本申請涉及風力發電機狀態監控方法與系統。

背景技術：

風能因為其豐富的資源、成熟的技術和零排放已經成為有希望取代傳統的造成污染的火力發電的最受歡迎的再生能源。到2013年底，全球風力發電機安裝已達到318GW。隨著風場的快速增長，昂貴的O&M(運行和維護)費用和停機期間電力銷售損失已發展成為越來越緊迫的問題。以2MW風力發電機為例，如KTH的碩士論文所估計，每年產生大約24.84萬美元的損失，包括24.27萬美元的O&M費用和0.57萬美元的電力銷售損失。

在這種環境下，市場渴望能開發一種狀態監控系統(CMS)產品，其能在風力發電機發展成真正失效前實時檢測風力發電機的缺陷，分析故障類型，并且定位有缺陷的部件。目前市場上帶有此功能的可用的產品都是基于附加的傳感器(例如振動、聲學等)。這些侵入式傳感器不僅大大地增加了資金成本，而且會造成風力發電機的再認證的問題，而這兩者對于風場的運營者來說都是不希望的。

技術實現要素：

相應地，本發明一方面提供一種風力發電機狀態監控方法，包括如下步驟：

歷史數據獲取步驟：獲取歷史SCADA數據和對應于歷史SCADA數據的風力發電機報告，其中歷史SCADA數據包括風力發電機的操作數據，并且其中風力發電機報告包括：被診斷為正常或有缺陷狀態的風力發電機的健康狀況，以及如果風力發電機的健康狀況被診斷為有缺陷狀態時的具有對應的故障詳細信息的有缺陷部件；

模型訓練步驟：基于歷史SCADA數據和對應的風力發電機報告，通過建立歷史SCADA數據和風力發電機報告之間的關系，訓練用于整體診斷風力發電機的整體模型并且訓練用于分析風力發電機不同部件的不同個體模型；

整體診斷步驟：獲取實時SCADA數據，輸入實時SCADA數據至已訓練的整體模型，從已訓練的整體模型獲得風力發電機的健康狀況，以及如果已訓練的整體模型判定風力發電機為有缺陷狀態則執行個體診斷步驟；

個體診斷步驟：輸入實時SCADA數據至對應于有缺陷部件的已訓練的個體模型，以及從對應于有缺陷部件的已訓練的個體模型獲得有缺陷部件的故障詳細信息。

優選地，歷史數據獲取步驟包括：

獲取歷史SCADA數據和對應于該歷史SCADA數據的風力發電機報告，其中歷史SCADA數據包括風力發電機的操作數據，并且其中該風力發電機報告包括：診斷為正常或者有缺陷狀態的風力發電機的健康狀況、以及如果風力發電機的健康狀況診斷為有缺陷狀態時帶有對應故障詳細信息的有缺陷部件；

驗證該風力發電機報告以確定該歷史SCADA數據中哪一數據部分是正常狀態以及該歷史SCADA數據中哪一數據部分是有缺陷狀態。

優選地，該模型訓練步驟包括：

選擇整體數據挖掘算法；

利用整體數據挖掘算法來訓練用于整體診斷風力發電機的整體模型，以建立整體模型的輸入和輸出之間的關系，整體模型的輸入是歷史SCADA數據，整體訓練模型的輸出是風力發電機的健康狀況，其包括正常和有缺陷狀態，以及如果所述風力發電機的健康狀況被診斷為有缺陷的狀態時的有缺陷部件；

選擇用于風力發電機的不同部件的個體數據挖掘算法；

利用對應的個體數據挖掘算法來訓練用于分析風力發電機的不同部件的不同的個體模型，以建立個體模型的輸入和輸出之間的關系，每一個體模型的輸入是歷史SCADA數據，如果與個體模型相對應的個體部件是有缺陷的部件，則每個個體模型的輸出是對應于個體模型的個體部件的故障詳細信息。

