风力发电机组的故障预测方法、相应的装置及电子设备制造方法及图纸

本申请提供了一种风力发电机组的故障预测方法、相应的装置及电子设备。该方法包括：获取目标风力发电机组的静态信息及环境信息；基于预先构建的决策树模型和/或随机森林模型，根据静态信息及环境信息，确定目标风力发电机组的故障预测结果。本申请通过风力发电机组的静态信息及环境信息来预测风力发电机组故障的发生，填补了故障与更多维度的特征交互的情况，通过预先构建的决策树模型和/或随机森林模型，可以刻画出故障在特定环境和规则下出现集聚和高发的现象，从而提高风力发电机组故障预测的可靠性，提升风力发电机组维护的效率。

Fault prediction method, corresponding devices and electronic equipment of wind turbine

【技术实现步骤摘要】
风力发电机组的故障预测方法、相应的装置及电子设备
本申请涉及风力发电
，具体而言，本申请涉及一种风力发电机组的故障预测方法、相应的装置及电子设备。
技术介绍
风力发电是指把风的动能转为电能。风能是一种清洁无公害的可再生能源，利用风力发电非常环保，且它取之不尽，用之不竭，因此日益受到世界各国的重视。近年来，我国的风力发电占供电比重增长迅速，大规模风力发电机组对地区电网稳定性造成的影响愈发显著。而由于各种因素的影响，风力发电机组难免会出现运行故障，就会造成电力系统暂态不稳定，严重时甚至会造成局部系统瘫痪。因此，对风力发电机组的维护就显得至关重要。其中，维护内容之一就包括对风力发电机组故障的预测及预警。现有技术中，通常基于专家经验预测风力发电机组故障的发生，一定程度上存在主观性、片面性和滞后性的问题，且专家经验难以快速复制，人力成本过高，给风力发电机组的维护工作带来很大的困难。
技术实现思路
为克服上述技术问题或者至少部分地解决上述技术问题，特提出以下技术方案：第一方面，本申请提供了一种风力发电机组的本文档来自技高网...

【技术保护点】
1.一种风力发电机组的故障预测方法，其特征在于，所述方法包括：/n获取目标风力发电机组的静态信息及环境信息；/n基于预先构建的决策树模型和/或随机森林模型，根据所述静态信息及所述环境信息，确定所述目标风力发电机组的故障预测结果。/n

【技术特征摘要】
1.一种风力发电机组的故障预测方法，其特征在于，所述方法包括：
获取目标风力发电机组的静态信息及环境信息；
基于预先构建的决策树模型和/或随机森林模型，根据所述静态信息及所述环境信息，确定所述目标风力发电机组的故障预测结果。


2.根据权利要求1所述的故障预测方法，其特征在于，
所述静态信息包括所属项目信息和/或设备信息；
所述环境信息包括气象信息和/或地形信息。


3.根据权利要求1所述的故障预测方法，其特征在于，所述基于预先构建的决策树模型和/或随机森林模型，根据所述静态信息及所述环境信息，确定所述目标风力发电机组的故障预测结果，包括：
将所述静态信息及所述环境信息与基于所述决策树模型确定出的故障集聚规则进行匹配，将得到的匹配结果确定为所述目标风力发电机组的故障预测结果；或者
基于所述随机森林模型，根据所述静态信息及所述环境信息，预测所述目标风力发电机组发生故障的概率，将所述概率确定为所述目标风力发电机组的故障预测结果；或者
基于所述决策树模型确定出的故障集聚规则和所述随机森林模型，根据所述静态信息及所述环境信息，确定所述目标风力发机组的联合故障预测结果，所述联合故障预测结果是根据所述匹配结果及所述概率确定的，将所述联合故障预测结果确定为所述目标风力发电机组的故障预测结果。


4.根据权利要求1所述的故障预测方法，其特征在于，所述获取目标风力发电机组的静态信息及环境信息之后，所述方法还包括：
对获取的所述静态信息及所述环境信息进行匹配合并处理；
当判断出匹配合并处理结果不完整时，重新获取所述目标风力发电机组的静态信息及环境信息。


5.根据权利要求1-4任一项所述的故障预测方法，其特征在于，构建决策树模型和随机森林模型的方式，包括：
获取多个风力发电机组的历史故障信息、历史静态信息及历史环境信息作为样本数据；
基于所述样本数据对应的多个变量类型，分别对所述样本数据进行分层采样，并根据分层采样后的数据生成对应的决策树模型；
将多个决策树模型进行集成，生成随机森林模型。


6.根据权利要求5所述的故障预测方法，其特征在于，生成对应的决策树模型之后，还包括：
基于所述决策树模型，提取故障规则；
确定各个故障规则的故障规则准确率；
将故障规则准确率超过预定阈值的故障规则确定为故障集聚规则。


7.根据权利要求5所述的故障预测方法，其特征在于，获取多个风力发电机组的历史故障信息、历史静态信息及历史环境信息作为样本数据之后，还包括：
对所述样本数据进行探索分析，以筛选构建随机森林模型和/或决策树模型的变量类型；和/或，
对所述样本数据进行预处理；
其中，所述对所述样本数据进行预处理，包括以下至少一项：
对连续变量类型的数据中存在的异常值、噪音值及空缺值进行剔除处理或补缺处理；
将各个变量类型的数据进行规范化；
哑变量处理；
样本数据偏斜处理。


8.根据权利要求5所述的故障预测方法，其特征在于，所述基于所述样本数据对应的多个变量类型，分别对所述样本数据进行分层采样，并根据分层采样后的数据生成对应的决策树模型，包括：
通过分类回归树算法在所述样本数据中选择具有最小基尼指数增益的多个变量类型分别作为结点来划分决策树；
基于划分结果，对所述样本数据进行分配，生成对应的决策树模型；
所述将多个决策树模型进行集成，生成随机森林模型，包括：
通过随机森林算法将多个决策树模型进行集成，生成随机森林模型。


9.根据权利要求5所述的故障预测方法，其特征在于，所述基于所述样本数据对应的多个变量类型，分别对所述样本数据进行分层采样，并根据分层采样后的数据生成对应的决策树模型之后，还包括：
对各个决策树模型进行剪枝处理及参数优调处理；
对任一决策树模型进行剪枝处理，包括...

【专利技术属性】
技术研发人员：余斌，侠惠芳，
申请(专利权)人：新疆金风科技股份有限公司，
类型：发明
国别省市：新疆;65