本發(fā)明涉及發(fā)電系統(tǒng)安全防御技術(shù)領(lǐng)域，特別是涉及一種基于動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的風(fēng)電機(jī)組早期缺陷預(yù)警方法。

背景技術(shù)：

通過(guò)近年來(lái)全球新能源的發(fā)展動(dòng)向，可以看出風(fēng)能已成為能源開發(fā)的重要角色，風(fēng)電也隨之得到了極大的發(fā)展。然而，在我國(guó)風(fēng)電行業(yè)的建設(shè)過(guò)程中還存在著很多技術(shù)問(wèn)題尚未解決，其中最為突出的就是風(fēng)電機(jī)組故障率高、故障停機(jī)時(shí)間長(zhǎng)、故障影響大、維護(hù)成本昂貴。據(jù)統(tǒng)計(jì)，風(fēng)電產(chǎn)業(yè)的運(yùn)行和維護(hù)成本高達(dá)10％-15％，是其發(fā)展的最大瓶頸，這使得風(fēng)電產(chǎn)業(yè)在安全性能與經(jīng)濟(jì)效益方面與傳統(tǒng)能源相比都缺乏競(jìng)爭(zhēng)性。因此為了提高風(fēng)力發(fā)電機(jī)組狀態(tài)評(píng)估預(yù)測(cè)的準(zhǔn)確性，提前發(fā)現(xiàn)機(jī)組的潛伏性故障，研究并尋求合適的風(fēng)電機(jī)組故障預(yù)警方法對(duì)風(fēng)電機(jī)組狀態(tài)檢修的合理安排具有重要意義。

風(fēng)電機(jī)組故障預(yù)警研究的理論基礎(chǔ)是故障診斷學(xué)。故障診斷法一般分為基于數(shù)學(xué)模型的方法和基于人工智能的方法?，F(xiàn)有研究大多數(shù)是針對(duì)風(fēng)電機(jī)組不同子系統(tǒng)的不同特性以及監(jiān)測(cè)項(xiàng)目的不同特征，如機(jī)組的溫度量、速度、振動(dòng)量、頻譜、扭矩等多方面，分別應(yīng)用上述故障診斷方法對(duì)機(jī)組特定元件進(jìn)行故障預(yù)警，從而對(duì)機(jī)組早期的異常運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)。這種僅針對(duì)系統(tǒng)中的某個(gè)特定元件或部件的風(fēng)電機(jī)組故障預(yù)警方法雖然概念清晰、實(shí)現(xiàn)過(guò)程簡(jiǎn)單，但是忽略了機(jī)組各子系統(tǒng)與部件間的強(qiáng)交互耦合性，不能從整體層面全面把握機(jī)組的發(fā)展變化趨勢(shì)并從宏觀系統(tǒng)角度對(duì)機(jī)組的潛在故障做出預(yù)判。

隨著風(fēng)電機(jī)組故障預(yù)警研究的深入，近年相關(guān)研究的角度開始從風(fēng)電機(jī)組內(nèi)某特定元件上升到風(fēng)電機(jī)組整體，進(jìn)一步將機(jī)組各子系統(tǒng)與部件間的強(qiáng)交互耦合性考慮進(jìn)故障預(yù)警方法中。然而，現(xiàn)有的少部分研究雖然能夠針對(duì)風(fēng)電機(jī)組故障的整體行為出發(fā)，但是缺少考慮機(jī)組發(fā)生狀態(tài)轉(zhuǎn)變前的臨界特性，還是無(wú)法全面把握機(jī)組故障的演變過(guò)程和特點(diǎn)，只能對(duì)機(jī)組的潛在故障做出大概的時(shí)間預(yù)警，而不能做到定時(shí)定點(diǎn)的預(yù)警；另外，在研究過(guò)程中對(duì)機(jī)組的大噪聲干擾缺少有效處理，這將影響風(fēng)電機(jī)組故障預(yù)警的精度。因此，如何降低大噪聲對(duì)機(jī)組故障預(yù)警精度的影響，并將機(jī)組各子系統(tǒng)與元部件間的強(qiáng)交互耦合性以及狀態(tài)轉(zhuǎn)變前的臨界特性同時(shí)考慮進(jìn)風(fēng)電機(jī)組故障預(yù)警方法中是需進(jìn)一步解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種基于動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的風(fēng)電機(jī)組早期缺陷預(yù)警方法方法，其克服了現(xiàn)有技術(shù)的基于動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的風(fēng)電機(jī)組早期缺陷預(yù)警方法所存在的不足之處。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：一種基于動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的風(fēng)電機(jī)組早期缺陷預(yù)警方法，包括以下步驟：