便利地，該模型訓練步驟包括：

使用歷史SCADA數據驗證整體模型和個體模型的有效性。

便利地，該整體診斷步驟包括：

獲取實時SCADA數據；

輸入該實時SCADA數據至已訓練的總體模型；

運行已訓練的整體模型以實施整體數據挖掘算法；

從該已訓練的整體模型獲得風力發電機的健康狀況；

如果已訓練的整體模型確定風力發電機為有缺陷狀態，則執行個體診斷步驟。

便利地，該個體診斷步驟包括：

選擇與有缺陷部件相對應的已訓練的個體模型作為已訓練的有缺陷模型；

輸入實時SCADA數據至已訓練的有缺陷模型；

運行已訓練的有缺陷模型以實施對應的個體數據挖掘算法；

從已訓練的有缺陷模型獲得該有缺陷部件的故障詳細信息。

本發明的另一方面提供了一種包括計算機程序代碼的計算機程序，所述計算機程序代碼適于在計算機上運行時執行上述任何一個的所有步驟。

本發明的另一方面提供了一種在計算機可讀介質上實現的根據上述的計算機程序。

本發明的另一方面提供了一種風力發電機狀態監控系統，包括以下模塊：

歷史數據獲取模塊：用于獲取歷史SCADA數據和對應于歷史SCADA數據的風力發電機報告，其中歷史SCADA數據包括風力發電機的操作數據，并且其中風力發電機報告包括：被診斷為正常或有缺陷狀態的風力發電機的健康狀況，以及如果風力發電機的健康狀況被診斷為有缺陷狀態時的具有對應的故障詳細信息的有缺陷部件；

模型訓練模塊：用于基于歷史SCADA數據和相應的風力發電機報告，通過建立歷史SCADA數據和風力發電機報告之間的關系，訓練用于整體診斷風力發電機的整體模型并且訓練用于分析風力發電機不同部件的不同個體模型；

整體診斷模塊：用于獲取實時SCADA數據，輸入實時SCADA數據至已訓練的整體模型，從已訓練的整體模型獲得風力發電機的健康狀況，以及如果已訓練的整體模型判定風力發電機為有缺陷狀態則執行個體診斷模塊；

個體診斷模塊：用于輸入實時SCADA數據至對應于有缺陷部件的已訓練的個體模型，以及從對應于有缺陷部件的已訓練的個體模型獲得有缺陷部件的故障詳細信息。

優選地，歷史數據獲取模塊包括：

用于獲取歷史SCADA數據和對應于該歷史SCADA數據的風力發電機報告的模塊，其中歷史SCADA數據包括風力發電機的操作數據，并且其中該風力發電機報告包括：診斷為正常或者有缺陷的狀態的風力發電機的健康狀況、以及如果風力發電機診斷為有缺陷的狀態時帶有相應故障詳細信息的有缺陷的部件；

用于驗證該風力發電機報告以確定該歷史SCADA數據中哪一數據部分是正常狀態以及該歷史SCADA數據中哪一數據部分是有缺陷的狀態的模塊。

優選地，該模型訓練模塊包括：

用于選擇整體數據挖掘算法的模塊；

用于利用整體數據挖掘算法來訓練用于整體診斷風力發電機的整體模型以建立整體模型的輸入和輸出之間的關系的模塊，整體模型的輸入是歷史SCADA數據，整體訓練模型的輸出是風力發電機的健康狀況，其包括正常和有缺陷的狀態，以及如果所述風力發電機的健康狀況被診斷為有缺陷的狀態時的有缺陷的部件；

用于選擇用于風力發電機的不同部件的個體數據挖掘算法的模塊；

用于利用相對應的個體數據挖掘算法來訓練用于分析風力發電機的不同部件的不同的個體模型以建立個體模型的輸入和輸出之間的關系的模塊，每一個體模型的輸入是歷史SCADA數據，如果與個體模型相對應的個體部件是有缺陷的部件，則每個個體模型的輸出是對應于個體模型的個體部件的故障詳細信息。

