CN117212055A

CN117212055A - 一种风力发电系统及发电机绕组的异常识别预警方法

Info

Publication number: CN117212055A
Application number: CN202311242195.6A
Authority: CN
Inventors: 田华; 方荣华; 李晓伟; 张娜玲; 肖燕
Original assignee: Wuhan Yingfeng Energy Technology Co ltd
Current assignee: Wuhan Yingfeng Energy Technology Co ltd
Priority date: 2023-09-25
Filing date: 2023-09-25
Publication date: 2023-12-12

Abstract

本发明提出了一种风力发电系统及发电机绕组的异常识别预警方法，包括：S1、获取待识别风机的当前温度检测数据；S2、对当前温度检测数据进行数据处理，得到处理后的数据；S3、将处理后的数据进行维度转换，得到单风机时序维度数据、单风机工况维度数据和同机型工况维度数据；S4、使用温度异常识别模型对单风机时序维度数据、单风机工况维度数据和同机型工况维度数据进行识别，得到待识别风机的预警风险特征；S5、获取风力发电系统中发电机绕组的历史预警信息和历史风险值，生成监督学习的预警信息；S6、将待识别风机的预警风险特征与监督学习的预警信息进行比对，若待识别风机的预警风险特征包含监督学习的预警信息，则进行预警提示。

Description

一种风力发电系统及发电机绕组的异常识别预警方法

技术领域

本发明涉及风力发电技术领域，尤其涉及一种风力发电系统及发电机绕组的异常识别预警方法。

背景技术

风力发电因风能的清洁环保和可再生性而日益收到重视，其基本工作原理是通过风机将风能转化为机械能，再通过发电机将机械能转化为电能，并将其输出到电网中。实现风力发电的系统主要由包括风轮、传动装置、发电机以及支撑塔架的多个风机构成。风轮上设置有叶片，当叶片受到风的作用旋转时，将风能转化为机械能。

由于定子热故障引起的绕组绝缘损坏和结构件变形，导致机组电气短路和机组异常振动，严重危机发电机正常运行和电网安全。为了确保每个风机的正常运行，单靠传统的温度巡检仪支撑的发电机定子绕组温度监测系统，巡检周期长,判断方法简单、单一，很难及时检测出定子绕组温度异常，更不能分析温升趋势和进行过热预警。

中国专利CN109458308B公开了一种风机主轴超温预警方法，其基于信号重构算法构建温度的智能预测模型，通过功率、转子速度、轴承历史温度信息计算出正常工况下的模型预测温度，将预测值与实测值之间的偏差成为模型预测残差，根据残差分布状况判断系统是否异常。

但是，上述技术方案中的温度预测方法对样本数量和质量的依赖程度过高，从而降低了对实际应用的灵敏度。在风力发电信息化程度越来越高，数据规模日益庞大的情况下，对于发电机绕组温度异常缺少提前预警机制，在完全故障导致风机不能正常运行时，检修人员才去检修，未能实现故障的提前预警。如此导致运行成本增大。

发明内容

有鉴于此，本发明提出了一种发电机绕组的异常识别预警方法，其通过对当前温度检测数据进行处理以及维度转换，并利用温度异常识别模型进行识别，能够及时发现发电机绕组温度异常进行检修，提高了检修的效率。

本发明的技术方案是这样实现的：

第一方面，本发明提供了一种发电机绕组的异常识别预警方法，包括以下步骤：

S1、获取待识别风机的当前温度检测数据；

S2、对所述当前温度检测数据进行数据处理，得到处理后的数据；

S3、将所述处理后的数据进行维度转换，得到单风机时序维度数据、单风机工况维度数据和同机型工况维度数据；

S4、使用温度异常识别模型对所述单风机时序维度数据、单风机工况维度数据和同机型工况维度数据进行识别，得到待识别风机的预警风险特征；

S5、获取风力发电系统中发电机绕组的历史预警信息和历史风险值，生成监督学习的预警信息；

S6、将所述待识别风机的预警风险特征与所述监督学习的预警信息进行比对，若所述待识别风机的预警风险特征包含监督学习的预警信息，则进行预警提示。

在以上技术方案的基础上，优选的，所述温度异常识别模型包括布林评估模型、密度吻合模型和相关性模型，所述发电机绕组设有目标温度测点N_ii∈1,3,6，步骤S4具体包括：

S41、使用所述布林评估模型对单风机时序维度数据进行识别，得到待识别风机测点温度的波动变化特征；

S42、使用所述密度吻合度模型对单风机工况维度数据进行识别，得到待识别风机测点温度的趋势变化特征；

S43、使用所述相关性模型对同机型工况维度数据进行识别，得到待识别风机测点温度的差异性特征；

S44、根据所述波动变化特征、趋势变化特征和差异性特征得到待识别风机的预警风险特征。

在以上技术方案的基础上，优选的，步骤S41具体包括：

所述目标温度测点在运行周期T内的发电机绕组温度形成样本数据集DFT，样本数据集DFT可表达为：

D_FT＝t_kN,P,C，t_k∈T∩Δt，

其中，N表示测点，P表示功率，C表示环境温度，t_k表示在周期T内第k个时间点，Δt表示时间间隔；

将所述样本数据集中数据输入至布林评估模型中，得到布林评估结果，根据所述布林评估结果得到待识别风机测点温度的波动变化特征。

在以上技术方案的基础上，优选的，所述布林评估模型的计算方法具体包括：

BW＝UB-LB；

其中，BW表示布林评估模型的带宽，UB表示布林评估模型的上轨，LB表示布林评估模型的下轨；

LB＝LB_tk＝mint_kN

其中，LB_tk表示温度测点布林评估模型下轨的最小值，Q表示布林评估结果，t_k(N)表示t_k时刻的温度。

在以上技术方案的基础上，优选的，步骤S42具体包括：

将所述单风机工况维度数据进行密度映射，得到密度映射函数；

根据所述密度映射函数输入至密度吻合模型进行计算，得到单风机工况维度数据的密度吻合度；

通过所述密度吻合度计算重叠度值，根据所述重叠度值判断待识别风机测点温度的趋势变化特征。

在以上技术方案的基础上，优选的，所述密度吻合模型的计算方法具体如下：

其中，

其中，表示在TA和TB时期待识别风机的温度数据的密度吻合度，n为按照周期T划分的子集数量，S_k表示子集集合，k∈[1，n]，f为密度映射函数，/>表示在T_A时期待识别风机的温度数据集，/>表示T_B时期待识别风机的温度数据集。

在以上技术方案的基础上，优选的，步骤S43具体包括：

将所述同机型工况维度数据进行数据转换，得到转换后的数据；

将所述转换后的数据输入至相关性模型进行计算，得到同机型工况维度数据的相关性；

通过所述同机型工况维度数据的相关性确定同机型工况维度数据的相似度；

根据所述相似度确定待识别风机测点温度的差异性特征。

在以上技术方案的基础上，优选的，所述相关性模型的计算方法公式如下：

pF_i,F_j＝gD^”F_i,D^”F_j

D_FiT＝t_kN,P,C,F_i,t_k∈T∩Δt,i∈[1,j]

其中，p(F_i，F_j)表示待识别风机F_i的同机型工况维度数据与其他风机F_j的同机型工况维度数据的相关性，D”F_i表示待识别风机F_i的同机型工况维度数据进行数据转换后的集合，D”F_j表示其他风机F_j的同机型工况维度数据进行数据转换后的集合，D”表示同机型工况维度数据进行数据转换后的数据集合，表示待识别风机F_i在T时期的同机型工况维度数据集合。

更进一步优选的，异常识别预警方法还包括以下步骤：

S7、用户根据预警提示进行数据确认，并提供预警回执，根据预警回执建立评估模型对温度异常识别模型进行评估，得到评估结果，根据评估结果对所述温度异常识别模型进行更新。

第二方面，本发明还公开了一种风力发电系统，所述风力发电系统至少包括一个风机，所述一个风机至少包括一个发电机绕组，所述风力发电系统还包括：存储器、处理器、通信总线以及存储在所述存储器上的控制程序：

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行所述控制程序，以实现如上述中任一项所述的发电机绕组的异常识别预警方法的步骤。

本发明的发电机绕组的异常识别预警方法相对于现有技术具有以下有益效果：

(1)通过对当前温度检测数据进行处理，并对处理后的数据进行维度转换，设置温度异常识别模型，通过温度异常识别模型对维度转换后的单风机时序维度数据、单风机工况维度数据和同机型工况维度数据进行识别，得到待识别风机的预警风险特征，精细化确定待识别风机的发电机绕组温度异常的预警状态，提高预警的准确定和精细化程度；

(2)通过温度异常识别模型中的布林评估模型、密度吻合模型和相关性模型分别对单风机时序维度数据、单风机工况维度数据和同机型工况维度数据进行识别，判断待识别风机温度的波动变化特征，及时发现温度异常情况，减少风机故障的发生，提高风机的运行效率和寿命；

(3)利用历史数据中的模式和规律来预测待识别风机的风险情况，将待识别风机设为需要预警的待预警风机，结合监督学习的预警信息，可以提供更准确的预警提示，帮助维修人员采取相应的措施进行维护和修复，提高风机的可靠性和安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的发电机绕组的异常识别预警方法的流程图；

图2为本发明的发电机绕组的异常识别预警方法的框图；

图3为本发明的发电机绕组的异常识别预警方法的测点分布示意图；

图4为本发明的发电机绕组的异常识别预警方法的温度密度分布示意图；

图5为本发明的发电机绕组的异常识别预警方法的温度趋势分布示意图；

图6为本发明的发电机绕组的异常识别预警方法的温度相关性分布示意图；

图7为本发明的发电机绕组的异常识别预警方法的评价示意图；

图8为本发明的风力发电系统的框图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

作为本领域技术人员可以理解的，发电机绕组温度异常对风机所产生的影响可能不同，某些异常可能给风机带来较为严重的影响，例如短期内直接导致风机停机，而另一些异常则给风机带来的影响较轻，可能很久也不会导致停机，但这个隐患始终存在。因此，为了及时发现待识别风机所存在发电机绕组温度异常的可能性，需依据各自的检测数据，确定各个待识别风机的发电机绕组温度特征，判断待识别风机当前温度检测数据是否存在异常，若存在异常则及时通知维修人员进行修理维护，避免使风机直接停机影响使用。

如图1和图2所示，本发明提供了一种发电机绕组的异常识别预警方法，包括以下步骤：

S1、获取待识别风机的当前温度检测数据。

本申请可以通过传感器或其他监测设备获取待识别风机的发电机绕组当前温度数据，本申请并不对数据采集的方式做具体限定。

S2、对所述当前温度检测数据进行数据处理，得到处理后的数据。

可以理解的，对当前温度检测数据进行预处理，包括数据清晰、异常值处理、缺失值填充等，通过对当前温度检测数据进行预处理，确保处理后数据的准确性和完整性。

S3、将所述处理后的数据进行维度转换，得到单风机时序维度数据、单风机工况维度数据和同机型工况维度数据。

通过将处理后的数据进行维度转换，将待识别风机的温度数据按照不同的维度进行分析和比较，便于以更直观的方式观察数据的分布和关系。

S4、使用温度异常识别模型对所述单风机时序维度数据、单风机工况维度数据和同机型工况维度数据进行识别，得到待识别风机的预警风险特征。

通过温度异常识别模型判断待识别风机是否存在温度异常，其中可以采用机器学习算法、统计方法或规则引擎等进行异常识别，提高温度异常识别模型识别的准确性和可靠性。

S5、获取风力发电系统中发电机绕组的历史预警信息和历史风险值，生成监督学习的预警信息。利用历史数据中的模式和规律来预测待识别风机的风险情况。

进一步的，根据风险情况确定待识别风机的发电机绕组温度的预警状态，如，设置风险值区间[0，1]，根据风险情况确定风险值，依据风险值区间确定待识别风机的发电机绕组温度异常的预警状态，精细化确定待识别风机的发电机绕组温度异常的预警状态，提高预警的准确定和精细化程度。

在本申请一实施例中，监督学习的预警信息还包括根据不同的异常预警设置不同的检修措施，即可查找历史预警信息对应的检修措施作为参考检修措施，以便于检修人员通过上述参考检修措施对待识别风机的发电机绕组异常情况进行快速准确的核查和检修，提高检修的效率，防止风机出现异常导致风力发电系统停机进而造成损失。

可以理解的，同一风机可能出现多次异常，每次异常前均会进行预警。对于新一次的预警与以往出现的预警共同形成为历史预警信息，以便于根据待预警风机的发电机绕组温度的风险情况自适应调整，进而降低误报率。

具体的，历史预警信息包括历史预警状态、风险值、检修措施，以及历史预警的具体描述和预警的时间，以及预警曲线。预警曲线为由历史预警次数和预警时间生成的曲线，便于检修人员查看待预警风机的发电机绕组温度的整体情况。

S6、将所述待识别风机的预警风险特征与所述监督学习的预警信息进行比对，若所述待识别风机的预警风险特征包含监督学习的预警信息，则进行预警提示。便于用户可以及时发现风机的异常情况，并采取相应的措施进行维护和修复，提高风机的可靠性和安全性。

在本申请实施例中，通过对待识别风机当前温度检测数据进行数据处理和维度转换的方法，可以更好地理解和比较待识别风机的温度数据，通过温度异常识别模型对维度转换后的数据进行识别，可以快速准确地判断待识别风机是否存在异常，若存在异常的检测数据，则说明待识别风机的发电机绕组温度存在异常，将待识别风机设为需要预警的待预警风机，结合监督学习的预警信息，可以提供更准确的预警提示，帮助维修人员采取相应的措施进行维护和修复，提高风机的可靠性和安全性。

在本申请一实施例中，所述温度异常识别模型包括布林评估模型、密度吻合模型和相关性模型，所述发电机绕组设有目标温度测点N_ii∈1,3,6，步骤S4具体包括：

S41、使用所述布林评估模型对单风机时序维度数据进行识别，得到待识别风机测点温度的波动变化特征。

可以理解的，当i＝1时，即发电机绕组设有一个测点，但是单测点无法满足布林评估模型的使用条件，则目标温度测点的数量至少为2个。优选的，在发电机绕组上设有3个测点或者6个测点。

在本申请实施例中，通过布林评估模型对单风机时序维度数据进行识别，可以判断待识别风机温度的波动变化特征，及时发现温度异常情况，减少风机故障的发生，提高风机的运行效率和寿命。

如图3所示，具体的，步骤S41具体包括：

S411、所述目标温度测点在运行周期T内的发电机绕组温度形成样本数据集D_FT，样本数据集D_FT可表达为：

D_FT＝t_kN,P,C，t_k∈T∩Δt，

其中，N表示测点，P表示功率，C表示环境温度，t_k表示在周期T内第k个时间点；

S412、将所述样本数据集中数据输入至布林评估模型中，得到布林评估结果，根据所述布林评估结果得到待识别风机测点温度的波动变化特征。

在本申请实施例中，通过单风机的时序维度数据和目标温度测点，可以对待识别风机的温度进行详细的监测和分析，有助于了解待识别风机的运行状态和温度变化情况，通过布林评估模型判断待识别风机温度的异常波动情况，将待识别风机的预警风险特征与监督学习的预警信息进行比对，如果待识别风机的预警风险特征包含监督学习的预警信息，则进行预警提示，能够及时发现风机的异常情况，并采取相应的措施进行维护和修复，提高风机的可靠性和安全性。

进一步的，所述布林评估模型的计算方法具体包括：

BW＝UB-LB；

LB＝LB_tk＝mint_kN

在本申请实施例中，通过布林评估模型计算布林带的上轨和下轨，可以判断测点温度是否处于正常范围内，如果测点温度超过上轨或低于下轨，则表示测点温度存在异常波动，需要引起关注。

S42、使用所述密度吻合度模型对单风机工况维度数据进行识别，得到待识别风机测点温度的趋势变化特征。

在本申请实施例中，使用密度吻合模型对单风机工况维度数据进行识别，能够准确的识别出待识别风机测点温度的趋势变化特征，提高对测点温度趋势变化的准确识别和精细化特征提取，提高识别的准确性和可靠性。

如图4和图5所示，具体的，步骤S42具体包括：

S421、将所述单风机工况维度数据进行密度映射，得到密度映射函数。

可以理解的，按照时间维度将单风机工况维度数据进行映射，确保数据的准确性和一致性。

具体的，密度映射函数为：

其中，为待识别风机在T₁，……T_j不同时期对应的温度数据集合，T_i表示第i个时期，具体的，

其中，M为待识别风机的发电机温度，P为待识别风机功率，C为环境温度，t_k表示在周期T内第k个时间点，为15s，Δt表示时间间隔。

在本申请实施例中，通过将单风机工况维度数据进行密度映射，可以将数据在工况维度上进行可视化和分析，能够更直观地了解单风机的工况特征，包括温度的分布情况、变化趋势等。

S422、根据所述密度映射函数输入至密度吻合模型进行计算，得到单风机工况维度数据的密度吻合度。

在本申请实施例中，通过密度映射和密度吻合度计算，评估单风机的工况数据与理想工况的吻合程度，判断目标数据在不同时期的温度分布是否相似，通过比较不同周期下的温度分布特征，可以识别温度在周期变化时是否存在趋势变化的风险，帮助维护人员及时发现温度异常变化，采取相应的措施进行维护和修复，从而提高风机的可靠性和安全性。

进一步的，所述密度吻合模型的计算方法具体如下：

其中，

其中，表示在T_A和T_B时期待识别风机的温度数据的密度吻合度，n为按照周期T划分的子集数量，S_k表示子集集合，k∈[1，n]，g为密度映射函数，/>表示在T_A时期待识别风机的温度数据集，/>表示T_B时期待识别风机的温度数据集。

在本申请实施例中，使用密度吻合度来评估单风机的工况数据与预设的理想工况数据之间的相似程度。较高的密度吻合度表示单风机工况数据与理想工况数据较为吻合，反之则表示存在较大的差异。

S423、通过所述密度吻合度计算重叠度值，根据所述重叠度值判断待识别风机测点温度的趋势变化特征。

在本申请实施例中，通过所述密度吻合度计算重叠度值，可以量化单风机测点温度的趋势变化特征。重叠度值反映了单风机测点温度与理想工况的相似程度。较高的重叠度值表示单风机测点温度趋势与理想工况一致，反之则表示存在较大的差异。

具体的，重叠度值df的计算公式如下：

其中U_s(M)表示将温度数据集合M次切片后形成的集合，表示在T_A和T_B时期待识别风机的温度数据的密度吻合度。

可以理解的，表示存在切片，使得两者完全不重叠，/>表示不存在切片，两者完全重叠。

在本申请实施例中，通过输入T类周期下目标测点，得到目标测点在不同周期下的温度分布特征，通过采用密度吻合模型获取待识别风机中发电机绕组温度在不同周期下的温度分布的趋势变化特征，从而识别待识别风机的当前温度是否存在随着周期变化而发生趋势变化的风险。

通过对待识别风机中发电机绕组温度在不同时期下的温度分布进行全面分析，可以更深入地了解温度的变化规律和分布特征，提前预警可能出现的故障或问题，以便及时采取相应的处理措施，避免对风机和其他设备造成过大的损害。

S43、使用所述相关性模型对同机型工况维度数据进行识别，得到待识别风机测点温度的差异性特征。

通过对待识别风机与其他风机之间的相关性计算，可以判断待识别风机在同工况下与其他风机的相似程度，可以快速识别待识别风机在同域同机型同周期下是否存在异常风险，并及时采取相应的措施进行维护和修复，提高待识别风机的可靠性和安全性。

如图6所示，具体的，步骤S43具体包括：

S431、将所述同机型工况维度数据进行数据转换，得到转换后的数据。

在本申请实施例中，通过数据转换消除不同数据之间的尺度差异，减少噪音和异常值的影响，并提取出更具有代表性的特征。

S432、将所述转换后的数据输入至相关性模型进行计算，得到同机型工况维度数据的相关性。

可以理解的，可以采用不同的相关性计算方法，计算待识别风机与其他风机之间的相似程度，如皮尔逊相关系数、图形交集方法、面积重叠方法、散点密度方法、曲线拟合方法等，本申请并不对此做具体限制。其中，较高的相关性表示数据之间具有较强的线性关系，反之则表示数据之间的关联性较弱。

具体的，所述相关性模型的计算方法公式如下：

pF_i,F_j＝gD^”F_i,D^”F_j

S433、通过所述同机型工况维度数据的相关性确定同机型工况维度数据的相似度。

可以理解的，相似度可以通过公式进行计算，其中包括相关性计算结果和其他参数，相似度的就散可以根据具体需求进行定义和调整，本申请并不对此做具体限制。

S434、根据所述相似度确定待识别风机测点温度的差异性特征。

结合决策理论和离散型等方法，快速识别待识别风机在同域同机型同周期下是否存在异常风险，可以设置阈值或采用其他判别方法来确定异常风险的存在与否。

在本申请实施例中，通过对同机型工况维度数据的分析和比对，可以帮助判断待识别风机的温度变化是否与同机型工况一致，从而及时发现异常情况并采取相应的措施进行维护和修复。

在本申请实施例中，通过综合考虑待识别风机的波动变化特征、趋势变化特征和差异性特征，可以更全面地评估风机的预警风险，能够更好地反映风机的实际情况，避免漏报或误报的情况，为风机的正常运行和维护提供更准确的支持，预警系统的整体性能和用户满意度，同时可以帮助维护人员更好地了解风机的性能和状态，为风机的预防性维护和优化运行提供更准确的支持，降低设备的损坏程度和维修成本，提高设备的可靠性和稳定性。

在本申请一实施例中，步骤S6还包括：

判断所述待识别风机的预警风险特征中是否包含监督学习的预警信息；若包含，则说明待识别风机的当前温度检测数据中存在异常数据；

将所述预警风险特征进行确认处理，获得预警风险特征中异常数据的有效性；即确定预警风险特征是否为真是的异常情况；

将预警风险特征中的无效异常数据与第一目标数据区间进行对比，确定所述无效异常数据在第一目标数据区间的位置；其中，第一目标数据区间是正常工况下的温度范围；

根据所述第一目标数据区间与第一预设风险值的对应关系，确定第一目标数据区间对应的第一预设风险值；其中第一预设风险值是异常温度数据相对应的风险范围；

将所述第一预设风险值确定为待预警风机的风险程度。

在本申请实施例中，通过对待识别风机的当前温度检测数据进行分析和处理，可以及时发现发电机绕组温度的异常情况，将当前温度检测数据中的异常温度数据与历史数据进行对比，确定异常数据所在的目标数据区域，从而确定风险程度，将风险程度转化为风险值，利用风险值标识待识别风机的风险程度，从而对待识别风机的当前温度检测数据进行提前预警并采取相应的措施。

在本申请一实施例中，异常识别预警方法还包括以下步骤：

具体的，判断所述待识别风机的预警风险特征是否正常，若正常，则进行预警提示，并提供预警回执；

根据所述预警回执对温度异常识别模型进行评估，并建立评估模型；

利用所述评估模型对温度异常识别模型中的目标参数进行评估，根据评估结果对所述温度异常识别模型进行更新。

其中，评估结果包括温度异常识别模型的准确率、误报率和漏报率。

如图7所示，图7为本申请一实施例中温度异常识别模型的评价结果示意图。其中，温度异常识别模型的目标参数如表1所示：

表1

由表1可知，准确率Accuracy的计算公式如下：

其中，AT为样本数据集异常时识别正确的数量，AF为样本数据集异常时为识别错误的数量。

误报率Misreport的计算公式如下：

漏报率Omission的计算公式如下：

其中NF为样本数据集正常时识别错误的数量。

进一步的，目标参数的公式为：

其中α表示评估模型参数集合，T_j表示任意时刻周期，为α在T_j的自适应调整，ω表示α在评估模型中的贡献度。

贡献度ω的计算公式如下：

其中，X为[T_j--1，T_j]区间识别的样本，/>表示识别样本的回执，A为参数矩阵集合。

目标参数最优解:对于Δα_i的衰减成效由评价指标进行判别。即有：

其中，α_i表示评估模型参数集合中第i个数据。

可以理解的，当出现以下情况时，停止在T_j周期下对α的自适应调整：

通过上述参数自适应机制获取目标评价指标后,即可根据目标评价指标识别出目标参数。

一般情况下，α自适应调整的触发机制包括固定周期模式和评价指标模式。其中，固定周期模式通常是设定时间间隔，由任务触发α自适应调整；评价指标模式通常是实时监听某些指标触发α自适应调整。

在本申请实施例中，通过使用参数自适应机制，可以高效地获取目标评价指标，进而准确地识别出目标参数，减少人工干预，避免由于人为因素导致的错误，同时节省大量时间和资源，提高识别效率以及识别的准确性。

在本申请一实施例中，步骤S71还包括：

当待识别风机的预警风险特征正常时，则进行预警提示，即由用户根据预警提示进行数据确认，当用户确认后消除预警提示信息，并根据预警提示信息和对应的确认操作对历史预警信息进行更新。

在本申请实施例中，监测待识别风机的预警风险特征，例如发电机绕组温度等，将监测到的数据与历史数据进行对比，判断是否存在异常情况，如果预警风险特征正常，即未检测到异常情况，系统进行预警提示，预警提示可以通过弹窗、短信、邮件等形式向用户发送；用户可以通过查看监测数据、历史数据、相关报警信息等，判断是否确认存在异常情况，当用户确认存在异常情况时，用户进行确认操作，例如点击确认按钮、回复确认邮件等，确认操作的目的是消除预警提示信息，并将确认的异常情况记录下来；根据预警提示信息和对应的确认操作，对历史预警信息进行更新，更新可以包括将已确认的异常情况标记为已处理、记录处理结果等，本申请能够有效避免误报或漏报，增加用户对监测数据的关注度和参与度，及时采取相应的措施，避免异常情况进一步恶化或造成损失，对历史预警信息进行更新和完善，为后续的预警判断和分析提供更准确的依据。

本发明还提供了一种风力发电系统，所述风力发电系统至少包括一个风机，所述一个风机至少包括一个发电机绕组，所述风力发电系统还包括：存储器、处理器、通信总线以及存储在所述存储器上的控制程序：所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行所述控制程序，以实现如上述中任一项所述的发电机绕组的异常识别预警方法的步骤。

如图8所示，本申请还提供了一种基于监督学习的异常识别预警系统，包括处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。

其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

可以理解的，存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及控制程序。其中，操作系统是管理和控制风力发电系统与软件资源的程序，支持网络通信模块、用户接口模块、控制程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1004；用户接口模块用于管理和控制用户接口1003。

网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；处理器1001可以调用存储器1005中存储的控制程序，并执行发电机绕组的异常识别预警方法。

本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现如上述任一项所述的发电机绕组的异常识别预警方法。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种发电机绕组的异常识别预警方法，其特征在于，包括以下步骤：

S1、获取待识别风机的当前温度检测数据；

2.如权利要求1所述的一种发电机绕组的异常识别预警方法，其特征在于，所述温度异常识别模型包括布林评估模型、密度吻合模型和相关性模型，所述发电机绕组设有目标温度测点{N_i|i∈[1,3,6]}，步骤S4具体包括：

3.如权利要求2所述的一种发电机绕组的异常识别预警方法，其特征在于，步骤S41具体包括：

所述目标温度测点在运行周期T内的发电机绕组温度形成样本数据集D_FT，样本数据集D_FT可表达为：

D_FT＝{t_k(N,P,C)}，t_k∈T∩Δt，

4.如权利要求3所述的一种发电机绕组的异常识别预警方法，其特征在于，所述布林评估模型的计算方法具体包括：

BW＝UB-LB；

LB＝{LB_tk＝min{t_k(N)}}

5.如权利要求2所述的一种发电机绕组的异常识别预警方法，其特征在于，步骤S42具体包括：

6.如权利要求5所述的一种发电机绕组的异常识别预警方法，其特征在于，所述密度吻合模型的计算方法具体如下：

其中，

其中，表示在TA和TB时期待识别风机的温度数据的密度吻合度，n为按照周期T划分的子集数量，S_k表示子集集合，k∈[1，n]，g为密度映射函数，/>表示在T_A时期待识别风机的温度数据集，/>表示T_B时期待识别风机的温度数据集。

7.如权利要求2所述的一种发电机绕组的异常识别预警方法，其特征在于，步骤S43具体包括：

根据所述相似度确定待识别风机测点温度的差异性特征。

8.如权利要求7所述的一种发电机绕组的异常识别预警方法，其特征在于，所述相关性模型的计算方法公式如下：

p(F_i,F_j)＝g(D″(F_i),D″(F_j))

其中，p(F_i，F_j)表示待识别风机F_i的同机型工况维度数据与其他风机F_j的同机型工况维度数据的相关性，D”(F_i)表示待识别风机F_i的同机型工况维度数据进行数据转换后的集合，D”(F_j)表示其他风机F_j的同机型工况维度数据进行数据转换后的集合，D”表示同机型工况维度数据进行数据转换后的数据集合，表示待识别风机F_i在T时期的同机型工况维度数据集合。

9.如权利要求1所述的一种发电机绕组的异常识别预警方法，其特征在于，异常识别预警方法还包括以下步骤：

10.一种风力发电系统，其特征在于，所述风力发电系统至少包括一个风机，所述一个风机至少包括一个发电机绕组，所述风力发电系统还包括：存储器、处理器、通信总线以及存储在所述存储器上的控制程序：

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行所述控制程序，以实现如权利要求1-9中任一项所述的发电机绕组的异常识别预警方法的步骤。