[发明专利]一种风电机组关键部件多工况健康状态在线监测方法

权利要求书

1.一种风电机组关键部件多工况健康状态在线监测方法，其特征在于，包括如下步骤：

获取风电机组关键部件的历史监测数据并进行预处理；

从风电机组关键部件历史监测数据的状态变量中筛选出有效状态变量，并对有效状态变量进行特征向量提取；

对风电机组进行自适应工况划分，基于工况划分结果对历史监测数据进行贴标签处理；

基于风电机组工况划分结果，构建基于BiLSTM-GMM的多工况健康度基准模型，采用基于改进的马氏距离对健康状态进行度量，并输出风电机组的健康度；

构建基于H-SVM的工况识别基准模型，并利用贴标签处理后的历史监测数据对工况识别基准模型进行训练；

获取风电机组关键部件的实时监测数据并进行归一化处理；

通过工况识别基准模型输出实时监测数据的运行状态，将归一化处理后各有效状态变量的特征向量输入相应工况的健康度基准模型，得到风电机组关键部件的实时健康度；

采用分段式阈值方法进行报警阈值的计算，基于实时健康度以及报警阈值完成风电机组关键部件健康状态的在线监测；

基于BiLSTM-GMM的多工况健康度基准模型构建方法包括：首先，根据工况划分结果，在不同工况下分别使用双向长短时记忆神经网络BiLSTM算法对所有有效状态变量进行回归；然后，对有效状态变量的残差集集合采用高斯混合模型GMM进行多维空间拟合，得到基于BiLSTM-GMM的多工况健康度基准模型。

2.根据权利要求1所述的风电机组关键部件多工况健康状态在线监测方法，其特征在于，历史监测数据预处理包括：

采用基于平均距离的层次凝聚聚类方法对历史有功功率监测数据进行分析，将不需要的类别数据点设置为离群点并进行剔除；

根据历史监测数据的时间戳关系，将有功功率离群点同时刻的其余变量值剔除；

对剩余的历史监测数据进行归一化处理。

3.根据权利要求1所述的风电机组关键部件多工况健康状态在线监测方法，其特征在于，基于改进的马氏距离对健康状态进行度量过程中，健康度HI的计算如式1所示：

其中，采用滑动窗口分析方法对健康监测指标进行处理，T表示滑动窗口的宽度，α为常数，D(x)表示具有GMM中高斯函数权重的马氏距离，其中，D(x)的计算如式2所示：

其中，w_k表示基于BiLSTM-GMM的多工况健康度基准模型中第k个高斯分布所对应的权重，d_k(x)表示第k个高斯分布中所有变量平均值与待测数据x之间的马氏距离。

4.根据权利要求1所述的风电机组关键部件多工况健康状态在线监测方法，其特征在于，采用分段式阈值方法进行报警阈值的确定，其中，每一阶段对应风电机组不同的健康等级；分段式阈值方法的具体分段方法包括：

第一阶段为从监测开始时刻到出现第一个健康度值小于Th₁阈值的时刻，第二阶段为第一个健康度值小于Th₁阈值的时刻到出现连续R个健康度值小于Th₂阈值的时刻，第三阶段为出现连续R个健康度值小于Th₂阈值的时刻到故障停机时刻；

分段式阈值方法中阈值Th(t)的计算如式3所示：

其中，Th₁、Th₂、Th₃分别为阶段性阈值；HI、mean、std分别表示健康度值、健康度均值和健康度标准偏差；t_ts为在线评估时出现第一个健康值小于Th₁的时刻；t_e表示出现连续R个健康度值均小于前一阈值的时刻，t_e+1时刻进行故障预报警。