CN116777109A - 风力发电机组设备状态评估方法及系统 - Google Patents
风力发电机组设备状态评估方法及系统 Download PDFInfo
- Publication number
- CN116777109A CN116777109A CN202310721516.4A CN202310721516A CN116777109A CN 116777109 A CN116777109 A CN 116777109A CN 202310721516 A CN202310721516 A CN 202310721516A CN 116777109 A CN116777109 A CN 116777109A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- control signal
- gate control
- wind turbine
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Combustion & Propulsion (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
Abstract
本发明提供一种风力发电机组设备状态评估方法及系统,评估方法包括采集跟目标监测机组运行状态相关因素的历史数据;对历史数据进行归一化处理得到目标数据,并将目标数据按比例分为训练集和测试集;搭建LSTM神经网络模型,并将训练集输入至模型进行训练,获得机组状态评估模型,并将测试集输入至机组状态评估模型进行预测,得到不同工况下目标监测机组的监测信号的理论值。通过采集跟目标监测机组运行状态相关因素的历史数据,并对历史数据归一化处理得到训练集和测试集,并进一步采用LSTM神经网络模型,相较于传统的BP神经网络,可以更好的捕捉变工况对机组健康状态的影响,提高了模型的准确性。
Description
技术领域
本发明涉及风电设备监测技术领域,具体涉及一种风力发电机组设备状态评估方法及系统。
背景技术
随着风力发电产业数字技术的发展,风力发电机组采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)日益成熟,已能覆盖大部分风力发电机组的主设备,包括叶片、变桨系统、偏航系统、主轴、轴承、发电机、变频器、塔筒等。
对相关监测数据的分析应用的需求也日益迫切。当前的对于风力发电机组主设备监测数据的分析,主要采用PCA、后传播(BP)神经网络、相似性分析等模型,基于历史数据推算不同工况下监测信号的理论值,再通过实际监测值与理论值的偏差来判断设备健康状态。但是风力发电机组在运行过程中,风况时刻变化,机组的运行控制策略也不断的在变化,现有模型减少对工况变化过程的考虑,即便是同样的工况,设备监测信号也可能会因为上一时刻的工况而展现不同的数值,如此造成设备状态评估准确性低的问题。
基于此,本申请的发明人设计了一种风力发电机组设备状态评估方法及系统,以克服上述技术问题。
发明内容
本发明要解决的技术问题是为了克服现有技术中设备状态评估准确性低的缺陷,提供一种风力发电机组设备状态评估方法及系统。
本发明是通过下述技术方案来解决上述技术问题的:
本发明提供了一种风力发电机组设备状态评估方法,其特点在于,包括:
S1:采集跟目标监测机组运行状态相关因素的历史数据;
S2:对所述历史数据进行归一化处理得到目标数据,并将所述目标数据按比例分为训练集和测试集;
S3:搭建LSTM神经网络模型,并将所述训练集输入至模型进行训练,获得机组状态评估模型,并将所述测试集输入至所述机组状态评估模型进行预测,得到不同工况下所述目标监测机组的监测信号的理论值;
S4:根据所述理论值和实测值之间的偏差确定所述目标监测机组的运行健康状态。
根据本发明的一个实施例,所述步骤S3包括:
所述LSTM神经网络模型包括多个LSTM神经元,每一所述LSTM神经元包括数据输入信号、输入门控制信号、遗忘门控制信号以及输出门控制信号;其中,
所述数据输入信号包括当前时刻的输入信号和上一时刻输入里的隐藏层信息的拼接,再与权重参数向量点积,并通过第一激活函数得到;
所述输入门控制信号、所述遗忘门控制信号以及所述输出门控制信号分别包括当前时刻的输入信号和上一时刻输入里的隐藏层信息的拼接,再与权重参数向量点积,并通过第二激活函数得到。
根据本发明的一个实施例,所述数据输入信号为与目标监测机组运行状态相关因素的信号。
根据本发明的一个实施例,所述第一激活函数为tanh激活函数;所述第二激活函数为sigmoid激活函数。
根据本发明的一个实施例,所述输入门控制信号、所述遗忘门控制信号以及所述输出门控制信号均为0至1之间的数值;其中,
1表示该门完全打开,0表示该门完全关闭。
根据本发明的一个实施例,所述步骤S4包括:
所述理论值和实测值之间的偏差定义为可靠度损失,在计算可靠度时包括考虑模型自身的误差。
根据本发明的一个实施例,采用高斯内核卷积过滤器对所述可靠度损失进行过滤,如下:
其中,filterj为高斯内核卷积过滤器,角标i表示核心参数编号,j表示时间序列序号;μ为基于历史数据建模时,模型推测的理论数据与历史实测数据差值的均值;σ为基于历史数据建模时,模型推测的理论数据与历史实测数据差值的标准差;为模型推测的理论值,xi,为历史实测数据值。
