CN104005917B - 基于贝叶斯推理方式对风机状态进行预测的方法和系统 - Google Patents
基于贝叶斯推理方式对风机状态进行预测的方法和系统 Download PDFInfo
- Publication number
- CN104005917B CN104005917B CN201410183613.3A CN201410183613A CN104005917B CN 104005917 B CN104005917 B CN 104005917B CN 201410183613 A CN201410183613 A CN 201410183613A CN 104005917 B CN104005917 B CN 104005917B
- Authority
- CN
- China
- Prior art keywords
- status type
- time period
- time
- energy conversion
- wind energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本申请公开基于贝叶斯推理方式对风机状态进行预测的方法和系统,该方法包括:获取风力机在一定时间内的运行数据进行归类;对各时间段内的风力机运行状态类型进行概率统计处理,生成概率值并确定出各时间段内的总体运行状态类型;对总体运行状态类型进行贝叶斯网络建模,生成总体运行状态类型发生的先验条件概率;对各时间段的先验条件概率以及总体运行状态类型的概率值利用贝叶斯推理方式进行概率处理,生成联合概率值并建立风机的状态分布曲线,根据状态分布曲线对风机进行故障状态的预测。本申请解决了难以对风力发电机故障运行状态的发生进行预测的问题。
Description
技术领域
本申请涉及风力机的状态监测领域,更具体地涉及一种基于贝叶斯推理方式对风机状态进行预测的方法和系统。
背景技术
风力发电机在自然风的带动下运行并产生电能,在风力发电机的运行过程中,将受到外界环境因素和自身工作状态的影响,如:由于自然风的实时变化,有时风速小于风力发电机的切入风速,使风力发电机难以启动;有时风速又大于风力发电机可承受的极限风速,对风力发电机造成破坏,使风力发电机出现故障甚至停机;又如:风力发电机长时间运行,使风力发电机出现运行故障。
对于风力发电机的运行故障而言,通常情况下,并不是突然停机,而是导致风力发电机的性能逐渐下降,在不进行检修维护的情况下,终将导致风力发电机停机,风力机一旦停机,再进行维修的成本是非常巨大的,并且风力机停机也会造成发电量的巨大损失。所以,需要对风场上的风力发电机进行预测式维护。
如果故障在发生的早期阶段被发现,则可以将由该故障带来的影响降低至最小,进一步缩短风力发电机的停机时间同时减小发电量的损失。并且,也可以只在需要时进行维护,从而降低成本。
但在现有技术中,风力发电机的运行状态类型众多,尤其是一些故障运行状态,如:齿轮箱轴承故障、叶轮故障、变桨角故障等的发生较为突然,难以预测,在故障发生后,只能根据风力发电机数据报警数据,对其进行相应的检修维护。从故障发生到检修维护的过程需要较长时间,风力机的故障已经对其运行造成一定影响,导致发电量的巨大损失。
综上所述,如何解决难以对风力发电机故障运行状态的发生进行预测,便成为亟待解决的技术问题。
发明内容
有鉴于此,本申请所要解决的技术问题是提供了一种基于贝叶斯推理(Bayesian Inference)方式对风机故障状态进行预测的方法和系统,以解决难以对风力发电机故障运行状态的发生进行预测的问题。
为了解决上述技术问题,本申请公开了一种基于贝叶斯推理方式对风机故障状态进行预测的方法,包括:
获取风场内所有风力机在指定的时间点之前一定时间内的运行数据,按照预置的所述风力机的运行状态类型对所述运行数据进行归类,并在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型;
对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理,生成各所述风力机运行状态类型的概率值,确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型;其中,所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值;
对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率;
对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值,利用贝叶斯推理方式进行概率处理,生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值,由所述联合概率值建立此类风机由于所述故障引起性能衰退直至停机的状态分布曲线,根据该状态分布曲线对所述风机进行故障状态的预测。
其中,优选地,对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率,进一步为:
以故障导致停机的时间点为时间起始点,依次对一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模处理,然后,使用任何风机发生所述故障的所有该类事件进行参数训练,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率。
其中,优选地,对所述一定时间内的每一时间段内各所述风力机所对应的所述运行状态类型进行概率统计处理,进一步为:
将所述一定时间内的每一时间段内,所述风力机所对应的同一所述运行状态类型与在该时间段内出现的所有所述运行状态类型的比例进行概率统计处理。
其中,优选地,获取风场内所有风力机在指定的时间点之前一定时间内的运行数据,进一步为:对风场内所有风力机在指定的时间点之前一定时间内的风速数据与该风力机的发电功率、叶片转速、变桨转角和/或该风力机的运行参数进行相关性测试,获取由该相关性测试所生成的运行数据。
其中,优选地,所述一定时间,进一步为:以25天为固定值的时间期限;
所述相同时长的时间段,进一步为:在所述25天内以1天作为固定值的时间段。
为了解决上述技术问题,本申请还公开了一种基于贝叶斯推理方式对风机状态进行预测的系统,包括:数据获取单元、统计处理单元、建模训练单元以及状态预测单元,其中,
所述数据获取单元,用于获取风场内所有风力机在指定的时间点之前一定时间内的运行数据,按照预置的所述风力机的运行状态类型对所述运行数据进行归类,并在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型;
所述统计处理单元,用于对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理,生成各所述风力机运行状态类型的概率值,确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型,其中,所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值;
所述建模训练单元,用于对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率;
所述状态预测单元,用于对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值,利用贝叶斯推理方式进行概率处理,生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值,由所述联合概率值建立此类风机由于所述故障引起性能衰退直至停机的状态分布曲线,根据该状态分布曲线对所述风机进行故障状态的预测。
其中,优选地,所述建模训练单元,进一步用于:
以故障导致停机的时间点为时间起始点,依次对一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模处理,然后,使用任何风机发生所述故障的所有该类事件进行参数训练,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率。
其中,优选地,所述统计处理单元,进一步用于:
将所述一定时间内的每一时间段内,所述风力机所对应的同一所述运行状态类型与在该时间段内出现的所有所述运行状态类型的比例进行概率统计处理。
其中,优选地,数据获取单元,进一步用于:
对风场内所有风力机在指定的时间点之前一定时间内的风速数据与该风力机的发电功率、叶片转速、变桨转角和/或该风力机的运行参数进行相关性测试,获取由该相关性测试所生成的运行数据。
其中,优选地,所述一定时间,进一步为:以25天为固定值的时间期限;
所述相同时长的时间段,进一步为:在所述25天内以1天作为固定值的时间段。
本申请所述的一种基于贝叶斯推理方式对风机故障状态进行预测的方法和系统,能够对风力机的不同运行数据精确划分为多个运行特征项,并建立运行特征项与风力机运行状态类型的对应关系,即实现了两次数据融合,采用贝叶斯推理方式建立模型,并以故障导致停机的时间点之前的一定时间内的数据对该模型进行训练,通过训练后的模型可以对风力机的故障运行状态进行发展趋势的预测,从而有效解决了难以对风力发电机故障运行状态的发生进行预测的问题。
当然,实施本申请的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例一所述的基于贝叶斯推理方式对风机故障状态进行预测的方法的流程框图。
图2是本申请实施例二所述的基于贝叶斯推理方式对风机故障状态进行预测的方法的流程框图。
图3是本申请实施例四所述的基于贝叶斯推理方式对风机故障状态进行预测的系统的结构示意图。
图4是本申请实施例三中故障前25天内的每一天的所述总体运行状态类型进行贝叶斯网络建模的示意图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
实施例一
如图1所示,为本申请实施例一所述的一种基于贝叶斯推理方式对风机故障状态进行预测的方法,该方法包括:
步骤101,获取风场内所有待测风力机在指定的时间点之前的一定时间内的运行数据,按照预置的所述风力机的运行状态类型对所述运行数据进行归类,并在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型。
