本申請涉及風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)控方法與系統(tǒng)。

背景技術(shù)：

風(fēng)能因?yàn)槠湄S富的資源、成熟的技術(shù)和零排放已經(jīng)成為有希望取代傳統(tǒng)的造成污染的火力發(fā)電的最受歡迎的再生能源。到2013年底，全球風(fēng)力發(fā)電機(jī)安裝已達(dá)到318GW。隨著風(fēng)場的快速增長，昂貴的O&M(運(yùn)行和維護(hù))費(fèi)用和停機(jī)期間電力銷售損失已發(fā)展成為越來越緊迫的問題。以2MW風(fēng)力發(fā)電機(jī)為例，如KTH的碩士論文所估計(jì)，每年產(chǎn)生大約24.84萬美元的損失，包括24.27萬美元的O&M費(fèi)用和0.57萬美元的電力銷售損失。

在這種環(huán)境下，市場渴望能開發(fā)一種狀態(tài)監(jiān)控系統(tǒng)(CMS)產(chǎn)品，其能在風(fēng)力發(fā)電機(jī)發(fā)展成真正失效前實(shí)時檢測風(fēng)力發(fā)電機(jī)的缺陷，分析故障類型，并且定位有缺陷的部件。目前市場上帶有此功能的可用的產(chǎn)品都是基于附加的傳感器(例如振動、聲學(xué)等)。這些侵入式傳感器不僅大大地增加了資金成本，而且會造成風(fēng)力發(fā)電機(jī)的再認(rèn)證的問題，而這兩者對于風(fēng)場的運(yùn)營者來說都是不希望的。

技術(shù)實(shí)現(xiàn)要素：

相應(yīng)地，本發(fā)明一方面提供一種風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)控方法，包括如下步驟：

歷史數(shù)據(jù)獲取步驟：獲取歷史SCADA數(shù)據(jù)和對應(yīng)于歷史SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)報告，其中歷史SCADA數(shù)據(jù)包括風(fēng)力發(fā)電機(jī)的操作數(shù)據(jù)，并且其中風(fēng)力發(fā)電機(jī)報告包括：被診斷為正常或有缺陷狀態(tài)的風(fēng)力發(fā)電機(jī)的健康狀況，以及如果風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷狀態(tài)時的具有對應(yīng)的故障詳細(xì)信息的有缺陷部件；

模型訓(xùn)練步驟：基于歷史SCADA數(shù)據(jù)和對應(yīng)的風(fēng)力發(fā)電機(jī)報告，通過建立歷史SCADA數(shù)據(jù)和風(fēng)力發(fā)電機(jī)報告之間的關(guān)系，訓(xùn)練用于整體診斷風(fēng)力發(fā)電機(jī)的整體模型并且訓(xùn)練用于分析風(fēng)力發(fā)電機(jī)不同部件的不同個體模型；

整體診斷步驟：獲取實(shí)時SCADA數(shù)據(jù)，輸入實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的整體模型，從已訓(xùn)練的整體模型獲得風(fēng)力發(fā)電機(jī)的健康狀況，以及如果已訓(xùn)練的整體模型判定風(fēng)力發(fā)電機(jī)為有缺陷狀態(tài)則執(zhí)行個體診斷步驟；

個體診斷步驟：輸入實(shí)時SCADA數(shù)據(jù)至對應(yīng)于有缺陷部件的已訓(xùn)練的個體模型，以及從對應(yīng)于有缺陷部件的已訓(xùn)練的個體模型獲得有缺陷部件的故障詳細(xì)信息。

優(yōu)選地，歷史數(shù)據(jù)獲取步驟包括：

獲取歷史SCADA數(shù)據(jù)和對應(yīng)于該歷史SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)報告，其中歷史SCADA數(shù)據(jù)包括風(fēng)力發(fā)電機(jī)的操作數(shù)據(jù)，并且其中該風(fēng)力發(fā)電機(jī)報告包括：診斷為正?；蛘哂腥毕轄顟B(tài)的風(fēng)力發(fā)電機(jī)的健康狀況、以及如果風(fēng)力發(fā)電機(jī)的健康狀況診斷為有缺陷狀態(tài)時帶有對應(yīng)故障詳細(xì)信息的有缺陷部件；