本发明还提供了一种风电场长期风功率预测系统,其特点在于,所述风力发电机组设备状态评估系统采用如上所述的风力发电机组设备状态评估方法,所述预测系统包括:
采集模块,采集跟目标监测机组运行状态相关因素的历史数据;
处理模块,对所述历史数据进行归一化处理得到目标数据,并将所述目标数据按比例分为训练集和测试集;
建立模块,搭建LSTM神经网络模型,并将所述训练集输入至模型进行训练,获得机组状态评估模型,并将所述测试集输入至所述机组状态评估模型进行预测,得到不同工况下所述目标监测机组的监测信号的理论值;
评估模块,根据所述理论值和实测值之间的偏差确定所述目标监测机组的运行健康状态。
本发明还提供了一种电子设备,其特点在于,包括:处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行实现如上所述的风力发电机组设备状态评估方法。
本发明还提供了一种可读存储介质,其特点在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上所述的风力发电机组设备状态评估方法。
本发明的积极进步效果在于:
本发明风力发电机组设备状态评估方法及系统,通过采集跟目标监测机组运行状态相关因素的历史数据,并对历史数据归一化处理得到训练集和测试集,并进一步采用LSTM神经网络模型,相较于传统的BP神经网络,可以更好的捕捉变工况对机组健康状态的影响,提高了模型的准确性。
附图说明
本发明的上述的以及其他的特征、性质和优势将通过下面结合附图和实施方式的描述而变得更加明显,其中:
图1为本发明风力发电机组设备状态评估方法的流程图;
图2为本发明LSTM神经元计算过程示意图;
图3为本发明BP与LSTM神经网络的第一实施方式的散点对比图;
图4为本发明BP与LSTM神经网络的第二实施方式的散点对比图;
图5为本发明电子设备的结构示意图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明。
现在将详细参考附图描述本发明的实施方式。现在将详细参考本发明的优选实施方式,其示例在附图中示出。在任何可能的情况下,在所有附图中将使用相同的标记来表示相同或相似的部分。此外,尽管本发明中所使用的术语是从公知公用的术语中选择的,但是本发明说明书中所提及的一些术语可能是申请人按他或她的判断来选择的,其详细含义在本文的描述的相关部分中说明。此外,要求不仅仅通过所使用的实际术语,而是还要通过每个术语所蕴含的意义来理解本发明。
请参照图1,本发明提供一种风力发电机组设备状态评估方法,包括如下步骤:
S1:采集跟目标监测机组运行状态相关因素的历史数据。
以发电机前轴承温度为例,影响发电机前轴承温度的因素包括但不限于有功功率、机舱温度、发电机转速以及发电机后轴承温度。所以如果想预测发电机前轴承温度的值,则需要关注的相关因素便包括上述的有功功率、机舱温度、发电机转速以及发电机后轴承温度。
S2:对历史数据进行归一化处理得到目标数据,并将目标数据按比例分为训练集和测试集。
在数据归一化之前还会对数据进行清洗,包括但不限于将一些不相关数据进行剔除,例如采集的数据除了与目标监测机组相关的数据外还包括一些相关度小的数据,如此可以根据相关度选取最重要的几个因素作为跟目标监测机组运行状态相关因素。选取的标准可以根据经验选取,或者也可以根据历史数据中对目标监测机组影响较大的因素作为相关因素。
S3:搭建LSTM神经网络模型,并将训练集输入至模型进行训练,获得机组状态评估模型,并将测试集输入至机组状态评估模型进行预测,得到不同工况下目标监测机组的监测信号的理论值。
风力发电机组运行时,保持变工况运行,但是风速的变化和控制策略的调整是连续的。即当前时刻设备的各个测点的值与之前设备的状态存在内在联系,如果采用现有预测方式,从点进行预测,则模型预测的值与实际值变化趋势偏差较大,无法保证设备状态评估的准确性。
长短期记忆网络(Long Short-Term Memory,LSTM)是一种时间循环神经网络,可以更好的处理时间序列数据。也即,可以根据前n时刻的数据,从此预测后面时刻的数据。在本算法中,LSTM神经网络模型可以更好的将n时刻前的工况信息加入神经元,从而更加符合实测数据的变化趋势。
具体地,LSTM神经网络模型包括多个LSTM神经元,每一LSTM神经元包括数据输入信号、输入门控制信号、遗忘门控制信号以及输出门控制信号;其中,数据输入信号包括当前时刻的输入信号和上一时刻输入里的隐藏层信息的拼接,再与权重参数向量点积,并通过第一激活函数得到;输入门控制信号、遗忘门控制信号以及输出门控制信号分别包括当前时刻的输入信号和上一时刻输入里的隐藏层信息的拼接,再与权重参数向量点积,并通过第二激活函数得到。
请参照图2,在一个实施方式中,神经元用于存储信息,神经元内的信息会保存到下一时刻,对应神经网络里的隐藏层。神经元计算过程如下:
其中,cell为神经元,Z为数据输入信号,Z是通过该时刻的输入Xt和上一时刻存在神经元里的隐藏层ht-1向量拼接,再与权重参数向量W点积,得到的值经过激活函数tanh最终得到数据。数据输入信号为与目标监测机组运行状态相关因素的信号,以发电机前轴承温度为例,Z是通过当前时刻有功功率值、机舱温度值、发电机转速、发电机后轴承温度值与上一时刻存在神经元里的隐藏层向量拼接,然后再与权重参数向量W点积得到的值,a是当前时刻的输出。
Zi,其中i是input gate的缩写,所以也就是输入门的门控装置,Zi同样也是通过该时刻的输入Xt和上一时刻隐藏层信息ht-1向量拼接,在与权重参数向量Wi点积,再经过激活函数sigmoid最终得到一个[0-1]之间的数值,用来作为输入门的控制信号。
Zf,其中f是forget gate的缩写,所以也就是遗忘门的门控装置,Zf同样也是通过该时刻的输入Xt和上一时刻隐藏层信息ht-1向量拼接,在与权重参数向量Wf点积,再经过激活函数sigmoid最终得到一个[0-1]之间的数值,用来作为遗忘的控制信号。
Zo,其中o是output gate的缩写,所以也就是输出门的门控装置,Zo同样也是通过该时刻的输入Xt和上一时刻隐藏层信息ht-1向量拼接,在与权重参数向量Wf点积,再经过激活函数sigmoid最终得到一个[0-1]之间的数值,用来作为遗忘的控制信号。
具体地,输入门控制信号、遗忘门控制信号以及输出门控制信号均为0至1之间的数值;其中,1表示该门完全打开,0表示该门完全关闭。
以下以发电机前轴承温度为例进行说明。在建模中,输入为有功功率、机舱温度、发电机转速、发电机后轴承温度,输出为发电机前轴承温度。相较于目前行业主要采用的后传播(BP)神经网络,LSTM在隐藏层中增加了输入门、输出门、遗忘门,从而将n时刻前的工况信息也加入计算,从而提高了模型的准确性。
请参照图3,LSTM神经网络模型得到的理论温度与实际温度具有较强的线性关系。
请参照图4,LSTM模型的推测之变化趋势更加符合实际观测值的变化趋势。由此,采用LSTM神经网络模型可以提高模型的输出准确性。
在一个实施方式中,理论值和实测值之间的偏差定义为可靠度损失,在计算可靠度时包括考虑模型自身的误差。
需要说明的是,风力发电机组各设备的健康状态可以与可靠度R表征,定义为1.0减去可靠度损失:
R=1-loss;
其中,R为可靠度,loss为可靠度损失。
可靠度损失定义为:
其中:j为导入的SCADA数据时间序列,N表示时间序列数据点的个数,为该时间序列数据工况下,关联参数i的理论值。理论值基于健康状态(标杆)机组历史运行数据,通过LSTM神经网络方法建模计算得到。
因为模型不会完全精确,所以模型给出的理论值和实测值必然存在一定偏差。因此在计算可靠度损失时,需要考虑模型自身的误差导致的偏差。在一个实施方式中,使用高斯内核卷积过滤器,对可靠度损失进行过滤:
其中,filterk为高斯内核卷积过滤器,角标i表示核心参数编号,j表示时间序列序号;μ为基于历史数据建模时,模型推测的理论数据与历史实测数据差值的均值;σ为基于历史数据建模时,模型推测的理论数据与历史实测数据差值的标准差;为模型推测的理论值,xi,为历史实测数据值。
本发明还提供一种风力发电机组设备状态评估系统,采用如上的风力发电机组设备状态评估方法,预测系统包括:
采集模块,采集跟目标监测机组运行状态相关因素的历史数据;
处理模块,对历史数据进行归一化处理得到目标数据,并将目标数据按比例分为训练集和测试集;
建立模块,搭建LSTM神经网络模型,并将训练集输入至模型进行训练,获得机组状态评估模型,并将测试集输入至机组状态评估模型进行预测,得到不同工况下目标监测机组的监测信号的理论值;
评估模块,根据理论值和实测值之间的偏差确定目标监测机组的运行健康状态。
通过采集模块采集跟目标监测机组运行状态相关因素的历史数据;处理模块对历史数据归一化处理得到训练集和测试集;处理模块采用LSTM神经网络模型,评估模块用于根据理论值和实测值之间的偏差确定目标监测机组的运行健康状态。相较于传统的BP神经网络,可以更好的捕捉变工况对机组健康状态的影响,提高了模型的准确性。
参照图5,本发明还提供一种电子设备900,包括:处理器901和存储器902,存储器902存储可在处理器901上运行的程序或指令,程序或指令被处理器901执行上述的风力发电机组设备状态评估方法。该程序或者指令被处理器901执行时,实现上述风力发电机组设备状态评估方法实施方式的各个过程,且能达到相同的技术效果,为避免重复,在此不做赘述。
本发明还提供一种可读存储介质,可读存储介质上存储程序或指令,程序或指令被处理器执行时实现如上述的风力发电机组设备状态评估方法。该程序或者指令被处理器执行时,实现上述风力发电机组设备状态评估方法实施方式的各个过程,且能达到相同的技术效果,为避免重复,在此不做赘述。
对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施方式的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施方式。如“一个实施方式”、“一实施方式”、和/或“一些实施方式”意指与本申请至少一个实施方式相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施方式”或“一个实施方式”或“一替代性实施方式”并不一定是指同一实施方式。此外,本申请的一个或多个实施方式中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。例如,计算机可读介质可包括,但不限于,磁性存储设备(例如,硬盘、软盘、磁带……)、光盘(例如,压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如,卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施方式的理解,前文对本申请实施方式的描述中,有时会将多种特征归并至一个实施方式、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施方式的特征要少于上述披露的单个实施方式的全部特征。一些实施方式中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施方式描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明数字允许有±20%的变化。相应地,在一些实施方式中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施方式所需特点可以发生改变。在一些实施方式中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施方式中用于确认其范围广度的数值域和参数为近似值,在具体实施方式中,此类数值的设定在可行范围内尽可能精确。
本发明虽然以较佳实施方式公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以做出可能的变动和修改。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施方式所作的任何修改、等同变化及修饰,均落入本发明权利要求所界定的保护范围之内。
Claims (10)
1.一种风力发电机组设备状态评估方法,其特征在于,包括如下步骤:
S1:采集跟目标监测机组运行状态相关因素的历史数据;
S2:对所述历史数据进行归一化处理得到目标数据,并将所述目标数据按比例分为训练集和测试集;
S3:搭建LSTM神经网络模型,并将所述训练集输入至模型进行训练,获得机组状态评估模型,并将所述测试集输入至所述机组状态评估模型进行预测,得到不同工况下所述目标监测机组的监测信号的理论值;
S4:根据所述理论值和实测值之间的偏差确定所述目标监测机组的运行健康状态。
2.如权利要求1所述的风力发电机组设备状态评估方法,其特征在于,所述步骤S3包括:
所述LSTM神经网络模型包括多个LSTM神经元,每一所述LSTM神经元包括数据输入信号、输入门控制信号、遗忘门控制信号以及输出门控制信号;其中,
所述数据输入信号包括当前时刻的输入信号和上一时刻输入里的隐藏层信息的拼接,再与权重参数向量点积,并通过第一激活函数得到;
所述输入门控制信号、所述遗忘门控制信号以及所述输出门控制信号分别包括当前时刻的输入信号和上一时刻输入里的隐藏层信息的拼接,再与权重参数向量点积,并通过第二激活函数得到。
3.如权利要求2所述的风力发电机组设备状态评估方法,其特征在于,所述数据输入信号为与目标监测机组运行状态相关因素的信号。
4.如权利要求2所述的风力发电机组设备状态评估方法,其特征在于,所述第一激活函数为tanh激活函数;所述第二激活函数为sigmoid激活函数。
5.如权利要求2所述的风力发电机组设备状态评估方法,其特征在于,所述输入门控制信号、所述遗忘门控制信号以及所述输出门控制信号均为0至1之间的数值;其中,
1表示该门完全打开,0表示该门完全关闭。
6.如权利要求1所述的风力发电机组设备状态评估方法,其特征在于,所述步骤S4包括:
所述理论值和实测值之间的偏差定义为可靠度损失,在计算可靠度时包括考虑模型自身的误差。
7.如权利要求6所述的风力发电机组设备状态评估方法,其特征在于,采用高斯内核卷积过滤器对所述可靠度损失进行过滤,如下:
其中,filterj为高斯内核卷积过滤器,角标i表示核心参数编号,j表示时间序列序号;μ为基于历史数据建模时,模型推测的理论数据与历史实测数据差值的均值;σ为基于历史数据建模时,模型推测的理论数据与历史实测数据差值的标准差;为模型推测的理论值,xi,为历史实测数据值。
8.一种风力发电机组设备状态评估系统,其特征在于,所述风力发电机组设备状态评估系统采用如权利要求1-7任一项所述的风力发电机组设备状态评估方法,所述预测系统包括:
采集模块,采集跟目标监测机组运行状态相关因素的历史数据;
处理模块,对所述历史数据进行归一化处理得到目标数据,并将所述目标数据按比例分为训练集和测试集;
建立模块,搭建LSTM神经网络模型,并将所述训练集输入至模型进行训练,获得机组状态评估模型,并将所述测试集输入至所述机组状态评估模型进行预测,得到不同工况下所述目标监测机组的监测信号的理论值;
评估模块,根据所述理论值和实测值之间的偏差确定所述目标监测机组的运行健康状态。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行实现如权利要求1-7任一项所述的风力发电机组设备状态评估方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的风力发电机组设备状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721516.4A CN116777109A (zh) | 2023-06-16 | 2023-06-16 | 风力发电机组设备状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721516.4A CN116777109A (zh) | 2023-06-16 | 2023-06-16 | 风力发电机组设备状态评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777109A true CN116777109A (zh) | 2023-09-19 |
Family
ID=88009311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310721516.4A Pending CN116777109A (zh) | 2023-06-16 | 2023-06-16 | 风力发电机组设备状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777109A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592865A (zh) * | 2023-12-21 | 2024-02-23 | 中国人民解放军军事科学院系统工程研究院 | 一种装备零备件质量状态预测方法及装置 |
-
2023
- 2023-06-16 CN CN202310721516.4A patent/CN116777109A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592865A (zh) * | 2023-12-21 | 2024-02-23 | 中国人民解放军军事科学院系统工程研究院 | 一种装备零备件质量状态预测方法及装置 |
CN117592865B (zh) * | 2023-12-21 | 2024-04-05 | 中国人民解放军军事科学院系统工程研究院 | 一种装备零备件质量状态预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rigamonti et al. | Ensemble of optimized echo state networks for remaining useful life prediction | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN103389472B (zh) | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 | |
CN111737910A (zh) | 一种基于深度学习的轴流压气机失速喘振预测方法 | |
CN103399281A (zh) | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN110067696B (zh) | 一种风电机组载荷确定方法、装置、设备及可读存储介质 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
Jiang et al. | Dual-attention-based multiscale convolutional neural network with stage division for remaining useful life prediction of rolling bearings | |
CN116777109A (zh) | 风力发电机组设备状态评估方法及系统 | |
CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
Ge et al. | An improved PF remaining useful life prediction method based on quantum genetics and LSTM | |
CN115013258A (zh) | 一种风电机组机前风速智能软测量方法、装置及服务器 | |
Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
CN117454324A (zh) | 风速风向仪故障预警方法、系统、电子设备及存储介质 | |
CN115977874B (zh) | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 | |
CN116500454A (zh) | 一种基于多特征输入时序模型的锂离子电池健康状态估计方法、系统、设备及介质 | |
CN113048012B (zh) | 基于混合高斯模型的风电机组偏航角度识别方法和装置 | |
CN115622029A (zh) | 输电线路覆冰负荷预测方法、装置、存储介质和设备 | |
CN115099506A (zh) | 一种风速预测方法、系统、电子设备及介质 | |
CN114320770A (zh) | 风电机组的有效风速测量方法及装置 | |
Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network |
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 |