故障预警方法

说明书

技术领域

本发明涉及一种电力预警方法，特别涉及一种基于数据挖掘的风电机组故障预警方法。

背景技术

长期以来，风电机组一直采用“计划检修”和“事后维修”的模式。由于缺乏对机组运行状态准确的判断和健康分析，按照一定的运行周期对机组实施维护，这就造成了一些不必要的维护，增加了运行维护成本。而故障发生后再进行维修，故障可能已经造成设备及器件的损坏，器件的更换或维修不但花费人力、物力和财力，而且需要较长的维修时间，不利用提高机组利用率，影响机组经济、高效运行。

虽然现在国内外针对大型复杂系统的预警方案提出了众多研究方案，虽然国内外提出了各种不同的方案，但大多数是基于恒定单一阈值预警或基于某一单参数划分工况。这样的预警方案存在一定的缺陷，举例来讲，对于变桨角度故障设定单一阈值，未考虑到突来阵风的影响，提出报警但实际并未引起故障；对于电机、轴承、齿轮箱温度故障来讲，设定单一阈值预警限，未考虑到环境温度和风速对电机、轴承、齿轮箱运行温度的影响，而出现误报警率高等问题。由于存在各种问题，导致无法合理预警故障信息，不利于机组的稳定运行。

发明内容

本发明是针对大型复杂系统的预警方案存在的问题，提出了一种基于数据挖掘的风电机组故障预警方法，合理预警各个故障信息。

本发明的技术方案为：一种基于数据挖掘的风电机组故障预警方法，具体包括如下步骤：

1)故障特征的选择与降维：用A个样本，每个样本包含有B个故障特征的数据集建立A×B的矩阵数据，对每个故障特征向量利用矩阵数据进行Relief加权特征选择算法进行特征权重计算，去除对分类无效的特征，保留分类能力较强的特征，用剩余的有效特征组成特征向量进行分类，实现故障特征的降维；

2)故障预警模型建立：首先，根据步骤1)确定好设备的特征参数后，在历史数据的基础上，利用基于相似性原理的非线性状态估计方法，建立该设备的故障预警模型；然后任选一时刻描述该设备的状态向量X_obs输入故障预警模型，得到模型输入与输出的残差ε，进行最小化该残差处理，确定模型中对应的权值向量W，建立非参数定性模型；

3)利用预警残差确定设备预警阈值：预警残差是系统的实际输出与故障预警模型估计输出的差值，根据各个设备属性以及正常时预警残差来设定设备预警阈值；

4)当某个特征的预警残差估计值大于预警阈值时，则产生故障预警；当某个特征的预警残差估计值小于等于预警系统的阈值时，则不产生故障预警。

所述步骤2)中具体步骤如下：

在t时刻描述该设备的状态向量X_obs(t)为：

X_obs(t)＝[X(1)X(2)...X(n)]^T(3)

经过模型计算的预测向量为X_est，对输入到模型的任意一组状态向量X_obs，模型对应生成一个m维的权值向量W：

W＝[w₁w₂…w_m]^T(4)

X_est＝DW＝w₁X(1)+w₂X(2)+…+w_mX(m)(5)

(5)式中D为历史状态矩阵，其形式为:

权值向量W通过计算确定，

ε为模型输入与输出的残差，最小化该残差：

ε＝X_obs-X_est(7)

X_obs(i)代表该向量的第i个元素；

将S(w)分别对权值向量W求偏导并令其等于0，得

将式(9)化简得：

将(10)式中的m个方程组写出矩阵形式即：

D^TDW＝D^TX_obs(11)

W＝(D^TD)^-1D^TX_obs(12)

带入(5)式得：

X_est＝DW＝D(D^TD)^-1D^TX_obs(13)