s1：根據(jù)風(fēng)電機(jī)組的拓?fù)鋱D對(duì)影響風(fēng)電機(jī)組狀態(tài)變化的具有強(qiáng)交互耦合性的多變量進(jìn)行確定，然后結(jié)合支持向量回歸對(duì)各個(gè)變量的參照數(shù)據(jù)組和觀測(cè)數(shù)據(jù)組進(jìn)行選取，并使用概率分布嵌入方案對(duì)參照數(shù)據(jù)組和觀測(cè)數(shù)據(jù)組的數(shù)據(jù)進(jìn)行降噪處理，處理后得到新的參照數(shù)據(jù)序列和觀測(cè)數(shù)據(jù)序列；

s2：將步驟s1中降噪處理后的參照數(shù)據(jù)序列和觀測(cè)數(shù)據(jù)序列分別分成n段，并將各個(gè)時(shí)間段內(nèi)的參照數(shù)據(jù)序列和觀測(cè)數(shù)據(jù)序列數(shù)據(jù)進(jìn)行偏差對(duì)比后，分別選出各個(gè)時(shí)段內(nèi)變化顯著的變量進(jìn)行相關(guān)性聚類，得出各時(shí)段內(nèi)顯著影響風(fēng)電機(jī)組狀態(tài)變化的若干個(gè)候選dnm群；

s3：分別計(jì)算步驟s2中得到的各時(shí)段每個(gè)候選dnm群內(nèi)變量的平均標(biāo)準(zhǔn)偏差sd'、平均皮爾遜相關(guān)系數(shù)pccin'及每個(gè)候選dnm群與其他候選dnm群內(nèi)變量的平均皮爾遜系數(shù)pccout'，判斷各個(gè)候選dnm群的平均標(biāo)準(zhǔn)偏差sd'、平均皮爾遜相關(guān)系數(shù)pccin'及平均皮爾遜系數(shù)pccout'是否同時(shí)滿足風(fēng)電機(jī)組狀態(tài)轉(zhuǎn)變前的三個(gè)臨界特性，若符合則將該候選dnm群作為顯著影響風(fēng)電機(jī)組狀態(tài)變化的主導(dǎo)dnm群；

s4：分別計(jì)算步驟s3中主導(dǎo)dnm群在各時(shí)間段內(nèi)的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的量化值i，通過(guò)檢測(cè)不同時(shí)段的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的量化值在機(jī)組狀態(tài)轉(zhuǎn)變前的動(dòng)態(tài)變化，對(duì)機(jī)組可能發(fā)生故障的時(shí)間點(diǎn)以及部位進(jìn)行預(yù)警。

其中，所述步驟s1中風(fēng)電機(jī)組的拓?fù)浣Y(jié)構(gòu)圖由風(fēng)電機(jī)組裝設(shè)的scada系統(tǒng)提供的多個(gè)監(jiān)測(cè)項(xiàng)目進(jìn)行表示；

所述步驟s1具體包括以下步驟：

s101：選取scada系統(tǒng)提供的多個(gè)監(jiān)測(cè)項(xiàng)目中的多項(xiàng)主要的scada連續(xù)量監(jiān)測(cè)項(xiàng)目作為研究的多變量；

s102：基于步驟s101中選取的多項(xiàng)scada監(jiān)測(cè)項(xiàng)目的歷史無(wú)故障數(shù)據(jù)，應(yīng)用具有回歸預(yù)測(cè)能力的支持向量機(jī)，以單變量為支持向量回歸模型輸出量，而其他變量為支持向量回歸模型輸入量的模式，建立各個(gè)監(jiān)測(cè)項(xiàng)目的支持向量回歸模型；

