CN103996048B - 基于粒子群优化对风机运行状态进行模式识别方法和*** - Google Patents
基于粒子群优化对风机运行状态进行模式识别方法和*** Download PDFInfo
- Publication number
- CN103996048B CN103996048B CN201410183616.7A CN201410183616A CN103996048B CN 103996048 B CN103996048 B CN 103996048B CN 201410183616 A CN201410183616 A CN 201410183616A CN 103996048 B CN103996048 B CN 103996048B
- Authority
- CN
- China
- Prior art keywords
- measured
- blower fan
- fan
- weight matrix
- time period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Structures Of Non-Positive Displacement Pumps (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本申请公开基于粒子群优化对风机运行状态进行模式识别的方法和***该方法:获取待测风机在一定时间内运行数据,根据预置划分条件将运行数据划分为多种运行特征项,获取待测风机在每一时间段对应运行特征项;对各时间段所对应运行特征项进行概率统计处理,生成每一运行特征项在该时间段内的概率值,建立运行特征项与运行状态类型的对应关系;利用粒子群优化方式选取多组权重值,构建多个对应于待测风机运行状态类型的权重矩阵,选取权重概率最大的运行状态类型作为权重矩阵在该时间段内对应的风机运行模式;最终使用所有权重矩阵所收敛的最优权重矩阵对待测风机的运行状态进行模式识别。本发明有效解决了难以准确及时地探测到待测风机故障的问题。
Description
技术领域
本申请涉及待测风机的监测领域,更具体地涉及一种基于粒子群优化对风机运行状态进行模式识别的方法和***。
背景技术
PSO(Particle Swarm Optimization,粒子群优化),一种基于种群的随机优化技术,其模仿昆虫、兽群、鸟群和鱼群等的群集行为,这些群体按照一种合作的方式寻找食物,群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。
风力发电机在自然风的带动下运行并产生电能,在风力发电机的运行过程中,将受到外界环境因素和自身工作状态的影响,如:由于自然风的实时变化,有时风速小于风力发电机的切入风速,使风力发电机难以启动;有时风速又大于风力发电机可承受的极限风速,对风力发电机造成破坏,使风力发电机出现故障甚至停机;又如:风力发电机长时间运行,使风力发电机出现运行故障。
对于风力发电机的运行故障而言,通常情况下,并不是突然停机,而是导致风力发电机的性能逐渐下降,在不进行检修维护的情况下,终将导致风力发电机停机,待测风机一旦停机,再进行维修的成本是非常巨大的,并且待测风机停机也会造成发电量的巨大损失。所以,需要对风场上的风力发电机进行检测维护。
如果故障在发生的早期阶段被检测到,则可以将由该故障带来的影响降低至最小,进一步缩短风力发电机的停机时间同时减小发电量的损失。
但在现有技术中,风力发电机的故障类型众多,如:齿轮轴承故障、叶轮故障、变桨角故障等等,而且故障发生较为突然,难以预测。
综上所述,如何解决难以提前诊断、预测风力发电机运行故障的发生,便成为亟待解决的技术问题。
发明内容
有鉴于此,本申请所要解决的技术问题是提供了一种基于粒子群优化对风机运行状态进行模式识别的方法和***,以解决难以准确及时的探测到待测风机故障的问题。
为了解决上述技术问题,本申请公开了一种基于粒子群优化对风机运行状态进行模式识别的方法,其特征在于,包括:
获取待测风机在一定时间内的运行数据,根据预置的划分条件将所述运行数据划分为多种运行特征项,在所述一定时间内按相同时长的时间段获取该待测风机在每一时间段对应的运行特征项;
对各时间段所对应的所述运行特征项进行概率统计处理,生成每一所述运行特征项在该时间段内的概率值,并按照预置的所述待测风机的运行状态类型,对所述一定时间内的所有运行特征项进行归类,建立所述运行特征项与所述运行状态类型的对应关系;
利用粒子群优化方式在预置的数值范围内任意选取多组权重值,构建多个对应于所述待测风机运行状态类型的权重矩阵,根据已建立的所述运行特征项与所述运行状态类型的对应关系,将每组所述权重矩阵对所述时间段内出现的所有运行特征项的概率值进行权重处理,得到每组权重矩阵在该时间段内对应的各个所述运行状态类型的权重概率,并选取权重概率最大的运行状态类型作为所述权重矩阵在该时间段内对应的风机运行模式;
