CN112664410B - 一种基于大数据的机组在线监测***建模方法 - Google Patents

Abstract

本发明公开了一种基于大数据的机组在线监测***建模方法，该在线监测***依据历史数据集成了单测点评估模型、异常态数据模型和正常态数据模型，由于在建模前的数据处理过程中，没有将异常态下的数据集仅通过简单比对就进行删除处理，而是通过比对数据集对应的测点与其他测点的关联关系进行多维度分析，为建立正常态数据模型和异常态数据模型提供了数据基础，提高了二次清洗后被分离数据集的准确度，由于***中的正常态数据模型和异常态数据模型均将多因素协同作用对机组运行的影响，提高了实时监测时的准确度。本发明简化了在线监测***的建模过程，并提高了在线监测***的检测精度和效率。

Description

一种基于大数据的机组在线监测***建模方法

技术领域

本发明涉及发电机组工业应用领域，具体涉及一种基于大数据的机组在线监测***建模方法。

背景技术

风力发电机组的运行影响因素较多，现有技术中的健康状态监测***应用于风力发电机组时往往需要设置复杂的数据处理模块对数据进行预处理和筛选，且筛选后的数据还需经过复杂运算才能建立健康状态监测模型，经过复杂运算后的***反而与实际状态存在较大偏差，加大了健康状态监测模型建立的复杂度，降低了健康状态监测模型的精确度。同时机组在运行时，各影响因素间的协同作用对风力发电机组的健康运行影响较单一因素影响更大，因此，分析各因素的关联作用并依据多因素关联的方法建模更符合风力发电机组在线监测***的实际运行状况，有利于提高在线监测***的监测精度。

发明内容

本发明的主要目的是解决由于影响风力发电机组正常运行的因素较多，机组运行状态评估受多因素影响，使得机组在线监测***的监测复杂化，且健康状态监测模型精确度低的问题，并提供一种基于大数据的机组在线监测***建模方法。

为了实现根据本发明的这些目的和其它优点，提供了一种基于大数据的机组在线监测***建模方法，包括如下步骤：

步骤一、选择若干监测测点，所述监测测点对应有若干历史数据集；

步骤二、对步骤一中所述历史数据集进行一次清洗，得到所述监测测点对应的运行态历史数据集、非运行态历史数据集和噪声历史数据集，对所述非运行态历史数据集和所述噪声历史数据集进行清除，并依据所述运行态历史数据集和风力发电机组使用情况记录表确定典型测点和与所述典型测点对应的待评估区间，依据所述待评估区间建立单测点评估模型；

其中，所述典型测点可体现风力发电机组的运行状态；

步骤三、对步骤二中的所述运行态历史数据集进行二次清洗，得到正常态历史数据集和异常态历史数据集；

步骤四、对步骤三中的所述正常态历史数据集进行关联度分析去除冗余测点，排除冗余测点对应的正常态历史数据集，对经关联度分析后保留的所述正常态历史数据集无量纲化处理得到关联正常态数据序列，基于所述关联正常态数据序列建立正常态数据模型，所述正常态数据模型包含风力发电机组正常运行时的正常范围；

步骤五、验证和优化步骤四中的所述正常态数据模型；

步骤六、对步骤三中的所述异常态历史数据集进行无量纲化处理得到异常态数据序列，基于所述异常态数据序列建立异常态数据模型，所述异常态数据模型包含风力发电机组异常运行时的异常范围。

优选的是，所述历史数据集涵盖风力发电机组运行1~3年内各个所述监测测点的运行参数。

优选的是，所述运行态历史数据集的二次清洗方法为：

从所述监测测点中选取任一监测测点作为基准测点，若干未被选取的监测测点作为关联测点，将所述基准测点的运行态历史数据集分别与每个所述关联测点的运行态历史数据集组合得到若干待二次清洗数据集，对所述待二次清洗数据集进行关联关系对比分析，每个所述待二次清洗数据集经关联关系对比分析后可得到一条正常态线性回归曲线和一条异常态回归曲线；

