CN106951997B - 预测风机的故障的方法和设备 - Google Patents

预测风机的故障的方法和设备 Download PDF

Info

Publication number
CN106951997B
CN106951997B CN201710180903.6A CN201710180903A CN106951997B CN 106951997 B CN106951997 B CN 106951997B CN 201710180903 A CN201710180903 A CN 201710180903A CN 106951997 B CN106951997 B CN 106951997B
Authority
CN
China
Prior art keywords
fan
model
parameters
initial
model parameters
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
Application number
CN201710180903.6A
Other languages
English (en)
Other versions
CN106951997A (zh
Inventor
张光磊
刘源
周杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinfeng Technology Co ltd
Original Assignee
Xinjiang Goldwind Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinjiang Goldwind Science and Technology Co Ltd filed Critical Xinjiang Goldwind Science and Technology Co Ltd
Priority to CN201710180903.6A priority Critical patent/CN106951997B/zh
Publication of CN106951997A publication Critical patent/CN106951997A/zh
Priority to US15/777,065 priority patent/US11035346B2/en
Priority to PCT/CN2017/105440 priority patent/WO2018171165A1/zh
Priority to EP17875063.4A priority patent/EP3407271A4/en
Priority to AU2017363221A priority patent/AU2017363221B2/en
Application granted granted Critical
Publication of CN106951997B publication Critical patent/CN106951997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F03D7/0292—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power to reduce fatigue
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Wind Motors (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

提供一种预测风机的故障的方法和设备。所述方法包括：初始化风机的风机模型；周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数；根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型；基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数；根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型；根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。根据本发明，能够准确地预测风机的故障。

Description

预测风机的故障的方法和设备
技术领域
本发明涉及风能领域。更具体地讲，涉及一种预测风机的故障的方法和设备。
背景技术
风能作为一种清洁的可再生能源，越来越受到重视，风能设备(即，风机)的装机量也不断增加。风机可以是利用风能进行驱动的各种设备，例如，风力发电设备、风车等各种通过风能驱动的设备。
风机通常运行在野外等自然条件下，进行维护的成本较高。因此，对风机的故障提前进行预测可以有效地提前获知风机可能发生的故障，从而可以提取采取措施来避免故障的发生。目前已经存在一些故障预警方法，但是这些预警方法通常是针对风机的某个单一状态参数设置阈值并进行实时检测来进行预警，然而风机运行在野外时，环境对风机运行状态影响较大，单一状态参数往往无法反映风机的真实状态，故现有的预警方法无法有效地并且准确地提前对故障进行预警。
因此，需要一种能够准确地对风机的故障进行预测的技术。
发明内容
本发明提供一种能够更准确地预测风机的故障的方法和设备。
根据本发明的一方面，提供一种预测风机的故障的方法，所述方法包括：初始化风机的风机模型；周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数；根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型；基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数；根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型；根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。
可选地，风机模型体现了环境条件与风机状态参数之间的关系，风机模型参数变化模型体现了环境条件与风机模型参数之间的关系，风机故障模型体现了风机模型参数与风机故障之间的关系。
可选地，初始化风机的风机模型的步骤包括：
根据初始的环境条件和初始的实际风机状态参数，来确定初始的风机模型参数。
可选地，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数。
可选地，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数，同时初始的风机模型参数的总大小的加权结果尽量小。
可选地，初始的风机模型参数的总大小为各个初始的风机模型参数的绝对值之和，或者各个初始的风机模型参数的偶数次幂之和。
可选地，通过下式来获得初始的实际风机状态参数：
Figure BDA0001253535260000021
其中，x0表示初始的环境条件，y0表示初始的实际风机状态参数，f0(x0)表示输入了初始的环境条件的风机模型所输出的风机状态参数，θ0表示初始的风机模型参数，α表示规范项权重系数，
Figure BDA0001253535260000022
表示获得使得括号内的算式最小化的θ0。
可选地，更新风机模型的风机模型参数的步骤包括：
周期性地根据当前环境条件和风机的当前实际风机状态参数获得更新后的风机模型参数，其中，更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数。
可选地，更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数，同时更新后的风机模型参数相对于上一次更新后的风机模型参数的变化尽量小。
可选地，通过计算各个更新后的风机模型参数与各个上一次更新后的风机模型参数之间的相同类型风机模型参数之差的绝对值之和或偶数次幂之和作为所述变化。
可选地，通过下式来获得更新后的风机模型参数：
Figure BDA0001253535260000023
其中，xt表示当前环境条件，yt表示当前实际风机状态参数，ft(xt)表示输入了当前环境条件的风机模型所输出的风机状态参数，θt表示所述更新后的风机模型参数，θt-1表示上一次更新后的风机模型参数，α表示规范项权重系数，
Figure BDA0001253535260000031
表示获得使得括号内的算式最小化的θt。
可选地，建立风机模型参数变化模型的步骤包括：
利用历史的风机模型参数和对应的历史的环境条件，通过拟合来建立风机模型参数变化模型。
可选地，风机模型参数变化模型被表示如下：
θT＝A·θT-1+B·xT
其中，θT表示在时刻T的风机模型参数，θT-1表示在时刻T-1的风机模型参数，A为风机模型参数的状态转移矩阵，B为环境条件对风机模型参数影响系数矩阵，xT为在时刻T的环境条件。
可选地，风机故障模型是以风机模型参数为特征并且以故障类别或是否发生故障为分类标签的分类器。
根据本发明的另一方面，提供一种预测风机的故障的设备，所述设备包括：初始化单元，初始化风机的风机模型；参数更新单元，周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数；参数模型建模单元，根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型；参数预测单元，基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数；故障模型建模单元，根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型；故障预测单元，根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。
可选地，风机模型体现了环境条件与风机状态参数之间的关系，风机模型参数变化模型体现了环境条件与风机模型参数之间的关系，风机故障模型体现了风机模型参数与风机故障之间的关系。
可选地，初始化单元根据初始的环境条件和初始的实际风机状态参数，来确定初始的风机模型参数。
可选地，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数。
可选地，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数，同时初始的风机模型参数的总大小的加权结果尽量小。
