一种风电机组发电性能检测方法、装置与流程

本说明书的一个或多个实施例涉及风力发电，特别的涉及一种风电机组发电性能检测方法、装置。

背景技术：

1、风电机组的功率特性是评估其性能的重要指标，它直接影响到风电机组发电量的多少。风电机组服役后，需要及时进行功率特性评估。

2、由于所受工况瞬态多变且工作环境恶劣，所以风电机组是一个复杂、多变量、非线性的不确定系统。一般新能源发电运营商运营的机组型号、品牌众多难以建立统一的评估体系，而且运行数据的量级非常大，人工分析费时费力。

3、当前迫切需要一种解决评估风电机组发电性能的方法，能实时评估发电机组效率，并可以识别影响其性能的具体根因。

技术实现思路

1、本说明书一个或多个实施例描述了一种风电机组发电性能检测方法、装置，能识别各种机组型号的风电机组的异常数据并能识别该异常数据对性能影响的具体根因。

2、第一方面，本说明书实施例提供了一种风电机组发电性能检测方法，包括：

3、获取待测风电机组的历史数据，所述历史数据包括风速和功率；

4、基于历史数据，生成该风电机组的功率曲线的二值图像；

5、利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和iou约束从候选分割边界中确定最优分割边界；

6、将功率曲线上位于最优分割边界外的数据识别为异常点，利用贝叶斯根因诊断模型对异常点进行异常诊断，输出风电机组的异常原因。

7、在一些实施例中，所述基于历史数据，生成该风电机组的功率曲线的二值图像，包括：

8、基于历史数据，生成初始尺度下的风电机组的功率曲线的二值图像；

9、利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，建立一个多尺度空间，形成多个不同尺度下的风电机组的功率曲线的二值图像；

10、利用第一能量函数es＝w1ng+w2sg+w3(1-l)，计算多个不同尺度下的风电机组的功率曲线的二值图像的es第一能量值，其中，ng为欧拉数的梯度，sg为面积梯度，w1，w2和w3是权重；

11、将最小第一能量值所对应的尺度下的风电机组的功率曲线的二值图像确定为最优尺度下的风电机组的功率曲线的二值图像，以送入主动形状模型进行建模。

12、在一些实施例中，所述利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和iou约束从候选分割边界中确定最优分割边界，包括：

13、利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像；

14、将功率曲线的二值图像转化为双特征图像，基于双特征图像，计算用于评价候选图像的类不确定性；

15、基于类不确定性和iou约束，从候选分割边界中确定最优分割边界；

16、其中，所述功率曲线的二值图像转化为双特征图像，具体为：

17、对功率曲线的二值图像，基于二进制距离变换，得到特征图像b；

18、基于局部数据像素分布的密度和散度，在特征图像b上形成特征图像t；

19、所述基于类不确定性和iou约束，从候选分割边界中确定最优分割边界，具体为：

20、对特征图像b和特征图像t进行类不确定性计算；

21、以第二能量函数最小化，iou约束最大化为目标，利用第二能量函数计算第二能量值，从候选分割边界确定最优分割边界；

22、其中，所述第二能量函数：e(r)＝∑c∈ωhr(g(c))(1-rr)+hr(g(c))rr+1-hr(g(c)))(1-rr)，e(r)为第二能量值.hr(g(c))为分段r处任一像素点c的类不确定性，rr为分段r处的iou约束；u和v分别代表特征图像b和特征图像t的像素集。

23、在一些实施例中，所述对功率曲线的二值图像，基于二进制距离变换，得到特征图像b，具体为：

24、通过搜索所述功率曲线的二值图像中的前景区域内的数据像素点与边界的最小空间距离，将功率曲线的二值图像转化为功率曲线的灰度图像，即得到特征图像b；

25、所述基于局部数据像素分布的密度和散度，在特征图像b上形成特征图像t，具体为：

26、计算每个数据像素在一定规格的移动窗口中的密度rc和散度lc；

27、基于密度rc和散度lc，形成复合特征tc；

28、

29、其中，w1和w2是rc和lc的权值，tc归一化为(1，d)，d为特征图像b中的最大二进制距离变换值；

30、基于复合特征，在特征图像b上形成特征图像t。

31、在一些实施例中，在所述利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和iou约束从候选分割边界中确定最优分割边界之后，还包括：

32、基于历史数据与二值化图像转化过程中的映射关系，将具有最优分割边界的功率曲线的灰度图像转换为具有最优分割边界的功率曲线的彩色图像；

33、对彩色图像中的正常点和异常点进行标识，并对异常点数据进行分类。

34、在一些实施例中，所述异常点数据进行分类，具体为：通过识别彩色图像中异常点数据的线形，确定异常点数据类型为i型或ii型或iii型；

35、i型指风速高于切入速度时，功率值为负值或接近零功率值的数据；ii型指分散或随机分布的数据；iii型指具有相似输出功率值且持续一段时间的堆叠数据。

36、在一些实施例中，所述利用贝叶斯根因诊断模型对异常点进行异常诊断，输出风电机组的异常原因，包括：

37、获取该异常点所在时刻的历史参数，所述异常点的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；

38、将该异常点的历史参数输入贝叶斯根因诊断模型，输出风电机组的异常原因；

39、其中，所述贝叶斯根因诊断模型根据如下过程训练得到：

40、获取多台风电机组不同时刻的历史参数，所述多台风电机组的历史参数包括风速、功率、变桨角、发电机转速、传动系振动加速度、塔振动加速度；

41、对每一时刻的多台风电机组的历史参数进行正常或异常数据打标，所述异常数据还标识有根因标签；

42、从多台风电机组所有时刻的历史参数中，统计不同根因导致异常发生的先验概率；

43、将多台风电机组的历史参数中的多个参数进行任意组合，利用贝叶斯算法，对不同参数组合进行联合概率密度计算，以获得不同参数组合下异常发生的后验概率；

44、

45、其中，pr(fm|xt+1)表示给定xt+1的状态fm的后验概率，pr((fm)是fm的先验概率，是x在fm状态下的概率密度函数，是x在条件下的概率密度函数，是的先验概率，fm指风机在不同时刻下的状态，指风机在不同时刻下fm所处的状态外的其他状态；

46、将不同参数组合下异常发生的最大后验概率，确定为该异常的最终后验概率；

47、利用多台风电机组不同时刻的历史参数按如上步骤训练后，得到训练好的贝叶斯根因诊断模型。

48、在一些实施例中，所述历史数据或所述历史参数从scada系统采集获得。

49、第二方面，本说明书实施例提供了一种风电机组发电性能检测装置，包括：

50、获取模块，用于获取待测风电机组的历史数据，所述历史数据包括风速和功率；

51、二值图像生成模块，用于基于历史数据，生成该风电机组的功率曲线的二值图像；

52、分割边界确定模块，用于利用主动形状模型对功率曲线的二值图像进行建模，生成带有一组候选分割边界的候选图像，并基于类不确定性和iou约束从候选分割边界中确定最优分割边界；

53、诊断模块，用于利用贝叶斯根因诊断模型对最优分割边界识别得到的异常点进行异常诊断，输出风电机组的异常原因。

54、在一些实施例中，所述二值图像生成模块包括：

55、第一图像生成单元，用于基于历史数据，生成初始尺度下的风电机组的功率曲线的二值图像；

56、第二图像生成单元，用于利用高斯核对初始尺度下的风电机组的功率曲线的二值图像进行滤波，建立一个多尺度空间，形成多个不同尺度下的风电机组的功率曲线的二值图像；

57、计算单元，用于利用第一能量函数es＝w1ng+w2sg+w3(1-l)，计算多个不同尺度下的风电机组的功率曲线的二值图像的es第一能量值，其中，ng为欧拉数的梯度，sg为面积梯度，w1，w2和w3是权重；

58、第三图像生成单元，用于将最小第一能量值所对应的尺度下的风电机组的功率曲线的二值图像确定为最优尺度下的风电机组的功率曲线的二值图像，以送入主动形状模型进行建模。

59、本说明书一些实施例提供的技术方案带来的有益效果至少包括：

60、在本说明书一个或多个实施例中，本说明书实施例方法适用多种机型风电机组的性能识别，先对单台风电机组进行异常点识别，并通过基于所有风电机组的历史参数训练得到的贝叶斯诊断模型，对异常点进行根因识别；在异常点识别过程中，先构建最优尺度下的功率曲线的二值图像，再基于功率曲线的二值图像利用主动形状模型进行建模，生成带有候选分组边界的候选图像，之后通过类不确定性和iou约束从候选分割边界中确定最优分割边界，以准确识别得到位于最优分割边界外的数据，即异常数据；在诊断过程中，贝叶斯诊断模型是通过统计概率和联合概率密度计算训练得到，能有效识别异常数据的根因。