[发明专利]一种面向运维的海上风电机组故障间隔时间预测方法

权利要求书

1.一种面向运维的海上风电机组故障间隔时间预测方法，其特征在于，包括以下步骤：

1)收集海上风电机组的历史故障间隔时间数据，选取其中的n个数据构建原始时间序列：

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))

其中：X⁽⁰⁾为利用海上风电机组的历史故障间隔时间数据构建的长度为n的原始时间序列，x⁽⁰⁾(n)为原始时间序列X⁽⁰⁾中的第n个数据；

2)根据步骤1)获得的原始时间序列，对其进行一次累加，得一次累加生成算子：

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中：X⁽¹⁾为原始时间序列X⁽⁰⁾的一次累加生成算子，x⁽¹⁾(k)为X⁽⁰⁾前k个数据的累加和；

3)根据步骤2)获得的一次累加生成算子，构建灰色GM(1,1)预测模型的背景值：

Z⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(1),…,z⁽¹⁾(n))

其中：Z⁽¹⁾为背景值序列，z⁽¹⁾(k)为第k个背景值；

4)根据步骤3)得到的灰色GM(1,1)预测模型的背景值，构建灰色GM(1,1)预测模型：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

其中，a为发展系数，是模型的大小和符号，反映了原始时间序列X⁽⁰⁾和其一次累加生成序列X⁽¹⁾的发展态势；b为灰作用量，即外部加入的或者是事先给定的，不能够直接观测，需要通过计算得到；参数(a,b)^T＝(BB^T)^-1B^TY；

5)根据步骤4)得到的灰色GM(1,1)预测模型，求解参数(a,b)，具体包括以下步骤：

5.1)计算矩阵B：

5.2)令采用基于三次Hermite多项式的三次样条函数计算矩阵Y：

其中：

其中：x⁽¹⁾'(k)为x⁽¹⁾(k)的导数，H为三次Hermite多项式，H(1)为Hermite多项式的第一项，H(k)为Hermite多项式的中间项，H(n)为Hermite多项式的最后一项；

6)根据灰色GM(1,1)预测模型，生成灰色GM(1,1)预测模型的时间响应序列，即一次累加生成向量x⁽¹⁾(k)的预测值

7)对步骤6)得到的一次累加生成向量x⁽¹⁾(k)的预测值进行还原，得到灰色GM(1,1)预测模型的预测值，即原始时间序列的预测值

8)为提高灰色GM(1,1)预测模型的预测精度，利用三角函数对原始数据与预测数据之间的残差序列进行建模，计算出每个时刻的残差修正值，并将残差修正值迭加到同一时刻的还原预测值上，具体包括以下步骤：

8.1)构建灰色GM(1,1)预测模型的残差序列r⁽⁰⁾(k)：

8.2)利用变周期的三角函数对步骤8.1)中的残差序列进行建模，得到残差序列模型：

其中：α₀,α₁,α₂,α₃为模型参数；ε_k为随机变量；t_k为k时刻的周期参数；

8.3)步骤8.2)中建立的残差序列模型共有3+2(n-1)个参数，即[α₀,α₁,α₂,α₃,t₁,…,t_n-1,ε₁,…,ε_n-1]，首先对参数列[t₁,…,t_n-1,ε₁,…,ε_n-1]进行求解，采用人工蜂群算法，以残差序列的均方误差最小为目标，对参数进行优化求解，具体包括以下步骤：

8.3.1)初始化参数集的位置：

t_id＝t_dmin+rand(0,1)(t_dmax-t_dmin),i＝1,2,…,50；d＝1,2,…,n-1

ε_id＝ε_dmin+rand(0,1)(ε_dmax-ε_dmin),i＝1,2,…,50；d＝1,2,…,n-1

其中：t_id，ε_id分别为周期参数和随机变量中第i个参数集中第d个参数的初始化值；t_dmax，ε_dmax分别为周期参数和随机变量中第d个参数的最大取值；t_dmin，ε_dmin分别为周期参数和随机变量中第d个参数的最小取值；rand(0,1)为[0,1]之间的随机数；

8.3.2)雇佣蜂在各参数集附件随机搜索一个新的参数集：

其中：分别为周期参数和随机变量中新生成的第i个参数集中第d个参数的值；为[-1,1]中的随机数，其大小代表扰动幅度；

8.3.3)雇佣蜂比较新旧参数集的优劣：

其中：fit()为适应度函数，此处为残差序列的均方误差的倒数；

8.3.4)跟随蜂根据轮盘赌的方式选择是否跟随雇佣蜂前去搜索参数集，即在[0,1]内随机产生一个小数r，当跟随概率P_i大于随机数r时，跟随蜂选择跟随当前雇佣蜂，P_i计算方式为：

其中：fit_i为第i个参数集的适应度函数；

8.3.5)如果一个参数集的搜索次数达到调节参数Limit时还未被更新，那么该参数集被视为已经开采完，即该解已陷入局部最优，该参数集将被其对应的雇佣蜂放弃，同时雇佣蜂转化为侦查蜂，侦查蜂按照步骤8.3.2)中的方式随机搜索一个新的参数集；

8.3.6)重复步骤8.3.2)～8.3.5)直到循环次数达到设置的最大循环次数，停止算法，输出最优的参数列[t₁,…,t_n-1,ε₁,…,ε_n-1]；

8.4)根据步骤然8.3)求得的最优的参数列[t₁,…,t_n-1,ε₁,……,ε_n-1]，对模型参数[α₀,α₁,α₂,α₃]进行求解，利用最小二乘法求得模型参数：

8.5)根据获得的残差序列模型的参数，计算各数据点的残差值，并将计算结果分别迭加到对应数据点的还原预测值上，得到修正后的故障间隔时间的预测值

其中：为根据残差值修正后的故障间隔时间的预测值；

通过上述步骤实现了利用海上风电机组最近的前k次故障间隔数据来预测下一次的故障间隔时间，由于每次用于预测的数据列不同，因此每次预测之前都要对模型进行修正，即每预测一步，参数做一次修正，模型得到改进，保证模型与最新的故障数据相关联。