CN111062508A - 一种基于大数据技术评估风电机组实时运行状态的方法 - Google Patents

Abstract

一种基于大数据技术评估风电机组实时运行状态的方法，所述方法包括构建风电机组状态评估的项目层、建立各指标与对应监测量间的联系、提出风电机组运行状态指标的预测方法及建立风电机组运行状态的评估模型等。本发明通过使用一系列的大数据分析建模技术，深度挖掘风机评估指标与***监测量的内部关系，使用深度学习提高了评估指标的预测准确性，并计及了风机的实时运行状态对于相应部件劣化度的影响，使用动态劣化度和动态权重对各评估指标的瞬时值和变动趋势综合起来进行量化，增强了风机状态评估的可信度。本发明能够节约机组维修成本，对风电场的安全运行及维护工作具有重要的指导意义。

Description

一种基于大数据技术评估风电机组实时运行状态的方法

技术领域

本发明涉及状态评估领域，特别涉及一种基于大数据技术评估风电机组实时运行状态的方法。

背景技术

风电机组通常运行在高温、高海拔、强沙尘等恶劣的环境中，导致组件的故障率偏高，且维修时间较长，固定维修成本较高。因此，及时掌握风电机组的运行状态，对机组的安全稳定运行、延长使用寿命及合理安排运维检修都具有重要意义。

基于传统的小数据思维模型和数学模型的数据分析已难以适应大数据时代的风电机组的数据处理需求。大数据技术可以从前所未有的大规模数据中发现前所未有的知识，实现不可限量的价值，因为它展现了隐藏的模式、未知的相关性和其他重要的关系。大数据技术依赖的理论和方法主要包括传统的统计学、机器学习、数据挖掘，以及近年来发展越来越成熟的深度学习。

国内外的大数据技术在风电机组状态预测及评估方法等方面进行了大量的探索研究，但仍存在许多问题，主要体现在以下三个方面：

a)缺少对风电机组状态评估指标预测模型的具体探究。在建立状态估计指标预测模型时，不同的输入向量往往对应不同的预测准确度，而现有方法通常依据现场经验直接选择输入量，未计及具体估计指标和 SCADA***输入量参数间的联系，导致了预测值不够准确。

b)在确定状态评价指标的正常范围时，通常都是以固定值为其极限值。但是，由于风速变化范围宽，使得风电机组的功率输出变动区间较大，在这种情况下，即使评价指标处于正常范围内，也不能保证发电机一定处于正常状态。例如，绕组绝缘轻微破损时，在低功率输出的情况下，绕组的温度也不一定超出极限值。

c)风电机组的状态预测及评估的研究主要集中在某一具体部件上，而对风电机组整体运行状态的研究甚少。目前，风电场配备的SCADA***普遍缺乏实用的状态评估算法，不能较准确的获得风电机组的整体或部件的运行状态，且基本都采用越限报警模式，在设定报警阀值时范围不够精确，导致状态指标值超出给定范围并发出警报时，已经造成了故障并带来了经济损失，说明风机的状态预测缺乏可信度和及时性。

综上所述，尽管国内外对风电机组的状态评估技术十分重视，但利用现有的方法实现机组状态的实时评估还存在一定困难，因此有必要进一步进行研究。

发明内容

本发明的目的在于针对现有技术的弊端，基于大数据技术提出了一种针对风电机组的状态估计方法，以提高风电机组状态估计的精确度，对风电场的安全运行及维护工作具有相当的指导意义。

为了解决上述技术问题，本发明的实施例提供一种基于大数据技术评估风电机组的实时运行状态的方法，包括以下步骤：

A.根据影响风电机组性能的参数，用随机森林算法分析了风机各部件的性能指标与SCADA***监测量的关系；

B.基于门控循环单元(Gated recurrent unit，GRU)算法建立了风电机组性能指标的预测模型；

C.结合层次分析法和偏互信息法求得性能指标的动态权重；

D.基于上述预测模型建立了风力发电机正常状态的正态云，采用相似云方法建立了风电机组各部件的状态评估模型。

上述一种基于大数据技术评估风电机组实时运行状态的方法，所述步骤A根据风电机组的结构以及机组各部件的工作原理，从电机内部各物理量之间的关联关系入手，构建了风电机组的运行状态评估体系，选取发电机、齿轮箱、机舱及变流部件作为评估体系的项目层，使用随机森林算法，分析项目层的状态评估指标与SCADA监测量项目的对应关系。

上述一种基于大数据技术评估风电机组实时运行状态的方法，所述步骤B中GRU算法包含两个门，分别为更新门z_t和重置门r_t，t(t＝1，...，n)时刻的输入数据x_t和输出数据y_t，及经重置门处理后的输出候选数据y’_t，满足关系式如下：

r_t＝σ(W_xrx_t+W_hry_t-1+b_r)

z_t＝σ(W_xzx_t+W_hzy_t-1+b_z)

y′_t＝tanh(W_xhx_t+r_tW_hhy_t-1+b_h)

y_t＝(1-z_t)y′_t+z_ty_t-1

式中：W为权矩阵；b为偏置项；σ(·)为sigmoid函数。

上述一种基于大数据技术评估风电机组实时运行状态的方法，所述步骤C首先利用层次分析法确定各指标的固定权重w’，然后采用偏互信息法确定变权重w”，最后综合考量固定权重和变权重，将固定权重与变权重相乘之后再平均作为各指标融合二者后的动态权重，公式为：

上述一种基于大数据技术评估风电机组实时运行状态的方法，所述步骤D首先生成待估云的正态随机数，然后通过计算获得所有随机数的隶属度，取其平均值既得到待估云与各正常状态下标准正态云的相似度，最后将与待估云与标准正态云的四个状态中相似度最高的状态，作为最终的评估结果。

由于采用了以上技术方案，本发明所取得的技术进步如下：

本发明根据风电机组的结构以及机组各部件的工作原理，从机组内部各物理量之间的关联关系入手，构建了风电机组的运行状态评估体系，并使用随机森林算法，更为针对性地分析了项目层的状态评估指标与SCADA监测量项目的对应关系。在评估指标预测中使用深度学习算法，通过学习深层非线性网络结构实现复杂函数逼近，展现出强大的从少数样本学习数据本质特征的能力。针对固定劣化度值存在固定值不易确定以及固定值不足以表述出风机运行过程中性能的变动的问题，使用动态劣化度来求取风电机组状态评估指标的动态权重。

附图说明

图1为本发明的风电机组的评估项目层与其相应监测量的对应关系图；

图2为本发明实施例的GRU算法内部结构图；

图3为本发明实施例的发电机冷却空气温度预测流程图；

图4为本发明的风电机组状态评估流程图。

图中各符号表示为：x_t和y_t分别代表t(t＝1，...，n)时刻的输入和输出数据，y’_t是经重置门处理后的输出候选数据，W为权重参数矩阵；b为误差项，σ(·)为sigmoid函数。

具体实施方式

下面结合附图对本发明做进一步说明。

如图1是风电机组的评估项目层与其相应监测量的对应关系图；

因为风电机组是由机舱、发电机、变流器、液压***、齿轮箱等部件构成的一个复杂***，各个部件之间相互影响，所以各部件的监测量之间必然存在着联系，某一指标的估计值并不能真实反映相应部件的实际状态。因此，本发明选取发电机、齿轮箱、机舱及变流部件作为评估体系的项目层，使用随机森林 (Random forest，RF)算法，分析项目层的状态评估指标与SCADA监测量项目的对应关系。

RF是根据集成学***均精度下降(Mean decrease in accuracy，MDA)；另一种基于基尼不纯度 GI，称为平均基尼指数下降(Mean decrease in Gini，MDG)。

MDA是直接测量每种特征对模型预测准确率的影响，基本思想是重新排列某一列特征值的顺序，观测降低了多少模型的准确率。对于不重要的特征，这种方法对模型准确率的影响很小，但是对于重要特征却会极大降低模型的准确率。

在随机森林中某个特征X的重要性的计算步骤如下：

Step1：计算RF中的任意一颗决策树的袋外数据误差时，都采用相应的OOB数据，记为errOOB₁。

Step2：为了随机的改变样本在特征X处的值，随机对OOB所有样本的特征X加入噪声干扰，然后再次计算特征X的袋外数据误差，记为errOOB₂。

Step3：特征X的重要性可用式(1)计算，假设RF中有Ntree棵树。原因在于，如果随机给某个特征加入噪声以后，袋外的准确率降低幅度较大，则说明这个特征对于样本的分类结果影响也很大，从而可知它的重要性程度就比较高，故用这个表达式可以度量相应特征的重要性值。

