风力发电机运维状态分类方法、装置、设备、存储介质与流程

本发明涉及风力发电机运维状态分类，特别涉及一种风力发电机运维状态分类方法、装置、设备、存储介质。

背景技术：

1、风力发电机的运维状态预测对风能行业的可持续发展和能源生产至关重要，能够避免不必要的维护和更换，减少运维成本，减少计划外停机时间，提高风机的整体可靠性，确保风机再其设计参数范围内运行，提高发电效率，通过实时监测和分析数据，可以更准确地预测设备的运行状态和未来趋势，帮助制定更合理的运维策略。对风机状态实时监测，若出现故障，需要判断其是否可自行恢复，是否需要人工维护，因此，判断具体的故障类型尤为重要。以往的风机运维状态预测及诊断方法仅针对单一部件故障，未实现全面具体的故障监测，因此，需要解决风机具体化故障状态监测问题。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种风力发电机运维状态分类方法、装置、设备、存储介质，能够提高风力发电机运维状态分类的可靠性。

2、第一方面，本发明实施例提供了一种风力发电机运维状态分类方法，包括：

3、获取历史风机数据集，其中，所述历史风机数据集用于指示风机不同位置上的历史特征数据；

4、将所述历史风机数据集输入到预设的多个向量机，得到第一特征集，其中，每个所述向量机对应两种不同的故障类型，所述向量机的个数等于所述故障类型的组合数；

5、根据皮尔森相关系数计算所述第一特征集中各个特征与所述故障类型的相关性，得到相关系数，获取所述第一特征集中所述相关系数大于预设阈值的特征，作为第二特征集；

6、获取所述第一特征集和所述第二特征集的并集，得到第一目标特征集；

7、将所述第一目标特征集划分为第一训练集和第一测试集，将所述第一训练集输入到极端梯度提升树；

8、通过所述极端梯度提升树对所述第一训练集进行列抽样和行抽样，对抽样结果并行进行特征分裂和节点分裂，得到决策树，并对所述决策树的缺失值进行填充；

9、将所述第一测试集输入到所述极端梯度提升树进行测试，当测试结果符合预设测试标准时，得到完成训练后的所述极端梯度提升树；

10、获取当前所述风机的待测风机特征数据；

11、将所述待测风机特征数据输入到完成训练后的所述极端梯度提升树，得到风机当前状态。

12、在本发明的一些实施例中，所述将所述历史风机数据集输入到预设的多个向量机，得到第一特征集，包括：

13、将所述历史风机数据集划分为第二训练集和第二测试集，将所述第二训练集输入到各个所述向量机，通过求解所述向量机中预设的目标函数的最小化问题，得到超平面参数；

14、将所述第二测试集输入到各个所述向量机，通过各个所述向量机中的所述超平面参数对所述第一测试集进行分类预测，得到二分类测试结果，当所述二分类测试结果的准确值大于预设的准确阈值，则确认对应的所述向量机完成训练；

15、当各个所述向量机完成训练，获取所述向量机中各个特征的权重得分；

16、将所述权重得分的值最小的特征进行删除，得到所述第一特征集。

17、在本发明的一些实施例中，在所述根据皮尔森相关系数计算所述第一特征集中各个特征与所述故障类型的相关性，得到相关系数，获取所述第一特征集中所述相关系数大于预设阈值的特征，作为第二特征集之后，包括：

18、获取所述第二特征集中各个特征和所述故障类型对应的所述相关系数，其中，所述相关系数的取值范围为[-1，1]；

19、通过线性映射将所述相关系数的取值范围映射为颜色深度的取值范围，其中，所述颜色深度的取值范围为[0，1]；

20、将颜色深度映射到rgb值的范围，得到特征热力图中每个方块的颜色，其中，所述颜色的深浅用于指示特征与所述故障类型的相关性程度，所述相关系数越高，对应的所述方块中的颜色越深。

21、在本发明的一些实施例中，在所述获取历史风机数据集之后，包括：

22、获取所述历史风机数据集中的最小值和最大值；

23、获取所述历史风机数据集中，各个数值与所述最小值的差值，作为第一差值；

24、获取所述最大值与所述最小值的差值，作为第二差值；

25、获取所述第一差值与所述第二差值的比值，作为归一化后的所述历史风机数据集。

26、在本发明的一些实施例中，在所述获取历史风机数据集之后，包括：

27、获取所述历史风机数据集中各个数值的平均值和标准差；

28、计算所述历史风机数据集中各个数值与所述平均值的差值，作为第三差值；

29、获取所述第三差值与所述标准差的比值，作为标准化后的所述历史风机数据集。

30、在本发明的一些实施例中，所述风力发电机运维状态分类方法还包括：

31、通过时间尺度将历史风机数据集与时间特征相关联得到关联关系，基于所述关联关系将所述时间特征输入到所述第一目标特征集得到第二目标特征集；

32、将所述第二目标特征划分为第三训练集和第三测试集；

33、将所述第三训练集输入到长短期记忆递归神经网络，通过所述长短期记忆递归神经网络捕捉所述第三训练集中的长期依赖关系；

34、通过所述第三测试集对所述长短期记忆递归神经网络进行测试，得到完成训练后的所述长短期记忆递归神经网络。

35、在本发明的一些实施例中，在所述通过所述第三测试集对所述长短期记忆递归神经网络进行测试，得到完成训练后的所述长短期记忆递归神经网络之后，还包括：

36、获取待预测时间点；

37、将所述待预测时间点输入到完成训练后的所述长短期记忆递归神经网络，得到风机预测特征数据；

38、将所述风机预测特征数据输入完成训练后的所述极端梯度提升树，得到所述待预测时间点对应的风机预测状态。

39、第二方面，本发明实施例提供了一种风力发电机运维状态分类装置，包括少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述第一方面所述的风力发电机运维状态分类方法。

40、第三方面，本发明实施例提供了一种电子设备，包括有如上述第二方面所述的风力发电机运维状态分类装置。

41、第四方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上述第一方面所述的风力发电机运维状态分类方法。

42、根据本发明实施例的风力发电机运维状态分类方法，至少具有如下有益效果：获取历史风机数据集，其中，所述历史风机数据集用于指示风机不同位置上的历史特征数据；将所述历史风机数据集输入到预设的向量机，得到第一特征集；根据皮尔森相关系数计算所述第一特征集中各个特征与预设的故障类型的相关性，得到相关系数，获取所述第一特征集中所述相关系数大于预设阈值的特征，作为第二特征集；获取所述第一特征集和所述第二特征集的并集，得到第一目标特征集；将所述第一目标特征集划分为第一训练集和第一测试集，将所述第一训练集输入到极端梯度提升树；通过所述极端梯度提升树对所述第一训练集进行列抽样和行抽样，对抽样结果并行进行特征分裂和节点分裂，得到决策树，并对所述决策树的缺失值进行填充；将所述第一测试集输入到所述极端梯度提升树进行测试，当测试结果符合预设测试标准时，得到完成训练后的所述极端梯度提升树；获取当前所述风机的待测风机特征数据；将所述待测风机特征数据输入到完成训练后的所述极端梯度提升树，得到风机当前状态。获取风机不同位置的历史风机数据用于诊断及监测整个风机的故障，利用支持向量机、相关性分析方法对整个风机的历史风机数据进行处理和分析，得到风机的是否故障，再采用梯度提升树模型对风机具体的故障类型进行诊断。该方法解决了传统的故障诊断方法结果单一，无法进行整机状态评估和故障预测的问题，为风机的全面运维提供了有效的技术支持，提高了风机运维状态分类的可靠性。