一种风力发电机的设备预警方法及系统、介质与流程

本发明涉及风力发电设备，具体而言，涉及一种风力发电机的设备预警方法及系统、介质。

背景技术：

1、风力发电机是一种利用风能转换为电能的设备，是可再生能源发电的重要产物。其背景技术涉及多个领域，包括气象学、机械工程、电力电子学等，其原理基本上是通过风力使叶片旋转驱动发电机发电。

2、如cn202311149933.2公开的一种海上风力发电机故障检测系统，通过监测端、传输设备以及控制端；监测端用于实时监测风力发电机运行状态，得到监测数据；并将监测数据传输至控制端；控制端用于基于监测数据进行运算，得到运算结果，从而实现故障的检测。

3、在目前的检测系统和方法中，都仅是对故障进行检测，而没有针对性的更进一步的对故障结果进行再次处理分析，工人的维修能力有限，没有进行对故障的设备进行分优先级的去处理，导致部分设备可能还未修理即开始损坏。

技术实现思路

1、本发明的目的是提供一种风力发电机的设备预警方法及系统、介质，来解决现有技术的上述问题。

2、本发明的实施例通过以下技术方案实现：

3、第一方面，本发明提供了一种风力发电机的设备预警方法，包括：

4、获取当前风力发电系统各设备的若干组初始运行数据，并对若干组初始运行数据进行预处理得到若干组实际运行数据；

5、将实际运行数据与各设备的正常运行数据进行比对，得到出现异常数据的若干组第一数据组和未出现异常数据的若干组正常数据，将第一数据组所对应设备的预警信息以严重警告发送至控制终端；

6、建立神经网络模型，将正常数据输入神经网络模型中，得到正常数据所对应设备的预测数据值，将预测数据值与正常运行数据进行比对，得到出现异常数据的若干组第二数据组或无异常数据的第三数据组；

7、将第二数据组所对应设备的预警信息以一般警告或轻微警告发送至控制终端。

8、在本发明的一实施例中，所述对若干组初始运行数据进行预处理得到若干组实际运行数据包括：

9、获取同一个设备的初始运行数据形成的一组初始运行数据；

10、将初始运行数据进行排序，并获取该组初始运行数据的中位数，通过中位数将初始运行数据划分为第一初始运行数据和第二初始运行数据；

11、分别计算第一初始运行数据和第二初始运行数据的平均值，设置统计值量化第一初始运行数据和第二初始运行数据的平均值之间的差异；

12、通过统计值和第一初始运行数据的平均值设置第一初始运行数据阈值范围，通过第一初始运行数据阈值范围剔除第一初始运行数据内的异常值；

13、通过统计值和第二初始运行数据的平均值设置第二初始运行数据阈值范围，通过第二初始运行数据阈值范围剔除第二初始运行数据内的异常值；

14、将剔除异常值后的第一初始运行数据和第二初始运行数据插值后合并为实际运行数据。

15、在本发明的一实施例中，所述设置统计值包括：

16、

17、式中，a为统计值，a1为第一初始运行数据的平均值，a2为第二初始运行数据的平均值，b1为第一初始运行数据的标准差，b2为第二初始运行数据的标准差，n1为第一初始运行数据的个数，n2为第二初始运行数据的个数。

18、在本发明的一实施例中，所述插值包括：

19、获取第一初始运行数据被剔除数据的相邻两个数据的平均值，将第一初始运行数据被剔除数据的相邻两个数据的平均值补入被剔除的数据的位置；

20、获取第二初始运行数据被剔除数据的相邻两个数据的平均值，将第二初始运行数据被剔除数据的相邻两个数据的平均值补入被剔除的数据的位置。

21、在本发明的一实施例中，所述建立神经网络模型包括；

22、获取历史运行数据，并提取历史运行数据的特征向量，将历史运行数据的特征向量作为预测模型输入向量；

23、将特征向量映射到高维特征空间中，结合最小化原则建立最优线性回归函数；

24、通过回归函数对位于低维空间中的特征向量实施线性回归，利用原空间核函数取代高维空间中的权值和线性变换值之间的卷积运算，建立模型决策函数，得到最小决策值；

25、通过最小决策值建立损失函数，确定历史运行数据约束条件，构建神经网络模型。

26、在本发明的一实施例中，所述提取历史运行数据的特征向量包括：

27、建立历史运行数据的经验分布函数，将历史运行数据划分为若干组自助样本集合；

28、通过自助样本集合和计算区间，获得随机整数，计算数据统计量；

29、根据数据统计量和经验分布函数，模拟样本数据统计值分布，计算数据未知参数的经验分布特征；

30、通过未知参数的经验分布特征和fi sherface算法对历史运行数据进行预分类，建立测试样本类别标签，进行历史运行数据的特征提取。

31、在本发明的一实施例中，所述将第二数据组所对应设备的预警信息以一般警告或轻微警告发送至控制终端包括：

32、获取所述第二数据组所对应设备的使用频率和第二数据组中的异常数据的占比，通过使用频次和占比计算该设备的重要度；

33、将设备按重要度进行从大到小排序，将排序位于前若干比例的设备的预警信息以一般警告进行发送，其余设备的预警信息以轻微警告进行发送。

34、在本发明的一实施例中，所述通过使用频次和占比计算该设备的重要度包括：

35、

36、式中，δ为重要度，λ为设备使用频次，t为统计周期，n1第二数据组中异常数据的个数，n2为第二数据组的总个数。

37、第二方面，本发明还提供了一种风力发电机的设备预警系统，包括：

38、数据处理模块，被配置为获取当前风力发电系统各设备的若干组初始运行数据，并对若干组初始运行数据进行预处理得到若干组实际运行数据；

39、异常数据识别模块，被配置为将实际运行数据与各设备的正常运行数据进行比对，得到出现异常数据的若干组第一数据组和未出现异常数据的若干组正常数据；建立神经网络模型，将正常数据输入神经网络模型中，得到正常数据所对应设备的预测数据值，将预测数据值与正常运行数据进行比对，得到出现异常数据的若干组第二数据组或无异常数据的第三数据组；

40、信号发送模块，将第二数据组所对应设备的预警信息以一般警告或轻微警告发送至控制终端；

41、主控装置，所述主控装置与所述数据处理模块、异常数据识别模块和信号发送模块连接，用于执行上述的一种风力发电机的设备预警方法；

42、主控装置，所述主控装置与所述数据处理模块、异常数据识别模块和信号发送模块连接，用于执行上述的一种风力发电机的设备预警方法。

43、第三方面，本发明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上存储计算机程序，所述计算机程序被处理器执行时实现上述的一种风力发电机的设备预警方法。

44、本发明实施例的技术方案至少具有如下优点和有益效果：

45、采用本发明所提供的方法和系统，主要包括了获取若干组实际运行数据，得到出现异常数据的若干组第一数据组，将第一数据组所对应设备的预警信息以严重警告发送至控制终端；建立神经网络模型，得到出现异常数据的若干组第二数据组或无异常数据；若出现异常数据的若干组第二数据组，将第二数据组所对应设备的预警信息以一般警告或轻微警告发送至控制终端。通过上述方法，将当前已经故障的设备和未来可能发生故障的设备进行了区别和提前预测，将当前已经故障的设备设置严重警告的最高级别预警，让工人可以知晓优先处理该批设备，后续的预测的设备可能出现的故障，则分别设置为一般故障或者轻微故障，这样就可以让工人具有优先级的处理具有故障风险的设备。