便利地，該模型訓練模塊包括：

用于使用歷史SCADA數據驗證整體模型和個體模型的有效性的模塊。

便利地，該整體診斷模塊包括：

用于獲取實時SCADA數據的模塊；

用于輸入該實時SCADA數據至已訓練的整體模型的模塊；

用于運行已訓練的整體模型以實施整體數據挖掘算法的模塊；

用于從該已訓練的整體模型獲得風力發電機的健康狀況的模塊；

如果已訓練的整體模型確定風力發電機為有缺陷狀態，則執行個體診斷模塊的模塊。

便利地，該個體診斷模塊包括：

用于選擇與有缺陷的部件相對應的已訓練的個體模型作為已訓練的有缺陷模型的模塊；

用于輸入實時SCADA數據至已訓練的有缺陷模型的模塊；

用于運行已訓練的有缺陷模型以實施對應的個體數據挖掘算法的模塊；

用于從已訓練的有缺陷模型獲得該有缺陷的部件的故障詳細信息的模塊。

本發明利用歷史SCADA數據和相應的風力發電機故障信息來訓練整體模型和個體模型，并且輸入實時SCADA數據至已訓練的整體模型中用于診斷，而輸入至已訓練的個體模型中用于分析。本發明提出了一類基于SCADA數據的分級的成本效益好的遠程級風力發電機狀態監控方法和系統。利用該解決方案，風力發電機運營者能夠實時監控設備狀況，檢測早期故障并預先安排適當的預測性維護活動。與傳統的基于侵入式傳感器的技術相比，由于采用了純SCADA數據驅動技術，本發明可以節省額外監控傳感器的安裝，并且由于采用分級概念結構能夠加速算法執行效率，由此使終端客戶(風力發電機運營者)受益。

附圖說明

圖1示出了說明根據本發明的風力發電機狀態監控方法的流程圖；

圖2示出了說明本發明的優選實施例的流程圖；

圖3示出了風力發電機狀態監控系統的結構模塊圖。

具體實施方式

在下文中，通過結合附圖的具體實施例進一步詳細介紹本發明。

圖1示出了說明根據本發明的風力發電機狀態監控方法的流程圖，包括如下步驟：

步驟101：獲取歷史SCADA數據和對應于歷史SCADA數據的風力發電機報告，其中歷史SCADA數據包括風力發電機的操作數據，并且其中風力發電機報告包括：被診斷為正常或有缺陷狀態的風力發電機的健康狀況，以及如果風力發電機的健康狀況被診斷為有缺陷狀態時的具有對應的故障詳細信息的有缺陷部件；

步驟102：基于歷史SCADA數據和對應的風力發電機報告，通過建立歷史SCADA數據和風力發電機報告之間的關系，訓練用于整體診斷風力發電機的整體模型并且，訓練用于分析風力發電機不同部件的不同個體模型；

步驟103：獲取實時SCADA數據，輸入實時SCADA數據至已訓練的整體模型，從已訓練的整體模型獲得風力發電機的健康狀況，以及如果已訓練的整體模型判定風力發電機為有缺陷狀態則執行個體診斷步驟；

步驟104：輸入實時SCADA數據至對應于有缺陷部件的已訓練的個體模型，以及從對應于有缺陷部件的已訓練的個體模型獲得有缺陷部件的故障詳細信息。

SCADA數據是從監測控制與數據采集(SCADA)系統收集的。該SCADA系統是一種電力自動化監控系統。它執行電力系統的數據收集，監測控制和過程控制。

本發明利用步驟101中獲得的歷史SCADA數據和對應的風力發電機報告來分別訓練整體模型和個體模型。訓練之后，模型建立了歷史SCADA數據和風力發電機報告之間的關系。通過歷史SCADA數據和對應的風力發電機報告，整體模型和個體模型可以具有良好的訓練性能。由于SCADA數據包括操作數據，該歷史SCADA數據可以反映風力發電機的多種歷史狀態。并且風力發電機報告包括風力發電機的健康狀況、有缺陷部件和對應的故障詳細信息。健康狀況包括正常狀態和有缺陷狀態。有缺陷部件和對應的故障詳細信息僅當風力發電機的健康狀況被診斷為有缺陷狀態時在風力發電機報告中涉及。在步驟103和104，實時SCADA數據被輸入到已訓練的整體模型和個體模型中。由于這些模型已經利用歷史SCADA數據和對應的風力發電機報告進行訓練并且能夠基于SCADA數據識別正常狀態和有缺陷狀態，因此已訓練的整體模型和個體模型可以從實時SCADA數據獲得精確的健康狀況和故障詳細信息。本發明利用SCADA數據和訓練模型來監控風力發電機的狀態，因此其不再需要向風力發電機中安裝附加的傳感器。另外，分級概念結構可以加速風力發電機控制器的處理效率。

