[发明专利]一种基于能量流的风电机组能效状态诊断方法

权利要求书

1.一种基于能量流的风电机组能效状态诊断方法，其特征在于，所述诊断方法包括如下步骤：

步骤1：构建风电机组能效指标关联参数库；

步骤2：基于概率分布统计确定指标参数基准区间；

步骤3：建立风电能效诊断树；

步骤4：基于多元模糊识别模型判定能效状态水平；

步骤5：获得能效状态诊断结果；

所述步骤4基于多元模糊识别模型判定风电机组的能效状态水平，包括：

步骤4-1：建立能效异常模式的标准多元模糊征兆集；

步骤4-2：识别能效异常模式；

所述步骤4-2包括：

计算待识别能效异常模式的多元模糊征兆集与标准多元模糊征兆集的贴近度，按照选定的模糊模式识别原则，确定待识别能效状态所对应的能效异常模式；

计算待识别能效异常模式的多元模糊征兆集与标准多元模糊征兆集的贴近度，包括：

根据标准多元模糊征兆集里选定的能效异常征兆，将待识别能效异常模式转化为待识别能效异常模式的模糊征兆集M'＝{X1，X2，X3，...Xn}，根据下式(1)计算M'与标准多元模糊征兆集M_i(i＝1,2,...m)的贴近度，判断M'与M_i的相似程度：

所述模糊模式识别原则为最大隶属原则，即待识别能效异常模式按M'与M_i(i＝1,2,...,m)的贴合度计算得到的贴近度最大值对应的能效异常模式。

2.如权利要求1所述的诊断方法，其特征在于，所述步骤1构建风电机组能效指标关联参数库包括：

分析风电机组与能量流子系统的运行特点；

根据能量流子系统的能量损失机理，确定风电机组能效关联参数；

解析风电机组能量关联参数与风电机组典型故障间的关联性；

构建风电机组能效指标关联参数库。

3.如权利要求1所述的诊断方法，其特征在于，所述步骤2基于概率分布统计确定指标参数基准区间，包括：

步骤2-1：筛选运行良好的数据；

步骤2-2：基于运行工况划分指标参数基准区间。

4.如权利要求3所述的诊断方法，其特征在于，所述步骤2-1确定运行良好的数据包括：

收集整理风电机组的历史运行数据；

筛去风电机组不工作、异常停机及奇异值数据点后，保留的数据作为历史样本数据；

根据所述历史样本数据分布的高斯模型划分功率区间的上下限；

在此功率区间上下限范围内的运行数据即为运行良好的数据。

5.如权利要求3所述的诊断方法，其特征在于，所述步骤2-2基于运行工况划分确定基准区间包括：

以风电机组的切入风速V_in和切出风速V_out为下界和上界，根据IEC标准中Bin方法，采用1m/s的风速间隔，将风速工况分成n＝(V_out-V_in)个运行区间；

以风电机组出厂时的工作温度范围(T_l℃，T_h℃)为温度工况划分的上下限，采用5℃的温度间隔，将温度工况划分为m＝(T_h-T_l)/5个运行区间；

将运行工况共划分为n*m个运行区间；

按上述工况划分方法将步骤2-1得到的运行良好的数据划入相应的运行区间，生成各运行区间的训练样本集，从而获得各个运行工况下实际的指标参数基准区间。

6.如权利要求1所述的诊断方法，其特征在于，所述步骤3建立风电机组能效诊断树，包括：

以风电机组能量损失过大为顶事件，利用故障树方法分析各能量流子系统的能效状态与关联设备和关联参数之间的逻辑关系，对所述顶事件的可能原因进行层次化梳理得到能效诊断树。

7.如权利要求1所述的诊断方法，其特征在于，所述步骤4-1包括：

分析风电机组能效异常模式，确定风电机组典型的能效异常模式；

分析典型的能效异常模式中的能量损失机理，获得能效异常时的征兆，从中选定用来进行能效模式识别的能效异常征兆；

对选定的能效异常征兆进行模糊量化，建立包括所有能效异常模式的标准多元模糊征兆集。