CN117743939A - 一种风电设备剩余使用寿命预测方法、系统及电子设备 - Google Patents
一种风电设备剩余使用寿命预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117743939A CN117743939A CN202311785616.XA CN202311785616A CN117743939A CN 117743939 A CN117743939 A CN 117743939A CN 202311785616 A CN202311785616 A CN 202311785616A CN 117743939 A CN117743939 A CN 117743939A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power equipment
- service life
- training
- residual service
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 description 10
- 238000006731 degradation reaction Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种风电设备剩余使用寿命预测方法、系统及电子设备，涉及风电设备寿命预测领域，该方法包括获取待预测风电设备的当前监测数据；根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命；其中，所述剩余使用寿命预测模型是利用训练数据集对并行多尺度融合网络进行训练得到的；所述训练数据集包括训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签。本发明保证了模型的鲁棒性，并且提高了风电设备的剩余使用寿命预测精度。
Description
技术领域
本发明涉及风电设备寿命预测领域，特别是涉及一种风电设备剩余使用寿命预测方法、系统及电子设备。
背景技术
伴随着经济的高速发展，风电场的规模不断增大，设备规模庞大，结构日趋复杂。目前的日常运维方式主要是人工巡检发现设备问题，再通过人工进行决策，这种方式比较依赖技术人员的技能水平，同时可能会存在因检修时间不及时导致设备产生的不可逆转的损坏，从而造成重大经济损失。因此，减轻对技术专家的依赖，改进维护计划，降低维护成本，从而提高风电场的发电量，提高经济效益显得尤为重要。
但是，当前风电设备的剩余使用寿命预测存在以下问题。
(1)在实际的工业场景下，复杂的环境会使传感器不稳定，导致数据含有噪声，从而会导致现有模型预测精度出现极大的偏差。
(2)目前，最有效且简单的方式是通过数据驱动的方式在历史传感器数据和设备的寿命标签之间建立起关系，然后，通过机器学习的方法实现剩余使用寿命预测。然而，这些机器方法需要大量的风电设备从正常到故障的序列数据，但是目前大部分风电运维系统只记录了设备的故障时间以及部分运行数据，设备从正常到故障的全生命周期数据没有明确的记录，直接获取可用的全周期退化数据的步骤复杂且存在偏差。
发明内容
本发明的目的是提供一种风电设备剩余使用寿命预测方法、系统及电子设备，以提高风电设备剩余使用寿命预测的准确性。
为实现上述目的，本发明提供了如下方案。
一种风电设备剩余使用寿命预测方法，包括：获取待预测风电设备的当前监测数据；所述监测数据包括电流、电压、功率、发电量和温度。
根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命；其中，所述剩余使用寿命预测模型是利用训练数据集对并行多尺度融合网络进行训练得到的；所述训练数据集包括训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签。
可选地，利用训练数据集对并行多尺度融合网络进行训练之前，还包括：构建训练数据集。
可选地，构建训练数据集，具体包括：获取训练用风电设备的监测数据。
根据时间段、设备名称和风电场名称，确定各训练用风电设备的运行开始时间和发生故障时间。
基于所述训练用风电设备的监测数据，筛选出设定时间段内的所述训练用风电设备的监测数据时序序列；所述设定时间段是根据所述训练用风电设备的运行开始时间和发生故障时间确定的。
对所述训练用风电设备的监测数据时序序列进行特征选择、缺失值处理和归一化操作，得到训练用风电设备的处理后的监测数据。
确定所述训练用风电设备的处理后的监测数据的剩余使用寿命标签。
基于所述训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签，构建训练数据集。
可选地，根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命，之后还包括：判断所述待预测风电设备的剩余使用寿命是否大于待预测风电设备的剩余使用寿命设定阈值。
若是，则确定所述待预测风电设备没有故障风险。
若否，则确定所述待预测风电设备有故障风险，并进行预警。
可选地，所述并行多尺度融合网络包括局部特征提取网络、全局特征提取网络、级联融合模块、展平模块和全连接层。
