本发明属于风机台风损毁预测,尤其涉及一种基于机器学习修正的风机台风损毁预测方法及系统。
背景技术:
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
2、海上风电作为可再生能源发展的重点领域,由于陆地上经济可开发的风资源越来越少,全球风电场建设已出现从陆地向近海发展的趋势。
3、极端天气日益频发,而台风天气发生频率较高,对海上地区造成严重影响。台风带来的风雨以及次生灾害,无疑会对海上风电设备造成严重破坏,严重影响海上风电系统稳定运行。
4、目前已经提出了许多台风灾害下风机损毁预测模型,主要对风机进行建模,分析风机在台风下的受力情况,利用应力干涉模型对其受力情况进行分析,但是目前现有方法大多基于应力干涉模型,该方法预测精度较高,但是因为其需要对每个风机进行物理建模,建模复杂度较高,另外其考虑的因素有限,若考虑大量的影响因素,会降低预测精度和预测效率。
技术实现思路
1、为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种基于机器学习修正的风机台风损毁预测方法及系统,其使用应力干涉模型对风机损毁概率进行计算后,使用机器学习算法得到修正系数对预测概率进行修正,利用机器学习对风机损毁概率进行修正,有较高预测精度,计算效率高,应用范围大,应用前景广阔。
2、为了实现上述目的,本发明采用如下技术方案:
3、本发明的第一个方面提供一种基于机器学习修正的风机台风损毁预测方法,包括如下步骤:
4、基于风荷载与风机设备关系,结合老化与腐蚀情况计算得到第一风机损毁概率;
5、获取风机监测数据,基于风机监测数据和风机台风损毁概率预测模型,对风机的损坏概率预测得到第二风机损毁概率,基于第二风机损毁概率计算修正系数;
6、基于修正系数对第一风机损毁概率修正得到最终的风机台风损毁概率。
7、进一步地,所述基于风荷载与风机设备关系,结合老化与腐蚀情况计算得到第一风机损毁概率,包括:
8、计算极限状态下的风荷载效应的静力;
9、根据极限状态下的风荷载效应的静力,计算得到风机所受的风荷载,结合风机所受的风荷载和风机的应力强度分布曲线,进而得到单个风机损毁概率px;
10、根据元件寿命密度函数得到风机故障率函数,进而得出风机随运行时间的老化失效概率po;
11、考虑海上风机受海水与海风的腐蚀,增加该影响因素下的风机设备损毁的概率pc;
12、结合px、po和pc得到第一风机损毁概率。
13、进一步地,获取风机监测数据后,构建多源异构数据库,所述风机监测数据具体包括:设计风速、最大阵风风速、风机运行年限、海拔、湍流强度、空气密度和风切变指数。
14、进一步地,获取风机监测数据后,还包括对数据进行预处理,采用孤立森林算法进行离群点检测,将异常数据剔除。
15、进一步地,所述采用孤立森林算法进行离群点检测,将异常数据剔除,具体包括:
16、步骤1:随机指定一个特征变量,在当前节点数据中随机产生一个切割点r,此切割点产生于当前节点数据中指定维度的最大值和最小值之间;
17、步骤2:该切割点将数据空间划分为2个子空间:小于r的数据放在当前节点的左子空间,把大于等于r的数据放在当前节点的右子空间;
18、步骤3:不断重复步骤1和步骤2,将各个子空间不断分割,直至子空间无法再次分割,形成一棵孤立树;
19、步骤4:不断重复步骤1-步骤3,生成h棵孤立树;
20、步骤5:对于每一个数据点,令其遍历每一颗孤立树,计算数据点在森林中的平均高度;
21、步骤6:基于数据点在森林中的平均高度计算数据点的异常值分数;
22、步骤7:将数据点的异常值分数大于设定的阈值的数据点剔除。
23、进一步地,所述基于风机监测数据和风机台风损毁概率预测模型,对风机的损坏概率预测得到第二风机损毁概率,包括:
24、对于每个风机,选取相关的解释变量进行支持向量机的构建,得到输出变量之间的误差最小的回归模型;
25、基于该回归模型,引入松弛变量和拉格朗日乘子,得到支持向量机回归的解形式,以此利用特征变量进行风机台风损毁概率预测模型构建,对风机的损坏概率预测。
26、本发明的第二个方面提供一种基于机器学习修正的风机台风损毁预测系统,包括:
27、初始概率预测模块,其用于基于风荷载与风机设备关系,结合老化与腐蚀情况计算得到第一风机损毁概率;
28、修正系数计算模块,其用于获取风机监测数据,基于风机监测数据和风机台风损毁概率预测模型,对风机的损坏概率预测得到第二风机损毁概率,基于第二风机损毁概率计算修正系数;
29、修正模块,其用于基于修正系数对第一风机损毁概率修正得到最终的风机台风损毁概率。
30、进一步地,所述系统还包括数据预处理模块,其用于获取风机监测数据后,对数据进行预处理,采用孤立森林算法进行离群点检测,将异常数据剔除。
31、本发明的第三个方面提供一种计算机可读存储介质。
32、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种基于机器学习修正的风机台风损毁预测方法中的步骤。
33、本发明的第四个方面提供一种计算机设备。
34、一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的一种基于机器学习修正的风机台风损毁预测方法中的步骤。
35、与现有技术相比,本发明的有益效果是:
36、本发明提出了一种基于机器学习修正的风机台风损毁预测技术,使用应力干涉模型对风机损毁概率进行计算后,使用机器学习算法得到修正系数对预测概率进行修正。首先利用设备强度与风荷载关系,结合老化与腐蚀情况计算风机损毁概率,随后搜集设计风速、最大阵风风速、风机运行年限、海拔、湍流强度、空气密度、风切变指数等七个特征变量,利用随机森林算法进行修正系数计算,对应力干涉模型所求出的损毁概率进行修正。该方法,利用机器学习对风机损毁概率进行修正,有较高预测精度,计算效率高,应用范围大,应用前景广阔。
37、本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
1.一种基于机器学习修正的风机台风损毁预测方法,其特征在于,包括如下步骤:
2.如权利要求1所述的一种基于机器学习修正的风机台风损毁预测方法,其特征在于,所述基于风荷载与风机设备关系,结合老化与腐蚀情况计算得到第一风机损毁概率,包括:
3.如权利要求1所述的一种基于机器学习修正的风机台风损毁预测方法,其特征在于,获取风机监测数据后,构建多源异构数据库,所述风机监测数据具体包括:设计风速、最大阵风风速、风机运行年限、海拔、湍流强度、空气密度和风切变指数。
4.如权利要求1所述的一种基于机器学习修正的风机台风损毁预测方法,其特征在于,获取风机监测数据后,还包括对数据进行预处理,采用孤立森林算法进行离群点检测,将异常数据剔除。
5.如权利要求4所述的一种基于机器学习修正的风机台风损毁预测方法,其特征在于,所述采用孤立森林算法进行离群点检测,将异常数据剔除,具体包括:
6.如权利要求1所述的一种基于机器学习修正的风机台风损毁预测方法,其特征在于,所述基于风机监测数据和风机台风损毁概率预测模型,对风机的损坏概率预测得到第二风机损毁概率,包括:
7.一种基于机器学习修正的风机台风损毁预测系统,其特征在于,包括:
8.如权利要求7所述的一种基于机器学习修正的风机台风损毁预测系统,其特征在于,所述系统还包括数据预处理模块,其用于获取风机监测数据后,对数据进行预处理,采用孤立森林算法进行离群点检测,将异常数据剔除。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于机器学习修正的风机台风损毁预测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于机器学习修正的风机台风损毁预测方法中的步骤。