CN113153657A - 风机发电率损失预测方法、系统、设备及介质 - Google Patents

Abstract

本公开提供了风机发电率损失预测方法、系统、设备及介质，该方法包括以下步骤：S1：获取风机历史上的缺陷差异集合以及缺陷差异集合对应的发电率差异，其中，缺陷差异集合为各个时间阶段风机缺陷分布之间的变化差异，发电率差异为各个时间阶段风机发电率之间的变化差异；S2：将缺陷差异集合与发电率差异作为训练集，输入至预设的网络模型中训练，获取发电率损失模型；S3：获取风机当前的实际缺陷集合，并输入发电率损失模型，得到风机的发电率损失。本公开通过缺陷差异集合和对应的发电率差异训练的模型，能够实现对风机发电率损失的准确预测，以准确判断风机缺陷对风机发电的影响，大幅降低了计算的复杂性，操作简单效率更高，准确性更高。

Description

风机发电率损失预测方法、系统、设备及介质

技术领域

本公开属于风力发电技术领域，尤其涉及风机发电率损失预测方法、系统、设备及介质。

背景技术

风力发电是指将风的动能转为电能，风力发电原理是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电。正由于风力发电的环保性，其作为清洁能源受到了非常的重视。

风电发电机组，简称风机，其一般包括风轮、发电机、塔筒三部分，其中，风轮是把风的动能转变为机械能的重要部件，它由若干只叶片组成，当风吹向浆叶时，桨叶上产生气动力驱动风轮转动，发电机是把由风轮得到的恒定转速，通过升速传递给发电机构均匀运转，因而把机械能转变为电能，塔筒是支承风轮和发电机的构架。

发电率损失是衡量风机使用情况的重要指标，根据发电率损失可以判断风机什么时候需要进行维护保养，因此，发电率损失的准确预测对于风电场尤为重要。

发明内容

本公开提供了风机发电率损失预测方法、系统、设备及介质，其通过特定数据训练的模型，能够实现对风机发电率损失的准确预测，以准确判断风机缺陷对发电的影响，大幅降低了计算的复杂性，操作简单效率更高，准确性更高。

为实现上述效果，本公开的一方面提供了一种风机发电率损失预测方法，包括以下步骤：

S1：获取风机历史上的缺陷差异集合以及缺陷差异集合对应的发电率差异，其中，缺陷差异集合为各个时间阶段风机缺陷分布之间的变化差异，发电率差异为各个时间阶段风机发电率之间的变化差异；

S2：将缺陷差异集合与发电率差异作为训练集，输入至预设的网络模型中训练，获取发电率损失模型；

S3：获取风机当前的实际缺陷集合，并输入发电率损失模型，得到风机的发电率损失。

在其中一个实施例中，在步骤S1中，缺陷差异集合对应的发电率差异获取步骤包括：

获取风机各个时间阶段的运行数据，根据运行数据计算风机各个时间阶段的发电量所对应的发电率，以获取发电率差异，其中，运行数据包括风机风速、风机功率、风机转速。

在其中一个实施例中，步骤S1还包括：

剔除缺陷差异集合和发电率差异中的非缺陷影响因素，其中，非缺陷影响因素包括风力分布、老化程度。

在其中一个实施例中，剔除缺陷差异集合和发电率差异中的非缺陷影响因素进一步包括：

基于非缺陷影响因素对各个时间阶段风机缺陷分布、风机发电率进行横向比较，获取相同非缺陷影响因素下的缺陷差异集合和发电率差异。

在其中一个实施例中，缺陷差异集合中的缺陷参数包括位置、尺寸、层次、类型、级别。

在其中一个实施例中，在步骤S3之后，还包括步骤：

S4：根据发电率损失判断是否风机需进行维护：若发电率损失大于预设的维护阈值，则风机需进行维护，反之，则风机不需进行维护，其中，通过维护成本与发电率损失之间的平衡确定维护阈值。

在其中一个实施例中，在步骤S2中，网络模型为Mask R-CNN模型或者Faster R-CNN模型或者YOLO模型或者SDD模型。

本公开的另一方面提供了一种风机发电率损失预测系统，包括：

数据获取模块，用于获取风机历史上的缺陷差异集合以及缺陷差异集合对应的发电率差异，其中，缺陷差异集合为各个时间阶段风机缺陷分布之间的变化差异，发电率差异为各个时间阶段风机发电率之间的变化差异；

模型训练模块，用于将缺陷差异集合与发电率差异作为训练集，输入至预设的网络模型中训练，获取发电率损失模型；

预测模块，用于获取风机当前的实际缺陷集合，并输入发电率损失模型，得到风机的发电率损失。

本公开的再一方面提供了一种风机发电率损失预测设备，包括：

存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行如前所述的风机发电率损失预测方法。

本公开的最后一方面提供了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前所述的风机发电率损失预测方法。

本公开与现有技术相比具有以下的优点和积极效果：

1)本公开通过缺陷差异集合和对应的发电率差异训练得到发电率损失模型，以实现输入当前的实际缺陷集合就可以预测得到风机的发电率损失，其中，模型通过缺陷差异集合和发电率差异训练，可以准确地得到风机缺陷分布演变对风机发电率损失的影响关系，从而可以输入当前的实际缺陷集合就可以知道现阶段的风机发电率损失以及下阶段的风机发电率损失趋势，如此，解决了风机缺陷对发电率损失的影响很难预测的技术问题，大大降低了计算的复杂性，避免了一遍又一遍的重复计算，操作简单效率更高，准确性更高；

2)本公开为获取缺陷差异集合对应的发电率差异，采用剔除缺陷差异集合和发电率差异中的非缺陷影响因素，其中，通过基于非缺陷影响因素对各个时间阶段风机缺陷分布、风机发电率进行横向比较，获取相同非缺陷影响因素下的缺陷差异集合和发电率差异，如此，避免了如风力分布、老化程度等非缺陷因素对发电率损失预测的影响，大大提高了预测风机缺陷对风机发电率损失的准确性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本公开的限制。

图1为本公开一实施例提供的风机发电率损失预测方法的步骤流程图；

图2为本公开一实施例提供的风机发电率损失预测系统的模块连接示意图；

图3为本公开一实施例提供的风机发电率损失预测设备的结构示意图；

图4为本公开一实施例提供的存储有计算机可读指令的存储介质的结构示意图。

具体实施方式

通过上述说明可知，对于风机发电率损失预测是风力发电技术领域非常重要的步骤。尤其对于风电场来说，快速、准确地对风机发电率损失预测有利于风电场的高效运行、减少损失。

目前，风力发电机的叶片，随着运行时间的延长，容易出现多种缺陷，例如裂痕、掉漆、表皮脱落、玻纤损毁、雷击损毁等，这些缺陷容易导致发电率出现损失，同时，由于时间、风力分布等条件的不同，例如是风力分布不同带来的发电量不同，通常不认为是发电率的损失，仅仅是风力分布不同导致，是一种外在的，不像叶片缺陷那样是一种内在的、自身的影响，这使得很难得到缺陷直接对发电率损失，即便计算也需要经过大量数据处理和整合，并且每计算一台风力发电机的发电率损失，都要重复一遍计算过程，非常的繁琐，也严重消耗风电场的精力。因此，对于风机发电率损失的预测还存在着计算难、效率低、干扰大等技术问题。

为解决上述技术问题，本公开提供了风机发电率损失预测方法、系统、设备及介质，通过缺陷差异集合和对应的发电率差异训练的模型，能够实现对风机发电率损失的准确预测，以准确判断风机缺陷对发电的影响，大幅降低了计算的复杂性，操作简单效率更高，准确性更高。值得说明的是，本公开提供的风机发电率损失预测方法，目的是预测风机缺陷造成的风机发电率损失，以便于风电场中对风机缺陷的维护管理，从而保证风电场整体的高效运行以及减少损失。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对照附图说明本公开的具体实施方式。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本公开相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

关于风机发电率损失预测方法的示例说明

参看图1，本公开提供了一种风机发电率损失预测方法，包括以下步骤：

S1：获取风机历史上的缺陷差异集合以及缺陷差异集合对应的发电率差异，其中，缺陷差异集合为各个时间阶段风机缺陷分布之间的变化差异，发电率差异为各个时间阶段风机发电率之间的变化差异；

S2：将缺陷差异集合与发电率差异作为训练集，输入至预设的网络模型中训练，获取发电率损失模型；

S3：获取风机当前的实际缺陷集合，并输入发电率损失模型，得到风机的发电率损失。

现对上述实施例进行详细说明，但不仅限于此。

在本实施例的步骤S1中，通过风机的历史数据可以获取到风机的缺陷差异集合，其中，通过各个时间阶段的风机缺陷分布情况可以得到不同时间阶段之间的缺陷分布差异，即风机缺陷分布的变化情况，再将所有不同时间阶段之间的缺陷分布差异整合一起就是本实施需要的缺陷差异集合。这里的时间阶段可以以1个月或者3个月或者其他时间长度为一个时间阶段，具体可以根据实际需要进行设定，也可以根据风机的缺陷巡检时间间隔进行设定。

同时，通过风机的历史数据还获取缺陷差异集合对应的发电率差异，其中，获取风机各个时间阶段的运行数据，根据运行数据计算风机各个时间阶段的发电量所对应的发电率，以获取发电率差异。具体而言，获取风机的SCADA数据，即运行数据，其包括风机风速、风机功率、风机转速等基本参数，该数据一般风场就能够直接提供，然后根据SCADA数据可以直接计算出风机历年任意时间阶段的发电量，除以时间阶段的长度就可以得到风机发电率，本实施例基于各个时间阶段的风机发电率就得到了发电率差异。

优选的，在本实施例的步骤S1还包括剔除缺陷差异集合和发电率差异中的非缺陷影响因素，其中，非缺陷影响因素包括风力分布、老化程度。具体而言，除了风机缺陷分布以外，影响风机发电率的还有风机自身的老化影响、以及历年同一时期的风力分布并不完全相同，这就需要剔除这些非缺陷影响因素。为此，本实施例通过基于非缺陷影响因素对各个时间阶段风机缺陷分布、风机发电率进行横向比较，获取相同非缺陷影响因素下的缺陷差异集合和发电率差异，以此来剔除非缺陷影响因素，现举一例子对该原理进行说明，但不仅限于此：

假设：2020年3-6月的风力分布实际发了2020年3-6月的发电量，2021年3-6月的风力分布实际发了2021年3-6月的发电量；

将2021年3-6月的风力分布实际发的2021年3-6月的发电量，设为A，再求得采用2021年3-6月的风力分布能够在2020年的3-6月所发出的电量，设为B。如此，实际上A-B之间的差异，便体现了缺陷分布的差异对应的发电率差异，其中，风力分布与发电量之间的关系是现有已知的且容易计算的，故在此不赘述，采用2021年3-6月的风力分布计算在2020年的3-6月所发出的电量，即对2020年3-6月实际所发的电量进行修正，以保证修正之后的2020年的3-6月与2021年3-6月的风力分布条件相同，如此，得到的发电率差异体现为缺陷分布差异导致的。同理，风机的老化程度与发电量之间的关系也是现有已知的且容易计算的，通过上述类似的方法同样能够实现该非缺陷影响因素的剔除，以得到缺陷分布差异带来的发电率差异。

同样地，本实施例也可以通过基于非缺陷影响因素进行数据查询，以直接获取相同非缺陷影响因素下的缺陷差异集合和发电率差异，即通过非缺陷影响因素本身相同的历史数据进行计算获取本实施例缺陷差异集合对应的发电率差异，以剔除非缺陷影响因素的影响。

本实施例为获取缺陷差异集合对应的发电率差异，采用剔除缺陷差异集合和发电率差异中的非缺陷影响因素，其中，通过基于非缺陷影响因素对各个时间阶段风机缺陷分布、风机发电率进行横向比较，获取相同非缺陷影响因素下的缺陷差异集合和发电率差异，如此，避免了如风力分布、老化程度等非缺陷因素对发电率损失预测的影响，大大提高了预测风机缺陷对风机发电率损失的准确性。

本实施例的缺陷差异集合中的缺陷参数包括位置、尺寸、层次、类型、级别，其中，位置用于标注缺陷的位置，尺寸用于标注缺陷的大小，层次用于标注缺陷已经影响到设备的哪一层材料，类型用于标注缺陷的类别，级别用于标注缺陷的严重程度，如此，全面地标注缺陷的特征，以全面地表示出缺陷随时间的演变过程。

在本实施例的步骤S2中，将缺陷差异集合与发电率差异作为训练集，输入至预设的网络模型中训练，获取发电率损失模型。其中，通过缺陷差异集合与发电率差异进行网络模型的训练，即可得到缺陷分布变化对发电率的影响规律，具体可以体现为缺陷分布与发电率的时间变化规律，即通过训练得到发电率损失模型，可以得到缺陷分布任意状态对应的发电率损失情况。具体的网络模型可以为Mask R-CNN模型或者Faster R-CNN模型或者YOLO模型或者SDD模型等等。

在本实施例的步骤S3中，获取风机当前的实际缺陷集合，并输入发电率损失模型，得到风机的发电率损失。其中，通过例如无人机等巡检手段获取风机当前的实际缺陷集合，即该风机所有的缺陷分布情况，值得注意的是，这里输入的是实际缺陷集合，虽然和步骤S1中的缺陷差异集合两者名称不同，但是根据集合的定义，两集合做差后得到的仍是集合，因此步骤S3采用缺陷集合的方式输入模型即可，从发电率损失模型的本质来讲，模型直接反映的是缺陷分布与发电率的时间变化规律，因此发电率损失模型输入实际缺陷集合即可，而发电率损失模型可以根据实际缺陷集合从历史数据的缺陷分布与发电率的时间变化规律中，准确地估算得到风机的发电率损失。

优选的，参看图1，在步骤S3之后，还包括步骤：S4：根据发电率损失判断是否风机需进行维护：若发电率损失大于预设的维护阈值，则风机需进行维护，反之，则风机不需进行维护，其中，通过维护成本与发电率损失之间的平衡确定维护阈值。具体而言，本实施例通过发电率损失和维护阈值进行比较，当发电率损失大于预设的维护阈值，即发电率损失造成的经济损失大于维护成本，则需维护风机，当发电率损失小于预设的维护阈值，即发电率损失造成的经济损失小于维护成本，则暂时不需维护风机，如此，实现风机维护的有效管控，降低维护成本。

关于风机发电率损失预测系统的示例说明

本公开的一实施例中还提供了一种风机发电率损失预测系统。在图2中，展示了本公开一实施例提供的风机发电率损失预测系统的模块连接示意图。该系统能够实现本公开中说明的风机发电率损失预测方法。为了实现本公开说明的风机发电率损失预测方法，该系统包括：

数据获取模块501，用于获取风机历史上的缺陷差异集合以及缺陷差异集合对应的发电率差异，其中，缺陷差异集合为各个时间阶段风机缺陷分布之间的变化差异，发电率差异为各个时间阶段风机发电率之间的变化差异；

模型训练模块502，用于将缺陷差异集合与发电率差异作为训练集，输入至预设的网络模型中训练，获取发电率损失模型；

预测模块503，用于获取风机当前的实际缺陷集合，并输入发电率损失模型，得到风机的发电率损失。

关于风机发电率损失预测设备的示例说明

本公开的一实施例中还提供了一种风机发电率损失预测设备，该设备包括：

存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行本公开中说明的风机发电率损失预测方法。

本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

图3是本公开一实施例提供的风机发电率损失预测设备的结构示意图。下面参照图3来详细描述根据本实施例中的实施方式实施的电子设备600。图3显示的电子设备600仅仅是一个示例，不应对本公开任何实施例的功能和使用范围带来任何限制。

如图3所示，电子设备600以通用计算设备的形式表现。电子设备600的组建可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本实施例中上述重复内容获取方法部分中描述的根据本实施例中的实施步骤。例如，处理单元610可以执行如图1所示的步骤。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取单元(RAM)6201和/或高速缓存存储单元6202，可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图像加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可以与一个或者多个使得用户与该电子设备600交互的设备通信，和/或与使得该电子设备能与一个或多个其他计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其他模块通信。应当明白，尽管图3中未示出，可以结合电子设备600使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

关于存储有计算机可读指令的存储介质的示例说明

本公开的一个实施例还提供了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本公开中说明的风机发电率损失预测方法。尽管本实施例未详尽地列举其他具体的实施方式，但在一些可能的实施方式中，本公开说明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本公开中风机发电率损失预测方法部分中描述的根据本公开各种实施例中实施方式的步骤。

图4是本公开一实施例提供的计算机可读存储介质的结构示意图。如图4所示，其中描述了根据本公开的实施方式中用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。当然，依据本实施例产生的程序产品不限于此，在本公开中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本公开通过缺陷差异集合和对应的发电率差异训练得到发电率损失模型，以实现输入当前的实际缺陷集合就可以预测得到风机的发电率损失，其中，模型通过缺陷差异集合和发电率差异训练，可以准确地得到风机缺陷分布演变对风机发电率损失的影响关系，从而可以输入当前的实际缺陷集合就可以知道现阶段的风机发电率损失以及下阶段的风机发电率损失趋势，如此，解决了风机缺陷对发电率损失的影响很难预测的技术问题，大大降低了计算的复杂性，避免了一遍又一遍的重复计算，操作简单效率更高，准确性更高。

上面结合附图对本公开的实施方式作了详细说明，但是本公开并不限于上述实施方式。即使对本公开作出各种变化，倘若这些变化属于本公开权利要求及其等同技术的范围之内，则仍落入在本公开的保护范围之中。

Claims (10)

1.一种风机发电率损失预测方法，其特征在于，包括以下步骤：

S1：获取风机历史上的缺陷差异集合以及所述缺陷差异集合对应的发电率差异，其中，所述缺陷差异集合为各个时间阶段风机缺陷分布之间的变化差异，所述发电率差异为各个时间阶段风机发电率之间的变化差异；

S2：将所述缺陷差异集合与所述发电率差异作为训练集，输入至预设的网络模型中训练，获取发电率损失模型；

S3：获取风机当前的实际缺陷集合，并输入所述发电率损失模型，得到风机的发电率损失。

2.根据权利要求1所述的风机发电率损失预测方法，其特征在于，在所述步骤S1中，所述缺陷差异集合对应的发电率差异获取步骤包括：

获取风机各个时间阶段的运行数据，根据所述运行数据计算风机各个时间阶段的发电量所对应的发电率，以获取所述发电率差异，其中，所述运行数据包括风机风速、风机功率、风机转速。

3.根据权利要求1或2所述的风机发电率损失预测方法，其特征在于，所述步骤S1还包括：

剔除所述缺陷差异集合和所述发电率差异中的非缺陷影响因素，其中，所述非缺陷影响因素包括风力分布、老化程度。

4.根据权利要求3所述的风机发电率损失预测方法，其特征在于，所述剔除所述缺陷差异集合和所述发电率差异中的非缺陷影响因素进一步包括：

基于所述非缺陷影响因素对各个时间阶段风机缺陷分布、风机发电率进行横向比较，获取相同所述非缺陷影响因素下的所述缺陷差异集合和所述发电率差异。

5.根据权利要求1所述的风机发电率损失预测方法，其特征在于，所述缺陷差异集合中的缺陷参数包括位置、尺寸、层次、类型、级别。

6.根据权利要求1所述的风机发电率损失预测方法，其特征在于，在所述步骤S3之后，还包括步骤：

S4：根据所述发电率损失判断是否风机需进行维护：若所述发电率损失大于预设的维护阈值，则风机需进行维护，反之，则风机不需进行维护，其中，通过维护成本与发电率损失之间的平衡确定所述维护阈值。

7.根据权利要求1所述的风机发电率损失预测方法，其特征在于，在所述步骤S2中，所述网络模型为Mask R-CNN模型或者Faster R-CNN模型或者YOLO模型或者SDD模型。

8.一种风机发电率损失预测系统，其特征在于，包括：

数据获取模块，用于获取风机历史上的缺陷差异集合以及所述缺陷差异集合对应的发电率差异，其中，所述缺陷差异集合为各个时间阶段风机缺陷分布之间的变化差异，所述发电率差异为各个时间阶段风机发电率之间的变化差异；

模型训练模块，用于将所述缺陷差异集合与所述发电率差异作为训练集，输入至预设的网络模型中训练，获取发电率损失模型；

预测模块，用于获取风机当前的实际缺陷集合，并输入所述发电率损失模型，得到风机的发电率损失。

9.一种风机发电率损失预测设备，其特征在于，包括：

存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的风机发电率损失预测方法。

10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述的风机发电率损失预测方法。

Images