CN107038453A - 一种风电机组的故障预警系统及判断方法 - Google Patents

Abstract

一种风电机组故障预警系统，包括实时监视模块、预警模型模块、预警结果反馈模块、知识库模块，实时监视模块实时读取风机的参数，并把参数传递给预警模块进行分析；分析结果达到了预警标准，就会触发报警机制，将信息传递给预警结果反馈模块，工作人员将反馈结果记入知识库模块；知识库模块不断累积预警结果反馈模块中的结果，当预警结果的准确率低于60%时，将知识库模块中的结果反馈给预警模型模块，进行模型重训练。本发明的优点：故障发生前能够提前预警，并根据知识库中正确案例给出预警后的改善措施和维修方案；根据知识库准确率计算，当历史数据训练的模型不在适用，预警模型会采用新的数据作为训练数据重新训练，提高预警模型的准确率。

Description

一种风电机组的故障预警系统及判断方法

技术领域

本发明涉及一种风电机组故障预警系统及判断方法，属于风力发电领域。

背景技术

随着风电行业的迅猛发展，风电机组大型化的发展，设备复杂度的提高，故障发生的频率和部位也相应增多，一旦发生事故势必造成人员伤亡、设备的损坏。所以提高风电场风电机组的设备可靠性，保证机组正常运行越来越重要。

通过实时数据采集和智能故障预警技术可以有效地发现事故隐患并实现快速准备的系统维护，保障机组安全运行，做到防范于未然，大大地降低风机的故障率，有效地减少维修费用，提高风电竞争能力。

发明内容

本发明提供一种风电机组故障预警系统及判断方法，解决了风电行业目前的检测系统不能在故障发生前进行故障预警，导致故障发生后才能进行维修的问题。

本发明是通过以下技术方案实现的：

一种风电机组故障预警系统，包括实时监视模块（1）、预警模型模块（2）、预警结果反馈模块（3）、知识库模块（4）；实时监视模块（1）实时读取风机的参数，并把参数传递给预警模块（2）进行分析；当分析结果达到了预警标准，就会触发报警机制，将信息传递给预警结果反馈模块（3），工作人员将反馈结果记入知识库模块（4）；知识库模块（4）不断的累积预警结果反馈模块（3）中的结果，当预警结果的准确率低于60%时，将知识库模块（4）中的结果反馈给预警模型模块（2），进行模型重训练。

其中，所述的实时监视模块（1）包括读取实时数据模块（11）和报警机制模块（12）；读取实时数据模块（11）从实时库读取数据作为预警模型模块（2）的输入数据，输出的结果发送给报警机制模块（12），根据报警机制模块（12）产生的结果发送给预警结果反馈模块（3）。

其中，所述预警模型模块（2）包括训练模型模块（21）和预警模型实时对比模块（22）；训练模型模块（21）将数据传递给预警模型实时对比模块（22），预警模型实时对比模块（22）将读取实时数据模块（11）中的数据发送给报警机制模块（12）。

其中，所述预警结果反馈模块（3）包括预警结果评价模块（31）和预警结果历史追踪模块（32）；预警结果评价模块（31）将评价结果同时存入知识库模块（4）和预警结果历史追踪模块（32）中。

其中，所述的知识库模块（4）每天零点会以当前时间点为起始点往前追踪3个月时间段，计算预警结果历史追踪模块（32）中预警结果的准确率，当准确率低于60%时，提取当前3个月数据作为预警模型模块（2）的输入数据进行预警模型重新训练。

其中，所述的实时监视模块（11）包括常用参数实时值监测模块（111）、风机状态实时监测模块（112）、风机预警实时监测模块（113），常用参数实时值监测模块（111）、风机状态实时监测模块（112）和风机预警实时监测模块（113）将监测到的数据传递给预警模型实时对比模块（22），预警模型实时对比模块（22）将输出的结果发送给报警机制模块（12）；所述报警机制模块（12）包括弹窗提醒模块（121）、语音报警模块（122），弹窗提醒模块（121）通过显示屏显示报警信息，语音报警模块（122）通过扩音器提醒报警信息。

其中，所述的训练模型模块（21）包括以下步骤：1）设计训练样本集，找出模型的输入集S；2）给定S所需的期望信息，分类属性具有两个不同的数值{0,1}；3）计算按每个属性划分数据样本所需期望信息、信息增益，选取信息增益最高的属性作为测试属性S’；4）使用S’进行分类，形成两个样本合计，重复执行步骤2）和步骤3）计算出所有的信息增益，得到完整的决策树M；5）设计验证样本T，检验决策树M，计算相应的错误率P；6）当P小于10%时，停止剪枝，否则重复步骤6）；7）计算误差，接受误差率低于10%，否则重新提取样本，重复上述所有步骤；所述预警模型实时对比模块（22）采用实时数据作为训练好的决策树M的输入数据，并监测输出分类属性值，当为1时即为发生故障，进行报警。

一种风电机组故障预警系统的判断方法，包括以下步骤：

1）设计训练实例集S：从实时库中导出历史数据至本地，选择变桨故障相关参数建立训练实例集S；

2）训练集S通过采用离散化技术将参数值域划分为区间，减少属性值的个数，便于决策树算法，提高挖掘效率，得到训练集S’；

3）构建决策树M：给定数据集S分类所需的期望信息，分类属性具有两个不同的数值{0,1}；

4）计算每个属性划分数据样本所需期望信息、信息增益，选取增益最大属性作为测试属性；

5）使用最大增益测试属性进行分类后形成两个样本集合，每个样本集合重复步骤3）至步骤5），得到完整的决策树M；

6）同理，从数据库中导出N个训练集，生成N个决策树；

7）从N个决策树中选取误差率最小且适用其余N-1个决策树准确率最高的决策树；

8）现场实时适用决策树模型是从实时数据库实时导出当前时间往前7天的数据作为决策树模型的输入数据，以频率10分钟/次作为实时验证决策树模型频率，将输出的分类属性值{0,1}则为是否会发生故障的预警信息存入数据库中；

9）实时监视模块通过实时读取预警信息存入的数据库中分类属性值进行实时预警。

其中，步骤3）中的分类属性即为故障发生与否。

其中，步骤4）中的属性即为参数；测试属性即为根节点。

与现有技术相比，本发明的有益效果为：

1）故障发生前能够提前预警，并根据知识库中的正确案例给出预警后的改善措施和维修方案；

2）根据知识库准确率计算，当历史数据训练的模型不在适用，预警模型会采用新的数据作为训练数据重新训练，提高预警模型的准确率；

3）采用离散化技术处理预警模型的训练数据，并适用ID3决策树算法进行建模，提高了模型的计算效率与准确率；

4）本系统会随着应用时间的增加，知识库的扩大，模型重新训练，准确率会不断增加，具有良好的使用能力与扩展性。

5）采用离散化技术将训练集S’的各个属性值进行区域划分，解决了实时数据连续性导致相连数据值域变化小而训练集数据量大的问题，提高了挖掘的效率。采用离散化技术的训练集S’作为ID3决策树的输入数据，通过决策树层层精确计算，提高了故障预警模型建立的准确率。

附图说明

图1为本发明一种风电机组故障预警系统的结构框图。

图2为本发明一种风电机组故障预警系统的详细结构框图。

图3为本发明一种风电机组故障预警系统的预警模型刚创建的决策树图。

图4为本发明一种风电机组故障预警系统的预警模型剪枝后的决策树图。

图5为本发明一种风电机组故障预警系统的变桨故障预警判断流程图。

图中：1、实时监视模块，2、预警模型模块，3、预警结果反馈模块，4、知识库模块，11、读取实时数据模块，12、报警机制模块，21、训练模型模块，22、预警模型实时对比模块，31、预警结果评价模块，32、预警结果历史追踪模块，111、参数实时值监测模块，112、风机状态实时监测模块，113、风机预警实时监测模块，121、弹窗提醒模块，122、语音报警模块。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明。

实施例1

如图1-5所示，一种风电机组故障预警系统，包括实时监视模块1、预警模型模块2、预警结果反馈模块3、知识库模块4；所述实时监视模块1包括读取实时数据模块11和报警机制模块12；所述预警模型模块2包括训练模型模块21和预警模型实时对比模块22；所述预警结果反馈模块3包括预警结果评价模块31和预警结果历史追踪模块32；所述知识库模块4与预警结果反馈模块3以及预警模型模块2连接。

使用时，实时监视模块1的读取实时数据模块11将读取的实时数据作为预警模型模块2中的预警模型实时对比模块22的输入数据，报警机制模块12实时检测预警模型实时对比模块22的输出结果，满足预警条件进行报警。预警模型模块2中的训练模型模块21利用历史数据训练预警模型，并利用知识库模块4中准确率的结果来判断是否进行重训练，如果准确率低于60%，则将准确率低的结果反馈给预警模型模块2中的训练模型模块21，进行模型的重新训练。预警结果反馈模块3中的预警结果评价模块31对报警机制模块输出的报警结果进行评价，并存入预警结果历史追踪模块32中，并将预警结果反馈模块3的结果全部存入知识库模块4中，知识库模块每天零点会计算当前时间前7天预警结果的准确率情况，低于60%时将结果反馈给预警模型模块2，训练模型模块21重新读取实时库最新3个月的历史数据作为训练数据重新训练模型并应用。

具体实施时，实时数据根据OPC规约、Mudbus、TCP/IP、101/103/104协议或按照风力发电机组厂家的通信协议采集风力发电机组数据，并存入实时库数据库中。其余中间计算结果的数据存库关系库中，例如Mysql、Oracle等。

应用于风电机组故障预警系统的故障预警判断方法包括以下步骤：

1）设计训练实例集S：从实时库中导出历史数据至本地，选择变桨故障相关参数建立训练实例集S；

2）训练集S通过采用离散化技术将参数值域划分为区间，减少属性值的个数，便于决策树算法，提高挖掘效率，得到训练集S’；

3）构建决策树M：给定数据集S分类所需的期望信息，分类属性（故障发生与否）具有两个不同的数值{0,1}；

4）计算每个属性（参数）划分数据样本所需期望信息、信息增益，选取增益最大属性作为测试属性（根节点）；

5）使用最大增益测试属性进行分类后形成两个样本集合，每个样本集合重复步骤3）至步骤5），得到完整的决策树M；

6）同理，从数据库中导出N个训练集，生成N个决策树；

7）从N个决策树中选取误差率最小且适用其余N-1个决策树准确率最高的决策树；

8）现场实时适用决策树模型是从实时数据库实时导出当前时间往前7天的数据作为决策树模型的输入数据（滑动窗口的大小），以频率10分钟/次作为实时验证决策树模型频率，将输出的分类属性值{0,1}则为是否会发生故障的预警信息存入数据库中；

9）实时监视模块通过实时读取预警信息存入的数据库中分类属性值进行实时预警并将结果显示出来。

Claims (10)

1.一种风电机组故障预警系统，包括实时监视模块（1）、预警模型模块（2）、预警结果反馈模块（3）、知识库模块（4），其特征在于：所述的实时监视模块（1）实时读取风机的参数，并把参数传递给预警模块（2）进行分析；当分析结果达到了预警标准，就会触发报警机制，将信息传递给预警结果反馈模块（3），工作人员将反馈结果记入知识库模块（4）；知识库模块（4）不断的累积预警结果反馈模块（3）中的结果，当预警结果的准确率低于60%时，将知识库模块（4）中的结果反馈给预警模型模块（2），进行模型重训练。

2.根据权利要求1所述的一种风电机组变桨故障预警系统，其特征在于：所述的实时监视模块（1）包括读取实时数据模块（11）和报警机制模块（12）；读取实时数据模块（11）从实时库读取数据作为预警模型模块（2）的输入数据，输出的结果发送给报警机制模块（12），根据报警机制模块（12）产生的结果发送给预警结果反馈模块（3）。

3.根据权利要求1所述的一种风电机组变桨故障预警系统，其特征在于：所述预警模型模块（2）包括训练模型模块（21）和预警模型实时对比模块（22）；训练模型模块（21）将数据传递给预警模型实时对比模块（22），预警模型实时对比模块（22）将读取实时数据模块（11）中的数据发送给报警机制模块（12）。

4.根据权利要求1所述的一种风电机组变桨故障预警系统，其特征在于：所述预警结果反馈模块（3）包括预警结果评价模块（31）和预警结果历史追踪模块（32）；预警结果评价模块（31）将评价结果同时存入知识库模块（4）和预警结果历史追踪模块（32）中。

5.根据权利要求1所述的一种风电机组变桨故障预警系统，其特征在于：所述的知识库模块（4）每天零点会以当前时间点为起始点往前追踪3个月时间段，计算预警结果历史追踪模块（32）中预警结果的准确率，当准确率低于60%时，提取当前3个月数据作为预警模型模块（2）的输入数据进行预警模型重新训练。

6.根据权利要求2所述的一种风电机组变桨故障预警系统，其特征在于：所述的实时监视模块（11）包括常用参数实时值监测模块（111）、风机状态实时监测模块（112）、风机预警实时监测模块（113），常用参数实时值监测模块（111）、风机状态实时监测模块（112）和风机预警实时监测模块（113）将监测到的数据传递给预警模型实时对比模块（22），预警模型实时对比模块（22）将输出的结果发送给报警机制模块（12）；所述报警机制模块（12）包括弹窗提醒模块（121）、语音报警模块（122），弹窗提醒模块（121）通过显示屏显示报警信息，语音报警模块（122）通过扩音器提醒报警信息。

7.根据权利要求3所述的一种风电机组变桨故障预警系统，其特征在于：所述的训练模型模块（21）包括以下步骤：1）设计训练样本集，找出模型的输入集S；2）给定S所需的期望信息，分类属性具有两个不同的数值{0,1}；3）计算按每个属性划分数据样本所需期望信息、信息增益，选取信息增益最高的属性作为测试属性S’；4）使用S’进行分类，形成两个样本合计，重复执行步骤2）和步骤3）计算出所有的信息增益，得到完整的决策树M；5）设计验证样本T，检验决策树M，计算相应的错误率P；6）当P小于10%时，停止剪枝，否则重复步骤6）；7）计算误差，接受误差率低于10%，否则重新提取样本，重复上述所有步骤；所述预警模型实时对比模块（22）采用实时数据作为训练好的决策树M的输入数据，并监测输出分类属性值，当为1时即为发生故障，进行报警。

8.根据权利要求1-7所述的一种风电机组变桨故障预警系统的判断方法，其特征在于：包括以下步骤：

1）设计训练实例集S：从实时库中导出历史数据至本地，选择变桨故障相关参数建立训练实例集S；

2）训练集S通过采用离散化技术将参数值域划分为区间，减少属性值的个数，便于决策树算法，提高挖掘效率，得到训练集S’；

3）构建决策树M：给定数据集S分类所需的期望信息，分类属性具有两个不同的数值{0,1}；

4）计算每个属性划分数据样本所需期望信息、信息增益，选取增益最大属性作为测试属性；

5）使用最大增益测试属性进行分类后形成两个样本集合，每个样本集合重复步骤3）至步骤5），得到完整的决策树M；

6）同理，从数据库中导出N个训练集，生成N个决策树；

7）从N个决策树中选取误差率最小且适用其余N-1个决策树准确率最高的决策树；

8）现场实时适用决策树模型是从实时数据库实时导出当前时间往前7天的数据作为决策树模型的输入数据，以频率10分钟/次作为实时验证决策树模型频率，将输出的分类属性值{0,1}则为是否会发生故障的预警信息存入数据库中；

9）实时监视模块通过实时读取预警信息存入的数据库中分类属性值进行实时预警。

9.根据权利要求8所述的一种风电机组变桨故障预警系统的判断方法，其特征在于：所述的步骤3）中的分类属性即为故障发生与否。

10.根据权利要求8所述的一种风电机组变桨故障预警系统的判断方法，其特征在于：所述的步骤4）中的属性即为参数；测试属性即为根节点。