本发明涉及风电机组，具体涉及一种新型的组合模型的风电机组健康评估方法。
背景技术：
1、随着风电技术的发展，在风场进行经济效益评估、发电量评估、机群布置、运行控制时，需要获取准确的风电机组健康评估指标。由于风电机组运行状态容易受到各种因素的干扰，对风电机组的发电性能评估及其重要，计算时通常将scada记录的功率作为分析的重要参数，功率与scada中的很多变量都存在高的相关性，必须选择合适的变量作为预测功率的输入。目前，对风电机组健康评估方法主要是计算健康状态与实时状态功率输出之间的偏差，且分为理论计算法和智能算法。理论计算法主要基于数理统计和欧氏距离理论，利用风电机组的风速和功率数据通过理论计算法来实现偏差计算。中国专利“一种风力发电机整机服役功率特性在线评估方法”(授权公告号cn 111125895 b)计算风速功率散点与标准的风速功率散点的偏差，根据面积法，利用整个评估数据的累积分布之间的面积来衡量两组数据的模型之间的误差，没有将其转换为功率曲线与标准功率曲线进行比较，减少了功率曲线建模的误差。但是由于其参数数量较多且内部机理较为复杂，发电性能评估时需要考虑高维的变量。
2、因此寻找并开发合适的算法，结合与功率高相关性的变量，完成高维变量下对功率实现更精确的预测，计算实时数据在健康模型下的预测值与其真实值之间残差，实现风电机组的健康评估具有重要的意义。
技术实现思路
1、本发明要解决的技术问题是寻找并开发合适的算法，结合与功率高相关性的变量，完成高维变量下对功率实现更精确的预测，为解决上述问题，提供一种新型的组合模型的风电机组健康评估方法。
2、本发明的目的是以下述方式实现的：
3、一种新型的组合模型的风电机组健康评估方法，所述方法包括：基准模型的构建方法和实时监测方法；
4、其中所述基准模型的构建方法包括：
5、s1:建立原始健康风电机组的数据集，选取scada系统中的与功率具有相关性高的数据；
6、s2：对s1中选取的数据进行预处理，获得预处理后的风速-功率数据；
7、s3：将功率作为输出，其余变量作为输入，训练4个单一的基础神经网络模型与多目标优化算法组成的组合模型，得到基准模型；
8、s4：在训练整个组合模型时，首先需要确定4个基础模型与多目标优化算法的超参数，其次预处理后的数据训练4个基础神经网络模型，以功率作为训练目标，再次将训练好的基础模型所输出的4组功率作为多目标优化算法的输入，寻找最适合4个基础神经网络模型的权重，最后得利用最优解计算组合模型最终输出，即功率预测值，计算预测值与真实值之间的残差，组成残差集，并选定残差阈值作为健康评估的标准；
9、所述实时监测方法包括：
10、使用实时数据，用滑动窗口的原理划分数据集，提取与功率相关性高的参数，对数据预处理，输入训练好的基准模型中得到预测值，计算与真实值之间的残差，并与残差阈值对比，当残差低于残差阈值时，说明风电机组出现不健康现象。
11、所述与功率具有相关性高的数据是与功率相关性大于0.5的变量，包括切入风速、额定风速和切除风速。
12、所述s2中，利用dbscan对风速-功率数据进行预处理，删除被定义为噪声点的时间行。
13、所述s3中包括：获取4个单一的基础神经网络模型，将处理后的健康scada数据输入分别输入4个单一的基础神经网络模型中进行模型训练，得到4个基础神经网络模型的预测值；
14、获取多目标优化算法，将4个基础神经网络模型的预测值作为多目标优化算法的输入，得到一组最优的合成权重；根据所述合成权重与4个基础神经网络模型的预测值相乘，得到最终组合模型的功率预测值。
15、所述用用滑动窗口的原理划分数据集，包括获取需要监测风电机组的scada数据；设置滑动窗口大小，与滑动步长的大小；对实时数据进行窗口划分；得到多个窗口大小的数据集。
16、用基准模型对实时数据进行监测，判断风电机组是否出现不健康现象，包括获取每个窗口大小的数据集；
17、数据预处理；选取训练时相同的变量；将功率作为输出，其余变量作为基准模型的输入；
18、得到预测值，计算预测值与真实值之间的平均残差；得到平均残差后，将平均残差和标准残差比较包括：判断所述平均残差是否低于阈值；若是，则判定所述风电机组出现不健康现象；若否，则判定所述风电机组出现运行正常。
19、所述scada系统中的数据分辨率为10min级；模型训练数据量为1年的数据量。
20、一种计算机可读存储介质，所述计算机可读存储介质中包括一种新型的组合模型的风电机组健康评估方法程序，所述一种新型的组合模型的风电机组健康评估方法程序被处理器执行时，实现上述的一种新型的组合模型的风电机组健康评估方法的风电机组健康评估方法的步骤。
21、本发明的有益效果：本发明基于神经网络与多目标优化思想建立风电机组健康评估模型，实现实时监测风电机组的运行状态。通过一台健康风电机组的scada数据，选取与功率具有高相关性的变量，训练出精度高的特点且泛化性好的组合模型，可用于风场不同风电机组的健康评估修正。
1.一种新型的组合模型的风电机组健康评估方法，其特征在于：所述方法包括：基准模型的构建方法和实时监测方法；
2.根据权利要求1所述的新型的组合模型的风电机组健康评估方法，其特征在于：所述与功率具有相关性高的数据是与功率相关性大于0.5的变量，包括切入风速、额定风速和切除风速。
3.根据权利要求1所述的新型的组合模型的风电机组健康评估方法，其特征在于：所述s2中，利用dbscan对风速-功率数据进行预处理，删除被定义为噪声点的时间行。
4.根据权利要求1所述的新型的组合模型的风电机组健康评估方法，其特征在于：所述s3中包括：获取4个单一的基础神经网络模型，将处理后的健康scada数据输入分别输入4个单一的基础神经网络模型中进行模型训练，得到4个基础神经网络模型的预测值；
5.根据权利要求1所述的新型的组合模型的风电机组健康评估方法，其特征在于：所述用用滑动窗口的原理划分数据集，包括获取需要监测风电机组的scada数据；设置滑动窗口大小，与滑动步长的大小；对实时数据进行窗口划分；得到多个窗口大小的数据集。
6.根据权利要求1所述的新型的组合模型的风电机组健康评估方法，其特征在于：用基准模型对实时数据进行监测，判断风电机组是否出现不健康现象，包括获取每个窗口大小的数据集；
7.根据权利要求1所述的新型的组合模型的风电机组健康评估方法，其特征在于：所述scada系统中的数据分辨率为10min级；模型训练数据量为1年的数据量。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种新型的组合模型的风电机组健康评估方法程序，所述一种新型的组合模型的风电机组健康评估方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种新型的组合模型的风电机组健康评估方法的风电机组健康评估方法的步骤。
