一种用于风力发电机的故障预测系统及方法

本发明涉及故障预测，具体涉及一种用于风力发电机的故障预测系统及方法。

背景技术：

1、随着绿色发展理念的不断贯彻，新能源的利用是电力行业绿色可持续发展的迫切需求。风力发电其运行和维护费用较低。风电具有巨大的市场,累计和新增装机容量稳居前列，风电已是最有发展前景的绿色新能源之一。

2、由于风电机组运行环境恶劣，一旦出现故障会带来高昂维修费用以及长时间停机损失。因此，及早识别预测风力发电机故障对于保障风电机组安全运行具有重要意义。

3、目前，已出现利用深度学习的卷积与记忆网络来融合scada数据的时-空特征，对基于时间间隔的scada数据进行故障预测的方案；但由于常见的时间间隔比较长，这种低采样的工作模式带来固有的数据低维问题，不能很好地满足深度学习算法对于数据的细粒度需求，进而影响预测的准确性。

技术实现思路

1、为了克服现有技术中的不足，本发明的目的在于提供一种用于风力发电机的故障预测系统及方法，以提升预测的准确性。

2、第一方面：本发明实施例提供了一种用于风力发电机的故障预测系统，所述系统包括：

3、预处理模块，用于将获取的数据传送至预设的处理模型中进行处理；其中，所述获取的数据为时序数据；

4、预测模块，用于将处理后的数据传送至预先构建的预测模型中进行处理，以得出预测结果；其中，所述预测结果包括故障预警；

5、优化模块，用于在存在故障预警时，调取当前预警所对应时刻前后预设数量的数据点位，并通过深度学习算法识别所述故障预警是否是误报警，以降低误报警率。

6、作为本申请一种可选的实施方式，所述传送至预设的处理模型中进行处理，具体包括：

7、缺失值处理；

8、异常值处理，删除离群点；

9、数据平衡处理。

10、作为本申请一种可选的实施方式，所述预测模型通过自注意力机制和双向长短期记忆网络进行构建，通过双向长短期记忆网络学习空间特征前后时间依赖性，用自注意力机制实现了基于时间特征提取上的进一步特征挖掘。

11、作为本申请一种可选的实施方式，所述预测模型在训练时，还对模型预测的残差进行去噪，再利用ewma做平滑处理，最后根据滑动窗口内残差的均值和标准差设定故障预警的动态阈值；其中，所述滑动窗口为数据中能反映整个数据变化趋势的窗口信息。

12、作为本申请一种可选的实施方式，故障预警时，还结合获取的传感器信号进行分析，以提升预警的准确率。

13、第二方面：本发明实施例提供了一种用于风力发电机的故障预测方法，应用于第一方面所述的一种用于风力发电机的故障预测系统，所述方法包括：

14、将获取的数据传送至预设的处理模型中进行处理；其中，所述获取的数据为时序数据；

15、将处理后的数据传送至预先构建的预测模型中进行处理，以得出预测结果；其中，所述预测结果包括故障预警；

16、在存在故障预警时，调取当前预警所对应时刻前后预设数量的数据点位，并通过深度学习算法识别所述故障预警是否是误报警，以降低误报警率。

17、作为本申请一种可选的实施方式，所述传送至预设的处理模型中进行处理，具体包括：

18、缺失值处理；

19、异常值处理，删除离群点；

20、数据平衡处理。

21、作为本申请一种可选的实施方式，所述预测模型通过自注意力机制和双向长短期记忆网络进行构建，通过双向长短期记忆网络学习空间特征前后时间依赖性，用自注意力机制实现了基于时间特征提取上的进一步特征挖掘。

22、作为本申请一种可选的实施方式，所述预测模型在训练时，还对模型预测的残差进行去噪，再利用ewma做平滑处理，最后根据滑动窗口内残差的均值和标准差设定故障预警的动态阈值；其中，所述滑动窗口为数据中能反映整个数据变化趋势的窗口信息。

23、作为本申请一种可选的实施方式，所述方法还包括：

24、故障预警时，还结合获取的传感器信号进行分析，以提升预警的准确率。

25、采用上述技术方案，具有以下优点：本发明提出的一种用于风力发电机的故障预测系统及方法，通过双向长短期记忆网络学习空间特征前后时间依赖性，自注意力机制级联强化融合时空特征，基于时间特征提取上的进一步特征挖掘，实现了粗粒数据条件下风力发电机故障的早期预测；并在存在故障预警时，再次通过深度学习算法结合所对应时刻前后预设数量的数据点位来识别所述故障预警是否是误报警，以降低误报警率；从而提升预测的准确性。

技术特征：

1.一种用于风力发电机的故障预测系统，其特征在于，所述系统包括：

2.根据权利要求1所述的一种用于风力发电机的故障预测系统，其特征在于，所述传送至预设的处理模型中进行处理，具体包括：

3.根据权利要求2所述的一种用于风力发电机的故障预测系统，其特征在于，所述预测模型通过自注意力机制和双向长短期记忆网络进行构建，通过双向长短期记忆网络学习空间特征前后时间依赖性，用自注意力机制实现了基于时间特征提取上的进一步特征挖掘。

4.根据权利要求3所述的一种用于风力发电机的故障预测系统，其特征在于，所述预测模型在训练时，还对模型预测的残差进行去噪，再利用ewma做平滑处理，最后根据滑动窗口内残差的均值和标准差设定故障预警的动态阈值；其中，所述滑动窗口为数据中能反映整个数据变化趋势的窗口信息。

5.根据权利要求1至4中任一项所述的一种用于风力发电机的故障预测系统，其特征在于，故障预警时，还结合获取的传感器信号进行分析，以提升预警的准确率。

6.一种用于风力发电机的故障预测方法，其特征在于，应用于权利要求1所述的一种用于风力发电机的故障预测系统，所述方法包括：

7.根据权利要求6所述的一种用于风力发电机的故障预测方法，其特征在于，所述传送至预设的处理模型中进行处理，具体包括：

8.根据权利要求6所述的一种用于风力发电机的故障预测方法，其特征在于，所述预测模型通过自注意力机制和双向长短期记忆网络进行构建，通过双向长短期记忆网络学习空间特征前后时间依赖性，用自注意力机制实现了基于时间特征提取上的进一步特征挖掘。

9.根据权利要求8所述的一种用于风力发电机的故障预测方法，其特征在于，所述预测模型在训练时，还对模型预测的残差进行去噪，再利用ewma做平滑处理，最后根据滑动窗口内残差的均值和标准差设定故障预警的动态阈值；其中，所述滑动窗口为数据中能反映整个数据变化趋势的窗口信息。

10.根据权利要求8或9所述的一种用于风力发电机的故障预测方法，其特征在于，所述方法还包括：

技术总结
本发明实施例公开了一种用于风力发电机的故障预测系统及方法，所述系统包括：预处理模块，用于将获取的数据传送至预设的处理模型中进行处理，以清除异常数据；所述数据为时序数据；预测模块，用于将处理后的数据传送至预先构建的预测模型中进行处理，以得出预测结果；其中，所述预测结果包括故障预警；优化模块，用于在存在故障预警时，调取当前预警所对应时刻前后预设数量的数据点位，并通过深度学习算法识别所述故障预警是否是误报警，以降低误报警率；其有益效果是：实现降低误报警率，提升预测的准确性。

技术研发人员：叶涛
受保护的技术使用者：唐山学院
技术研发日：
技术公布日：2024/5/16