在步骤101中,所述指定的时间点,具体可以是所述风力机实际发生某一种故障导致停机的时刻作为所述时间点,也可以是所述风力机在正常运行中的某一时刻作为所述时间点,在此不作出限定。所述运行数据,具体是所述风力机的运行参数与风力(或风速)之间的关联性数据,如:所述风力机的发电功率与风速的关联数据。
需要说明的是,由于在风场中,自然风(风速、风力等)实时都在变化,对所述风力机各类运行参数的影响也在不断变化,为了较准确地获取所述风力机的相关数据,就需要将所述风力机在一定时间内的运行数据以多个时间段的方式分别进行获取,所以,在步骤101中,在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型。另外,对于步骤101,所述风力机可以是风场中任一风力发电机,也可以是风场中所有风力发电机,并不构成对本申请的限定。
对于步骤101中,所述风力机的运行状态类型,具体可以为正常运行、正常加速或减速、故障损坏(未停机)、异常停机和正常停机等。将所述风力机在不同时间段内的所述特征项归类为不同的所述运行状态类型。
步骤102,对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理,生成各所述风力机运行状态类型的概率值,确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型,其中,所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值。
在步骤102中,在某一时间段内,所有进行数据获取的所述风力机将出现不同的所述运行状态类型,其中,出现最多的某一种所述运行状态类型可以代表该时间段内所有所述风力机的全局的运行状态,从而将该运行状态类型作为该时间段内的所述总体运行状态类型,该总体运行状态类型与在该时间段内出现的所有所述运行状态类型的比例就是概率值。
步骤103,对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率。
步骤104,对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值,利用贝叶斯推理方式进行概率处理,生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值,由所述联合概率值建立此类风机由于所述故障引起性能衰退直至停机的状态分布曲线,根据该状态分布曲线对所述风机进行故障状态的预测。
实施例二
结合图2所示,为本申请实施例二所述的一种基于贝叶斯推理方式对风机故障状态进行预测的方法,该方法包括:
步骤201,获取待测风力机在一定时间内的运行数据,根据预置的划分条件将所述运行数据划分为多种运行特征项,在所述一定时间内按相同时长的时间段获取该风力机在每一时间段对应的运行特征项。
对于步骤201,获取待测风力机在一定时间内的运行数据,具体为:对所述待测风力机在一定时间内的风速数据与该待测风力机的发电功率、叶片转速、变桨转角等运行参数进行相关性测试,获取由该相关性测试所生成的所述运行数据。也就是说,若进行3种相关性测试,那么,获取到的所述运行数据中就包含有三类分别对应于该3种相关性测试的数据。再根据预置的划分条件将3种相关性测试的数据划分为多种运行特征项。优选地,为了便于表示,可以采用数字或字母标号的方式对各所述特征项进行标示。
其中,所述一定时间,具体为以25天为固定值的时间期限,即在步骤201中,获取所述风力机在某一故障导致停机的时间点以前25天内的运行数据。
步骤202,按照预置的所述风力机的运行状态类型对每一时间段内的所述风力机对应的所述运行特征项进行归类,生成各所述风力机在每一时间段对应的运行状态类型。
在步骤202中,所述风力机的运行状态类型由预置的划分条件将所述风力机的所述运行数据划分为多种运行特征项,其中,所述预置的划分条件,具体是预先结合所述风力机的运行参数和风速,对该风力机的工作特征进行分类的条件。从而,可以根据该划分条件将所述运行数据划分为多种运行特征项,如将所述风力机的工作特征分类为:风速小于4m/s(米每秒)时,该风力机的产生的功率小于0,则运行异常。当然,在本实施例中,所述预置的划分条件可以根据实际应用的需要进行调整,所以,所述特征项的数量也将根据该划分条件的改变发生变化。为了便于表示不同的所述特征项,可以对不同所述特征项采用字母、数字(或二者结合)的方式进行标注,并不构成对本申请的限定。
在本实施例中,步骤202中的所述运动状态类型具体为:1:正常运行,2:正常加速或减速,3:故障损坏(未停机),4:安全停机,5:异常停机等5种类型。
步骤203,对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理,生成各所述风力机运行状态类型的概率值,确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型,其中,所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值。
在步骤203中,以一天时间内为例,所述风力机在一天内可能出现上述5种运行状态类型,将每一种所述运行状态类型发生的数量与一天内5种运行状态类型的总量的比例进行统计处理,便得到每一种所述运行状态类型在一天内的概率值,再将概率值最大的所述运行状态类型作为这一天内的总体运行状态类型。