驗(yàn)證該風(fēng)力發(fā)電機(jī)報告以確定該歷史SCADA數(shù)據(jù)中哪一數(shù)據(jù)部分是正常狀態(tài)以及該歷史SCADA數(shù)據(jù)中哪一數(shù)據(jù)部分是有缺陷狀態(tài)。

優(yōu)選地，該模型訓(xùn)練步驟包括：

選擇整體數(shù)據(jù)挖掘算法；

利用整體數(shù)據(jù)挖掘算法來訓(xùn)練用于整體診斷風(fēng)力發(fā)電機(jī)的整體模型，以建立整體模型的輸入和輸出之間的關(guān)系，整體模型的輸入是歷史SCADA數(shù)據(jù)，整體訓(xùn)練模型的輸出是風(fēng)力發(fā)電機(jī)的健康狀況，其包括正常和有缺陷狀態(tài)，以及如果所述風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷的狀態(tài)時的有缺陷部件；

選擇用于風(fēng)力發(fā)電機(jī)的不同部件的個體數(shù)據(jù)挖掘算法；

利用對應(yīng)的個體數(shù)據(jù)挖掘算法來訓(xùn)練用于分析風(fēng)力發(fā)電機(jī)的不同部件的不同的個體模型，以建立個體模型的輸入和輸出之間的關(guān)系，每一個體模型的輸入是歷史SCADA數(shù)據(jù)，如果與個體模型相對應(yīng)的個體部件是有缺陷的部件，則每個個體模型的輸出是對應(yīng)于個體模型的個體部件的故障詳細(xì)信息。

便利地，該模型訓(xùn)練步驟包括：

使用歷史SCADA數(shù)據(jù)驗(yàn)證整體模型和個體模型的有效性。

便利地，該整體診斷步驟包括：

獲取實(shí)時SCADA數(shù)據(jù)；

輸入該實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的總體模型；

運(yùn)行已訓(xùn)練的整體模型以實(shí)施整體數(shù)據(jù)挖掘算法；

從該已訓(xùn)練的整體模型獲得風(fēng)力發(fā)電機(jī)的健康狀況；

如果已訓(xùn)練的整體模型確定風(fēng)力發(fā)電機(jī)為有缺陷狀態(tài)，則執(zhí)行個體診斷步驟。

便利地，該個體診斷步驟包括：

選擇與有缺陷部件相對應(yīng)的已訓(xùn)練的個體模型作為已訓(xùn)練的有缺陷模型；

輸入實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的有缺陷模型；

運(yùn)行已訓(xùn)練的有缺陷模型以實(shí)施對應(yīng)的個體數(shù)據(jù)挖掘算法；

從已訓(xùn)練的有缺陷模型獲得該有缺陷部件的故障詳細(xì)信息。

本發(fā)明的另一方面提供了一種包括計(jì)算機(jī)程序代碼的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序代碼適于在計(jì)算機(jī)上運(yùn)行時執(zhí)行上述任何一個的所有步驟。

本發(fā)明的另一方面提供了一種在計(jì)算機(jī)可讀介質(zhì)上實(shí)現(xiàn)的根據(jù)上述的計(jì)算機(jī)程序。

本發(fā)明的另一方面提供了一種風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)控系統(tǒng)，包括以下模塊：

歷史數(shù)據(jù)獲取模塊：用于獲取歷史SCADA數(shù)據(jù)和對應(yīng)于歷史SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)報告，其中歷史SCADA數(shù)據(jù)包括風(fēng)力發(fā)電機(jī)的操作數(shù)據(jù)，并且其中風(fēng)力發(fā)電機(jī)報告包括：被診斷為正常或有缺陷狀態(tài)的風(fēng)力發(fā)電機(jī)的健康狀況，以及如果風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷狀態(tài)時的具有對應(yīng)的故障詳細(xì)信息的有缺陷部件；