在一個實施例中，步驟101包括：

獲取歷史SCADA數據和對應于該歷史SCADA數據的風力發電機報告，其中歷史SCADA數據包括風力發電機的操作數據，并且其中該風力發電機報告包括：診斷為正常或者有缺陷狀態的風力發電機的健康狀況、以及如果風力發電機的健康狀況被診斷為有缺陷狀態時帶有相應故障詳細信息的有缺陷部件；

驗證該風力發電機報告以識別該歷史SCADA數據中哪一數據部分是正常狀態以及該歷史SCADA數據中哪一數據部分是有缺陷狀態。

將歷史SCADA數據劃分為正常狀態部分和有缺陷狀態部分，以便于整體模型和個體模型做出正確的健康狀況和故障詳細信息。

在一個實施例中，步驟102包括：

選擇整體數據挖掘算法；

利用整體數據挖掘算法來訓練用于整體診斷風力發電機的整體模型，以建立整體模型的輸入和輸出之間的關系，整體模型的輸入是歷史SCADA數據，整體訓練模型的輸出是風力發電機的健康狀況，其包括正常和有缺陷狀態，以及如果風力發電機的健康狀況被診斷為有缺陷狀態時的有缺陷部件；

選擇用于風力發電機的不同部件的個體數據挖掘算法；

利用對應的個體數據挖掘算法來訓練用于分析風力發電機的不同部件的不同的個體模型，以建立個體模型的輸入和輸出之間的關系，每一個體模型的輸入是歷史SCADA數據，如果對應于個體模型的個體部件是有缺陷部件，則每個個體模型的輸出是對應于個體模型的個體部件的故障詳細信息。

整體數據挖掘算法可以與個體數據挖掘算法相同或者不同。該算法包括神經網絡、支持向量機、主成分分析等。

在算法選擇期間，個體算法的特點和收集的數據的特征(例如數據豐富度)都應當考慮。對于不同的情況，所選擇的算法可以不同。

基于作為樣本輸入的歷史SCADA數據和對應的風力發電機報告，利用合適的算法訓練整體模型，該模型可以建立SCADA數據和風力發電機報告之間的關系。隨著在模型中建立了關系，將實時SCADA數據輸入整體模型中可以獲得作為輸出的健康狀況。并且同樣，由于風力發電機報告包括有缺陷部件，所以如果健康狀況被診斷為有缺陷狀態時輸入實時SCADA數據至整體模型可以獲得有缺陷部件。

通過利用有缺陷部件的歷史SCADA數據歸納風力發電機報告，個體模型將區分出有缺陷部件的具體的故障詳細信息，包括故障類型、故障位置和故障嚴重性。個體模型經過訓練最終建立SCADA數據與有缺陷部件的故障詳細信息之間的關系。