MDG法将将Gini指数用GI来表示，变量重要性评分(variable importancemeasures)用VIM来表示，假设共有c个特征X₁，X₂，X₃，...，X_c，要计算出其中第j个特征在RF所有决策树中节点***不纯度的平均改变量，亦即每个特征X_j的Gini指数评分VIM_j ^(Gini)。

Gini指数的计算公式为：

式中：K为类别总数，p_mk表示节点m中类别k所占的比例，也就是随机从节点m中抽取两个样本，二者类别标记不一致的概率。

特征X_j在节点m的重要性，即节点m分枝前后的GI变化量为：

其中，GI_l和GI_r分别为分枝后的两个新节点的Gini指数。

如果，特征X_j在决策树i中出现的节点在集合M中，那么X_j在第i颗树的重要性为：

最后，把所有求得的重要性评分做一个归一化处理即可。

由以上分析可知，特征量的平均精度下降MDA和平均基尼指数下降MDG的值越大，则说明该特征量的重要性程度越高。然后针对每一个项目层评估指标，选择相应的对其重要的SCADA***监测量，结果如图1所示。

本发明提出一种基于Kriging和GRU的状态指标预测模型。首先，根据以上分析得出的各部件状态估计指标与SCADA***监测量的对应关系，分别选择相应的监测量作为评估指标的Kriging算法的输入，预测出该评估指标的线性分量，再基于GRU算法结合已求出的线性分量值，计算出评估指标的非线性残差分量。最后，将线性分量值与非线性分量值组合起来，即为该评估指标的最终预测值。

Kriging是基于协方差函数对随机过程或随机场进行空间建模和预测(插值)的回归算法，具有良好的拟合线性分量的能力。Kriging将输出的预测值y(如发电机冷却空气温度等状态评估指标)与输入变量x (如环境温度、发电机转速和机舱温度等监测量)间的实际关系表达如下：

y(x)＝F(β，x)+z(x) (7)

F(β，x)＝β₁f₁(x)+...+β_pf_p(x)＝[f₁(x)...f_p(x)]β＝f(x)^Tβ (8)

其中，F(β，x)为多项式函数的线性组合；p表示多项式函数的个数；β_j为线性回归系数，β代表回归系数的列向量；z(x)是均值为0，方差恒为σ²的Guass随机过程，提供了预测的局部近似，样本空间内任意两个样本点ω、x之间存在一定的相关性，可通过样本的协方差表达如下：

cov[z(ω)z(x)]＝σ²R(θ，ω，x) (9)

式中，R(θ，ω，x)表示参数为θ的相关函数，表示训练样本点之间的空间相关性，其值只与空间距离有关，距离最近(为0)时值为1，距离无穷远时值为0，对模型预测的精确程度起着决定性作用。

定义：S为一由m个训练样本组成的点集，S＝[s₁，...，s_m]^T，F为扩展的系数矩阵，阶数为m×p，F＝[f(s₁)，...， f(s_m)]^T，R为相关矩阵，其中R_kl＝R(θ，s_k，s_l)，k，l＝1，2，...，m。

非训练样本点x与样本点间的相关矩阵r(x)为：

r(x)＝[R(θ，s₁，x)，...，R(θ，s_m，x)]^T (10)

可以用已知训练样本点相应值的线性组合来拟合任意给定样本的响应，即：

y_L(x)＝c^TY (11)

计算预测值与真实值间的数值差(误差)：

y_L(x)-y(x)＝c^TY-y(x)＝c^T(Fβ+Z)-(f(x)^Tβ+z)＝c^TZ-z+(F^Tc-f(x))^Tβ (12)

式中，Z＝[z₁，...，z_m]^T。

为满足无偏性条件，令误差均值为0(F^Tc-f(x)＝0)，则估计均方差为：

使用拉格朗日乘子法求取最小估计方差，可列拉格朗日函数如下：

L(c，λ)＝σ²(1+c^TRc-2c^Tr)-λ^T(F^Tc-f) (14)

由优化问题的一阶必要条件可得：

由

可基于广义最小二乘法求得：

β^*＝(F^TR^-1F)^-1F^TR^-1Y (16)

将式(15)和(16)代入(11)，最终预测出与该输入变量对应的评估指标的值：

y_L(x)＝f^Tβ^*+r^TR^-1(Y-Fβ^*) (18)

如图2所述为评估指标预测方法中GRU算法的内部结构图，GRU算法原理如下：

GRU实现了两个门的计算，两个门分别为更新门和重置门，对应图中的z_t和r_t。更新门的功能为调控当前状态中带入到的前一时刻状态信息的程度，前一时刻的状态信息被带入的成分越多则说明更新门的值越大，反之亦然。重置门的作用是决定前一时刻的状态信息是否被重置，就是多大程度上抹除以前的状态，重置门的值越大代表抹除得越少。更新门和重置门分别用来捕捉中长期和短期时序数据的依赖关系。

图中，x_t和y_t分别代表t(t＝1，...，n)时刻的输入和输出数据，y’_t是经重置门处理后的输出候选数据，计算公式如下：

r_t＝σ(W_xrx_t+W_hry_t-1+b_r) (19)

z_t＝σ(W_xzx_t+W_hzy_t-1+b_z) (20)

y′_t＝tanh(W_xhx_t+r_tW_hhy_t-1+b_h) (21)

y_t＝(1-z_t)y′_t+z_ty_t-1 (22)

式中：W为权重参数矩阵；b为误差项；σ(·)为sigmoid函数。

GRU的特点对于处理学习风格具有很大优势，前期记忆下来的学习风格历史在识别和预测后续学习风格时能够被关联进来，而且相对来说，计算量也更小，适合实时计算。

如图3所述为本发明的发电机冷却空气温度预测流程图，包括如下步骤：

建立Kriging-GRU组合模型预测状态指标包括以下步骤，以发电机冷却空气温度指标y₁为例：

1)对各监测量实施数据异常处理并补齐缺失，然后进行标准化处理；

2)使用相应的监测量，基于Kriging算法获得状态指标值的线性分量y_Lj，j＝1，2，...，23，和算法训练集、测试集指标的预测值，并将实际指标值y_j减去其线性分量y_Lj得到训练集的Kriging预测残差；

3)在训练集中，建立基于GRU的非线性残差预测模型：取2)计算得出的线性预测值加上经1)处理后的监测量作为GRU算法的输入，输出即为非线性残差分量；

4)基于3)建立的非线性残差分量预测模型，输入测试集的Kriging线性预测值和其他监测量，得出相应评估指标的非线性残差y_Nj；

5)将2)和4)得到的线性分量与非线性分量结合起来，得到评估指标的组合预测值

本发明提出了动态劣化度的概念，通过使用动态劣化度来求取风电机组状态评估指标的动态权重。大量研究文献表明，当风电机组的运行状态良好时，可以较为精确的预测出相应部件状态指标的值，而当其运行状态较差时，将导致状态指标的预测值较大程度的偏离实际值。也就是说，预测量的状态变化趋势将会直接影响预测性能，根据这一规律，使用预测性能的变化趋势来真实反映状态指标的劣化度。

采用建立的Kriging-GRU组合预测模型，计算出各评估指标的预测值，再根据SCADA***得到的真实值，结合起来求得各评估指标的相对误差：

将求得的各评估指标的相对误差值作为其动态极限。这样就避免了固定值作为劣化度的划分标准导致的一系列问题。对相对误差进行归一化处理，处理结果作为评估指标的动态劣化度，用劣化度g表示。

本发明提出了动态权重的概念，来表征不同评估指标对状态评估过程的影响。首先利用层次分析法计算各指标的固定权重，然后采用偏互信息(Partial mutualinformation，PMI)法确定实时权重，最后将两者结合即为评估指标的动态权重。

层次分析法是指将与决策(各评估指标对状态划分的影响程度)强相关的元素(评估指标)分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。层次分析法实质上不是一个完全的定量分析法，因为在设置对比矩阵的时候，还是需要根据专家的客观评分，但是它依然在实际应用中发挥很好的作用。

首先，建立各指标的监测量项目对比矩阵，例如将发电机冷却空气温度指标对应的监测量(环境温度和发电机转速等)两两按照专家经验、故障统计和维修记录互相比较，形成一个3阶矩阵。然后，对每一列进行归一化处理，对每一行进行求和，得出特征向量。最后，对特征向量再次进行归一化处理，得出各评估指标(例如发电机冷却空气温度)的权重w_j’，其中j＝1，2，...23。求出后作为AHP确定的固定权重，进行一致性检验，若检验不通过，需重新进行计算。

互信息原理中基础理论为信息论中的熵理论，能够较好的反映变量间的线性和非线性相关关系，已经在多个领域中得到了广泛的应用。但互信息忽略了已选因子对待选因子的影响，后续选择的因子可能不具有足够的代表性。PMI理论则考虑到已选因素基础上增加的信息量的影响，克服了互信息算法的缺点，使得所选因子更具代表性。

对一个变量X，其取值的平均不确定性可以通过信息熵来表达，信息熵H(X)定义为：

式中：p_α为X在各个取值下的概率分布。

如果存在一个与X相关的变量Y，则将两个变量相关的部分定义为MI，MI的信息熵I(X，Y)为：

式中：p_αβ为两个变量的联合分布概率。

由于一般情况下已知X和Y的样本数据而未知其概率分布，因此，一般采用概率密度估计的方法代替，式(26)可以近似为：

式中：x_α和y_α分别为X和Y的第α个取值；f(·)为基于N个样本数据的估计概率密度函数，选用标准正态函数。

对于多输入***，设输入为X和Z，输出为Y，z为Z中的元素，X和Z之间若具有耦合关系，将使X 与Y，Z与Y之间MI的计算出现偏差，因此将使用条件期望m_X(z)和m_Y(z)剔除Z后的X，Y分别记为u， v，则

u＝X-m_X(Z) (29)

v＝Y-m_Y(Z) (30)

式中：Z_α为Z中第α个元素。

X，Y的PMI可记为：

I_PMI(X，Y)＝I_PMI(u，v) (31)

根据PMI理论，将监测量的劣化度g_j和评估指标

的预测值作为上述原理中的变量X和Y，定义各监测量的PMI值P和权重w″分别为：

式中：f(g’_ij)和

分别为劣化度g_j和评估指标

扣除已选因子集S后的剩余信息的概率密度；

为二者之间的联合概率密度；

综上，各评估指标的固定权重和变权重都已经求出，将各指标的固定权重与变权重融合起来，作为指标的动态权重，计算公式如下：

本发明选用云模型中最为普遍使用的标准正态云模型来描述隶属度函数。

设U为一个由精确数值构成的定量论域，C为U的定性概念，若定量值x∈U，且x是定性概念C的一次随机实现，x对C的隶属度μ(x)∈[0，1]，是有稳定倾向的随机数，则称μ(x)在U上的分布为云模型。设 N(A，B)表示服从正态分布的随机函数，其中，A表示期望值，B表示标准差，则：

满足上述三个式子的数据构成的云模型称为正态云模型，由三个参数(E_x，E_n，H_e)表示其模型特性。其中E_x为正态云的期望值，表示云滴在空间分布的中心值，代表某一定性概念的数字特征；E_n为熵，代表定性概念的不确定性，由概念的模糊性和随机性共同决定，E_n的值越小则表示概念集中程度越高，观测结果越可靠；H_e为超熵，表示熵的不确定性，H_e的值越小则表示云滴凝聚程度越高，外界因素对观测误差不确定性造成的影响越微弱。

依照风电场现有的测试技术水平及多年的运行和维修经验，将机组项目层的各部件的运行状态划分为：正常、可疑、不良、危险四个标准，分别用标准正态云表示为C₁(E_x1，E_n，H_e)、C₂(E_x2，E_n，H_e)，C₃(E_x3，E_n， H_e)和C₄(E_x4，E_n，H_e)。在风电机组在运行良好时，将融合后的评估指标的动态劣化度的取平均值作为电机在“正常”状态下的标准云E_x1。将“危险”状态下标准云E_x4的值设为1，“不良”和“危险”两种状态下的E_x2和E_x3的值均匀插值在E_x1与E_x4之间。

如图4所述为本发明的风电机组状态评估流程图，包括如下步骤：

1)选择风电机组的状态估计指标并对发电机正常状态下的监测量进行数据预处理，通过Kriging-GRU 模型得到各部件评估指标的预测值，给定各指标的残差及劣化度并以此为依据建立相应的标准正态云模型。

2)判断风电机组的各评估指标是否越限，若超出风机运行允许的限值，直接判断为“危险”，否则进入下一步。

3)基于训练好的Kriging-GRU组合模型，求得发电机各指标在待估时间段的预测值及其与实测值的相对误差。

4)基于上一步得到的相对误差，基于层次分析法和偏互信息相结合求得性能指标的动态权重。

5)选择各部件正常运行状态下的n组样本数据，然后采用Kriging-GRU模型，计算每个部件样本中 m_j个评估指标的相对误差(m_j为第j个评估指标对应部件包含的指标数，m₁＝m₁₁＝11，m₁₂＝m₁₅＝4，m₁₆＝m₁₉＝4， m₂₀＝m₂₃＝4)，并采用式(24)得到其对应的动态劣化度g_ij；

6)结合动态权重，求各评估指标劣化度的加权值；

7)通过计算加权后的动态劣化度，计算待估云的E_x、E_n和H_e；

8)生成待估云的m_j个正态随机数E_n’～N(E_n，H_e ²)和x_j～N(E_x，E_n’²)，j＝1，...，m_j；然后，计算x_j在标准云 C_i(E_xk，E_nk，H_ek)中的隶属度，公式为：

9)重复上述步骤便可获得m_j个μ_j，取其平均值既得到待估云与各正常状态下标准正态云的相似度。

10)将与待估云与标准正态云的四个状态中相似度最高的状态，作为最终的评估结果。

Claims (6)

1.一种基于大数据技术评估风电机组实时运行状态的方法，其特征在于，使用基于深度学习的算法建立了风机性能指标的预测模型，并利用数据挖掘的方法求得了指标的动态权重，最后基于上述预测模型建立了风机正常状态的正态云，采用相似云的方法建立了风电机组的状态评估模型。

2.根据权利要求1所述的一种基于大数据技术评估风电机组实时运行状态的方法，其特征是，它包括以下步骤：

A.根据影响风电机组性能的参数，用随机森林算法分析了风机各部件的性能指标与SCADA***监测量的关系；

B.基于门控循环单元(Gated recurrent unit，GRU)算法建立了风电机组性能指标的预测模型；

C.结合层次分析法和偏互信息法求得性能指标的动态权重；

D.基于上述预测模型建立了风力发电机正常状态的正态云，采用相似云方法建立了风电机组各部件的状态评估模型。

3.根据权利要求2所述的一种基于大数据技术评估风电机组实时运行状态的方法，其特征在于：

步骤A根据风电机组的结构以及机组各部件的工作原理，从电机内部各物理量之间的关联关系入手，构建了风电机组的运行状态评估体系，选取发电机、齿轮箱、机舱及变流部件作为评估体系的项目层，使用RF算法，分析项目层的状态评估指标与SCADA监测量项目的对应关系。

4.根据权利要求2所述的一种基于大数据技术评估风电机组实时运行状态的方法，其特征在于：

步骤B中GRU算法包含两个门，分别为更新门z_t和重置门r_t，t(t＝1，...，n)时刻的输入数据x_t和输出数据y_t，及经重置门处理后的输出候选数据y’_t，满足关系式如下：

r_t＝σ(W_xrx_t+W_hry_t-1+b_r)

z_t＝σ(W_xzx_t+W_hzy_t-1+b_z)

y′_t＝tanh(W_xhx_t+r_tW_hhy_t-1+b_h)

y_t＝(1-z_t)y′_t+z_ty_t-1

式中：W为权矩阵；b为偏置项；σ(·)为sigmoid函数。

5.根据权利要求2所述的一种基于大数据技术评估风电机组实时运行状态的方法，其特征在于：

步骤C首先利用层次分析法确定各指标的固定权重w’，然后采用偏互信息法确定变权重w”，最后综合考量固定权重和变权重，将固定权重与变权重相乘之后再平均作为各指标融合二者后的动态权重，公式为：

6.根据权利要求2所述的一种基于大数据技术评估风电机组实时运行状态的方法，其特征在于：

步骤D对比待估云与标准正态云，便可求出待估云与标准正态云C的相似度，方法计算如下：

首先生成待估云的正态随机数，然后通过计算获得所有随机数的隶属度，取其平均值既得到待估云与各正常状态下标准正态云的相似度，最后将与待估云与标准正态云的四个状态中相似度最高的状态，作为最终的评估结果。

Images