对多组所述权重矩阵进行遍历迭代处理,检验所述待测风机在所述一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式是否一致,并使用所有所述权重矩阵所收敛的最优权重矩阵对所述待测风机的运行状态进行模式识别。
优选地,检验所述待测风机在所述一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式是否一致,进一步为:
根据所述待测风机在一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式进行比对,检验该待测风机的所述实际运行状态与所述风机运行模式是否一致,将所述待测风机的所述实际运行状态与所述待测风机运行模式比对不一致的时间段作为误差。
优选地,使用所有所述权重矩阵所收敛的最优权重矩阵对所述待测风机的运行状态进行模式识别,进一步为:
确定出所有所述权重矩阵利用粒子群优化方式进行遍历迭代处理后所收敛至误差值最小的所述权重矩阵作为所述最优权重矩阵,使用该最优权重矩阵对所述待测风机的运行状态进行模式识别。
优选地,获取待测风机在一定时间内的运行数据,进一步为:
对所述待测风机在一定时间内的风速数据与该待测风机的发电功率、叶片转速、变桨转角的运行数据进行相关性测试,获取由该相关性测试所生成的所述运行特征项。
优选地,
所述一定时间,进一步为:以周、月或者整数天为固定值的时间期限;
所述相同时长的时间段,进一步为:在所述一定时间内以至少10分钟作为固定值的时间段。
为了解决上述技术问题,本申请还公开了一种基于粒子群优化对风机运行状态进行模式识别的***,其特征在于,包括:数据获取单元、统计处理单元、权重处理单元以及模式识别单元,其中,
所述数据获取单元,用于获取待测风机在一定时间内的运行数据,根据预置的划分条件将所述运行数据划分为多种运行特征项,并在所述一定时间内按相同时长的时间段获取该待测风机在每一时间段对应的运行特征项;
所述统计处理单元,用于对各时间段所对应的所述运行特征项进行概率统计处理,生成每一所述运行特征项的概率值,并按照预置的所述待测风机的运行状态类型,对所述一定时间内的所有所述运行特征项进行归类,建立所述运行特征项与所述运行状态类型的对应关系;
所述权重处理单元,用于利用粒子群优化方式在预置的数值范围内任意选取多组权重值,构建多个对应于所述待测风机运行状态类型的权重矩阵,根据已建立的所述运行特征项与所述运行状态类型的对应关系,将每组所述权重矩阵对所述时间段内出现的所有运行特征项的概率值进行权重处理,得到每组权重矩阵在该时间段内对应的各个所述运行状态类型的权重概率,并选取权重概率最大的运行状态类型作为所述权重矩阵在该时间段内对应的风机运行模式;
所述模式识别单元,用于对多组所述权重矩阵进行遍历迭代处理,检验所述待测风机在所述一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式是否一致,并使用所有所述权重矩阵所收敛至误差最小的最优权重矩阵对所述待测风机的运行状态进行模式识别。
优选地,所述模式识别单元,进一步用于:
根据所述待测风机在一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式进行比对,检验该待测风机的所述实际运行状态与所述风机运行模式是否一致,将所述待测风机的所述实际运行状态与所述待测风机运行模式比对不一致的时间段作为误差。
优选地,所述模式识别单元,进一步用于:
确定出所有所述权重矩阵利用粒子群优化方式进行遍历迭代处理后所收敛至误差值最小的所述权重矩阵作为所述最优权重矩阵,使用该最优权重矩阵对所述待测风机的运行状态进行模式识别。
优选地,获取待测风机在一定时间内的运行数据,进一步为:
对所述待测风机在一定时间内的风速数据与该待测风机的发电功率、叶片转速、变桨转角的运行数据进行相关性测试,获取由该相关性测试所生成的所述运行特征项。
优选地,
所述一定时间,进一步为:以周、月或者整数天为固定值的时间期限;
所述相同时长的时间段,进一步为:在所述一定时间内以至少10分钟作为固定值的时间段。
与现有技术相比,本申请所述的一种基于粒子群优化对风机运行状态进行模式识别的方法和***,达到了如下效果:
本申请所述的一种基于粒子群优化对风机运行状态进行模式识别的方法和***,能够对待测风机的不同运行数据精确划分为多个运行特征项,并建立运行特征项与待测风机运行状态类型的对应关系,即实现了两次数据融合,采用具有仿生性的PSO技术,以权重矩阵的方式对待测风机的运行状态进行模式识别,从而有效解决了难以准确及时地探测到待测风机故障的问题。
当然,实施本申请的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例一所述的基于粒子群优化对风机运行状态进行模式识别的方法流程框图。
图2是本申请实施例二所述的基于粒子群优化对风机运行状态进行模式识别的方法流程框图。
图3是本申请实施例四所述的基于粒子群优化对风机运行状态进行模式识别的***结构示意图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
实施例一
如图1所示,为本申请实施例一所述的一种基于粒子群优化对风机运行状态进行模式识别的方法,该方法包括:
步骤101,获取待测风机在一定时间内的运行数据,根据预置的划分条件将所述运行数据划分为多种运行特征项,并在所述一定时间内按相同时长的时间段获取该待测风机在每一时间段对应的运行特征项。
在步骤101中,所述运行数据,具体是所述待测风机的运行参数与风力(或风速)之间的关联性数据,如:所述待测风机的发电功率与风速的关联数据。
所述预置的划分条件,具体是指预先结合所述待测风机的运行参数和风速,对该待测风机的工作特征进行分类的条件。从而,可以根据该划分条件将所述运行数据划分为多种运行特征项,如将所述待测风机的工作特征分类为:风速大于4m/s(米每秒)时,该待测风机的产生的功率等于0,则风机异常停机。当然,在本实施例中,所述预置的划分条件可以根据实际应用的需要进行调整,所以,所述特征项的数量也将根据该划分条件的改变发生变化。为了便于表示不同的所述特征项,可以对不同所述特征项采用字母、数字(或二者结合)的方式进行标注,并不构成对本申请的限定。
需要说明的是,由于在风场中,自然风(风速、风力等)实时都在变化,对所述待测风机各类运行参数的影响也在不断变化,为了较准确地获取所述待测风机的相关数据,就需要将所述待测风机在一定时间内的运行数据以多个时间段的方式分别进行获取,所以,在步骤101中,在所述一定时间内按相同时长的时间段获取该待测风机在每一时间段对应的运行特征项。另外,对于步骤101,所述待测风机可以是风场中任一风力发电机,也可以是风场中所有风力发电机,并不构成对本申请的限定。
步骤102,对各时间段所对应的所述运行特征项进行概率统计处理,生成每一所述运行特征项在该时间段内的概率值,并按照预置的所述待测风机的运行状态类型,对所述一定时间内的所有运行特征项进行归类,建立所述运行特征项与所述运行状态类型的对应关系。
在步骤102中,所述时间段所对应的所述运行特征项的概率值,具体可以是某一时间段所对应的某一运行特征项,在该时间段内出现的所有运行特征项中所占的比例值。
对于步骤102中,所述待测风机的运行状态类型,具体可以为正常运行、正常加速或减速、故障损坏(未停机)、异常停机和正常停机等。将所述待测风机在不同时间段内的所述运行特征项归类为不同的所述运行状态类型。
步骤103,利用粒子群优化方式在预置的数值范围内任意选取多组权重值,构建多个对应于所述待测风机运行状态类型的权重矩阵,根据已建立的所述运行特征项与所述运行状态类型的对应关系,将每组权重矩阵对所述时间段内出现的所有运行特征项的概率值进行权重处理,得到每组权重矩阵在该时间段内对应的各个所述运行状态类型的权重概率,并选取权重概率最大的运行状态类型作为所述权重矩阵在该时间段内对应的风机运行模式。需要说明的是,在步骤103中,每组所述权重矩阵代表粒子群优化方式中的一个粒子。
在步骤103中,所述权重矩阵可以根据所述待测风机的运行状态类型的数量进行构建,以生成对应维数的所述权重矩阵,如:若所述待测风机的运行状态类型的数量为5种,则所述权重矩阵为5行5列式的25维矩阵。
需要说明的是,由于每一所述权重矩阵根据所述待测风机的运行状态类型的数量构建,所以,在步骤103中,所述权重矩阵在某一时间段内对应的各个所述运行状态类型的权重概率就表示在该时间段内待测风机各类运行状态类型出现的概率。
步骤104,对多组所述权重矩阵进行遍历迭代处理,检验所述待测风机在所述一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式是否一致,并使用所有所述权重矩阵所收敛的最优权重矩阵对所述待测风机的运行状态进行模式识别。
在步骤104中,检验所述待测风机在一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的风机运行模式是否一致,对于不一致的情况,则说明所述权重矩阵所对应的所述风机运行模式出现了选取错误,在本实施例中,可以将不一致的情况视为误差。所述最优权重矩阵的误差最小。
实施例二
结合图2所示,为本申请实施例二所述的一种基于粒子群优化对风机运行状态进行模式识别的方法,该方法包括:
步骤201,获取待测风机在一定时间内的运行数据,根据预置的划分条件将所述运行数据划分为多种运行特征项,在所述一定时间内按相同时长的时间段获取该待测风机在每一时间段对应的运行特征项。
对于步骤201,获取待测风机在一定时间内的运行数据,具体为:对所述待测风机在一定时间内的风速数据与该待测风机的发电功率、叶片转速、变桨转角等待测风机运行数据进行相关性测试,获取由该相关性测试所生成的所述运行特征项。也就是说,若进行3种相关性测试,那么,获取到的所述运行数据中就包含有三类分别对应于该3种相关性测试的运行数据。再根据预置的划分条件将3种相关性测试的运行数据划分为多种运行特征项。优选地,为了便于表示,可以采用数字或字母标号的方式对各所述特征项进行标示。
