CN115034098A - 风电算法模型验证方法、装置、设备及存储介质 - Google Patents
风电算法模型验证方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115034098A CN115034098A CN202210958289.2A CN202210958289A CN115034098A CN 115034098 A CN115034098 A CN 115034098A CN 202210958289 A CN202210958289 A CN 202210958289A CN 115034098 A CN115034098 A CN 115034098A
- Authority
- CN
- China
- Prior art keywords
- algorithm model
- data
- wind power
- parameter
- verification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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
Abstract
本申请公开了一种风电算法模型验证方法、装置、设备及存储介质,该风电算法模型验证方法包括:获取风电设备的初始算法模型,所述初始算法模型中包括入参参数;获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果;基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。可以理解,本申请在风电设备的前期数据量不够大的情况下,采用数据验证和专家验证法对算法模型进行验证,提升算法模型准确率。
Description
技术领域
本申请涉及风电预测技术领域,尤其涉及一种风电算法模型验证方法、装置、设备及存储介质。
背景技术
风电是发展最快的可再生能源之一,由于风具有随机性和间歇性特点,尤其是山地风电受山谷风的局地环流影响,容易产生明显的局地小气候,常规天气预报无法准确反映出风电场所在区域的真实风速,因此,通过创建风电预测模型,基于基础的数据以预测风电设备的情况。
但是,不同的风电设备具有不同类型的预测模型,在对新的风电设备创建风电预测模型时,由于在给各个企业做初次实验,算法模型没有大量的数据,无法进行有效训练,则导致预测模型的准确率非常低,这大大影响企业形象。同时,由于数据量较小,仅由算法模型自我迭代进行验证,对模型的验证或校验过程也存在一定的误差,导致得到的算法模型不准确。
发明内容
本申请的主要目的在于提供一种风电算法模型验证方法、装置、设备及存储介质,旨在解决现有的风电预测算法模型的验证准确性偏低的技术问题。
为实现上述目的,本申请提供一种风电算法模型验证方法,所述方法包括:
获取风电设备的初始算法模型,所述初始算法模型中包括入参参数;
获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果;
基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。
示例性的,所述获取风电设备的初始算法模型,所述初始算法模型中包括入参参数之前,包括:
获取预设的基础算法模型;
根据所述入参参数对应的历史数据对所述基础算法模型进行训练,建立初始算法模型,所述历史数据包括所述风电设备的相关数据、以及与所述风电设备属性一致的相关设备的相关数据。
示例性的,所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果之前,包括:
获取所述初始算法模型中数据的参数标识;
基于所述参数标识和当前时间,获取参数标识对应的传感器的数据,得到在线数据;
所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果,包括:
将所述在线数据输入至所述初始算法模型中,得到目标数据;
在预设的时间段内,基于所述目标数据形成算法结果,以供人员根据所述算法结果评估所述风电设备的性能。
示例性的,所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果之前,包括:
调用预设的数据显示界面,所述数据显示界面中包括调参界面,所述调参界面是通过表单引擎设计的,获取所述调参界面的输入数据,将所述输入数据作为所述在线数据,执行所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果的步骤。
示例性的,所述数据显示界面还包括结果展示界面,
所述基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测,包括:
基于预设的显示形式在所述结果展示界面显示所述算法结果;
基于目标数据与参数阈值的数据比对方式进行数据验证,得到验证结果;和/或
基于专家验证法,得到验证结果;
当所述验证结果为异常时,对所述初始算法模型中的所述入参参数进行调整,得到目标算法模型。
示例性的,所述当所述验证结果为异常时,对所述初始算法模型中的所述入参参数进行调整,得到目标算法模型,包括:
当所述验证结果为异常时,标记所述验证结果对应的异常参数,获取所述异常参数对应的新的在线数据,将所述新的在线数据输入至所述初始算法模型中,进行再次计算和验证;和/或
当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据,将所述变更数据输入至所述初始算法模型进行再次计算和验证;
当所述算法结果符合预设模型条件时,确定当前的初始算法模型为目标算法模型。
示例性的,所述当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据之前,包括:
获取所述调参界面与所述初始算法模型之间的关联标识;
所述当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据,将所述变更数据输入至所述初始算法模型进行再次计算和验证,包括:
获取所述调参界面发生数据变更操作对应的变更数据,通过所述关联标识,将所述变更数据输入至对应的所述初始算法模型中,以进行再次计算和验证。
示例性的,为实现上述目的,本申请还提供一种风电算法模型验证装置,所述风电算法模型验证装置包括:
模型获取模块,用于获取风电设备的初始算法模型,所述初始算法模型中包括入参参数;
模型计算模块,用于获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果;
模型验证模块,用于基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。
示例性的,为实现上述目的,本申请还提供一种风电算法模型验证设备,所述风电算法模型验证设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的风电算法模型验证程序,所述风电算法模型验证程序被处理器执行时实现如上所述的风电算法模型验证方法的步骤。
示例性的,为实现上述目的,本申请还提供一种计算机存储介质,所述计算机存储介质上存储有风电算法模型验证程序,所述风电算法模型验证程序被处理器执行时实现如上所述的风电算法模型验证方法的步骤。
与现有技术中,现有的风电预测算法模型的验证准确性偏低相比,本申请通过获取风电设备的初始算法模型,所述初始算法模型中包括入参参数;获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果;基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。可以理解,本申请在风电设备的前期数据量不够大的情况下,采用数据验证和专家验证法对算法模型进行验证,提升算法模型准确率。
附图说明
图1是本申请风电算法模型验证方法第一实施例的流程示意图;
图2是本申请风电算法模型验证方法第一实施例中的数据显示界面示意图;
图3是本申请风电算法模型验证方法第一实施例的具体场景实例流程示意图;
图4是本申请风电算法模型验证装置较佳实施例的功能模块示意图;
图5是本申请实施例方案涉及的硬件运行环境的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供一种风电算法模型验证方法,参照图1,图1为本申请风电算法模型验证方法的流程示意图。
本申请实施例还提供了风电算法模型验证方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。风电算法模型验证方法可应用于计算机中,为了便于描述,以下省略执行主体描述风电算法模型验证方法的各个步骤,风电算法模型验证方法包括:
步骤S110,获取风电设备的初始算法模型,所述初始算法模型中包括入参参数。
需要说明的是,人均碳排放分析可以应用于风电算法模型验证装置,该风电算法模型验证装置属于风电算法模型验证系统,该风电算法模型验证系统从属于风电算法模型验证设备。
其中,初始算法模型是指用于预测风电设备的风电性能的计算模型,其中,风电性能包括转速性能、健康性能、风电强度等与风电设备运行相关的性能。根据不同的风电性能对应的初始算法模型具有不同的功能,如找出“风电设备的故障”、“预测风电设备的使用寿命”、“当前风电设备的健康指数”、“时域分析”、“傅里叶变换分析”等,即一台风电设备会部署多套初始算法模型。
风电算法模型验证方法部署于实验台中,其中,实验台类似于应用程序,将初始算法模型上传至实验台后,需要对每个初始算法模型设置必须的入参参数,该入参参数是用于建立初始算法模型的相关参数,也即与预测的风电性能相关的运行参数,如温度参数、湿度参数、振动参数等,该入参参数在基础算法模型开发与初始算法模型建立时被定义。因此,获取风电设备的初始算法模型,所述初始算法模型中包括入参参数,以便通过初始算法模型预测风电设备的性能。
需要说明的是,不同的风电设备、以及不同的风电性能对应的初始预测模型不同,在对某一风电设备的某一风电性能进行预测时,需要先选取适合的初始预测模型。将初始预测模型部署于风电设备中,由此,该风电设备具有至少一个初始算法模型,可对初始算法模型对应的数据进行计算与验证,以确定最终的风电算法模型。
示例性的,所述获取风电设备的初始算法模型,所述初始算法模型中包括入参参数之前,包括:
步骤A1,获取预设的基础算法模型;
步骤A2,根据所述入参参数对应的历史数据对所述基础算法模型进行训练,建立初始算法模型,所述历史数据包括所述风电设备的相关数据、以及与所述风电设备属性一致的相关设备的相关数据。
初始预测模型是通过数据集的训练得到的,在训练之前,先对基础算法模型进行开发,再通过数据集对基础算法模型进行训练,得到初始算法模型。其中,基础算法模型包括线性回归模型、决策树算法模型、数学模型等一系列可用于预测的模型。通过对多个基础算法模型与风电设备的结合和验证,确定适合风电设备的最佳基础算法模型。
在本实施例中,获取预设的基础算法模型,根据入参参数对应的历史数据对基础算法模型进行训练,建立初始算法模型。其中,历史数据可以是风电设备往期的相关数据,当该风电设备初次进行实验或实验次数较少,没有大量的往期数据时,历史数据还可以是与该风电设备属性一致的设备的相关数据。可以理解,与该风电设备的属性一致中的属性可以是性能属性、预测目标属性、预测原理属性等,例如,建立一种可以预测风电设备的风机转速的初始算法模型,当前的风电设备(如双叶片风电设备)的风机转速数据较少或没有数据时,则获取与该双叶片风电设备的风机转速预测相关的设备(如单叶片风电设备或三叶片风电设备)的历史数据,该历史数据用于对双叶片风电设备的基础算法模型训练,以得到双叶片风电设备的初始算法模型。
示例性的,若基础算法模型为线性回归模型,用于预测风电设备的故障的概率。例如基础算法模型为:
y=ax+b,
其中,a、b为模型系数,x为风电性能参数,y为风电设备的健康状态(也可以是故障率,通过故障率反映健康状态)。由此,通过将多组历史数据(x1,y1)输入至上述基础算法模型中,得到模型系数a、b的具体数值,由此,实例化基础算法模型,得到初始算法模型。通过初始算法模型可以基于风电设备的实时数据预测风电设备的健康状态或性能,以供人员基于预测的结果,更加精准的维护该风电设备。
步骤S120,获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果。
风电设备的在线数据是指通过风电设备中传感器实时采集到的数据,通过在线数据可以预测该风电设备中与该初始算法模型对应的性能。具体地,将在线数据输入至初始算法模型中与在线数据对应的入参参数中,得到算法结果,算法结果是用于反映风电设备性能的数据。
示例性的,算法结果是用于反映风电设备性能的数据,其可以是某一性能对应的具体数值,还可以是基于在线数据得到的风电设备的整体健康状态,还可以是在某一时间域内的数值变化,如频谱图。
示例性的,所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果之前,包括:
步骤B1,获取所述初始算法模型中数据的参数标识;
步骤B2,基于所述参数标识和当前时间,获取参数标识对应的传感器的数据,得到在线数据;
在将在线数据输入至初始算法模型中,得到算法结果之前,为了建立在线数据与传感器之间的连接,以传输数据,需要在初始算法模型中设置在线数据的参数标识。使用时,通过获取在线数据对应的参数标识,通过参数标识和当前时间,获取参数标识对应的传感器数据,也即在线数据,从而通过标识能够避免获取的在线数据重复。
因此,入参参数在基础算法模型开发与初始算法模型建立时已经被定义,定义了入参参数的参数标识,以及该参数标识对应的传感器,通过参数标识,获取对应传感器的数据。
示例性的,通过传感器直接采集到的数据为原始数据,该原始数据通常较为混乱,可以绘制出折线图或频谱图形式进行展示。然而,在将该原始数据用于对初始算法模型进行计算之前,通常需要将传感器采集到的原始数据通过采集仪器,转化为数字信号,将转化后的数字信号输入至初始算法模型中,进行模型的计算和使用。
示例性的,风电算法模型验证系统包括硬件和软件,其中,硬件包括风机、传感器、数据采集仪器、网关(或服务器)等,因此,获取风机运行数据,需要通过传感器进行风机的数据采集,传感器采集到的数据通过采集仪器,转化成数字信号发送给网关,网关再将数据发送到云端服务器中,此时,通过系统中的软件可以将这类数据展示出来,且进行初始算法模型的计算、验证和使用。
则所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果,包括:
步骤S121,将所述在线数据输入至所述初始算法模型中,得到目标数据;
步骤S122,在预设的时间段内,基于所述目标数据形成算法结果,以供人员根据所述算法结果评估所述风电设备的性能。
在本实施例中,将入参参数对应的在线数据输入至初始算法模型中,通过初始算法模型计算得到目标数据,当算法结果为时间维度的数据结果时,获取预设的时间段内的目标数据,将目标数据进行拟合,得到算法结果,以供人员根据算法结果评估风电设备的性能。
需要说明的是,拟合后的算法结果是以频谱图、折线图等形式展示,以供人员直观的从图中知悉数据的准确性。可以理解,在风电设备的初次使用或初期使用时,由于前期没有大量的历史数据作为支撑,因此,对基于初始算法模型计算得到的算法结果,还需要结合专家验证法进行验证和确定,其中,专家验证法即通过展示的算法结果,直观的判断确定的。
示例性的,所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果之前,包括:
步骤C1,调用预设的数据显示界面,所述数据显示界面中包括调参界面,所述调参界面是通过表单引擎设计的,获取所述调参界面的输入数据,将所述输入数据作为所述在线数据,执行所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果的步骤。
调用实验台中预设的数据显示界面,其中,数据显示界面是指用于显示初始算法模型相关数据的界面,该数据显示界面包括原始数据展示界面、调参界面、结果展示界面等,参照图2,图2为数据显示界面。
可以理解,原始数据展示界面是将传感器采集的原始数据,通过折线图的方式进行绘制并展示出来,其中,对于原始数据,通常需要初始算法模型对原始数据进行分析和使用,不同的传感器对应不同的原始数据。假设初始算法模型中入参参数的数据需要n个传感器采集,则有n个不同测点的原始数据。因此,在原始数据展示界面设置传感器选择窗口,可通过传感器选择窗口中传感器的选择,展示不同的传感器的原始数据。
可以理解,结果展示界面是用于展示算法结果,以便人员直观的查看算法结果。
可以理解,原始数据展示界面下方设置有调参界面,由于每台风电设备或风机有不同的入参参数、且每个初始算法模型的参数也不一致,则需要大量的自定义参数,其涉及到代码的开发,因此一个风电设备可能会有几百个甚至几千个不一样的表单进行开发,其开发成本巨大。因此,使用特定的表单工具在在初始算法模型部署的实验台中设置有调参界面,开发人员或其他人员可通过调参界面可视化的调整初始算法模型的入参参数,由此,在调整初始算法模型时,无需修改初始算法模型对应的代码,降低了开发工作量,提高对初始算法模型调整或优化的效率。
示例性的,特定的表单工具可以是表单引擎,即该调参界面是通过表单引擎设计的。具体的,由于表单引擎可以通过拖拉拽控件,完成表单的自定义操作,因此,通过表单引擎对基础算法模型或初始算法模型中的入参参数进行定义,如设置表单的标识、字段的标识、参数的标识等。同时,对当前表单和基础算法模型进行关联绑定,由此通过表单引擎生成的表单可以填写参数,完成入参。
示例性的,不同的风电设备中可能包括至少一个初始算法模型,不同的初始算法模型对应不同的功能,因此,在调参界面设置有模型选择窗口,通过模型选择窗口选择对应的初始算法模型。或者通过表单引擎对每个风电设备中的不同算法模型进行代码标记,通过模型选择窗口的代码选择,得到代码对应的初始算法模型,进而精确调节每个风电设备的不同模型代码。已知通过表单引擎对表单与初始算法模型进行关联绑定,因此,通过初始算法模型的选择调取模型对应的表单,提供表单的入参参数设置、参数数值设置、参数阈值设置等窗口,人员通过调参界面可以对初始算法模型进行优化。
也即,通过表单引擎实现不同算法模型支持不同表单的参数填写方式,且支持动态调整,可以实现不断变更的需求。
因此,在实验台展示调参界面,人员根据实际需求在调参界面输入入参参数或入参参数对应的参数数值,则实验台获取入参参数与参数数值,将其作为在线数据输入至初始算法模型中进行计算和验证。
步骤S130,基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。
通过初始算法模型对在线数据的计算,得到算法结果,通过数据验证和专家验证法判断该算法结果是否正确。当算法结果不正确或正确率未达到预期时,通过对初始算法模型中的入参参数以及入参参数对应的数值的优化处理,将优化的数值作为在线数据,再次通过初始算法模型进行计算和验证,直至验证通过,则当前的初始算法模型作为目标算法模型输出,通过目标算法模型对风电设备进行性能预测,以供人员及时发现风电设备的故障问题,以便及时作为调整。
示例性的,所述数据显示界面还包括结果展示界面,
所述基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测,包括:
步骤S131,基于预设的显示形式在所述结果展示界面显示所述算法结果;
步骤S132,基于目标数据与参数阈值的数据比对方式进行数据验证,得到验证结果;和/或
基于专家验证法,得到验证结果;
步骤S133,当所述验证结果为异常时,对所述初始算法模型中的所述入参参数进行调整,得到目标算法模型。
基于预设的显示形式在结果展示界面显示算法结果,其中,预设的显示形式可以是折线图、或频谱图等形式,以供人员通过结果展示界面展示的图,直观的判断和掌握某一风电设备在某一模型下的性能信息。在验证计算出的算法结果是否正确时,可以通过数据验证和专家验证法两种方式验证:
其一,数据验证法是基于目标数据与参数阈值的数据比对的方式,在实验台中自动得到预测是否正确的验证结果。具体地,将通过初始算法模型计算出的目标数据与参数阈值进行比较,当目标数据小于参数阈值时,表示目标数据符合预期,则通过预设的时间段内的目标数据形成的算法结果也正确,则验证通过。反之,当目标数据大于或等于参数阈值时,表示目标数据异常,则得到的算法结果异常,也即风电设备存在故障。需要说明的是,用于判断计算是否正确的参数阈值、以及比对规则是根据实际需求设定的,在此不做具体限定。
其二,专家验证法是通过算法工程师在实验台进行算法模型的验证,由算法工程师判断算法结果是否合理,得到验证结果,由于前期算法没有大量数据,通过算法工程师的专业经验判断可大大增加模型的准确率。
当验证结果为异常时,对初始算法模型中的入参参数和模型系数进行调整,以得到算法结果符合预期的算法模型,作为目标算法模型输出,则根据所述目标算法模型对风电设备进行性能预测。可以理解,当初始算法模型较为准确时,表单引擎设计的调参界面的功能便体现出来了,可设置“温度”、“时间”、“振动”、“幅度”等设备数据,这类设备数据在输入至初始算法模型后,初始算法模型拟合这些数据,得到具体的计算后的算法结果,以判断风电设备是否有故障(例如,温度>60℃等),因此,能够准确的判断温度带来的影响,从而更加精准的维护风电设备。
示例性的,所述数据显示界面还包括调参界面,
所述当所述验证结果为异常时,对所述初始算法模型中的所述入参参数进行调整,得到目标算法模型,包括:
步骤S1331,当所述验证结果为异常时,标记所述验证结果对应的异常参数,获取所述异常参数对应的新的在线数据,将所述新的在线数据输入至所述初始算法模型中,进行再次计算和验证;和/或
当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据,将所述变更数据输入至所述初始算法模型进行再次计算和验证;
步骤S1332,当所述算法结果符合预设模型条件时,确定当前的初始算法模型为目标算法模型。
由于采用数据验证和专家验证法两种方式综合判断算法结果是否正确或是否存在异常,因此,对存在异常时的调整存在两种方式:
方式一,当采用数据验证法得到验证结果为异常时,标记异常对应的入参参数,作为异常参数,获取异常参数对应的新的在线数据,将新的在线数据输入至初始算法模型中,再次进行计算和验证。当再次计算的算法结果符合预设模型条件时,确定当前的初始算法模型为目标算法模型。
方式二,当采用专家验证法得到验证结果为异常时,专家会通过调参界面对异常的入参参数、入参参数对应的参数数值或模型系数进行调整,此时,获取调参界面发生数据变更操作对应的变更数据,也即调整后的参数数值或模型系数,将变更数据输入至初始算法模型中进行再次计算和验证。当再次计算的算法结果符合预设模型条件时,确定当前的初始算法模型为目标算法模型。
其中,预设模型条件可以是根据算法工程师或专家判断算法结果合理。
示例性的,所述当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据之前,包括:
步骤D1,获取所述调参界面与所述初始算法模型之间的关联标识;
所述当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据,将所述变更数据输入至所述初始算法模型进行再次计算和验证,包括:
步骤D2,获取所述调参界面发生数据变更操作对应的变更数据,通过所述关联标识,将所述变更数据输入至对应的所述初始算法模型中,以进行再次计算和验证。
在通过调参界面对初始算法模型优化之前,获取调参界面与初始算法模型之间的关联标识,则在调参过程中,可以通过关联标识将获取的变更数据输入至初始算法模型中,以进行再次模型计算和验证。具体地,获取调参界面发生变更操作对应的变更数据,通过关联标识将变更数据输入至初始算法模型中对应的入参参数或模型系数中,形成新的初始算法模型,基于新的初始算法模型进行计算和验证。当算法结果符合预设模型条件时,确定新的初始算法模型为目标算法模型。
在一些场景中,通过调参界面可以设置核心参数,通过初始算法模型的计算和反馈,从而让技术人员关注更核心的设备数据。具体地,由于算法模型属于黑盒子,里面具体的逻辑没有人清除,可提供实验台入口,通过设置入参参数、调节入参参数、调节模型系数等,得到风电设备在故障状态下的反馈情况,从而可引导技术人员更加关注此类参数。可以理解,改变初始算法模型中的某一参数数值,得到一系列模型计算后的目标数据,判断目标数据的变化是否合理,若由于改变某一参数数值引起目标数据的较大变化,则该参数数值对应的入参参数即为引起某些故障的核心参数。如此,在通过目标算法模型对风电设备的性能预测时,会更加关注核心参数的变化信息,从而更加精准的维护风电设备。
在一些场景中,参照图3,风电算法模型验证系统包括模型开发模块、模型部署模块、数据采集模块、实验室验证模块,模型开发模块中,通过对基础算法模型的数据训练,得到初始算法模型,实现模型建立和开发。根据不同风电设备所需的算法模型,将建立的初始算法模型部署于对应的风电设备的实验台中,调用表单引擎设置可以通过调参界面进行入参参数、模型系数调整的表单,同时将初始算法模型与表单进行关联绑定,实现将调参界面的发生变更操作对应的变更数据输入至初始算法模型中进行再次计算和验证的过程。在对风电设备的性能预测或故障检测过程中,获取风电设备上现场传感器采集的原始数据,将原始数据通过模拟信号转为数字信号,该数字信号通过网关发送至云端(即风电设备的实验台)。实验台中数据通过数据显示界面这一可视化的人机交互界面展示,通过原始数据展示界面选择传感器,并选择对应的时间,通过调参界面选择算法模型以及算法模型对应的表单,获取算法工程师通过表单对入参参数、模型系数等进行调整的数据,即变更数据,将变更数据更新至新的当前算法模型中,再次进行计算和验证,当算法结果符合预设模型条件时,当前算法模型作为目标算法模型,提交完成模型验证的信息,并输出目标算法模型。
与现有技术中,现有的风电预测算法模型的验证准确性偏低相比,本申请通过获取风电设备的初始算法模型,所述初始算法模型中包括入参参数;获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果;基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。可以理解,本申请在风电设备的前期数据量不够大的情况下,采用数据验证和专家验证法对算法模型进行验证,提升算法模型准确率。
示例性的,如图4所示,本申请还提供一种风电算法模型验证装置,所述风电算法模型验证装置包括:
模型获取模块10,用于获取风电设备的初始算法模型,所述初始算法模型中包括入参参数;
模型计算模块20,用于获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果;
模型验证模块30,用于基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。
和/或,所述装置还包括:
第一获取模块,用于获取预设的基础算法模型;
模型训练模块,用于根据所述入参参数对应的历史数据对所述基础算法模型进行训练,建立初始算法模型,所述历史数据包括所述风电设备的相关数据、以及与所述风电设备属性一致的相关设备的相关数据。
和/或,所述装置还包括:
第二获取模块,用于获取所述初始算法模型中数据的参数标识;
第三获取模块,用于基于所述参数标识和当前时间,获取参数标识对应的传感器的数据,得到在线数据;
和/或,所述模型计算模块20还包括:
计算子模块,用于将所述在线数据输入至所述初始算法模型中,得到目标数据;
评估子模块,用于在预设的时间段内,基于所述目标数据形成算法结果,以供人员根据所述算法结果评估所述风电设备的性能。
和/或,所述装置还包括:
界面调用模块,用于调用预设的数据显示界面,所述数据显示界面中包括调参界面,所述调参界面是通过表单引擎设计的,获取所述调参界面的输入数据,将所述输入数据作为所述在线数据,执行所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果的步骤。
和/或,所述模型验证模块30还包括:
显示子模块,用于基于预设的显示形式在所述结果展示界面显示所述算法结果,其中,所述数据显示界面还包括结果展示界面;
验证子模块,用于基于目标数据与参数阈值的数据比对方式进行数据验证,得到验证结果;和/或
基于专家验证法,得到验证结果;
调整子模块,用于当所述验证结果为异常时,对所述初始算法模型中的所述入参参数进行调整,得到目标算法模型。
和/或,所述调整子模块还包括:
获取子模块,用于当所述验证结果为异常时,标记所述验证结果对应的异常参数,获取所述异常参数对应的新的在线数据,将所述新的在线数据输入至所述初始算法模型中,进行再次计算和验证;和/或
当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据,将所述变更数据输入至所述初始算法模型进行再次计算和验证;
确定子模块,用于当所述算法结果符合预设模型条件时,确定当前的初始算法模型为目标算法模型。
和/或,所述调整子模块还包括:
获取单元,用于获取所述调参界面与所述初始算法模型之间的关联标识;
和/或,所述获取子模块还包括:
获取子单元,用于获取所述调参界面发生数据变更操作对应的变更数据,通过所述关联标识,将所述变更数据输入至对应的所述初始算法模型中,以进行再次计算和验证。
本申请风电算法模型验证装置具体实施方式与上述风电算法模型验证方法各实施例基本相同,在此不再赘述。
此外,本申请还提供一种风电算法模型验证设备。如图5所示,图5是本申请实施例方案涉及的硬件运行环境的结构示意图。
在一种可能的实施方式中,图5即可为风电算法模型验证设备的硬件运行环境的结构示意图。
如图5所示,该风电算法模型验证设备可以包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701、通信接口702和存储器703通过通信总线704完成相互间的通信,存储器703,用于存放计算机程序;处理器701,用于执行存储器703上所存放的程序时,实现风电算法模型验证方法的步骤。
上述风电算法模型验证设备提到的通信总线704可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry StandardArchitecture,EISA)总线等。该通信总线704可以分为地址总线、数据总线和控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口702用于上述风电算法模型验证设备与其他设备之间的通信。
存储器703可以包括随机存取存储器( Random Access Memory,RMD),也可以包括非易失性存储器(Non- Volatile Memory,NM),例如至少一个磁盘存储器。可选的,存储器703还可以是至少一个位于远离前述处理器701的存储装置。
上述的处理器701可以是通用处理器,包括中央处理器( Central ProcessingUnit,CPU)、网络处理器( Network Processor,NP)等;还可以是数字信号处理器( DigitalSignal Processor,DSP)、专用集成电路( Application Specific Integrated Circuit,ASIC)、现场可编程门阵列( Field- Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请风电算法模型验证设备具体实施方式与上述风电算法模型验证方法各实施例基本相同,在此不再赘述。
此外,本申请实施例还提出一种计算机存储介质,所述计算机存储介质上存储有风电算法模型验证程序,所述风电算法模型验证程序被处理器执行时实现如上所述的风电算法模型验证方法的步骤。
本申请计算机存储介质具体实施方式与上述风电算法模型验证方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,设备,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种风电算法模型验证方法,其特征在于,所述方法包括:
获取风电设备的初始算法模型,所述初始算法模型中包括入参参数;
获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果;
基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。
2.如权利要求1所述的方法,其特征在于,所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果之前,包括:
获取所述初始算法模型中数据的参数标识;
基于所述参数标识和当前时间,获取参数标识对应的传感器的数据,得到在线数据;
所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果,包括:
将所述在线数据输入至所述初始算法模型中,得到目标数据;
在预设的时间段内,基于所述目标数据形成算法结果,以供人员根据所述算法结果评估所述风电设备的性能。
3.如权利要求1所述的方法,其特征在于,所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果之前,包括:
调用预设的数据显示界面,所述数据显示界面中包括调参界面,所述调参界面是通过表单引擎设计的,获取所述调参界面的输入数据,将所述输入数据作为所述在线数据,执行所述获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果的步骤。
4.如权利要求3所述的方法,其特征在于,所述数据显示界面还包括结果展示界面,
所述基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测,包括:
基于预设的显示形式在所述结果展示界面显示所述算法结果;
基于目标数据与参数阈值的数据比对方式进行数据验证,得到验证结果;和/或
基于专家验证法,得到验证结果;
当所述验证结果为异常时,对所述初始算法模型中的所述入参参数进行调整,得到目标算法模型。
5.如权利要求4所述的方法,其特征在于,所述当所述验证结果为异常时,对所述初始算法模型中的所述入参参数进行调整,得到目标算法模型,包括:
当所述验证结果为异常时,标记所述验证结果对应的异常参数,获取所述异常参数对应的新的在线数据,将所述新的在线数据输入至所述初始算法模型中,进行再次计算和验证;和/或
当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据,将所述变更数据输入至所述初始算法模型进行再次计算和验证;
当所述算法结果符合预设模型条件时,确定当前的初始算法模型为目标算法模型。
6.如权利要求5所述的方法,其特征在于,所述当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据之前,包括:
获取所述调参界面与所述初始算法模型之间的关联标识;
所述当所述验证结果为异常时,获取所述调参界面发生数据变更操作对应的变更数据,将所述变更数据输入至所述初始算法模型进行再次计算和验证,包括:
获取所述调参界面发生数据变更操作对应的变更数据,通过所述关联标识,将所述变更数据输入至对应的所述初始算法模型中,以进行再次计算和验证。
7.如权利要求1所述的方法,其特征在于,所述获取风电设备的初始算法模型,所述初始算法模型中包括入参参数之前,包括:
获取预设的基础算法模型;
根据所述入参参数对应的历史数据对所述基础算法模型进行训练,建立初始算法模型,所述历史数据包括所述风电设备的相关数据、以及与所述风电设备属性一致的相关设备的相关数据。
8.一种风电算法模型验证装置,其特征在于,所述装置包括:
模型获取模块,用于获取风电设备的初始算法模型,所述初始算法模型中包括入参参数;
模型计算模块,用于获取所述风电设备中与所述入参参数对应的在线数据,将所述在线数据输入至所述初始算法模型中,得到算法结果;
模型验证模块,用于基于所述算法结果,通过数据验证和专家验证法对所述入参参数进行优化处理,得到目标算法模型,根据所述目标算法模型对所述风电设备进行性能预测。
9.一种风电算法模型验证设备,其特征在于,所述风电算法模型验证设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的风电算法模型验证程序,所述风电算法模型验证程序被所述处理器执行时实现如权利要求1至7中任一项所述的风电算法模型验证方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有风电算法模型验证程序,所述风电算法模型验证程序被处理器执行时实现如权利要求1至7中任一项所述的风电算法模型验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958289.2A CN115034098A (zh) | 2022-08-11 | 2022-08-11 | 风电算法模型验证方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210958289.2A CN115034098A (zh) | 2022-08-11 | 2022-08-11 | 风电算法模型验证方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034098A true CN115034098A (zh) | 2022-09-09 |
Family
ID=83130342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210958289.2A Pending CN115034098A (zh) | 2022-08-11 | 2022-08-11 | 风电算法模型验证方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034098A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
US20180365370A1 (en) * | 2017-06-18 | 2018-12-20 | Coventor, Inc. | System and method for key parameter identification, process model calibration and variability analysis in a virtual semiconductor device fabrication environment |
US20210241177A1 (en) * | 2018-07-10 | 2021-08-05 | The Fourth Paradigm (Beijing) Tech Co Ltd | Method and system for performing machine learning process |
CN113655768A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 装配良率控制方法、设备及计算机可读存储介质 |
CN114418221A (zh) * | 2022-01-21 | 2022-04-29 | 宣畅 | 一种短期风力发电预测方法、装置、设备及存储介质 |
-
2022
- 2022-08-11 CN CN202210958289.2A patent/CN115034098A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180365370A1 (en) * | 2017-06-18 | 2018-12-20 | Coventor, Inc. | System and method for key parameter identification, process model calibration and variability analysis in a virtual semiconductor device fabrication environment |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
US20210241177A1 (en) * | 2018-07-10 | 2021-08-05 | The Fourth Paradigm (Beijing) Tech Co Ltd | Method and system for performing machine learning process |
CN113655768A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 装配良率控制方法、设备及计算机可读存储介质 |
CN114418221A (zh) * | 2022-01-21 | 2022-04-29 | 宣畅 | 一种短期风力发电预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
孙丽萍等: "基于LSSVM的木材干燥在线建模研究", 《仪器仪表学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7483774B2 (en) | Method and system for intelligent maintenance | |
US20090112334A1 (en) | Fixed-point virtual sensor control system and method | |
CN107766254B (zh) | 一种基于层次分析的软件质量评估方法及系统 | |
CN112884016B (zh) | 云平台可信评估模型训练方法和云平台可信评估方法 | |
KR102574244B1 (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
CN112308281A (zh) | 一种温度信息预测方法及装置 | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
CN111598139A (zh) | 数据处理方法及系统 | |
CN114546365B (zh) | 一种流程可视化的建模方法、服务器、计算机系统及介质 | |
CN115034098A (zh) | 风电算法模型验证方法、装置、设备及存储介质 | |
CN112733454B (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
CN112365156A (zh) | 一种数据处理方法、数据处理装置、终端及存储介质 | |
JP7080199B2 (ja) | 作業工数予測システムおよび作業工数予測システムを備える生産計画立案支援システム | |
CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN116151460A (zh) | 车辆智能化产品的优化方法、装置、服务器及存储介质 | |
CN116384680A (zh) | 研发质量的可视化监测方法、装置、设备及可读存储介质 | |
CN112733453B (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
CN114416441A (zh) | 实时数据库自动化测试方法、系统、电子设备及存储介质 | |
CN111459820B (zh) | 一种模型应用方法、装置及数据分析处理系统 | |
CN114153679A (zh) | 一种基于模拟环境的变电网关附属设备测试方法及系统 | |
CN113962558A (zh) | 一种基于生产数据管理的工业互联网平台评价方法及系统 | |
US20200065630A1 (en) | Automated early anomaly detection in a continuous learning model | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 | |
CN113343659B (zh) | 分析报告生成方法、装置、设备及存储介质 | |
CN112464395B (zh) | 发动机的物理模型参数标定方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220909 |