一种风电机组变流器性能退化状态对应的检修决策制定方法、系统、设备及介质与流程

本发明属于风力发电，具体地说，特别涉及一种风电机组变流器性能退化状态对应的检修决策制定方法、系统、设备及介质。

背景技术：

1、风力发电是清洁可再生能源利用的重要方式之一。风电机组是风力发电的核心设备，由风轮、发电机、齿轮箱、风电机组变流器等部件组成。其中，风电机组变流器是将风电机组的交流电转换为与电网同步的交流电的关键部件，它起到稳定风电机组输出电压和频率的重要作用。

2、风电机组变流器的工作原理是，通过整流电路将风电机发出的交流电转换为直流电，再通过逆变电路转换为规定频率和电压的交流电输出；常用的风电机组变流器拓扑结构包括两级全桥式结构和三级中性点钳位式结构，风电机组变流器的控制策略有电压型pwm控制、电流内环电压外环串级控制等，随着电力电子技术的发展，风电机组变流器正在向功率密度更高、效率更好、控制更精确的方向发展。

3、在长期的运行过程中，风电机组变流器会出现不同程度的性能退化，主要表现为开关器件的失效、电容的老化、控制电路的故障等，这直接影响着风电机组的发电效率和可靠性，因此，对风电机组变流器的状态进行实时监测和状态预估，实现基于风电机组变流器的状况基础维护，是保证风电机组安全经济运行的关键。

4、目前，现有的风电机组变流器状态监测和状态预估技术存在以下问题:

5、1.无法准确反映风电机组变流器的实际退化过程。现有方法主要依赖离线测试中的特征数据来判断风电机组变流器的健康状态，但这些数据往往无法真实反映风电机组变流器在实际运行环境下的退化情况，导致维修策略制定不够合理，无法实现长期收益的最大化。

6、2.对不同类型风电机组变流器的适应性差。由于风电机组变流器的容量规模、拓扑结构、运行条件存在很大差异，现有的监测技术无法很好适应这些差异，无法实现个性化的状态评估和维修决策。

7、3.准确性和可重复性较差。现有技术主要依赖专家经验来判断风电机组变流器的健康状态，这种方法的准确性和可重复性较差。同时也缺乏对监测结果的验证手段。

8、4.难以平衡多目标维护需求。现有技术难以在风电机组变流器的性能、使用寿命、故障率等方面进行综合考虑，无法实现多目标维护需求的最佳平衡。

9、5.维修方案效果评估不全面。现有方法缺乏对不同维修方案效果的全面系统分析，无法确定出最优的维修策略。

10、6.缺乏故障识别到维修决策的整体优化方案。现有技术对风电机组变流器从故障识别到维修决策这一完整过程还缺乏系统的方法和手段。

技术实现思路

1、本发明的目的在于提供了一种风电机组变流器性能退化状态对应的检修决策制定方法、系统、设备及介质，解决了现有的风电机组变流器状态监测和状态预估存在上述不足；本发明能够对风电机组变流器的退化过程进行精确的建模和模拟，并通过求解对应的马尔可夫决策过程，获得风电机组变流器的最优维护策略，从而实现对风电机组变流器故障的准确预测和个性化的维修决策优化。

2、为了达到上述目的，本发明采用的技术方案是：

3、本发明提供的一种风电机组变流器性能退化状态对应的检修决策制定方法，包括以下步骤：

4、步骤1，将风电机组变流器的性能退化过程建模为一个马尔可夫决策过程初始模型；

5、步骤2，利用获取的风电机组变流器的历史运行数据，估计马尔可夫决策过程初始模型的参数；

6、步骤3，求解马尔可夫决策过程初始模型，得到最终具有风电机组变流器每个性能退化状态下采取的最优维修策略的马尔可夫决策过程模型；

7、步骤4，利用得到的马尔可夫决策过程模型获取风电机组变流器当前性能状态下对应的最优维修策略。

8、优选地，步骤1中，将风电机组变流器的性能退化过程建模得到的马尔可夫决策过程模型具体如下：

9、

10、其中，s0是初始状态，vπ(s0)为最大化长期收益目标函数，e为期望收益计算符，st是有限的状态集合s中第t个状态，π(st)是有限的动作集合a中经过最优策略的动作，p(s’t|st，π(st))为采用最优策略动作后状态转移概率，γ是折扣因子。

11、优选地，步骤2中，利用获取得到的风电机组变流器的历史运行数据，结合统计分析法和专家知识，估计得到马尔可夫决策过程模型的参数，该参数包括状态集合、动作集合状态、转移概率矩阵和奖励函数。

12、优选地，预估得到的所述状态集合s，s＝[s1，...，st，...]，其中，每个状态st代表风电机组变流器的一个退化水平，退化水平为正常、轻微退化、中度退化和严重退化；

13、预估得到所述的动作集合状态a，a＝[a1，...，ai，...]，其中，每个动作ai代表风电机组变流器的一个维修策略，所述维修策略为不维修、预防性维修、矫正性维修和更换。

14、优选地，预估状态转移概率矩阵p的方法是：

15、基于风电机组变流器的历史运行数据中的故障数据，利用统计分析法和专家知识得到各故障的概率分布；

16、根据得到的各故障的概率分布计算得到每个状态下采取每个动作后，风电机组变流器转移到其他状态的概率。

17、优选地，预估所述奖励函数的方法是：

18、采用多目标优化pareto算法计算得到每个状态下采取每个动作后，风电机组变流器获得的发电量、维修成本和故障率多目标对应的最优收益。

19、优选地，步骤3中，利用动态规划算法求解马尔可夫决策过程模型。

20、一种风电机组变流器性能退化状态对应的检修决策制定系统，包括：

21、mdp模型构建模块，用于将风电机组变流器的性能退化过程建模为一个马尔可夫决策过程初始模型；

22、mdp模型参数估计模块，用于利用获取的风电机组变流器的历史运行数据，估计马尔可夫决策过程初始模型的参数；

23、mdp求解模块，用于求解马尔可夫决策过程初始模型，得到最终具有风电机组变流器每个性能退化状态下采取的最优维修策略的马尔可夫决策过程模型；

24、mdp应用，用于利用得到的马尔可夫决策过程模型获取风电机组变流器当前性能状态下对应的最优维修策略。

25、一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述方法的步骤。

26、一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述方法的步骤。

27、与现有技术相比，本发明的有益效果是：

28、本发明提供的一种风电机组变流器性能退化状态对应的检修决策制定方法，利用马尔可夫决策过程，将变流器性能退化状态和动作关联，同时，利用历史运行数据估计mdp模型的参数，使得mdp模型能够反映变流器的实际退化特征和维修效果，进而该方法能够实时监测和预测风电机组变流器的性能退化过程，从而提高风电机组的运行效率和可靠性，降低维护成本和风险。

29、进一步的，将风电机组变流器的历史运行数据和统计分析以及专家知识相结合，用以估计mdp模型的参数，使得mdp模型能够反映变流器的实际退化特征和维修效果。

30、进一步的，使用动态规划算法求解mdp模型，得到最优策略，使得变流器的长期收益最大化，同时考虑了变流器的性能、寿命、故障率等因素。

31、综上所述，本发明具有通用性和灵活性，可以适用于不同类型、不同容量、不同运行条件的风电机组变流器，也可以根据不同的目标和约束，调整mdp模型的参数和奖励函数，实现个性化的维修决策。