一种基于决策树的变流器故障预测方法和系统与流程

1.本发明属于风电故障预测领域，尤其涉及一种基于决策树的变流器故障预测方法和系统。


背景技术：

2.在风电生产运营监控系统中，采集风电机组的设备故障数据，形成一段时间的设备故障数据日志。在智慧生产的背景下，设备故障日志只能对历史数据进行展示，而无法预测未来一段时间的设备运行状况。因此，生产运营监控系统需要有一种方法，能够利用历史数据，对设备未来一段时间内的运行状况时行预测。变流器是风力发电机组的关键部件，据统计，目前风力发电机系统中，由变流器及其相关部件损坏导致的系统故障占比高达36％，而故障之后到修复完成所需平均时间为10天，其中修理时间仅为1天，其它时间为维修人员调度时间。
3.传统的设备故障预测方式为通过人工定期巡检，每季度或半年让技术人员进行预防性检修。而检修不能预防所有问题发生，仅能发现1/3的故障。设备故障造成的非计划性停机，严重影响生产效率，极大降低了设备的利用率，影响风场生产，影响了经济效益。


技术实现要素：

4.为解决上述技术问题，本发明提出一种基于决策树的变流器故障预测方法的技术方案，以解决上述技术问题。
5.本发明第一方面公开了一种基于决策树的变流器故障预测方法，所述方法包括：
6.步骤s1、收集风电的变流器的设备信息，所述设备信息包括：设备分类、投入运行时间、使用场景和环境温度；
7.步骤s2、收集风电的变流器的故障日志信息，所述故障日志信息包括：故障时间、故障源、故障类型和故障代码；
8.步骤s3、收集风电的变流器的历史的运行状态信息；
9.步骤s4、将所述设备信息、故障日志信息和历史运行状态信息输入决策树模型，并通过所述设备信息、故障日志信息和历史运行状态信息对所述决策树模型进行优化，得到输出故障分类的决策树模型；
10.步骤s5、采集风电的变流器的当前实时的运行状态信息和设备信息；
11.步骤s6、将所述当前实时的运行状态信息和设备信息输入优化好的决策树模型，输出故障分类；
12.步骤s7、根据当前输出的故障分类，预测风电的变流器的故障状态。
13.根据本发明第一方面的方法，在所述步骤s1中，所述使用场景包括：陆上风电场、潮间带和潮下带滩涂风电场、近海风电场和深海风电场。
14.根据本发明第一方面的方法，在所述步骤s1中，所述陆上风电场的区域包括：华东地区、华南地区、华中地区、华北地区、西北地区、西南地区和东北地区。
15.根据本发明第一方面的方法，在所述步骤s2中，所述故障源分为风电的变流器的机侧和网侧。
16.根据本发明第一方面的方法，在所述步骤s2中，所述故障类型包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障和网侧接触器故障。
17.根据本发明第一方面的方法，在所述步骤s3中，所述历史的运行状态信息包括：机侧电流、机侧直流母线电压、发电机转子有功功率、定子无功功率、定子有功功率、定子电流、发电机转速、机侧温度、网侧温度、网侧有功功率、网侧无功功率、电网电压、定子电压、电网有功功率和电网无功功率。
18.根据本发明第一方面的方法，在所述步骤s4中，所述故障分类包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障、网侧接触器故障和设备正常。
19.本发明第二方面公开了一种基于决策树的变流器故障预测系统，所述系统包括：
20.第一处理模块，被配置为，收集风电的变流器的设备信息，所述设备信息包括：设备分类、投入运行时间、使用场景和环境温度；
21.第二处理模块，被配置为，收集风电的变流器的故障日志信息，所述故障日志信息包括：故障时间、故障源、故障类型和故障代码；
22.第三处理模块，被配置为，收集风电的变流器的历史的运行状态信息；
23.第四处理模块，被配置为，将所述设备信息、故障日志信息和历史运行状态信息输入决策树模型，并通过所述设备信息、故障日志信息和历史运行状态信息对所述决策树模型进行优化，得到输出故障分类的决策树模型；
24.第五处理模块，被配置为，采集风电的变流器的当前实时的运行状态信息和设备信息；
25.第六处理模块，被配置为，将所述当前实时的运行状态信息和设备信息输入优化好的决策树模型，输出故障分类；
26.第七处理模块，被配置为，根据当前输出的故障分类，预测风电的变流器的故障状态。
27.根据本发明第二方面的系统，所述第一处理模块，被配置为，所述使用场景包括：陆上风电场、潮间带和潮下带滩涂风电场、近海风电场和深海风电场。
28.根据本发明第二方面的系统，所述第一处理模块，被配置为，所述陆上风电场的区域包括：华东地区、华南地区、华中地区、华北地区、西北地区、西南地区和东北地区。
29.根据本发明第二方面的系统，所述第二处理模块，被配置为，所述故障源分为风电的变流器的机侧和网侧。
30.根据本发明第二方面的系统，所述第二处理模块，被配置为，所述故障类型包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障和网侧接触器故障。
31.根据本发明第二方面的方法，所述第三处理模块，被配置为，所述历史的运行状态信息包括：机侧电流、机侧直流母线电压、发电机转子有功功率、定子无功功率、定子有功功率、定子电流、发电机转速、机侧温度、网侧温度、网侧有功功率、网侧无功功率、电网电压、定子电压、电网有功功率和电网无功功率。
32.根据本发明第二方面的方法，所述第四处理模块，被配置为，所述故障分类包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障、网侧接触器故障和设备正
常。
33.本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明第一方面中任一项的一种基于决策树的变流器故障预测方法中的步骤。
34.本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明第一方面中任一项的一种基于决策树的变流器故障预测方法中的步骤。
35.本发明提出的方案，提高了故障预测的准确性，提前进行风机维护准备工作，减少了风机待机时间，提高了设备利用率，提高了生产的安全性及生产效率。
附图说明
36.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1为根据本发明实施例的一种基于决策树的变流器故障预测方法的流程图；
38.图2为根据本发明实施例的设备通信连接图；
39.图3为根据本发明实施例的一种基于决策树的变流器故障预测系统的结构图；
40.图4为根据本发明实施例的一种电子设备的结构图。
具体实施方式
41.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只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。
42.本发明第一方面公开了一种基于决策树的变流器故障预测方法。图1为根据本发明实施例的一种基于决策树的变流器故障预测方法的流程图，如图1所示，所述方法包括：
43.步骤s1、收集风电的变流器的设备信息，所述设备信息包括：设备分类、投入运行时间、使用场景和环境温度；
44.步骤s2、收集风电的变流器的故障日志信息，所述故障日志信息包括：故障时间、故障源、故障类型和故障代码；
45.步骤s3、收集风电的变流器的历史的运行状态信息；
46.步骤s4、将所述设备信息、故障日志信息和历史运行状态信息输入决策树模型，并通过所述设备信息、故障日志信息和历史运行状态信息对所述决策树模型进行优化，得到输出故障分类的决策树模型；
47.步骤s5、采集风电的变流器的当前实时的运行状态信息和设备信息；
48.步骤s6、将所述当前实时的运行状态信息和设备信息输入优化好的决策树模型，输出故障分类；
49.步骤s7、根据当前输出的故障分类，预测风电的变流器的故障状态。
50.在步骤s1，收集风电的变流器的设备信息，所述设备信息包括：设备分类、投入运行时间、使用场景和环境温度。
51.在一些实施例中，在所述步骤s1中，所述使用场景包括：陆上风电场、潮间带和潮下带滩涂风电场、近海风电场和深海风电场。
52.所述陆上风电场包括：华东地区、华南地区、华中地区、华北地区、西北地区、西南地区和东北地区。
53.在步骤s2，收集风电的变流器的故障日志信息，所述故障日志信息包括：故障时间、故障源、故障类型和故障代码。
54.在一些实施例中，在所述步骤s2中，所述故障源分为风电的变流器的机侧和网侧。
55.所述故障类型包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障和网侧接触器故障。
56.在步骤s3，收集风电的变流器的历史的运行状态信息。
57.在一些实施例中，在所述步骤s3中，所述历史的运行状态信息包括：机侧电流、机侧直流母线电压、发电机转子有功、定子无功功率、定子有功功率、定子电流、发电机转速、机侧温度、网侧温度、网侧有功功率、网侧无功功率、电网电压、定子电压、电网有功和电网无功。
58.在步骤s4，将所述设备信息、故障日志信息和历史运行状态信息输入决策树模型，并通过所述设备信息、故障日志信息和历史运行状态信息对所述决策树模型进行优化，得到输出故障分类的决策树模型。
59.在一些实施例中，在所述步骤s4中，所述故障分类包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障、网侧接触器故障和设备正常。
60.具体地，将所述设备信息、故障日志信息和历史运行状态信息作为训练样本数据集。将训练样本数据集分为若干子集，每个取值形成一个分枝，有几个取值形成几个分枝。进行剪枝，去掉对结果影响较小的数据，对特征进行选择。将特征组装成树，即根据数据值的大小生成多个决策树。保存决策树为决策树模型。
61.决策树的基本概念:
62.为达到目的根据一定的条件进行选择的过程就是决策树，是基于树形结构利用信息学中熵的概念构建出的监督学习算法模型。利用决策树可以解决基本的分类和回归问题。
63.构成决策树的元素是节点和边。节点会根据样本的特征作出判断，最初的分支点称为根节点，其余的被称为子节点，不再有分支的节点则被称为叶子节点，这些节点代表了样本的分类结果。边则指示着方向。
64.决策树的构造:
65.为了构造决策树，人们使用了一个衡量标准—熵。在决策树中，熵代表分支样本种类的丰富性，样本中种类越多越混乱，熵就越大，如果分支下的样本完全属于同一类，熵就等于0.
66.条件熵h(y∣x)h(y|x)h(y∣x)表示在已知随机变量x的条件下随机变量y的不确定性，随机变量x给定的条件下随机变量y的条件熵(conditional entropy)h(y|x)，定义x给定条件下y的条件概率分布的熵对x的数学期望：
[0067][0068]
其中，pi＝p(x＝xi)，xi为具体数值；
[0069]
构建树的基本思路，是随着树的深度也就是层数的增加，让熵快速降低。熵降低的速度越快，代表决策树的分类效率越高。
[0070]
具体实施方案如下：
[0071]
变流器以rs-485与comserver连接；comserver以rj45接口网线与pc连接，采用udp协议进行通信。故障采集程序运行在pc端。通信连接图如图2。
[0072]
pc运行故障采集程序，以udp协议对comserver的ip及指定端口发送故障采集指令。
[0073]
comserver收到故障采集指令后，以rs-485串口模式转发到变流器。
[0074]
变流器以rs-485串口模式回复故障历史数据到comserver。
[0075]
comserver把故障历史数据以udp协议发到pc指定端口。
[0076]
故障采集程序接收数据，包括设备id、故障时间、故障源、故障类型和故障代码等，保存在数据库中。
[0077]
步骤1、故障采集程序收集风电的变流器的设备信息，所述设备信息包括：设备分类、投入运行时间、使用场景和环境温度；
[0078]
步骤2、故障采集程序收集风电的变流器的故障日志信息，所述故障日志信息包括：故障时间、故障源、故障类型和故障代码；
[0079]
步骤3、故障采集程序收集风电的变流器的历史的运行状态信息；所述历史的运行状态信息包括：机侧电流、机侧直流母线电压、发电机转子有功、定子无功功率、定子有功功率、定子电流、发电机转速、机侧温度、网侧温度、网侧有功功率、网侧无功功率、电网电压、定子电压、电网有功和电网无功；
[0080]
步骤4、将所述设备信息、故障日志信息和历史运行状态信息输入决策树模型，并通过所述设备信息、故障日志信息和历史运行状态信息对所述决策树模型进行优化，得到输出故障分类的决策树模型；具体地，将所述设备信息、故障日志信息和历史运行状态信息作为训练样本数据集。将训练样本数据集分为若干子集，每个取值形成一个分枝，有几个取值形成几个分枝。进行剪枝，去掉对结果影响较小的数据，对特征进行选择。将特征组装成树，即根据数据值的大小生成多个决策树；保存决策树为决策树模型；
[0081]
步骤5、故障采集程序采集风电的变流器的当前实时的运行状态信息和设备信息；所述当前实时的运行状态信息包括：机侧电流、机侧直流母线电压、发电机转子有功、定子无功功率、定子有功功率、定子电流、发电机转速、机侧温度、网侧温度、网侧有功功率、网侧无功功率、电网电压、定子电压、电网有功和电网无功；
[0082]
步骤6、将所述当前实时的运行状态信息和设备信息输入优化好的决策树模型，输出故障分类；所述故障分类包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障、网侧接触器故障和设备正常；
[0083]
步骤7、根据当前输出的故障分类，预测风电的变流器的故障状态。
[0084]
在具体实施中，根据不同风场不同的平均温湿度、不同最大风力、不同的工作强
度，分为不同的场景，并给场景分类做编号。收集各场景真实的历史故障数据，作为训练集，对数据进行初步整理后进行建模。通过检查，准确率并不高，如表1所示。
[0085]
表1
[0086]
算法采样数据(条)准确率(％)decision tree1532737.3219666
[0087]
对设备的投入运行时间及故障时间进行处理，时间精确到月。并添加了训练集的数量。通过检查，准确率较高，经一年生产环境运行，符合设计标准，达成故障预测的设计目标，如表2所示。
[0088]
表2
[0089]
算法采样数据(条)准确率(％)decision tree15676498.2049397
[0090]
综上，本发明提出的方案能够提高了故障预测的准确性，提前进行风机维护准备工作，减少了风机待机时间，提高了设备利用率，提高了生产的安全性及生产效率。
[0091]
本发明第二方面公开了一种基于决策树的变流器故障预测系统。图3为根据本发明实施例的一种基于决策树的变流器故障预测系统的结构图；如图3所示，所述系统100包括：
[0092]
第一处理模块101，被配置为，收集风电的变流器的设备信息，所述设备信息包括：设备分类、投入运行时间、使用场景和环境温度；
[0093]
第二处理模块102，被配置为，收集风电的变流器的故障日志信息，所述故障日志信息包括：故障时间、故障源、故障类型和故障代码；
[0094]
第三处理模块103，被配置为，收集风电的变流器的历史的运行状态信息；
[0095]
第四处理模块104，被配置为，将所述设备信息、故障日志信息和历史运行状态信息输入决策树模型，并通过所述设备信息、故障日志信息和历史运行状态信息对所述决策树模型进行优化，得到输出故障分类的决策树模型；
[0096]
第五处理模块105，被配置为，采集风电的变流器的当前实时的运行状态信息和设备信息；
[0097]
第六处理模块106，被配置为，将所述当前实时的运行状态信息和设备信息输入优化好的决策树模型，输出故障分类；
[0098]
第七处理模块107，被配置为，根据当前输出的故障分类，预测风电的变流器的故障状态。
[0099]
根据本发明第二方面的系统，所述第一处理模块101，被配置为，所述使用场景包括：陆上风电场、潮间带和潮下带滩涂风电场、近海风电场和深海风电场。
[0100]
根据本发明第二方面的系统，所述第一处理模块101，被配置为，所述陆上风电场的区域包括：华东地区、华南地区、华中地区、华北地区、西北地区、西南地区和东北地区。
[0101]
根据本发明第二方面的系统，所述第二处理模块102，被配置为，所述故障源分为风电的变流器的机侧和网侧。
[0102]
根据本发明第二方面的系统，所述第二处理模块102，被配置为，所述故障类型包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障和网侧接触器故障。
[0103]
根据本发明第二方面的方法，所述第三处理模块103，被配置为，所述历史的运行
状态信息包括：机侧电流、机侧直流母线电压、发电机转子有功功率、定子无功功率、定子有功功率、定子电流、发电机转速、机侧温度、网侧温度、网侧有功功率、网侧无功功率、电网电压、定子电压、电网有功功率和电网无功功率。
[0104]
根据本发明第二方面的方法，所述第四处理模块104，被配置为，所述故障分类包括：机侧故障、网侧故障、同步故障、外部故障、控制板间通讯故障、网侧接触器故障和设备正常。
[0105]
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种基于决策树的变流器故障预测方法中的步骤。
[0106]
图4为根据本发明实施例的一种电子设备的结构图，如图4所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、近场通信(nfc)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0107]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0108]
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种基于决策树的变流器故障预测方法中的步骤中的步骤。
[0109]
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。