所述局部特征提取网络和所述全局特征提取网络的输出端均与所述级联融合模块的输入端连接；所述级联融合模块的输出端与所述展平模块的输入端连接；所述展平模块的输出端与所述全连接层的输入端连接。
可选地，所述局部特征提取网络包括依次连接的多尺度卷积模块和通道注意力模块；所述多尺度卷积模块包括依次连接的四层卷积层和池化层。
可选地，所述全局特征提取网络包括依次连接的三个膨胀因果卷积层和平均池化层。
一种风电设备剩余使用寿命预测系统，包括：数据获取模块，用于获取待预测风电设备的当前监测数据；所述监测数据包括电流、电压、功率、发电量和温度。
寿命预测模块，用于根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命；其中，所述剩余使用寿命预测模型是利用训练数据集对并行多尺度融合网络进行训练得到的；所述训练数据集包括训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签。
一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的风电设备剩余使用寿命预测方法。
可选地，所述存储器为可读存储介质存储。
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：本发明涉及的风电设备剩余使用寿命预测方法、系统及电子设备，通过获取待预测风电设备的当前监测数据；根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命；其中，所述剩余使用寿命预测模型是利用训练数据集对并行多尺度融合网络进行训练得到的；所述训练数据集包括训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签。本发明采用并行多尺度融合网络作为风电设备的剩余使用寿命预测模型，充分考虑数据的时间相关性的特点以及数据的噪声情况，使用膨胀因果卷积模块作为全局特征提取网络的组成部分，同时借助多尺度特征提取模块提取局部特征信息来辅助全局特征信息，这样的并行结构能够防止关键信息丢失，保证了模型的鲁棒性，并且大大提高了风电设备的剩余使用寿命预测精度。
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为本发明提供的风电设备剩余使用寿命预测方法流程图。
图2为本发明的风电设备剩余使用寿命预测方法在实际应用中的流程图。
图3为本发明的数据集构建流程图。
图4为本发明的并行多尺度融合网络整体架构图。
图5为本发明的并行多尺度融合网络的局部特征提取网络结构图。
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电设备剩余使用寿命预测方法、系统及电子设备，以提高风电设备剩余使用寿命预测的准确性。
本发明为了解决上述问题，考虑到风电设备属于长期运行状态，大多数设备都会随着时间不断的磨损退化，因而全周期的退化数据相对易收集，从而使深度学习模型实现显著的性能水平，因此提供了一种风电设备剩余使用寿命预测方法、系统及电子设备，所述方案通过预选风电场已有设备的相关历史数据，整理全周期退化数据并输入深度学习模型进行训练，并继续监测当前不完全退化状态设备的剩余使用寿命，从而为风电设备的维护提供合理准确的决策。
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。
实施例一：如图1所示，本发明提供的风电设备剩余使用寿命预测方法，包括：步骤101-步骤102。
步骤101：获取待预测风电设备的当前监测数据；所述监测数据包括电流、电压、功率、发电量和温度。
步骤102：根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命；其中，所述剩余使用寿命预测模型是利用训练数据集对并行多尺度融合网络进行训练得到的；所述训练数据集包括训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签。
本发明的风电设备剩余使用寿命预测方法在实际应用中如图2所示，先构建训练数据集，具体如下。
获取训练用风电设备的监测数据。
根据时间段、设备名称和风电场名称，确定各训练用风电设备的运行开始时间和发生故障时间。
基于所述训练用风电设备的监测数据，筛选出设定时间段内的所述训练用风电设备的监测数据时序序列；所述设定时间段是根据所述训练用风电设备的运行开始时间和发生故障时间确定的。
对所述训练用风电设备的监测数据时序序列进行特征选择、缺失值处理和归一化操作，得到训练用风电设备的处理后的监测数据。
确定所述训练用风电设备的处理后的监测数据的剩余使用寿命标签。
基于所述训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签，构建训练数据集。
如图3所示，在实际应用中，将获取训练用风电设备的监测数据根据完整的退化周期进行分组处理，每组数据以时序方式进行存储，将数据进行预处理后，采取滑动窗口的方式将一段时间的数据作为输入，将得到的新的二维时序矩阵作为数据样本，数据样本的标签根据数据样本的顺序进行计算，最后划分为训练数据集和测试数据集。
其中，将获取训练用风电设备的监测数据根据完整的退化周期进行分组处理，每组数据以时序方式进行存储，具体如下。
根据时间段、设备名称和风电场名称等信息查询出该条件下不同风电设备的运行开始时间和发生故障时间，得到多组完整的全周期退化数据的时间结点；然后根据每组的运行开始时间和发生故障时间导出该段时间内的该设备的监测数据；最后根据故障原因对数据进行分类，筛选出具有退化趋势的故障而并非瞬时发生的故障，并划分训练集和测试集。
其中，运行开始时间和发生故障时间的判断步骤如下。
步骤1：从数据库的状态记录表中读取n个时间点的状态信息，其中包含故障状态发生时间以及故障后恢复正常状态的时间信息。从中抽取故障原因相同的故障状态信息加入数组Q。为确保采集到的是具有退化趋势的故障数据并非因外部因素造成的可自行恢复的短暂故障数据，因此，需要对Q中的故障状态的数据进行判断，确认每条故障时间结点后是否有针对该次故障的检修记录，如果有，则把该条状态信息加入数组K中，否则不加入。
步骤2：依次取出数组K中故障时刻对应的m列遥测值，包括电流、电压、功率、发电量、温度等，放入数组Measure[][]中，求数组Measure每列(对应一个遥测值)的最大值和最小值，从而得到m组区间值[[V1_min,V1_max]，[V2_min,V2_max]，......,[Vm_min,Vm_max]]，作为故障状态的区间临界值。其中，m组列值不包含故障前后保持恒定不变的值。
步骤3：遍历组数K，将数组K中第i条设备状态数据对应发生时间点的下一时刻tnext表示正常状态的监测数据从数据库中取出，判断监测数据值是否在临界区间之内，如果是，则认定当前时刻tnext设备已恢复正常，tnext时间点作为开始时间tstart；如果不是，则继续判断tnext时刻的下一时刻数据是否符合上述条件。
步骤4：当成功找到开始时间tstart后，在数组Q中取tstart时间点数据后面出现的第一个表示故障状态的时间点t，判断t时刻的状态数据是否属于数组K，如果是，则选择该条故障状态的时间为tstart对应的结束时间tend，此时，完成一条全周期退化数据结点的判断；如果不是，则继续取数组K的下一条数据作为初始判断时间点，从步骤3开始执行。
其中，瞬时发生的故障是指运行开始时间和发生故障时间的差值远小于其他故障或显而易见的原因如通讯信号受干扰等。
然后对处理好的数据进行特征选择，缺失值处理和归一化操作，采用滑动窗口的方式，选择合适的窗口大小，滑动步长为1，得到时序样本。剩余使用寿命标签在0-1的范围内进行了归一化，即全寿命值为1，寿命结束为0，具体计算公式如下。
其中，xi为第i个时序样本的位置，n为该样本退化周期中的时序样本数量。
其中，所述的特征选择方法为：若特征列中的值为恒定值或超过半数为空值，则不选择此特征。缺失值处理方法为：采用前后10个数据的平均值来填充缺失处。补全数据后使用标准归一化进行归一化处理，计算公式为：
其中，xt表示某列特征的第t行数据，μt和σt分别表示xt的平均值和标准差。
作为一种可选的实施方式，所述并行多尺度融合网络包括局部特征提取网络、全局特征提取网络、级联融合模块、展平模块和全连接层；所述局部特征提取网络和所述全局特征提取网络的输出端均与所述级联融合模块的输入端连接；所述级联融合模块的输出端与所述展平模块的输入端连接；所述展平模块的输出端与所述全连接层的输入端连接。所述局部特征提取网络包括依次连接的多尺度卷积模块和通道注意力模块；所述多尺度卷积模块包括依次连接的四层卷积层和池化层。所述全局特征提取网络包括依次连接的三个膨胀因果卷积层和平均池化层。
使用图4所示的网络进行训练以获得预测模型来进行剩余使用寿命预测。
其具体步骤为：先将处理好的数据分别通过两条路径进行特征提取，分别为全局特征提取网络和局部特征提取网络。然后，采用Concatenate运算的方式(级联融合模块)融合这两个模块的特征信息。通过展平模块将得到的融合特征进行展平操作，经过神经元丢弃率为0.5的Dropout层来防止网络过拟合，再经过带有ReLU激活函数且隐藏层神经元个数为100的全连接层进行整合特征，同时通过激活函数ReLU引入非线性性质，增加模型的表达能力。最后一个神经元得到预测结果后与实际RUL值进行比较，并反向传播以优化网络参数。
其中，局部特征提取网络中，样本被馈送到由四条不同超参数的一维卷积层和池化层的多尺度卷积模块中，如图5所示。先通过不同大小的卷积核从不同的时间尺度中提取信息，其中最大池化的窗口大小为2。接下来，采用通道注意力模块自适应地捕获不同通道的输入数据的不同特征对RUL预测的权重。
其中，全局特征提取网络中，使用滤波器大小为5×1的一维卷积运算，以这种方式，使用具有10个滤波器且膨胀率为2的三个膨胀因果卷积层进行特征提取。最后，采用池化窗口大小为2的平均池化，降低模型参数的同时更多的保留特征的整体信息。
本模型中使用均方误差(MSE)作为损失函数，优化器使用Adam优化器，学习率设置成可变学习率，对于前200个时期，使用0.001的学习率。在接下来的时期中，采用0.0001的学习率。一共设置了2000个时期，同时设置了早停机制，当验证集上的损失值在连续100个epoch内没有改善时，训练将提前停止，最终得到最优的剩余使用寿命预测模型。然后使用测试集对剩余使用寿命预测模型进行评估。通过多次迭代得到的网络参数权重适应于当前类似的风电设备剩余使用寿命预测任务，可以用于新的设备进行剩余使用寿命预测。
作为一种可选地实施方式，步骤102，之后还包括。
判断所述待预测风电设备的剩余使用寿命是否大于待预测风电设备的剩余使用寿命设定阈值。
若是，则确定所述待预测风电设备没有故障风险。
若否，则确定所述待预测风电设备有故障风险，并进行预警。
在实际应用中，将实时从传感器获取到的各种监测数据，使用滑动窗口的方式将数据样本传入剩余使用寿命预测模型，得到当前设备的剩余使用寿命。通过与当前设备设定的阈值进行比较，若预测值大于当前设备设定的阈值，则说明设备还未处于故障风险内，若预测值小于当前设备设定的阈值，则说明设备有故障风险便发出预警信号通知运维人员安排检修计划。
本发明的优势在于，当设备临近故障时，剩余使用寿命预测模型可以检测出当前状态来防止重大故障的出现。
本发明提出了一种有效构建数据集的方法，更准确的获得全周期退化数据，确保剩余使用寿命预测模型的得到更精确的结果。
本发明采用并行多尺度特征融合网络作为风电设备的剩余使用寿命预测模型，充分考虑数据的时间相关性的特点以及数据的噪声情况，使用因果卷积网络作为全局信息提取模块，同时借助多尺度特征提取模块提取局部信息来辅助全局信息，这样的并行结构能够防止关键信息丢失，保证了模型的鲁棒性，并且大大提高了设备的剩余使用寿命预测精度。
实施例二：为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种风电设备剩余使用寿命预测系统，包括：数据获取模块和寿命预测模块。
数据获取模块，用于获取待预测风电设备的当前监测数据；所述监测数据包括电流、电压、功率、发电量和温度。
寿命预测模块，用于根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命；其中，所述剩余使用寿命预测模型是利用训练数据集对并行多尺度融合网络进行训练得到的；所述训练数据集包括训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签。
实施例三：本发明提供了一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行实施例一的风电设备剩余使用寿命预测方法。
作为一种可选地实施方式，所述存储器为可读存储介质存储。
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)
1.一种风电设备剩余使用寿命预测方法，其特征在于，包括：
获取待预测风电设备的当前监测数据；所述监测数据包括电流、电压、功率、发电量和温度；
根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命；其中，所述剩余使用寿命预测模型是利用训练数据集对并行多尺度融合网络进行训练得到的；所述训练数据集包括训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签。
2.根据权利要求1所述的风电设备剩余使用寿命预测方法，其特征在于，利用训练数据集对并行多尺度融合网络进行训练之前，还包括：构建训练数据集。
3.根据权利要求2所述的风电设备剩余使用寿命预测方法，其特征在于，构建训练数据集，具体包括：
获取训练用风电设备的监测数据；
根据时间段、设备名称和风电场名称，确定各训练用风电设备的运行开始时间和发生故障时间；
基于所述训练用风电设备的监测数据，筛选出设定时间段内的所述训练用风电设备的监测数据时序序列；所述设定时间段是根据所述训练用风电设备的运行开始时间和发生故障时间确定的；
对所述训练用风电设备的监测数据时序序列进行特征选择、缺失值处理和归一化操作，得到训练用风电设备的处理后的监测数据；
确定所述训练用风电设备的处理后的监测数据的剩余使用寿命标签；
基于所述训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签，构建训练数据集。
4.根据权利要求1所述的风电设备剩余使用寿命预测方法，其特征在于，根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命，之后还包括：
判断所述待预测风电设备的剩余使用寿命是否大于待预测风电设备的剩余使用寿命设定阈值；
若是，则确定所述待预测风电设备没有故障风险；
若否，则确定所述待预测风电设备有故障风险，并进行预警。
5.根据权利要求1所述的风电设备剩余使用寿命预测方法，其特征在于，所述并行多尺度融合网络包括局部特征提取网络、全局特征提取网络、级联融合模块、展平模块和全连接层；
所述局部特征提取网络和所述全局特征提取网络的输出端均与所述级联融合模块的输入端连接；所述级联融合模块的输出端与所述展平模块的输入端连接；所述展平模块的输出端与所述全连接层的输入端连接。
6.根据权利要求5所述的风电设备剩余使用寿命预测方法，其特征在于，所述局部特征提取网络包括依次连接的多尺度卷积模块和通道注意力模块；所述多尺度卷积模块包括依次连接的四层卷积层和池化层。
7.根据权利要求5所述的风电设备剩余使用寿命预测方法，其特征在于，所述全局特征提取网络包括依次连接的三个膨胀因果卷积层和平均池化层。
8.一种风电设备剩余使用寿命预测系统，其特征在于，包括：
数据获取模块，用于获取待预测风电设备的当前监测数据；所述监测数据包括电流、电压、功率、发电量和温度；
寿命预测模块，用于根据所述当前监测数据，利用剩余使用寿命预测模型，确定所述待预测风电设备的剩余使用寿命；其中，所述剩余使用寿命预测模型是利用训练数据集对并行多尺度融合网络进行训练得到的；所述训练数据集包括训练用风电设备的处理后的监测数据和对应的剩余使用寿命标签。
9.一种电子设备，其特征在于，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-7任一项所述的风电设备剩余使用寿命预测方法。
10.根据权利要求9所述的电子设备，其特征在于，所述存储器为可读存储介质存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311785616.XA CN117743939A (zh) | 2023-12-25 | 2023-12-25 | 一种风电设备剩余使用寿命预测方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311785616.XA CN117743939A (zh) | 2023-12-25 | 2023-12-25 | 一种风电设备剩余使用寿命预测方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117743939A true CN117743939A (zh) | 2024-03-22 |
Family
ID=90283079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311785616.XA Pending CN117743939A (zh) | 2023-12-25 | 2023-12-25 | 一种风电设备剩余使用寿命预测方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743939A (zh) |
-
2023
- 2023-12-25 CN CN202311785616.XA patent/CN117743939A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647136B (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
| CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
| CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
| JP2022105263A (ja) | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 | |
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
| CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
| CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
| CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| CN117034143B (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
| CN116028893A (zh) | 一种智能化数据监测方法、系统及电子设备 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| CN117743939A (zh) | 一种风电设备剩余使用寿命预测方法、系统及电子设备 | |
| CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
| CN116259161B (zh) | 一种电力故障预警系统 | |
| CN113744081B (zh) | 窃电行为分析方法 | |
| CN117407824B (zh) | 一种电力时间同步装置的健康检测方法、设备和介质 | |
| CN115828165B (zh) | 一种新能源智能微电网数据处理方法及系统 | |
| Zhou et al. | Remaining Useful Life Prediction of Aero-Engine using CNN-LSTM and mRMR Feature Selection | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 |
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 |