提取所述正常态线性回归曲线上的数据，得到所述待二次清洗数据集对应的所述正常态历史数据集；

提取所述异常态线性回归曲线上的数据，得到所述待二次清洗数据集对应的所述异常态历史数据集。

优选的是，去除所述冗余测点的方法为：

将所述正常态历史数据集两两组合，得到若干正常态灰关联度组合，采用关联度分析法计算所述正常态灰关联度组合的灰关联度，设置关联度阈值，若所述监测测点对应的所有正常态灰关联度组合的灰关联度值小于所述关联度阈值，则判定为冗余测点，去除所述冗余测点并排除该冗余测点相关的正常态灰关联度组合；若所述监测测点对应的所有正常态灰关联度组合中任一一个或多个组合的灰关联度值大于所述关联度阈值，则保留该监测测点。

优选的是，所述正常态数据模型的建模步骤为：

对保留的所述正常态灰关联度组合进行无量纲化处理得到关联正常态数据序列，将所述关联正常态数据序列映射至正常状态空间中，基于所述正常状态空间的边界点构造若干第一外接平面，所述第一外接平面与所述监测测点一一对应，将每个所述第一外接平面均分为若干第一平面模型，所述第一平面模型与所述正常态灰关联度组合一一对应，将所述关联正常态数据序列上的最大值和最小值拟合至所述第一平面模型中，得到所述正常态灰关联度组合对应的所述正常态数据模型的正常范围。

优选的是，验证、优化所述正常态数据模型的方法为：

模拟所述风力发电机组正常运行状态，并将所述风力发电机组正常运行时的实时数据接入所述正常态数据模型中，作为第一次验证，模拟所述风力发电机组异常运行状态，并将所述风力发电机组异常运行时的实时数据接入所述正常态数据模型中，作为第二次验证；

若所述第一次验证不出现警报，所述第二次验证出现警报，判定所述正常态数据模型可用；

若所述第一次验证不出现警报，所述第二次验证也不出现警报，增大所述关联度阈值，排除冗余测点；

若所述第一次验证出现警报，所述第二次验证也出现警报，降低所述关联度阈值，重新添加被排除的冗余测点；

若所述第一次验证出现警报，所述第二次验证不出现警报，判定所述正

常态数据模型不可用，重新建立所述正常态数据模型。

优选的是，所述异常态数据模型的建模方法为：

将所述异常态历史数据集两两组合，得到若干异常态灰关联度组合，对异常态灰关联度组合进行无量纲化处理得到异常态数据序列，将所述异常态数据序列映射至异常状态空间中，基于所述异常状态空间的边界点构造若干第二外接平面，所述第二外接平面与所述监测测点一一对应，将每个所述第二外接平面均分为若干第二平面模型，所述第二平面模型与所述异常态灰关联度组合一一对应，将所述异常态数据序列上的最大值和最小值拟合至所述第二平面模型中，得到所述异常态灰关联度组合对应的所述异常态数据模型的异常范围。

本发明至少包括以下有益效果：

1、本发明利用风力发电机组运行的历史数据集作为***建模的基础，采用一次清洗的方法对历史数据进行趋势分析，从而将非运行态历史数据集和噪声历史数据集筛除，同时依据趋势分析得出风电机组在运行状态时的典型测点和典型测点对应待评估区间，且该典型测点可体现设备的运行状态，以此建立单测点评估模型，***将实时数据接入单测点评估模型后，通过判断该典型测点下对应的实时数据是否在待评估区间内，可快速检出设备的运行状态，简化了风力发电机组运行状态的在线监测过程。

2、本发明将一次清洗后得到的运行态历史数据集进行两两组合，得到若干待二次清洗数据集，采用二次清洗对待二次清洗数据集进行关联关系对比，从而将风力发电机组正常运行状态时和异常运行状态时对应的数据集分离，本发明在建模前的数据处理过程中，没有将异常态下的数据集仅通过简单比对就进行删除处理，而是通过比对数据集对应的测点与其他测点的关联关系进行多维度分析，为建立正常态数据模型和异常态数据模型提供了数据基础，提高了二次清洗后被分离数据集的准确度，最终提高了正常态数据模型的监测精度，从而由于***中的正常态数据模型和异常态数据模型均将多因素协同作用对机组运行的影响，提高了实时监测时的准确度。

3、本发明还对正常态历史数据集进行降维度和优化处理，将测点对应的正常态历史数据集两两组合，得到若干正常态灰关联度组合，采用关联度分析计算法对正常态灰关联度组合计算分析得到与正常态灰关联度组合对应的灰关联度值，并设置关联度阈值，将正常态灰关联度组合的灰关联度与关联度阈值比较，去除冗余测点，经无量纲化处理得到关联正常态数据序列，最终以关联正常态数据序列为基础建立正常态数据模型。本发明基于实际情况，将数据量较大且较复杂的正常态数据序列重点分析，关联度分析法可以降低正常态数据序列的维度，并依据关联度阈值去除了冗余测点，减少了数据运算量，简化了得正常态数据模型的建立过程，提高了正常态数据模型的建模效率和精度。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为风力发电机组的电流趋势图；

图2为绕组温度-轴承温度关联关系比对图；

图3为在线监测***的建模流程图；

图4为建立正常数据模型的流程图；

图5为建立异常态数据的流程图；

图6为在线监测***实时监测流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种基于大数据的机组在线监测***建模方法，图1~6示出了根据本发明的一种实现形式，包括如下步骤：

步骤一、选择若干监测测点，监测测点对应有若干历史数据集；

步骤二、对步骤一中历史数据集进行一次清洗，得到所述监测测点对应的运行态历史数据集、非运行态历史数据集和噪声历史数据集，对所述非运行态历史数据集和所述噪声历史数据集进行清除，并依据所述运行态历史数据集和风力发电机组使用情况记录表确定典型测点和与所述典型测点对应的待评估区间，依据所述待评估区间建立单测点评估模型；

其中，所述典型测点可体现风力发电机组的运行状态；

步骤三、对步骤二中的所述运行态历史数据集进行二次清洗，得到正常态历史数据集和异常态历史数据集；

步骤四、对步骤三中的所述正常态历史数据集进行关联度分析去除冗余测点，排除冗余测点对应的正常态历史数据集，对经关联度分析后保留的所述正常态历史数据集无量纲化处理得到关联正常态数据序列，基于所述关联正常态数据序列建立正常态数据模型，所述正常态数据模型包含风力发电机组正常运行时的正常范围；

步骤五、验证和优化步骤四中的所述正常态数据模型；

步骤六、对步骤三中的所述异常态历史数据集进行无量纲化处理得到异常态数据序列，基于所述异常态数据序列建立异常态数据模型，所述异常态数据模型包含风力发电机组异常运行时的异常范围。

实施例：

步骤一、监测测点可结合过往经验和依据机组使用情况记录表中的监测参数选取，选取电流、绕组温度、轴承温度作为监测测点对本方案进行举例说明，以上三个监测测点的历史数据集应涵盖风力发电机组运行1~3年内各个监测测点的运行参数。

步骤二、对步骤一中机组电流、绕组温度、轴承温度对应的历史数据进行一次清洗，该一次清洗方法为：以各历史数据中携带的时间信号为横坐标，以该时间信号下，该监测测点的数值作为纵坐标，进行趋势分析，以机组电流三年的内运行的历史数据为例，可得到如图1所示的风力发电机组的电流趋势图，由图1的趋势图可快速得到机组电流对应的运行态历史数据集、非运行态历史数据集和噪声历史数据集，对非运行态历史数据集和噪声历史数据集进行清除，并依据运行态历史数据集和风力发电机组使用情况记录表确定机组电流可作为典型测点，同时可确定与典型测点对应的待评估区间，该评估区间为14~20A，并依据该待评估区间建立单测点评估模型，由于典型测点可体现风力发电机组的运行状态，单测点评估模型通过对单点进行监测即可快速得出机组的运行状态，避免了监测***在机组未运行时调用各种模块，造成不必要的检测程序，***将实时数据接入单测点评估模型后，通过判断该典型测点下对应的实时数据是否在待评估区间内，可快速检出设备的运行状态，简化了风力发电机组运行状态的在线监测过程。

步骤三、对步骤二中的运行态历史数据集进行二次清洗，从测点中选取任一监测测点作为基准测点，若干未被选取的监测测点作为关联测点，将基准测点的运行态历史数据集分别与每个关联测点的运行态历史数据集组合得到若干待二次清洗数据集，对所述待二次清洗数据集进行关联关系对比分析，每个所述待二次清洗数据集经关联关系对比分析后可得到一条正常态线性回归曲线和一条异常态回归曲线；提取所述正常态线性回归曲线上的数据，得到所述待二次清洗数据集对应的所述正常态历史数据集；提取所述异常态线性回归曲线上的数据，得到所述待二次清洗数据集对应的所述异常态历史数据集。

如：选取电流作为基准测点，绕组温度、轴承温度则作为关联测点，将各监测测点两两组合即可得到电流-绕组温度待二次清洗数据集、电流-轴承温度待二次清洗数据集和绕组温度-轴承温度待二次清洗数据集，以绕组温度-轴承温度待二次清洗数据集为例，选取某段时间内的绕组温度和轴承温度，以电流信号作为横坐标，电流信号对应的同一时刻的绕组温度为纵坐标进行关联比对分析，可得到如图2所示的关联关系比对图，结合机组使用情况记录表可知异常态线性回归曲线对应运行情况较少发生的情况，即为设备异常状态，正常态线性回归曲线对应运行情况较多发生的情况，即为设备正常状态。

本发明将一次清洗后得到的运行态历史数据集进行两两组合，得到若干待二次清洗数据集，采用二次清洗对待二次清洗数据集进行关联关系对比，从而将风力发电机组正常运行状态时和异常运行状态时对应的数据集分离，本发明在建模前的数据处理过程中，没有将异常态下的数据集仅通过简单比对就进行删除处理，而是通过比对数据集对应的测点与其他测点的关联关系进行多维度分析，为建立正常态数据模型和异常态数据模型提供了数据基础，提高了二次清洗后被分离数据集的准确度，最终提高了正常态数据模型的监测精度，从而由于***中的正常态数据模型和异常态数据模型均将多因素协同作用对机组运行的影响，提高了实时监测时的准确度。

步骤四、对步骤三中的正常态历史数据集进行关联度分析去除冗余测点，排除冗余测点对应的正常态历史数据集，对经关联度分析后保留的正常态历史数据集无量纲化处理得到关联正常态数据序列，基于关联正常态数据序列建立正常态数据模型，正常态数据模型包含风力发电机组正常运行时的正常范围。

其中，去除所述冗余测点的方法为：

将正常态历史数据集两两组合，得到若干正常态灰关联度组合，采用关联度分析法计算所述正常态灰关联度组合的灰关联度，设置关联度阈值，若所述监测测点对应的所有正常态灰关联度组合的灰关联度值小于所述关联度阈值，则判定为冗余测点，去除所述冗余测点并排除该冗余测点相关的正常态灰关联度组合；若所述监测测点对应的所有正常态灰关联度组合中任一一个或多个组合的灰关联度值大于所述关联度阈值，则保留所述监测测点。

如对二次清洗得到的电流正常态历史数据集、绕组温度正常态历史数据集和轴承温度正常态历史数据集进行两两组合，得到电流-绕组温度正常态灰关联度组合、电流-轴承温度正常态灰关联度组合和绕组温度-轴承温度正常态灰关联度组合，再分别计算这三个正常态灰关联度组合的灰关联度值，并与设置好的关联度阈值比较，假设电流对应的电流-绕组温度正常态灰关联度组合和电流-轴承温度正常态灰关联度组合的灰关联度值均小于关联度阈值，则判定电流为冗余测点，去除电流测点，并排除与电流相关的电流-绕组温度正常态灰关联度组合和电流-轴承温度正常态灰关联度组合，本发明中的三个监测测点对应的所有正常态灰关联度组合都存在灰关联度值大于关联度阈值，证明选取的三个监测测点均与机组的运行状态相关，应予保留。

本发明对正常态历史数据集进行降维度和优化处理，将监测测点对应的正常态历史数据集两两组合，得到若干正常态灰关联度组合，采用关联度分析计算法对正常态灰关联度组合计算分析得到与正常态灰关联度组合对应的灰关联度值，并设置关联度阈值，将正常态灰关联度组合的灰关联度与关联度阈值比较，去除冗余测点，经无量纲化处理得到关联正常态数据序列，最终以关联正常态数据序列为基础建立正常态数据模型。本发明基于实际情况，将数据量较大且较复杂的正常态数据序列重点分析，关联度分析法可以降低正常态数据序列的维度，并依据关联度阈值去除了冗余测点，减少了数据运算量，简化了得正常态数据模型的建立过程，提高了正常态数据模型的建模效率和精度。

对保留的正常态灰关联度组合进行无量纲化处理得到关联正常态数据序列，将关联正常态数据序列映射至正常状态空间中，基于正常状态空间的边界点构造若干第一外接平面，第一外接平面与监测测点一一对应，将每个第一外接平面均分为若干第一平面模型，第一平面模型与正常态灰关联度组合一一对应，将关联正常态数据序列上的最大值和最小值拟合至第一平面模型中，得到正常态灰关联度组合对应的正常态数据模型的正常范围。

步骤五、验证和优化步骤四中的正常态数据模型。具体的，模拟风力发电机组正常运行状态，并将风力发电机组正常运行时的模拟数据经关联分析得到若干正常态模拟关联数据序列，将正常态模拟关联数据序列接入正常态数据模型中，作为第一次验证，模拟风力发电机组异常运行状态，并将风力发电机组异常运行时的模拟数据经关联分析得到若干异常态模拟关联数据序列，将异常态模拟关联数据序列接入正常态数据模型中，作为第二次验证；若第一次验证不出现警报，第二次验证出现警报，判定正常态数据模型可用；若第一次验证不出现警报，第二次验证也不出现警报，增大关联度阈值，排除冗余测点；若第一次验证出现警报，第二次验证也出现警报，降低关联度阈值，重新添加被排除的冗余测点；若第一次验证出现警报，第二次验证不出现警报，判定正常态数据模型不可用，重新建立正常态数据模型。

步骤六、对步骤三中的异常态历史数据集进行无量纲化处理得到异常态数据序列，基于异常态数据序列建立异常态数据模型，异常态数据模型包含风力发电机组异常运行时的异常范围。具体的，异常态数据模型的建模方法为：将异常态历史数据集两两组合，得到若干异常态灰关联度组合，对异常态灰关联度组合进行无量纲化处理得到异常态数据序列，将异常态数据序列映射至异常状态空间中，基于异常状态空间的边界点构造若干第二外接平面，第二外接平面与测点一一对应，将每个第二外接平面均分为若干第二平面模型，第二平面模型与异常态灰关联度组合一一对应，将异常态数据序列上的最大值和最小值拟合至第二平面模型中，得到异常态灰关联度组合对应的异常态数据模型的异常范围。

本发明中的三个模型建立完成后，可用于风力发电机组的实时数据监测，其监测过程如图6所示，其监测步骤为：将实时数据接入单测点评估模型中，提取与单测点模型中的典型测点对应的实时数据参数，将实时数据参数与待评估区间比较，若实时数据参数位于待评估区间外，则判定设备不运行或实时数据参数为噪声；若实时数据参数位于待评估区间内，则对所有的实时数据进行两两组合，得到若干实时灰关联度组合，该实时灰关联度组合与建模时的组合方式相同，且获得的实时灰关联度组合应能从建模时的正常态灰关联度组合或异常态灰关联度组合中对应，对实时灰关联度组合进行无量钢化处理得到待评估实时灰关联度组合，该无量纲化处理方法也应与建模时的方法一致，在处理后的实时灰关联度组合中选出与异常态灰关联度组合对应的实时灰关联度组合，并接入异常态数据模型中，若该实时灰关联度组合位于异常态数据模型的异常范围内，则判定设备异常；若该实时灰关联度组合位于异常态数据模型的异常范围外，则依旧判定为异常，并将该实时灰关联度组合对应的实时数据补入对应的异常态灰关联度组合中。在处理后的实时灰关联度组合中选出与正常态灰关联度组合对应的实时灰关联度组合，并接入正常态数据模型中，若该实时灰关联度组合位于正态数据模型的正常范围内，则判定设备正常；若该实时灰关联度组合位于正常态数据模型的正常范围外，则判定为异常，并将该实时灰关联度组合和该实时灰关联度组合对应的实时数据补入异常态数据模型中，同时应在异常态数据模型的第二外接平面中重新划分第二平面模型，从而实现对异常态数据模型的优化。

本发明的在线监测***依据历史数据集成了单测点评估模型、异常态数据模型和正常态数据模型，由于在建模前的数据处理过程中，没有将异常态下的数据集仅通过简单比对就进行删除处理，而是通过比对数据集对应的测点与其他测点的关联关系进行多维度分析，为建立正常态数据模型和异常态数据模型提供了数据基础，提高了二次清洗后被分离数据集的准确度，由于***中的正常态数据模型和异常态数据模型均将多因素协同作用对机组运行的影响，提高了实时监测时的准确度。本发明简化了在线监测***的建模过程，并提高了在线监测***的检测精度和效率。同时在监测过程中将实时数据接入异常态数据模型和正常态数据模型中，通过对实时数据进行反复验证，提高了检测精度，摒弃了使用排除法对监测状况进行判断，并通过反复验证可挖掘设备的潜在异常实时数据，起到了不断优化异常态监测模型的作用。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种基于大数据的机组在线监测***建模方法，其特征在于，包括如下步骤：

步骤一、选择若干监测测点，所述监测测点对应有若干历史数据集；

步骤二、对步骤一中所述历史数据集进行一次清洗，得到所述监测测点对应的运行态历史数据集、非运行态历史数据集和噪声历史数据集，对所述非运行态历史数据集和所述噪声历史数据集进行清除，并依据所述运行态历史数据集和风力发电机组使用情况记录表确定典型测点和与所述典型测点对应的待评估区间，依据所述待评估区间建立单测点评估模型，所述典型测点体现风力发电机组的运行状态；

步骤三、对步骤二中的所述运行态历史数据集进行二次清洗，得到正常态历史数据集和异常态历史数据集；

步骤四、对步骤三中的所述正常态历史数据集进行关联度分析去除冗余测点，排除冗余测点对应的正常态历史数据集，对经关联度分析后保留的所述正常态历史数据集无量纲化处理得到关联正常态数据序列，基于所述关联正常态数据序列建立正常态数据模型，所述正常态数据模型包含风力发电机组正常运行时的正常范围；

步骤五、验证和优化步骤四中的所述正常态数据模型；

步骤六、对步骤三中的所述异常态历史数据集进行无量纲化处理得到异常态数据序列，基于所述异常态数据序列建立异常态数据模型，所述异常态数据模型包含风力发电机组异常运行时的异常范围。

2.如权利要求1所述的基于大数据的机组在线监测***建模方法，其特征在于，所述历史数据集涵盖风力发电机组运行1~3年内各个所述监测测点的运行参数。

3.如权利要求1所述的基于大数据的机组在线监测***建模方法，其特征在于，所述运行态历史数据集的二次清洗方法为：

从所述监测测点中选取任一监测测点作为基准测点，若干未被选取的监测测点作为关联测点，将所述基准测点的运行态历史数据集分别与每个所述关联测点的运行态历史数据集组合得到若干待二次清洗数据集，对所述待二次清洗数据集进行关联关系对比分析，每个所述待二次清洗数据集经关联关系对比分析后可得到一条正常态线性回归曲线和一条异常态回归曲线；

提取所述正常态线性回归曲线上的数据，得到所述待二次清洗数据集对应的所述正常态历史数据集；

提取所述异常态线性回归曲线上的数据，得到所述待二次清洗数据集对应的所述异常态历史数据集。

4.如权利要求1所述的基于大数据的机组在线监测***建模方法，其特征在于，去除所述冗余测点的方法为：

将所述正常态历史数据集两两组合，得到若干正常态灰关联度组合，采用关联度分析法计算所述正常态灰关联度组合的灰关联度，设置关联度阈值，若所述监测测点对应的所有正常态灰关联度组合的灰关联度值小于所述关联度阈值，则判定为冗余测点，去除所述冗余测点并排除该冗余测点相关的正常态灰关联度组合；若所述监测测点对应的所有正常态灰关联度组合中任一一个或多个组合的灰关联度值大于所述关联度阈值，则保留所述监测测点。

5.如权利要求4所述的基于大数据的机组在线监测***建模方法，其特征在于，所述正常态数据模型的建模步骤为：

对保留的所述正常态灰关联度组合进行无量纲化处理得到关联正常态数据序列，将所述关联正常态数据序列映射至正常状态空间中，基于所述正常状态空间的边界点构造若干第一外接平面，所述第一外接平面与所述监测测点一一对应，将每个所述第一外接平面均分为若干第一平面模型，所述第一平面模型与所述正常态灰关联度组合一一对应，将所述关联正常态数据序列上的最大值和最小值拟合至所述第一平面模型中，得到所述正常态灰关联度组合对应的所述正常态数据模型的正常范围。

6.如权利要求5所述的基于大数据的机组在线监测***建模方法，其特征在于，验证、优化所述正常态数据模型的方法为：

模拟所述风力发电机组正常运行状态，并将所述风力发电机组正常运行时的模拟数据经关联分析得到若干正常态模拟关联数据序列，将所述正常态模拟关联数据序列接入所述正常态数据模型中，作为第一次验证，模拟所述风力发电机组异常运行状态，并将所述风力发电机组异常运行时的模拟数据经关联分析得到若干异常态模拟关联数据序列，将所述异常态模拟关联数据序列接入所述正常态数据模型中，作为第二次验证；

若所述第一次验证不出现警报，所述第二次验证出现警报，判定所述正常态数据模型可用；

若所述第一次验证不出现警报，所述第二次验证也不出现警报，增大所述关联度阈值，排除冗余测点；

若所述第一次验证出现警报，所述第二次验证也出现警报，降低所述关联度阈值，重新添加被排除的冗余测点；

若所述第一次验证出现警报，所述第二次验证不出现警报，判定所述正常态数据模型不可用，重新建立所述正常态数据模型。

7.如权利要求1所述的基于大数据的机组在线监测***建模方法，其特征在于，所述异常态数据模型的建模方法为：

将所述异常态历史数据集两两组合，得到若干异常态灰关联度组合，对异常态灰关联度组合进行无量纲化处理得到异常态数据序列，将所述异常态数据序列映射至异常状态空间中，基于所述异常状态空间的边界点构造若干第二外接平面，所述第二外接平面与所述监测测点一一对应，将每个所述第二外接平面均分为若干第二平面模型，所述第二平面模型与所述异常态灰关联度组合一一对应，将所述异常态数据序列上的最大值和最小值拟合至所述第二平面模型中，得到所述异常态灰关联度组合对应的所述异常态数据模型的异常范围。

Images