CN115788797A - 风力发电机的健康状态检测方法、模型训练方法以及装置 - Google Patents
风力发电机的健康状态检测方法、模型训练方法以及装置 Download PDFInfo
- Publication number
- CN115788797A CN115788797A CN202211590884.1A CN202211590884A CN115788797A CN 115788797 A CN115788797 A CN 115788797A CN 202211590884 A CN202211590884 A CN 202211590884A CN 115788797 A CN115788797 A CN 115788797A
- Authority
- CN
- China
- Prior art keywords
- fan
- power
- estimated
- health
- sample
- 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
Landscapes
- Wind Motors (AREA)
Abstract
本公开提供了风机健康状态的检测方法、模型训练方法以及装置,涉及深度学习领域,尤其涉及风电场技术领域。具体实现方案为:获取风力发电机的风机状态数据;将风机状态数据输入功率预测模型,得到预估功率;功率预测模型能够估计风机状态数据对应的正常功率;确定预估功率和风机状态数据对应的实际功率之间的差距信息;基于差距信息,确定风机健康值。本公开实施例中,由于实际功率与预估功率之间的差距一定程度上反应了风机偏离正常状态的程度,因此,基于该预估功率与实际功率间的差距信息确定的风机健康值,能够准确的描述风机的健康状态。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及人工智能技术领域。
背景技术
当前世界风电产业发展迅速,随着风机数量的不断增加,风力发电机逐渐被部署到更偏远的陆地和海洋地区。这种情况下,需要在工业场景中对风力发电机状态进行检测,以便于更好的维护风力发电机。
发明内容
本公开提供了一种风力发电机的健康状态检测方法、模型训练方法以及装置。
根据本公开的一方面,提供了一种风力发电机的健康状态检测方法,包括:
获取风力发电机的风机状态数据;
将风机状态数据输入功率预测模型,得到预估功率;功率预测模型能够估计风机状态数据对应的正常功率;
确定预估功率和风机状态数据对应的实际功率之间的差距信息;
基于差距信息,确定风机健康值。
根据本公开的另一方面,提供了一种模型训练方法,包括:
获取训练样本,训练样本包括风机状态样本、实际功率和类别标签;
将风机状态样本输入功率预测模型,得到训练样本的预估功率;功率预测模型能够估计风机状态样本对应的正常功率;
确定训练样本的预估功率和训练样本对应的实际功率之间的差距信息;
将差距信息输入待训练的健康状态预估模型,得到预估健康值;
基于预估健康值,确定训练样本的预估类别,其中预估类别包括正样本和负样本;
基于预估类别和训练样本的类别标签,确定损失值;
基于损失值调整待训练的健康状态预估模型,在满足训练收敛条件的情况下结束训练,得到健康状态预估模型。
根据本公开的另一方面,提供了一种风力发电机的健康状态检测装置,包括:
第一获取模块,用于获取风力发电机的风机状态数据;
第一预估模块,用于将风机状态数据输入功率预测模型,得到预估功率;功率预测模型能够估计风机状态数据对应的正常功率;
第一差距确定模块,用于确定预估功率和风机状态数据对应的实际功率之间的差距信息;
健康状态确定模块,用于基于差距信息,确定风机健康值。
根据本公开的另一方面,提供了一种模型训练装置,包括:
第二获取模块,用于获取训练样本,训练样本包括风机状态样本、实际功率和类别标签;
第二预估模块,用于将风机状态样本输入功率预测模型,得到训练样本的预估功率;功率预测模型能够估计风机状态样本对应的正常功率;
第二差距确定模块,用于确定训练样本的预估功率和训练样本对应的实际功率之间的差距信息;
第三预估模块,用于将差距信息输入待训练的健康状态预估模型,得到预估健康值;
类别确定模块,用于基于预估健康值,确定训练样本的预估类别,其中预估类别包括正样本和负样本;
损失确定模块,用于基于预估类别和训练样本的类别标签,确定损失值;
训练模块,用于基于损失值调整待训练的健康状态预估模型,在满足训练收敛条件的情况下结束训练,得到健康状态预估模型。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开中任一实施例的方法。
