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。
手机浏览网