步骤204,以故障导致停机的时间点为时间起始点,依次对一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模处理,然后,使用任何风机发生所述故障的所有该类事件进行参数训练,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率。
步骤205,对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值,利用贝叶斯推理方式进行概率处理,生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值,由所述联合概率值建立此类风机由于所述故障引起性能衰退直至停机的状态分布曲线,根据该状态分布曲线对所述风机进行故障状态的预测。
对于步骤205,以指定的时间点之前25天为例,利用贝叶斯方式进行概率处理,可以获得相邻两天的所述总体运行状态类型的联合概率值,即供获得24组所述联合概率值,将该24组所述联合概率值建立相应的分布曲线,并以所述分布曲线为基准,对未来的所述风力机的运行状态进行预测,其中,进行预测时,以25天的时间长度为单位,如:对1至25天的风力机数据进行预测,若要预测第26天,则对2至26天的风力机数据进行预测。
实施例三
下面结合图,对所述基于贝叶斯推理方式对风机故障状态进行预测的方法的具体应用进行详细说明:
需要说明的是,获取所述运行数据时,相关性测试的种类越多,其反应的所述风力机的运行状态就越准确,所以,在本实施例中,对所述待测风力机的3种相关性测试的数据作为运行数据进行获取:风速数据与该待测风力机的发电功率、叶片转速、变桨转角的相关性测试。
步骤一,以风力机出现某种故障导致停机的时刻作为指定的时间点,获取该指定的时间点之前25天的由该3种相关性测试所生成的所述3种运行数据,根据如下表所示的预置的划分条件将所述3种运行数据分别划分为多种运行特征项,在所述一天内按10分钟的时间段获取该风力机在每10分钟内对应的运行特征项。具体地,如表1至3所示:
表1风速数据与发电功率相关性特征项表
特征项 | 划分条件 | 运行特征 |
1 | 线性功率>1.5 | 故障引起性能下降 |
2 | 0.5<线性功率≦1.5 | 正常运行 |
3 | -0.5<线性功率≦0.5 | 正常运行 |
4 | -1.5<线性功率≦-0.5 | 正常运行 |
5 | 线性功率≦-1.5 | 故障引起性能下降 |
6 | 水平功率 | 故障导致停机 |
7 | 风速<4m/s,功率>0 | 风速仪故障 |
8 | 风速<4m/s,功率≦0 | 正常停机 |
表2风速数据与叶片转速相关性特征项表
表3风速数据与变桨转角相关性特征项表
其中,为了便于表示不同的所述特征项,在上述3个表中对不同所述特征项采用数字的方式进行标注。在步骤一中,对于上述3种运行数据中的任一一种,均在一天内获取144项所述运行特征项。
步骤二,将相同时间段内3种运行数据的所述运行特征项进行合并处理,获得144组运行特征合并项,如:将所述运行特征项合并为355,表示风速数据分别与该待测风力机的发电功率、叶片转速、变桨转角的相关性测试对应的运行特征项为:3、5、5。
再按照预置的所述风力机的运行状态类型对每一天内的所述风力机对应的所述运行特征合并项进行归类,生成各所述风力机在每一天内发生的144个运行状态类型。
其中,所述运动状态类型具体为:1:正常运行,2:正常加速或减速,3:故障损坏(未停机),4:安全停机,5:异常停机等5种类型。所述运行特征合并项与所述运行状态类型的对应关系具体如表4所示:
表4运行特征合并项与所述运行状态类型的对应关系表
运行状态类型 | 运行特征合并项 |
1:正常运行 | 254,255,256,354,355,356,444,455,456,556 |
2:正常加速或减速 | 813,833 |
3:故障损坏(未停机) | 378,558,578,754,755,834,837,854,855 |
4:安全停机 | 811,812,818,911 |
5:异常停机 | 611,633,644,618,671 |
步骤三,对每一天内的各所述风力机所对应的所述运行状态类型进行概率统计处理,生成各所述风力机运行状态类型的概率值,确定出每一天内的所述概率值最大的所述运行状态类型作为该天的总体运行状态类型,其中,所述总体运行状态类型的概率值为该天内所述风力机运行状态类型的最大概率值。
步骤四,将所述故障导致停机的时间点作为时间起始点,依次对之前25天内的每一天的所述总体运行状态类型进行贝叶斯网络建模:如图4所示,每一层的变量代表在该风机这一天所发生过的总体状态类型,每一个变量都是二元变量,其中1代表该总体状态类型在这一天出现过,反之为0。
然后,使用任何风机发生这种故障的所有该类事件进行参数训练,生成相邻两天的任意一对所述总体运行状态类型发生的先验条件概率。
具体地,以所述故障导致停机的时间点为时间起始点,将该天设为N,该天的所述总体运行状态类型为5:异常停机;该天的前一天为N-1天,第N-1天的所述总体运行状态类型为2:正常加速或减速。
则所述先验条件概率具体为:当第N天为(5:异常停机)时第N-1天为(2:正常加速或减速)的概率。并依此类推,直到遍历处理至第N-25天(前25天)。其中,为便于说明,假设第N-25天的所述总体运行状态类型为1:正常运行,第N-24天的所述总体运行状态类型为1:正常运行。
步骤五,对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值,利用贝叶斯推理方式进行概率处理,生成所述相邻两天的任意一对所述总体运行状态类型发生的联合概率值,由所述联合概率值建立此类风机由于所述故障引起性能衰退直至停机的状态分布曲线,根据该状态分布曲线对所述风机进行故障状态的预测。若要预测第N+1天,则将从第N-24天至第N+1天的风力机数据进行预测,即始终保持预测的天数间隔为25天。
实施例四
如图3所示,为本申请实施例四所述的一种基于贝叶斯推理方式对风机故障状态进行预测的系统,该系统包括:数据获取单元401、统计处理单元402、建模训练单元403以及状态预测单元404,其中,
所述数据获取单元401,与所述统计处理单元402相耦接,用于获取风场内所有风力机在某一故障导致停机的时间点之前的一定时间内的运行数据,按照预置的所述风力机的运行状态类型对所述运行数据进行归类,并在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型。
所述统计处理单元402,与所述数据获取单元401和建模训练单元403相耦接,用于对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理,生成各所述风力机运行状态类型的概率值,确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型,其中,所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值。
所述建模训练单元403,与所述统计处理单元402和状态预测单元404相耦接,用于对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率
所述状态预测单元404,与所述建模训练单元403相耦接,用于对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值,利用贝叶斯推理方式进行概率处理,生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值,由所述联合概率值建立此类风机由于所述故障引起性能衰退直至停机的状态分布曲线,根据该状态分布曲线对所述风机进行故障状态的预测。
所述建模训练单元403,具体用于以故障导致停机的时间点为时间起始点,依次对一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模处理,然后,使用任何风机发生所述故障的所有该类事件进行参数训练,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率。
所述统计处理单元402,具体用于:将所述一定时间内的每一时间段内,所述风力机所对应的同一所述运行状态类型与在该时间段内出现的所有所述运行状态类型的比例进行概率统计处理。
所述数据获取单元401,具体用于:对风场内所有风力机在某一故障导致停机的时间点之前一定时间内的风速数据与该风力机的发电功率、叶片转速、变桨转角等运行参数进行相关性测试,获取由该相关性测试所生成的运行数据。
在本实施例中,所述一定时间为:以25天为固定值的时间期限;所述相同时长的时间段为:在所述25天内以1天作为固定值的时间段。
由于方法部分已经对本申请实施例进行了详细描述,这里对实施例中涉及的系统与方法对应部分的展开描述省略,不再赘述。对于系统中具体内容的描述可参考方法实施例的内容,这里不再具体限定。
与现有技术相比,本申请所述的一种基于贝叶斯推理方式对风机故障状态进行预测的方法和系统,达到了如下效果:
本申请所述的一种基于贝叶斯推理方式对风机故障状态进行预测的方法和系统,能够对风力机的不同运行数据精确划分为多个运行特征项,并建立运行特征项与风力机运行状态类型的对应关系,即实现了两次数据融合,采用贝叶斯推理方式建立模型,并以故障导致停机的时间点之前的一定时间内的数据对该模型进行训练,通过训练后的模型可以对风力机的故障运行状态进行发展趋势的预测,从而有效解决了难以对风力发电机故障运行状态的发生进行预测的问题。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于贝叶斯推理方式对风机状态进行预测的方法,其特征在于,包括:
获取风场内所有风力机在指定的时间点之前一定时间内的运行数据,按照预置的所述风力机的运行状态类型对所述运行数据进行归类,并在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型;
对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理,生成各所述风力机运行状态类型的概率值,确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型;其中,所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值;
对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率;
对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值,利用贝叶斯推理方式进行概率处理,生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值,由所述联合概率值建立此类风机由于故障引起性能衰退直至停机的状态分布曲线,根据该状态分布曲线对所述风机进行故障状态的预测。
2.如权利要求1所述的基于贝叶斯推理方式对风机状态进行预测的方法,其特征在于,对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率,进一步为:
以故障导致停机的时间点为时间起始点,依次对一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模处理,然后,使用任何风机发生所述故障的所有事件进行参数训练,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率。
3.如权利要求1所述的基于贝叶斯推理方式对风机状态进行预测的方法,其特征在于,对所述一定时间内的每一时间段内各所述风力机所对应的所述运行状态类型进行概率统计处理,进一步为:
将所述一定时间内的每一时间段内,所述风力机所对应的同一所述运行状态类型与在该时间段内出现的所有所述运行状态类型的比例进行概率统计处理。
4.如权利要求1所述的基于贝叶斯推理方式对风机状态进行预测的方法,其特征在于,获取风场内所有风力机在指定的时间点之前一定时间内的运行数据,进一步为:
对风场内所有风力机在指定的时间点之前一定时间内的风速数据与该风力机的发电功率、叶片转速、变桨转角和/或该风力机的运行参数进行相关性测试,获取由该相关性测试所生成的运行数据。
5.如权利要求1所述的基于贝叶斯推理方式对风机状态进行预测的方法,其特征在于,
所述一定时间,进一步为:以25天为固定值的时间期限;
所述相同时长的时间段,进一步为:在所述25天内以1天作为固定值的时间段。
6.一种基于贝叶斯推理方式对风机状态进行预测的系统,其特征在于,包括:数据获取单元、统计处理单元、建模训练单元以及状态预测单元,其中,
所述数据获取单元,用于获取风场内所有风力机在指定的时间点之前一定时间内的运行数据,按照预置的所述风力机的运行状态类型对所述运行数据进行归类,并在所述一定时间内按相同时长的时间段获取各所述风力机在每一时间段对应的运行状态类型;
所述统计处理单元,用于对每一所述时间段内的各所述风力机所对应的所述运行状态类型进行概率统计处理,生成各所述风力机运行状态类型的概率值,确定出每一所述时间段内的所述概率值最大的所述运行状态类型作为该时间段的总体运行状态类型;其中,所述总体运行状态类型的概率值为该时间段内所述风力机运行状态类型的最大概率值;
所述建模训练单元,用于对所述一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率;
所述状态预测单元,用于对各所述时间段的所述先验条件概率以及总体运行状态类型的概率值,利用贝叶斯推理方式进行概率处理,生成所述相邻两个时间段的任意一对所述总体运行状态类型发生的联合概率值,由所述联合概率值建立此类风机由于故障引起性能衰退直至停机的状态分布曲线,根据该状态分布曲线对所述风机进行故障状态的预测。
7.如权利要求6所述的基于贝叶斯推理方式对风机状态进行预测的系统,其特征在于,所述建模训练单元,进一步用于:
以故障导致停机的时间点为时间起始点,依次对一定时间内的每一所述时间段的所述总体运行状态类型进行贝叶斯网络建模处理,然后,使用任何风机发生所述故障的所有事件进行参数训练,生成相邻两个时间段的任意一对所述总体运行状态类型发生的先验条件概率。
8.如权利要求6所述的基于贝叶斯推理方式对风机状态进行预测的系统,其特征在于,所述统计处理单元,进一步用于:
将所述一定时间内的每一时间段内,所述风力机所对应的同一所述运行状态类型与在该时间段内出现的所有所述运行状态类型的比例进行概率统计处理。
9.如权利要求6所述的基于贝叶斯推理方式对风机状态进行预测的系统,其特征在于,数据获取单元,进一步用于:
对风场内所有风力机在指定的时间点之前一定时间内的风速数据与该风力机的发电功率、叶片转速、变桨转角和/或该风力机的运行参数进行相关性测试,获取由该相关性测试所生成的运行数据。
10.如权利要求6所述的基于贝叶斯推理方式对风机状态进行预测的系统,其特征在于,
所述一定时间,进一步为:以25天为固定值的时间期限;
所述相同时长的时间段,进一步为:在所述25天内以1天作为固定值的时间段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410183613.3A CN104005917B (zh) | 2014-04-30 | 2014-04-30 | 基于贝叶斯推理方式对风机状态进行预测的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410183613.3A CN104005917B (zh) | 2014-04-30 | 2014-04-30 | 基于贝叶斯推理方式对风机状态进行预测的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104005917A CN104005917A (zh) | 2014-08-27 |
CN104005917B true CN104005917B (zh) | 2016-12-07 |
Family
ID=51366753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410183613.3A Active CN104005917B (zh) | 2014-04-30 | 2014-04-30 | 基于贝叶斯推理方式对风机状态进行预测的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104005917B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10895496B2 (en) * | 2016-04-26 | 2021-01-19 | University Of Pretoria | Method and system for monitoring rotor blades of a turbomachine using blade tip timing (BTT) |
CN106050580B (zh) * | 2016-08-17 | 2018-10-23 | 国电联合动力技术有限公司 | 一种风力发电机组传动链故障诊断方法及系统 |
CN106951997B (zh) * | 2017-03-24 | 2020-11-10 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
CN108932580A (zh) * | 2018-06-05 | 2018-12-04 | 浙江运达风电股份有限公司 | 基于数据建模的风电机组变桨轴承磨损监测和预警方法 |
CN108985329B (zh) * | 2018-06-11 | 2020-10-30 | 浙江上风高科专风实业有限公司 | 一种基于先验概率建模的风机故障贝叶斯概率分析方法 |
CN108869174B (zh) * | 2018-06-15 | 2020-06-19 | 西安交通大学 | 一种非线性建模的风力发电机叶片固有频率工况补偿方法 |
CN109186971B (zh) * | 2018-08-06 | 2020-05-05 | 江苏大学 | 基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法 |
CN113153657A (zh) * | 2021-05-28 | 2021-07-23 | 上海扩博智能技术有限公司 | 风机发电率损失预测方法、系统、设备及介质 |
CN114780732B (zh) * | 2022-06-22 | 2022-09-13 | 天津市天锻压力机有限公司 | 基于贝叶斯分类模型的锻造液压机预测性维护方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013238929A (ja) * | 2012-05-11 | 2013-11-28 | Imv Corp | 設備監視装置 |
DE102012011210A1 (de) * | 2012-06-06 | 2013-12-12 | Rwe Innogy Gmbh | Zielwertabhängige Steuerung eines Windparks |
CN203532160U (zh) * | 2013-09-29 | 2014-04-09 | 西安扩力机电科技有限公司 | 一种基于物联网的风力发电远程监控系统 |
CN103603776B (zh) * | 2013-11-23 | 2016-03-02 | 大连尚能科技发展有限公司 | 一种风力发电机组变桨安全性的预测算法 |
-
2014
- 2014-04-30 CN CN201410183613.3A patent/CN104005917B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104005917A (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104005917B (zh) | 基于贝叶斯推理方式对风机状态进行预测的方法和系统 | |
Malik et al. | Artificial neural network and empirical mode decomposition based imbalance fault diagnosis of wind turbine using TurbSim, FAST and Simulink | |
Arabian-Hoseynabadi et al. | Failure modes and effects analysis (FMEA) for wind turbines | |
Kusiak et al. | The prediction and diagnosis of wind turbine faults | |
Nguyen et al. | Impact of correlation between wind speed and turbine availability on wind farm reliability | |
Pourmohammad et al. | Fault-tolerant control of wind turbine systems-a review | |
CN104504607A (zh) | 一种基于模糊聚类算法的光伏电站故障诊断方法 | |
CN112115999A (zh) | 一种时空多尺度神经网络的风电机组故障诊断方法 | |
US20230216294A1 (en) | Hybridized transmission switching for contingency management in electric power systems | |
Purarjomandlangrudi et al. | Fault detection in wind turbine: a systematic literature review | |
Malik et al. | Application of GEP to investigate the imbalance faults in direct‐drive wind turbine using generator current signals<? show [AQ ID= Q1]?> | |
Tang et al. | Fault detection of wind turbine pitch system based on multiclass optimal margin distribution machine | |
Cevasco et al. | O&M cost-Based FMECA: Identification and ranking of the most critical components for 2-4 MW geared offshore wind turbines | |
CN106775884A (zh) | 风力发电机组的控制程序的升级方法和设备 | |
Wang et al. | Wind turbine fault detection and identification through self-attention-based mechanism embedded with a multivariable query pattern | |
Konstantinidis et al. | Design structure matrix (DSM) method application to issue of modeling and analyzing the fault tree of a wind energy asset | |
CN108616145B (zh) | 一种计及事故后电压影响效果的新能源切机优化方法 | |
CN113628043A (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN108536877A (zh) | 风力发电机组振动程度的评估方法与系统 | |
Wang et al. | A fast load-shedding algorithm for power system based on artificial neural network | |
Loganathan et al. | Criticality analysis of wind turbine energy system using fuzzy digraph models and matrix method | |
Sompura et al. | A practical approach to improve alarm system performance: Application to power plant | |
Soman et al. | Approach to develop ship design evaluation rule-base | |
CN103996048B (zh) | 基于粒子群优化对风机运行状态进行模式识别方法和系统 | |
CN113153657A (zh) | 风机发电率损失预测方法、系统、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220913 Address after: Room 801, No. 2, Lane 138, Baota Road, Jiading District, Shanghai, 201821 Patentee after: Yingneng Technology (Shanghai) Co.,Ltd. Patentee after: Ye Xiang Address before: 12th Floor, Block D, Main Building, North China Electric Power University, No. 2 Beinong Road, Changping District, Beijing 102206 Patentee before: Ye Xiang |
|
TR01 | Transfer of patent right |