根据本公开的另一方面,提供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,该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。
本公开实施例,由于实际功率与预估功率之间的差距一定程度上反应了风机偏离正常状态的程度,因此,本公开实施例中,基于该预估功率与实际功率间的差距信息确定的风机健康值,能够准确的描述风机的健康状态。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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,不构成对本公开的限定。其中:
图1是根据本公开一实施例的风力发电机的健康状态检测方法的流程示意图;
图2是根据本公开另一实施例的风力发电机的健康状态检测的场景示意图;
图3是根据本公开一实施例的模型训练方法的流程示意图;
图4是根据本公开一实施例的风力发电机的健康状态检测装置的结构示意图;
图5是根据本公开一实施例的模型训练装置的结构示意图;
图6是用来实现本公开实施例的风力发电机的健康状态检测方法/模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围。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。
对于风力发电机(后文也称之为风机),传统的维护的方式为周期性维护。这种方式不仅增加了维修成本和维修时间,而且可能会造成经济损失。所以为了实现对风机的运行状态的实时监测,以及对风机的合理维护,提出了一种风机健康状态检测的方法,其流程可实施为如图1所示:
S101,获取风力发电机的风机状态数据。
大多数风机都配备了数据采集与监控(Supervisory Control andDataAcquisition,SCADA)系统。本公开可基于SCADA采集风机状态数据,当然对具体的采集方式不作具体限定。
其中,风机状态数据可以包括以下中的至少一种:风速,风向,温度,转速,电压电流,输出功率,偏航角,浆距角等信息。
在一些实施例中,对采集到的与风机相关的数据,完成温度预测,风机性能分析和风机可靠性分析,由此得到温度预测结果、风机性能分析结果和风机可靠性分析结果。其中,温度预测结果用于预测将来时刻的温度趋势。风机性能分析结果可主要对风机的发电量、利用时长、设备可利用率、损失电路、能量利用率等进行分析,以便于定位风电场发电量损失原因、发现设备性能方面存在的问题。风机可靠性分析结果可以理解为在指定的环境和工作条件下(风区、地域、温度、湿度等),在使用寿命期内,风机完成规定的发电量所应具备的能力。
本公开实施例中,风机状态数据还可以包括温度预测结果、风机性能分析结果和风机可靠性分析结果中的至少一种。
在本公开实施例中,可以使用上述风机状态数据中的一种信息进行后续处理,也可以将多种信息结合使用,进行后续处理,本公开实施例对此不进行限定。
S102,将风机状态数据输入功率预测模型,得到预估功率;功率预测模型能够估计风机状态数据对应的正常功率。
可理解为,本公开实施例采用风机正常状态下采样得到的数据来拟合出功率预测模型。则该功率预测模型能够基于输入的风机状态数据,给出正常情况下对应的正常功率。
S103,确定预估功率和风机状态数据对应的实际功率之间的差距信息。
S104,基于差距信息,确定风机健康值。
本公开实施例,基于功率预测模型能够预估出风机状态数据对应的正常功率,即预估功率。实际功率与预估功率之间的差距一定程度上反应了风机偏离正常状态的程度,因此,本公开实施例中,基于该预估功率与实际功率间的差距信息确定的风机健康值,能够准确的描述风机的健康状态。
在一些实施例中,一方面风速信息可能相较于其他风机状态信息更加具备表征能力,另一方面可以将其他信息对功率的影响都归结为风速的影响。因此本公开实施例中,风机状态数据包括风速信息。
由于风速信息的数据量较为庞大,且考虑短时间内的风速以及输出功率的差距不大的情况,为了更加快速的处理风速信息,可以对风速信息进行预处理,其中预处理可以包括时序处理,可实施为:基于时间序列得到多个时间窗口,获取每个时间窗口内对应的风速信息。具体的,在宽度为t的时间窗口内,取连续t个风速信息的采样数据v1,v2,v3,…,vt,t个采样数据对应的输出功率依序为p1,p2,p3,…,pt,对该时间窗口内的输出功率进行均值处理,获取功率均值的过程,如表达式(1)所示:
