CN109991500B - 一种风电故障预警预测的方法 - Google Patents

Abstract

本申请涉及一种风电故障预警预测的方法，属于风电故障预警预测技术领域。本申请包括：通过多方面对风电数据进行特征构建，并进行特征的并行快速化计算提取；基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据；根据所述预警预测数据，对风电运行进行故障预警预测。通过本申请方案的实施，有助于实现快速对大量风电数据提取特征，实现对预警预测数据的可解释性的有效提升，从而有助于提升风电故障预警预测的准确性。

Description

一种风电故障预警预测的方法

技术领域

本申请属于风电故障预警预测技术领域，具体涉及一种风电故障预警预测的方法。

背景技术

风力发电技术作为新能源领域中的一个非常重要的组成部分，近些年来得到长足发展。

由于风电场一般处于偏远地区，工作环境复杂恶劣，使得风力发电机组发生故障的几率比较大，出现了很多运行故障。随着大规模风电场的投入运行，为降低风电机组运行的风险，维护机组安全经济运行，故障诊断预警预测在风力发电运行过程中所起的作用越来越重要。

风电场的运营和监测数据的积累让风电故障的预警预测变得可能，但是，因数据质量残次不齐，现有的风电故障预测分析缺乏准确有效并能与实际业务结合的优质特征，使得得到的数据对风电故障预警预测的可解释性降低。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供一种风电故障预警预测的方法，有助于风电故障预警预测的准确性。

为实现以上目的，本申请采用如下技术方案：

一种风电故障预警预测的方法，包括：

通过多方面对风电数据进行特征构建，并进行特征的并行快速化计算提取；

基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据；

根据所述预警预测数据，对风电运行进行故障预警预测。

进一步地，所述通过多方面对风电数据进行特征构建，包括：

结合实际操作人员对风电故障的业务理解进行特征构建；

根据风电数据的时序性特点进行统计上的特征构建；以及

对探索得到的与实际故障业务贴合的特征数据进行特征构建。

进一步地，所述通过多方面对风电数据进行特征构建之前，所述方法还包括：

基于风电数据的时序性特点，将原始风电数据转换为预设时间级的风电数据，并转换成特定的格式，以便于特征提取。

进一步地，所述结合实际操作人员对风电故障的业务理解进行特征构建，包括：从以下三个方面中的至少一个方面进行特征构建：

从视在功率和功角方面；

从温度异常变化角度对温度波动性进行量化方面；以及

从偏航角度的设定值与实际值的变动方面。

进一步地，所述根据风电数据的时序性特点进行统计上的特征构建，包括：

通过傅里叶变换、自相关系数和线性趋势中的至少一项，对风电数据进行统计上的特征构建。

进一步地，所述对探索得到的与实际故障业务贴合的特征数据进行特征构建，包括：

对探索得到的与实际故障业务贴合的变频器出入口温差特点和/或温度的特点分位数进行特征构建。

进一步地，所述基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据，包括：

基于风电数据的先验知识对风电数据进行特征分类，并进行分类别的数据降维处理；

对降维处理后的数据进行特征重要性量化处理。

进一步地，所述数据降维处理的方法采用PCA降维方法。

进一步地，所述基于风电数据的先验知识对风电数据进行特征分类之前，所述方法还包括：

根据预设需求定制选取需要的风电数据，对定制选取的风电数据进行特征优化处理。

进一步地，所述根据所述预警预测数据，对风电运行进行故障预警预测，包括：

根据风电故障预警预测结果，对故障预测精度进行评估；以及

根据所述预警预测数据，对预设典型事件进行预警预测。

本申请采用以上技术方案，至少具备以下有益效果：

本申请通过多方面对风电数据进行特征构建，并进行特征的并行快速化计算提取，有助于实现快速对大量风电数据提取特征，基于提取到的特征，对风电数据进行分类别的降维处理，得到高信息丰富度的且具备可解释性的预警预测数据，本申请通过对风电数据进行处理，实现对预警预测数据的可解释性的有效提升，从而有助于提升风电故障预警预测的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一个实施例提供的风电故障预警预测方法的流程示意图；

图2为本申请一个实施例提供的基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据的流程示意图；

图3为本申请一个实施例提供的特征重要性量化的示意图；

图4为本申请一个实施例提供的对风电故障的预测效果说明。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。

图1为本申请一个实施例提供的风电故障预警预测方法的流程示意图；如图1所示，该风电故障预警预测方法包括如下步骤：

步骤S1、通过多方面对风电数据进行特征构建，并进行特征的并行快速化计算提取。

在具体应用中，由于风电数据的数据量巨大，以及风电数据的多样性和复杂性，存在的问题是，数据处理量大，且处理过程耗时较长。通过多方面对风电数据进行特征构建，并进行特征的并行快速化计算提取，有助于实现快速对大量风电数据提取特征。