在一個實施例中，步驟102包括：

使用歷史SCADA數據驗證整體模型和個體模型的有效性。

該有效性可以是檢測定量。該模型可以通過驗證有效性進一步優化。

在一個實施例中，步驟103包括：

獲取實時SCADA數據；

輸入該實時SCADA數據至已訓練的整體模型；

運行已訓練的整體模型以實現整體數據挖掘算法；

從已訓練的整體模型獲得風力發電機的健康狀況；

如果已訓練的整體模型判定風力發電機為有缺陷狀態，則執行個體診斷步驟。

在步驟103中實施的整體數據挖掘算法可以與在步驟102中選擇的算法一樣以保證模型的可靠性。

在一個實施例中，步驟104包括：

選擇對應于有缺陷部件的已訓練個體模型作為已訓練有缺陷模型；

輸入實時SCADA數據至已訓練的有缺陷模型；

運行已訓練的有缺陷模型以實施對應的個體數據挖掘算法；

從已訓練的有缺陷模型獲得有缺陷部件的故障詳細信息。

與步驟103中一樣，在步驟104中實施的個體數據挖掘算法可以與在步驟102中選擇的用于有缺陷部件的算法一樣。

圖2示出了說明本發明的優選實施例的流程圖。

圖2包括兩部分。左側方框代表實時診斷/預測；右側方框代表使用SCADA數據的模型訓練過程。更具體地，整個概念可通過下列步驟實現：

步驟201:從實際風場操作數據庫收集SCADA數據和風力發電機報告，包括：

●包括操作數據和風力發電機報告的SCADA數據，所述風力發電機報告包括在典型風場中的典型風力發電機的狀態(正常和有缺陷的)。

●已核實的對應于上述SCADA數據的風力發電機報告，指明哪一數據部分是正常狀態以及哪一部分是有缺陷狀態。

●將數據和故障信息組織成與以下數據處理一致的適當格式。

●注意，這個步驟應該離線完成，而不是在線。

步驟202:基于所收集的歷史數據，模型使用特定數據挖掘算法

●選擇適當的數據挖掘算法(例如神經網絡、支持向量機、主成分分析等)用于模型訓練。算法的選擇應當同時考慮個體算法的特點和所收集的數據的特征(例如數據豐富度)。對于不同的情況，所選擇的算法可以不同。

●使用所選擇的數據挖掘算法(例如神經網絡)來訓練適用于風力發電機級診斷和預測的整體模型。該整體模型的輸入是新加入的歷史SCADA數據，并且輸出是目標風力發電機的健康狀況以及哪個部件是有缺陷的(如果風力發電機診斷為有缺陷的)。

●使用相同的或者其它數據挖掘算法來訓練適用于診斷和預測風力發電機的不同部件的不同的單一模型。該單一模型的輸入是新加入的歷史SCADA數據，并且輸出是有缺陷部件的特定的故障詳細信息，包括故障類型、故障位置和故障嚴重性。

●使用所收集的歷史數據驗證所訓練的模型(整體模型和單一模型)的有效性(例如檢出率)。

●注意，這個步驟應該離線完成，而不是在線。

步驟203：使用已訓練的整體模型(適用于風力發電機)來實施風力發電機級診斷/預測

●輸入實時新加入的SCADA數據至已訓練的模型。

●運行整體模型來實施為整體模型選擇的嵌入式算法。

●輸出所檢測的風力發電機的健康指數，其具有信息包括：該風力發電機是否是正常的還是有缺陷的，并且如果是有缺陷的，那么哪個部件是有缺陷的。

●注意，這個步驟應該在線完成。

步驟204：使用對應的已訓練的單一模型(適合于對應的部件)來分析有缺陷部件的具體故障詳細信息

●從在步驟2中準備好的那些中選擇對應于在步驟3中識別的有缺陷部件的已訓練的單一模型。

●輸入實時新加入的SCADA數據至對應的已訓練的單一模型。

●運行單一模型來實施為對應的單一模型而選擇的嵌入式算法。

●輸出有缺陷部件的具體故障詳細信息，其包括信息：故障位置、故障類型和故障嚴重性。

●注意，這個步驟應該在線完成。

術語“在線”指在線實時監控。術語“離線”指離線模型訓練。

圖3示出了風力發電機狀態監控系統的結構模塊圖，包括如下模塊：

歷史數據獲取模塊301：用于獲取歷史SCADA數據和對應于歷史SCADA數據的風力發電機報告，其中歷史SCADA數據包括風力發電機的操作數據，并且其中風力發電機報告包括：被診斷為正常或有缺陷狀態的風力發電機的健康狀況，以及如果風力發電機的健康狀況被診斷為有缺陷狀態時的具有對應的故障詳細信息的有缺陷部件；

模型訓練模塊302：用于基于歷史SCADA數據和對應的風力發電機報告，通過建立歷史SCADA數據和風力發電機報告之間的關系，訓練用于整體診斷風力發電機的整體模型并且訓練用于分析風力發電機的不同部件的不同個體模型；

整體診斷模塊303：用于獲取實時SCADA數據，輸入實時SCADA數據至已訓練的整體模型，從已訓練的整體模型獲得風力發電機的健康狀況，以及如果已訓練的整體模型判定風力發電機為有缺陷狀態則執行個體診斷模塊；

個體診斷模塊304：用于輸入實時SCADA數據至對應于有缺陷部件的已訓練的個體模型，以及從對應于有缺陷部件的已訓練的個體模型獲得有缺陷部件的故障詳細信息。

以上所述實施例僅用于表現進行詳細說明的本發明的多個示例，但不應理解為用于限制本發明的保護范圍。應當指出的是，對于本領域技術人員而言，在不脫離本發明技術構思的前提下，還可以做出若干修改和/或改進，這些修改和/或改進均落入本發明的保護范圍。因此，本發明的保護范圍取決于所附權利要求。