[发明专利]风电机组的能效评价与诊断方法、系统及介质

权利要求书

1.一种风电机组的能效评价与诊断方法，其特征在于，包括以下步骤：

对风电机组的每个系统和设备依次进行机理分析，生成所述风电机组的链条式能效指标异常知识，并根据所述能效指标异常知识构建所述风电机组的本体能效诊断知识库；

根据所述风电机组的运行数据对所述风电机组的工况进行划分，并确定每个工况下的监测参数和能效指标的基准区间；

确定每个所述能效指标与对应的所述基准区间的基准值之间的差值，根据所述差值和每个能效指标的权重，对所述风电机组的运行能效状态进行评价；

采集所述风电机组的实时运行数据，基于对应的基准区间对所述实时运行数据进行异常检测，如果检测出异常数据则对所述异常数据进行异常类型检测，确定数据异常类型，以所述数据异常类型为故障征兆，并根据所述故障征兆构造异常事件网络片段，根据所述造异常事件网络片段在所述本体能效诊断知识库中进行匹配和搜索，以诊断出所述异常数据对应的故障模式；

确定所述故障模式的候选故障原因、故障影响和维护措施，并构建因果图模型，基于因果图模型从所述候选故障原因中诊断出所述风电机组的最终故障原因。

2.根据权利要求1所述的方法，其特征在于，所述根据所述风电机组的运行数据对所述风电机组的工况进行划分，包括：

对所述运行数据进行稳态筛选，获得稳态数据；

通过K-均值聚类算法对所述稳态数据进行初步划分，确定初始聚类数；

通过silhouette准则评价全部聚类点与对应的样本数据间的相似度，并根据所述相似度确定最终聚类数，根据所述最终聚类数进行工况划分。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述风电机组的运行数据对所述风电机组的工况进行划分，还包括：选取多个特征变量，根据所述多个特征变量的个数，通过多步K-均值聚类算法划分所述风电机组的的工况。

4.根据权利要求1所述的方法，其特征在于，所述确定每个工况下的监测参数和能效指标的基准区间，包括：

通过多元高斯混合模型剔除每个工况下的故障数据，生成正常数据训练样本，并通过所述正常数据训练样本训练长短期记忆人工神经网络LSTM；

针对每个监测参数和能效指标，获取所述长短期记忆人工神经网络LSTM输出的多个参数预测值，以及对应的实际值；

计算每个所述参数预测值与所述实际值的差值，以与所述实际值的差值最大的参数预测值为目标参数预测值；

以所述目标参数预测值为中心，以所述目标参数预测值与所述实际值的差值的两倍为区间长度构造所述基准区间。

5.根据权利要求1所述的方法，其特征在于，所述确定所述故障模式的候选故障原因、故障影响和维护措施，包括：

通过预设的自定义规则推理机自定义推导规则，根据所述推导规则确定所述故障模式对应的候选故障原因、故障影响和维护措施。

6.根据权利要求1所述的方法，其特征在于，所述构建因果图模型，基于因果图模型从所述候选故障原因中诊断出所述风电机组的最终故障原因包括：

构建结构性因果模型，根据所述结构性因果模型确定故障模式与故障征兆之间的因果关系，并对故障原因的先验因子，以及故障原因与故障模式间的因果强度进行赋值，以构建因果图模型；

根据所述因果图模型确定所述故障模式的最小割集布尔表达式和不交化最终割集表达式；

根据所述不交化最终割集表达式确定所述故障模式发生的概率，并根据所述最小割集布尔表达式和所述不交化最终割集表达式，确定每个候选故障原因和所述故障模式共同发生的概率；

根据所述故障模式发生的概率，以及所述每个候选故障原因和所述故障模式共同发生的概率，确定每个候选故障原因在所述故障模式发生的条件下发生的概率；

根据所述每个候选故障原因在所述故障模式发生的条件下发生的概率的大小，确定所述风电机组的最终故障原因；

将确定的所述最终故障原因添加至所述本体能效诊断知识库，以在下一次诊断时结合当前确定的所述最终故障原因进行先验赋值。