一种温度预测方法、装置、存储介质和电子设备与流程

1.本发明涉及风力发电技术领域，特别涉及一种温度预测方法、装置、存储介质和电子设备。


背景技术：

2.风电机组在运转过程中，风机的关键部件，例如发电机，变频器，主轴，刹车盘等等，由于长期运转使用会造成温度的升高，进而使得各部件容易发生损坏，现有技术中针对发电机组故障诊断大多是以故障发生后的分析处理为主，这无助于减少设备故障发生的概率以及缩短故障处理的时间，部件检测效率低，部件故障维护成本高。


技术实现要素：

3.有鉴于此，本发明提供了一种温度预测方法、装置、存储介质和电子设备，主要目的在于解决目前存在部件检测效率低，部件故障维护成本高的问题。
4.为解决上述问题，本技术提供一种温度预测方法，包括：
5.获取目标特征参数的若干实时参数值；
6.基于各所述实时参数值以及预设的目标温度趋势预测模型，获得与各所述实时参数值对应的温度预测值；
7.基于各所述温度预测值、预设的第一温度阈值和预设的第二温度阈值，得到温度预测结果。
8.可选的，在所述获取目标特征参数的若干实时数据值之前，所述方法还包括：确定目标特征参数，具体包括：
9.在各原始工况温度下测得与各所述原始工况温度一一对应的各候选特征参数的原始参数值；
10.基于各所述原始工况温度，以及各所述原始候选特征参数的原始参数值，计算获得与各所述候选特征参数对应的皮尔森系数值；
11.基于各所述皮尔森系数值对所述候选特征参数进行筛选处理，得到所述目标特征参数。
12.可选的，在基于各所述实时数据值以及预设的目标温度趋势预测模型，获得与各所述实时数据值对应的温度预测值之前所述方法还包括：构建目标温度趋势预测模型，具体包括：
13.基于所述目标特征参数对应的各原始目标参数值，采用梯度提升回归树计算方法进行模型构建，获得所述目标温度趋势预测模型。
14.可选的，所述基于各所述原始目标参数值，采用梯度提升回归树计算方法进行模型构建，获得所述目标温度趋势预测模型，具体包括：
15.基于各所述原始工况温度和各所述原始目标参数值，组合得到各原始样本数据；
16.基于各所述原始样本数据，计算获得原始损失函数和与各原始样本数据对应的初
始负梯度值；
17.基于所述原始损失函数和各所述原始样本数据进行模型构建，得到初始温度趋势预测模型；
18.基于所述原始工况温度和各所述初始负梯度值对所述初始温度趋势预测模型进行迭代更新，获得所述目标温度趋势预测模型。
19.可选的，所述基于所述原始工况温度和各所述初始负梯度值对所述初始温度趋势预测模型进行迭代更新，获得所述目标温度趋势预测模型，具体包括以下步骤：
20.步骤一：基于各所述原始工况温度和各所述初始负梯度值，组合得到第一样本数据；
21.步骤二：基于各所述第一样本数据对所述初始温度趋势预测模型进行更新处理，获得第二温度趋势预测模型；
22.步骤三：基于所述第二温度趋势预测模型，获得与第二温度趋势预测模型对应的各叶子节点；
23.步骤四：基于所述各叶子节点中的各第一样本数据，计算当前迭代过程中使得损失函数值最小时的当前最优叶子结点数值；
24.步骤五：至少基于所述当前最优叶子结点数值更新所述第二温度趋势预测模型，获得当前回归树模型。
25.步骤六：判断是否达到最大预设迭代次数，当达到预设迭代次数时，执行步骤七；当未达到预设迭代次数时，基于第一样本数据计算获得当前损失函数和当前负梯度值，基于原始工况温度和所述当前负梯度值更新所述第一样本数据，基于更新后的第一样本数据对所述第二温度趋势模型进行更新处理，获得更新后的第二温度趋势模型，重复执行步骤三至步骤五，获得更新后的当前回归树模型；
26.步骤七：基于各当前回归树模型进行叠加处理，获得所述目标温度趋势预测模型。
27.可选的，所述基于各所述温度预测值、预设的第一温度阈值和预设的第二温度阈值，得到所述温度预测结果，具体包括：
28.当所述温度预测值小于或者等于第一温度阈值时，得到异常温度数据；
29.当所述温度预测值大于或者等于第二温度阈值时，得到异常温度数据；
30.当所述温度预测值大于第一温度阈值且小于第二温度阈值时，得到正常温度数据；
31.其中，所述第一温度阈值小于所述第二温度阈值。
32.可选的，在获得异常温度数据的情况下所述方法还包括：按照预定的方式进行报警提醒。
33.为解决上述问题，本技术提供一种温度预测装置，包括：
34.获取模块：用于获取目标特征参数的若干实时参数值；
35.获得模块：用于基于各所述实时参数值以及预设的目标温度趋势预测模型，获得与各所述实时参数值对应的温度预测值；
36.温度预测模块：用于基于各所述温度预测值、预设的第一温度阈值和预设的第二温度阈值，得到温度预测结果。
37.为解决上述问题，本技术提供一种存储介质，所述存储介质存储有计算机程序，所
述计算机程序被处理器执行时实现上述权利要求1-7任一项所述温度预测方法的步骤。
38.为解决上述问题，本技术提供一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述权利要1-7任一项所述温度预测方法的步骤。
39.本技术是通过建立目标温度趋势预测模型，对目标特征参数的实时参数值进行温度预测获得温度预测值，通以实现对风电机关键部位的温度进行实时监控，提高检测效率，降低部件故障维护成本。本技术中的温度预测方法可以提前预测出风力发电机会因为温度过高而出现故障，将有助于风电机场及时做检计划，排查故障原因，避免造成经济损失和生产事故。
40.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
41.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
42.图1为本技术实施例一种温度预测方法的流程图；
43.图2为本技术又一实施例一种温度预测方法的流程图；
44.图3为本技术又一实施例一种温度预测装置的结构框图。
具体实施方式
45.此处参考附图描述本技术的各种方案以及特征。
46.应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本技术的范围和精神内的其他修改。
47.包含在说明书中并构成说明书的一部分的附图示出了本技术的实施例，并且与上面给出的对本技术的大致描述以及下面给出的对实施例的详细描述一起用于解释本技术的原理。
48.通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本技术的这些和其它特性将会变得显而易见。
49.还应当理解，尽管已经参照一些具体实例对本技术进行了描述，但本领域技术人员能够确定地实现本技术的很多其它等效形式。
50.当结合附图时，鉴于以下详细说明，本技术的上述和其他方面、特征和优势将变得更为显而易见。
51.此后参照附图描述本技术的具体实施例；然而，应当理解，所申请的实施例仅仅是本技术的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本技术模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以
实质上任意合适的详细结构多样地使用本技术。
52.本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本技术的相同或不同实施例中的一个或多个。
53.本技术中的一个实施例提供一种温度预测方法，如图1所示，包括：
54.步骤s101：获取目标特征参数的若干实时参数值；
55.本步骤在具体实施过程中，在各原始工况温度下测得各所述原始工况温度一一对应的各候选特征参数的原始参数值，其中，各候选特征参数包括湿度、风速、辐射等。基于各所述原始工况温度，以及各所述原始候选特征参数的原始参数值，计算获得与各所述候选特征参数对应的皮尔森系数值；首先计算各原始工况温度和各所述原始候选特征参数的原始参数值的协方差，然后计算各原始工况温度和各所述原始候选特征参数的原始参数值的标准差，最后计算各候选特征参数对应的协方差与标准差的商得到各所述候选特征参数对应的皮尔森系数值。皮尔森相关系数是用于衡量两个变量之间的相关性，其值介于-1与1之间，绝对值越接近于1，相关性越高。基于各所述皮尔森系数值进行筛选处理，具体的，选择皮尔森系数值的绝对值最接近1的候选特征参数作为目标特征参数，基于确定的目标特征参数，测得目标特征参数的实时参数值，以基于所述实时参数值对温度进行预测。
56.步骤s102：基于各所述实时参数值以及预设的目标温度趋势预测模型，获得与各所述实时参数值对应的温度预测值；
57.本步骤在具体实施过程中，将所述实时参数值输入到预设的目标温度趋势预测模型中，经过目标温度趋势预测模型进行温度预测得到所述温度预测值，所述温度预测模型是基于梯度提升回归树的方法进行模型创建的，此种方法获取的温度预测模型，测出的温度更加精准。
58.步骤s103：基于各所述温度预测值、预设的第一温度阈值和预设的第二温度阈值，得到温度预测结果。
59.本步骤在具体实施过程中，通过判断温度预测值的大小得到正常温度数据或异常温度数据，当得到异常温度数据时对关键部位的异常温度进行预警，提高部件检测效率，降低部件故障维护成本。
60.本技术是通过建立目标温度趋势预测模型，对目标特征参数的实时参数值进行温度预测获得温度预测值，通以实现对风电机关键部位的温度进行实时监控，提高检测效率，降低部件故障维护成本。本技术中的温度预测方法可以提前预测出风力发电机会因为温度过高而出现故障，将有助于风电机场及时做出检修计划，排查故障原因，避免造成经济损失和生产事故。
61.本技术中的又一个实施例，提供一种温度预测方法，如图2所示，包括：
62.步骤s201：确定目标特征参数；
63.本步骤在具体实施过程中，候选特征参数包括湿度、风速、辐射等参数，首先在各原始工况温度xi下，测量各原始工况温度对应的各候选特征参数的参数值yi，其中原始工况温度xi为风电机组关键部件正常工况运行状态下的温度监测数据，各候选特征参数的参数值yi为监测得到原始工况温度的同一时刻测得的，与原始工况温度xi具有相关性的原始题特征参数的原始参数值。基于所述原始工况温度和所述原始候选特征参数的原始参数值计算获得与各所述候选特征参数对应的皮尔森系数值，如公式(1)所示：
[0064][0065]
式中，r
xy
代表皮尔森系数值，xi为原始工况温度值，yi为各候选特征参数的原始参数值，n为采集到的原始工况温度的个数和各候选特征参数的参数值的个数，s
x
为各原始工况温度的标准差，sy为各特征参数原始参数值的标准差，为原始工况温度的平均值，为各特征参数原始参数值的平均值。
[0066]
皮尔森相关系数是用于衡量两个变量之间的相关性，其值介于-1与1之间，绝对值越接近于1，相关性越高。基于各所述皮尔森系数值进行筛选处理，具体的，选择皮尔森系数值的绝对值最接近1的候选特征参数作为目标特征参数。
[0067]
步骤s202：构建目标温度趋势预测模型；
[0068]
本步骤在具体实施过程中，基于所述目标特征参数对应的各原始目标参数值，采用梯度提升回归树计算方法进行模型构建，获得所述目标温度趋势预测模型。
[0069]
具体的，基于各所述原始工况温度xi和各所述原始目标参数值yi，组合得到各原始样本数据，例如：当原始工况温度有m个数值时，得到各原始样本数据为d＝{(x1,y1),(x2,y2),
…
(xm,ym)}，其中原始工况温度为x1，x2，
…
，xm，原始目标参数值为y1，y2，
…
，ym，然后基于各所述原始样本数据，计算获得原始损失函数和与各原始样本数据对应的初始负梯度值，如下公式(2)所示：
[0070][0071]
其中，r
ti
代表负梯度值，l代表损失函数，t代表迭代次数，当获取初始负梯度值时，t取值为0，i＝1,2,
…
,m，通过计算得到m个初始负梯度值r
01
，r
02
，
…r0m
。
[0072]
然后基于所述原始损失函数和各所述原始样本数据进行模型构建，得到初始温度趋势预测模型，所示初始温度趋势预测模型为如下公式(3)所示：其中c0为原始目标参数值的平均值。
[0073]
最后基于所述原始工况温度和各所述初始负梯度值对所述初始温度趋势预测模型进行迭代更新，获得所述目标温度趋势预测模型。包括如下步骤：
[0074]
步骤一：基于各所述原始工况温度和各所述初始负梯度值，组合得到第一样本数据；例如如上所述的m个样本，原始工况温度为x1，x2，
…
，xm，原始目标参数值为y1，y2，
…
，ym，通过计算得到m个初始负梯度值r
01
，r
02
，
…r0m
，所述第一样本数据为d1＝{(x1,r
01
),(x2,r
02
),
…
(xm,r
0m
)}。
[0075]
步骤二：基于各所述第一样本数据对所述初始温度趋势预测模型进行更新处理，获得第二温度趋势预测模型；
[0076]
本步骤在具体实施过程中，基于所述第一版本数据
[0077]
d1＝{(x1,r
01
),(x2,r
02
),
…
(xm,r
0m
)}对初始温度趋势预测模型得到第二温度趋势预测模型，如如下公式(4)所示：
[0078][0079]
其中c1为m个初始负梯度值r
01
，r
02
，
…r0m
的平均值。
[0080]
步骤三：基于所述第二温度趋势预测模型，获得与第二温度趋势预测模型对应的各叶子节点；
[0081]
本步骤在具体实施过程中，叶子节点区域为r
tj
,j＝1,2,
…
,j。其中j为的第二温度趋势预测模型中叶子结点的个数，t为当前迭代的次数。
[0082]
步骤四：基于所述各叶子节点中的各第一样本数据，计算当前迭代过程中使得损失函数值最小时的当前最优叶子结点数值；
[0083]
本步骤在具体实施过程中，针对每一个叶子节点中的各第一样本数据，求出使损失函数最小，拟合叶子节点最好的输出值，如下公式(5)所示：
[0084][0085]
其中，c
tj
为第t次迭代的第j个叶子节点的输出值，l()为损失函数，yi为第i个第一样本数据中的实际值；c为上一次迭代过程中叶子节点j的输出值；f
t-1
(xi)为迭代次数为t-1次时的第二温度趋势预测模型的表达式。
[0086]
步骤五：至少基于所述当前最优叶子结点数值更新所述第二温度趋势预测模型，获得当前回归树模型。
[0087]
本步骤在具体实施过程中，当前回归树模型可以用如下公式(6)所示：
[0088][0089]
其中t表示当前迭代次数，f
t-1
(x)表示迭代次数为t-1次时的第二温度趋势预测模型，c
tj
为第t次迭代的第j个叶子节点的输出值，r
tj
为第t次迭代的叶子节点区域，i为示性函数。
[0090]
步骤六：判断是否达到最大预设迭代次数，当达到预设迭代次数时，执行步骤七；当未达到预设迭代次数时，基于第一样本数据计算获得当前损失函数和当前负梯度值，基于原始工况温度和所述当前负梯度值更新所述第一样本数据，基于更新后的第一样本数据对所述第二温度趋势模型进行更新处理，获得更新后的第二温度趋势模型，重复执行步骤三至步骤五，获得更新后的当前回归树模型；
[0091]
步骤七：基于各当前回归树模型进行叠加处理，获得所述目标温度趋势预测模型。
[0092]
本步骤在具体实施过程中，所述目标温度趋势预测模型为如下公式(7)所示：
[0093]
其中t表示当前迭代次数，c
tj
为第t次迭代的第j个叶子节点的输出值，i为示性函数。
[0094]
步骤s203：获取目标特征参数的若干实时参数值；
[0095]
本步骤在具体实施过程中，基于确定的目标特征参数，测得目标特征参数的实时参数值，为后续基于所述实时参数值对温度进行预测奠定基础。
[0096]
步骤s204：基于各所述实时参数值以及预设的目标温度趋势预测模型，获得与各所述实时参数值对应的温度预测值；
[0097]
本步骤在具体实施过程中，将所述实时参数值输入到预设的目标温度趋势预测模型中，经模型输出得到与实时参数值相匹配的温度预测值，为后续基于所述温度预测值获得温度预测结果奠定了基础。
[0098]
步骤s205：基于各所述温度预测值、预设的第一温度阈值和预设的第二温度阈值，得到温度预测结果。
[0099]
本步骤在具体实施过程中当所述温度预测值小于或者等于第一温度阈值时，得到异常温度数据；当所述温度预测值大于或者等于第二温度阈值时，得到异常温度数据；当所述温度预测值大于第一温度阈值且小于第二温度阈值时，得到正常温度数据；其中，所述第一温度阈值小于所述第二温度阈值，且第一温度阈值和第二温度阈值可以根据实际需要设定。
[0100]
步骤s206：在获得异常温度数据的情况下，按照预定的方式进行报警提醒。
[0101]
本步骤在具体实施过程中可以采用软件客户端进行报警提醒，也可采用温度异常报告进行报警提醒，或者设置指示灯进行报警等方式进行报警，本技术中对报警方式不进行限定。
[0102]
本技术是通过建立目标温度趋势预测模型，对目标特征参数的实时参数值进行温度预测获得温度预测值，通过对温度预测值进行判断得到异常温度数据或者正常温度数据，当得到异常温度数据时，对关键部位的异常温度数据进行报警，以实现对风电机关键部位的温度进行实时监控，提高检测效率，降低部件故障维护成本。本技术中的基于梯度提升回归树的温度预测模型为风力发电机的温度预警提供了准确的数据来源，可以提前预测出发电机会因为温度过高而出现故障，将有助于风电机场及时做出检修计划，排查故障原因，避免造成经济损失和生产事故。
[0103]
本技术的又一个实施例提供一种温度预测装置，如图3所示，包括：
[0104]
获取模块1：用于获取目标特征参数的若干实时参数值；
[0105]
获得模块2：用于基于各所述实时参数值以及预设的目标温度趋势预测模型，获得与各所述实时参数值对应的温度预测值；
[0106]
温度预测模块3：用于基于各所述温度预测值、预设的第一温度阈值和预设的第二温度阈值，得到温度预测结果。
[0107]
本实施例在具体实施过程中，所述温度预测装置还包括：确定模块，用于确定目标特征参数。
[0108]
所述确定模块具体用于：在各原始工况温度下测得与各所述原始工况温度一一对应的各候选特征参数的原始参数值；基于各所述原始工况温度，以及各所述原始候选特征参数的原始参数值，计算获得与各所述候选特征参数对应的皮尔森系数值；基于各所述皮尔森系数值进行筛选处理，得到所述目标特征参数。
[0109]
所述温度预测装置还包括：构建模块，所述构建模块用于构建目标温度趋势预测
模型。
[0110]
所述构建模块具体用于：基于所述目标特征参数对应的各原始目标参数值，采用梯度提升回归树计算方法进行模型构建，获得所述目标温度趋势预测模型。
[0111]
所述构建模块还用于：基于各所述原始工况温度和各所述原始目标参数值，组合得到各原始样本数据；基于各所述原始样本数据，计算获得原始损失函数和与各原始样本数据对应的初始负梯度值；基于所述原始损失函数和各所述原始样本数据进行模型构建，得到初始温度趋势预测模型；基于所述原始工况温度和各所述初始负梯度值对所述初始温度趋势预测模型进行迭代更新，获得所述目标温度趋势预测模型。
[0112]
所述构建模块还用于：基于所述原始工况温度和各所述初始负梯度值对所述初始温度趋势预测模型进行迭代更新，获得所述目标温度趋势预测模型，具体包括以下步骤：步骤一：基于各所述原始工况温度和各所述初始负梯度值，组合得到第一样本数据；步骤二：基于各所述第一样本数据对所述初始温度趋势预测模型进行更新处理，获得第二温度趋势预测模型；步骤三：基于所述第二温度趋势预测模型，获得与第二温度趋势预测模型对应的各叶子节点；步骤四：基于所述各叶子节点中的各第一样本数据，计算当前迭代过程中使得损失函数值最小时的当前最优叶子结点数值；步骤五：至少基于所述当前最优叶子结点数值更新所述第二温度趋势预测模型，获得当前回归树模型。步骤六：判断是否达到最大预设迭代次数，当达到预设迭代次数时，执行步骤七；当未达到预设迭代次数时，基于第一样本数据计算获得当前损失函数和当前负梯度值，基于原始工况温度和所述当前负梯度值更新所述第一样本数据，基于更新后的第一样本数据对所述第二温度趋势模型进行更新处理，获得更新后的第二温度趋势模型，重复执行步骤三至步骤五，获得更新后的当前回归树模型；步骤七：基于各当前回归树模型进行叠加处理，获得所述目标温度趋势预测模型。
[0113]
所述温度预测模块具体用于：当所述温度预测值小于或者等于第一温度阈值时，得到异常温度数据；当所述温度预测值大于或者等于第二温度阈值时，得到异常温度数据；当所述温度预测值大于第一温度阈值且小于第二温度阈值时，得到正常温度数据；其中，所述第一温度阈值小于所述第二温度阈值。
[0114]
本技术另一实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法步骤：
[0115]
步骤一、获取目标特征参数的若干实时参数值；
[0116]
步骤二、基于各所述实时参数值以及预设的目标温度趋势预测模型，获得与各所述实时参数值对应的温度预测值；
[0117]
步骤三、基于各所述温度预测值、预设的第一温度阈值和预设的第二温度阈值，得到温度预测结果。
[0118]
上述方法步骤的具体实施过程可参见上述任意温度预测方法的实施例，本实施例在此不再重复赘述。
[0119]
本技术是通过建立目标温度趋势预测模型，对目标特征参数的实时参数值进行温度预测获得温度预测值，通过对温度预测值进行判断得到异常温度数据或者正常温度数据，当得到异常温度数据时，对关键部位的异常温度数据进行报警，以实现对风电机关键部位的温度进行实时监控，提高检测效率，降低部件故障维护成本。本技术中的温度预测方法可以提前预测出风力发电机会因为温度过高而出现故障，将有助于风电机场及时做出检修
计划，排查故障原因，避免造成经济损失和生产事故。
[0120]
本技术另一实施例提供一种电子设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现如下方法步骤：
[0121]
步骤一、获取目标特征参数的若干实时参数值；
[0122]
步骤二、基于各所述实时参数值以及预设的目标温度趋势预测模型，获得与各所述实时参数值对应的温度预测值；
[0123]
步骤三、基于各所述温度预测值、预设的第一温度阈值和预设的第二温度阈值，得到温度预测结果。
[0124]
上述方法步骤的具体实施过程可参见上述任意温度预测方法的实施例，本实施例在此不再重复赘述。
[0125]
本技术是通过建立目标温度趋势预测模型，对目标特征参数的实时参数值进行温度预测获得温度预测值，通过对温度预测值进行判断得到异常温度数据或者正常温度数据，当得到异常温度数据时，对关键部位的异常温度数据进行报警，以实现对风电机关键部位的温度进行实时监控，提高检测效率，降低部件故障维护成本。本技术中的温度预测方法可以提前预测出风力发电机会因为温度过高而出现故障，将有助于风电机场及时做出检修计划，排查故障原因，避免造成经济损失和生产事故。
[0126]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。