CN114004991A - 风电机组的故障识别方法及装置 - Google Patents
风电机组的故障识别方法及装置 Download PDFInfo
- Publication number
- CN114004991A CN114004991A CN202111177268.9A CN202111177268A CN114004991A CN 114004991 A CN114004991 A CN 114004991A CN 202111177268 A CN202111177268 A CN 202111177268A CN 114004991 A CN114004991 A CN 114004991A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- operating parameters
- target
- historical
- 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 75
- 230000006399 behavior Effects 0.000 claims description 84
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 7
- 238000010926 purge Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电机组的故障识别方法及装置。该方法包括:采集风电机组的运行参数,其中,所述运行参数包括第一运行参数和第二运行参数;将所述第一运行参数输入至风电机组的目标正常行为模型,由所述目标正常行为模型输出所述第二运行参数的参考值;基于所述第二运行参数和所述参考值,识别所述风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
Description
技术领域
本发明涉及能源技术领域,特别涉及一种风电机组的故障识别方法、装置、风电机组、电子设备和存储介质。
背景技术
目前,随着能源短缺问题的加重,人们急需开发新能源来满足人们的能源需求。风力发电具有可再生、环保等优点得到了广泛应用,而风电机组是风力发电的重要部件,可将风能转化为交流电能。目前,为了提高风电机组运行的安全性,需要对风电机组进行故障识别。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种风电机组的故障识别方法,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
本发明的第二个目的在于提出一种风电机组的故障识别装置。
本发明的第三个目的在于提出一种风电机组。
本发明的第四个目的在于提出一种电子设备。
本发明的第五个目的在于提出一种计算机可读存储介质。
本发明第一方面实施例提出了一种风电机组的故障识别方法,包括:采集风电机组的运行参数,其中,所述运行参数包括第一运行参数和第二运行参数;将所述第一运行参数输入至所述风电机组的目标正常行为模型,由所述目标正常行为模型基于所述第一运行参数预测所述第二运行参数的参考值;基于所述第二运行参数和所述参考值,识别所述风电机组是否出现故障。
根据本发明实施例的风电机组的故障识别方法,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
另外,根据本发明上述实施例提出的风电机组的故障识别方法还可以具有如下附加的技术特征:
在本发明的一个实施例中,所述基于所述第二运行参数和所述参考值,识别所述风电机组是否出现故障,包括:获取所述第二运行参数与所述参考值之间的第一差值;识别所述第一差值大于或者等于第一预设阈值,确定所述风电机组出现故障。
在本发明的一个实施例中,所述方法还包括:获取与所述风电机组距离小于或者等于第二预设阈值的目标风电机组;获取所述风电机组的所述第二运行参数与所述目标风电机组的所述第二运行参数之间的第二差值;识别所述第二差值大于或者等于第三预设阈值,确定所述风电机组出现故障。
在本发明的一个实施例中,所述方法还包括:识别所述第一差值小于所述第一预设阈值,和/或所述第二差值小于所述第三预设阈值,确定所述风电机组未出现故障。
在本发明的一个实施例中,所述将所述第一运行参数输入至所述风电机组的目标正常行为模型之前,还包括:识别所述运行参数中存在待清除的目标运行参数;将所述目标运行参数从所述运行参数中清除。
在本发明的一个实施例中,所述方法还包括:获取所述风电机组的历史运行参数;基于所述历史运行参数生成多个训练样本,其中,每个所述训练样本包括历史第一运行参数和历史第二运行参数;基于所述训练样本对所述风电机组的候选正常行为模型进行训练,直至满足模型训练结束条件,生成所述目标正常行为模型。
在本发明的一个实施例中,所述基于所述历史运行参数中生成多个训练样本之前,包括:识别所述历史运行参数中存在待清除的目标历史运行参数;将所述目标历史运行参数从所述历史运行参数中清除。
在本发明的一个实施例中,所述识别所述历史运行参数中存在待清除的目标历史运行参数,包括:将所述风电机组检查和/或维修后第一预设时长内的所述历史运行参数识别为所述目标历史运行参数;或者,获取所述风电机组出现故障的历史时间段,并将所述历史时间段内的所述历史运行参数识别为所述目标历史运行参数;或者,获取与所述风电机组距离小于或者等于第二预设阈值的目标风电机组;获取所述风电机组的所述历史运行参数与所述目标风电机组的所述历史运行参数之间的第三差值;识别所述第三差值大于或者等于第四预设阈值,将所述风电机组的所述历史运行参数确定为所述目标历史运行参数。
在本发明的一个实施例中,所述基于所述历史运行参数生成多个训练样本之后,包括:按照预设的多个工况对所述训练样本进行划分,得到每个所述工况下的所述训练样本;识别任一所述工况下的所述训练样本的数量是否小于第五预设阈值;响应于存在至少一个候选工况下的所述训练样本的数量小于所述第五预设阈值,则针对任一候选工况,继续基于所述历史运行参数生成所述任一候选工况下的所述训练样本,直至所述任一候选工况下的所述训练样本的数量达到所述第五预设阈值。
在本发明的一个实施例中,所述按照预设的多个工况对所述训练样本进行划分,得到每个所述工况下的所述训练样本,包括:从所述训练样本中获取用于表征工况的历史工况运行参数,并获取每个所述工况对应的所述历史工况运行参数的取值范围;针对任一训练样本,识别所述任一训练样本对应的所述历史工况运行参数处于目标工况对应的所述取值范围内,将所述任一训练样本确定为所述目标工况下的所述训练样本。
在本发明的一个实施例中,所述方法还包括:响应于当前满足模型更新条件,则返回执行获取所述风电机组的历史运行参数及后续步骤,以更新所述目标正常行为模型。
本发明第二方面实施例提出了一种风电机组的故障识别装置,包括:采集模块,用于采集风电机组的运行参数,其中,所述运行参数包括第一运行参数和第二运行参数;预测模块,用于将所述第一运行参数输入至所述风电机组的目标正常行为模型,由所述目标正常行为模型基于所述第一运行参数,预测所述第二运行参数的参考值;识别模块,用于基于所述第二运行参数和所述参考值,识别所述风电机组是否出现故障。
本发明实施例的风电机组的故障识别装置,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
另外,根据本发明上述实施例提出的风电机组的故障识别装置还可以具有如下附加的技术特征:
在本发明的一个实施例中,所述识别模块,还用于:获取所述第二运行参数与所述参考值之间的第一差值;识别所述第一差值大于或者等于第一预设阈值,确定所述风电机组出现故障。
在本发明的一个实施例中,所述识别模块,还用于:获取与所述风电机组距离小于或者等于第二预设阈值的目标风电机组;获取所述风电机组的所述第二运行参数与所述目标风电机组的所述第二运行参数之间的第二差值;识别所述第二差值大于或者等于第三预设阈值,确定所述风电机组出现故障。
在本发明的一个实施例中,所述识别模块,还用于:识别所述第一差值小于所述第一预设阈值,和/或所述第二差值小于所述第三预设阈值,确定所述风电机组未出现故障。
在本发明的一个实施例中,所述将所述第一运行参数输入至所述风电机组的目标正常行为模型之前,所述采集模块,还用于:识别所述运行参数中存在待清除的目标运行参数;将所述目标运行参数从所述运行参数中清除。
在本发明的一个实施例中,所述装置还包括:训练模块,所述训练模块,包括:获取单元,用于获取所述风电机组的历史运行参数;生成单元,用于基于所述历史运行参数生成多个训练样本,其中,每个所述训练样本包括历史第一运行参数和历史第二运行参数;训练单元,用于基于所述训练样本对所述风电机组的候选正常行为模型进行训练,直至满足模型训练结束条件,生成所述目标正常行为模型。
在本发明的一个实施例中,所述基于所述历史运行参数中生成多个训练样本之前,所述生成单元,还用于:识别所述历史运行参数中存在待清除的目标历史运行参数;将所述目标历史运行参数从所述历史运行参数中清除。
在本发明的一个实施例中,所述生成单元,还用于:将所述风电机组检查和/或维修后第一预设时长内的所述历史运行参数识别为所述目标历史运行参数;或者,获取所述风电机组出现故障的历史时间段,并将所述历史时间段内的所述历史运行参数识别为所述目标历史运行参数;或者,获取与所述风电机组距离小于或者等于第二预设阈值的目标风电机组;获取所述风电机组的所述历史运行参数与所述目标风电机组的所述历史运行参数之间的第三差值;识别所述第三差值大于或者等于第四预设阈值,将所述风电机组的所述历史运行参数确定为所述目标历史运行参数。
在本发明的一个实施例中,所述生成单元,还用于:按照预设的多个工况对所述训练样本进行划分,得到每个所述工况下的所述训练样本;识别任一所述工况下的所述训练样本的数量是否小于第五预设阈值;响应于存在至少一个候选工况下的所述训练样本的数量小于所述第五预设阈值,则针对任一候选工况,继续基于所述历史运行参数生成所述任一候选工况下的所述训练样本,直至所述任一候选工况下的所述训练样本的数量达到所述第五预设阈值。
在本发明的一个实施例中,所述生成单元,还用于:从所述训练样本中获取用于表征工况的历史工况运行参数,并获取每个所述工况对应的所述历史工况运行参数的取值范围;针对任一训练样本,识别所述任一训练样本对应的所述历史工况运行参数处于目标工况对应的所述取值范围内,将所述任一训练样本确定为所述目标工况下的所述训练样本。
在本发明的一个实施例中,所述装置还包括:更新模块,所述更新模块,用于:响应于当前满足模型更新条件,则返回执行获取所述风电机组的历史运行参数及后续步骤,以更新所述目标正常行为模型。
本发明第三方面实施例提出了一种风电机组,包括:如本发明第二方面实施例所述的风电机组的故障识别装置。
本发明实施例的风电机组,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
本发明第四方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本发明第一方面实施例所述的风电机组的故障识别方法。
本发明实施例的电子设备,通过处理器执行存储在存储器上的计算机程序,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
本申请第五方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如本发明第一方面实施例所述的风电机组的故障识别方法。
本发明实施例的计算机可读存储介质,通过存储计算机程序并被处理器执行,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的风电机组的故障识别方法的流程示意图;
图2为根据本发明一个实施例的风电机组的故障识别方法中确定风电机组出现故障的流程示意图;
图3为根据本发明一个实施例的风电机组的故障识别方法中生成目标正常行为模型的流程示意图;
图4为根据本发明一个实施例的风电机组的故障识别方法中基于历史运行参数生成多个训练样本之后的流程示意图;
图5为根据本发明一个具体示例的风电机组的故障识别方法的流程示意图;
图6为根据本发明一个实施例的风电机组的故障识别装置的结构示意图;
图7为根据本发明另一个实施例的风电机组的结构示意图;以及
图8为根据本发明一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面结合附图来描述本发明实施例的风电机组的故障识别方法、装置、风电机组、电子设备和存储介质。
图1为根据本发明一个实施例的风电机组的故障识别方法的流程示意图。
如图1所示,本发明实施例的风电机组的故障识别方法,包括:
S101,采集风电机组的运行参数,其中,运行参数包括第一运行参数和第二运行参数。
本发明的实施例中,可采集风电机组的运行参数,其中,运行参数包括第一运行参数和第二运行参数。应说明的是,运行参数的采集区域、第一运行参数的类型、第二运行参数的类型均可根据实际情况进行设置,这里不做过多限定。
在一种实施方式中,运行参数的采集区域包括但不限于风电机组中风轮、发电机等区域中的至少一种,其中,风轮包括叶片、轮毂等。
在一种实施方式中,第一运行参数包括但不限于功率、转速、风速、桨距角、电流、电压、环境温度等。
在一种实施方式中,第二运行参数包括但不限于发电机前轴承温度、发电机后轴承温度、发电机前轴承温度与后轴承温度之间的轴承温度差等。
在一种实施方式中,可通过采集装置来采集风电机组的运行参数。应说明的是,采集装置可根据实际情况进行设置,这里不做过多限定,例如,采集装置可包括传感器,传感器包括但不限于温度传感器、电流传感器、电压传感器、风速传感器等。
S102,将第一运行参数输入至风电机组的目标正常行为模型,由目标正常行为模型基于第一运行参数预测第二运行参数的参考值。
本发明的实施例中,可将第一运行参数输入至风电机组的目标正常行为模型,由目标正常行为模型基于第一运行参数预测第二运行参数的参考值。应说明的是,第二运行参数的参考值为风电机组处于第一运行参数下,且风电机组正常运行时(即未出现故障时)的第二运行参数的取值。应说明的是,目标正常行为模型可根据实际情况进行设置,这里不做过多限定。
可以理解的是,不同类型的第二运行参数可对应不同的参考值,比如,发电机前轴承温度、发电机后轴承温度、发电机前轴承温度与后轴承温度之间的轴承温度差可分别对应不同的参考值。
在一种实施方式中,目标正常行为模型可包括第一目标正常行为模型和第二目标正常行为模型,其中,第一目标正常行为模型用于基于第一运行参数预测发电机前轴承温度的参考值,第二目标正常行为模型用于基于第一运行参数预测发电机后轴承温度的参考值。
在一种实施方式中,将第一运行参数输入至风电机组的正常行为模型之前,还包括识别运行参数中存在待清除的目标运行参数,将目标运行参数从运行参数中清除。应说明的是,目标运行参数是需要清除的运行参数,目标运行参数的类型可根据实际情况进行设置,这里不做过多限定。由此,该方法可将目标运行参数从运行参数中清除,进而可基于清除后的运行参数识别风电机组是否出现故障,有助于提高风电机组的故障识别的准确度。
在一种实施方式中,识别运行参数中存在待清除的目标运行参数,可包括以下两种可能的实施方式:
方式1、获取风电机组的停机时间段和启停机过程时间段,并将停机时间段和启停机过程时间段内的运行参数识别为目标运行参数。应说明的是,停机时间段指的是风电机组处于停机状态的时间段,启停机过程时间段可包括启动过程时间段和停机过程时间段,其中,启动过程时间段指的是风电机组由停机状态转换为运行状态的时间段,停机过程时间段指的是风电机组由运行状态转换为停机状态的时间段。
由此,该方法可将风电机组停机时间段和启停机时间段内的运行参数识别为目标运行参数,从而可将风电机组停机时间段和启停机时间段内的运行参数从运行参数中清除,进而可避免在风电机组处于停机和启停机过程时识别风电机组出现故障,可提高风电机组的故障识别的准确度。
方式2、获取采集装置的失效时间段,并将失效时间段内采集装置采集的运行参数识别为目标运行参数。应说明的是,关于采集装置的相关内容可参见上述实施例,这里不再赘述。由此,该方法可将采集装置失效时间段内的运行参数识别为目标运行参数,从而可将采集装置失效时间段内的运行参数从运行参数中清除,进而可避免在采集装置处于失效时识别风电机组出现故障,可提高风电机组的故障识别的准确度。
在一种实施方式中,识别运行参数中存在待清除的目标运行参数,还可包括将明显异常的运行参数识别为目标运行参数,比如,风电机组正常运行时,功率可能会由于其他外界原因(非风电机组出现故障)出现明显异常,此时可将明显异常的功率识别为目标运行参数。
S103,基于第二运行参数和参考值,识别风电机组是否出现故障。
本发明的实施例中,可基于第二运行参数和参考值,识别风电机组是否出现故障,即可综合考虑第二运行参数和参考值来识别风电机组是否出现故障。
在一种实施方式中,基于第二运行参数和参考值,识别风电机组是否出现故障,可包括获取第二运行参数与参考值之间的第一差值,识别第一差值大于或者等于第一预设阈值,表明此时第二运行参数与参考值差异较大,则可确定风电机组出现故障。反之,识别第一差值小于第一预设阈值,表明此时第二运行参数与参考值差异较小,则可确定风电机组未出现故障。应说明的是,第一预设阈值可根据实际情况进行设置,这里不做过多限定。
在一种实施方式中,识别风电机组出现故障之后,可生成用于指示风电机组出现故障的预警信号。应说明的是,预警信号可根据实际情况进行设置,这里不做过多限定,例如,预警信号包括但不限于灯光信号、语音信号、文字信号等。由此,该方法可通过预警信号及时将风电机组的故障情况告知用户,提高了风电机组的安全性。
在一种实施方式中,可设置多个预设范围及其对应的风电机组的预设故障等级。获取第二运行参数与参考值之间的第一差值之后,可识别第一差值所处的目标预设范围,并将目标预设范围对应的风电机组的预设故障等级确定为此时风电机组的故障等级。进一步地,还可基于故障等级生成预警信号。由此,该方法可基于第一差值和目标预设范围,确定风电机组的故障等级,并基于故障等级生成预警信号,提高了预警信号的灵活性。
综上,根据本发明实施例的风电机组的故障识别方法,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
在上述任一实施例的基础上,如图2所示,步骤S101中采集风电机组的运行参数之后,还可包括:
S201,获取与风电机组距离小于或者等于第二预设阈值的目标风电机组。
本发明的实施例中,可获取与风电机组距离小于或者等于第二预设阈值的目标风电机组,即目标风电机组为与风电机组距离较小的邻近风电机组。应说明的是,第二预设阈值可根据实际情况进行设置,这里不做过多限定。
S202,获取风电机组的第二运行参数与目标风电机组的第二运行参数之间的第二差值。
S203,识别第二差值大于或者等于第三预设阈值,确定风电机组出现故障。
本发明的实施例中,可获取风电机组的第二运行参数与目标风电机组的第二运行参数之间的第二差值,识别第二差值大于或者等于第三预设阈值,表明风电机组的第二运行参数与目标风电机组的第二运行参数差异较大,则可确定风电机组出现故障。应说明的是,第三预设阈值可根据实际情况进行设置,这里不做过多限定。
可以理解的是,不同类型的第二运行参数可对应不同的第三预设阈值,比如,发电机前轴承温度、发电机后轴承温度、发电机前轴承温度与后轴承温度之间的轴承温度差可分别对应不同的第三预设阈值。
在一种实施方式中,第二运行参数为发电机前轴承温度,则可获取风电机组的发电机前轴承温度与目标风电机组的前轴承温度之间的第二差值,识别第二差值大于或者等于第三预设阈值,确定风电机组出现故障。由此,该方法可基于风电机组的前轴承温度与目标风电机组的前轴承温度之间的第二差值,以及第三预设阈值,自动识别风电机组是否出现故障。应说明的是,第二运行参数为发电机后轴承温度的相关内容可参照上述实施例中第二运行参数为发电机前轴承温度的相关内容,这里不再赘述。
在一种实施方式中,第二运行参数为发电机前轴承温度与后轴承温度之间的轴承温度差,则可获取风电机组的轴承温度差与目标风电机组的轴承温度差之间的第二差值,识别第二差值大于或者等于第三预设阈值,确定风电机组出现故障。由此,该方法可基于风电机组的轴承温度差与目标风电机组的轴承温度差之间的第二差值,以及第三预设阈值,自动识别风电机组是否出现故障,且基于轴承温度差来识别风电机组是否出现故障,可避免风电机组之间的工况干扰,有助于提高风电机组故障识别的准确性。
由此,该方法可基于风电机组的第二运行参数与目标风电机组的第二运行参数之间的第二差值,以及第三预设阈值,识别风电机组是否出现故障,即可基于邻近风电机组识别风电机组是否出现故障。
在上述任一实施例的基础上,若识别第一差值小于第一预设阈值,和/或第二差值小于第三预设阈值,表明此时第二运行参数与参考值差异较小,和/或风电机组的第二运行参数与目标风电机组的第二运行参数差异较小,则可确定风电机组未出现故障。由此,该方法可综合考虑第一差值、第二差值来识别风电机组是否出现故障,提高了风电机组故障识别的准确性。
在上述任一实施例的基础上,如图3所示,步骤S102中风电机组的目标正常行为模型的生成,可包括:
S301,获取风电机组的历史运行参数。
本发明的实施例中,可获取风电机组的历史运行参数。应说明的是,历史运行参数可包括历史第一运行参数和历史第二运行参数。可以理解的是,可获取多个风电机组的大量历史运行参数。
在一种实施方式中,风电机组的历史运行参数存储在风电机组的自身存储空间、服务器等,进一步地,可从风电机组的自身存储空间来获取历史运行参数,或者从风电机组对应的服务器中获取历史运行参数。
S302,基于历史运行参数生成多个训练样本,其中,每个训练样本包括历史第一运行参数和历史第二运行参数。
本发明的实施例中,可基于历史运行参数生成多个训练样本,其中,每个训练样本包括历史第一运行参数和历史第二运行参数。应说明的是,一个训练样本中的历史第一运行参数和历史第二运行参数是同一风电机组在同一时刻的历史运行数据。
在一种实施方式中,基于历史运行参数生成多个训练样本之前,可包括识别历史运行参数中存在待清除的目标历史运行参数,将目标历史运行参数从历史运行参数中清除。应说明的是,目标历史运行参数是需要清除的历史运行参数,目标历史运行参数的类型可根据实际情况进行设置,这里不做过多限定。由此,该方法可将目标历史运行参数从历史运行参数中清除,进而可基于清除后的历史运行参数生成训练样本,有助于提高训练样本的准确度。
在一种实施方式中,识别历史运行参数中存在待清除的目标历史运行参数,可包括以下三种可能的实施方式:
方式1、将风电机组检查和/或维修后第一预设时长内的历史运行参数识别为目标历史运行参数。
本发明的实施例中,可将风电机组检查和/或维修后第一预设时长内的历史运行参数识别为目标历史运行参数。其中,检查包括风电机组的定期检查,比如,风电机组每半年、每一年的定期检查。应说明的是,第一预设时长可根据实际情况进行设置,这里不做过多限定,例如第一预设时长可设置为一周。
由此,该方法可将风电机组检查和/或维修后第一预设时长内的历史运行参数识别为目标历史运行参数,从而可将风电机组检查和/或维修后第一预设时长内的历史运行参数从历史运行参数中清除,进而可避免基于风电机组检查和/或维修后第一预设时长内的历史运行参数生成训练样本,有助于提高训练样本的准确度。
方式2、获取风电机组出现故障的历史时间段,并将历史时间段内的历史运行参数识别为目标历史运行参数。
本发明的实施例中,可获取风电机组出现故障的历史时间段,并将历史时间段内的历史运行参数识别为目标历史运行参数,从而可将出现故障的历史时间段内的历史运行参数从历史运行参数中清除,进而可避免基于出现故障的历史时间段内的历史运行参数生成训练样本,有助于提高训练样本的准确度。
方式3、获取与风电机组距离小于或者等于第二预设阈值的目标风电机组,获取风电机组的历史运行参数与目标风电机组的历史运行参数之间的第三差值,识别第三差值大于或者等于第四预设阈值,将风电机组的历史运行参数确定为目标历史运行参数。
需要说明的是,关于获取与风电机组距离小于或者等于第二预设阈值的目标风电机组的相关内容,可参见上述实施例,这里不再赘述。
本发明的实施例中,可获取风电机组的历史运行参数与目标风电机组的历史运行参数之间的第三差值,识别第三差值大于或者等于第四预设阈值,表明风电机组的历史运行参数与目标风电机组的历史运行参数差异较大,则风电机组的历史运行数据为故障历史运行参数的可能性较大,则可将风电机组的历史运行参数确定为目标历史运行参数。应说明的是,第四预设阈值可根据实际情况进行设置,这里不做过多限定。
由此,该方法可基于风电机组的历史运行参数与目标风电机组的历史运行参数之间的第三差值,以及第四预设阈值,将第三差值大于或者等于第四预设阈值的风电机组的历史运行参数识别为目标历史运行参数,从而可将与邻近风电机组的历史运行参数差异较大的风电机组的历史运行参数识别为目标历史运行参数,进而可将为故障历史运行数据的可能性较大的风电机组的历史运行参数从历史运行参数中清除,进而可避免基于为故障历史运行数据的可能性较大的风电机组的历史运行参数生成训练样本,有助于提高训练样本的准确度。
S303,基于训练样本对风电机组的候选正常行为模型进行训练,直至满足模型训练结束条件,生成目标正常行为模型。
本发明的实施例中,可基于训练样本对风电机组的候选正常行为模型进行训练,直至满足模型训练结束条件,生成目标正常行为模型。应说明的是,模型训练结束条件可根据实际情况进行设置,这里不做过多限定,例如,模型训练结束条件包括但不限于模型训练次数达到预设次数阈值,模型精度达到预设精度阈值等。
在一种实施方式中,可将当前训练样本中的历史第一运行参数输入至候选正常行为模型,由候选正常行为模型基于历史第一运行参数预测当前训练样本中的历史第二运行参数的参考值,并基于历史第二运行参数和参考值来调整候选正常行为模型的模型参数,并继续基于下一个训练样本对风电机组的候选正常行为模型进行训练,直至满足模型训练结束条件,生成目标正常行为模型。
在一种实施方式中,正常行为模型的模型类别的获取,可包括将训练样本输入至模型生成器,模型生成器包括不同类别的模型,由模型生成器输出训练样本对应的每个类别的模型的评分,评分用于表征模型的性能,将最大评分对应的模型的类别确定为正常行为模型的模型类别。
进一步地,获取正常行为模型的模型类别之后,可根据训练样本训练正常行为模型的超参数,得到正常行为模型的最优参数组合,即确定正常行为模型的超参数。之后可固定正常行为模型的超参数,根据训练样本训练正常行为模型的其他模型参数。
由此,该方法可基于风电机组的历史运行参数生成多个训练样本,并基于训练样本对风电机组的候选正常行为模型进行训练,以生成目标正常行为模型,即可基于历史运行参数自动生成训练样本,相较于相关技术中大多需要人工来选取训练样本,大大节省了人力物力,提高了训练样本的获取效率。
在上述任一实施例的基础上,如图4所示,步骤S302中基于历史运行参数生成多个训练样本之后,可包括:
S401,按照预设的多个工况对训练样本进行划分,得到每个工况下的训练样本。
本发明的实施例中,可按照预设的多个工况对训练样本进行划分,得到每个工况下的训练样本。应说明的是,工况可根据实际情况进行设置,这里不做过多限定。
在一种实施方式中,按照预设的多个工况对训练样本进行划分,得到每个工况下的训练样本,可包括从训练样本中获取用于表征工况的历史工况运行参数,并获取每个工况对应的历史工况运行参数的取值范围。针对任一训练样本,识别任一训练样本对应的历史工况运行参数处于目标工况对应的取值范围内,将任一训练样本确定为目标工况下的训练样本。应说明的是,历史工况运行参数可根据实际情况进行设置,这里不做过多限定,例如,历史工况运行参数包括但不限于历史功率、历史转速等。
在一种实施方式中,可预先为每个工况设置历史工况运行参数的取值范围。可以理解的是,不同的工况可对应不同的取值范围。
在一种实施方式中,从训练样本中获取用于表征工况的历史工况运行参数之后,可对历史工况运行参数进行归一化处理,获取归一化处理后的历史工况运行参数。例如,可获取历史工况运行参数的额定值,获取历史工况运行参数与额定值的比值,并将比值作为归一化处理后的历史工况运行参数,此时归一化处理后的历史工况运行参数的取值范围为(0,1]。相应的,可获取预设的工况数量,基于工况数量生成每个工况对应的取值范围。例如,工况数量为10个,则可将(0,1]进行10等分,生成10个取值范围,工况1、工况2至工况10对应的取值范围分别为(0,0.1]、(0.1,0.2]至(0.9,1]。
进一步地,可识别任一训练样本对应的归一化处理后的历史工况运行参数处于目标工况对应的取值范围内,将任一训练样本确定为目标工况下的训练样本。
S402,识别任一工况下的训练样本的数量是否小于第五预设阈值。
需要说明的是,第五预设阈值可根据实际情况进行设置,这里不做过多限定。例如,可获取每个工况下的训练样本的数量,并将最大数量确定为第五预设阈值;或者,第五预设阈值可设置为10个。
S403,响应于存在至少一个候选工况下的训练样本的数量小于第五预设阈值,则针对任一候选工况,继续基于历史运行参数生成任一候选工况下的训练样本,直至任一候选工况下的训练样本的数量达到第五预设阈值。
本发明的实施例中,可响应于存在至少一个候选工况下的训练样本的数量小于第五预设阈值,表明此时候选工况下的训练样本的数量较少,则针对任一候选工况,继续基于历史运行参数生成任一候选工况下的训练样本,直至任一候选工况下的训练样本的数量达到第五预设阈值。
在一种实施方式中,继续基于历史运行参数生成任一候选工况下的训练样本,可包括对任一候选工况下的训练样本进行有放回采样,此时任一候选工况下的训练样本可能出现重复。
由此,该方法可按照预设的多个工况对训练样本进行划分,并针对训练样本的数量较少的候选工况,可继续基于历史运行参数生成候选工况下的训练样本,直至候选工况下的训练样本的数量达到第五预设阈值,使得每个工况下的训练样本的数量均达到第五预设阈值,可实现全工况训练样本的生成,有助于提升模型训练效果。
在上述任一实施例的基础上,步骤S303中生成目标正常行为模型之后,还包括响应于当前满足模型更新条件,则返回执行获取风电机组的历史运行参数及后续步骤,以更新目标正常行为模型。应说明的是,模型更新条件可根据实际情况进行设置,这里不做过多限定,例如,模型更新条件包括但不限于风电机组进行检查、维修、部件更换,或者当前时刻达到预设时刻。其中,相邻预设时刻之间可间隔第二预设时长,第二预设时长可根据实际情况进行设置,这里不做过多限定,例如第二预设时长可设置为2个月。
由此,该方法可在当前满足模型更新条件时,返回执行获取风电机组的历史运行参数及后续步骤,以更新生成目标正常行为模型,从而目标正常行为模型可实时更新,目标正常行为模型的时效性较好。
为使本领域技术人员更清楚地了解本发明,图5为根据本发明一个具体示例的风电机组的故障识别方法的流程示意图,如图5所示,该故障识别方法可包括以下步骤:
S501,采集风电机组的运行参数,其中,运行参数包括第一运行参数和第二运行参数。
S502,将第一运行参数输入至风电机组的目标正常行为模型,由目标正常行为模型基于第一运行参数预测第二运行参数的参考值。
S503,获取第二运行参数与参考值之间的第一差值。
S504,获取与风电机组距离小于或者等于第二预设阈值的目标风电机组。
S505,获取风电机组的第二运行参数与目标风电机组的第二运行参数之间的第二差值。
S506,识别第一差值是否小于第一预设阈值,以及第二差值是否小于第三预设阈值。
如果是,则执行步骤S507;如果否,则执行步骤S508。
S507,确定风电机组未出现故障。
S508,确定风电机组出现故障。
步骤S501至S508的具体介绍参见上述实施例中相关内容的记载,此处不再赘述。
为了实现上述实施例,本发明还提出一种风电机组的故障识别装置。
图6为根据本发明一个实施例的风电机组的故障识别装置的结构示意图。
如图6所示,本发明实施例的风电机组的故障识别装置100,包括:采集模块110、预测模块120和识别模块130。
采集模块110用于采集风电机组的运行参数,其中,所述运行参数包括第一运行参数和第二运行参数;
预测模块120用于将所述第一运行参数输入至所述风电机组的目标正常行为模型,由所述目标正常行为模型基于所述第一运行参数,预测所述第二运行参数的参考值;
识别模块130用于基于所述第二运行参数和/或所述参考值,识别所述风电机组是否出现故障。
在本发明的一个实施例中,所述识别模块130还用于:获取所述第二运行参数与所述参考值之间的第一差值;识别所述第一差值大于或者等于第一预设阈值,确定所述风电机组出现故障。
在本发明的一个实施例中,所述识别模块130还用于:获取与所述风电机组距离小于或者等于第二预设阈值的目标风电机组;获取所述风电机组的所述第二运行参数与所述目标风电机组的所述第二运行参数之间的第二差值;识别所述第二差值大于或者等于第三预设阈值,确定所述风电机组出现故障。
在本发明的一个实施例中,所述识别模块130还用于:识别所述第一差值小于所述第一预设阈值,和/或所述第二差值小于所述第三预设阈值,确定所述风电机组未出现故障。
在本发明的一个实施例中,所述将所述第一运行参数输入至所述风电机组的目标正常行为模型之前,所述采集模块110还用于:识别所述运行参数中存在待清除的目标运行参数;将所述目标运行参数从所述运行参数中清除。
在本发明的一个实施例中,所述风电机组的故障识别装置100还包括:训练模块,所述训练模块,包括:获取单元,用于获取所述风电机组的历史运行参数;生成单元,用于基于所述历史运行参数生成多个训练样本,其中,每个所述训练样本包括历史第一运行参数和历史第二运行参数;训练单元,用于基于所述训练样本对所述风电机组的候选正常行为模型进行训练,直至满足模型训练结束条件,生成所述目标正常行为模型。
在本发明的一个实施例中,所述基于所述历史运行参数中生成多个训练样本之前,所述生成单元,还用于:识别所述历史运行参数中存在待清除的目标历史运行参数;将所述目标历史运行参数从所述历史运行参数中清除。
在本发明的一个实施例中,所述生成单元,还用于:将所述风电机组检查和/或维修后第一预设时长内的所述历史运行参数识别为所述目标历史运行参数;或者,获取所述风电机组出现故障的历史时间段,并将所述历史时间段内的所述历史运行参数识别为所述目标历史运行参数;或者,获取与所述风电机组距离小于或者等于第二预设阈值的目标风电机组;获取所述风电机组的所述历史运行参数与所述目标风电机组的所述历史运行参数之间的第三差值;识别所述第三差值大于或者等于第四预设阈值,将所述风电机组的所述历史运行参数确定为所述目标历史运行参数。
在本发明的一个实施例中,所述生成单元,还用于:按照预设的多个工况对所述训练样本进行划分,得到每个所述工况下的所述训练样本;识别任一所述工况下的所述训练样本的数量是否小于第五预设阈值;响应于存在至少一个候选工况下的所述训练样本的数量小于所述第五预设阈值,则针对任一候选工况,继续基于所述历史运行参数生成所述任一候选工况下的所述训练样本,直至所述任一候选工况下的所述训练样本的数量达到所述第五预设阈值。
在本发明的一个实施例中,所述生成单元,还用于:从所述训练样本中获取用于表征工况的历史工况运行参数,并获取每个所述工况对应的所述历史工况运行参数的取值范围;针对任一训练样本,识别所述任一训练样本对应的所述历史工况运行参数处于目标工况对应的所述取值范围内,将所述任一训练样本确定为所述目标工况下的所述训练样本。
在本发明的一个实施例中,所述风电机组的故障识别装置100还包括:更新模块,所述更新模块,用于:响应于当前满足模型更新条件,则返回执行获取所述风电机组的历史运行参数及后续步骤,以更新所述目标正常行为模型。
需要说明的是,本发明实施例的风电机组的故障识别装置中未披露的细节,请参照本发明实施例的风电机组的故障识别方法中所披露的细节,这里不再赘述。
综上,本发明实施例的风电机组的故障识别装置,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
为了实现上述实施例,本发明还提出一种风电机组。
图7为根据本发明一个实施例的风电机组的结构示意图。
如图7所示,本发明实施例的风电机组200,包括上述的风电机组的故障识别装置100。
本发明实施例的风电机组,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
为了实现上述实施例,如图8所示,本发明实施例提出了一种电子设备300,包括:存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序,所述处理器320执行所述程序时,实现上述的风电机组的故障识别方法。
本发明实施例的电子设备,通过处理器执行存储在存储器上的计算机程序,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
为了实现上述实施例,本发明实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述的风电机组的故障识别方法。
本发明实施例的计算机可读存储介质,通过存储计算机程序并被处理器执行,可基于风电机组的第一运行参数和风电机组的目标正常行为模型,预测第二运行参数的参考值,并基于第二运行参数和参考值,自动识别风电机组是否出现故障。由此,可基于目标正常行为模型实现参考值的自动获取,以及根据第二运行参数和参考值自动识别风电机组是否出现故障,提高了风电机组运行的安全性和可靠性。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
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发明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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (15)
1.一种风电机组的故障识别方法,其特征在于,包括:
采集风电机组的运行参数,其中,所述运行参数包括第一运行参数和第二运行参数;
将所述第一运行参数输入至所述风电机组的目标正常行为模型,由所述目标正常行为模型基于所述第一运行参数,预测所述第二运行参数的参考值;
基于所述第二运行参数和所述参考值,识别所述风电机组是否出现故障。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第二运行参数和所述参考值,识别所述风电机组是否出现故障,包括:
获取所述第二运行参数与所述参考值之间的第一差值;
识别所述第一差值大于或者等于第一预设阈值,确定所述风电机组出现故障。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取与所述风电机组距离小于或者等于第二预设阈值的目标风电机组;
获取所述风电机组的所述第二运行参数与所述目标风电机组的所述第二运行参数之间的第二差值;
识别所述第二差值大于或者等于第三预设阈值,确定所述风电机组出现故障。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
识别所述第一差值小于所述第一预设阈值,和/或所述第二差值小于所述第三预设阈值,确定所述风电机组未出现故障。
5.根据权利要求1所述的方法,其特征在于,所述将所述第一运行参数输入至所述风电机组的目标正常行为模型之前,还包括:
识别所述运行参数中存在待清除的目标运行参数;
将所述目标运行参数从所述运行参数中清除。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
获取所述风电机组的历史运行参数;
基于所述历史运行参数生成多个训练样本,其中,每个所述训练样本包括历史第一运行参数和历史第二运行参数;
基于所述训练样本对所述风电机组的候选正常行为模型进行训练,直至满足模型训练结束条件,生成所述目标正常行为模型。
7.根据权利要求6所述的方法,其特征在于,所述基于所述历史运行参数中生成多个训练样本之前,包括:
识别所述历史运行参数中存在待清除的目标历史运行参数;
将所述目标历史运行参数从所述历史运行参数中清除。
8.根据权利要求7所述的方法,其特征在于,所述识别所述历史运行参数中存在待清除的目标历史运行参数,包括:
将所述风电机组检查和/或维修后第一预设时长内的所述历史运行参数识别为所述目标历史运行参数;或者,
获取所述风电机组出现故障的历史时间段,并将所述历史时间段内的所述历史运行参数识别为所述目标历史运行参数;或者,
获取与所述风电机组距离小于或者等于第二预设阈值的目标风电机组;
获取所述风电机组的所述历史运行参数与所述目标风电机组的所述历史运行参数之间的第三差值;
识别所述第三差值大于或者等于第四预设阈值,将所述风电机组的所述历史运行参数确定为所述目标历史运行参数。
9.根据权利要求6所述的方法,其特征在于,所述基于所述历史运行参数生成多个训练样本之后,包括:
按照预设的多个工况对所述训练样本进行划分,得到每个所述工况下的所述训练样本;
识别任一所述工况下的所述训练样本的数量是否小于第五预设阈值;
响应于存在至少一个候选工况下的所述训练样本的数量小于所述第五预设阈值,则针对任一候选工况,继续基于所述历史运行参数生成所述任一候选工况下的所述训练样本,直至所述任一候选工况下的所述训练样本的数量达到所述第五预设阈值。
10.根据权利要求9所述的方法,其特征在于,所述按照预设的多个工况对所述训练样本进行划分,得到每个所述工况下的所述训练样本,包括:
从所述训练样本中获取用于表征工况的历史工况运行参数,并获取每个所述工况对应的所述历史工况运行参数的取值范围;
针对任一训练样本,识别所述任一训练样本对应的所述历史工况运行参数处于目标工况对应的所述取值范围内,将所述任一训练样本确定为所述目标工况下的所述训练样本。
11.根据权利要求6所述的方法,其特征在于,所述方法还包括:
响应于当前满足模型更新条件,则返回执行获取所述风电机组的历史运行参数及后续步骤,以更新所述目标正常行为模型。
12.一种风电机组的故障识别装置,其特征在于,包括:
采集模块,用于采集风电机组的运行参数,其中,所述运行参数包括第一运行参数和第二运行参数;
预测模块,用于将所述第一运行参数输入至所述风电机组的目标正常行为模型,由所述目标正常行为模型基于所述第一运行参数,预测所述第二运行参数的参考值;
识别模块,用于基于所述第二运行参数和所述参考值,识别所述风电机组是否出现故障。
13.一种风电机组,其特征在于,包括:如权利要求12所述的风电机组的故障识别装置。
14.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-11任一项所述的风电机组的故障识别方法。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-11任一项所述的风电机组的故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111177268.9A CN114004991A (zh) | 2021-10-09 | 2021-10-09 | 风电机组的故障识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111177268.9A CN114004991A (zh) | 2021-10-09 | 2021-10-09 | 风电机组的故障识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004991A true CN114004991A (zh) | 2022-02-01 |
Family
ID=79922492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111177268.9A Pending CN114004991A (zh) | 2021-10-09 | 2021-10-09 | 风电机组的故障识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004991A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116428131A (zh) * | 2023-06-13 | 2023-07-14 | 中国电建集团西北勘测设计研究院有限公司 | 风力发电机故障预警方法及装置 |
CN116838547A (zh) * | 2023-02-23 | 2023-10-03 | 北京金风科创风电设备有限公司 | 多转子风力发电机的监测方法及多转子风力发电机 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学(保定) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
CN106246465A (zh) * | 2016-08-16 | 2016-12-21 | 中车株洲电力机车研究所有限公司 | 一种风电机组风速风向获取方法及风电机组系统 |
CN108376298A (zh) * | 2018-02-12 | 2018-08-07 | 湘潭大学 | 一种风电机组发电机温度故障预警诊断方法 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
US10346239B1 (en) * | 2016-06-27 | 2019-07-09 | Amazon Technologies, Inc. | Predictive failure of hardware components |
CN110689141A (zh) * | 2018-06-19 | 2020-01-14 | 北京金风科创风电设备有限公司 | 风力发电机组的故障诊断方法及设备 |
CN110685869A (zh) * | 2019-11-19 | 2020-01-14 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组的故障诊断方法、装置及设备 |
CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
CN112598172A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种风电机组轴承温度预警方法 |
CN112994216A (zh) * | 2021-02-23 | 2021-06-18 | 西安热工研究院有限公司 | 一种励磁系统整流柜冷却风机电源系统 |
-
2021
- 2021-10-09 CN CN202111177268.9A patent/CN114004991A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学(保定) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
US10346239B1 (en) * | 2016-06-27 | 2019-07-09 | Amazon Technologies, Inc. | Predictive failure of hardware components |
CN106246465A (zh) * | 2016-08-16 | 2016-12-21 | 中车株洲电力机车研究所有限公司 | 一种风电机组风速风向获取方法及风电机组系统 |
CN108376298A (zh) * | 2018-02-12 | 2018-08-07 | 湘潭大学 | 一种风电机组发电机温度故障预警诊断方法 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN110689141A (zh) * | 2018-06-19 | 2020-01-14 | 北京金风科创风电设备有限公司 | 风力发电机组的故障诊断方法及设备 |
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN110685869A (zh) * | 2019-11-19 | 2020-01-14 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组的故障诊断方法、装置及设备 |
CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
CN112598172A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种风电机组轴承温度预警方法 |
CN112994216A (zh) * | 2021-02-23 | 2021-06-18 | 西安热工研究院有限公司 | 一种励磁系统整流柜冷却风机电源系统 |
Non-Patent Citations (1)
Title |
---|
吴立增;: "基于相邻风机相关性模型的风速计监测方法", 华电技术, no. 01, 25 January 2016 (2016-01-25), pages 1 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116838547A (zh) * | 2023-02-23 | 2023-10-03 | 北京金风科创风电设备有限公司 | 多转子风力发电机的监测方法及多转子风力发电机 |
CN116838547B (zh) * | 2023-02-23 | 2024-02-23 | 北京金风科创风电设备有限公司 | 多转子风力发电机的监测方法及多转子风力发电机 |
CN116428131A (zh) * | 2023-06-13 | 2023-07-14 | 中国电建集团西北勘测设计研究院有限公司 | 风力发电机故障预警方法及装置 |
CN116428131B (zh) * | 2023-06-13 | 2023-12-01 | 中国电建集团西北勘测设计研究院有限公司 | 风力发电机故障预警方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991666B (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
CN114004991A (zh) | 风电机组的故障识别方法及装置 | |
US11493911B2 (en) | System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets | |
Cui et al. | An anomaly detection approach based on machine learning and scada data for condition monitoring of wind turbines | |
US20140304201A1 (en) | System And Method For Identifying Suggestions To Remedy Wind Turbine Faults | |
EP2573390A2 (en) | System and method for predicting wind turbine component failures | |
EP2685097A1 (en) | Construction time selection device and construction time selection method | |
WO2019178974A1 (zh) | 风力发电机叶片的疲劳损伤监测方法、电子设备和存储介质 | |
CN114215705B (zh) | 风电机组故障预警方法和系统 | |
CN108304350A (zh) | 基于大数据集近邻策略的风机指标预测与故障预警方法 | |
CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、系统及相关组件 | |
CN115169038B (zh) | 基于fmeca的海上浮式风机可靠性分析方法及装置 | |
CN116085212B (zh) | 一种新能源风电机组的运行状态实时监测方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 | |
CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
CN115906437A (zh) | 一种风机状态确定方法、装置、设备和存储介质 | |
CN115828173A (zh) | 基于故障知识与因果推理的风机故障诊断方法及系统 | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
CN114077922A (zh) | 风电机组的故障预测方法、装置及电子设备 | |
CN113705882A (zh) | 采煤机的故障预测方法及装置 | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
CN116757681B (zh) | 一种风电机组发电效率实时监控诊断方法及系统 | |
US20240210479A1 (en) | Battery performance monitoring and optimization using unsupervised clustering | |
CN114036656B (zh) | 风电机组齿轮箱的故障诊断方法及装置 |
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 |