s103：基于風(fēng)電機(jī)組安全運(yùn)行的情況下采集的監(jiān)測(cè)運(yùn)行數(shù)據(jù)，分別使用步驟s102建立的模型對(duì)各個(gè)監(jiān)測(cè)項(xiàng)目進(jìn)行狀態(tài)變化趨勢(shì)預(yù)測(cè)，得到的預(yù)測(cè)數(shù)據(jù)為所述參照數(shù)據(jù)組；而將與風(fēng)電機(jī)組運(yùn)行狀態(tài)相關(guān)的監(jiān)測(cè)項(xiàng)目的實(shí)測(cè)運(yùn)行數(shù)據(jù)作為所述觀測(cè)數(shù)據(jù)組；

s104：基于概率分布嵌入方案，選取合適的窗口間隔k，通過(guò)多時(shí)刻展開的方式對(duì)步驟s103中得到的帶有大噪聲的參照數(shù)據(jù)組和觀測(cè)數(shù)據(jù)組進(jìn)行轉(zhuǎn)變，得到在高維空間中帶有更小噪聲的相應(yīng)概率分布的新的參照數(shù)據(jù)序列和觀測(cè)數(shù)據(jù)序列。

其中，所述步驟s104中多時(shí)刻展開方式轉(zhuǎn)變帶有大噪聲的參照數(shù)據(jù)組和觀測(cè)數(shù)據(jù)組時(shí)，將原有參照數(shù)據(jù)組和觀測(cè)數(shù)據(jù)組數(shù)據(jù)維度擴(kuò)展到二階，即一階m1(t))、二階m2(t)，其中，m1(t)＝[x(t-k)+x(t-k+1)+x(t-k+2)+...+x(t)]/k,t,k∈n^*,t＜k，式中，x(t)為某時(shí)刻的參照數(shù)據(jù)或觀測(cè)數(shù)據(jù)，k為窗口間隔。

其中，所述步驟s2具體包括以下步驟：

s201：采用t檢驗(yàn)法對(duì)已分好的n個(gè)時(shí)間段內(nèi)的數(shù)據(jù)進(jìn)行偏差對(duì)比分析，具體過(guò)程為，設(shè)置顯著性水平p＝0.05，分別計(jì)算各時(shí)段內(nèi)各監(jiān)測(cè)項(xiàng)目的檢驗(yàn)值，記為pi(vi)，其中i＝1，2，...n，n表示某個(gè)時(shí)段的編號(hào)，vi＝1,2,...,33表示某個(gè)監(jiān)測(cè)項(xiàng)目的編號(hào)；

s202：結(jié)合錯(cuò)誤發(fā)現(xiàn)率，判斷各時(shí)段內(nèi)各監(jiān)測(cè)項(xiàng)目的pi(vi)值是否滿足pi(vi)＜(vi/controlsize(i))×0.05，其中，controlsize(i)是第i個(gè)時(shí)段的數(shù)據(jù)截取長(zhǎng)度，若滿足則將其初步歸類為該時(shí)段顯著影響風(fēng)電機(jī)組狀態(tài)變化的監(jiān)測(cè)項(xiàng)目之一；

s203：結(jié)合兩倍數(shù)變化分析對(duì)各時(shí)段初步得出的變化顯著的監(jiān)測(cè)項(xiàng)目進(jìn)行結(jié)果修正后，得到最終各時(shí)段內(nèi)變化顯著的監(jiān)測(cè)項(xiàng)目，并進(jìn)行相關(guān)性聚類，得出若干個(gè)所述候選dnm群。

其中，所述步驟s3中候選dnm群的平均標(biāo)準(zhǔn)偏差sd'、平均皮爾遜相關(guān)系數(shù)pccin'及平均皮爾遜系數(shù)pccout'的計(jì)算公式分別為：式中，xi(i＝1,2,…,n)為標(biāo)志群內(nèi)變量；表示群內(nèi)各變量xi的平均值；式中ri表示候選dnm群內(nèi)第i個(gè)變量與參照數(shù)據(jù)序列內(nèi)參考變量之間的相關(guān)系數(shù)；式中ri表示指定候選dnm群內(nèi)第i個(gè)變量與其他候選dnm群內(nèi)參照數(shù)據(jù)序列的參考變量之間的相關(guān)系數(shù)。

其中，所述候選dnm群內(nèi)第i個(gè)變量與參照數(shù)據(jù)序列內(nèi)參考變量之間的相關(guān)系數(shù)ri的計(jì)算公式為：式中，xij表示第i個(gè)變量的第j個(gè)樣本值；yj表示參照數(shù)據(jù)序列的參考變量的第i個(gè)樣本值；表示第i個(gè)變量的樣本均值；表示參照數(shù)據(jù)序列的參考變量的樣本均值；

所述指定候選dnm群內(nèi)第i個(gè)變量與其他候選dnm群內(nèi)參照數(shù)據(jù)序列的參考變量之間的相關(guān)系數(shù)ri的計(jì)算公式為：式中，xij表示第i個(gè)變量的第j個(gè)樣本值；yj表示其他候選dnm群內(nèi)參照數(shù)據(jù)序列的參考變量的第j個(gè)樣本值；表示第i個(gè)變量的樣本均值；表示參照數(shù)據(jù)序列的參考變量的樣本均值。

其中，所述步驟s3中的三個(gè)臨界特性具體包括在風(fēng)電機(jī)組狀態(tài)轉(zhuǎn)變前，主導(dǎo)dnm群內(nèi)變量的平均標(biāo)準(zhǔn)偏差sd'會(huì)顯著增加、主導(dǎo)dnm群內(nèi)各對(duì)變量的平均皮爾遜相關(guān)系數(shù)pccin'會(huì)增加及主導(dǎo)dnm群內(nèi)變量與非主導(dǎo)dnm群內(nèi)變量的平均皮爾遜系數(shù)pccout'會(huì)降低。

其中，所述步驟s4中動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的量化值i的計(jì)算公式為：ε∈(0,1)是一個(gè)用來(lái)避免分母為零的小的正常數(shù)。

相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：本發(fā)明從風(fēng)電機(jī)組的整體性出發(fā)，首先結(jié)合支持向量回歸模型和概率分布嵌入方案，對(duì)機(jī)組運(yùn)行數(shù)據(jù)的環(huán)境噪聲進(jìn)行適當(dāng)處理后，然后采用動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志將機(jī)組各子系統(tǒng)與元件間復(fù)雜的交互耦合關(guān)聯(lián)以及機(jī)組的臨界狀態(tài)特性綜合考慮進(jìn)機(jī)組狀態(tài)評(píng)估過(guò)程中，減少了大噪聲對(duì)機(jī)組故障預(yù)測(cè)精度的影響，能夠較準(zhǔn)確地提前發(fā)現(xiàn)機(jī)組潛在故障的臨界轉(zhuǎn)折時(shí)間點(diǎn)以及定位跟蹤故障可能發(fā)生的位置，全面把握機(jī)組發(fā)展變化的趨勢(shì)，對(duì)機(jī)組發(fā)生事故前的故障進(jìn)行預(yù)警。

以下結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明；但本發(fā)明的一種基于動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的風(fēng)電機(jī)組早期缺陷預(yù)警方法不局限于實(shí)施例。

附圖說(shuō)明

圖1是本發(fā)明的流程框圖；

圖2是本發(fā)明的風(fēng)電機(jī)組類型為ge1.5sle的拓?fù)鋱D；

圖3是本發(fā)明的支持向量回歸模型建立過(guò)程框圖；

圖4為本發(fā)明的各時(shí)段的每個(gè)候選dnm群的平均標(biāo)準(zhǔn)偏差sd'值；

圖5為本發(fā)明的各時(shí)段的每個(gè)候選dnm群的平均皮爾遜相關(guān)系數(shù)pccin'值；

圖6為本發(fā)明的各時(shí)段的候選dnm群的平均皮爾遜系數(shù)pccout'值；

圖7為本發(fā)明的各時(shí)段的主導(dǎo)候選dnm群的量化值i；

圖8為本發(fā)明的各時(shí)間段選出的主導(dǎo)dnm群及群內(nèi)變量編號(hào)圖；

圖9為本發(fā)明圖8中在時(shí)間段1時(shí)各監(jiān)測(cè)項(xiàng)目的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化圖；

圖10為本發(fā)明圖8中在時(shí)間段2時(shí)各監(jiān)測(cè)項(xiàng)目的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化圖；

圖11為本發(fā)明圖8中在時(shí)間段3時(shí)各監(jiān)測(cè)項(xiàng)目的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化圖；

圖12為本發(fā)明圖8中在時(shí)間段4時(shí)各監(jiān)測(cè)項(xiàng)目的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化圖；

圖13為本發(fā)明圖8中在時(shí)間段5時(shí)各監(jiān)測(cè)項(xiàng)目的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化圖；

圖14為本發(fā)明圖8中在時(shí)間段6時(shí)各監(jiān)測(cè)項(xiàng)目的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化圖；

圖15為本發(fā)明圖8中在時(shí)間段7時(shí)各監(jiān)測(cè)項(xiàng)目的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化圖；

圖16為本發(fā)明圖8中在時(shí)間段8時(shí)各監(jiān)測(cè)項(xiàng)目的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化圖。

具體實(shí)施方式

實(shí)施例，請(qǐng)參見圖1，本實(shí)施例以風(fēng)電機(jī)組類型為ge1.5sle，單機(jī)額定容量為1.5mw的風(fēng)電機(jī)組為例，該機(jī)組的拓?fù)鋱D如圖2所示，以matlab為工作平臺(tái)對(duì)本發(fā)明進(jìn)行仿真說(shuō)明，選取的該臺(tái)機(jī)組于2012年1月22日2時(shí)41分時(shí)因故障引起的一次非計(jì)劃停機(jī)前40分鐘內(nèi)的33項(xiàng)相關(guān)監(jiān)測(cè)項(xiàng)目(見表1)數(shù)據(jù)作為模型的觀察數(shù)據(jù)組，選取停機(jī)前40分鐘內(nèi)的33項(xiàng)相關(guān)監(jiān)測(cè)項(xiàng)目的支持向量回歸模型預(yù)測(cè)值作為參考數(shù)據(jù)組，這里使用的svr模型由圖3所示流程建立而成，具體過(guò)程為，首先選取核函數(shù)，對(duì)所選核函數(shù)進(jìn)行初始化參數(shù)處理，并同步將選取的33項(xiàng)相關(guān)檢測(cè)項(xiàng)目的觀察數(shù)據(jù)組作為樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，有時(shí)，為避免模型建立過(guò)程中諸多的步驟，也可對(duì)樣本數(shù)據(jù)直接進(jìn)行預(yù)測(cè)對(duì)比，不需要對(duì)數(shù)據(jù)組進(jìn)行學(xué)習(xí)，對(duì)樣本數(shù)據(jù)的學(xué)習(xí)過(guò)程為對(duì)數(shù)據(jù)進(jìn)行篩選及歸一化處理，判斷所選樣本是否具有代表性，若有，則將樣本結(jié)合核函數(shù)進(jìn)行算法訓(xùn)練，建立初始模型，并對(duì)建立的初始模型采用網(wǎng)絡(luò)搜索法優(yōu)化參數(shù)，接著將預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比分析，誤差如果在允許的范圍內(nèi)，則確定最終的支持向量回歸預(yù)測(cè)模型，如果不在誤差范圍內(nèi)，則回到對(duì)核函數(shù)重新進(jìn)行算法訓(xùn)練；若所選樣本不具有代表性，則回到數(shù)據(jù)篩選和歸一化處理步驟；將上述所建立的svr模型預(yù)測(cè)得到的數(shù)據(jù)組做為參考數(shù)據(jù)組。根據(jù)scada系統(tǒng)的記錄，該故障發(fā)生前，機(jī)組所有的監(jiān)測(cè)數(shù)據(jù)均顯示正常，未顯示出任何存在潛伏故障的征兆。

表1選取的33項(xiàng)scada連續(xù)量監(jiān)測(cè)項(xiàng)目

續(xù)表1選取的33項(xiàng)scada連續(xù)量監(jiān)測(cè)項(xiàng)目

對(duì)上述選取的參考數(shù)據(jù)組和觀察數(shù)據(jù)組基于概率分布嵌入方案，選取合適的窗口間隔k，通過(guò)多時(shí)刻展開的方式進(jìn)行轉(zhuǎn)變，得到在高維空間中帶有更小噪聲的相應(yīng)概率分布的新的參照數(shù)據(jù)序列和觀測(cè)數(shù)據(jù)序列；具體為將原有參照數(shù)據(jù)組和觀測(cè)數(shù)據(jù)組數(shù)據(jù)維度擴(kuò)展到二階，具體計(jì)算公式為：

m1(t)＝[x(t-k)+x(t-k+1)+x(t-k+2)+...+x(t)]/k,t,k∈n^*,t＜k

式中，x(t)為某時(shí)刻的參照數(shù)據(jù)或觀測(cè)數(shù)據(jù)，k為窗口間隔。

對(duì)選取的參考數(shù)據(jù)組和觀察數(shù)據(jù)組進(jìn)行上述的降噪處理后，將其分別分成8個(gè)時(shí)間段，其中每個(gè)時(shí)間段包含5個(gè)采樣點(diǎn)。然后，采用t檢驗(yàn)法對(duì)已分好的8個(gè)時(shí)間段內(nèi)的參考數(shù)據(jù)組和觀察數(shù)據(jù)組數(shù)據(jù)進(jìn)行偏差對(duì)比分析，具體過(guò)程為，設(shè)置顯著性水平p＝0.05，分別計(jì)算各時(shí)段內(nèi)各監(jiān)測(cè)項(xiàng)目的檢驗(yàn)值，記為pi(vi)，其中i＝1，2，...n，n表示時(shí)段的編號(hào)，vi＝1,2,...,33表示監(jiān)測(cè)項(xiàng)目的編號(hào)；接著，結(jié)合錯(cuò)誤發(fā)現(xiàn)率，判斷各時(shí)段內(nèi)各監(jiān)測(cè)項(xiàng)目的pi(vi)值是否滿足，pi(vi)＜(vi/controlsize(i))×0.05，其中，controlsize(i)是第i個(gè)時(shí)段的數(shù)據(jù)截取長(zhǎng)度，若滿足則將其初步歸類為該時(shí)段顯著影響風(fēng)電機(jī)組狀態(tài)變化的監(jiān)測(cè)項(xiàng)目之一；最后結(jié)合兩倍數(shù)變化分析對(duì)各時(shí)段初步得出的變化顯著的監(jiān)測(cè)項(xiàng)目進(jìn)行結(jié)果修正后，得到最終各時(shí)段內(nèi)變化顯著的監(jiān)測(cè)項(xiàng)目，并進(jìn)行相關(guān)性聚類，得出若干個(gè)所述候選dnm群。

將各時(shí)段處理后的數(shù)據(jù)輸入到圖1流程中進(jìn)行動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志計(jì)算，各個(gè)時(shí)間段內(nèi)動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的平均標(biāo)準(zhǔn)偏差sd'、平均皮爾遜相關(guān)系數(shù)pccin'及平均皮爾遜系數(shù)pccout'，分別采用計(jì)算公式：式中，xi(i＝1,2,…,n)為標(biāo)志群內(nèi)變量；表示群內(nèi)各變量xi的平均值；式中ri表示候選dnm群內(nèi)第i個(gè)變量與參照數(shù)據(jù)序列的參考變量之間的相關(guān)系數(shù)，計(jì)算公式為式中，xij表示第i個(gè)變量的第j個(gè)樣本值；yj表示參照數(shù)據(jù)序列的參考變量的第i個(gè)樣本值；表示第i個(gè)變量的樣本均值；表示參照數(shù)據(jù)序列的參考變量的樣本均值；式中ri表示指定候選dnm群內(nèi)第i個(gè)變量與其他候選dnm群內(nèi)參照數(shù)據(jù)序列的參考變量之間的相關(guān)系數(shù)，計(jì)算公式為式中，xij表示第i個(gè)變量的第j個(gè)樣本值；yj表示其他候選dnm群內(nèi)參照數(shù)據(jù)序列的參考變量的第j個(gè)樣本值；表示第i個(gè)變量的樣本均值；表示參照數(shù)據(jù)序列的參考變量的樣本均值；計(jì)算結(jié)果如圖4-6所示，從而得到各時(shí)段內(nèi)選出的主導(dǎo)dnm群及群內(nèi)變量編號(hào)如圖8所示，接著計(jì)算主導(dǎo)動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的量化值i，ε是一個(gè)用來(lái)避免分母為零的小的正常數(shù)，這里具體取ε＝0.001計(jì)算結(jié)果如圖7所示，各時(shí)段對(duì)應(yīng)的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志變化如圖9-16所示。

具體來(lái)說(shuō)，該臺(tái)機(jī)組這次非計(jì)劃性停機(jī)是由于scada系統(tǒng)于2012年1月22日2:41:00因輸出功率為負(fù)值而給出“總故障”報(bào)警而導(dǎo)致的。經(jīng)維護(hù)人員確認(rèn)，故障點(diǎn)為傳動(dòng)控制系統(tǒng)控制器輸入模板功能失效，維修并更換元件導(dǎo)致停機(jī)約9小時(shí)。

由圖4-7可得，與各時(shí)段內(nèi)主導(dǎo)dnm群的參考數(shù)據(jù)組的各個(gè)指標(biāo)變化相對(duì)比，各時(shí)段內(nèi)主導(dǎo)dnm群的觀察數(shù)據(jù)組的各個(gè)指標(biāo)出現(xiàn)不同程度的明顯變化，說(shuō)明所選的各時(shí)段的主導(dǎo)dnm群能夠逐步體現(xiàn)機(jī)組臨界狀態(tài)的轉(zhuǎn)變。其中動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志計(jì)算的量化值在時(shí)段3過(guò)后開始急速上升，在時(shí)段4達(dá)到頂峰，該時(shí)段內(nèi)的主導(dǎo)dnm群出現(xiàn)了最為明顯的臨界轉(zhuǎn)變預(yù)警信號(hào)，表明通過(guò)動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志量化值的計(jì)算，風(fēng)電機(jī)組能夠在故障出現(xiàn)前20分鐘進(jìn)行預(yù)警，對(duì)預(yù)防風(fēng)電機(jī)組的故障和集群連鎖故障的傳播起到一定的作用。

圖9-16中黑實(shí)心圓為與研究無(wú)關(guān)的項(xiàng)目，圓內(nèi)圖案為小黑點(diǎn)或斜條紋的圓為動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志點(diǎn)，其中斜條紋圖案的圓的出現(xiàn)表示系統(tǒng)進(jìn)入臨界轉(zhuǎn)變態(tài)。結(jié)合圖8和圖9-16可得，在各個(gè)時(shí)段的動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志動(dòng)態(tài)標(biāo)志定位的過(guò)程中，動(dòng)態(tài)標(biāo)志物主要集中出現(xiàn)在傳動(dòng)控制系統(tǒng)，在時(shí)段4出現(xiàn)最為明顯的臨界轉(zhuǎn)變預(yù)警信號(hào)的時(shí)候，主導(dǎo)dnm群的動(dòng)態(tài)定位為機(jī)艙柜溫度和葉輪轉(zhuǎn)速。機(jī)艙柜作為控制系統(tǒng)的輸入樞紐，主要功能是采集機(jī)艙內(nèi)各傳感器測(cè)量的溫度、壓力、轉(zhuǎn)速以及環(huán)境參數(shù)等信號(hào)，通過(guò)現(xiàn)場(chǎng)總線將這些信息傳遞給塔底柜，以及執(zhí)行塔底柜輸出的信號(hào)，如變槳、偏航、解纜以及電機(jī)、油泵、風(fēng)扇等設(shè)備的控制，若機(jī)艙柜溫度出現(xiàn)異常，將影響到控制器的輸入功能。而由風(fēng)電機(jī)主拓?fù)鋱D(圖2)可知，機(jī)艙柜的變化直接影響著葉輪轉(zhuǎn)速，因此這里故障定位為傳動(dòng)控制系統(tǒng)的機(jī)艙柜溫度和葉輪轉(zhuǎn)速符合實(shí)際情況和實(shí)際檢修結(jié)果。

可見，本發(fā)明提出的基于動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的風(fēng)電機(jī)組故障預(yù)警方法能夠較全面地把握機(jī)組運(yùn)行狀態(tài)的演變過(guò)程，降低大噪聲對(duì)機(jī)組故障預(yù)警精度的影響，對(duì)機(jī)組運(yùn)行變化的臨界態(tài)進(jìn)行定時(shí)定點(diǎn)的檢測(cè)，最終起到在機(jī)組發(fā)生事故前發(fā)出預(yù)警信號(hào)的作用。

上述實(shí)施例僅用來(lái)進(jìn)一步說(shuō)明本發(fā)明的一種基于動(dòng)態(tài)網(wǎng)絡(luò)標(biāo)志的風(fēng)電機(jī)組早期缺陷預(yù)警方法方法，但本發(fā)明并不局限于實(shí)施例，凡是依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施例所作的任何簡(jiǎn)單修改、等同變化與修飾，均落入本發(fā)明技術(shù)方案的保護(hù)范圍內(nèi)。