由于初始风机状态数据可能存在数据缺失的情况,也考虑到风速和输出功率的瞬时变化性,所以可以对同一时间窗口内的风机状态数据进行平滑处理。实施时,可以调用smooth函数进行平滑处理。本公开对于风机状态数据进行平滑处理的方式不进行限定,凡可以对数据实现平滑处理的方式均可使用于本公开实施例。
综上,本公开实施例中,使用时间窗口的方式对风机状态数据进行划分,可以在得到风机健康值的情况下,能够有效的节约计算资源。
在一些实施例中,在选取每个采样点的风速作为风机状态数据的情况下,该风速对应的实际功率为每个采样点风速对应的输出功率。
在一些实施例中,可以基于多种数据分析方法分别确定预估功率和实际功率之间的统计误差,得到多种统计误差;基于多种统计误差确定多个子参数,得到包含多个子参数的差距信息。
本公开实施例中,通过多种数据分析方法对数据的处理,可以从多个角度描述实际功率和预估功率之间的差距,综合多种数据分析方法得到的结果,可以得到一个合理有效的差距信息,进而提高风机健康值的准确性。
其中,确定预估功率和实际功率之间的统计误差的数据分析方法可以为预估功率和实际功率之间的绝对误差,也可以为预估功率和实际功率之间的均方误差。
其中绝对误差的表达式如式(2)所示:
其中均方误差的表达式如式(3)所示:
凡可以确定预估功率和风机状态数据对应的实际功率之间的差距信息的方式均适用于本公开实施例,本公开对此不进行限定。举例来说,还可以基于预估功率和实际功率的比值误差确定差距信息,其表达式如式(4)所示:
本公开实施例中,使用绝对误差以及均方误差的方式确定预估功率和实际功率之间的统计误差,二者的实现方式能够节约计算资源,且能够较好的描述实际功率和预估功率之间的差距。
在一些实施例中,可获取差距信息包含的子参数的权重;基于获取的权重,对差距信息中的每种子参数进行加权求和,得到风机健康值。
以子参数为预估功率和实际功率之间的绝对误差以及预估功率和实际功率之间的均方误差为例,其风机健康值如表达式(5)所示:
HI=α1ε1+α2ε2 (5)
其中,HI表示风机健康值,α1和α2表示权重。
在同一时间窗口的实际功率采用多个风速信息的输出功率的功率均值的情况下,ε1表示同一时间窗口的预估功率和该功率均值之间的绝对误差,ε2表示预估功率和该功率均值之间的均方误差。
在一些实施例中,实际功率除了使用时间窗口对应的功率均值外,在选取每个采样点的风速信息作为风机状态数据的情况下,也可以使用每个风速信息对应的输出功率作为实际功率。在这种情况下,同一时间窗口内的每个风速信息分别对应有各自的绝对误差和均方误差。则公式(5)中ε1为同一时间窗口内多个风速信息的绝对误差构成的向量,同理ε2同一时间窗口内多个风速信息的均方误差构成的向量。
其中,权重可以基于实验数据进行分配,也可以设置为0.5,本公开对此不进行限定。
由表达式(5)可以了解到,健康状态值与绝对误差和均方误差的关系呈线性相关,当实际功率与预估功率差距越大的情况下,则绝对误差和均方误差越大,则证明该健康状态值越大,当该健康状态值达到一定阈值的情况下,则可以了解到该风机出现异常状态。
本公开实施例中,基于多个子参数使用加权求和的方式确定风机健康值,可以基于子参数所占的比例进而调整子参数的权重,能够利用较少的计算资源得到较为准确的风机健康值。
在另一些实施例中,还可以基于神经网络构建的健康状态预估模型,评估风机的健康状态。该方式可实施为:将差距信息包含的子参数输入基于神经网络构建的健康状态预估模型,得到健康状态预估模型输出的风机健康值。如图(2)所示,基于前述方式获取到预估功率的情况下,以子参数为绝对误差和均方误差为例,基于此刻的风机状态数据与预估功率获取绝对误差和均方误差,将绝对误差和均方误差输入健康状态预估模型,获取风机健康值。
在一些实施例中,可以设置一个阈值,在风机健康值大于该阈值的情况下,确定风机健康状态异常,低于该阈值的情况下,确定风机健康状态正常。
本公开实施例中,基于多个子参数构建出的健康状态预估模型,其具有很强的鲁棒性和容错性,且具有很强的信息综合能力,可以学习到较为准确的风机健康值,进而可以实现对风机模型的检测。
如前文所阐述的,本公开实施例中需要采用功率预测模型得到预估功率。一种可能的实施方式中,可以基于风机状态样本与实际功率之间的关系建立拟合函数,进而拟合出功率预测模型。功率预测模型的拟合函数可以为多项式的形式,可以如表达式(6)所示:
P=a0*v0+a1*v1+a2*v2+a3*v3+…+an*vn(6)
其中,在输入为时间窗口内对应的风速均值的情况下,P为该时间窗口对应的功率均值,v为该时间窗口对应的平均风速,a0,a1,a2,…,an为拟合函数系数,可以基于功率均值和平均风速进行调整。为了计算便利,可以只取该拟合函数的前四项。
其中,在输入为每个采样点对应的风速信息的情况下,P为该风速信息对应的输出功率,v为该采样点对应的风速信息,a0,a1,a2,…,an表示的含义与前述相同,即为拟合函数系数,这里不再进行一一赘述。
基于采集的数据构建拟合函数时,采集的数据可以为滑动窗口的平均数据,也可以为每个采样点采集获取的数据,进而获取拟合函数系数,使用多项式函数的方式拟合二者的关系,方式简单,容易操作。
在另一种实施方式中,可以基于神经网络构建的功率预测模型计算预估功率。对于功率预测模型的训练过程可实施为:获取风机状态样本和风机状态样本对应的实际功率;基于风机状态样本与风机状态样本对应的实际功率建立初始功率预测模型,获取预估功率;基于实际功率与预估功率确定损失值;基于该损失值对初始功率预测模型的模型参数进行调整,在功率预测模型满足收敛条件的情况下,结束训练,得到功率预测模型。
在一些实施例中,可以基于均方误差确定实际功率与预估功率之间的损失值,其表达式如式(7)所示:
其中收敛条件可以为实际功率与预估功率之间的损失值趋近于稳定,或对于迭代次数达到预设次数。
基于相同的技术构思,本公开实例还提供一种针对健康状态预估模型进行训练的方法,可实施为如图3所示:
S301,获取训练样本,训练样本包括风机状态样本、实际功率和类别标签。
S302,将风机状态样本输入功率预测模型,得到训练样本的预估功率;功率预测模型能够估计风机状态样本对应的正常功率。
S303,确定训练样本的预估功率和训练样本对应的实际功率之间的差距信息。
其中,这里的差距信息与前述差距信息的确定方式相似,这里不再一一赘述。
S304,将差距信息输入待训练的健康状态预估模型,得到预估健康值。
S305,基于预估健康值,确定训练样本的预估类别,其中预估类别包括正样本和负样本。
S306,基于预估类别和训练样本的类别标签,确定损失值。
S307,基于损失值调整待训练的健康状态预估模型,在满足训练收敛条件的情况下结束训练,得到健康状态预估模型。
本公开实施例中,基于实际功率与预估功率之间的差距一定程度上反应了风机与正常情况的偏离程度。因此,本公开实施例中,基于该预估功率与实际功率间的差距信息获取预估健康值,能够准确的描述风机的健康状态。在预估健康值的基础上引入了分类标签,进而对健康状态预估模型进行训练,以便于训练健康状态预估模型。
其中训练样本中可以包括风机正常情况下所获取的风机正常数据,以及风机异常状态下所获取的风机异常数据。由于风机异常数据的数量可能较少,所以可以使用仿真风机模型进行模拟风机异常情况下,获取其中的异常数据作为风机异常数据。
在一些实施例中,在训练样本的为风机正常状态下采样得到的样本数据的情况下,训练样本对应的类别标签为正样本;在训练样本的为风机异常状态下采样得到的样本数据的情况下,训练样本对应的类别标签为负样本。
本公开实施例中确定类别标签的方式,无需人工标注,且能够准确的自动确定类别标签。由此,能够加快模型的训练速度,提高模型的训练效率。
在风机健康值大于一定阈值的情况下,确认该风机健康值为负样本,确认该风机此刻处于异常状态,在风机健康值不大于一定阈值的情况下,确认该风机健康值为正样本,确认该风机此刻所处于正常状态。
基于相同的技术构思,本公开还提出了一种风机健康状态的检测装置,如图4所示该装置包括:
第一获取模块401,用于获取风力发电机的风机状态数据;
第一预估模块402,用于将风机状态数据输入功率预测模型,得到预估功率;功率预测模型能够估计风机状态数据对应的正常功率;
第一差距确定模块403,用于确定预估功率和风机状态数据对应的实际功率之间的差距信息;
健康状态确定模块404,用于基于差距信息,确定风机健康值。
在一些实施例中,第一差距确定模块,用于:
基于多种数据分析方法分别确定预估功率和实际功率之间的统计误差,得到多种统计误差;
基于多种统计误差确定多个子参数,得到包含多个子参数的差距信息。
在一些实施例中,确定模块,用于:
获取差距信息包含的子参数的权重;
基于获取的权重,对差距信息中的每种子参数进行加权求和,得到风机健康值。
在一些实施例中,第一差距模块,用于:
将差距信息包含的子参数输入基于神经网络构建的健康状态预估模型,得到健康状态预估模型输出的风机健康值。
在一些实施例中,第一差距模块中预估功率和实际功率之间的统计误差包括以下中的至少一种:
预估功率和实际功率之间的绝对误差、预估功率和实际功率之间的均方误差。
在一些实施例中,风机状态数据包括多个时间窗口内的风速信息;
实际功率为时间窗口内的功率均值。
基于相同的技术构思,本公开还提出了一种模型训练装置,如图5所示该装置包括:
第二获取模块501,用于获取训练样本,训练样本包括风机状态样本、实际功率和类别标签;
第二预估模块502,用于将风机状态样本输入功率预测模型,得到训练样本的预估功率;功率预测模型能够估计风机状态样本对应的正常功率;
第二差距确定模块503,用于确定训练样本的预估功率和训练样本对应的实际功率之间的差距信息;
第三预估模块504,用于将差距信息输入待训练的健康状态预估模型,得到预估健康值;
类别确定模块505,用于基于预估健康值,确定训练样本的预估类别,其中预估类别包括正样本和负样本;
损失确定模块506,用于基于预估类别和训练样本的类别标签,确定损失值;
训练模块507,用于基于损失值调整待训练的健康状态预估模型,在满足训练收敛条件的情况下结束训练,得到健康状态预估模型。
在一些实施例中,在训练样本的为风机正常状态下采样得到的样本数据的情况下,训练样本对应的类别标签为正样本;在训练样本的为风机异常状态下采样得到的样本数据的情况下,训练样本对应的类别标签为负样本。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述,可以参见上述方法实施例中对应步骤的相关描述,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如风力发电机的健康状态检测方法/模型训练方法。例如,在一些实施例中,风力发电机的健康状态检测方法/模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的风力发电机的健康状态检测方法/模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行风力发电机的健康状态检测方法/模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种风力发电机的健康状态检测方法,包括:
获取风力发电机的风机状态数据;
将所述风机状态数据输入功率预测模型,得到预估功率;所述功率预测模型能够估计所述风机状态数据对应的正常功率;
确定所述预估功率和所述风机状态数据对应的实际功率之间的差距信息;
基于所述差距信息,确定风机健康值。
2.根据权利要求1所述的方法,其中,确定所述预估功率和所述风机状态数据对应的实际功率之间的差距信息,包括:
基于多种数据分析方法分别确定所述预估功率和所述实际功率之间的统计误差,得到多种统计误差;
基于所述多种统计误差确定多个子参数,得到包含多个子参数的差距信息。
3.根据权利要求2所述的方法,其中,所述基于所述差距信息,确定风机健康值,包括:
获取所述差距信息包含的子参数的权重;
基于获取的权重,对所述差距信息中的子参数进行加权求和,得到所述风机健康值。
4.根据权利要求2所述的方法,其中,所述基于所述差距信息,确定风机健康值,包括:
将所述差距信息包含的子参数输入基于神经网络构建的健康状态预估模型,得到所述健康状态预估模型输出的所述风机健康值。
5.根据权利要求2-4中任一项所述的方法,其中,所述预估功率和所述实际功率之间的统计误差,包括以下中的至少一种:
所述预估功率和所述实际功率之间的绝对误差、所述预估功率和所述实际功率之间的均方误差。
6.根据权利要求1-5中任一项所述的方法,其中,所述风机状态数据包括同一时间窗口内的多个风速信息;
所述实际功率为所述时间窗口内各风速信息对应的输出功率的功率均值。
7.一种模型训练方法,包括:
获取训练样本,所述训练样本包括风机状态样本、实际功率和类别标签;
将所述风机状态样本输入功率预测模型,得到所述训练样本的预估功率;所述功率预测模型能够估计所述风机状态样本对应的正常功率;
确定所述训练样本的预估功率和所述训练样本对应的实际功率之间的差距信息;
将所述差距信息输入待训练的健康状态预估模型,得到预估健康值;
基于所述预估健康值,确定所述训练样本的预估类别,其中所述预估类别包括正样本和负样本;
基于所述预估类别和所述训练样本的类别标签,确定损失值;
基于所述损失值调整所述待训练的健康状态预估模型,在满足训练收敛条件的情况下结束训练,得到健康状态预估模型。
8.根据权利要求7所述的方法,在所述训练样本的为风机正常状态下采样得到的样本数据的情况下,所述训练样本对应的类别标签为正样本;
在所述训练样本的为风机异常状态下采样得到的样本数据的情况下,所述训练样本对应的类别标签为负样本。
9.一种风机健康状态的检测装置,包括:
第一获取模块,用于获取风力发电机的风机状态数据;
第一预估模块,用于将所述风机状态数据输入功率预测模型,得到预估功率;所述功率预测模型能够估计所述风机状态数据对应的正常功率;
第一差距确定模块,用于确定所述预估功率和所述风机状态数据对应的实际功率之间的差距信息;
健康状态确定模块,用于基于所述差距信息,确定风机健康值。
10.根据权利要求9所述的装置,其中,所述第一差距确定模块,用于:
基于多种数据分析方法分别确定所述预估功率和所述实际功率之间的统计误差,得到多种统计误差;
基于所述多种统计误差确定多个子参数,得到包含多个子参数的差距信息。
11.根据权利要求10所述的装置,其中,所述健康状态确定模块,用于:
获取所述差距信息包含的子参数的权重;
基于获取的权重,对所述差距信息中的子参数进行加权求和,得到所述风机健康值。
12.根据权利要求10所述的装置,其中,所述健康状态确定模块,用于:
将所述差距信息包含的子参数输入基于神经网络构建的健康状态预估模型,得到所述健康状态预估模型输出的所述风机健康值。
13.根据权利要求10-12中任一项所述的装置,其中,所述预估功率和所述实际功率之间的统计误差,包括以下中的至少一种:
所述预估功率和所述实际功率之间的绝对误差、所述预估功率和所述实际功率之间的均方误差。
14.根据权利要求9-13中任一项所述的装置,其中,所述风机状态数据包括同一时间窗口内的多个风速信息;
所述实际功率为所述时间窗口内各风速信息对应的输出功率的功率均值。
15.一种模型训练装置,包括:
第二获取模块,用于获取训练样本,所述训练样本包括风机状态样本、实际功率和类别标签;
第二预估模块,用于将所述风机状态样本输入功率预测模型,得到所述训练样本的预估功率;所述功率预测模型能够估计所述风机状态样本对应的正常功率;
第二差距确定模块,用于确定所述训练样本的预估功率和所述训练样本对应的实际功率之间的差距信息;
第三预估模块,用于将所述差距信息输入待训练的健康状态预估模型,得到预估健康值;
类别确定模块,用于基于所述预估健康值,确定所述训练样本的预估类别,其中所述预估类别包括正样本和负样本;
损失确定模块,用于基于所述预估类别和所述训练样本的类别标签,确定损失值;
训练模块,用于基于所述损失值调整所述待训练的健康状态预估模型,在满足训练收敛条件的情况下结束训练,得到健康状态预估模型。
16.根据权利要求15所述的装置,在所述训练样本的为风机正常状态下采样得到的样本数据的情况下,所述训练样本对应的类别标签为正样本;
在所述训练样本的为风机异常状态下采样得到的样本数据的情况下,所述训练样本对应的类别标签为负样本。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一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1-8中任一项所述的方法。
19.一种计算机程序产品,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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211590884.1A CN115788797A (zh) | 2022-12-12 | 2022-12-12 | 风力发电机的健康状态检测方法、模型训练方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211590884.1A CN115788797A (zh) | 2022-12-12 | 2022-12-12 | 风力发电机的健康状态检测方法、模型训练方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115788797A true CN115788797A (zh) | 2023-03-14 |
Family
ID=85418754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211590884.1A Pending CN115788797A (zh) | 2022-12-12 | 2022-12-12 | 风力发电机的健康状态检测方法、模型训练方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115788797A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628564A (zh) * | 2023-04-20 | 2023-08-22 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
-
2022
- 2022-12-12 CN CN202211590884.1A patent/CN115788797A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628564A (zh) * | 2023-04-20 | 2023-08-22 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
CN116628564B (zh) * | 2023-04-20 | 2024-03-12 | 上海宇佑船舶科技有限公司 | 用于检测发电机状态的模型训练方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529197A (zh) | 量子态保真度确定方法、装置、设备和存储介质 | |
CN115788797A (zh) | 风力发电机的健康状态检测方法、模型训练方法以及装置 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113361717B (zh) | 量子态数据处理模型的训练方法、装置、电子设备及介质 | |
CN113408808A (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN115597872B (zh) | 抽水蓄能机组甩负荷测试方法、装置、设备及介质 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN116032020A (zh) | 一种新能源电站智能监盘方法及系统 | |
Shin et al. | Covariate matching methods for testing and quantifying wind turbine upgrades | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN114118562A (zh) | 流量预测方法、模型训练方法、装置以及电子设备 | |
Azhar et al. | Transient Stability Detection Using CNN-LSTM Considering Time Frame of Observation | |
CN116821590B (zh) | 电力边缘数据的采集方法和系统 | |
CN117992762B (zh) | 一种水冷式汽轮发电机定子绕组过热预警方法及装置 | |
CN114266343A (zh) | 信息确定模型的训练方法、环境信息确定方法及装置 | |
CN116957133A (zh) | 风力发电功率和光伏发电功率的预测方法以及装置 | |
Nguyen et al. | An Optimizing Method Based On Combining Edge Computer And Long Short-Term Memory Networks Applied To Solar Power Forecasting | |
CN115728515A (zh) | 风电机组的风向测量偏差识别方法、装置、设备以及介质 | |
CN117634437A (zh) | 一种设备当前运行状态的描述方法、装置及电子设备 | |
CN117967502A (zh) | 风力发电机组的偏航角度估计方法及系统 | |
CN116504042A (zh) | 一种异常温度告警的生成方法、装置、设备及介质 | |
CN117647702A (zh) | 低压配电网的故障确定方法、装置、设备以及存储介质 | |
CN114612480A (zh) | 检测防振锤弯曲状态的方法、装置、设备、介质及产品 |
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 |