一种风电机组部件健康度监测方法、装置、设备及介质与流程

本发明涉及设备检测，特别涉及一种风电机组部件健康度监测方法、装置、设备及介质。

背景技术：

1、风力发电机组通常建于风资源较好的地理位置，主要分布于山丘、平原，存在交通不便的特点，同时风电机组机舱相对狭窄，造成检修人员操作困难的问题。风电机组中齿轮箱、发电机、变频器等大部件是故障诊断的关键，相关部件温度过高会导致发电效率降低。

2、现有的基于部件温度的故障预警方法，主要是利用历史数据和其他测点数据对关键部件温度进行拟合，并通过拟合值与实际值的残差与阈值进行比较判断是否报警，主要缺陷是仅采用单台机组部件数据，对于已有潜在故障的齿轮箱，在劣化趋势不明显的情况下，难以准确判断故障情况。同时，部分外生变量在场站侧无法通过测点进行获取，其中部分所需数据因机组品牌型号不统一、数据接入线路及编码问题等原因在scada（supervisory control and data acquisition，数据采集与监视控制系统）测点中存在缺失，外加传感器等方式成本较高，此时利用单台机组数据进行诊断会因外部因素未全部输入模型导致信息缺失，造成模型准确率较低的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种风电机组部件健康度监测方法、装置、设备及介质，可以利用同场站机组外界环境相似性，对场站机组进行对标，在机组型号、环境温度等约束条件相同的情况下，横向比较机组出力状态，通过机组间对标的方式确定出力较差的机组，提取健康度指标，在该指标低于阈值时进行预警，实现关键部件故障预警。其具体方案如下：

2、第一方面，本技术公开了一种风电机组部件健康度监测方法，包括：

3、基于预设时间范围内风电场站全部机组的风电机组数据构建样本数据集，利用所述样本数据集对构建的温度阈值计算回归模型进行训练，并对所述温度阈值计算回归模型进行参数调整，以得到训练后回归模型；

4、利用所述训练后回归模型确定与若干预设分位数对应的若干目标回归模型，以通过所述若干目标回归模型确定与所述若干预设分位数对应的若干部件健康度基准值；

5、通过所述若干部件健康度基准值构建健康度评分公式，并根据所述健康度评分公式以及风电机组部件的实时温度确定风电机组部件的健康度评分；

6、根据所述风电机组的健康度评分确定是否自动报警。

7、可选的，所述基于预设时间范围内风电场站全部机组的风电机组数据构建样本数据集，包括：

8、通过统一资源定位系统遍历风电场站全部机组第一预设时间范围内的若干组风电机组数据；

9、基于时间戳对所述若干组风电机组数据进行对时，并剔除所述若干组风电机组数据中的缺失值以及异常值，以得到若干组处理后风电机组数据；

10、去除所述若干组处理后风电机组数据的机组编号，以对所述若干组处理后风电机组数据进行汇总，得到汇总后风电机组数据，并根据所述汇总后风电机组数据构建样本数据集。

11、可选的，所述利用所述样本数据集对构建的温度阈值计算回归模型进行训练，并对所述温度阈值计算回归模型进行参数调整，以得到训练后回归模型，包括：

12、将构建的温度阈值计算回归模型的分位数设置为0.5，并利用所述样本数据集对所述温度阈值计算回归模型进行训练，以得到待确定回归模型；

13、根据决定系数确定所述待确定回归模型与温度参数变化趋势的拟合程度，以基于所述拟合程度确定所述待确定回归模型的模型精度是否达到预设模型精度阈值；

14、若所述待确定回归模型的模型精度未达到所述预设模型精度阈值，则对所述待确定回归模型进行参数调整，并重新进行训练，直至所述待确定回归模型的模型精度达到所述预设模型精度阈值，以将所述待确定回归模型确定为训练后回归模型。

15、可选的，所述利用所述样本数据集对所述温度阈值计算回归模型进行训练，包括：

16、基于所述样本数据集对所述温度阈值计算回归模型进行训练，通过对非对称形式的绝对值残差损失函数进行最小化求解，以拟合温度参数变化趋势。

17、可选的，所述利用所述训练后回归模型确定与若干预设分位数对应的若干目标回归模型，以通过所述若干目标回归模型确定与所述若干预设分位数对应的若干部件健康度基准值，包括：

18、将所述训练后回归模型的分位数分别设置为0.1、0.4、0.6以及0.9，并利用所述样本数据集分别对0.1、0.4、0.6以及0.9分位数对应的所述温度阈值计算回归模型进行训练，以得到与0.1分位数对应的第一目标回归模型、与0.4分位数对应的第二目标回归模型、0.6分位数对应的第三目标回归模型、0.9分位数对应的第四目标回归模型；

19、基于预设第二时间范围内的单机组数据构建单机组数据集，并将所述单机组数据集分别输入至所述第一目标回归模型、第二目标回归模型、第三目标回归模型、第四目标回归模型，以得到相应的第一基准值、第二基准值、第三基准值以及第四基准值。

20、可选的，所述通过所述若干部件健康度基准值构建健康度评分公式，并根据所述健康度评分公式以及风电机组部件的实时温度确定风电机组部件的健康度评分，包括：

21、基于所述若干部件健康度基准值结合预设反比例函数或预设逻辑函数构建健康度评分公式，且所述健康度评分公式如下：

22、；

23、其中，score为健康度评分，ypredict为实时温度、y90%为第四基准值、y60%为第三基准值、y40%为第二基准值、y10%为第一基准值；

24、根据所述健康度评分公式以及风电机组部件的实时温度确定风电机组部件的健康度评分。

25、可选的，所述根据所述风电机组的健康度评分确定是否自动报警之前，还包括：

26、基于健康度评分构建健康度梯度，以为不同的健康度范围设置不同的健康度状态；

27、相应的，所述根据所述风电机组的健康度评分确定是否自动报警，包括：

28、若所述风电机组的健康度评分所在的健康度范围对应的健康状态为非健康状态，则进行自动报警操作。

29、第二方面，本技术公开了一种风电机组部件健康度监测装置，包括：

30、模型训练模块，用于基于预设时间范围内风电场站全部机组的风电机组数据构建样本数据集，利用所述样本数据集对构建的温度阈值计算回归模型进行训练，并对所述温度阈值计算回归模型进行参数调整，以得到训练后回归模型；

31、基准值确定模块，用于利用所述训练后回归模型确定与若干预设分位数对应的若干目标回归模型，以通过所述若干目标回归模型确定与所述若干预设分位数对应的若干部件健康度基准值；

32、健康度评分计算模块，用于通过所述若干部件健康度基准值构建健康度评分公式，并根据所述健康度评分公式以及风电机组部件的实时温度确定风电机组部件的健康度评分；

33、自动报警模块，用于根据所述风电机组的健康度评分确定是否自动报警。

34、第三方面，本技术公开了一种电子设备，包括：

35、存储器，用于保存计算机程序；

36、处理器，用于执行所述计算机程序以实现如前述的风电机组部件健康度监测方法。

37、第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现如前述的风电机组部件健康度监测方法。

38、本技术中，首先基于预设时间范围内风电场站全部机组的风电机组数据构建样本数据集，利用所述样本数据集对构建的温度阈值计算回归模型进行训练，并对所述温度阈值计算回归模型进行参数调整，以得到训练后回归模型；然后利用所述训练后回归模型确定与若干预设分位数对应的若干目标回归模型，以通过所述若干目标回归模型确定与所述若干预设分位数对应的若干部件健康度基准值，并通过所述若干部件健康度基准值构建健康度评分公式，并根据所述健康度评分公式以及风电机组部件的实时温度确定风电机组部件的健康度评分；最后根据所述风电机组的健康度评分确定是否自动报警。由此可见，通过本技术的方法，需要基于收集的预设时间范围内风电场站全部机组的风电机组数据构建数据集，然后利用预设的数据集对回归模型进行训练，并基于训练后回归模型确定与若干预设分位数对应的若干部件健康度基准值；根据若干部件健康度基准值构建健康度评分公式，并利用评分公式基于各部件的实时温度确定风电机组部件的健康度评分，进而根据健康度评分确定是否自动报警。这样一来，可以利用同场站机组外界环境相似性，对场站机组进行对标，在机组型号、环境温度等约束条件相同的情况下，横向比较机组出力状态，通过机组间对标的方式确定出力较差的机组，提取健康度指标，在该指标低于阈值时进行预警，实现关键部件故障预警。