CN117454324A - 风速风向仪故障预警方法、系统、电子设备及存储介质 - Google Patents

风速风向仪故障预警方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN117454324A
CN117454324A CN202311545419.0A CN202311545419A CN117454324A CN 117454324 A CN117454324 A CN 117454324A CN 202311545419 A CN202311545419 A CN 202311545419A CN 117454324 A CN117454324 A CN 117454324A
Authority
CN
China
Prior art keywords
wind
wind turbine
operation data
tested
anemometer
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.)
Withdrawn
Application number
CN202311545419.0A
Other languages
English (en)
Inventor
刘潇波
沙德生
刘兴伟
张庆
高连达
李芊
李德永
邹歆
徐海涛
刘勇
马天野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Chenbalhuqi Wind Power Generation Co ltd
Huaneng Clean Energy Research Institute
Original Assignee
Huaneng Chenbalhuqi Wind Power Generation Co ltd
Huaneng Clean Energy Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaneng Chenbalhuqi Wind Power Generation Co ltd, Huaneng Clean Energy Research Institute filed Critical Huaneng Chenbalhuqi Wind Power Generation Co ltd
Priority to CN202311545419.0A priority Critical patent/CN117454324A/zh
Publication of CN117454324A publication Critical patent/CN117454324A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开一种风速风向仪故障预警方法、系统、电子设备及存储介质，所述方法包括：获取风电场所有风电机组的不同历史时期的运行数据；采用相关性分析法确定待测风电机组的风速风向共享机群；进而构建样本集合训练XGBoost回归模型；基于训练好的XGBoost回归模型，对待测风电机组的当前时期的运行数据进行预测；将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。本发明结合相关分析和XGBoost回归模型实现对风速风向仪故障预警，保障能够及时有效的发现风电机组中的风速风向仪故障，减小发电损失。

Description

风速风向仪故障预警方法、系统、电子设备及存储介质
技术领域
本发明涉及风力发电技术领域，特别是涉及一种风速风向仪故障预警方法、系统、电子设备及存储介质。
背景技术
风速风向仪作为精密的测量仪器，也作为机组各部件中少数置于机舱外部的部件，其运行环境极为恶劣，导致风速风向仪故障率频发，引起机组对来流风速、风向测量失准，对风电机组经济、安全运行带来很大挑战。无论是从风电机组运行的安全性，还是风电场的经济效益出发，对风速风向仪进行有效的故障识别，都具有极其重要的意义。
发明内容
本发明的目的是提供一种风速风向仪故障预警方法、系统、电子设备及存储介质，以实现对风电场的风速风向仪进行有效的故障识别。
为实现上述目的，本发明提供了如下方案：
本发明提供一种风速风向仪故障预警方法，所述方法包括如下步骤：
获取风电场所有风电机组的不同历史时期的运行数据；所述运行数据包括风速、风向矢量平均值和叶轮转速；
根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群；所述待测风电机组为风电场中待检测风速风向仪所在位置的风电机组，所述风速风向共享机群包括风电场中与待测风电机组相关系数较大的预设个数的风电机组；
基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；所述样本集合包括I个样本，第i个样本的输入为风速风向共享机群中的每个风电机组的第i个历史时期的运行数据，第i个样本的标签为待测风电机组的第i个历史时期的运行数据，i＝1，2，...，I；
基于所述样本集合训练XGBoost回归模型，获得训练好的XGBoost回归模型；
将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的XGBoost回归模型，对待测风电机组的当前时期的运行数据进行预测；
将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。
可选的，获取风电场所有风电机组的不同历史时期的运行数据，具体包括：
获取风电场中所有风电机组的每个历史时期的风速、风向和叶轮转速；
分别对每个风电机组的每个历史时期的风速和风向进行风向矢量平均计算，获得每个风电机组的每个历史时期的风向矢量平均值。
可选的，风向矢量平均计算的公式为：
其中，D'ave为一个历史时期的风向矢量平均值，J为一个历史时期内数据采集的次数，Vj为一个时期内获取的第j个风速，Dj为一个时期内获取的第j个风向。
可选的，根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群，具体包括：
分别根据每个风电机组的不同历史时期的运行数据，构建每个风电机组的运行数据矩阵；
分别计算每个目标风电机组的运行数据矩阵与待测风电机组的运行数据矩阵的相关性系数；所述目标风电机组为风电场中除了待测风电机组之外的风电机组；
按照相关性系数从大到小的顺序对目标风电机组进行排序，获得目标风电机组序列；
选取目标风电机组序列中前预设个数的目标风电机组组成所述风速风向共享机群。
可选的，训练XGBoost回归模型的损失函数为：
其中，L(φ)为损失函数，表示第i个样本的预测误差，Ω(fk)表示第k个树的复杂度的函数，φ为XGBoost回归模型的参数，fk代表XGBoost回归模型中的第k个树，Tk为XGBoost回归模型中的第k个树里面叶子节点的个数，wm为第m个叶子节点的权重，λ和γ均是超参数。
可选的，将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障，具体包括：
计算实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据的差值，得到偏差；
当所述偏差不在预设范围内时，确定待测风速风向仪发生故障。
可选的，所述预设范围的上限阈值和下限阈值分别为：
其中，UCL为上限阈值，LCL为下限阈值，μ为每个样本的预测误差的均值，σ为每个样本的预测误差的标准差，λ是预测误差分布估计的权重，K为常数，是样本集合中最大预测误差的1.25倍。
一种风速风向仪故障预警系统，所述系统应用于上述的方法，所述系统包括：
历史运行数据获取模块，用于获取风电场所有风电机组的不同历史时期的运行数据；所述运行数据包括风速、风向矢量平均值和叶轮转速；
风速风向共享机群确定模块，用于根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群；所述待测风电机组为风电场中待检测风速风向仪所在位置的风电机组，所述风速风向共享机群包括风电场中与待测风电机组相关系数较大的预设个数的风电机组；
样本构建模块，用于基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；所述样本集合包括I个样本，第i个样本的输入为风速风向共享机群中的每个风电机组的第i个历史时期的运行数据，第i个样本的标签为待测风电机组的第i个历史时期的运行数据，i＝1，2，...，I；
训练模块，用于基于所述样本集合训练XGBoost回归模型，获得训练好的XGBoost回归模型；
预测模块，用于将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的XGBoost回归模型，对待测风电机组的当前时期的运行数据进行预测；
故障判断模块，用于将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。
一种电子设备，包括存储器、处理器以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计算机程序时实现上述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明实施例提供一种风速风向仪故障预警方法、系统、电子设备及存储介质，所述方法包括：获取风电场所有风电机组的不同历史时期的运行数据；采用相关性分析法确定待测风电机组的风速风向共享机群；基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；基于所述样本集合训练XGBoost回归模型，获得训练好的XGBoost回归模型；将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的XGBoost回归模型，对待测风电机组的当前时期的运行数据进行预测；将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。本发明结合相关分析和XGBoost回归模型实现对风速风向仪故障预警，保障能够及时有效的发现风电机组中的风速风向仪故障，减小发电损失。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种风速风向仪故障预警方法的流程图；
图2为本发明实施例提供的一种风速风向仪故障预警方法的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
本发明的目的是提供一种风速风向仪故障预警方法、系统、电子设备及存储介质，以实现对风电场的风速风向仪进行有效的故障识别。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种风速风向仪故障预警方法，如图1所示，所述方法包括如下步骤：
步骤101，获取风电场所有风电机组的不同历史时期的运行数据；所述运行数据包括风速、风向矢量平均值和叶轮转速。
本发明步骤101中，首先获取整个风电场一年的数据，采用风向矢量平均法，对相邻风机的风向序列进行预处理，以解决风向序列的过零点问题。由于存在风向过零点问题，即“0°～360°”表示法中，0°与360°是指同一个点，当两个变量分别在0°和360°附近时，其平均值为180°，与实际方向相反。在风向仪风向信号共享过程中，这可能导致指定风机的共享风向与实际风向相反，会出现风机反向对风的风险，因此需要合理解决风向过零问题。本发明实施例中采用风向矢量平均法，即根据同时期风速值计算得到的风矢量可被用来表征风速与风向的密切关系，该方法的统计结果更符合实际情况。
基于上述分析，本发明实施例中的步骤101具体包括：
获取风电场中所有风电机组的每个历史时期的风速、风向和叶轮转速。
分别对每个风电机组的每个历史时期的风速和风向进行风向矢量平均计算，获得每个风电机组的每个历史时期的风向矢量平均值。
其中的，风向矢量平均计算的公式为：
其中，D'ave为一个历史时期的风向矢量平均值，J为一个历史时期内数据采集的次数，Vj为一个时期内获取的第j个风速，Dj为一个时期内获取的第j个风向。
示例性的，本发明实施例中风矢量平均法计算考虑风速和风向，以10min数据转1h为例(1h有6个数据)，其计算公式为：
其中的，1h为一个时期，10min为数据获取周期，在上述实例中一个时期内数据采集的次数为6。
步骤102，根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群；所述待测风电机组为风电场中待检测风速风向仪所在位置的风电机组，所述风速风向共享机群包括风电场中与待测风电机组相关系数较大的预设个数的风电机组。
本发明实施例中选择风速、风向矢量平均值、叶轮转速参数，计算不同风机之间的pearson相关性。利用基于pearson相关系数理论的回归分析方法，对相邻风机的风速风向序列进一步处理，形成待测风电机组与相邻风机的风速风向相关系数列表，按照既定相关系数列表与优先级规则筛选出与待测风电机组的风速和风向相关度较高的5台风机，形成风速风向共享机群；同时访问查询相关度较高的这些风机的运行数据信息，获取风速和风向共享计算的基础数据。
基于上述分析，本发明实施例中的步骤102具体包括：
分别根据每个风电机组的不同历史时期的运行数据，构建每个风电机组的运行数据矩阵。
分别计算每个目标风电机组的运行数据矩阵与待测风电机组的运行数据矩阵的相关性系数；所述目标风电机组为风电场中除了待测风电机组之外的风电机组。采用皮尔逊相关系数计算相关性系数，它是介于-1和1之间的值，其中1表示完全正相关。2个变量间的皮尔逊相关系数定义为2个变量间协方差和标准差的比值，其公式为：
式中，X，Y为随机变量，cov为协方差，σ为标准差。
按照相关性系数从大到小的顺序对目标风电机组进行排序，获得目标风电机组序列。
选取目标风电机组序列中前预设个数的目标风电机组组成所述风速风向共享机群。
步骤103，基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；所述样本集合包括I个样本，第i个样本的输入为风速风向共享机群中的每个风电机组的第i个历史时期的运行数据，第i个样本的标签为待测风电机组的第i个历史时期的运行数据，i＝1，2，...，I。
步骤104，基于所述样本集合训练XGBoost回归模型，获得训练好的XGBoost回归模型。
基于相关度较高的这些风机的运行参数拟合出待测风电机组的风速风向。对于待测风电机组，选择与其相关性最高的前5台风电机组。5台风电机组的风速、风向、叶轮转速参数作为模型输入，待测风电机组的风速、风向、叶轮转速参数作为模型输出，训练XGBoost回归模型，基于目标函数进行反向传播更新，直到最优。
本发明实施例采用XGBoost(eXtreme Gradient Boosting，极端梯度提升)回归模型，假设建立K个回归树，使得树群的预测值尽量接近真实值而且有尽量大的泛化能力，其目标函数为：
其中，i表示第i个样本，表示第i个样本的预测误差，误差越小越好；Ω(fk)表示第k个树的复杂度的函数，越小复杂度越低，泛化能力越强。表达式为：
其中，φ为XGBoost回归模型的参数，fk代表XGBoost回归模型中的第k个树，Tk为XGBoost回归模型中的第k个树里面叶子节点的个数，wm为第m个叶子节点的权重，λ和γ均是超参数。
步骤105，将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的XGBoost回归模型，对待测风电机组的当前时期的运行数据进行预测。
步骤106，将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。
基于步骤104中训练好的XGBoost回归模型，根据每台风电机组训练过程中的预测误差来计算预设范围的上限阈值和下限阈值，公式为：
其中，UCL为上限阈值，LCL为下限阈值，μ为误差的均值，σ为误差的标准差，λ是预测误差分布估计的权重，取0.3，K为常数，取3。
本发明实施例中，将待测风电机组相关性最高的前5个风电机组的运行参数输入到训练好的XGBoost回归模型中得到预测值，计算待测风电机组的实测值与预测值的偏差。当偏差大于公式(4)中的上限阈值或小于下限阈值，则判定待测风电机组的风速风向仪出现故障。
如图2所示，本发明实施例提供的方法通过对风电场的所有风电机组进行相关性分析，建立邻近风电机组的风速相关性模型。对每台待测风电机组，选择出与其相关性最高的5台风电机组，训练XGBoost回归模型。将待测数据输入训练好的XGBoost回归模型，计算实际值与预测值的偏差，实现故障预警。
本发明实施例还提供一种风速风向仪故障预警系统，所述系统应用于上述的方法，所述系统包括：
历史运行数据获取模块，用于获取风电场所有风电机组的不同历史时期的运行数据；所述运行数据包括风速、风向矢量平均值和叶轮转速。
风速风向共享机群确定模块，用于根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群；所述待测风电机组为风电场中待检测风速风向仪所在位置的风电机组，所述风速风向共享机群包括风电场中与待测风电机组相关系数较大的预设个数的风电机组。
样本构建模块，用于基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；所述样本集合包括I个样本，第i个样本的输入为风速风向共享机群中的每个风电机组的第i个历史时期的运行数据，第i个样本的标签为待测风电机组的第i个历史时期的运行数据，i＝1，2，...，I。
训练模块，用于基于所述样本集合训练XGBoost回归模型，获得训练好的XGBoost回归模型。
预测模块，用于将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的XGBoost回归模型，对待测风电机组的当前时期的运行数据进行预测。
故障判断模块，用于将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。
本发明实施例提供一种电子设备，包括存储器、处理器以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计算机程序时实现上述的方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明实施例提供的方法，能够显著提高风速风向仪的故障预警精度。
本发明实施例提供的方法，先计算相关性，再建立回归模型，能够减小无关机组带去的误差。
本发明实施例提供的方法，模型训练好之后，具有较好的泛化性和通用性，同时鲁棒性较高。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种风速风向仪故障预警方法，其特征在于，所述方法包括如下步骤：
获取风电场所有风电机组的不同历史时期的运行数据；所述运行数据包括风速、风向矢量平均值和叶轮转速；
根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群；所述待测风电机组为风电场中待检测风速风向仪所在位置的风电机组，所述风速风向共享机群包括风电场中与待测风电机组相关系数较大的预设个数的风电机组；
基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；所述样本集合包括I个样本，第i个样本的输入为风速风向共享机群中的每个风电机组的第i个历史时期的运行数据，第i个样本的标签为待测风电机组的第i个历史时期的运行数据，i＝1，2，...，I；
基于所述样本集合训练XGBoost回归模型，获得训练好的XGBoost回归模型；
将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的XGBoost回归模型，对待测风电机组的当前时期的运行数据进行预测；
将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。
2.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，获取风电场所有风电机组的不同历史时期的运行数据，具体包括：
获取风电场中所有风电机组的每个历史时期的风速、风向和叶轮转速；
分别对每个风电机组的每个历史时期的风速和风向进行风向矢量平均计算，获得每个风电机组的每个历史时期的风向矢量平均值。
3.根据权利要求2所述的风速风向仪故障预警方法，其特征在于，风向矢量平均计算的公式为：
其中，D'ave为一个历史时期的风向矢量平均值，J为一个历史时期内数据采集的次数，Vj为一个时期内获取的第j个风速，Dj为一个时期内获取的第j个风向。
4.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群，具体包括：
分别根据每个风电机组的不同历史时期的运行数据，构建每个风电机组的运行数据矩阵；
分别计算每个目标风电机组的运行数据矩阵与待测风电机组的运行数据矩阵的相关性系数；所述目标风电机组为风电场中除了待测风电机组之外的风电机组；
按照相关性系数从大到小的顺序对目标风电机组进行排序，获得目标风电机组序列；
选取目标风电机组序列中前预设个数的目标风电机组组成所述风速风向共享机群。
5.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，训练XGBoost回归模型的损失函数为：
其中，L(φ)为损失函数，表示第i个样本的预测误差，Ω(fk)表示第k个树的复杂度的函数，φ为XGBoost回归模型的参数，fk代表XGBoost回归模型中的第k个树，Tk为XGBoost回归模型中的第k个树里面叶子节点的个数，wm为第m个叶子节点的权重，λ和γ均是超参数。
6.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障，具体包括：
计算实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据的差值，得到偏差；
当所述偏差不在预设范围内时，确定待测风速风向仪发生故障。
7.根据权利要求6所述的风速风向仪故障预警方法，其特征在于，所述预设范围的上限阈值和下限阈值分别为：
其中，UCL为上限阈值，LCL为下限阈值，μ为每个样本的预测误差的均值，σ为每个样本的预测误差的标准差，λ是预测误差分布估计的权重，K为常数。
8.一种风速风向仪故障预警系统，其特征在于，所述系统应用于权利要求1-7任一项所述的方法，所述系统包括：
历史运行数据获取模块，用于获取风电场所有风电机组的不同历史时期的运行数据；所述运行数据包括风速、风向矢量平均值和叶轮转速；
风速风向共享机群确定模块，用于根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群；所述待测风电机组为风电场中待检测风速风向仪所在位置的风电机组，所述风速风向共享机群包括风电场中与待测风电机组相关系数较大的预设个数的风电机组；
样本构建模块，用于基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；所述样本集合包括I个样本，第i个样本的输入为风速风向共享机群中的每个风电机组的第i个历史时期的运行数据，第i个样本的标签为待测风电机组的第i个历史时期的运行数据，i＝1，2，...，I；
训练模块，用于基于所述样本集合训练XGBoost回归模型，获得训练好的XGBoost回归模型；
预测模块，用于将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的XGBoost回归模型，对待测风电机组的当前时期的运行数据进行预测；
故障判断模块，用于将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。
9.一种电子设备，其特征在于，包括存储器、处理器以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计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至7中任一项所述的方法。
CN202311545419.0A 2023-11-17 2023-11-17 风速风向仪故障预警方法、系统、电子设备及存储介质 Withdrawn CN117454324A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311545419.0A CN117454324A (zh) 2023-11-17 2023-11-17 风速风向仪故障预警方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311545419.0A CN117454324A (zh) 2023-11-17 2023-11-17 风速风向仪故障预警方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117454324A true CN117454324A (zh) 2024-01-26

Family

ID=89585372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311545419.0A Withdrawn CN117454324A (zh) 2023-11-17 2023-11-17 风速风向仪故障预警方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117454324A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013468A (zh) * 2024-04-03 2024-05-10 华电电力科学研究院有限公司 一种风电机组部件健康度监测方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118013468A (zh) * 2024-04-03 2024-05-10 华电电力科学研究院有限公司 一种风电机组部件健康度监测方法、装置、设备及介质
CN118013468B (zh) * 2024-04-03 2024-06-11 华电电力科学研究院有限公司 一种风电机组部件健康度监测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN107944648B (zh) 一种大型船舶航速油耗率预测方法
CN113033011B (zh) 一种船舶机械健康状态评估方法及系统
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
CN108919059A (zh) 一种电网故障诊断方法、装置、设备及可读存储介质
CN117454324A (zh) 风速风向仪故障预警方法、系统、电子设备及存储介质
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、系统及介质
CN113344099B (zh) 一种基于变分自编码器的机械设备退化点识别方法和系统
CN112734130A (zh) 一种双馈型风机主轴的故障预警方法
CN113612237A (zh) 一种在海上风电场中定位谐振诱发的次同步振荡源的方法
CN113309663A (zh) 用于风力发电机组的控制方法及控制装置
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN118188342A (zh) 一种面向风机的故障预警与寿命预测方法
CN116777109A (zh) 风力发电机组设备状态评估方法及系统
CN116628570A (zh) 风机叶片覆冰失效检测方法、装置、存储介质和设备
CN113496255B (zh) 基于深度学习与决策树驱动的配电网混合观测布点方法
Guo et al. Information fusion and XGBoost algorithm used for bearing remaining useful life prediction
CN114692729A (zh) 基于深度学习的新能源场站不良数据辨识与修正方法
CN111382147A (zh) 一种气象数据缺失插补方法和系统
Yang et al. Residual Life Prediction of Rolling Bearing Based on LSTM Neural Networks
CN114330819B (zh) 一种风电机组自由入流风速预测方法
CN118523503B (zh) 一种变电站智慧运维系统
CN117390418B (zh) 一种风电并网系统暂态稳定评估方法、系统及设备
CN118503654B (zh) 用于滑坡堆积体监控的数据分析方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20240126