本发明专利申请属于数据分析与处理,具体涉及一种风电机组传动链数据预测方法和系统。
背景技术:
1、在如今能源稀缺的时代,由于风能有清洁、环保、可再循环的特点,于是对风能的研究和利用便成为了各国能源竞争的热点,所以对于风能发电的研究与优化显得尤为重要。
2、在将风能转化为电能的过程中,风力发电机组的叶轮和传动链这两个部分起到了很关键的作用。一旦一台风电机的叶轮和传动链失效,会使风电机组的运行效率直接降低,严重时会影响电力的正常供应。此外,风电机组中有很多台风电机,直接检查某一台或某几台故障的风电机会很困难,目前采用传统的专家分析结合仪器测试的方法定性推理风电机的故障原因显得极其耗时费力,而且准确性也很难得到保证。
3、目前,对于风电机组的叶轮和传动链动力学响应数据的预测,常见的方法是:即基于风电机组故障监测系统监测到的信号,如振动信号,温度信号等。通过对监测到的信号在时域和频域上分别进行信号分析,进而提取信号的特征,再通过迁移学习,小样本学习等故障分析的方法,对这些提取的特征进行分析与处理,从而实现故障的诊断。
4、但是,风电机组的工况变化比较复杂,监测系统进行数据采集时很容易受到外界如风速,风机故障等情况的干扰,这样采集到的信号中会包含比较多的干扰信号,对信号做时频域的信号分析进行特征提取的难度也很大,此外风电机组采集的数据有数据量大,特征多,随机性大等特点,如果通过信号分析的方法进行故障监测与数据的预测会十分耗时耗力。
技术实现思路
1、为克服上述现有技术的不足,本发明专利申请提出了一种风电机组传动链数据预测方法,包括:
2、获取风电机组传动链的输入数据,通过特征融合和特征筛选将所述输入数据进行降维转化;
3、将降维转化后的所述输入数据输入到预先训练完成的lstm模型中,得到输出数据;
4、对所述lstm模型输出的输出数据进行优化;
5、所述lstm模型,以降维转化后的输入数据作为输入,以输出数据作为输出完成训练。
6、作为优选的,所述输入数据包括:轮高度处风速、轮高度处x轴风速分量、轮高度处风速y轴风速分量、轮高度处风速z轴风速分量、轮高度处风速与x轴水平夹角、叶轮转速以及桨距角;
7、所述输出数据,包括:绕x轴的力矩、绕y轴的力矩、绕z轴的力矩、沿x轴的力、沿y轴的力、沿z轴的力、叶轮转角、主轴扭转变形以及发电功率。
8、作为优选的,所述通过特征融合和特征筛选将所述输入数据进行降维转化,包括:
9、基于所述轮高度处风速、轮高度处x轴风速分量、轮高度处风速y轴风速分量、轮高度处风速z轴风速分量、轮高度处风速与x轴水平夹角、叶轮转速以及桨距角,通过特征融合得到叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及叶轮转速和桨距角的融合特征;
10、基于注意力机制将叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及所述融合特征进行优化。
11、作为优选的,所述lstm模型,包括依次连接的第一lstm网络和第二lstm网络;
12、所述第一lstm网络,以叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及所述融合特征作为输入,以绕x轴的力矩、绕y轴的力矩、绕z轴的力矩、沿x轴的力、沿y轴的力、沿z轴的力、叶轮转角以及主轴扭转变形作为输出,完成训练;
13、所述第二lstm网络,以所述第一lstm网络的输入和输出作为输入,以发电功率作为输出,完成训练。
14、作为优选的,所述lstm模型的训练,包括:
15、获取多个时间节点的风电机组传动链的叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及所述融合特征,和绕x轴的力矩、绕y轴的力矩、绕z轴的力矩、沿x轴的力、沿y轴的力、沿z轴的力、叶轮转角、主轴扭转变形以及发电功率;
16、以各个时间节点的风电机组传动链的叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及所述融合特征作为所述lstm模型的输入,以各个时间节点的风电机组传动链的绕x轴的力矩、绕y轴的力矩、绕z轴的力矩、沿x轴的力、沿y轴的力、沿z轴的力、叶轮转角、主轴扭转变形以及发电功率作为所述lstm模型的输出,对所述lstm模型进行训练,直至收敛函数收敛,得到训练完成的lstm模型;
17、其中,所述收敛函数包括:风力发电机组中叶轮所受的力与力矩之间的关联方程。
18、作为优选的,所述对所述lstm模型输出的输出数据进行优化,包括:
19、基于lstm模型输出的输出数据,通过图卷积网络得到初步预测结果;
20、基于所述初步预测结果,通过线性映射进行优化得到优化后的预测结果。
21、基于同一发明构思,本发明专利申请还提出了一种风电机组传动链数据预测系统,包括:
22、数据降维模块,用于获取风电机组传动链的输入数据,通过特征融合和特征筛选将所述输入数据进行降维转化;
23、数据输出模块,用于将降维转化后的所述输入数据输入到预先训练完成的lstm模型中,得到输出数据;
24、数据优化模块,用于对所述lstm模型输出的输出数据进行优化;
25、所述lstm模型,以降维转化后的输入数据作为输入,以输出数据作为输出完成训练。
26、作为优选的,所述数据降维模块中的输入数据包括:轮高度处风速、轮高度处x轴风速分量、轮高度处风速y轴风速分量、轮高度处风速z轴风速分量、轮高度处风速与x轴水平夹角、叶轮转速以及桨距角;
27、所述数据输出模块中的输出数据,包括:绕x轴的力矩、绕y轴的力矩、绕z轴的力矩、沿x轴的力、沿y轴的力、沿z轴的力、叶轮转角、主轴扭转变形以及发电功率。
28、作为优选的,所述数据降维模块通过特征融合和特征筛选将所述输入数据进行降维转化,包括:
29、基于所述轮高度处风速、轮高度处x轴风速分量、轮高度处风速y轴风速分量、轮高度处风速z轴风速分量、轮高度处风速与x轴水平夹角、叶轮转速以及桨距角,通过特征融合得到叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及叶轮转速和桨距角的融合特征;
30、基于注意力机制将叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及所述融合特征进行优化。
31、作为优选的,所述数据输出模块中的lstm模型,包括依次连接的第一lstm网络和第二lstm网络;
32、所述第一lstm网络,以叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及所述融合特征作为输入,以绕x轴的力矩、绕y轴的力矩、绕z轴的力矩、沿x轴的力、沿y轴的力、沿z轴的力、叶轮转角以及主轴扭转变形作为输出,完成训练;
33、所述第二lstm网络,以所述第一lstm网络的输入和输出作为输入,以发电功率作为输出,完成训练。
34、作为优选的,所述数据输出模块中的lstm模型的训练,包括:
35、获取多个时间节点的风电机组传动链的叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及所述融合特征,和绕x轴的力矩、绕y轴的力矩、绕z轴的力矩、沿x轴的力、沿y轴的力、沿z轴的力、叶轮转角、主轴扭转变形以及发电功率;
36、以各个时间节点的风电机组传动链的叶轮轮毂高度处风速、叶轮风速的水平速度、轮毂高度处风速与水平夹角以及所述融合特征作为所述lstm模型的输入,以各个时间节点的风电机组传动链的绕x轴的力矩、绕y轴的力矩、绕z轴的力矩、沿x轴的力、沿y轴的力、沿z轴的力、叶轮转角、主轴扭转变形以及发电功率作为所述lstm模型的输出,对所述lstm模型进行训练,直至收敛函数收敛,得到训练完成的lstm模型;
37、其中,所述收敛函数包括:风力发电机组中叶轮所受的力与力矩之间的关联方程。
38、作为优选的,所述数据优化模块对所述lstm模型输出的输出数据进行优化,包括:
39、基于lstm模型输出的输出数据,通过图卷积网络得到初步预测结果;
40、基于所述初步预测结果,通过线性映射进行优化得到优化后的预测结果。
41、基于同一发明构思,本发明专利申请又提出了一种计算机设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
42、当所述一个或多个程序被所述一个或多个处理器执行时,实现上述的一种风电机组传动链数据预测方法。
43、基于同一发明构思,本发明专利申请再提出了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现上述的一种风电机组传动链数据预测方法。
44、与最接近的现有技术相比,本发明专利申请具有的有益效果如下:
45、本发明专利申请提供了一种风电机组传动链数据预测方法和系统,包括:获取风电机组传动链的输入数据,通过特征融合和特征筛选将所述输入数据进行降维转化;将降维转化后的所述输入数据输入到预先训练完成的lstm模型中,得到输出数据;对所述lstm模型输出的输出数据进行优化;所述lstm模型,以降维转化后的输入数据作为输入,以输出数据作为输出完成训练,本发明专利申请通过采集风电机组传动链的输入数据,并将输入数据降维后通过lstm模型得到输出数据,并对输出数据进行优化,实现了人工智能和数据分析相结合,对风力发电机组叶片和传动链的位移、速度、加速度等进行准确的时序预测可以有效地对风电机的运转状态进行监控。