[发明专利]一种基于认知计算的风电故障运维管理方法

说明书

本发明公开了一种基于认知计算的风电故障运维管理方法，包括以下步骤：对风电机组定子匝间短路故障进行特征分析；针对特征分析的结果，基于贝叶斯网络建立风电故障运维认知计算模型；实时采集运维人员的行为动作和情感状态信号；将采集的行为动作和情感状态信号送入风电故障运维认知计算模型中，运用马尔科夫链蒙特卡洛方法迭代贝叶斯网络，得到运维人员的认知结果。本发明在运维人员能力评定中考虑了情感因素，以应对风机维修的极端恶劣条件，通过参考风电故障运维认知计算模型，电力企业能够更加高效地进行人员派遣，切实降低运维成本。

技术领域

本发明涉及风电领域，特别涉及一种基于认知计算的风电故障运维管理方法。

背景技术

风能作为清洁能源的典型代表，近年来发展迅速，风电机组装机容量及复杂程度不断增大，使得运维任务也越来越复杂，风电场大多分布在远离人群的偏远地区，机舱的高度在65米左右，给风电运维的难度和成本均带来了巨大挑战，容易因运维人员水平不一导致发电损失甚至人身安全问题。风机事故中因运维不当导致的事故占比高达32.5％，由此可见对于运维人员的认知计算非常重要，准确的认知计算是运维管理的先决条件，运维人员的规范是高效运维的重要因素之一，同时也是风电运维后市场可持续发展的关键因素之一。

文献“电力系统操作人因可靠性分析及其数据库系统研究”提出了时间相关型、过程相关型、应急相关型三种场景下的人为可靠性分析方法，可以量化人为失误的概率；文献“考虑人为因素的基于隐马尔科夫的设备强迫停运率模型”同样在以上三种场景下运用隐马尔科夫判别设备强波停运中的人为因素；文献“人为失误对保护系统可靠性的影响”基于状态维修环境，运用了人为失误率预测技术(THERP)、人员认知可靠性模型技术(HCR)以及Markov方法分析了人为失误对保护系统可靠性指标的影响；这些文献都对分析电力系统中人为因素及其影响做出了有益分析，但并未提出切实有效的解决办法，并且这些前期研究都未将运维人员的情感状态考虑在内，忽略了极端情况下情感状态对严谨作业效果的影响，业内对于多维度考量运维人员的认知计算也鲜有讨论。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、可靠性高的基于认知计算的风电故障运维管理方法。

本发明解决上述问题的技术方案是：一种基于认知计算的风电故障运维管理方法，包括以下步骤：

步骤一：对风电机组定子匝间短路故障进行特征分析；

步骤二：针对特征分析的结果，基于贝叶斯网络建立风电故障运维认知计算模型；

步骤三：实时采集运维人员的行为动作和情感状态信号；

步骤四：将采集的行为动作和情感状态信号送入风电故障运维认知计算模型中，运用马尔科夫链蒙特卡洛方法迭代贝叶斯网络，得到运维人员的认知结果。

上述基于认知计算的风电故障运维管理方法，所述步骤一中，特征分析包括电气特征参数分析和机械特征参数分析；

电气特征参数分析如下：

正常情况下，定子绕组漏抗X_σ的计算公式为：

其中f为频率，μ₀＝4π×10^-7为真空磁导率，N₁是每相串联匝数，p为极对数，q为每极每相槽数，l_ef为电枢轴向计算长度，∑λ为槽比漏磁导、谐波比漏磁导、齿顶比漏磁导、端部比漏磁导之和；在d,q坐标轴下分析，定子电压及磁链方程为：