CN114077922A - 风电机组的故障预测方法、装置及电子设备 - Google Patents
风电机组的故障预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114077922A CN114077922A CN202111205488.8A CN202111205488A CN114077922A CN 114077922 A CN114077922 A CN 114077922A CN 202111205488 A CN202111205488 A CN 202111205488A CN 114077922 A CN114077922 A CN 114077922A
- Authority
- CN
- China
- Prior art keywords
- predicted
- event
- operation parameter
- sample value
- probability
- 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 72
- 230000006399 behavior Effects 0.000 claims description 101
- 238000012549 training Methods 0.000 claims description 89
- 238000000605 extraction Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本申请提供了一种风电机组的故障预测方法、装置及电子设备,该方法包括:选取风电机组对应的至少一个待预测部件,针对每个所述待预测部件,分别对所述待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件,获取每个所述分级待预测事件发生故障的第一概率,并根据所述第一概率,获取对应的所述待预测部件发生故障的第二概率,根据所述第二概率,确定所述风电机组发生故障的第三概率,并根据所述第三概率对所述风电机组进行故障预测。本申请通过计算不同事件发生的概率组合,可以实现风电机组故障预测功能,同时为下一次运维提供数据支持,方便制定检修计划,提高了风电机组的发电效率。
Description
技术领域
本发明涉及发电技术领域,特别涉及风电机组的故障预测方法、装置及电子设备。
背景技术
目前,风电机组在发电方面得到了广泛的应用,但是,风电机组在运行时难免会出现故障,导致机组停机,因此,会降低了机组的发电效率。为了能够避免风电机组故障的发生,相关技术中,往往采用基于历史数据对风电机组的当前状态进行分析诊断的方法,对可能发生的故障进行估算。
然而,相关技术中采用的方法,无法有效、准确地对未来一段时间内风电机组可能发生的故障以及故障类型进行预测。因此,如何实现真正的故障预测,并提高风电机组的故障预测的准确性、可靠性以及有效性,已成为了亟待解决的问题。
发明内容
本申请提供了风电机组的故障预测方法、装置及电子设备,用于实现真正的故障预测,并提高风电机组的故障预测的准确性、可靠性以及有效性。
根据本申请的第一方面,提供了一种风电机组的故障预测方法,包括:选取风电机组对应的至少一个待预测部件;针对每个所述待预测部件,分别对所述待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件;获取每个所述分级待预测事件发生故障的第一概率,并根据所述第一概率,获取对应的所述待预测部件发生故障的第二概率;根据所述第二概率,确定所述风电机组发生故障的第三概率,并根据所述第三概率对所述风电机组进行故障预测。
另外,根据本申请上述实施例的一种风电机组的故障预测方法,还可以具有如下附加的技术特征:
根据本申请的一个实施例,所述针对每个所述待预测部件,分别对所述待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件,包括:获取针对所述待预测部件的至少一个初始待预测事件;从所述初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将所述当前事件划分轮次的划分结果和所述初始待预测事件作为所述分级待预测事件。
根据本申请的一个实施例,所述获取每个所述分级待预测事件发生故障的第一概率,包括:获取预设时长以及每个所述分级待预测事件在所述预设时长内发生故障的预测时长;获取所述目标时长与所述预设时长的比值,并将所述比值作为所述第一概率。
根据本申请的一个实施例,所述获取每个所述分级待预测事件在所述预设时长内发生故障的预测时长,包括:获取每个所述分级待预测事件对应的第一运行参数;将每个所述第一运行参数分别输入至对应的正常行为预测模型中,输出所述分级待预测事件对应的第二运行参数预测值,并根据所述第二运行参数预测值获取预测残差;响应于所述预测残差大于或者等于预设残差阈值,则获取所述正常行为预测模型对应的时间步长,并根据所述时间步长和所述第二运行参数预测值获取所述预测时长。
根据本申请的一个实施例,所述预测方法还包括:按序将所有的所述分级待预测事件以及对应的第一运行参数均输入至同一个正常行为模型中,以按序输出每个所述分级待预测事件对应的第二运行参数预测值。
根据本申请的一个实施例,所述预测方法还包括:获取第一权重并根据所述第一权重,对属于同一个所述待预测部件的所有的所述第一概率进行加权处理,并将加权结果作为所述第二概率;获取第二权重并根据所述第二权重,对所有的所述第二概率进行加权处理,并将加权结果作为所述第三概率。
根据本申请的一个实施例,一种正常行为预测模型的训练方法,包括:获取风电机组对应的任一待预测部件的任一样本分级待预测事件,并获取所述样本分级待预测事件对应的第一运行参数样本值,其中,所述样本分级待预测事件包括已标注的第二运行参数样本值;将所述第一运行参数样本值输入至对应的初始正常行为预测模型,并由所述初始正常行为预测模型输出所述样本分级待预测事件对应的第二运行参数训练值;根据所述第二运行参数训练值和所述第二运行参数样本值,获取训练残差,并根据所述训练残差调整所述初始正常行为预测模型的模型参数,直至满足训练结束条件得到目标正常行为预测模型。
根据本申请的一个实施例,所述获取所述样本分级待预测事件对应的样本数据,包括:获取预设采集时长,并按照所述预设采集时长获取所述样本分级待预测事件对应的中间第一运行参数样本值;对所述中间第一运行参数样本值进行预处理,以获取所述第一运行参数样本值。