可选地，初始的风机模型参数的总大小为各个初始的风机模型参数的绝对值之和，或者各个初始的风机模型参数的偶数次幂之和。
可选地，初始化单元通过下式来获得初始的实际风机状态参数：
Figure BDA0001253535260000041
其中，x0表示初始的环境条件，y0表示初始的实际风机状态参数，f0(x0)表示输入了初始的环境条件的风机模型所输出的风机状态参数，θ0表示初始的风机模型参数，α表示规范项权重系数，
Figure BDA0001253535260000042
表示获得使得括号内的算式最小化的θ0。
可选地，参数更新单元周期性地根据当前环境条件和风机的当前实际风机状态参数获得更新后的风机模型参数，其中，更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数。
可选地，更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数，同时更新后的风机模型参数相对于上一次更新后的风机模型参数的变化尽量小。
可选地，通过计算各个更新后的风机模型参数与各个上一次更新后的风机模型参数之间的相同类型风机模型参数之差的绝对值之和或偶数次幂之和作为所述变化。
可选地，参数更新单元通过下式来获得更新后的风机模型参数：
Figure BDA0001253535260000043
其中，xt表示当前环境条件，yt表示当前实际风机状态参数，ft(xt)表示输入了当前环境条件的风机模型所输出的风机状态参数，θt表示所述更新后的风机模型参数，θt-1表示上一次更新后的风机模型参数，α表示规范项权重系数，
Figure BDA0001253535260000044
表示获得使得括号内的算式最小化的θt。
可选地，参数模型建模单元利用历史的风机模型参数和对应的历史的环境条件，通过拟合来建立风机模型参数变化模型。
可选地，风机模型参数变化模型被表示如下：
θT＝A·θT-1+B·xT
其中，θt表示在时刻T的风机模型参数，θT-1表示在时刻T-1的风机模型参数，A为风机模型参数的状态转移矩阵，B为环境条件对风机模型参数影响系数矩阵，xT为在时刻T的环境条件。
可选地，风机故障模型是以风机模型参数为特征并且以故障类别或是否发生故障为分类标签的分类器。
根据本发明的预测风机的故障的方法和设备，在对风机进行故障预测时充分考虑了环境因素对风机运行状态的影响，考虑到风机与环境因素的特定关系，基于环境因素的影响建立风机模型。同时，不断地更新风机模型的参数来获得历史的风机模型参数，并建立风机模型参数变化模型，通过该模型可以预测在任意环境条件下风机的状态变化。基于风机模型参数变化模型进一步建立与风机模型参数有关的风机故障模型用于故障预测，从而更精确地进行风机的故障预测。
附图说明
通过下面结合附图进行的详细描述，本发明的上述和其它目的、特点和优点将会变得更加清楚，其中：
图1示出根据本发明的实施例的预测风机的故障的方法的流程图；
图2示出根据本发明的实施例的预测风机的故障的设备的框图。
具体实施方式
现在，将参照附图更充分地描述不同的示例实施例。
图1示出根据本发明的实施例的预测风机的故障的方法的流程图。
如图1所示，在步骤S110，初始化风机的风机模型。
风机模型体现了风机所处的环境条件与风机的状态参数(以下称为，风机状态参数)之间的关系。换言之，在将环境条件输入到风机模型时，风机模型可估计并输出对应的风机状态参数。
可以通过获取实测的环境条件以及实测的风机状态参数来建立风机模型。此外，也可利用经验模型来作为风机模型。可利用各种建模技术来建立风机模型，本发明不做限制，只要建立的风机模型能够体现环境条件与风机状态参数之间的相互关系。
风机的环境条件是对风机的运行状态产生影响的环境因素。
环境条件可包括(但不限于)下面参数中的至少一个：风速、温度、湿度、空气密度等。可以利用各种用于检测环境状况的传感器来实测环境条件。
风机状态参数可包括(但不限于)下面参数中的至少一个：当前转速、偏航方向、变桨角度、输出功率等。例如，当风机为风力发电机时，风机状态参数还可包括发电功率等电气参数。
可根据初始的环境条件和初始的实际风机状态参数，来确定初始的风机模型参数。换言之，当进行风机模型的初始化时，获取当时的环境条件作为初始的环境条件，并检测实际的风机状态参数作为初始的实际风机状态参数。在此情况下，根据初始的环境条件和初始的实际风机状态参数来对风机模型参数进行初始化，从而确定初始的风机模型参数。换言之，在确定了风机模型的初始的输入和期望输出的情况下，确定风机模型的参数。
这时，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数。
在一个优选实施例中，在确定初始的风机模型参数时还进一步考虑初始的风机模型参数本身。此时，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数，同时初始的风机模型参数的总大小被加权后的结果尽量小。这里，初始的风机模型参数的总大小可通过各个初始的风机模型参数的绝对值之和表示，或者通过各个初始的风机模型参数的偶数次幂之和表示(应该理解，在风机模型只有1个(即，1种类型)风机模型参数的情况下，这里提及的“之和”为该1个初始的风机模型参数的绝对值或偶数次幂)。用于加权的权值可通过经验或实验获得。例如，可通过获取使得“输入了初始的环境条件的风机模型所输出的风机状态参数相对于初始的实际风机状态参数的变化”与“初始的风机模型参数的总大小被加权后的结果”之和最小化的风机模型参数作为初始的风机模型参数。
在该优选实施例中，通过下面的式(1)来获得初始的实际风机状态参数：
Figure BDA0001253535260000061
其中，x0表示初始的环境条件，y0表示初始的实际风机状态参数，f0(x0)表示输入了初始的环境条件的风机模型所输出的风机状态参数，θ0表示初始的风机模型参数，α表示规范项权重系数，
Figure BDA0001253535260000062
表示获得使得括号内的算式最小化的θ0。这里，规范项权重系数α可通过经验或实验获得。应该理解，
Figure BDA0001253535260000071
表示上面提到的初始的风机模型参数的总大小。
在步骤S120，周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数。
换言之，在对风机模型进行初始化之后，可周期性地根据当前环境条件和风机的当前实际风机状态参数获得更新后的风机模型参数作为当前周期的风机模型参数。这样，可以使得风机模型保持准确性，同时可收集历史的风机模型参数和对应的历史的环境条件。
在每个周期，获取当前环境条件和风机的当前实际风机状态参数，从而在确定了风机模型的初始的输入和期望输出的情况下，确定在每个周期的风机模型参数。
更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数。换言之，初始的风机模型参数使得：输入了当前环境条件的风机模型所输出的风机状态参数与当前实际风机状态参数之间的差异达到最小。
在一个优选实施例中，在每个周期更新风机模型参数时还进一步考虑风机模型参数的变化。此时，在每个周期，更新后的风机模型参数使得：输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数，同时更新后的风机模型参数相对于上一次更新后的风机模型参数(即，上一周期更新的风机模型参数)的变化被加权后的结果尽量小。换言之，更新后的风机模型参数使得：输入了当前环境条件的风机模型所输出的风机状态参数与当前实际风机状态参数之间的差异达到最小，同时更新后的风机模型参数与上一次更新后的风机模型参数的之间的差异达到最小。例如，可通过获取使得“输入了当前环境条件的风机模型所输出的风机状态参数相对于当前实际风机状态参数的变化”与“更新后的风机模型参数相对于上一次更新后的风机模型参数的变化被加权后的结果”之和最小化的风机模型参数作为更新后的风机模型参数。
这里，可通过计算各个更新后的风机模型参数与各个上一次更新后的风机模型参数之间的相同类型风机模型参数之差的绝对值之和或偶数次幂之和作为所述变化(应该理解，在风机模型只有1个(即，1种类型)风机模型参数的情况下，这里提及的“之和”为该1种类型的风机模型参数之差的绝对值或偶数次幂)。用于加权的权值可通过经验或实验获得。
在该优选实施例中，通过下面的式(2)来获得更新后的风机模型参数：
Figure BDA0001253535260000081
其中，xt表示当前环境条件，yt表示当前实际风机状态参数，ft(xt)表示输入了当前环境条件的风机模型所输出的风机状态参数，θt表示所述更新后的风机模型参数，θt-1表示上一次更新后的风机模型参数，α表示规范项权重系数，
Figure BDA0001253535260000082
表示获得使得括号内的算式最小化的θt。
应该理解，(θt-θt-1)T(θt-θt-1)表示上面提到的更新后的风机模型参数相对于上一次更新后的风机模型参数的变化。
在步骤S130，根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型。
风机模型参数变化模型体现了环境条件与风机模型参数之间的关系。换言之，在将环境条件输入到风机模型参数变化模型时，风机模型参数变化模型可估计并输出对应的风机模型参数。可基于历史的风机模型参数和对应的历史的环境条件，利用各种建模技术来建立风机模型参数变化模型，本发明不做限制，只要建立的风机模型参数变化模型能够体现环境条件与风机模型参数之间的相互关系。
在一个实施例中，利用历史的风机模型参数和对应的历史的环境条件，通过拟合来建立风机模型参数变化模型。可通过各种拟合方法来拟合出风机模型参数变化模型。另外，风机模型参数变化模型的结构可通过拟合得到(此时，通过拟合确定风机模型参数变化模型的结构和参数)或者也可预先确定(此时，通过拟合仅确定风机模型参数变化模型的参数)。
在一个优选实施例中，风机模型参数变化模型被表示为下面的式(3)：
θT＝A·θT-1+B·xT (3)
其中，θT表示在时刻T的风机模型参数，θT-1表示在时刻T-1的风机模型参数，A为风机模型参数的状态转移矩阵，B为环境条件对风机模型参数影响系数矩阵，xT为在时刻T的环境条件。应该理解，时刻T-1表示时刻T之后的一个时刻的风机模型参数。
应该理解，参数A和B可通过拟合而获得。
在使用式(3)来预测在未来某个时刻的风机模型参数时，在一个实施例中，时刻T表示该未来某个时刻，时刻T-1表示在执行风机模型参数预测或故障预测时的当前时刻；在另一个实施例中，可获取当前时刻与该未来某个时刻之间的一个或多个时刻(以下称为中间时刻)的环境条件，从所述当前时刻开始，基于式(3)使用相邻的两个时刻中的在后的一个时刻的环境条件以及在前的一个时刻的风机模型参数预测在后的一个时刻的风机模型参数，直到预测出该未来某个时刻的风机模型参数。例如，在获取两个中间时刻的环境条件的情况下，使用第一中间时刻的环境条件以及所述当前时刻的风机模型参数预测第一时刻的风机模型参数，使用第二中间时刻的环境条件以及预测的第一时刻的风机模型参数预测第二时刻的风机模型参数，使用该未来某个时刻的环境条件以及预测的第二时刻的风机模型参数预测该未来某个时刻的风机模型参数。
应该理解，风机模型参数变化模型的结构不限于式(3)所表达的函数结构，也可通过拟合过程来确定或者采用其他的结构。
可基于步骤S120来获得历史的风机模型参数和对应的历史的环境条件。历史的风机模型参数和对应的历史的环境条件可表示通过步骤S120获得的过去一段时间内各个周期的风机模型参数和对应的环境条件；或者通过步骤S110和S120已经获得的所有的风机模型参数和对应的环境条件。
在步骤S140，基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数。
当希望预测未来时刻(即，未来的某个时间)的风机故障时，可获取在该未来时刻的环境条件(以下，称为未来环境条件)，并将获取的未来环境条件输入到风机模型参数变化模型，来预测在所述未来时刻的风机模型参数。
可通过各种方式来获取在该未来时刻的环境条件，例如，通过天气预报、环境模型等。本发明对获取在该未来时刻的环境条件的方式不进行限定。
在步骤S150，根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型。风机故障模型体现了风机模型参数与风机故障之间的关系。换言之，在将风机模型参数输入到风机故障模型时，风机故障模型可估计并输出对应的风机故障。
可基于历史的风机模型参数和对应的历史的风机故障，利用各种建模技术来建立风机故障模型，本发明不做限制，只要建立的风机故障模型能够体现风机模型参数与风机故障之间的关系。
可在风机发生故障时，获取当前风机模型的风机模型参数，从而得到历史的风机模型参数和对应的历史的风机故障。换言之，这里的“历史的风机故障”指示是否发生故障。此时，获得风机故障模型可基于输入的风机模型参数输出指示是否发生故障的信息。例如，可将风机模型参数作为特征，将是否发生故障作为分类标签，使用历史的风机模型参数和对应的历史的风机故障作为训练样本来训练分类器作为风机故障模型。此时，风机故障模型是以风机模型参数为特征并且以是否发生故障为分类标签的分类器。
此外，在风机发生故障时，还可进一步获取故障类别。换言之，这里的“历史的风机故障”能够指示故障类别。此时，当预测出故障时，风机故障模型可输出指示发生的故障的类别的信息。例如，可将风机模型参数作为特征，将故障类别作为分类标签，使用历史的风机模型参数和对应的历史的风机故障作为训练样本来训练分类器作为风机故障模型。此时，风机故障模型是以风机模型参数为特征并且以故障类别为分类标签的分类器。
优选地，建立风机故障模型时使用的历史的风机模型参数和对应的历史的风机故障可以是每次当要预测风机故障时到目前为止已经收集到的历史的风机模型参数和对应的历史的风机故障。
在步骤S160，根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。
在已经在步骤S140得到所述未来时刻的风机模型参数后，将得到的风机模型参数输入已经建立的风机故障模型，从而风机故障模型预测未来时刻的风机故障。根据上面提到的风机故障模型的不同，预测的故障可以仅指示是否发生故障或者可指示故障的种类。
应该理解，步骤(S130、S150)的执行顺序以及步骤(S140、S150)的执行顺序可以同时进行或互换。此外，步骤S130和步骤S150可在确定要预测风机故障时被执行以基于最新的数据来执行建模。此外，也可预先执行步骤S130和步骤S150从而预先建模。
下面参照图2描述根据本发明的实施例的预测风机的故障的设备。
图2示出根据本发明的实施例的预测风机的故障的设备的框图。
如图2所示，根据本发明的实施例的预测风机的故障的设备200包括初始化单元210、参数更新单元220、参数模型建模单元230、参数预测单元240、故障模型建模单元250、故障预测单元260。
初始化单元210初始化风机的风机模型。
风机模型体现了风机所处的环境条件与风机的状态参数(以下称为，风机状态参数)之间的关系。换言之，在将环境条件输入到风机模型时，风机模型可估计并输出对应的风机状态参数。
可以通过获取实测的环境条件以及实测的风机状态参数来建立风机模型。此外，也可利用经验模型来作为风机模型。可利用各种建模技术来建立风机模型，本发明不做限制，只要建立的风机模型能够体现环境条件与风机状态参数之间的相互关系。
风机的环境条件是对风机的运行状态产生影响的环境因素。
环境条件可包括(但不限于)下面参数中的至少一个：风速、温度、湿度、空气密度等。可以利用各种用于检测环境状况的传感器来实测环境条件。
风机状态参数可包括(但不限于)下面参数中的至少一个：当前转速、偏航方向、变桨角度、输出功率等。例如，当风机为风力发电机时，风机状态参数还可包括发电功率等电气参数。
初始化单元210可根据初始的环境条件和初始的实际风机状态参数，来确定初始的风机模型参数。换言之，当进行风机模型的初始化时，获取当时的环境条件作为初始的环境条件，并检测实际的风机状态参数作为初始的实际风机状态参数。在此情况下，初始化单元210根据初始的环境条件和初始的实际风机状态参数来对风机模型参数进行初始化，从而确定初始的风机模型参数。换言之，在确定了风机模型的初始的输入和期望输出的情况下，确定风机模型的参数。
这时，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数。换言之，初始的风机模型参数使得：输入了当前环境条件的风机模型所输出的风机状态参数与当前实际风机状态参数之间的差异达到最小。
在一个优选实施例中，在确定初始的风机模型参数时还进一步考虑初始的风机模型参数本身。此时，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数，同时初始的风机模型参数的总大小被加权后的结果尽量小。换言之，更新后的风机模型参数使得：输入了当前环境条件的风机模型所输出的风机状态参数与当前实际风机状态参数之间的差异达到最小，同时更新后的风机模型参数与上一次更新后的风机模型参数的之间的差异达到最小。例如，可通过获取使得“输入了当前环境条件的风机模型所输出的风机状态参数相对于当前实际风机状态参数的变化”与“更新后的风机模型参数相对于上一次更新后的风机模型参数的变化被加权后的结果”之和最小化的风机模型参数作为更新后的风机模型参数。
这里，初始的风机模型参数的总大小可通过各个初始的风机模型参数的绝对值之和表示，或者通过各个初始的风机模型参数的偶数次幂之和表示(应该理解，在风机模型只有1个(即，1种类型)风机模型参数的情况下，这里提及的“之和”为该1种类型的风机模型参数之差的绝对值或偶数次幂)。用于加权的权值可通过经验或实验获得。
参数更新单元220周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数。
换言之，在对风机模型进行初始化之后，参数更新单元220可周期性地根据当前环境条件和风机的当前实际风机状态参数获得更新后的风机模型参数作为当前周期的风机模型参数。这样，可以使得风机模型保持准确性，同时可收集历史的风机模型参数和对应的历史的环境条件。
在每个周期，参数更新单元220获取当前环境条件和风机的当前实际风机状态参数，从而在确定了风机模型的初始的输入和期望输出的情况下，确定在每个周期的风机模型参数。
更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数。
在一个优选实施例中，在每个周期更新风机模型参数时还进一步考虑风机模型参数的变化。此时，在每个周期，更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数，同时更新后的风机模型参数相对于上一次更新后的风机模型参数(即，上一周期更新的风机模型参数)的变化被加权后的结果尽量小。这里，可通过计算各个更新后的风机模型参数与各个上一次更新后的风机模型参数之间的相同类型风机模型参数之差的绝对值之和或偶数次幂之和来表示所述变化(应该理解，在风机模型只有1个(即，1种类型)风机模型参数的情况下，这里提及的“之和”为该1种类型的风机模型参数之差的绝对值或偶数次幂)。用于加权的权值可通过经验或实验获得。例如，可通过获取使得“输入了当前环境条件的风机模型所输出的风机状态参数相对于当前实际风机状态参数的变化”与“更新后的风机模型参数相对于上一次更新后的风机模型参数的变化被加权后的结果”之和最小化的风机模型参数作为更新后的风机模型参数。
在该优选实施例中，通过上面的式(2)来获得更新后的风机模型参数。
参数模型建模单元230根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型。
风机模型参数变化模型体现了环境条件与风机模型参数之间的关系。换言之，在将环境条件输入到风机模型参数变化模型时，风机模型参数变化模型可估计并输出对应的风机模型参数。可基于历史的风机模型参数和对应的历史的环境条件，利用各种建模技术来建立风机模型参数变化模型，本发明不做限制，只要建立的风机模型参数变化模型能够体现环境条件与风机模型参数之间的相互关系。
在一个实施例中，利用历史的风机模型参数和对应的历史的环境条件，通过拟合来建立风机模型参数变化模型。可通过各种拟合方法来拟合出风机模型参数变化模型。另外，风机模型参数变化模型的结构可通过拟合得到(此时，通过拟合确定风机模型参数变化模型的结构和参数)或者也可预先确定(此时，通过拟合仅确定风机模型参数变化模型的参数)。在一个优选实施例中，风机模型参数变化模型被表示为上面的式(3)。
可基于参数更新单元220来获得历史的风机模型参数和对应的历史的环境条件。历史的风机模型参数和对应的历史的环境条件可表示通过参数更新单元220获得的过去一段时间内的风机模型参数和对应的环境条件；或者通过初始化单元210和参数更新单元220已经获得的所有的风机模型参数和对应的环境条件。
参数预测单元240基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数。
当希望预测未来时刻(即，未来的某个时间)的风机故障时，参数预测单元240可获取在该未来时刻的环境条件(以下，称为未来环境条件)，并将获取的未来环境条件输入到风机模型参数变化模型，来预测在所述未来时刻的风机模型参数。
可通过各种方式来获取在该未来时刻的环境条件，例如，通过天气预报、环境模型等。本发明对获取在该未来时刻的环境条件的方式不进行限定。
故障模型建模单元250根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型。风机故障模型体现了风机模型参数与风机故障之间的关系。换言之，在将风机模型参数输入到风机故障模型时，风机故障模型可估计并输出对应的风机故障。
可基于历史的风机模型参数和对应的历史的风机故障，利用各种建模技术来建立风机故障模型，本发明不做限制，只要建立的风机故障模型能够体现风机模型参数与风机故障之间的关系。
可在风机发生故障时，当前风机模型的风机模型参数被获得，从而得到历史的风机模型参数和对应的历史的风机故障。换言之，这里的“历史的风机故障”指示是否发生故障。此时，获得风机故障模型可基于输入的风机模型参数输出指示是否发生故障的信息。例如，可将风机模型参数作为特征，将是否发生故障作为分类标签，使用历史的风机模型参数和对应的历史的风机故障作为训练样本来训练分类器作为风机故障模型。此时，风机故障模型是以风机模型参数为特征并且以是否发生故障为分类标签的分类器。
此外，在风机发生故障时，还可进一步获取故障类别。换言之，这里的“历史的风机故障”能够指示故障类别。此时，当预测出故障时，风机故障模型可输出指示发生的故障的类别的信息。例如，可将风机模型参数作为特征，将故障类别作为分类标签，使用历史的风机模型参数和对应的历史的风机故障作为训练样本来训练分类器作为风机故障模型。此时，风机故障模型是以风机模型参数为特征并且以故障类别为分类标签的分类器。
优选地，建立风机故障模型时使用的历史的风机模型参数和对应的历史的风机故障可以是每次当要预测风机故障时到目前为止已经收集到的历史的风机模型参数和对应的历史的风机故障。
故障预测单元260根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。
在已经通过参数预测单元240得到所述未来时刻的风机模型参数后，将得到的风机模型参数输入已经建立的风机故障模型，从而风机故障模型预测未来时刻的风机故障。根据上面提到的风机故障模型的不同，预测的故障可以仅指示是否发生故障或者可指示故障的种类。
根据本发明的预测风机的故障的方法和设备，在对风机进行故障预测时考虑到风机与环境因素的特定关系，基于环境因素的影响建立风机模型，同时不断地更新风机模型的参数来获得历史的风机模型参数，从而建立与风机模型参数有关的风机故障模型用于故障预测，可以更精确地进行风机的故障预测。
此外，根据本发明的示例性实施例的上述方法可以被实现为计算机可读介质上的计算机程序，从而当运行该程序时，实现上述方法。
此外，根据本发明的示例性实施例的上述设备中的各个单元可被实现硬件组件或软件模块。此外，本领域技术人员可根据限定的各个单元所执行的处理，通过例如使用现场可编程门阵列(FPGA)、专用集成电路(ASIC)或处理器来实现各个硬件组件，可以通过编程技术来实现各个软件模块。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (22)

1.一种预测风机的故障的方法，其特征在于，所述方法包括：
初始化风机的风机模型；
周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数，其中，所述风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数；
根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型，其中，风机模型参数变化模型体现了环境条件与风机模型参数之间的关系，其中，在将环境条件输入到风机模型参数变化模型时，风机模型参数变化模型估计并输出对应的风机模型参数；
基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数；
根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型；
根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。
2.根据权利要求1所述的方法，其特征在于，风机模型体现了环境条件与风机状态参数之间的关系，风机故障模型体现了风机模型参数与风机故障之间的关系。
3.根据权利要求1所述的方法，其特征在于，初始化风机的风机模型的步骤包括：
根据初始的环境条件和初始的实际风机状态参数，来确定初始的风机模型参数。
4.根据权利要求3所述的方法，其特征在于，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数。
5.根据权利要求4所述的方法，其特征在于，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数，同时初始的风机模型参数的总大小的加权结果尽量小。
6.根据权利要求5所述的方法，其特征在于，初始的风机模型参数的总大小为各个初始的风机模型参数的绝对值之和，或者各个初始的风机模型参数的偶数次幂之和。
7.根据权利要求1所述的方法，其特征在于，更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数，同时更新后的风机模型参数相对于上一次更新后的风机模型参数的变化的加权结果尽量小。
8.根据权利要求7所述的方法，其特征在于，通过计算各个更新后的风机模型参数与各个上一次更新后的风机模型参数之间的相同类型风机模型参数之差的绝对值之和或偶数次幂之和作为所述变化。
9.根据权利要求1或2所述的方法，其特征在于，建立风机模型参数变化模型的步骤包括：
利用历史的风机模型参数和对应的历史的环境条件，通过拟合来建立风机模型参数变化模型。
10.根据权利要求9所述的方法，其特征在于，风机模型参数变化模型被表示如下：
θT＝A·θT-1+B·xT
其中，θT表示在时刻T的风机模型参数，θT-1表示在时刻T-1的风机模型参数，A为风机模型参数的状态转移矩阵，B为环境条件对风机模型参数影响系数矩阵，xT为在时刻T的环境条件，时刻T-1表示时刻T之后的一个时刻。
11.根据权利要求1所述的方法，其特征在于，风机故障模型是以风机模型参数为特征并且以故障类别或是否发生故障为分类标签的分类器。
12.一种预测风机的故障的设备，其特征在于，所述设备包括：
初始化单元，初始化风机的风机模型；
参数更新单元，周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数，其中，所述风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数；
参数模型建模单元，根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型，其中，风机模型参数变化模型体现了环境条件与风机模型参数之间的关系，其中，在将环境条件输入到风机模型参数变化模型时，风机模型参数变化模型估计并输出对应的风机模型参数；
参数预测单元，基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数；
故障模型建模单元，根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型；
故障预测单元，根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。
13.根据权利要求12所述的设备，其特征在于，风机模型体现了环境条件与风机状态参数之间的关系，风机故障模型体现了风机模型参数与风机故障之间的关系。
14.根据权利要求12所述的设备，其特征在于，初始化单元根据初始的环境条件和初始的实际风机状态参数，来确定初始的风机模型参数。
15.根据权利要求14所述的设备，其特征在于，
初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数。
16.根据权利要求15所述的设备，其特征在于，初始的风机模型参数使得：输入了初始的环境条件的风机模型所输出的风机状态参数尽量接近初始的实际风机状态参数，同时初始的风机模型参数的总大小的加权结果尽量小。
17.根据权利要求16所述的设备，其特征在于，初始的风机模型参数的总大小为各个初始的风机模型参数的绝对值之和，或者各个初始的风机模型参数的偶数次幂之和。
18.根据权利要求12所述的设备，其特征在于，更新后的风机模型参数使得输入了当前环境条件的风机模型所输出的风机状态参数尽量接近当前实际风机状态参数，同时更新后的风机模型参数相对于上一次更新后的风机模型参数的变化的加权结果尽量小。
19.根据权利要求18所述的设备，其特征在于，通过计算各个更新后的风机模型参数与各个上一次更新后的风机模型参数之间的相同类型风机模型参数之差的绝对值之和或偶数次幂之和作为所述变化。
20.根据权利要求12或13所述的设备，其特征在于，参数模型建模单元利用历史的风机模型参数和对应的历史的环境条件，通过拟合来建立风机模型参数变化模型。
21.根据权利要求20所述的设备，其特征在于，风机模型参数变化模型被表示如下：
θT＝A·θT-1+B·xT
其中，θT表示在时刻T的风机模型参数，θT-1表示在时刻T-1的风机模型参数，A为风机模型参数的状态转移矩阵，B为环境条件对风机模型参数影响系数矩阵，xT为在时刻T的环境条件，时刻T-1表示时刻T之后的一个时刻。
22.根据权利要求12所述的设备，其特征在于，风机故障模型是以风机模型参数为特征并且以故障类别或是否发生故障为分类标签的分类器。
CN201710180903.6A 2017-03-24 2017-03-24 预测风机的故障的方法和设备 Active CN106951997B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201710180903.6A CN106951997B (zh) 2017-03-24 2017-03-24 预测风机的故障的方法和设备
US15/777,065 US11035346B2 (en) 2017-03-24 2017-10-10 Method and device for predicting wind turbine fault
PCT/CN2017/105440 WO2018171165A1 (zh) 2017-03-24 2017-10-10 预测风机的故障的方法和设备
EP17875063.4A EP3407271A4 (en) 2017-03-24 2017-10-10 FAULT PROGNOSIS AND DEVICE FOR A FAN
AU2017363221A AU2017363221B2 (en) 2017-03-24 2017-10-10 Method and device for predicting wind turbine fault

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710180903.6A CN106951997B (zh) 2017-03-24 2017-03-24 预测风机的故障的方法和设备

Publications (2)

Publication Number Publication Date
CN106951997A CN106951997A (zh) 2017-07-14
CN106951997B true CN106951997B (zh) 2020-11-10

Family

ID=59472757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710180903.6A Active CN106951997B (zh) 2017-03-24 2017-03-24 预测风机的故障的方法和设备

Country Status (5)

Country Link
US (1) US11035346B2 (zh)
EP (1) EP3407271A4 (zh)
CN (1) CN106951997B (zh)
AU (1) AU2017363221B2 (zh)
WO (1) WO2018171165A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110968069B (zh) * 2018-09-28 2022-01-25 新疆金风科技股份有限公司 风力发电机组的故障预测方法、相应的装置及电子设备
CN109653961B (zh) * 2018-12-14 2020-05-19 三一重能有限公司 一种风力发电机的监测方法及装置
CN110349289A (zh) * 2019-06-21 2019-10-18 东软集团股份有限公司 故障预测方法、装置、存储介质和电子设备
CN110735769A (zh) * 2019-09-18 2020-01-31 西安察柏科技咨询有限公司 一种预测风机故障的方法及装置、系统
CN110991666B (zh) * 2019-11-25 2023-09-15 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN111047121B (zh) * 2020-03-17 2020-06-09 浙江上风高科专风实业有限公司 一种风机故障预测方法及系统
CN113494428B (zh) * 2020-03-20 2022-11-22 新疆金风科技股份有限公司 风力发电机组的故障检测方法和装置
CN113240158B (zh) * 2021-04-25 2022-11-08 国网湖北省电力有限公司 一种状态预测方法和电子设备
CN113503232A (zh) * 2021-08-20 2021-10-15 西安热工研究院有限公司 一种风机运行健康状态预警方法及系统
CN114077922A (zh) * 2021-10-15 2022-02-22 华能射阳新能源发电有限公司 风电机组的故障预测方法、装置及电子设备
CN115079307B (zh) * 2022-06-09 2023-07-25 中能融合智慧科技有限公司 一种基于多模式最优集成的风电场气象预报方法和系统
CN117662395A (zh) * 2022-08-31 2024-03-08 北京金风慧能技术有限公司 风力发电机组的变桨故障预测方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN103940611A (zh) * 2014-04-09 2014-07-23 中国水利水电科学研究院 一种风电机组变工况下滚动轴承自适应异常检测方法
CN104005917A (zh) * 2014-04-30 2014-08-27 叶翔 基于贝叶斯推理方式对风机状态进行预测的方法和系统
CN104200396A (zh) * 2014-08-26 2014-12-10 燕山大学 一种风力发电机部件故障预警方法
CN105550943A (zh) * 2016-01-18 2016-05-04 重庆大学 一种基于模糊综合评判的风电机组状态参数异常辨识方法
CN105719002A (zh) * 2016-01-18 2016-06-29 重庆大学 一种基于组合预测的风电机组状态参数异常辨识方法
CN105760617A (zh) * 2016-03-07 2016-07-13 华北电力大学（保定） 一种应用于风力发电机组的多参量故障预测判定指标的计算方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2502174B1 (en) * 2009-11-16 2018-06-13 Simmonds Precision Products, Inc. Data acquisition system for condition-based maintenance
US8924162B2 (en) 2010-05-13 2014-12-30 University Of Cincinnati Turbine-to-turbine prognostics technique for wind farms
US8326577B2 (en) 2011-09-20 2012-12-04 General Electric Company System and method for predicting wind turbine component failures
CN102567636B (zh) 2011-12-27 2015-01-07 华北电力大学 基于相关向量机的高精度风电场功率区间预测方法
CN102778358A (zh) 2012-06-04 2012-11-14 上海东锐风电技术有限公司 故障预测模型建立方法及系统、风机监测预警系统及方法
CN102721924B (zh) * 2012-06-26 2014-07-02 新疆金风科技股份有限公司 风力发电机组的故障预警方法
US9529057B2 (en) * 2012-07-24 2016-12-27 Binod Shrestha Apparatus and method for out-of-step protection using the analysis of trajectories of electrical measurements in state plane
US10181101B2 (en) 2012-12-17 2019-01-15 Arizona Board Of Regents On Behalf Of Arizona State University Support vector machine enhanced models for short-term wind farm generation forecasting
US20140324495A1 (en) * 2013-02-22 2014-10-30 Vestas Wind Systems A/S Wind turbine maintenance optimizer
US20160010628A1 (en) * 2014-07-10 2016-01-14 General Electric Company System and method for determining life of a wind turbine
KR20160017681A (ko) 2014-07-31 2016-02-17 두산중공업 주식회사 풍력플랜트 관리 시스템 및 그 방법
US10443577B2 (en) 2015-07-17 2019-10-15 General Electric Company Systems and methods for improved wind power generation
CN105508149B (zh) * 2015-12-31 2018-12-07 北京金风科创风电设备有限公司 用于风力发电机组的故障检测方法及装置
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN103940611A (zh) * 2014-04-09 2014-07-23 中国水利水电科学研究院 一种风电机组变工况下滚动轴承自适应异常检测方法
CN104005917A (zh) * 2014-04-30 2014-08-27 叶翔 基于贝叶斯推理方式对风机状态进行预测的方法和系统
CN104200396A (zh) * 2014-08-26 2014-12-10 燕山大学 一种风力发电机部件故障预警方法
CN105550943A (zh) * 2016-01-18 2016-05-04 重庆大学 一种基于模糊综合评判的风电机组状态参数异常辨识方法
CN105719002A (zh) * 2016-01-18 2016-06-29 重庆大学 一种基于组合预测的风电机组状态参数异常辨识方法
CN105760617A (zh) * 2016-03-07 2016-07-13 华北电力大学（保定） 一种应用于风力发电机组的多参量故障预测判定指标的计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多技术融合的风电大部件健康状态大数据分析;翟栋;《风能产业》;20170131;第59-61页 *
风力发电机组故障预测技术研究;刘敬智;《华北电力技术》;20161225(第12期);第49-54页 *

Also Published As

Publication number Publication date
EP3407271A1 (en) 2018-11-28
AU2017363221B2 (en) 2019-08-29
WO2018171165A1 (zh) 2018-09-27
US11035346B2 (en) 2021-06-15
EP3407271A4 (en) 2019-05-01
US20200309099A1 (en) 2020-10-01
AU2017363221A1 (en) 2018-10-11
CN106951997A (zh) 2017-07-14

Similar Documents

Publication Publication Date Title
CN106951997B (zh) 预测风机的故障的方法和设备
US10891406B2 (en) Prediction methods and systems for structural repair during heavy maintenance of aircraft
CN106409120B (zh) 机械学习方法及机械学习装置、以及故障预知装置及系统
JP2021064370A (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
CN110023850B (zh) 用于控制技术系统的方法和控制装置
CN109766583A (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN108204341B (zh) 风电场运行状态的识别方法和装置
US20090326890A1 (en) System and method for predicting system events and deterioration
CN109977624A (zh) 基于深度神经网络的光伏电站缓变故障监测方法
CN112800682B (zh) 一种反馈寻优的风机叶片故障监测方法
CN110006552B (zh) 一种机组设备温度异常检测方法
Gouriveau et al. Strategies to face imbalanced and unlabelled data in PHM applications.
Simani et al. Wind turbine simulator fault diagnosis via fuzzy modelling and identification techniques
US11796992B2 (en) Condition-based method for malfunction prediction
US12001180B2 (en) Condition-based method for malfunction prediction
Pahmi et al. Artificial neural network based forecasting of power under real time monitoring environment
Verstraete et al. A deep adversarial approach based on multi-sensor fusion for remaining useful life prognostics
US20230221694A1 (en) Method and computing system for performing a prognostic health analysis for an asset
CN115335836A (zh) 训练针对工业应用的人工智能模块
EP4080304A1 (en) System and method for cyberattack detection in a wind turbine control system
CN115329639B (zh) 一种风电站维护方法、平台和电子设备
CN114934880B (zh) 一种海上风电机组的寿命预测方法及装置
US12034741B2 (en) System and method for cyberattack detection in a wind turbine control system
Gao et al. Early Change Detection in Dynamic Machine Running Status Based on a New Stability Measure
CN114139602A (zh) 一种基于gmm与em算法的设备参数劣化实时预警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee after: Jinfeng Technology Co.,Ltd.

Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region

Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd.