(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210944440.7 (22)申请日 2022.08.06 (71)申请人 福建华电福瑞能源发展 有限公司福 建分公司 地址 350013 福建省福州市 鼓楼区湖东路 231号前田大厦 申请人 福州大学 (72)发明人 林文彪　黄彪斌　曹春兰　黄文超　 卢相国　林圣辉　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 蔡学俊　薛金才 (51)Int.Cl. G06F 30/20(2020.01) G06Q 10/00(2012.01)G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 16/215(2019.01) G06K 9/62(2022.01) G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多元信息融合的海上风电运维平台设 计方法 (57)摘要 本发明提供了基于多元信息融合的海上风 电运维平台设计方法， 包括以下步骤： 步骤S1： 获 取风电机组的特征参量历史数据， 并通过专业气 象设备获取相应风机组的历史气候参数与环境 参数； 步骤S2： 分析待测风机样本的SPE、 T2统计 量的变化趋势， 评估风电机组的健康状态； 步骤 S3： 预测目标地区风电场的短期预测功率； 步骤 S4： 利用分布式光纤传感器实时监测海底电缆的 应变、 扰动及温度参数， 进一步实现海缆状态异 常报警； 步骤S5： 结合运维成本、 气象条件及设备 故障损害程度信息， 形成运维计划。 应用本技术 方案可实现缩短风机组与海底电缆故障响应时 间， 减少维修成本， 提高运营效率。 权利要求书2页 说明书5页 附图4页 CN 115270491 A 2022.11.01 CN 115270491 A 1.基于多元信息融合的海上风电运维平台设计方法， 其特 征在于， 包括以下步骤： 步骤S1： 从SCADA系统中获取风电机组的特征参量历史数据， 并通过专业气象设备获取 相应风机组的历史气候 参数与环境 参数； 步骤S2： 结合信息融合技术建立风机异常辨识模型， 进一步分析待测风机样本的SPE、 T′2统计量的变化趋势， 评估风电机组的健康状态； 步骤S3： 结合数字孪生、 深度 学习技术建立风电功率预测模型， 进一步预测目标地区风 电场的短期预测功率； 步骤S4： 利用分布式光纤传感器实时监测海底电缆的应变、 扰动及温度参数， 进一步实 现海缆状态 异常报警； 步骤S5： 结合 运维成本、 气象条件及设备故障损害程度信息， 形成运维计划。 2.根据权利要求1所述的基于多元信息融合的海上风电运维平台设计方法， 其特征在 于， 所述步骤S2具体包括以下操作步骤： 步骤S21： 特征参数选取： 通过步骤S1得到的多元数据， 由Copula函数计算参数与风电 机组健康状态的相关度并建立参数建议选择表， 选择出表征风电机组健康状态的参数， 选 定为健康样本集＝{转速， 风速， 轴承温度， 输出功率}和待评估样本集＝{转速， 风速， 轴承 温度， 输出功率}， 并对其进行异常点清除； 步骤S22： 工况区间划分： 通过环境和气候参数将数据划分为数个工况进行评估， 将健 康样本集＝{转速， 风速， 轴承温度， 输出功率}中符合某个子区间的时刻值归为一类， 形成 工况子区间； 步骤S23： 异常辨识模型建立： 通过步骤S2 1得到的健康样本集， 针对经基于环境和 气候 区间的工况划分后待测样本的维数不同且所具有的工况不一致的问题， 建立基于自适应 KPCA算法的风电机组异常辨识模型； 步骤S24： 风机组健康度计算： 将步骤S1得到的待评估样本集＝{ 转速， 风速， 轴承温度， 输出功率}输入步骤S23自适应KPCA算法的风电机组异常辨识模型中， 分析待测样本的SPE 统计量和T ′2统计量的变化趋势， 评估风电机组健康状态； T′2统计量反映输入向量x偏离正常状态的程度， 定义 为： T′2＝(t1,t2,…,tp)Λ‑1(t1,t2,…,tp)T； 式中， ti,i＝1,2,...,p,为输入向量x在特征空间中第i个核主元； Λ为前p个核主元对 应的特征组成的对角阵， T为 转置符号； SPE统计量反映的是某一时刻模型和 测试值之间的偏离程度， 定义 为： 式中， PR为KPCA提取的特 征向量； Ei为特征向量矩阵； I 为单位矩阵。 3.根据权利要求1所述的基于多元信息融合的海上风电运维平台设计方法， 其特征在 于， 所述步骤S3具体包括如下步骤： 步骤S31： 历史数据清洗； 从SCADA系统中获取风电机组的特征参量历史数据， 包括： 检 修停运计划、 气象数据和实际功率序列， 采用基于统计特性的清洗方法剔除异常数据； 步骤S32： 特征参数选择； 基于互信息理论， 采用最大相 关‑最小冗余特征筛选算法， 对 步骤S31得到的数据进行特征排序， 筛选出与风电功率相关性最大而彼此冗余性最小的特权　利　要　求　书 1/2 页 2 CN 115270491 A 2征参数； 步骤S33： 风电功率预测模型建立； 基于深度学习算法， 以径向基神经网络为基础的广 义回归神经网络， 输入步骤S2参数， 建立短期风电功率预测模型； 步骤S34： 实时功率预测； 将所述实时数据输入上述功率预测模型， 获得目标地区风电 场站的短期预测功率； 步骤S35： 预测精度评估； 根据所述短期预测功率， 获得风电场站短期功率的预测准确 率， 具体采用平均绝对误差 MAE与均方根误差RMSE， 即： 式中： ft为测试样本中第t个样本的实际值； yt为测试样本中第t个样本的模型预测值；M 为对应的样本数。 4.根据权利要求1所述的基于多元信息融合的海上风电运维平台设计方法， 其特征在 于， 所述步骤S5具体包括如下步骤： 步骤S51： 根据步骤S2所辨识的故障结合历史故障信息估算其可能造成的经济损失与 维修成本； 步骤S52： 比较维护费用与预计造成的损失， 在保证设备安全的前提下， 确定是否值得 出海维修； 步骤S53： 若不值得出海维修则生成维修任务事件， 叠加到下次维护； 若值得出海维修， 进一步查询海上气象情况， 判断是否具 备出海条件； 步骤S54： 若不具 备出海条件则等待条件适宜， 若具 备出海条件， 生成维修方案； 步骤S55： 维修结束后记录维护方案， 计算实际维护费用， 生成故障维护成本数据库。权　利　要　求　书 2/2 页 3 CN 115270491 A 3