CN110147898A - 基于故障日志的风电机组故障预测方法、装置及介质 - Google Patents
基于故障日志的风电机组故障预测方法、装置及介质 Download PDFInfo
- Publication number
- CN110147898A CN110147898A CN201711214575.3A CN201711214575A CN110147898A CN 110147898 A CN110147898 A CN 110147898A CN 201711214575 A CN201711214575 A CN 201711214575A CN 110147898 A CN110147898 A CN 110147898A
- Authority
- CN
- China
- Prior art keywords
- fault log
- item set
- wind turbines
- frequent item
- item
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000009412 basement excavation Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G06F19/00—
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测方法,包括:S01、对故障日志进行预处理;S02、对故障日志中数据进行读取并转换,输出频繁项集;S03、根据频繁项集,输入故障日志数据,输出未来一段时间内发生的各故障以及对应的发生概率。本发明还公开了一种预测装置,包括第一模块,用于对故障日志进行预处理;第二模块,用于对故障日志中数据进行读取并转换,并输出频繁项集;第三模块,用于根据频繁项集,输入故障日志数据,输出未来一段时间内发生的各故障以及对应的发生概率。本发明还公开了一种计算机可读存储介质,其上储存有计算机程序,该程序被处理器执行时实现如上所述的方法。本发明的方法、装置及介质均具有故障预测快速准确等优点。
Description
技术领域
本发明主要涉及风力发电技术领域,特指一种基于故障日志的风电机组故障预测方法、装置及介质。
背景技术
风电对于缓解能源供应、改善能源结结构、保护环境等方面意义重大。这些年,风电机组在我国得到了广泛的安装使用。由于风力发电机组通常处于野外,环境条件恶劣,容易出现故障,维修起来耗费大量人力物力,对风机的可靠性要求越来越高。因此开展对风力发电机组常见故障机理进行分析研究,对保证风力发电机组安全运行,预防故障发生,减少故障发生率,提高风力发电机组运行的可靠性有重大的实际意义。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种能够快速、准确预测风电机组故障的基于故障日志的风电机组故障预测方法、装置及介质。
为解决上述技术问题,本发明提出的技术方案为:
一种基于故障日志的风电机组故障预测方法,包括以下步骤:
S01、对风电机组已有的故障日志进行预处理;
S02、对预处理的故障日志中数据进行读取并转换,进行频繁项集的挖掘,并输出频繁项集;
S03、根据频繁项集,输入风电机组的故障日志数据,输出未来一段时间内发生的各故障以及对应的发生概率。
作为上述技术方案的进一步改进:
在步骤S01中,所述预处理包括:去除故障日志中的风机状态标识;去除无意义或与风机本身状态无关的警告记录;压缩在某个时间段内重复报出的故障或警告。
在步骤S02中,基于FP-Growth算法或者apriori算法或partition算法对故障日志中的数据进行频繁项集的挖掘。
基于FP-Growth算法对故障日志中的数据进行频繁项集的挖掘包括以下步骤:
S21、FP-tree构建;
S211、第一遍扫描数据,找出频繁项集,按降序排序;
S212、第二遍扫描数据,对每个transaction,过滤不频繁集合,剩下的频繁项集排序;把每个transaction的频繁项集插入到FP-tree中,相同前缀的路径可以共用;同时增加一个header table,把FP-tree中相同item连接起来,并降序排序;
S22、频繁项挖掘
S221、从header table的最下面的item开始,构造每个item的条件模式基,顺着header table中item的链表,找出所有包含该item的前缀路径,这些前缀路径就是该item的条件模式基,所有这些条件模式基的频繁度为该路径上item的频繁度;
S222、构造条件FP-tree,累加每个条件模式基上的item的频繁度,过滤低于阈值的item,构建FP-tree;
S223、FP-Growh:递归的挖掘每个条件FP-tree,累加后缀频繁项集,直到找到FP-tree为空或者FP-tree只有一条路径;只有一条路径情况下,所有路径上item的组合都是频繁项集。
在步骤S02中,还包括对频繁项集的验证:根据频繁项集,绘制某故障在某个时间段的时序图或Sankey图形,验证频繁项集的准确性。
在进行频繁项集的挖掘时,还包括支持度和搜索前置时间的设置。
本发明还公开了一种基于故障日志的风电机组故障预测装置,包括:
第一模块,用于对风电机组已有的故障日志进行预处理;
第二模块,用于对预处理的故障日志中数据进行读取并转换,进行频繁项集的挖掘,并输出频繁项集;
第三模块,用于根据频繁项集,输入风电机组的故障日志数据,输出未来一段时间内发生的各故障以及对应的发生概率。
本发明还相应公开了一种计算机可读存储介质,其上储存有计算机程序,该程序被处理器执行时实现如上所述的方法。
与现有技术相比,本发明的优点在于:
本发明的基于故障日志的风电机组故障预测方法、装置及介质,采用风电机组运行过程中的故障日志记录数据,从数据分析入手,挖掘风机故障发生的警告、故障的关联性,从中找出规律,并在风机运行过程中根据这些规律预测风机的状态,预防某些较大故障的发生,较少经济损失,提升风机的可利用率;相对于以SCADA数据作为输入的机器学习模型,基于故障日志的故障预测,能够快速、准确的预测风机的某些故障,且消耗的资源少,能够快速部署。
附图说明
图1为本发明中故障频繁项集的搜索流程图。
图2为本发明中故障预测流程图。
图3为本发明中FP-tree构建流程图。
图4为本发明中构建频繁度计数流程图。
图5为本发明中构造条件FP-tree流程图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1至图5所示,本实施例的基于故障日志的风电机组故障预测方法,包括以下步骤:
S01、对风电机组已有的故障日志进行预处理;
S02、对预处理的故障日志中数据进行读取并转换,进行频繁项集的挖掘,并输出频繁项集;
S03、根据频繁项集,输入风电机组的故障日志数据,输出未来一段时间内发生的各故障以及对应的发生概率。
本发明的基于故障日志的风电机组故障预测方法,采用风电机组运行过程中的故障日志记录数据,从数据分析入手,挖掘风机故障发生的警告、故障的关联性,从中找出规律,并在风机运行过程中根据这些规律预测风机的状态,预防某些较大故障的发生,较少经济损失,提升风机的可利用率;相对于以SCADA数据作为输入的机器学习模型,基于故障日志的故障预测,能够快速、准确的预测风机的某些故障,且消耗的资源少,能够快速部署。
本实施例中,在步骤S01中,预处理包括:去除故障日志中的风机状态标识;去除无意义或与风机本身状态无关的警告记录;压缩在某个时间段内重复报出的故障或警告(针对某些故障或警告,会在某个时间段(一天或者几天)内报出多次,而实际风机状态就只是一个问题,此种情况需将这些多次的故障或警告压缩为一次)。
本实施例中,在步骤S02中,首先设置支持度和搜索前置时间,再基于FP-Growth算法或者apriori算法或partition算法对故障日志中的数据进行频繁项集的挖掘。优选采用FP-Growth算法,FP-Growth算法的目的在于挖掘经常出现item集合(亦称频繁项集),通过挖掘出这些频繁项集,当在一个事务中出现频繁项集的其中一个item,则可以把该频繁项集的其他item作为推荐。该算法分为两个过程,分别为FP-tree构建,递归挖掘FP-tree,具体步骤如下:
S21、FP-tree构建,如图3所示;
S211、第一遍扫描数据,找出频繁项集,按降序排序;
S212、第二遍扫描数据,对每个transaction,过滤不频繁集合,剩下的频繁项集排序;把每个transaction的频繁项集插入到FP-tree中,相同前缀的路径可以共用;同时增加一个header table,把FP-tree中相同item连接起来,并降序排序;
S22、频繁项挖掘
S221、从header table的最下面的item开始,构造每个item的条件模式基(conditional pattern base),顺着header table中item的链表,找出所有包含该item的前缀路径,这些前缀路径就是该item的条件模式基(CPB),所有这些条件模式基的频繁度(计数)为该路径上item的频繁度(计数),如图4所示;
S222、构造条件FP-tree(conditional FP-tree),累加每个条件模式基上的item的频繁度,过滤低于阈值的item,构建FP-tree;
S223、FP-Growh:递归的挖掘每个条件FP-tree,累加后缀频繁项集,直到找到FP-tree为空或者FP-tree只有一条路径;只有一条路径情况下,所有路径上item的组合都是频繁项集。
本实施例中,在步骤S02中,还包括对频繁项集的验证:根据频繁项集,绘制某故障在某个时间段的时序图或Sankey图形,验证频繁项集的准确性。
本发明还相应公开了一种基于故障日志的风电机组故障预测装置,包括:
第一模块,用于对风电机组已有的故障日志进行预处理;
第二模块,用于对预处理的故障日志中数据进行读取并转换,进行频繁项集的挖掘,并输出频繁项集;
第三模块,用于根据频繁项集,输入风电机组的故障日志数据,输出未来一段时间内发生的各故障以及对应的发生概率。
本发明同时公开了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上所述的方法。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种基于故障日志的风电机组故障预测方法,其特征在于,包括以下步骤:
S01、对风电机组已有的故障日志进行预处理;
S02、对预处理的故障日志中数据进行读取并转换,进行频繁项集的挖掘,并输出频繁项集;
S03、根据频繁项集,输入风电机组的故障日志数据,输出未来一段时间内发生的各故障以及对应的发生概率。
2.根据权利要求1所述的基于故障日志的风电机组故障预测方法,其特征在于,在步骤S01中,所述预处理包括:去除故障日志中的风机状态标识;去除无意义或与风机本身状态无关的警告记录;压缩在某个时间段内重复报出的故障或警告。
3.根据权利要求1所述的基于故障日志的风电机组故障预测方法,其特征在于,在步骤S02中,基于FP-Growth算法或者apriori算法或partition算法对故障日志中的数据进行频繁项集的挖掘。
4.根据权利要求3所述的基于故障日志的风电机组故障预测方法,其特征在于,基于FP-Growth算法对故障日志中的数据进行频繁项集的挖掘包括以下步骤:
S21、FP-tree构建;
S211、第一遍扫描数据,找出频繁项集,按降序排序;
S212、第二遍扫描数据,对每个transaction,过滤不频繁集合,剩下的频繁项集排序;把每个transaction的频繁项集插入到FP-tree中,相同前缀的路径可以共用;同时增加一个header table,把FP-tree中相同item连接起来,并降序排序;
S22、频繁项挖掘
S221、从header table的最下面的item开始,构造每个item的条件模式基,顺着headertable中item的链表,找出所有包含该item的前缀路径,这些前缀路径就是该item的条件模式基,所有这些条件模式基的频繁度为该路径上item的频繁度;
S222、构造条件FP-tree,累加每个条件模式基上的item的频繁度,过滤低于阈值的item,构建FP-tree;
S223、FP-Growh:递归的挖掘每个条件FP-tree,累加后缀频繁项集,直到找到FP-tree为空或者FP-tree只有一条路径;只有一条路径情况下,所有路径上item的组合都是频繁项集。
5.根据权利要求1至4中任意一项所述的基于故障日志的风电机组故障预测方法,其特征在于,在步骤S02中,还包括对频繁项集的验证:根据频繁项集,绘制某故障在某个时间段的时序图或Sankey图形,验证频繁项集的准确性。
6.根据权利要求1至4中任意一项所述的基于故障日志的风电机组故障预测方法,其特征在于,在进行频繁项集的挖掘时,还包括支持度和搜索前置时间的设置。
7.一种基于故障日志的风电机组故障预测装置,其特征在于,包括:
第一模块,用于对风电机组已有的故障日志进行预处理;
第二模块,用于对预处理的故障日志中数据进行读取并转换,进行频繁项集的挖掘,并输出频繁项集;
第三模块,用于根据频繁项集,输入风电机组的故障日志数据,输出未来一段时间内发生的各故障以及对应的发生概率。
8.一种计算机可读存储介质,其上储存有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214575.3A CN110147898A (zh) | 2017-11-28 | 2017-11-28 | 基于故障日志的风电机组故障预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214575.3A CN110147898A (zh) | 2017-11-28 | 2017-11-28 | 基于故障日志的风电机组故障预测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147898A true CN110147898A (zh) | 2019-08-20 |
Family
ID=67588759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711214575.3A Pending CN110147898A (zh) | 2017-11-28 | 2017-11-28 | 基于故障日志的风电机组故障预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147898A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611531A (zh) * | 2019-09-02 | 2019-12-24 | 锐捷网络股份有限公司 | 一种光模块故障诊断和预警的方法、装置以及系统 |
CN112462736A (zh) * | 2020-11-13 | 2021-03-09 | 华北电力大学 | 一种基于数据分析的风电机组故障诊断方法 |
CN113591393A (zh) * | 2021-08-10 | 2021-11-02 | 国网河北省电力有限公司电力科学研究院 | 智能变电站的故障诊断方法、装置、设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056222A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘的故障诊断与估价的方法 |
-
2017
- 2017-11-28 CN CN201711214575.3A patent/CN110147898A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056222A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘的故障诊断与估价的方法 |
Non-Patent Citations (3)
Title |
---|
叶明全: "基于FP-Growth算法的精神障碍用药ADR关联挖掘与预警", 《宿州学院学报》 * |
周云祥等: "基于数据挖掘的变电站监控后台告警信号自动分析", 《工业控制计算机》 * |
范习辉等: "序列模式挖掘在电力系统警报信息处理中的应用", 《电力系统自动化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611531A (zh) * | 2019-09-02 | 2019-12-24 | 锐捷网络股份有限公司 | 一种光模块故障诊断和预警的方法、装置以及系统 |
CN112462736A (zh) * | 2020-11-13 | 2021-03-09 | 华北电力大学 | 一种基于数据分析的风电机组故障诊断方法 |
CN113591393A (zh) * | 2021-08-10 | 2021-11-02 | 国网河北省电力有限公司电力科学研究院 | 智能变电站的故障诊断方法、装置、设备和存储介质 |
CN113591393B (zh) * | 2021-08-10 | 2024-05-31 | 国网河北省电力有限公司电力科学研究院 | 智能变电站的故障诊断方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020001642A1 (zh) | 一种运维系统及方法 | |
CN110147898A (zh) | 基于故障日志的风电机组故障预测方法、装置及介质 | |
CN104063519B (zh) | 基于excel的bpa电网数据解析及管理方法及系统 | |
CN110958136A (zh) | 一种基于深度学习的日志分析预警方法 | |
CN108182523A (zh) | 故障数据的处理方法和装置、计算机可读存储介质 | |
CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
CN108415841B (zh) | 一种基于覆盖力度增量的组合测试用例优先级排序方法 | |
CN104518905A (zh) | 一种故障定位方法及装置 | |
CN104077727B (zh) | 变电站电气设备台账智能录入方法与系统 | |
CN104005917A (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 | |
CN111259073A (zh) | 基于日志、流量和业务访问的业务系统运行状态智能研判系统 | |
CN114647732B (zh) | 一种面向弱监督文本分类系统、方法和装置 | |
CN111930597B (zh) | 基于迁移学习的日志异常检测方法 | |
CN105958652A (zh) | 基于大数据分析的无人值守变电站预警系统及方法 | |
CN103675357A (zh) | 风速仪故障预警的方法和系统 | |
CN113434346B (zh) | 一种差分信号极性连接的自动检测方法及系统 | |
CN106874479A (zh) | 基于FPGA的FP‑Growth算法的改进方法及装置 | |
CN107069742B (zh) | 基于Python与PSD-BPA的电力系统连续潮流计算系统 | |
CN110880020B (zh) | 一种自适应的跨区域基站能耗模型迁移与补偿方法 | |
CN109491884A (zh) | 代码性能检测方法、装置、计算机设备和介质 | |
CN115544975B (zh) | 一种日志格式转换方法及设备 | |
Li et al. | Improving performance of log anomaly detection with semantic and time features based on bilstm-attention | |
CN110457225A (zh) | 一种定位项目代码bug的方法、设备和介质 | |
CN100432954C (zh) | 一种面向方面的嵌入式系统测试方法及其系统 | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |