CN113446157B - 海上风力发电机组的故障预警方法及设备 - Google Patents

海上风力发电机组的故障预警方法及设备 Download PDF

Info

Publication number
CN113446157B
CN113446157B CN202010915278.7A CN202010915278A CN113446157B CN 113446157 B CN113446157 B CN 113446157B CN 202010915278 A CN202010915278 A CN 202010915278A CN 113446157 B CN113446157 B CN 113446157B
Authority
CN
China
Prior art keywords
value
yaw system
moment
system fault
variable
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
CN202010915278.7A
Other languages
English (en)
Other versions
CN113446157A (zh
Inventor
丁显
徐进
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.)
China Lvfa Investment Group Co ltd
Ducheng Weiye Group Co ltd
Luneng Group Co ltd
Original Assignee
Ducheng Weiye Group Co ltd
Luneng Group Co ltd
China Lvfa Investment Group 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 Ducheng Weiye Group Co ltd, Luneng Group Co ltd, China Lvfa Investment Group Co ltd filed Critical Ducheng Weiye Group Co ltd
Priority to CN202010915278.7A priority Critical patent/CN113446157B/zh
Publication of CN113446157A publication Critical patent/CN113446157A/zh
Application granted granted Critical
Publication of CN113446157B publication Critical patent/CN113446157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • 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
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • 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
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • 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
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/321—Wind directions
    • 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
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/325—Air temperature
    • 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)
  • Mechanical Engineering (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

本公开提供了一种海上风力发电机组的故障预警方法及设备。所述方法包括：获取海上风力发电机组所在地理位置当前时刻及未来第一预设时长内的气象数据；基于获取的气象数据，确定当前时刻及未来第一预设时长内各个时刻对应的气象输入变量的变量值；将确定的气象输入变量的变量值输入到训练好的海上风力发电机组的偏航系统故障诊断模型，以得到偏航系统故障诊断模型输出的未来第一预设时长内偏航系统故障监测变量的预测值，其中，所述偏航系统故障诊断模型是基于梯度提升决策树算法构建的；当未来第一预设时长内偏航系统故障监测变量的预测值超出安全阈值时，发出偏航系统故障预警。