其中,所述一定时间,具体为以周、月或者整数天为固定值的时间期限,如在本实施例中,可以为200天(或100天、一个月等等),即在步骤201中,获取所述待测风机在200天内的运行数据,并取一天作为相同时长的时间段。
步骤202,对各时间段所对应的所述运行特征项进行概率统计处理,生成每一所述运行特征项的概率值,按照预置的所述待测风机的运行状态类型,对所述一定时间内的所有所述运行特征项进行归类,建立所述运行特征项与所述运行状态类型的对应关系。
在本实施例中,步骤202中的所述待测风机运行状态类型具体为:1:正常运行,2:正常加速或减速,3:故障损坏(未停机),4:安全停机,5:异常停机等5种类型。
步骤203,利用粒子群优化方式在预置的数值范围内任意选取多组权重值,构建多个对应于所述待测风机运行状态类型的权重矩阵(每组权重矩阵代表一个粒子),根据已建立的所述运行特征项与所述运行状态类型的对应关系,将每组权重矩阵对所述时间段内出现的所有运行特征项的概率值进行权重处理,得到每组权重矩阵在该时间段内对应的各个所述运行状态类型的权重概率,并选取权重概率最大的运行状态类型作为所述权重矩阵在该时间段内对应的风机运行模式。
在步骤203中,以一天时间内为例,所述待测风机在一天内可能出现上述5种运行状态类型,所述权重矩阵生成的各所述运行状态类型的权重概率的大小,就反映了所述5种运行状态类型出现的可能性,那么,权重概率最大的所述运行状态类型就主导了该待测风机在这一天内的运行状态,所以,将最大权重概率所对应的运行状态类型作为这一天内的风机运行模式。
步骤204,对多组所述权重矩阵所代表的粒子群进行遍历迭代处理,根据所述待测风机在一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式进行比对,将所述待测风机的所述实际运行状态与所述待测风机运行模式比对不一致的时间段作为误差,并使用所有所述权重矩阵所收敛至误差最小的最优权重矩阵对所述待测风机的运行状态进行模式识别。
对于步骤204,使用所有所述权重矩阵所收敛至误差最小的最优权重矩阵对所述待测风机进行运行状态的模式识别,具体为:确定出所有所述权重矩阵利用粒子群优化方式进行遍历迭代处理后所收敛至误差值最小的所述权重矩阵作为所述最优权重矩阵,使用该最优权重矩阵对所述待测风机的运行状态进行模式识别。
需要说明的是,在本实施例中,将每组所述权重矩阵视为一个粒子,由所有所述权重矩阵可以构成相应的所述粒子群,利用粒子群优化方式针对该粒子群进行遍历迭代处理,所述权重矩阵将逐渐收敛为误差最小的权重矩阵(即最优权重矩阵),使用该误差最小的权重矩阵对所述待测风机的运行状态进行模式识别,可以准确及时地探测到待测风机的故障。
实施例三
下面结合图,对所述基于粒子群优化对风机运行状态进行模式识别的方法的具体应用进行详细说明:
需要说明的是,获取所述运行数据时,相关性测试的种类越多,其反应的所述待测风机的运行状态就越准确,所以,在本实施例中,对所述待测风机的3种相关性测试的数据作为运行数据进行获取:风速数据与该待测风机的发电功率、叶片转速、变桨转角的相关性测试。
步骤一,获取由该3种相关性测试所生成的所述3种运行数据,根据如下表所示的预置划分条件将所述3种运行数据分别划分为多种运行特征项,在所述一天内该待测风机每10分钟对应一组运行特征项。具体地,如表1至3所示:
表1风速数据与发电功率相关性特征项表
特征项 | 划分条件 | 运行特征 |
1 | 线性功率>1.5 | 故障引起性能下降 |
2 | 0.5<线性功率≦1.5 | 正常运行 |
3 | -0.5<线性功率≦0.5 | 正常运行 |
4 | -1.5<线性功率≦-0.5 | 正常运行 |
5 | 线性功率≦-1.5 | 故障引起性能下降 |
6 | 水平功率 | 故障导致停机 |
7 | 风速<4m/s,功率>0 | 风速仪故障 |
8 | 风速<4m/s,功率≦0 | 正常停机 |
表2风速数据与叶片转速相关性特征项表
表3风速数据与变桨转角相关性特征项表
其中,为了便于表示不同的所述特征项,在上述3个表中对不同所述特征项采用数字的方式进行标注。在步骤一中,对于上述3种运行数据中的任一一种,均在一天内获取144项所述运行特征项。
步骤二,将相同时间段内3种运行数据的所述运行特征项进行合并处理,获得144组运行特征合并项,如:将所述运行特征项合并为355,表示风速数据分别与该待测风机的发电功率、叶片转速、变桨转角的相关性测试对应的运行特征项为:3、5、5。
再对各所述运行特征合并项进行概率统计处理,生成每一所述运行特征合并项在一天内发生的概率值,按照预置的所述待测风机的运行状态类型,对所述一天内的所有运行特征合并项进行归类,建立所述运行特征合并项与所述运行状态类型的对应关系,由此可以得到每一所述运行状态类型在这一天内发生的概率值。
其中,所述风机运行状态类型具体为:1:正常运行,2:正常加速或减速,3:故障损坏(未停机),4:安全停机,5:异常停机等5种类型。所述运行特征合并项与所述运行状态类型的对应关系具体如表4所示:
表4运行特征合并项与所述运行状态类型的对应关系表
运行状态类型 | 运行特征合并项 |
1:正常运行 | 254,255,256,354,355,356,444,455,456,556 |
2:正常加速或减速 | 813,833 |
3:故障损坏(未停机) | 378,558,578,754,755,834,837,854,855 |
4:安全停机 | 811,812,818,911 |
5:异常停机 | 611,633,644,618,671 |
步骤三,利用粒子群优化方式在预置的数值范围内任意选取多组权重值,构建多个对应于5种运行状态类型的权重矩阵,每组权重矩阵代表一个粒子。根据已建立的所述运行特征合并项与所述运行状态类型的对应关系,通过每个所述权重矩阵对所述时间段内出现的所有运行特征合并项的概率值进行权重处理,得到每组权重矩阵在该时间段内对应的各个所述运行状态类型的权重概率,根据每个所述权重矩阵生成的各所述运行状态类型的权重概率,确定出最大的所述权重概率,将该最大权重概率所对应的运行状态类型作为所述权重矩阵在该时间段内对应的风机运行模式。
该权重矩阵为:
其中,W表示权重值,Wij表示属于运行状态类型j的所有运行特征合并项在所述一天内发生这一事件,对决定这一天的运行状态类型为i的影响值,即权重值,i和j的取值分别为上述5种运行状态类型的编号。若在一天内,待测风机的特征合并项分别出现:355、813、833、378、811和611,6个特征合并项的概率分别为p11、p21、p22、p31、p41和p51。则可以根据该权重矩阵获得这一天内5种运行状态类型对应的权重概率,即
其中,Pjk表示属于运行状态类型j的第k种运行特征合并项在这一天内发生的概率值。然后,选取最大权重概率所对应的运行状态类型作为该权重矩阵在这一天内的风机运行模式,即
category≡argmax(Pi)
在步骤三中,构建的多个权重矩阵代表不同的粒子,所以采用粒子群优化的方式对多个所述权重矩阵进行遍历迭代处理。即如下步骤四。
步骤四,根据所述待测风机在一定时间内的实际运行状态检验由各所述权重矩阵得到的风机运行模式,确定出对所述待测风机进行状态模式识别的权重矩阵,具体为:对多组所述权重矩阵(即粒子群)进行遍历迭代处理,检验所述待测风机在一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的风机运行模式是否一致,如不一致将视为误差,最后所有粒子将收敛为误差最小的最优权重矩阵,并使用该最优权重矩阵对所述待测风机的运行状态进行模式识别。
实施例四
如图3所示,为本申请实施例四所述的一种基于粒子群优化对风机运行状态进行模式识别的***,该***包括:数据获取单元401、统计处理单元402、权重处理单元403以及模式识别单元404,其中,
所述数据获取单元401,与所述统计处理单元402相耦接,用于获取待测风机在一定时间内的运行数据,根据预置的划分条件将所述运行数据划分为多种运行特征项,并在所述一定时间内按相同时长的时间段获取该待测风机在每一时间段对应的运行特征项
所述统计处理单元402,与所述数据获取单元401和权重处理单元403相耦接,用于对各时间段所对应的所述运行特征项进行概率统计处理,生成每一所述运行特征项的概率值,并按照预置的所述待测风机的运行状态类型,对所述一定时间内的所有所述运行特征项进行归类,建立所述运行特征项与所述运行状态类型的对应关系。
所述权重处理单元403,与所述统计处理单元402和模式识别单元404相耦接,用于利用粒子群优化方式在预置的数值范围内任意选取多组权重值,构建多个对应于所述待测风机运行状态类型的权重矩阵,根据已建立的所述运行特征项与所述运行状态类型的对应关系,将每组所述权重矩阵对所述时间段内出现的所有运行特征项的概率值进行权重处理,得到每组权重矩阵在该时间段内对应的各个所述运行状态类型的权重概率,并选取权重概率最大的运行状态类型作为所述权重矩阵在该时间段内对应的风机运行模式。其中,每个所述权重矩阵代表一个粒子。
所述模式识别单元404,与所述权重处理单元403相耦接,用于对多组所述权重矩阵(即粒子群)进行遍历迭代处理,检验所述待测风机在所述一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式是否一致,并使用所有所述权重矩阵所收敛的最优权重矩阵对所述待测风机的运行状态进行模式识别。
所述模式识别单元404,具体用于:根据所述待测风机在一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式进行比对,检验该待测风机的所述实际运行状态与所述风机运行模式是否一致,将所述待测风机的所述实际运行状态与所述待测风机运行模式比对不一致的时间段作为误差。在本实施例中,所述模式识别单元404确定出所有所述权重矩阵利用粒子群优化方式进行遍历迭代处理后收敛至误差值最小的所述权重矩阵作为所述最优权重矩阵,使用该最优权重矩阵对所述待测风机进行运行状态的模式识别。
在本实施例中,所述数据获取单元401获取待测风机在一定时间内的运行数据,具体为:对所述待测风机在一定时间内的风速数据与该待测风机的发电功率、叶片转速、变桨转角的运行数据进行相关性测试,获取由该相关性测试所生成的所述运行特征项。
在本实施例中,所述一定时间,进一步为:以周、月或者整数天为固定值的时间期限;所述相同时长的时间段,进一步为:在所述一定时间内以至少10分钟作为固定值的时间段。
由于方法部分已经对本申请实施例进行了详细描述,这里对实施例中涉及的***与方法对应部分的展开描述省略,不再赘述。对于***中具体内容的描述可参考方法实施例的内容,这里不再具体限定。
与现有技术相比,本申请所述的一种基于粒子群优化对风机运行状态进行模式识别的方法和***,达到了如下效果:
本申请所述的一种基于粒子群优化对风机运行状态进行模式识别的方法和***,能够对待测风机的不同运行数据精确划分为多个运行特征项,并建立运行特征项与待测风机运行状态类型的对应关系,即实现了两次数据融合,采用具有仿生性的PSO技术,以权重矩阵的方式对待测风机的运行状态进行模式识别,从而有效解决了难以准确及时地探测到待测风机故障的问题。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于粒子群优化对风机运行状态进行模式识别的方法,其特征在于,包括:
获取待测风机在一定时间内的运行数据,根据预置的划分条件将所述运行数据划分为多种运行特征项,在所述一定时间内按相同时长的时间段获取该待测风机在每一时间段对应的运行特征项;
对各时间段所对应的所述运行特征项进行概率统计处理,生成每一所述运行特征项在该时间段内的概率值,并按照预置的所述待测风机的运行状态类型,对所述一定时间内的所有运行特征项进行归类,建立所述运行特征项与所述运行状态类型的对应关系;
利用粒子群优化方式在预置的数值范围内任意选取多组权重值,构建多个对应于所述待测风机运行状态类型的权重矩阵,根据已建立的所述运行特征项与所述运行状态类型的对应关系,将每组所述权重矩阵对所述时间段内出现的所有运行特征项的概率值进行权重处理,得到每组权重矩阵在该时间段内对应的各个所述运行状态类型的权重概率,并选取权重概率最大的运行状态类型作为所述权重矩阵在该时间段内对应的风机运行模式;
对多组所述权重矩阵进行遍历迭代处理,检验所述待测风机在所述一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式是否一致,并使用所有所述权重矩阵所收敛的最优权重矩阵对所述待测风机的运行状态进行模式识别。
2.如权利要求1所述的基于粒子群优化对风机运行状态进行模式识别的方法,其特征在于,检验所述待测风机在所述一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式是否一致,进一步为:
根据所述待测风机在一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式进行比对,检验该待测风机的所述实际运行状态与所述风机运行模式是否一致,将所述待测风机的所述实际运行状态与所述待测风机运行模式比对不一致的时间段作为误差。
3.如权利要求2所述的基于粒子群优化对风机运行状态进行模式识别的方法,其特征在于,使用所有所述权重矩阵所收敛的最优权重矩阵对所述待测风机的运行状态进行模式识别,进一步为:
确定出所有所述权重矩阵利用粒子群优化方式进行遍历迭代处理后所收敛至误差值最小的所述权重矩阵作为所述最优权重矩阵,使用该最优权重矩阵对所述待测风机的运行状态进行模式识别。
4.如权利要求1所述的基于粒子群优化对风机运行状态进行模式识别的方法,其特征在于,获取待测风机在一定时间内的运行数据,进一步为:
对所述待测风机在一定时间内的风速数据与该待测风机的发电功率、叶片转速、变桨转角的运行数据进行相关性测试,获取由该相关性测试所生成的所述运行特征项。
5.如权利要求1所述的基于粒子群优化对风机运行状态进行模式识别的方法,其特征在于,
所述一定时间,进一步为:以整数天为固定值的时间期限;
所述相同时长的时间段,进一步为:在所述一定时间内以至少10分钟作为固定值的时间段。
6.一种基于粒子群优化对风机运行状态进行模式识别的***,其特征在于,包括:数据获取单元、统计处理单元、权重处理单元以及模式识别单元,其中,
所述数据获取单元,用于获取待测风机在一定时间内的运行数据,根据预置的划分条件将所述运行数据划分为多种运行特征项,并在所述一定时间内按相同时长的时间段获取该待测风机在每一时间段对应的运行特征项;
所述统计处理单元,用于对各时间段所对应的所述运行特征项进行概率统计处理,生成每一所述运行特征项的概率值,并按照预置的所述待测风机的运行状态类型,对所述一定时间内的所有所述运行特征项进行归类,建立所述运行特征项与所述运行状态类型的对应关系;
所述权重处理单元,用于利用粒子群优化方式在预置的数值范围内任意选取多组权重值,构建多个对应于所述待测风机运行状态类型的权重矩阵,根据已建立的所述运行特征项与所述运行状态类型的对应关系,将每组所述权重矩阵对所述时间段内出现的所有运行特征项的概率值进行权重处理,得到每组权重矩阵在该时间段内对应的各个所述运行状态类型的权重概率,并选取权重概率最大的运行状态类型作为所述权重矩阵在该时间段内对应的风机运行模式;
所述模式识别单元,用于对多组所述权重矩阵进行遍历迭代处理,检验所述待测风机在所述一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式是否一致,并使用所有所述权重矩阵所收敛至误差最小的最优权重矩阵对所述待测风机的运行状态进行模式识别。
7.如权利要求6所述的基于粒子群优化对风机运行状态进行模式识别***,其特征在于,所述模式识别单元,进一步用于:
根据所述待测风机在一定时间内的实际运行状态与每组权重矩阵在该时间段内对应的所述风机运行模式进行比对,检验该待测风机的所述实际运行状态与所述风机运行模式是否一致,将所述待测风机的所述实际运行状态与所述待测风机运行模式比对不一致的时间段作为误差。
8.如权利要求7所述的基于粒子群优化对风机运行状态进行模式识别的***,其特征在于,所述模式识别单元,进一步用于:
确定出所有所述权重矩阵利用粒子群优化方式进行遍历迭代处理后所收敛至误差值最小的所述权重矩阵作为所述最优权重矩阵,使用该最优权重矩阵对所述待测风机的运行状态进行模式识别。
9.如权利要求6所述的基于粒子群优化对风机运行状态进行模式识别的***,其特征在于,获取待测风机在一定时间内的运行数据,进一步为:
对所述待测风机在一定时间内的风速数据与该待测风机的发电功率、叶片转速、变桨转角的运行数据进行相关性测试,获取由该相关性测试所生成的所述运行特征项。
10.如权利要求6所述的基于粒子群优化对风机运行状态进行模式识别的***,其特征在于,
所述一定时间,进一步为:以整数天为固定值的时间期限;
所述相同时长的时间段,进一步为:在所述一定时间内以至少10分钟作为固定值的时间段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410183616.7A CN103996048B (zh) | 2014-04-30 | 2014-04-30 | 基于粒子群优化对风机运行状态进行模式识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410183616.7A CN103996048B (zh) | 2014-04-30 | 2014-04-30 | 基于粒子群优化对风机运行状态进行模式识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996048A CN103996048A (zh) | 2014-08-20 |
CN103996048B true CN103996048B (zh) | 2017-03-08 |
Family
ID=51310209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410183616.7A Active CN103996048B (zh) | 2014-04-30 | 2014-04-30 | 基于粒子群优化对风机运行状态进行模式识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996048B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580900B (zh) * | 2021-02-23 | 2021-07-02 | 国能日新科技股份有限公司 | 一种基于单风机建模的短期功率预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622482A (zh) * | 2012-03-06 | 2012-08-01 | 中国科学院工程热物理研究所 | 一种基于二进制粒子群算法的风机优化布置方法 |
CN103414414A (zh) * | 2013-08-15 | 2013-11-27 | 徐州工业职业技术学院 | 变风速条件下风力发电***最大功率点跟踪方法 |
CN103675356A (zh) * | 2013-11-19 | 2014-03-26 | 中国大唐集团科学技术研究院有限公司 | 基于粒子群优化的风速仪故障检测方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7823437B2 (en) * | 2007-06-18 | 2010-11-02 | General Electric Company | Anemometer calibration method and wind turbine |
-
2014
- 2014-04-30 CN CN201410183616.7A patent/CN103996048B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622482A (zh) * | 2012-03-06 | 2012-08-01 | 中国科学院工程热物理研究所 | 一种基于二进制粒子群算法的风机优化布置方法 |
CN103414414A (zh) * | 2013-08-15 | 2013-11-27 | 徐州工业职业技术学院 | 变风速条件下风力发电***最大功率点跟踪方法 |
CN103675356A (zh) * | 2013-11-19 | 2014-03-26 | 中国大唐集团科学技术研究院有限公司 | 基于粒子群优化的风速仪故障检测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN103996048A (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103870923B (zh) | 基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法 | |
CN104005917B (zh) | 基于贝叶斯推理方式对风机状态进行预测的方法和*** | |
US20170024649A1 (en) | Anomaly detection system and method for industrial asset | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
CN108664010A (zh) | 发电机组故障数据预测方法、装置和计算机设备 | |
CN108460207A (zh) | 一种基于运行数据模型的发电机组的故障预警方法 | |
CN109297689A (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN107036808B (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN107701378A (zh) | 一种风力发电机故障预警方法 | |
CN114444382A (zh) | 基于机器学习算法的风电机组齿轮箱故障诊断分析方法 | |
CN111878320B (zh) | 风力发电机组的监控方法、***及计算机可读存储介质 | |
CN110378427A (zh) | 风电叶片的叶根螺栓的故障检测方法、***、设备及介质 | |
CN102179722A (zh) | 基于比例故障率模型的数控机床运行可靠性评估方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN114997745B (zh) | 一种基于深度特征提取的光伏故障诊断溯源方法 | |
CN106383947A (zh) | 风电场集电网络动态等值参数的快速获取方法 | |
CN103852255B (zh) | 基于神经网络风力发电机组典型传动故障智能诊断方法 | |
CN107563564A (zh) | 一种风电场调度过程的效能评估方法 | |
CN103675356B (zh) | 基于粒子群优化的风速仪故障检测方法和*** | |
CN103996048B (zh) | 基于粒子群优化对风机运行状态进行模式识别方法和*** | |
Tang et al. | Fault detection of wind turbine pitch system based on multiclass optimal margin distribution machine | |
CN109297735B (zh) | 面向智能电厂磨煤机的振动信号故障诊断方法 | |
CN103902813A (zh) | 基于cpso-lssvm的汽动引风机全工况在线监测模型建模方法 | |
CN104268316A (zh) | 基于离线计算和在线匹配的双馈风电场概率等值建模方法 | |
CN103903087A (zh) | 一种基于bp神经网络的汽动引风机全工况在线监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220913 Address after: Room 801, No. 2, Lane 138, Baota Road, Jiading District, Shanghai, 201821 Patentee after: Yingneng Technology (Shanghai) Co.,Ltd. Patentee after: Ye Xiang Address before: 12th Floor, Block D, Main Building, North China Electric Power University, No. 2 Beinong Road, Changping District, Beijing 102206 Patentee before: Ye Xiang |