在传统能源不断减少的今天，世界各国已经将目光转到可再生能源的开发上来。风能作为一种绿色清洁的可再生能源，已经引起了我国的广泛研究和使用。其中，风电机组的健康正常运行一直都是保证风电场盈利水平的主要手段和影响因素。
每年因风电机组故障损失的发电量和维护费用都给风电场带来巨大的经济损失。从减少故障维护时间和维护成本上来说，一个能够对风电机组的健康状态进行评估并且能够对风电机组故障进行预测的模型是必要的。
本文提出的健康模型是以平行空间理论作为本模型理论支撑点，以大数据技术作为建模的技术手段，来创建基于平行空间理论的设备状态监测模型来提高风电机组运行效率，减少风电机组维护带来的损失。
基于平行空间理论的设备状态监测模型ECMM
由上节可知，本节需要提供一个健康模型来实时检测风电机组的健康状况。平行空间又称平行宇宙，而平行宇宙的概念并不是因为时间旅行悖论提出来的，它是来自量子力学，因为量子力学有一个不确定性，就是量子的不确定性。平行宇宙概念的提出，得益于现代量子力学的科学发现。在20世纪50年代，有的物理学家在观察量子的时候，发现每次观察的量子状态都不相同。而由于宇宙空间的所有物质都是由量子组成，所以这些科学家推测既然每个量子都有不同的状态，那么宇宙也有可能并不只是一个，而是由多个类似的宇宙组成，因此平行宇宙的数量并不是确定的。风电机组在运行的时候，由于环境因素的变化、自身硬件设备使用寿命的差别，发生故障等因素的不同，导致风电机组运行状态发生变化，且变化的状态数量也是不确定的。由于平行空间具有多个空间共存且每个空间相同事物存在不同状态的特性与数个风电机组整个生命周期的某一时刻中具有多个状态且每个状态不同具有相似的特点。因此，本文结合了平行空间的理论，给出基于平行空间理论的设备状态监测模型ECMM。
综上，本节将分别介绍基于平行时空理论的设备状态监测模型ECMM，并给出基于ECMM模型的风电机组健康状况评估的方法。
一、基于平行空间理论的设备状态监测模型ECMM的理论模型
图1基于平行空间理论的设备状态监测模型ECMM的理论模型
构建基于平行空间理论的设备状态监测模型ECMM的理论模型过程如图1所示，主要分为三个阶段，平行空间划分、平行空间衍生、健康值计算。
(1)平行空间划分
首先，数据预处理。利用集控中心大数据平台收集各风电场所有风电机组全参数的历史数据，根据风电机组各参数自身数据意义和取值范围结合大数据技术对收集的数据进行清洗、去脏、修复等数据预处理工作。
其次，健康时间段的提取。风电机组在无故障、误报警且稳定运行的状态为风电机组健康的运行状态。在风电机组全生命周期的时间轴上，扣除风电机组运行不健康的时间段包括：报警的时间段、故障及故障的征兆时间段、停机的时间段、无通讯时间段。所剩的时间段即为健康的时间段。
最后，平行空间的形成。风电机组在不同的环境因素下，能够健康运行时的各个参数所处的健康值也不相同。因此，将环境条件按风速、温度、大气压力、空气密度、生命时间等多个维度，并对各个维度进行步长的划分。按照步长所切割好的维度组合在一起，就是一个空间，而所有的相同生命时间的空间就组成了平行空间。
(2)平行空间的衍生
在风电机组的全生命周期里，随着生命时间的推移，风电机组所处的环境的不断变化，风电机组会沿着时间轴由一个空间的健康状态演变成另一个空间的健康状态，而此过程是按照时间轴单向的。而最开始的一个多个空间状态根据环境变化的不同不断衍生出数个平行空间状态。
(3)健康值计算
提取风电机组属于各个空间的健康数据，利用各个参数的业务意义与数据挖掘算法等进行各个参数在该多维环境分组下的特征值的计算，包括值域范围、平均值、聚类后的范围、权值等，代表该多维环境的各个参数的特征值。而将各个参数有属于自己的权重，利用各个参数的权重以及自身的特征值，计算出该空间风电机组健康状态的健康值。
二、基于平行空间理论的设备状态监测模型ECMM的应用模型
图2基于平行空间理论的设备状态监测模型ECMM的应用模型
上一小节给出了ECMM模型的理论模型的构建方法。但是，由于理论模型需要大量同型号风电机组全生命周期的数据作为理论支撑，且最终的平行空间数量不可评估，以目前集控中心所收集的数据是达不到的。因此，本小节将给出基于平行空间理论的设备状态监测模型ECMM的应用模型，如图2所示，主要分为两个阶段，风电机组健康状态生成和风电机组健康状态间的转换。
(1)风电机组健康状态
首先，数据预处理。此过程与ECMM理论模型相同。
其次，健康时间段的提取与划分。健康时间段的提取过程与理论模型健康时间段的提取过程相同，扣除风电机组运行不健康的时间段，所剩的时间段即为健康的时间段。由于风电机组在进入某环境空间的初始N分钟内处于过渡期和N分钟后参数运行状态差异变化较大，因此在风电机组全生命周期上将分为稳定期状态与过渡期状态，并根据实际统计将不同的稳定状态间切换时所需的不稳定时间长度值作为分割点。将相同机型全部风电机组在全生命周期健康时间段上，所有被分隔好的不同状态切换的过渡期时间段和稳定期时间段的数据分别收集。
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。
图3基于ECMM模型的风电机组健康状况评估方法图
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。
图4健康状态评分流程图
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。
例如，风电机组完全健康时的健康值为100，除了环境各个维度的参数以外，还有A、B、C、D、E五个参数。假设其中A、B、C三个参数的特征值不符合所对应的平行空间A、B、C三个参数特征值的健康范围，因此，该风电机组当前时刻的健康值为100-a×x1-b×x2-c×x3，其中a、b、c分别为A、B、C三个参数的权重值，x1、x2、x3分别为A、B、C三个参数不满足健康范围时需要扣除的健康值。
(2)同机型健康状态评分
同机型风电机组的健康状态能够反映出该机型风电机组优势以及普遍存在的问题，反馈给风电机组制造厂家，有助于厂家对该机型的优势进行升级而对问题进行修复，提升企业产品质量、服务，同时也为企业拓展新产品提供新思路。
统计性健康状态评分是由三部分组成：同风电场该机型风电机组的不合格率、优秀率、平均成绩组成。自定义风电机组合格限值，不满足限值的台数与总台数相比的百分数即为不合格率。同理，自定义优秀限值，超过限值的台数与总台数相比的百分数即为优秀率。而平均值，即为将优秀与不合格的风电机组去掉后，所剩的风电机组的平均值，这样避免了部分优秀风电机组或不合格风电机组来影响风电场整体风电机组的健康值。同时，如果该平均值持续一段时间很低的话，说明该型号风电机组存在普遍的问题，需要及时与该型号风电机组的厂家联系。
(3)风电机组综合评分
风电机组综合评分反馈的是该风电机组在整个风电场相同机型中的健康状况。综合评分的算法是通过持续一段时间的自身的健康状况与同机型其他风电机组的横向比较，来观察该风电机组的健康状态稳定程度和变化率。
(4)预测风电机组状态
利用引入的环境预测数据，并根据ECMM模型检索出相对应的空间，从而预测出风电机组未来的状态。
综上，基于ECMM模型的风电机组健康状况评估的方法主要是根据实时检测风电机组的各个参数值，利用环境参数找出ECMM模型中相应的平行空间，并利用空间中各个参数特征值的算法求出此时该风电机组各个参数的数值，并判断是否在平行空间所给出的健康范围内，不满足进行健康值的减分计算。同时，对全风电场同机型所有风电机组健康值进行汇总计算，得出整个风电场该机型的健康状况，并利用风功率预测中的环境预测值进行风电机组运行状况的预测。对风电机组的健康情况进行了全面的检测和评估。
结语
本文针对目前风电场不能够有效地对风电机组的健康状况进行评估，最终由于故障而导致风电机组停机带来的经济效益的损失提出了解决方案。首先提出的基于平行空间理论的设备状态监测模型ECMM的理论模型和应用模型是以平行空间理论作为本模型理论支撑点，以大数据技术作为建模的技术手段进行创建的。并给出了基于ECMM模型的风电机组健康状况评估的方法。由于本文仅从风电机组运行的健康角度考虑，忽略掉了风电机组发生故障时的状态。结合平行空间思想笔者针对不同风电机组的不同故障分别建立了故障模型用以风电机组故障的预测和诊断，故障模型数量较多，范围较广。整体上健康模型与故障模型互相验证，全方位地保证了风电机组的运行状态。
