风电机组健康状态评估模型的设计与应用

　　最后，健康状态的生成。以收集好的稳定期健康时间段为例，同样将环境条件按照风速、温度、大气压力、空气密度等多个维度，并对各个维度进行步长的划分，此处忽略理论模型中的生命时间。按照步长所切割好的维度组合在一起，就是一个空间，而所有的空间就组成了平行空间。在收集好的时间段中，会有很多数据属于同一个空间，因此我们对属于同一个空间的数据进行计算分析得出不同空间中的数据范围及特征叫做该条件环境下的状态。
　　（2）风电机组健康状态转换
　　在风电机组运行时，随着时间的推移，周围环境的变化，风电机组会在健康模型上找到属于当前环境下的空间即健康运行的状态。由于收集的数据有限，也会出现没有对应的空间，因此需要对此风电机组当前状态进行判断，如果满足上述的健康时间段的运行状态，平行空间可以扩展，即可以通过自学习的方式弥补之前由于数据收集不足造成的缺少部分对应空间的现象。
　　综上所述，ECMM应用模型在创建时并不是按照风电机组全生命周期的时间轴顺序发生的过程创建的，而是依赖于环境因素的变化创建的。在风电机组实时运行时，会自动检索此时对应的空间，并通过计算能够知道此时的健康状态的值与空间里计算好的健康状态的值的差异性。而ECMM理论模型的建立是需要大量相同机型风电机组全生命周期的数据作为支撑的，在数据量达不到的情况下，ECMM应用模型具有明显的优势和实用性。
　　基于ECMM模型的风电机组健康状况评估方法
　　前文描述了如何构建ECMM模型，本节将主要描述基于ECMM应用模型对风电机组的健康状况进行评估的方法，如图3所示。 　　基于ECMM模型的风电机组健康状况评估方法主要分四个阶段：风电机组自身健康状态评分、同机型健康状态评分、风电机组综合评分、健康状态预测。其中风电机组实时数据作为模型的输入数据，利用模型对比算法得到同机型健康状态评分、自身健康状态评分，最后需要综合评分算法计算出风电机组综合评分。利用环境预测的算法来预测风电机组的状态。
　　（1）风电机组自身健康状态评分
　　通过对风电机组实时数据进行监测、采集，利用ECMM模型的对比算法，求出同机型健康状态评分。下面将给出模型对比算法的流程进行描述，如图4所示。 　　利用风电机组的实时监控系统对风电机组全参数进行监测。并根据此时环境各维度的值以及风电机组在当前环境中运行时长来检索相应的ECMM模型中的平行空间。并根据平行空间中风电机组参数计算特征值的方式，求出此时风电机组相应的各个参数的特征值。每当有一个参数的特征值不满足平行空间中所给出该参数特征值的健康范围，则健康值需要减去该参数的权重值以及相应每个参数所需要减掉的参数值，剩余的健康值即为该时刻风电机组运行的健康值。