根据本申请的一个实施例,所述按照所述预设采集时长获取所述样本分级待预测事件对应的中间样本数据,包括:按照所述预设采集时长,分别获取所述样本分级待预测事件对应的初始第一运行参数样本值以及非第一运行参数样本值;选取任一初始第一运行参数样本值和任一非第一运行参数样本值,并获取所述任一初始第一运行参数样本值和所述任一第一运行参数样本值之间的关联程度;响应于所述关联程度满足关联程度阈值,则将所述任一初始第一运行参数样本值作为所述中间第一运行参数样本值。
根据本申请的一个实施例,所述由所述初始正常行为预测模型输出所述样本分级待预测事件对应的训练残差,包括:确定至少两个特征提取维度,并针对每个所述特征提取维度,由所述初始正常行为预测模型中对应的特征提取网络对所述第一运行参数样本值进行特征提取,以获取所述第一运行参数样本值对应的多维特征信息;将所述多维特征信息中的所有维度的特征信息进行融合处理,以获取多维融合特征信息;将所述多维融合特征信息输入至所述初始正常行为预测模型中的预测网络,以输出所述第二运行参数训练值。
另外,根据本申请上述实施例的一种风电机组的故障预测装置,还可以具有如下附加的技术特征:
根据本申请的一个实施例,所述第一获取模块,还用于:获取针对所述待预测部件的至少一个初始待预测事件;从所述初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将所述当前事件划分轮次的划分结果和所述初始待预测事件作为所述分级待预测事件。
根据本申请的一个实施例,所述第一获取模块,所述第二获取模块,还用于:获取针对所述待预测部件的至少一个初始待预测事件;从所述初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将所述当前事件划分轮次的划分结果和所述初始待预测事件作为所述分级待预测事件。
根据本申请的一个实施例,所述第二获取模块,还用于:获取每个所述分级待预测事件对应的第一运行参数;将每个所述第一运行参数分别输入至对应的正常行为预测模型中,输出所述分级待预测事件对应的第二运行参数预测值,并根据所述第二运行参数预测值获取预测残差;响应于所述预测残差大于或者等于预设残差阈值,则获取所述正常行为预测模型对应的时间步长,并根据所述时间步长和所述第二运行参数预测值获取所述预测时长。
根据本申请的一个实施例,所述第二获取模块,还用于:按序将所有的所述分级待预测事件以及对应的第一运行参数均输入至同一个正常行为模型中,以按序输出每个所述分级待预测事件对应的第二运行参数预测值。
根据本申请的一个实施例,所述故障预测模块,还用于:获取第一权重并根据所述第一权重,对属于同一个所述待预测部件的所有的所述第一概率进行加权处理,并将加权结果作为所述第二概率;获取第二权重并根据所述第二权重,对所有的所述第二概率进行加权处理,并将加权结果作为所述第三概率。
根据本申请的第三方面,提供了一种正常行为预测模型训练装置,包括:第一获取模块,用于获取风电机组对应的任一待预测部件的任一样本分级待预测事件,并获取所述样本分级待预测事件对应的第一运行参数样本值,其中,所述样本分级待预测事件包括已标注的第二运行参数样本值;输出模块,用于将所述第一运行参数样本值输入至对应的初始正常行为预测模型,并由所述初始正常行为预测模型输出所述样本分级待预测事件对应的第二运行参数训练值;第二获取模块,用于根据所述第二运行参数训练值和所述第二运行参数样本值,获取训练残差,并根据所述训练残差调整所述初始正常行为预测模型的模型参数,直至满足训练结束条件得到目标正常行为预测模型。
另外,根据本申请上述实施例的一种正常行为预测模型训练装置,还可以具有如下附加的技术特征:
根据本申请的一个实施例,所述第一获取模块,还用于:获取预设采集时长,并按照所述预设采集时长获取所述样本分级待预测事件对应的中间第一运行参数样本值;对所述中间第一运行参数样本值进行预处理,以获取所述第一运行参数样本值
根据本申请的一个实施例,所述第一获取模块,还用于:按照所述预设采集时长,分别获取所述样本分级待预测事件对应的初始第一运行参数样本值以及非第一运行参数样本值;选取任一初始第一运行参数样本值和任一非第一运行参数样本值,并获取所述任一初始第一运行参数样本值和所述任一第一运行参数样本值之间的关联程度;响应于所述关联程度满足关联程度阈值,则将所述任一初始第一运行参数样本值作为所述中间第一运行参数样本值。
根据本申请的一个实施例,所述输出模块,还用于:确定至少两个特征提取维度,并针对每个所述特征提取维度,由所述初始正常行为预测模型中对应的特征提取网络对所述第一运行参数样本值进行特征提取,以获取所述第一运行参数样本值对应的多维特征信息;将所述多维特征信息中的所有维度的特征信息进行融合处理,以获取多维融合特征信息;将所述多维融合特征信息输入至所述初始正常行为预测模型中的预测网络,以输出所述第二运行参数训练值。
为了实现上述目的,本申请第四方面提出了一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时,实现如第一方面所述的风电机组的故障预测方法或第二方面所述的正常行为预测模型的训练方法。
为了实现上述目的,本申请第四方面提出了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的风电机组的故障预测方法或第二方面所述的正常行为预测模型的训练方法。
为了实现上述目的,本申请第五方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面所述的风电机组的故障预测方法或第二方面所述的正常行为预测模型的训练方法。
本申请实施例提供的技术方案至少包括如下有益效果:
本申请提供了一种风电机组的故障预测方法,能够通过计算不同事件发生的概率组合,可以实现风电机组故障预测功能,同时为下一次运维提供数据支持,方便制定检修计划,提高了风电机组的发电效率。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例提供的一种风电机组的故障预测方法的流程示意图;
图2为本申请实施例提供的另一种风电机组的故障预测方法的流程示意图;
图3为本申请实施例提供的另一种风电机组的故障预测方法的流程示意图;
图4为本申请实施例提供的另一种风电机组的故障预测方法的流程示意图;
图5为本申请实施例提供的另一种风电机组的故障预测方法的流程示意图;
图6为本申请实施例提供的一种正常行为预测模型的训练方法的流程示意图;
图7为本申请实施例提供的另一种正常行为预测模型的训练方法的流程示意图;
图8为本申请实施例提供的另一种正常行为预测模型的训练方法的流程示意图;
图9为本申请实施例提供的另一种正常行为预测模型的训练方法的流程示意图;
图10为本申请实施例提供的一种风电机组的故障预测装置的结构示意图;
图11为本申请实施例提供的一种正常行为预测模型的训练装置的结构示意图;
图12为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面采用实施例对本申请的风电机组的故障预测方法进行详细说明。
图1为本申请实施例提供的风电机组的故障预测方法的流程示意图。
如图1所示,本实施例提出的风电机组的故障预测方法,具体包括以下步骤:
S101、选取风电机组对应的至少一个待预测部件。
其中,待预测部件,可以为风电机组对应的任一部件。例如,待预测部件可以为发电机、齿轮箱、偏航系统、变桨系统等部件中的任一部件。
S102、针对每个待预测部件,分别对待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件。
本申请实施例中,在获取到每个待预测部件后,可以针对每个待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件。
需要说明的是,本申请对于事件划分的具体方式以及划分轮次不作限定,可以根据实际情况进行选取。
举例而言,当获取的待预测部件为发电机时,可以对发电机(待预测部件)进行一轮划分,以将发电机的轴承温度、转速、电压、电流等作为分级待预测事件。
S103、获取每个分级待预测事件发生故障的第一概率,并根据第一概率,获取对应的待预测部件发生故障的第二概率。
需要说明的是,本申请中对于获取每个分级待预测事件发生故障的第一概率的具体方式不作限定,可以根据实际情况进行设定。
可选地,可以根据概率预测模型,获取每个分级待预测事件发生故障的第一概率。
进一步地,在获取到第一概率之后,可以根据第一概率,获取对应的待预测部件发生故障的第二概率。
需要说明的是,本申请中对于根据第一概率,获取对应的待预测部件发生故障的第二概率的具体方式不作限定,可以根据实际情况进行设定。
可选地,可以根据每个分级待预测事件设置第一权重,对第一概率进行加权处理,进而将加权结果作为对应的待预测部件发生故障的第二概率。其中,第一权重可以根据实际情况进行设定。
S104、根据第二概率,确定风电机组发生故障的第三概率,并根据第三概率对风电机组进行故障预测。
本申请实施例中,在获取第二概率后,可以根据第二概率,确定风电机组发生故障的第三概率。
需要说明的是,本申请中对于根据第三概率对风电机组进行故障预测的具体方式不作限定,可以根据实际情况进行设定。
可选地,在获取第二概率后,可以根据发电机组每个待预测部件的第二权重,对第二概率进行加权处理,以获取第三概率。其中,第二权重可以根据实际情况进行设定。
进一步地,在获取第三概率后,可已根据第三概率对风电机组进行故障预测。
本申请提供的风电机组的故障预测方法,通过选取风电机组对应的至少一个待预测部件,并针对每个待预测部件,分别对待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件,以获取每个分级待预测事件发生故障的第一概率,并根据第一概率,获取对应的待预测部件发生故障的第二概率,并根据第二概率,确定风电机组发生故障的第三概率,并根据第三概率对风电机组进行故障预测。由此,本申请通过计算不同事件发生的概率组合,实现了风电机组故障预测功能,提高了风电机组故障预测的准确性与可靠性,同时为下一次运维提供数据支持,方便相关人员制定检修计划,提高了风电机组的发电效率。
作为一种可能的实现方式,如图2所示,在上述步骤的基础上,上述步骤S102中针对每个待预测部件,分别对待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件的具体过程,包括以下步骤:
S201、获取针对待预测部件的至少一个初始待预测事件。
需要说明的是,为了获取针对待预测部件的至少一个初始待预测事件,可以对待预测部件进行拆分,以获取至少一个初始待预测事件。
举例而言,可以对发电机组进行拆分,以获取温度类、转速类、电压电流类等至少一个初始待预测事件。
S202、从初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将当前事件划分轮次的划分结果和初始待预测事件作为分级待预测事件。
本申请实施例中,在获取到初始待预测部件后,可以对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将当前事件划分轮次的划分结果和初始待预测事件作为分级待预测事件。
举例而言,若初始待预测事件为温度类,可以获取事件X1作为分级待预测事件;若初始待预测事件为转速类,可以获取事件X2作为分级待预测事件;若初始待预测事件为电压电流类,可以获取事件Xn作为分级待预测事件。
作为一种可能的实现方式,如图3所示,在上述步骤的基础上,上述步骤S103中获取每个分级待预测事件发生故障的第一概率的具体过程,包括以下步骤:
S301、获取预设时长以及每个分级待预测事件在预设时长内发生故障的预测时长。
需要说明的是,预设时长可以根据实际情况进行设定。
举例而言,可以设置为5h,还可以设置为10h。
其中,分级预测时间发生故障的预测时长即为发生故障从开始到结束的时长,若在历史多个预设时长内同一个故障事件发生多次,则进行时间求和作为分级待预测事件的发生故障的预测时长。
需要说明的是,本申请中,可以通过多种方式获取第二运行参数训练值。可选地,可以对每个分级待预测事件进行独立预测,此种情况下,每个分级待预测事件分别对应一个不同的正常行为预测模型;可选地,可以对每个分级待预测事件进行联合预测,此种情况下,所有的分级待预测事件对应同一个正常行为预测模型。
作为一种可能的实现方式,可以对每个分级待预测事件进行独立预测,进一步地,根据第二运行参数训练值获取预测时长。
如图4所示,在上述步骤的基础上,上述步骤S301中获取每个分级待预测事件在预设时长内发生故障的预测时长的具体过程,包括以下步骤:
S401、获取每个分级待预测事件对应的第一运行参数。
本申请实施例中,在获取到分级待预测时间后,可以获取每个分级待预测事件对应的第一运行参数,其中,第一运行参数,指的是风速、功率等非事件类变量。
S402、将每个第一运行参数分别输入至对应的正常行为预测模型中,输出分级待预测事件对应的第二运行参数预测值,并根据第二运行参数训练值获取预测残差。
其中,第二运行参数预测值,指的是发电机温度等事件类变量。
本申请实施例中,在获取第二运行参数预测值后,可以获取第二运行参数预测值(预测值)和第二运行参数样本值(真实值)之间的差异作为预测残差。
需要说明的是,正常行为预测模型为任一训练好的收敛模型,优选地,可以选取Xgboost模型等树模型进行训练直至收敛。
S403、响应于预测残差大于或者等于预设残差阈值,则获取正常行为预测模型对应的时间步长,并根据时间步长和第二运行参数预测值获取预测时长。
其中,时间步长指前后两个时间点之间的差值。
需要说明的是,预设残差阈值可以根据实际情况设定。例如,可以根据发电机组的历史运行情况进行设定,又例如,可以根据正常行为预测模型的历史数据进行设定。
本申请实施例中,在获取时间步长和预测残差后,可以根据时间步长和预测残差获取预测时长。
需要说明的是,本申请中对于根据时间步长和预测残差获取预测时长的具体方式不作限定,可以根据实际情况进行选取。
举例而言,若时间步长为10,预测残差为10,则可以获取预测时长为10*10=100。
作为另一种可能的实现方式,可以对每个分级待预测事件进行联合预测,进一步地,根据预测残差获取预测时长。
可选地,可以按序将所有的分级待预测事件以及对应的第一运行参数均输入至同一个正常行为预测模型中,以按序输出每个分级待预测事件对应的第二运行参数预测值。
此种情况下,采用了多目标预测方法,即多个分级待预测事件共用一个模型,进行多目标预测,以获取每个分级待预测事件对应的第二运行参数预测值。
S302、获取目标时长与预设时长的比值,并将比值作为第一概率。
其中,目标时长,即为分级待预测事件发生故障事件的总时长。
本申请实施例中,获取到目标时长与预测时长后,可以将目标时长与预设时长的比值作为第一概率。
举例而言,可以将分级待预测事件历史多个观测周期T的总预测时长表示为t(all),将历史多个观测周期T内分级待预测事件Xi发生故障的总预测时长表示为t(xi)。此种情况下,可以将分级待预测事件的第一概率P(Xi)表示为P(Xi)=t(xi)/t(all)。
进一步地,为了保证预测结果的准确性,可以对第一概率和第二概率进行加权处理。
作为一种可能实现的方式,如图5所示,具体包括以下步骤:
S501、获取第一权重并根据第一权重,对属于同一个待预测部件的所有的第一概率进行加权处理,并将加权结果作为第二概率。
需要说明的是,可以根据每个待预测部件对发电机组的影响程度,对待预测部件设置不同的权重。
需要说明的是,在获取到第一权重Wi后,可以根据第一权重,对属于同一个待预测部件的所有的第一概率进行加权处理,并将加权结果作为第二概率。
其中,第二概率P(fault)的计算公式为:
其中,P(Xi)为每个事件在历史多个观测周期T内发生的概率,Wi为该事件对部件发生故障的权重。
S502、获取第二权重并根据第二权重,对所有的第二概率进行加权处理,并将加权结果作为第三概率。
需要说明的是,在获取到第二概率后,可以根据第二权重对概率进行加权处理,并将加权结果作为第三概率。
进一步地,在获取第三概率后,可以对风电机组进行故障预测。
由此,本申请提出的风电机组的故障预测方法,通过将发电机组分为不同的待预测部件,再将待预测部件分为分级待预测部件,通过计算不同事件发生的概率组合,判断未来一段时间待预测部件可能发生故障的概率,并给出可能引发故障的运行参数,为下一次运维提供数据支持,方便制定检修计划,提高了发电机组的发电效率。
下面采用实施例对本申请的正常行为预测模型的训练方法进行解释说明。
图6为本申请实施例提供的一种正常行为预测模型的训练方法的流程示意图。
S601、获取风电机组对应的任一待预测部件的任一样本分级待预测事件,并获取样本分级待预测事件对应的第一运行参数样本值,其中,样本分级待预测事件包括已标注的第二运行参数样本值。
其中,样本分级待预测事件对应的第一运行参数样本值可以为任意非事件类变量,例如:风速、功率等。
需要说明的是,为了进一步提高训练效果,在获取第一运行参数样本值之后可以对第一运行参数样本值进行归一化处理等预处理。
S602、将第一运行参数样本值输入至对应的初始正常行为预测模型,并由初始正常行为预测模型输出样本分级待预测事件对应的第二运行参数训练值。
S603、根据第二运行参数训练值和第二运行参数样本值,获取训练残差,并根据训练残差调整初始正常行为预测模型的模型参数,直至满足训练结束条件得到目标正常行为预测模型。
本申请实施例中,在获取样本分级待预测事件和第一运行参数样本值后,可以将第一运行参数样本值输入至对应的初始正常行为预测模型中,以输出样本分级待预测事件对应的第二运行参数训练值。进一步地,可以根据第二运行参数训练值和已标注的第二运行参数样本值,获取训练残差。其中,初始正常行为预测模型为待训练的未收敛模型。
进一步地,可以根据训练残差调整初始正常行为预测模型的模型参数,以通过对模型参数的多次迭代优化,得到最优模型参数,然后用第一运行参数样本值与最优模型参数重新训练模型即可得到最优模型,即目标正常行为预测模型。
其中,训练停止条件可以根据实际情况进行设定。例如可以设定训练停止条件为训练残差小于预设训练残差阈值;又例如可以设定训练停止条件为模型的参数的调整次数达到预设次数阈值。
本申请提供的正常行为预测模型的训练方法,确保了正常行为预测模型的训练效果,提高了输出的正常行为预测结果的准确性、可靠性以及有效性,为采用正常行为预测模型进行准确地风电机组故障预测奠定了基础。
作为一种可能的实现方式,如图7所示,在上述步骤的基础上,上述步骤S601中获取样本分级待预测事件对应的样本数据的具体过程,包括以下步骤:
S701、获取预设采集时长,并按照预设采集时长获取样本分级待预测事件对应的中间第一运行参数样本值。
需要说明的是,本申请中对于获取预设采集时长的具体方式不作限定,可以根据实际情况进行设定。
可选地,可以从发电机组的用户交互界面直接进行获取预设采集时长。
S702、对中间第一运行参数样本值进行预处理,以获取第一运行参数样本值。
需要说明的是,在获取中间第一运行参数样本值后,可以对中间第一运行参数样本值进行预处理,以获取第一运行参数样本值。其中,预处理的具体方式可以根据实际情况进行选取。
举例而言,可以进行传感器数据有效性验证,剔除传感器异常数据;可以进行机组非运行状态清洗,剔除机组停机数据及机组故障数据;可以进行机组特殊状态清洗,剔除机组限功率数据、限桨距角数据。
作为一种可能的实现方式,如图8所示,在上述步骤的基础上,上述步骤S701中按照预设采集时长获取样本分级待预测事件对应的中间第一运行参数样本值的具体过程,包括以下步骤:
S801、按照预设采集时长,分别获取样本分级待预测事件对应的初始第一运行参数样本值以及非第一运行参数样本值。
S802、选取任一初始第一运行参数样本值和任一非第一运行参数样本值,并获取任一初始第一运行参数样本值和任一非第一运行参数样本值之间的关联程度。
需要说明的是,可以计算任一初始第一运行参数样本值和任一非第一运行参数样本值之间的相关系数,以获取任一初始第一运行参数样本值和任一非第一运行参数样本值之间的关联程度,其中,相关系数计算公式为:
其中,第一运行参数样本值为y,非第一运行参数样本值为x,Cov(x,y)是两个变量的协方差,σx为变量的标准差,σy为变量的标准差。
S803、响应于关联程度满足关联程度阈值,则将任一初始第一运行参数样本值作为中间第一运行参数样本值。
需要说明的是,本申请中预先设置有关联度阈值,若任一初始第一运行参数样本值和任一非第一运行参数样本值之间的关联程度满足关联程度阈值,则将任一初始第一运行参数样本值作为中间第一运行参数样本值,并将该中间第一运行参数样本值作为正常行为预测模型的输入变量。其中,关联程度阈值可以根据实际情况进行设定。
作为一种可能的实现方式,如图9所示,在上述步骤的基础上,上述步骤S602中由初始正常行为预测模型输出样本分级待预测事件对应的第二运行参数训练值的具体过程,包括以下步骤:
S901、确定至少两个特征提取维度,并针对每个特征提取维度,由初始正常行为预测模型中对应的特征提取网络对第一运行参数样本值进行特征提取,以获取第一运行参数样本值对应的多维特征信息。
需要说明的是,本申请中对于获取第一运行参数样本值对应的多维特征信息的具体方式不作限定,可以根据实际情况进行设定。
可选地,给定一个时间窗口,分别提取每个输入变量在该时间窗口内的统计特征,如最大值、最小值、标准差与均值的比值,此种情况下,可以获取到统计维度对应的特征信息;给定一个时间窗口,提取该时间窗口内的趋势特征,如该数据变量的上升趋势、下降趋势等,此种情况下,可以获取到趋势维度对应的特征信息。
可选地,可以将多个输入变量构造为数据矩阵,用卷积神经网络进行特征提取,通过多次卷积、池化、卷积、池化的操作,得到多维特征信息。
S902、将多维特征信息中的维度的特征信息进行融合处理,以获取多维融合特征信息。
需要说明的是,在获取多维特征信息后,可以对多维特征信息中的维度的特征信息进行融合处理,以获取多维融合特征信息,并将多维融合特征信息作为正常行为预测模型的输入。
S903、将多维融合特征信息输入至初始正常行为预测模型中的预测网络,以第二运行参数训练值。
需要说明的是,将多维融合特征信息输入至初始正常行为预测模型中的预测网络,可以输出第二运行参数训练值。
本申请提出的正常行为预测模型的训练方法,进一步确保了目标正常行为预测模型输出结果的准确性与可靠性,进一步保证了风电机组的故障预测的准确性与稳定性。
为了实现上述实施例,本实施例提供了一种风电机组的故障预测装置,图10为本申请实施例提供的一种风电机组的故障预测装置的结构示意图。
如图10所示,该风电机组的故障预测装置1000,包括:选取模块1001,第一获取模块1002,第二获取模块1003和预测模块1004。
选取模块1001,用于选取风电机组对应的至少一个待预测部件;
第一获取模块1002,用于针对每个所述待预测部件,分别对所述待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件;
第二获取模块1003,用于获取每个所述分级待预测事件发生故障的第一概率,并根据所述第一概率,获取对应的所述待预测部件发生故障的第二概率;
预测模块1004,用于根据所述第二概率,确定所述风电机组发生故障的第三概率,并根据所述第三概率对所述风电机组进行故障预测。
根据本申请的一个实施例,第一获取模块1002,还用于:获取针对所述待预测部件的至少一个初始待预测事件;从所述初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将所述当前事件划分轮次的划分结果和所述初始待预测事件作为所述分级待预测事件。
根据本申请的一个实施例,第一获取模块1002,还用于:获取针对所述待预测部件的至少一个初始待预测事件;从所述初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将所述当前事件划分轮次的划分结果和所述初始待预测事件作为所述分级待预测事件。
根据本申请的一个实施例,所述第二获取模块1003,还用于:获取每个所述分级待预测事件对应的第一运行参数;将每个所述第一运行参数分别输入至对应的正常行为预测模型中,输出所述分级待预测事件对应的第二运行参数预测值,并根据所述第二运行参数预测值获取预测残差;响应于所述预测残差大于或者等于预设残差阈值,则获取所述正常行为预测模型对应的时间步长,并根据所述时间步长和所述第二运行参数预测值获取所述预测时长。
根据本申请的一个实施例,所述第二获取模块1002,还用于:按序将所有的所述分级待预测事件以及对应的第一运行参数均输入至同一个正常行为模型中,以按序输出每个所述分级待预测事件对应的第二运行参数预测值。
根据本申请的一个实施例,所述故障预测模块1004,还用于:获取第一权重并根据所述第一权重,对属于同一个所述待预测部件的所有的所述第一概率进行加权处理,并将加权结果作为所述第二概率;获取第二权重并根据所述第二权重,对所有的所述第二概率进行加权处理,并将加权结果作为所述第三概率。
本申请提供的风电机组的故障预测装置,通过计算不同事件发生的概率组合,实现了风电机组故障预测功能,提高了风电机组故障预测的准确性与可靠性,同时为下一次运维提供数据支持,方便相关人员制定检修计划,提高了风电机组的发电效率。
为了实现上述实施例,本实施例提供了一种正常行为预测模型的训练装置,图11为本申请实施例提供的一种正常行为预测模型的训练装置的结构示意图。
如图11所示,该正常行为预测模型的训练装置1100,包括:第一获取模块1101、输出模块1102和第二获取模块1103。其中,
第一获取模块1101,用于
获取风电机组对应的任一待预测部件的任一样本分级待预测事件,并获取所述样本分级待预测事件对应的第一运行参数样本值,其中,所述样本分级待预测事件包括已标注的第二运行参数样本值;
输出模块1102,用于将所述第一运行参数样本值输入至对应的初始正常行为预测模型,并由所述初始正常行为预测模型输出所述样本分级待预测事件对应的第二运行参数训练值;
第二获取模块1103,用于根据所述第二运行参数训练值和所述第二运行参数样本值,获取训练残差,并根据所述训练残差,调整所述初始正常行为预测模型的模型参数,直至满足训练结束条件得到目标正常行为预测模型。
根据本申请的一个实施例,第一获取模块1101,还用于:获取预设采集时长,并按照所述预设采集时长获取所述样本分级待预测事件对应的中间第一运行参数样本值;对所述中间第一运行参数样本值进行预处理,以获取所述第一运行参数样本值。
根据本申请的一个实施例,第一获取模块1101,还用于:按照所述预设采集时长,分别获取所述样本分级待预测事件对应的初始第一运行参数样本值以及非第一运行参数样本值;选取任一初始第一运行参数样本值和任一非第一运行参数样本值,并获取所述任一初始第一运行参数样本值和所述任一第一运行参数样本值之间的关联程度;响应于所述关联程度满足关联程度阈值,则将所述任一初始第一运行参数样本值作为所述中间第一运行参数样本值。
根据本申请的一个实施例,输出模块1102,还用于:
确定至少两个特征提取维度,并针对每个所述特征提取维度,由所述初始正常行为预测模型中对应的特征提取网络对所述第一运行参数样本值进行特征提取,以获取所述第一运行参数样本值对应的多维特征信息;
将所述多维特征信息中的所有维度的特征信息进行融合处理,以获取多维融合特征信息;
将所述多维融合特征信息输入至所述初始正常行为预测模型中的预测网络,以输出所述第二运行参数训练值。
本申请提出的正常行为预测模型的训练装置,确保了正常行为预测模型的训练效果,提高了输出的正常行为预测结果的准确性、可靠性以及有效性,为采用正常行为预测模型进行准确地风电机组故障预测奠定了基础。
为了实现上述实施例,本申请还提出了一种电子设备2000,如图12所示,包括:存储器210、处理器220及存储在存储器210上并可在处理器上220运行的计算机程序,所述处理器执行所述程序时,实现如第一方面所述的风电机组的故障预测方法或第二方面所述的正常行为预测模型的训练方法。
为了实现上述实施例,本申请提出了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的风电机组的故障预测方法或第二方面所述的正常行为预测模型的训练方法。
为了实现上述实施例,本申请还提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面所述的风电机组的故障预测方法或第二方面所述的正常行为预测模型的训练方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (23)
1.一种风电机组的故障预测方法,包括:
选取风电机组对应的至少一个待预测部件;
针对每个所述待预测部件,分别对所述待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件;
获取每个所述分级待预测事件发生故障的第一概率,并根据所述第一概率,获取对应的所述待预测部件发生故障的第二概率;
根据所述第二概率,确定所述风电机组发生故障的第三概率,并根据所述第三概率对所述风电机组进行故障预测。
2.根据权利要求1所述的预测方法,其中,所述针对每个所述待预测部件,分别对所述待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件,包括:
获取针对所述待预测部件的至少一个初始待预测事件;
从所述初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将所述当前事件划分轮次的划分结果和所述初始待预测事件作为所述分级待预测事件。
3.根据权利要求1或2所述的预测方法,其中,所述获取每个所述分级待预测事件发生故障的第一概率,包括:
获取预设时长以及每个所述分级待预测事件在所述预设时长内发生故障的预测时长;
获取所述目标时长与所述预设时长的比值,并将所述比值作为所述第一概率。
4.根据权利要求3所述的预测方法,其中,所述获取每个所述分级待预测事件在所述预设时长内发生故障的预测时长,包括:
获取每个所述分级待预测事件对应的第一运行参数;
将每个所述第一运行参数分别输入至对应的正常行为预测模型中,输出所述分级待预测事件对应的第二运行参数预测值,并根据所述第二运行参数预测值获取预测残差;
响应于所述预测残差大于或者等于预设残差阈值,则获取所述正常行为预测模型对应的时间步长,并根据所述时间步长和所述第二运行参数预测值获取所述预测时长。
5.根据权利要求3所述的预测方法,其中,还包括:
按序将所有的所述分级待预测事件以及对应的第一运行参数均输入至同一个正常行为模型中,以按序输出每个所述分级待预测事件对应的第二运行参数预测值。
6.根据权利要求1所述的预测方法,其中,还包括:
获取第一权重并根据所述第一权重,对属于同一个所述待预测部件的所有的所述第一概率进行加权处理,并将加权结果作为所述第二概率;
获取第二权重并根据所述第二权重,对所有的所述第二概率进行加权处理,并将加权结果作为所述第三概率。
7.一种正常行为预测模型的训练方法,包括:
获取风电机组对应的任一待预测部件的任一样本分级待预测事件,并获取所述样本分级待预测事件对应的第一运行参数样本值,其中,所述样本分级待预测事件包括已标注的第二运行参数样本值;
将所述第一运行参数样本值输入至对应的初始正常行为预测模型,并由所述初始正常行为预测模型输出所述样本分级待预测事件对应的第二运行参数训练值;
根据所述第二运行参数训练值和所述第二运行参数样本值,获取训练残差,并根据所述训练残差调整所述初始正常行为预测模型的模型参数,直至满足训练结束条件得到目标正常行为预测模型。
8.根据权利要求7所述的训练方法,其中,所述获取所述样本分级待预测事件对应的第一运行参数样本值,包括:
获取预设采集时长,并按照所述预设采集时长获取所述样本分级待预测事件对应的中间第一运行参数样本值;
对所述中间第一运行参数样本值进行预处理,以获取所述第一运行参数样本值。
9.根据权利要求8所述的训练方法,其中,所述按照所述预设采集时长获取所述样本分级待预测事件对应的中间第一运行参数样本值,包括:
按照所述预设采集时长,分别获取所述样本分级待预测事件对应的初始第一运行参数样本值以及非第一运行参数样本值;
选取任一初始第一运行参数样本值和任一非第一运行参数样本值,并获取所述任一初始第一运行参数样本值和所述任一第一运行参数样本值之间的关联程度;
响应于所述关联程度满足关联程度阈值,则将所述任一初始第一运行参数样本值作为所述中间第一运行参数样本值。
10.根据权利要求7所述的训练方法,其中,所述由所述初始正常行为预测模型输出所述样本分级待预测事件对应的第二运行参数训练值,包括:
确定至少两个特征提取维度,并针对每个所述特征提取维度,由所述初始正常行为预测模型中对应的特征提取网络对所述第一运行参数样本值进行特征提取,以获取所述第一运行参数样本值对应的多维特征信息;
将所述多维特征信息中的所有维度的特征信息进行融合处理,以获取多维融合特征信息;
将所述多维融合特征信息输入至所述初始正常行为预测模型中的预测网络,以输出所述第二运行参数训练值。
11.一种风电机组的故障预测装置,其特征在于,包括:
选取模块,用于选取风电机组对应的至少一个待预测部件;
第一获取模块,用于针对每个所述待预测部件,分别对所述待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件;
第二获取模块,用于获取每个所述分级待预测事件发生故障的第一概率,并根据所述第一概率,获取对应的所述待预测部件发生故障的第二概率;
预测模块,用于根据所述第二概率,确定所述风电机组发生故障的第三概率,并根据所述第三概率对所述风电机组进行故障预测。
12.根据权利要求11所述的风电机组的故障预测装置,其中,所述第一获取模块,还用于:
获取针对所述待预测部件的至少一个初始待预测事件;
从所述初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将所述当前事件划分轮次的划分结果和所述初始待预测事件作为所述分级待预测事件。
13.根据权利要求11或12所述的风电机组的故障预测装置,其中,所述第二获取模块,还用于:
获取针对所述待预测部件的至少一个初始待预测事件;
从所述初始待预测事件起,针对任一当前事件划分轮次,对上一轮次的划分结果进行事件划分,并将所述当前事件划分轮次的划分结果和所述初始待预测事件作为所述分级待预测事件。
14.根据权利要求13所述的风电机组的故障预测装置,其中,所述第二获取模块,还用于:
获取每个所述分级待预测事件对应的第一运行参数;
将每个所述第一运行参数分别输入至对应的正常行为预测模型中,输出所述分级待预测事件对应的第二运行参数预测值,并根据所述第二运行参数预测值获取预测残差;
响应于所述预测残差大于或者等于预设残差阈值,则获取所述正常行为预测模型对应的时间步长,并根据所述时间步长和所述第二运行参数预测值获取所述预测时长。
15.根据权利要求13所述的风电机组的故障预测装置,其中,所述第二获取模块,还用于:
按序将所有的所述分级待预测事件以及对应的第一运行参数均输入至同一个正常行为模型中,以按序输出每个所述分级待预测事件对应的第二运行参数预测值。
16.根据权利要求11所述的风电机组的故障预测装置,其中,所述故障预测模块,还用于:
获取第一权重并根据所述第一权重,对属于同一个所述待预测部件的所有的所述第一概率进行加权处理,并将加权结果作为所述第二概率;
获取第二权重并根据所述第二权重,对所有的所述第二概率进行加权处理,并将加权结果作为所述第三概率。
17.一种模型训练装置,其特征在于,包括:
第一获取模块,用于获取风电机组对应的任一待预测部件的任一样本分级待预测事件,并获取所述样本分级待预测事件对应的第一运行参数样本值,其中,所述样本分级待预测事件包括已标注的第二运行参数样本值;
输出模块,用于将所述第一运行参数样本值输入至对应的初始正常行为预测模型,并由所述初始正常行为预测模型输出所述样本分级待预测事件对应的第二运行参数训练值;
第二获取模块,用于根据所述第二运行参数训练值和所述第二运行参数样本值,获取训练残差,并根据所述训练残差调整所述初始正常行为预测模型的模型参数,直至满足训练结束条件得到目标正常行为预测模型。
18.根据权利要求17所述的模型训练装置,其中,所述第一获取模块,还用于:
获取预设采集时长,并按照所述预设采集时长获取所述样本分级待预测事件对应的中间第一运行参数样本值;
对所述中间第一运行参数样本值进行预处理,以获取所述第一运行参数样本值。
19.根据权利要求18所述的模型训练装置,其中,所述第一获取模块,还用于:
按照所述预设采集时长,分别获取所述样本分级待预测事件对应的初始第一运行参数样本值以及非第一运行参数样本值;
选取任一初始第一运行参数样本值和任一非第一运行参数样本值,并获取所述任一初始第一运行参数样本值和所述任一第一运行参数样本值之间的关联程度;
响应于所述关联程度满足关联程度阈值,则将所述任一初始第一运行参数样本值作为所述中间第一运行参数样本值。
20.根据权利要求17所述的模型训练装置,其中,所述输出模块,还用于:
确定至少两个特征提取维度,并针对每个所述特征提取维度,由所述初始正常行为预测模型中对应的特征提取网络对所述第一运行参数样本值进行特征提取,以获取所述第一运行参数样本值对应的多维特征信息;
将所述多维特征信息中的所有维度的特征信息进行融合处理,以获取多维融合特征信息;
将所述多维融合特征信息输入至所述初始正常行为预测模型中的预测网络,以输出所述第二运行参数训练值。
21.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述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1-6中任一项所述的风电机组的故障预测方法或权利要求7-10中任一项所述正常行为预测模型的训练方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的风电机组的故障预测方法或权利要求7-10中任一项所述正常行为预测模型的训练方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的风电机组的故障预测方法或权利要求7-10中任一项所述正常行为预测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205488.8A CN114077922A (zh) | 2021-10-15 | 2021-10-15 | 风电机组的故障预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205488.8A CN114077922A (zh) | 2021-10-15 | 2021-10-15 | 风电机组的故障预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114077922A true CN114077922A (zh) | 2022-02-22 |
Family
ID=80283422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205488.8A Pending CN114077922A (zh) | 2021-10-15 | 2021-10-15 | 风电机组的故障预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114077922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828483A (zh) * | 2024-03-04 | 2024-04-05 | 北京北投智慧城市科技有限公司 | 一种建筑设备数据融合的故障预测分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104067011A (zh) * | 2011-11-23 | 2014-09-24 | Skf公司 | 旋转系统状态监控装置与方法 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
US20200309099A1 (en) * | 2017-03-24 | 2020-10-01 | Xinjiang Goldwind Science & Technology Co., Ltd. | Method and device for predicting wind turbine fault |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
-
2021
- 2021-10-15 CN CN202111205488.8A patent/CN114077922A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104067011A (zh) * | 2011-11-23 | 2014-09-24 | Skf公司 | 旋转系统状态监控装置与方法 |
US20200309099A1 (en) * | 2017-03-24 | 2020-10-01 | Xinjiang Goldwind Science & Technology Co., Ltd. | Method and device for predicting wind turbine fault |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
Non-Patent Citations (5)
Title |
---|
刘敬智;宋鹏;白恺;姚万业;杨伟新;: "风力发电机组故障预测技术研究", 华北电力技术, no. 12, 25 December 2016 (2016-12-25), pages 49 - 54 * |
周冰: ""海上风电机组智能故障预警系统研"", 《南方能源建设》, vol. 5, no. 2, 25 June 2018 (2018-06-25), pages 133 - 137 * |
周冰: ""海上风电机组智能故障预警系统研究"", 《南方能源建设》, vol. 5, no. 2, 25 June 2018 (2018-06-25), pages 133 - 137 * |
姚万业;邸帅;宋鹏;吕猛;: "考虑样本优化的风电机组齿轮箱轴承故障预测", 华北电力技术, no. 04, 25 April 2017 (2017-04-25), pages 44 - 49 * |
张静等: ""基于数据的风电机组发电机健康状况评估"", 《信息与控制》, vol. 47, no. 6, 15 December 2018 (2018-12-15), pages 694 - 701 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828483A (zh) * | 2024-03-04 | 2024-04-05 | 北京北投智慧城市科技有限公司 | 一种建筑设备数据融合的故障预测分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2522037C2 (ru) | Идентификация отказов в авиационном двигателе | |
CN111237134A (zh) | 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 | |
US6816813B2 (en) | Process for determining competing cause event probability and/or system availability during the simultaneous occurrence of multiple events | |
Louen et al. | A new framework for remaining useful life estimation using support vector machine classifier | |
CN104573906B (zh) | 用于分析电力传输系统中的振荡稳定性的系统和方法 | |
TW202044314A (zh) | 校正離子注入半導體製造工具中的部件故障 | |
CN110535159B (zh) | 一种规模化储能电站运行单元故障预警的方法及系统 | |
Venturini et al. | Prediction reliability of a statistical methodology for gas turbine prognostics | |
CN110457821B (zh) | 风功率曲线多目标综合评价方法、装置及服务器 | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN116738868B (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN114077922A (zh) | 风电机组的故障预测方法、装置及电子设备 | |
CN110929835B (zh) | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 | |
CN115033591A (zh) | 一种电费数据异常智能检测方法、系统、存储介质及计算机设备 | |
CN113505879B (zh) | 一种基于多注意力特征记忆模型的预测方法和装置 | |
CN105426647B (zh) | 基于可靠度先验信息融合的冷备系统可靠度估计方法 | |
CN108074045B (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
CN111461329B (zh) | 一种模型的训练方法、装置、设备及可读存储介质 | |
WO2024093468A1 (zh) | 风偏闪络风险评价方法、系统、设备、可读存储介质 | |
CN113300373A (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
Marsadek et al. | Risk based security assessment of power system using generalized regression neural network with feature extraction | |
Morison et al. | Identification of voltage control areas and reactive power reserve; an advancement in on-line voltage security assessment | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
Shuvro et al. | Correlating grid-operators' performance with cascading failures in smart-grids |
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 |