模型訓(xùn)練模塊：用于基于歷史SCADA數(shù)據(jù)和相應(yīng)的風(fēng)力發(fā)電機(jī)報告，通過建立歷史SCADA數(shù)據(jù)和風(fēng)力發(fā)電機(jī)報告之間的關(guān)系，訓(xùn)練用于整體診斷風(fēng)力發(fā)電機(jī)的整體模型并且訓(xùn)練用于分析風(fēng)力發(fā)電機(jī)不同部件的不同個體模型；

整體診斷模塊：用于獲取實(shí)時SCADA數(shù)據(jù)，輸入實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的整體模型，從已訓(xùn)練的整體模型獲得風(fēng)力發(fā)電機(jī)的健康狀況，以及如果已訓(xùn)練的整體模型判定風(fēng)力發(fā)電機(jī)為有缺陷狀態(tài)則執(zhí)行個體診斷模塊；

個體診斷模塊：用于輸入實(shí)時SCADA數(shù)據(jù)至對應(yīng)于有缺陷部件的已訓(xùn)練的個體模型，以及從對應(yīng)于有缺陷部件的已訓(xùn)練的個體模型獲得有缺陷部件的故障詳細(xì)信息。

優(yōu)選地，歷史數(shù)據(jù)獲取模塊包括：

用于獲取歷史SCADA數(shù)據(jù)和對應(yīng)于該歷史SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)報告的模塊，其中歷史SCADA數(shù)據(jù)包括風(fēng)力發(fā)電機(jī)的操作數(shù)據(jù)，并且其中該風(fēng)力發(fā)電機(jī)報告包括：診斷為正常或者有缺陷的狀態(tài)的風(fēng)力發(fā)電機(jī)的健康狀況、以及如果風(fēng)力發(fā)電機(jī)診斷為有缺陷的狀態(tài)時帶有相應(yīng)故障詳細(xì)信息的有缺陷的部件；

用于驗(yàn)證該風(fēng)力發(fā)電機(jī)報告以確定該歷史SCADA數(shù)據(jù)中哪一數(shù)據(jù)部分是正常狀態(tài)以及該歷史SCADA數(shù)據(jù)中哪一數(shù)據(jù)部分是有缺陷的狀態(tài)的模塊。

優(yōu)選地，該模型訓(xùn)練模塊包括：

用于選擇整體數(shù)據(jù)挖掘算法的模塊；

用于利用整體數(shù)據(jù)挖掘算法來訓(xùn)練用于整體診斷風(fēng)力發(fā)電機(jī)的整體模型以建立整體模型的輸入和輸出之間的關(guān)系的模塊，整體模型的輸入是歷史SCADA數(shù)據(jù)，整體訓(xùn)練模型的輸出是風(fēng)力發(fā)電機(jī)的健康狀況，其包括正常和有缺陷的狀態(tài)，以及如果所述風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷的狀態(tài)時的有缺陷的部件；

用于選擇用于風(fēng)力發(fā)電機(jī)的不同部件的個體數(shù)據(jù)挖掘算法的模塊；

用于利用相對應(yīng)的個體數(shù)據(jù)挖掘算法來訓(xùn)練用于分析風(fēng)力發(fā)電機(jī)的不同部件的不同的個體模型以建立個體模型的輸入和輸出之間的關(guān)系的模塊，每一個體模型的輸入是歷史SCADA數(shù)據(jù)，如果與個體模型相對應(yīng)的個體部件是有缺陷的部件，則每個個體模型的輸出是對應(yīng)于個體模型的個體部件的故障詳細(xì)信息。

便利地，該模型訓(xùn)練模塊包括：

用于使用歷史SCADA數(shù)據(jù)驗(yàn)證整體模型和個體模型的有效性的模塊。

便利地，該整體診斷模塊包括：

用于獲取實(shí)時SCADA數(shù)據(jù)的模塊；

用于輸入該實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的整體模型的模塊；

用于運(yùn)行已訓(xùn)練的整體模型以實(shí)施整體數(shù)據(jù)挖掘算法的模塊；

用于從該已訓(xùn)練的整體模型獲得風(fēng)力發(fā)電機(jī)的健康狀況的模塊；

如果已訓(xùn)練的整體模型確定風(fēng)力發(fā)電機(jī)為有缺陷狀態(tài)，則執(zhí)行個體診斷模塊的模塊。

便利地，該個體診斷模塊包括：

用于選擇與有缺陷的部件相對應(yīng)的已訓(xùn)練的個體模型作為已訓(xùn)練的有缺陷模型的模塊；

用于輸入實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的有缺陷模型的模塊；

用于運(yùn)行已訓(xùn)練的有缺陷模型以實(shí)施對應(yīng)的個體數(shù)據(jù)挖掘算法的模塊；

用于從已訓(xùn)練的有缺陷模型獲得該有缺陷的部件的故障詳細(xì)信息的模塊。

本發(fā)明利用歷史SCADA數(shù)據(jù)和相應(yīng)的風(fēng)力發(fā)電機(jī)故障信息來訓(xùn)練整體模型和個體模型，并且輸入實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的整體模型中用于診斷，而輸入至已訓(xùn)練的個體模型中用于分析。本發(fā)明提出了一類基于SCADA數(shù)據(jù)的分級的成本效益好的遠(yuǎn)程級風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)控方法和系統(tǒng)。利用該解決方案，風(fēng)力發(fā)電機(jī)運(yùn)營者能夠?qū)崟r監(jiān)控設(shè)備狀況，檢測早期故障并預(yù)先安排適當(dāng)?shù)念A(yù)測性維護(hù)活動。與傳統(tǒng)的基于侵入式傳感器的技術(shù)相比，由于采用了純SCADA數(shù)據(jù)驅(qū)動技術(shù)，本發(fā)明可以節(jié)省額外監(jiān)控傳感器的安裝，并且由于采用分級概念結(jié)構(gòu)能夠加速算法執(zhí)行效率，由此使終端客戶(風(fēng)力發(fā)電機(jī)運(yùn)營者)受益。

附圖說明

圖1示出了說明根據(jù)本發(fā)明的風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)控方法的流程圖；

圖2示出了說明本發(fā)明的優(yōu)選實(shí)施例的流程圖；

圖3示出了風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)控系統(tǒng)的結(jié)構(gòu)模塊圖。

具體實(shí)施方式

在下文中，通過結(jié)合附圖的具體實(shí)施例進(jìn)一步詳細(xì)介紹本發(fā)明。

圖1示出了說明根據(jù)本發(fā)明的風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)控方法的流程圖，包括如下步驟：

步驟101：獲取歷史SCADA數(shù)據(jù)和對應(yīng)于歷史SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)報告，其中歷史SCADA數(shù)據(jù)包括風(fēng)力發(fā)電機(jī)的操作數(shù)據(jù)，并且其中風(fēng)力發(fā)電機(jī)報告包括：被診斷為正?；蛴腥毕轄顟B(tài)的風(fēng)力發(fā)電機(jī)的健康狀況，以及如果風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷狀態(tài)時的具有對應(yīng)的故障詳細(xì)信息的有缺陷部件；

步驟102：基于歷史SCADA數(shù)據(jù)和對應(yīng)的風(fēng)力發(fā)電機(jī)報告，通過建立歷史SCADA數(shù)據(jù)和風(fēng)力發(fā)電機(jī)報告之間的關(guān)系，訓(xùn)練用于整體診斷風(fēng)力發(fā)電機(jī)的整體模型并且，訓(xùn)練用于分析風(fēng)力發(fā)電機(jī)不同部件的不同個體模型；

步驟103：獲取實(shí)時SCADA數(shù)據(jù)，輸入實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的整體模型，從已訓(xùn)練的整體模型獲得風(fēng)力發(fā)電機(jī)的健康狀況，以及如果已訓(xùn)練的整體模型判定風(fēng)力發(fā)電機(jī)為有缺陷狀態(tài)則執(zhí)行個體診斷步驟；

步驟104：輸入實(shí)時SCADA數(shù)據(jù)至對應(yīng)于有缺陷部件的已訓(xùn)練的個體模型，以及從對應(yīng)于有缺陷部件的已訓(xùn)練的個體模型獲得有缺陷部件的故障詳細(xì)信息。

SCADA數(shù)據(jù)是從監(jiān)測控制與數(shù)據(jù)采集(SCADA)系統(tǒng)收集的。該SCADA系統(tǒng)是一種電力自動化監(jiān)控系統(tǒng)。它執(zhí)行電力系統(tǒng)的數(shù)據(jù)收集，監(jiān)測控制和過程控制。

本發(fā)明利用步驟101中獲得的歷史SCADA數(shù)據(jù)和對應(yīng)的風(fēng)力發(fā)電機(jī)報告來分別訓(xùn)練整體模型和個體模型。訓(xùn)練之后，模型建立了歷史SCADA數(shù)據(jù)和風(fēng)力發(fā)電機(jī)報告之間的關(guān)系。通過歷史SCADA數(shù)據(jù)和對應(yīng)的風(fēng)力發(fā)電機(jī)報告，整體模型和個體模型可以具有良好的訓(xùn)練性能。由于SCADA數(shù)據(jù)包括操作數(shù)據(jù)，該歷史SCADA數(shù)據(jù)可以反映風(fēng)力發(fā)電機(jī)的多種歷史狀態(tài)。并且風(fēng)力發(fā)電機(jī)報告包括風(fēng)力發(fā)電機(jī)的健康狀況、有缺陷部件和對應(yīng)的故障詳細(xì)信息。健康狀況包括正常狀態(tài)和有缺陷狀態(tài)。有缺陷部件和對應(yīng)的故障詳細(xì)信息僅當(dāng)風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷狀態(tài)時在風(fēng)力發(fā)電機(jī)報告中涉及。在步驟103和104，實(shí)時SCADA數(shù)據(jù)被輸入到已訓(xùn)練的整體模型和個體模型中。由于這些模型已經(jīng)利用歷史SCADA數(shù)據(jù)和對應(yīng)的風(fēng)力發(fā)電機(jī)報告進(jìn)行訓(xùn)練并且能夠基于SCADA數(shù)據(jù)識別正常狀態(tài)和有缺陷狀態(tài)，因此已訓(xùn)練的整體模型和個體模型可以從實(shí)時SCADA數(shù)據(jù)獲得精確的健康狀況和故障詳細(xì)信息。本發(fā)明利用SCADA數(shù)據(jù)和訓(xùn)練模型來監(jiān)控風(fēng)力發(fā)電機(jī)的狀態(tài)，因此其不再需要向風(fēng)力發(fā)電機(jī)中安裝附加的傳感器。另外，分級概念結(jié)構(gòu)可以加速風(fēng)力發(fā)電機(jī)控制器的處理效率。

在一個實(shí)施例中，步驟101包括：

獲取歷史SCADA數(shù)據(jù)和對應(yīng)于該歷史SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)報告，其中歷史SCADA數(shù)據(jù)包括風(fēng)力發(fā)電機(jī)的操作數(shù)據(jù)，并且其中該風(fēng)力發(fā)電機(jī)報告包括：診斷為正常或者有缺陷狀態(tài)的風(fēng)力發(fā)電機(jī)的健康狀況、以及如果風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷狀態(tài)時帶有相應(yīng)故障詳細(xì)信息的有缺陷部件；

驗(yàn)證該風(fēng)力發(fā)電機(jī)報告以識別該歷史SCADA數(shù)據(jù)中哪一數(shù)據(jù)部分是正常狀態(tài)以及該歷史SCADA數(shù)據(jù)中哪一數(shù)據(jù)部分是有缺陷狀態(tài)。

將歷史SCADA數(shù)據(jù)劃分為正常狀態(tài)部分和有缺陷狀態(tài)部分，以便于整體模型和個體模型做出正確的健康狀況和故障詳細(xì)信息。

在一個實(shí)施例中，步驟102包括：

選擇整體數(shù)據(jù)挖掘算法；

利用整體數(shù)據(jù)挖掘算法來訓(xùn)練用于整體診斷風(fēng)力發(fā)電機(jī)的整體模型，以建立整體模型的輸入和輸出之間的關(guān)系，整體模型的輸入是歷史SCADA數(shù)據(jù)，整體訓(xùn)練模型的輸出是風(fēng)力發(fā)電機(jī)的健康狀況，其包括正常和有缺陷狀態(tài)，以及如果風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷狀態(tài)時的有缺陷部件；

選擇用于風(fēng)力發(fā)電機(jī)的不同部件的個體數(shù)據(jù)挖掘算法；

利用對應(yīng)的個體數(shù)據(jù)挖掘算法來訓(xùn)練用于分析風(fēng)力發(fā)電機(jī)的不同部件的不同的個體模型，以建立個體模型的輸入和輸出之間的關(guān)系，每一個體模型的輸入是歷史SCADA數(shù)據(jù)，如果對應(yīng)于個體模型的個體部件是有缺陷部件，則每個個體模型的輸出是對應(yīng)于個體模型的個體部件的故障詳細(xì)信息。

整體數(shù)據(jù)挖掘算法可以與個體數(shù)據(jù)挖掘算法相同或者不同。該算法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、主成分分析等。

在算法選擇期間，個體算法的特點(diǎn)和收集的數(shù)據(jù)的特征(例如數(shù)據(jù)豐富度)都應(yīng)當(dāng)考慮。對于不同的情況，所選擇的算法可以不同。

基于作為樣本輸入的歷史SCADA數(shù)據(jù)和對應(yīng)的風(fēng)力發(fā)電機(jī)報告，利用合適的算法訓(xùn)練整體模型，該模型可以建立SCADA數(shù)據(jù)和風(fēng)力發(fā)電機(jī)報告之間的關(guān)系。隨著在模型中建立了關(guān)系，將實(shí)時SCADA數(shù)據(jù)輸入整體模型中可以獲得作為輸出的健康狀況。并且同樣，由于風(fēng)力發(fā)電機(jī)報告包括有缺陷部件，所以如果健康狀況被診斷為有缺陷狀態(tài)時輸入實(shí)時SCADA數(shù)據(jù)至整體模型可以獲得有缺陷部件。

通過利用有缺陷部件的歷史SCADA數(shù)據(jù)歸納風(fēng)力發(fā)電機(jī)報告，個體模型將區(qū)分出有缺陷部件的具體的故障詳細(xì)信息，包括故障類型、故障位置和故障嚴(yán)重性。個體模型經(jīng)過訓(xùn)練最終建立SCADA數(shù)據(jù)與有缺陷部件的故障詳細(xì)信息之間的關(guān)系。

在一個實(shí)施例中，步驟102包括：

使用歷史SCADA數(shù)據(jù)驗(yàn)證整體模型和個體模型的有效性。

該有效性可以是檢測定量。該模型可以通過驗(yàn)證有效性進(jìn)一步優(yōu)化。

在一個實(shí)施例中，步驟103包括：

獲取實(shí)時SCADA數(shù)據(jù)；

輸入該實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的整體模型；

運(yùn)行已訓(xùn)練的整體模型以實(shí)現(xiàn)整體數(shù)據(jù)挖掘算法；

從已訓(xùn)練的整體模型獲得風(fēng)力發(fā)電機(jī)的健康狀況；

如果已訓(xùn)練的整體模型判定風(fēng)力發(fā)電機(jī)為有缺陷狀態(tài)，則執(zhí)行個體診斷步驟。

在步驟103中實(shí)施的整體數(shù)據(jù)挖掘算法可以與在步驟102中選擇的算法一樣以保證模型的可靠性。

在一個實(shí)施例中，步驟104包括：

選擇對應(yīng)于有缺陷部件的已訓(xùn)練個體模型作為已訓(xùn)練有缺陷模型；

輸入實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的有缺陷模型；

運(yùn)行已訓(xùn)練的有缺陷模型以實(shí)施對應(yīng)的個體數(shù)據(jù)挖掘算法；

從已訓(xùn)練的有缺陷模型獲得有缺陷部件的故障詳細(xì)信息。

與步驟103中一樣，在步驟104中實(shí)施的個體數(shù)據(jù)挖掘算法可以與在步驟102中選擇的用于有缺陷部件的算法一樣。

圖2示出了說明本發(fā)明的優(yōu)選實(shí)施例的流程圖。

圖2包括兩部分。左側(cè)方框代表實(shí)時診斷/預(yù)測；右側(cè)方框代表使用SCADA數(shù)據(jù)的模型訓(xùn)練過程。更具體地，整個概念可通過下列步驟實(shí)現(xiàn)：

步驟201:從實(shí)際風(fēng)場操作數(shù)據(jù)庫收集SCADA數(shù)據(jù)和風(fēng)力發(fā)電機(jī)報告，包括：

●包括操作數(shù)據(jù)和風(fēng)力發(fā)電機(jī)報告的SCADA數(shù)據(jù)，所述風(fēng)力發(fā)電機(jī)報告包括在典型風(fēng)場中的典型風(fēng)力發(fā)電機(jī)的狀態(tài)(正常和有缺陷的)。

●已核實(shí)的對應(yīng)于上述SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)報告，指明哪一數(shù)據(jù)部分是正常狀態(tài)以及哪一部分是有缺陷狀態(tài)。

●將數(shù)據(jù)和故障信息組織成與以下數(shù)據(jù)處理一致的適當(dāng)格式。

●注意，這個步驟應(yīng)該離線完成，而不是在線。

步驟202:基于所收集的歷史數(shù)據(jù)，模型使用特定數(shù)據(jù)挖掘算法

●選擇適當(dāng)?shù)臄?shù)據(jù)挖掘算法(例如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、主成分分析等)用于模型訓(xùn)練。算法的選擇應(yīng)當(dāng)同時考慮個體算法的特點(diǎn)和所收集的數(shù)據(jù)的特征(例如數(shù)據(jù)豐富度)。對于不同的情況，所選擇的算法可以不同。

●使用所選擇的數(shù)據(jù)挖掘算法(例如神經(jīng)網(wǎng)絡(luò))來訓(xùn)練適用于風(fēng)力發(fā)電機(jī)級診斷和預(yù)測的整體模型。該整體模型的輸入是新加入的歷史SCADA數(shù)據(jù)，并且輸出是目標(biāo)風(fēng)力發(fā)電機(jī)的健康狀況以及哪個部件是有缺陷的(如果風(fēng)力發(fā)電機(jī)診斷為有缺陷的)。

●使用相同的或者其它數(shù)據(jù)挖掘算法來訓(xùn)練適用于診斷和預(yù)測風(fēng)力發(fā)電機(jī)的不同部件的不同的單一模型。該單一模型的輸入是新加入的歷史SCADA數(shù)據(jù)，并且輸出是有缺陷部件的特定的故障詳細(xì)信息，包括故障類型、故障位置和故障嚴(yán)重性。

●使用所收集的歷史數(shù)據(jù)驗(yàn)證所訓(xùn)練的模型(整體模型和單一模型)的有效性(例如檢出率)。

●注意，這個步驟應(yīng)該離線完成，而不是在線。

步驟203：使用已訓(xùn)練的整體模型(適用于風(fēng)力發(fā)電機(jī))來實(shí)施風(fēng)力發(fā)電機(jī)級診斷/預(yù)測

●輸入實(shí)時新加入的SCADA數(shù)據(jù)至已訓(xùn)練的模型。

●運(yùn)行整體模型來實(shí)施為整體模型選擇的嵌入式算法。

●輸出所檢測的風(fēng)力發(fā)電機(jī)的健康指數(shù)，其具有信息包括：該風(fēng)力發(fā)電機(jī)是否是正常的還是有缺陷的，并且如果是有缺陷的，那么哪個部件是有缺陷的。

●注意，這個步驟應(yīng)該在線完成。

步驟204：使用對應(yīng)的已訓(xùn)練的單一模型(適合于對應(yīng)的部件)來分析有缺陷部件的具體故障詳細(xì)信息

●從在步驟2中準(zhǔn)備好的那些中選擇對應(yīng)于在步驟3中識別的有缺陷部件的已訓(xùn)練的單一模型。

●輸入實(shí)時新加入的SCADA數(shù)據(jù)至對應(yīng)的已訓(xùn)練的單一模型。

●運(yùn)行單一模型來實(shí)施為對應(yīng)的單一模型而選擇的嵌入式算法。

●輸出有缺陷部件的具體故障詳細(xì)信息，其包括信息：故障位置、故障類型和故障嚴(yán)重性。

●注意，這個步驟應(yīng)該在線完成。

術(shù)語“在線”指在線實(shí)時監(jiān)控。術(shù)語“離線”指離線模型訓(xùn)練。

圖3示出了風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)控系統(tǒng)的結(jié)構(gòu)模塊圖，包括如下模塊：

歷史數(shù)據(jù)獲取模塊301：用于獲取歷史SCADA數(shù)據(jù)和對應(yīng)于歷史SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)報告，其中歷史SCADA數(shù)據(jù)包括風(fēng)力發(fā)電機(jī)的操作數(shù)據(jù)，并且其中風(fēng)力發(fā)電機(jī)報告包括：被診斷為正常或有缺陷狀態(tài)的風(fēng)力發(fā)電機(jī)的健康狀況，以及如果風(fēng)力發(fā)電機(jī)的健康狀況被診斷為有缺陷狀態(tài)時的具有對應(yīng)的故障詳細(xì)信息的有缺陷部件；

模型訓(xùn)練模塊302：用于基于歷史SCADA數(shù)據(jù)和對應(yīng)的風(fēng)力發(fā)電機(jī)報告，通過建立歷史SCADA數(shù)據(jù)和風(fēng)力發(fā)電機(jī)報告之間的關(guān)系，訓(xùn)練用于整體診斷風(fēng)力發(fā)電機(jī)的整體模型并且訓(xùn)練用于分析風(fēng)力發(fā)電機(jī)的不同部件的不同個體模型；

整體診斷模塊303：用于獲取實(shí)時SCADA數(shù)據(jù)，輸入實(shí)時SCADA數(shù)據(jù)至已訓(xùn)練的整體模型，從已訓(xùn)練的整體模型獲得風(fēng)力發(fā)電機(jī)的健康狀況，以及如果已訓(xùn)練的整體模型判定風(fēng)力發(fā)電機(jī)為有缺陷狀態(tài)則執(zhí)行個體診斷模塊；

個體診斷模塊304：用于輸入實(shí)時SCADA數(shù)據(jù)至對應(yīng)于有缺陷部件的已訓(xùn)練的個體模型，以及從對應(yīng)于有缺陷部件的已訓(xùn)練的個體模型獲得有缺陷部件的故障詳細(xì)信息。

以上所述實(shí)施例僅用于表現(xiàn)進(jìn)行詳細(xì)說明的本發(fā)明的多個示例，但不應(yīng)理解為用于限制本發(fā)明的保護(hù)范圍。應(yīng)當(dāng)指出的是，對于本領(lǐng)域技術(shù)人員而言，在不脫離本發(fā)明技術(shù)構(gòu)思的前提下，還可以做出若干修改和/或改進(jìn)，這些修改和/或改進(jìn)均落入本發(fā)明的保護(hù)范圍。因此，本發(fā)明的保護(hù)范圍取決于所附權(quán)利要求。