在一个实施例中，所述通过多方面对风电数据进行特征构建，包括：

结合实际操作人员对风电故障的业务理解进行特征构建；

根据风电数据的时序性特点进行统计上的特征构建；以及

对探索得到的与实际故障业务贴合的特征数据进行特征构建。

在实际应用中，可根据上述三个方面进行了大量复杂的特征工程，并汇总以上的诸多特征，最终构建多个相关特征，比如，有可能构建出上百个相关特征。通过上述实施例方案，有助于获得与实际业务贴合的优质风电数据特征，进而使得用于预警预测的风电数据能够与风电场的实际运行特点相匹配。

以下通过具体应用示例应用对上述三方面特征构建的方案进行说明。

在一个实施例中，所述结合实际操作人员对风电故障的业务理解进行特征构建，包括：从以下三个方面中的至少一个方面进行特征构建：

从视在功率和功角方面；

从温度异常变化角度对温度波动性进行量化方面；以及

从偏航角度的设定值与实际值的变动方面。

需要指出的是，上述具体实施例说明是示例性的，是用于对本申请进行更进一步的说明，不能理解为对本申请的限制。

在一个实施例中，所述根据风电数据的时序性特点进行统计上的特征构建，包括：

通过傅里叶变换、自相关系数和线性趋势中的至少一项，对风电数据进行统计上的特征构建。

在实际应用中，风电数据具有时序性特点，利用傅里叶变换、自相关系数和线性趋势中的任一项可对时序数据进行预测，得到未来变化情况。上述实施例方案中的线性趋势，在具体应用中，可以是小时级线性趋势，比如，以一小时为单位获取数据进行预测。

同样需要指出的是，上述具体实施例说明是示例性的，是用于对本申请进行更进一步的说明，不能理解为对本申请的限制。

在一个实施例中，所述对探索得到的与实际故障业务贴合的特征数据进行特征构建，包括：

对探索得到的与实际故障业务贴合的变频器出入口温差特点和/或温度的特点分位数进行特征构建。

对于温度的特点分位数，比如，是温度的0.95分位数。

通过上述实施例方案，对实际数据进行探索，可以得到能与实际故障业务结合的优质特征数据，利用这些优质数据进行进一步的处理，能使得到的数据及其特征更加可靠。

在实际应用中，数据特征的计算可以借助Python中的tsfresh包实现，可通过设定tsfresh包中的extract_features函数参数n_jobs来快速实现特征的并行化计算。同样需要指出的是，上述具体实施例说明是示例性的，是用于对本申请进行更进一步的说明，不能理解为对本申请的限制。

在一个实施例中，所述通过多方面对风电数据进行特征构建之前，所述方法还包括：

基于风电数据的时序性特点，通过聚合和解码处理，将原始风电数据转换为预设时间级的风电数据，并转换成特定的格式，以便于特征提取。

通过上述实施方案，有助于实现对风电数据进行批量数据处理，比如，通过聚合和解码处理，将原生风电感应器产生的秒级数据转化为分钟级数据，然后使其变为有利于编程抽取特征的格式。

在实际应用中，通过将上述各实施例的结合，可实现计算的高效性、特征的多样性，以及特征能够贴合实际风电实际应用场景情况。

步骤S2、基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据。

基于经过上述相关实施例获得的特征，再对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据，能够有助于提升用于预警预测的风电数据的质量，实现对预警预测数据的可解释性的有效提升，从而有助于提升风电故障预警预测的准确性。

对于高信息丰富度的理解，在本申请的一个实施例中，其可以定义为：与原数据相比，处理后的数据(比如降维后的数据)对处理前的原数据中的方差的解释程度不低于90％，其中，原数据包括：原始数据以及基于原始数据衍生出的数据。

图2为本申请一个实施例提供的基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据的流程示意图；如图2所示，所述基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据，包括：

步骤S21、基于风电数据的先验知识对风电数据进行特征分类，并进行分类别的数据降维处理。

根据风电数据特征的基本属性进行类别划分，可以主要分为以下几种常见类型：状态值(class)、功率相关(power)、设定值(set)、周期(period)、角度(angle)、计数(count)、速度(speed)、电力相关(elect)、其他数值(value)、温度相关(temper)、事件相关(event)。

在一个实施例中，所述数据降维处理的方法采用PCA降维方法。

PCA，Principal Components Analysis的缩写，中文译为：主成分分析，通过PCA降维方法可以在压缩数据的同时让信息损失最小化，能够使得降维处理后的数据天然的具备业务和部件等属性。

经过上述特征分类处理后，再进行降维处理，既使得得到的预警预测数据在尽可能保持数据原貌的前提下，最大限度地得到精简，又使得得到的数据作为故障预警预测的可解释性能够得到大大提升。

同样需要指出的是，上述PCA降维方法的具体实施例说明是示例性的，是用于对本申请进行更进一步的说明，不能理解为对本申请的限制。

步骤S22、对降维处理后的数据进行特征重要性量化处理。

在实际应用中，可以利用LightGBM模型对数据进行特征重要性的量化处理，处理结果示例如图3所示。

通过上述实施例方案，有助于使得处理得到的数据间能够区分影响重要性的不同。

在一个实施例中，如图2所示，所述基于风电数据的先验知识对风电数据进行特征分类之前，所述方法还包括：

步骤S20、根据预设需求定制选取需要的风电数据，对定制选取的风电数据进行特征优化处理。

在具体应用中，由于风电时序数据的特定结构和特征的多样性和复杂性，数据的高频率采集和传输导致了数据量较大，直接进行优化处理的话，数据计算处理耗时较大，会牺牲实际运行效率。通过上述实施例方案，根据实际需要先定制特征数据，然后再进行特征计算优化处理，比如筛选处理，有助于提高特征计算优化处理的实际运行效率。

步骤S3、根据所述预警预测数据，对风电运行进行故障预警预测。

在实际应用中，得到的预警预测数据，由于具有高信息丰富度的且具备可解释性，在输入到预先构建好的预警预测模型对风电故障预警预测时，特征的丰富性确保了模型输入拥有相对足够的信息用于预测，合理的降维使得模型工程化的环境要求得到了极大的降低，最终实现了风电故障的高精度预测；同时也有助于模型的工程化部署，比如，对内存的占用、带宽的要求的降低，由于对机器算法进行了封装而降低了工程阶段的复杂性。

在一个实施例中，所述根据所述预警预测数据，对风电运行进行故障预警预测，包括：

根据风电故障预警预测结果，对故障预测精度进行评估；以及

根据所述预警预测数据，对预设典型事件进行预警预测。

关于根据风电故障预警预测结果，对故障预测精度进行评估，以下利用相关技术中的LightGBM模型对预警预测结果进行评估，图4示出了LightGBM模型对故障预测精度评估的结果，具体为：图4示出了LightGBM模型表现的几种度量方式的数值(从上至下分别为：F数，查准率，查全率，ROC值，四种从不同方面衡量分类模型的指标，最佳为1，最差为0)，通过图4示出的高评估结果数值可知——本申请对风电数据先进行处理，得到高信息丰富度的且具备可解释性的预警预测数据，根据高信息丰富度的且具备可解释性的预警预测数据对风电运行进行预警预测，能获得较高的预警预测精度。

实现故障的高精度预测的同时，还可以探索其他几种典型事件的预测，并对多个典型事件实现了有效的预测。比如，在具体应用中，可有效预测的典型事件如下：

偏航制动泵过载、电流传感器故障、变桨电机温度高、轮毂油脂泵MCB故障等。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为：表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种风电故障预警预测的方法，其特征在于，包括：

通过多方面对风电数据进行特征构建，并进行特征的并行快速化计算提取；

基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据；

根据所述预警预测数据，对风电运行进行故障预警预测；

其中，所述通过多方面对风电数据进行特征构建，包括：

结合实际操作人员对风电故障的业务理解进行特征构建；

根据风电数据的时序性特点进行统计上的特征构建；以及

对探索得到的与实际故障业务贴合的特征数据进行特征构建；

其中，

所述结合实际操作人员对风电故障的业务理解进行特征构建，包括：从以下三个方面中的至少一个方面进行特征构建：

从视在功率和功角方面；

从温度异常变化角度对温度波动性进行量化方面；以及

从偏航角度的设定值与实际值的变动方面；

其中，

所述对探索得到的与实际故障业务贴合的特征数据进行特征构建，包括：

对探索得到的与实际故障业务贴合的变频器出入口温差特点和/或温度的特点分位数进行特征构建；

其中，所述根据风电数据的时序性特点进行统计上的特征构建，包括：

通过傅里叶变换、自相关系数和线性趋势中的至少一项，对风电数据进行统计上的特征构建；

其中，所述基于提取到的特征，对风电数据进行处理，得到高信息丰富度的且具备可解释性的预警预测数据，包括：

基于风电数据的先验知识对风电数据进行特征分类，并进行分类别的数据降维处理，且使降维处理后的数据对处理前的原数据中的方差的解释程度不低于90％；

针对降维处理后的数据，利用LightGBM模型，进行特征重要性量化处理。

2.根据权利要求1所述的方法，其特征在于，所述通过多方面对风电数据进行特征构建之前，所述方法还包括：

基于风电数据的时序性特点，将原始风电数据转换为预设时间级的风电数据，并转换成特定的格式，以便于特征提取。

3.根据权利要求1所述的方法，其特征在于，所述数据降维处理的方法采用PCA降维方法。

4.根据权利要求1或3所述的方法，其特征在于，所述基于风电数据的先验知识对风电数据进行特征分类之前，所述方法还包括：

根据预设需求定制选取需要的风电数据，对定制选取的风电数据进行特征优化处理。

5.根据权利要求1所述的方法，其特征在于，所述根据所述预警预测数据，对风电运行进行故障预警预测，包括：

根据风电故障预警预测结果，对故障预测精度进行评估；以及

根据所述预警预测数据，对预设典型事件进行预警预测。

Images