Description

海上风力发电机组的故障预警方法及设备
技术领域
本公开总体说来涉及能源技术领域，更具体地讲，涉及一种海上风力发电机组的故障预警方法及设备。
背景技术
全球风电装机容量近几年不断增加，保障风力发电机组运行高效、稳定是保证风电场运营收益的关键。对机组运行状态进行合理的预判，提前对机组故障进行预警，执行预防性维护工作，可以有效降低机组故障率，进而提高风电场的发电收益。
发明内容
本公开的示例性实施例在于提供一种海上风力发电机组的故障预警方法及设备，其能够快速、准确地对海上风力发电机组的偏航系统故障进行预警。
根据本公开的示例性实施例，提供一种海上风力发电机组的故障预警方法，所述故障预警方法包括：获取海上风力发电机组所在地理位置当前时刻及未来第一预设时长内的气象数据；基于获取的气象数据，确定当前时刻及未来第一预设时长内各个时刻对应的气象输入变量的变量值；将确定的气象输入变量的变量值输入到训练好的海上风力发电机组的偏航系统故障诊断模型，以得到偏航系统故障诊断模型输出的未来第一预设时长内偏航系统故障监测变量的预测值，其中，所述偏航系统故障诊断模型是基于梯度提升决策树算法构建的；当未来第一预设时长内偏航系统故障监测变量的预测值超出安全阈值时，发出偏航系统故障预警。
可选地，获取的气象数据至少包括：当前时刻的风向值、当前时刻的风速值、当前时刻的环境温度值、未来第一预设时长内各个时刻的风向值、未来第一预设时长内各个时刻的风速值、未来第一预设时长内各个时刻的环境温度值；
其中，所述各个时刻中的每一个时刻对应的气象输入变量的变量值至少包括：该时刻的风向值、该时刻的风速值、该时刻的环境温度值、该时刻与其下一时刻之间的风向变化值、该时刻与其下一时刻之间的风速变化值。
可选地，所述偏航系统故障监测变量包括以下项之一：偏航系统的电机的温度、偏航系统的油温、偏航系统的油压、偏航速度、机头加速度。
可选地，所述故障预警方法还包括：基于海上风力发电机组的历史运行数据和历史气象数据，训练所述偏航系统故障诊断模型，其中，所述历史运行数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的偏航系统故障监测变量的实际值；所述历史气象数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的气象数据。
可选地，基于海上风力发电机组的历史运行数据和历史气象数据，训练所述偏航系统故障诊断模型的步骤包括：基于海上风力发电机组的历史运行数据和历史气象数据，确定与模型训练所涉及的每一历史时刻对应的气象输入变量的变量值和该历史时刻的下一时刻的偏航系统故障监测变量的实际值，作为与该历史时刻对应的模型训练数据；基于与模型训练所涉及的各个历史时刻对应的模型训练数据，使用梯度提升决策树算法以偏航系统故障监测变量的预测值与实际值之间的误差最小为目标，构建多个二分决策树直至满足预设条件时停止，并基于构建的所有二分决策树得到所述偏航系统故障诊断模型。
可选地，在构建多个二分决策树的步骤中，针对每个二分决策树，遍历该二分决策树所对应的所有特征值，计算每个特征值作为该二分决策树的二分节点时，将相应的残差划分成的两组的总方差，并将所对应的总方差最小的特征值作为该二分决策树的最佳二分阈值，其中，特征值包括各个气象输入变量的变量值。
可选地，所述故障预警方法还包括：当满足更新条件时，基于新增的历史数据，更新所述偏航系统故障诊断模型，其中，所述更新条件包括：模型准确度低于预设阈值、新增的能够用于模型训练的历史数据超过预定数量。
根据本公开的另一示例性实施例，提供一种海上风力发电机组的故障预警设备，所述故障预警设备包括：数据获取单元，获取海上风力发电机组所在地理位置当前时刻及未来第一预设时长内的气象数据；输入变量值确定单元，基于获取的气象数据，确定当前时刻及未来第一预设时长内各个时刻对应的气象输入变量的变量值；预测值获取单元，将确定的气象输入变量的变量值输入到训练好的海上风力发电机组的偏航系统故障诊断模型，以得到偏航系统故障诊断模型输出的未来第一预设时长内偏航系统故障监测变量的预测值，其中，所述偏航系统故障诊断模型是基于梯度提升决策树算法构建的；预警单元，当未来第一预设时长内偏航系统故障监测变量的预测值超出安全阈值时，发出偏航系统故障预警。
可选地，获取的气象数据至少包括：当前时刻的风向值、当前时刻的风速值、当前时刻的环境温度值、未来第一预设时长内各个时刻的风向值、未来第一预设时长内各个时刻的风速值、未来第一预设时长内各个时刻的环境温度值；
其中，所述各个时刻中的每一个时刻对应的气象输入变量的变量值至少包括：该时刻的风向值、该时刻的风速值、该时刻的环境温度值、该时刻与其下一时刻之间的风向变化值、该时刻与其下一时刻之间的风速变化值。
可选地，所述偏航系统故障监测变量包括以下项之一：偏航系统的电机的温度、偏航系统的油温、偏航系统的油压、偏航速度、机头加速度。
可选地，所述故障预警设备还包括：训练单元，基于海上风力发电机组的历史运行数据和历史气象数据，训练所述偏航系统故障诊断模型，其中，所述历史运行数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的偏航系统故障监测变量的实际值；所述历史气象数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的气象数据。
可选地，训练单元基于海上风力发电机组的历史运行数据和历史气象数据，确定与模型训练所涉及的每一历史时刻对应的气象输入变量的变量值和该历史时刻的下一时刻的偏航系统故障监测变量的实际值，作为与该历史时刻对应的模型训练数据；并基于与模型训练所涉及的各个历史时刻对应的模型训练数据，使用梯度提升决策树算法以偏航系统故障监测变量的预测值与实际值之间的误差最小为目标，构建多个二分决策树直至满足预设条件时停止，并基于构建的所有二分决策树得到所述偏航系统故障诊断模型。
可选地，训练单元针对每个二分决策树，遍历该二分决策树所对应的所有特征值，计算每个特征值作为该二分决策树的二分节点时，将相应的残差划分成的两组的总方差，并将所对应的总方差最小的特征值作为该二分决策树的最佳二分阈值，其中，特征值包括各个气象输入变量的变量值。
可选地，所述故障预警设备还包括：更新单元，当满足更新条件时，基于新增的历史数据，更新所述偏航系统故障诊断模型，其中，所述更新条件包括：模型准确度低于预设阈值、新增的能够用于模型训练的历史数据超过预定数量。
根据本公开的另一示例性实施例，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时实现如上所述的海上风力发电机组的故障预警方法。
根据本公开的另一示例性实施例，提供一种计算装置，所述计算装置包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的海上风力发电机组的故障预警方法。
根据本公开示例性实施例的海上风力发电机组的故障预警方法及设备，能够预测偏航系统故障监测变量未来的动态变化并给出偏航系统故障预警。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述，本公开示例性实施例的上述和其它目的和特点将会变得更加清楚，其中：
图1示出根据本公开示例性实施例的海上风力发电机组的故障预警方法的流程图；
图2示出根据本公开示例性实施例的训练偏航系统故障诊断模型的方法的流程图；
图3示出根据本公开示例性实施例的海上风力发电机组的故障预警设备的结构框图。
具体实施方式
现将详细参照本公开的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本公开。
图1示出根据本公开示例性实施例的海上风力发电机组的故障预警方法的流程图。
参照图1，在步骤S10，获取海上风力发电机组所在地理位置当前时刻及未来第一预设时长内的气象数据。
作为示例，所述气象数据可涉及风速、风向、环境温度之中的至少一项，应该理解，也可涉及其他类型的能够用于偏航系统故障诊断的气象参数，例如，对偏航系统故障监测变量影响较大的气象参数，本公开对此不作限制。
作为示例，获取的气象数据可至少包括：当前时刻的风向值、当前时刻的风速值、当前时刻的环境温度值、未来第一预设时长内各个时刻的风向值、未来第一预设时长内各个时刻的风速值、未来第一预设时长内各个时刻的环境温度值。
应该理解，当前时刻或历史时刻的气象数据可为实际监测到的气象数据，未来时刻的气象数据可为气象预报数据。
在步骤S20，基于获取的气象数据，确定当前时刻及未来第一预设时长内各个时刻对应的气象输入变量的变量值。
作为示例，所述各个时刻中的每一个时刻对应的气象输入变量的变量值可至少包括：该时刻的风向值、该时刻的风速值、该时刻的环境温度值、该时刻与其下一时刻之间的风向变化值、该时刻与其下一时刻之间的风速变化值。此外，作为示例，也可包括其他类型的气象输入变量的变量值，例如，该时刻与其下一时刻之间的环境温度变化值。
在步骤S30，将确定的气象输入变量的变量值输入到训练好的海上风力发电机组的偏航系统故障诊断模型，以得到偏航系统故障诊断模型输出的未来第一预设时长内偏航系统故障监测变量的预测值，其中，所述偏航系统故障诊断模型是基于梯度提升决策树算法构建的。
具体说来，将与所述各个时刻中的每一时刻对应的气象输入变量的变量值输入到偏航系统故障诊断模型，偏航系统故障诊断模型能够输出该时刻的下一时刻的偏航系统故障监测变量的预测值。根据本公开的示例性实施例，考虑到偏航系统故障监测变量随天气参数连续变化的特性，将上一时刻的气象数据及上一时刻与下一时刻之间的气象数据变化值作为模型的输入，以得到下一时刻的偏航系统故障监测变量的预测值。
作为示例，所述偏航系统故障监测变量可包括以下项之一：偏航系统的电机的温度、偏航(液压)系统的油温、偏航(液压)系统的油压、偏航速度、机头加速度。
在步骤S40，当未来第一预设时长内偏航系统故障监测变量的预测值超出安全阈值时，发出偏航系统故障预警。
作为示例，可根据未来第一预设时长内偏航系统故障监测变量的预测值超出安全阈值的幅度和/或持续时长和/或频率，发出相应的偏航系统故障预警。从而能够便于风力发电机组的运维人员有效地安排好预防性维护工作。
作为示例，根据本公开示例性实施例的海上风力发电机组的故障预警方法还可包括：基于海上风力发电机组的历史运行数据和历史气象数据，训练所述偏航系统故障诊断模型，其中，所述历史运行数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的偏航系统故障监测变量的实际值；所述历史气象数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的气象数据。根据本公开的示例性实施例，通过使用机组从偏航系统相对正常到发生故障这一时间段内的历史数据来训练偏航系统故障诊断模型，能够使训练好的偏航系统故障诊断模型更好地预测偏航系统从将要发生故障到发生故障这一阶段偏航系统故障监测变量的动态变化。
具体地，作为示例，可基于海上风力发电机组的历史运行数据和历史气象数据，确定与模型训练所涉及的每一历史时刻对应的气象输入变量的变量值和该历史时刻的下一时刻的偏航系统故障监测变量的实际值，作为与该历史时刻对应的模型训练数据；然后，基于与模型训练所涉及的各个历史时刻对应的模型训练数据，使用梯度提升决策树算法以偏航系统故障监测变量的预测值与实际值之间的误差最小为目标，构建多个二分决策树直至满足预设条件时停止，并基于构建的所有二分决策树得到所述偏航系统故障诊断模型。
这里，模型训练所涉及的历史时刻即用于训练模型的历史运行数据和历史气象数据所对应的历史时刻。
作为示例，所述预设条件可包括：偏航系统故障监测变量的实际值与预测值之间的残差的均值小于残差阈值和/或无法再构建新的二分决策树(即，所有决策树数据源长度等于1)。例如，所述残差阈值可被设置为偏航系统故障监测变量的最小数量级的10％。
作为示例，在构建多个二分决策树的步骤中，当损失函数为均方误差时，可针对每个二分决策树，遍历该二分决策树所对应的所有特征值，计算每个特征值作为该二分决策树的二分节点时，将相应的残差划分成的两组的总方差，并将所对应的总方差最小的特征值作为该二分决策树的最佳二分阈值，其中，特征值包括各个气象输入变量的变量值。
这里，二分决策树所对应的所有特征值为经由该二分决策树的上一二分决策树划分到该二分决策树的各个气象输入变量的变量值。所述相应的残差为划分到该二分决策树的上一二分决策树的预测值与实际值之间的残差。所述总方差为由该特征值划分的两组残差的方差之和。
作为示例，根据本公开示例性实施例的海上风力发电机组的故障预警方法还可包括：当满足更新条件时，基于新增的历史数据，更新所述偏航系统故障诊断模型，其中，所述更新条件包括：模型准确度低于预设阈值、新增的能够用于模型训练的历史数据超过预定数量。从而能够保证偏航系统故障诊断模型的准确度和稳定性。
图2示出根据本公开示例性实施例的训练偏航系统故障诊断模型的方法的流程图。
参照图2，在步骤S101，获取模型训练数据集D。
其中，D＝{(xi，yi)}，i指示模型训练所涉及的各个历史时刻的序号，i的取值范围为1,2,……,n，x指示气象输入变量，y指示偏航系统故障监测变量，(xi，yi)指示与第i个历史时刻对应的模型训练数据。
在步骤S102，初始化F0，并计算残差数组rm＝{rim}，其中，F0＝Average(yi)，i的取值范围为1,2,……,n，rim＝yi-Fm-1(xi)，m的初始值为1。
在步骤S103，构建二分类决策树hm(x)用于划分{(xi,rim)}，使得式
Figure BDA0002664804330000071
的值最小，并将Fm(x)更新为：Fm(x)＝Fm-1(x)+hm(x)。
其中，L()指示损失函数，作为示例，损失函数可为均方误差，具体地，
Figure BDA0002664804330000072
在步骤S104，更新残差数组rm+1。
在步骤S105，判断是否满足预设条件。例如，所述预设条件可为：Average(rm+1)<0.1*(yi的最小数量级)或所有决策树数据源长度等于1。
当在步骤S105确定不满足预设条件时，执行步骤S106，令m＝m+1，并返回执行步骤S103，即，进行下一次的二分决策树的拟合。
当在步骤S105确定满足预设条件时，执行步骤S107，确定偏航系统故障诊断模型
Figure BDA0002664804330000073
其中，F0(x)＝Average(yi)，hm(x)指示第m个二分决策树的残差拟合结果。
图3示出根据本公开示例性实施例的海上风力发电机组的故障预警设备的结构框图。
如图3所示，根据本公开示例性实施例的海上风力发电机组的故障预警设备包括：数据获取单元10、输入变量值确定单元20、预测值获取单元30、以及预警单元40。
具体说来，数据获取单元10用于获取海上风力发电机组所在地理位置当前时刻及未来第一预设时长内的气象数据。
输入变量值确定单元20用于基于获取的气象数据，确定当前时刻及未来第一预设时长内各个时刻对应的气象输入变量的变量值。
预测值获取单元30用于将确定的气象输入变量的变量值输入到训练好的海上风力发电机组的偏航系统故障诊断模型，以得到偏航系统故障诊断模型输出的未来第一预设时长内偏航系统故障监测变量的预测值，其中，所述偏航系统故障诊断模型是基于梯度提升决策树算法构建的。
预警单元40用于当未来第一预设时长内偏航系统故障监测变量的预测值超出安全阈值时，发出偏航系统故障预警。
作为示例，获取的气象数据可至少包括：当前时刻的风向值、当前时刻的风速值、当前时刻的环境温度值、未来第一预设时长内各个时刻的风向值、未来第一预设时长内各个时刻的风速值、未来第一预设时长内各个时刻的环境温度值。
作为示例，所述各个时刻中的每一个时刻对应的气象输入变量的变量值可至少包括：该时刻的风向值、该时刻的风速值、该时刻的环境温度值、该时刻与其下一时刻之间的风向变化值、该时刻与其下一时刻之间的风速变化值。
作为示例，所述偏航系统故障监测变量可包括以下项之一：偏航系统的电机的温度、偏航系统的油温、偏航系统的油压、偏航速度、机头加速度。
作为示例，根据本公开示例性实施例的海上风力发电机组的故障预警设备还可包括：训练单元(未示出)，训练单元用于基于海上风力发电机组的历史运行数据和历史气象数据，训练所述偏航系统故障诊断模型，其中，所述历史运行数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的偏航系统故障监测变量的实际值；所述历史气象数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的气象数据。
作为示例，训练单元可基于海上风力发电机组的历史运行数据和历史气象数据，确定与模型训练所涉及的每一历史时刻对应的气象输入变量的变量值和该历史时刻的下一时刻的偏航系统故障监测变量的实际值，作为与该历史时刻对应的模型训练数据；并基于与模型训练所涉及的各个历史时刻对应的模型训练数据，使用梯度提升决策树算法以偏航系统故障监测变量的预测值与实际值之间的误差最小为目标，构建多个二分决策树直至满足预设条件时停止，并基于构建的所有二分决策树得到所述偏航系统故障诊断模型。
作为示例，训练单元可针对每个二分决策树，遍历该二分决策树所对应的所有特征值，计算每个特征值作为该二分决策树的二分节点时，将相应的残差划分成的两组的总方差，并将所对应的总方差最小的特征值作为该二分决策树的最佳二分阈值，其中，特征值包括各个气象输入变量的变量值。
作为示例，根据本公开示例性实施例的海上风力发电机组的故障预警设备还可包括：更新单元(未示出)，更新单元当满足更新条件时，基于新增的历史数据，更新所述偏航系统故障诊断模型，其中，所述更新条件包括：模型准确度低于预设阈值、新增的能够用于模型训练的历史数据超过预定数量。
应该理解，根据本公开示例性实施例的海上风力发电机组的故障预警设备所执行的具体处理已经参照图1-2进行了详细描述，这里将不再赘述相关细节。
应该理解，根据本公开示例性实施例的海上风力发电机组的故障预警设备中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个装置所执行的处理，可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个装置。
本公开的示例性实施例提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时实现如上述示例性实施例所述的海上风力发电机组的故障预警方法。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
根据本公开的示例性实施例的计算装置包括：处理器(未示出)和存储器(未示出)，其中，存储器存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述示例性实施例所述的海上风力发电机组的故障预警方法。
虽然已表示和描述了本公开的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。

Claims (9)

1.一种海上风力发电机组的故障预警方法，其特征在于，所述故障预警方法包括：
获取海上风力发电机组所在地理位置当前时刻及未来第一预设时长内的气象数据；
基于获取的气象数据，确定当前时刻及未来第一预设时长内各个时刻对应的气象输入变量的变量值；
将确定的气象输入变量的变量值输入到训练好的海上风力发电机组的偏航系统故障诊断模型，以得到偏航系统故障诊断模型输出的未来第一预设时长内偏航系统故障监测变量的预测值，其中，所述偏航系统故障诊断模型是基于梯度提升决策树算法构建的；
当未来第一预设时长内偏航系统故障监测变量的预测值超出安全阈值时，发出偏航系统故障预警，
其中，所述故障预警方法还包括：
基于海上风力发电机组的历史运行数据和历史气象数据，确定与模型训练所涉及的每一历史时刻对应的气象输入变量的变量值和该历史时刻的下一时刻的偏航系统故障监测变量的实际值，作为与该历史时刻对应的模型训练数据；
基于与模型训练所涉及的各个历史时刻对应的模型训练数据，使用梯度提升决策树算法以偏航系统故障监测变量的预测值与实际值之间的误差最小为目标，构建多个二分决策树直至满足预设条件时停止，并基于构建的所有二分决策树得到所述偏航系统故障诊断模型。
2.根据权利要求1所述的故障预警方法，其特征在于，获取的气象数据至少包括：当前时刻的风向值、当前时刻的风速值、当前时刻的环境温度值、未来第一预设时长内各个时刻的风向值、未来第一预设时长内各个时刻的风速值、未来第一预设时长内各个时刻的环境温度值；
其中，所述各个时刻中的每一个时刻对应的气象输入变量的变量值至少包括：该时刻的风向值、该时刻的风速值、该时刻的环境温度值、该时刻与其下一时刻之间的风向变化值、该时刻与其下一时刻之间的风速变化值。
3.根据权利要求1所述的故障预警方法，其特征在于，所述偏航系统故障监测变量包括以下项之一：
偏航系统的电机的温度、偏航系统的油温、偏航系统的油压、偏航速度、机头加速度。
4.根据权利要求1所述的故障预警方法，其特征在于，所述历史运行数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的偏航系统故障监测变量的实际值；所述历史气象数据包括：偏航系统故障发生时刻及该时刻之前第二预设时长内的气象数据。
5.根据权利要求1所述的故障预警方法，其特征在于，在构建多个二分决策树的步骤中，
针对每个二分决策树，遍历该二分决策树所对应的所有特征值，计算每个特征值作为该二分决策树的二分节点时，将相应的残差划分成的两组的总方差，并将所对应的总方差最小的特征值作为该二分决策树的最佳二分阈值，其中，特征值包括各个气象输入变量的变量值。
6.根据权利要求1所述的故障预警方法，其特征在于，所述故障预警方法还包括：
当满足更新条件时，基于新增的历史数据，更新所述偏航系统故障诊断模型，
其中，所述更新条件包括：模型准确度低于预设阈值、新增的能够用于模型训练的历史数据超过预定数量。
7.一种海上风力发电机组的故障预警设备，其特征在于，所述故障预警设备包括：
数据获取单元，获取海上风力发电机组所在地理位置当前时刻及未来第一预设时长内的气象数据；
输入变量值确定单元，基于获取的气象数据，确定当前时刻及未来第一预设时长内各个时刻对应的气象输入变量的变量值；
预测值获取单元，将确定的气象输入变量的变量值输入到训练好的海上风力发电机组的偏航系统故障诊断模型，以得到偏航系统故障诊断模型输出的未来第一预设时长内偏航系统故障监测变量的预测值，其中，所述偏航系统故障诊断模型是基于梯度提升决策树算法构建的；
预警单元，当未来第一预设时长内偏航系统故障监测变量的预测值超出安全阈值时，发出偏航系统故障预警，
其中，所述故障预警设备还包括：训练单元，基于海上风力发电机组的历史运行数据和历史气象数据，确定与模型训练所涉及的每一历史时刻对应的气象输入变量的变量值和该历史时刻的下一时刻的偏航系统故障监测变量的实际值，作为与该历史时刻对应的模型训练数据；并基于与模型训练所涉及的各个历史时刻对应的模型训练数据，使用梯度提升决策树算法以偏航系统故障监测变量的预测值与实际值之间的误差最小为目标，构建多个二分决策树直至满足预设条件时停止，并基于构建的所有二分决策树得到所述偏航系统故障诊断模型。
8.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时实现如权利要求1至6中的任意一项所述的海上风力发电机组的故障预警方法。
9.一种计算装置，其特征在于，所述计算装置包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至6中的任意一项所述的海上风力发电机组的故障预警方法。
CN202010915278.7A 2020-09-03 2020-09-03 海上风力发电机组的故障预警方法及设备 Active CN113446157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010915278.7A CN113446157B (zh) 2020-09-03 2020-09-03 海上风力发电机组的故障预警方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010915278.7A CN113446157B (zh) 2020-09-03 2020-09-03 海上风力发电机组的故障预警方法及设备

Publications (2)

Publication Number Publication Date
CN113446157A CN113446157A (zh) 2021-09-28
CN113446157B true CN113446157B (zh) 2022-11-01

Family

ID=77808560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010915278.7A Active CN113446157B (zh) 2020-09-03 2020-09-03 海上风力发电机组的故障预警方法及设备

Country Status (1)

Country Link
CN (1) CN113446157B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115906600A (zh) * 2021-09-29 2023-04-04 新疆金风科技股份有限公司 风电机组的布局位置检测方法、模型训练方法及装置
CN114781674B (zh) * 2022-06-16 2022-09-16 深圳市信润富联数字科技有限公司 风电设备故障的定位方法及装置、存储介质、电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101825893A (zh) * 2010-05-05 2010-09-08 湖州师范学院 风电机组集中和远程监控、故障诊断系统
CN108331718A (zh) * 2018-04-10 2018-07-27 国电联合动力技术有限公司 风电机组偏航系统在线监测机构及故障诊断系统和方法
CN111237134A (zh) * 2020-01-14 2020-06-05 上海电力大学 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101825893A (zh) * 2010-05-05 2010-09-08 湖州师范学院 风电机组集中和远程监控、故障诊断系统
CN108331718A (zh) * 2018-04-10 2018-07-27 国电联合动力技术有限公司 风电机组偏航系统在线监测机构及故障诊断系统和方法
CN111237134A (zh) * 2020-01-14 2020-06-05 上海电力大学 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乔福宇，马良玉，马永光."基于功率曲线分析与神经网络的风电机组故障预警方法".《中国测试》.2020,第46卷(第8期),第44-50页. *

Also Published As

Publication number Publication date
CN113446157A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN113446157B (zh) 海上风力发电机组的故障预警方法及设备
CN110991666A (zh) 故障检测方法、模型的训练方法、装置、设备及存储介质
CN112855408B (zh) 水轮发电机组预警方法以及预警装置
CN112555084B (zh) 一种实时状态预警方法、装置、电子设备及存储介质
CN112598172A (zh) 一种风电机组轴承温度预警方法
CN116032557B (zh) 一种网络安全异常检测中深度学习模型的更新方法与装置
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
Khan et al. AI based real-time signal reconstruction for wind farm with SCADA sensor failure
US11306705B2 (en) System and method for monitoring a device
CN116069095A (zh) 一种机房环境调节方法、设备及介质
CN115578084A (zh) 基于深度卷积自编码器的风电机组变频器故障预警方法
CN117664218A (zh) 一种真空冷冻干燥机的校准方法
CN116086537A (zh) 一种设备状态监测方法、装置、设备及存储介质
CN111340307A (zh) 预测风机风力发电功率的方法以及相关装置
Wang et al. An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning
CN116415403A (zh) 风力发电机组中大部件的剩余寿命计算方法及相关装置
CN112740133A (zh) 监测技术设备的技术状态的系统和方法
KR102108975B1 (ko) 함정설비의 상태기반 정비 지원 장치 및 방법
CN112598210A (zh) 一种风电机组发电机性能评估及预警方法
CN113705076B (zh) 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置
Velasquez et al. Machine Learning Approach for Predictive Maintenance in Hydroelectric Power Plants
CN112699598A (zh) 齿轮箱油温异常智能诊断方法及装置
CN114065990A (zh) 一种火电厂中给水泵的监测方法、存储介质和电子装置
Trstenjak et al. A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model.
CN113778044A (zh) 一种火电厂送风机系统监控方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20220908

Address after: Building 2, No. 18 Lishi Hutong, Dongcheng District, Beijing 100010

Applicant after: China lvfa Investment Group Co.,Ltd.

Applicant after: LUNENG GROUP Co.,Ltd.

Applicant after: DUCHENG WEIYE GROUP Co.,Ltd.

Address before: No.14, jingsan Road, Shizhong District, Jinan City, Shandong Province

Applicant before: LUNENG GROUP Co.,Ltd.

Applicant before: DUCHENG WEIYE GROUP Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant