风机SCADA数据的偏航静态偏差角预测方法及系统技术方案

本发明专利技术公开了一种风机SCADA数据的偏航静态偏差角预测方法，包括：S1.获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；S2.根据所述数据矩阵标记得到静态偏航误差；S3.基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；S4.获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出；本发明专利技术基于神经网络算法，预测出风机的静态偏航误差，准确度高，且无需外挂机载式激光雷达等设备，降低引入其他设备产生的成本和引入设备的本身性能造成的数据误差，即相对于传统技术，本发明专利技术方法能够达到降本增效的目的，适于推广。

Prediction method and system of yaw static deviation angle based on SCADA data of wind turbine

【技术实现步骤摘要】
风机SCADA数据的偏航静态偏差角预测方法及系统
本专利技术涉及风力发电机的偏航静态偏差角的纠偏
，具体而言，为一种风机SCADA数据的偏航静态偏差角的预测方法和系统。
技术介绍
风力发电机(下称风机)，指的是一种能够通过吸收风能，并将风能转化为电能的机器。风机偏航，指的是风机通过旋转机舱，改变风机的迎风面，以调整风机吸收风能的效果，若偏航角大于阈值达到一定时间，风机的控制系统通过控制偏航电机，调整风轮轴线至与风向基本一致。风机偏航角，单位为°，是风向与风轮轴线之间的夹角，由SCADA(SupervisoryControlAndDataAcquisition)系统收集秒平均偏航角。实际工程中常用风向传感器测量偏航角，SCADA系统每100ms收集一次偏航角并保存每秒平均偏航角。风向传感器的零点标定是偏航角测量的基础。在风机运行过程中，由于仪器安装或运行过程其他因素的干扰，风向传感器的零点标定常存在误差，称为零点偏移现象；静态偏航误差，指的是由零点偏移现象引起的误差角度，会引起故障；目前校准静态偏航误差的方法主要是通过机载式激光雷达，准确测定风向，并与SCADA测得的风向数据进行对比，计算出风机的静态偏航误差。例如中国专利技术专利(专利号CN109989884)公开的一种风机偏航控制方法中，其通过激光雷达获取风向数据，进而推演出风机当前风信息，以提高风机的偏航稳定性；但这些技术中，需要借助于其他譬如激光雷达设备，系统架设成本高。有鉴于此，特提出本专利技术。
技术实现思路
针对现有技术中的缺陷，本专利技术提供一种风机SCADA数据的偏航静态偏差角预测方法及系统，基于神经网络遗传算法，无需外挂机载式激光雷达，以利于实现降本增效的目的。为达到上述目的，本专利技术的技术方案包括：一种风机SCADA数据的偏航静态偏差角预测方法，包括：S1.获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；S2.根据所述数据矩阵标记得到静态偏航误差；S3.基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；S4.获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出。进一步的，上述的风机SCADA数据的偏航静态偏差角预测方法中，步骤S2.根据所述数据矩阵标记得到静态偏航误差，包括：采用PCA主成分分析法，对以风机风速、发电功率、偏航角为相关特征的数据矩阵进行数据降维，得到相应的不同数据情况下的偏差角。进一步的，上述的风机SCADA数据的偏航静态偏差角预测方法中，步骤S3.包括：所述神经网络为对抗神经网络和/或深度神经网络，其特征工程提取出的特征向量具有预设的形状和维度，以提取的结果为素材，设定算法模型训练参数，得到神经网络训练学习模型。进一步的，上述的风机SCADA数据的偏航静态偏差角预测方法中，所述特征向量的形状和维度即数据矩阵进行降维处理的结果，不同风机的风速、偏航角、发电功率及标记得到对应的偏差角，构成数据样本集，作为训练参数，采用k折交叉验证的方式，训练学习模型并验证模型的准确率。进一步的，上述的风机SCADA数据的偏航静态偏差角预测方法中，获得的数据样本集划分为运行正常的数据样本和出现故障的数据样本，分别为正例和反例，输入到所述神经网络训练学习模型中；同一批输入数据样本集，使用k折交叉验证算法，获取的K个样本，其中K-1个作为测试集，一个样本作为训练集，进行迭代计算。第二方面，本专利技术还提供了一种实施上述方法的预测系统，包括数据获取模块：用于获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；数据处理模块：用于根据所述数据矩阵标记得到静态偏航误差；参数训练模块：用于基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；数据预测模块：用于获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出。第三方面，本专利技术还提供了一种包括上述的预测系统的智能诊断系统，还包括文件管理系统和版本管理系统；预测系统，用于训练关于风机风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；文件管理系统，用于存储预测系统训练的所述神经网络学习模型，并提供TensorFlow服务给版本管理系统；版本管理系统，用于保存和管理所述文件管理系统中的神经网络学习模型的版本数据信息，以供客户端通过服务句柄访问并获取相应的神经网络学习模型后执行预测任务。进一步的，上述的智能诊断系统中，提供持续训练数据管道，以使不同的数据通过预测系统后构造为不同版本的模型，供客户端请求获取。进一步的，上述的智能诊断系统中，还包括用户交互界面，用于数据或指定的输入以及数据的展示。本专利技术的有益效果体现在：本专利技术风机SCADA数据的偏航静态偏差角预测方法，以偏航角，风速，发电功率为输入量构建数据矩阵进行降维处理，基于神经网络算法，预测出风机的静态偏航误差，准确度高，且无需外挂机载式激光雷达等设备，降低引入其他设备产生的成本和引入设备的本身性能造成的数据误差，即相对于传统技术，本专利技术方法能够达到降本增效的目的，适于推广。本专利技术预测系统与风机SCADA系统对接，获取数据，进行神经网络训练，基于其训练得到的学习模型，可以实时获取风机的运行数据，预测风机的偏航静态偏差角，准确度高，利于预测风机故障，以及时作出相关措施，避免因为静态偏航误差危害机组安全运行。本专利技术智能诊断系统可以不断更新学习模型版本，用于风机运行情况的预测，经过一段时间的训练期，预测的结果会越来越准确。附图说明为了更清楚地说明本专利技术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。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。图1为本专利技术风机SCADA数据的偏航静态偏差角预测方法在一个具体实施例中的流程图；图2为本专利技术神经网络学习模型(即深度学习模型)的训练示意图；图3为图2中正反例数据集利用k折交叉验证的示意图；图4为本专利技术风力发电机SCADA偏航数据的偏航静态偏差角预测系统的结构框图；图5为本专利技术智能诊断系统的结构框图；图6为本专利技术提供持续训练数据管道的示意图。具体实施方式下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。实施例1如图1所示，一种风机SCADA数据的偏航静态偏差角预测方法本文档来自技高网...

【技术保护点】
1.一种风机SCADA数据的偏航静态偏差角预测方法，其特征在于，包括：/nS1.获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；/nS2.根据所述数据矩阵标记得到静态偏航误差；/nS3.基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；/nS4.获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出。/n

【技术特征摘要】
1.一种风机SCADA数据的偏航静态偏差角预测方法，其特征在于，包括：
S1.获取时间段内不同风机的风速、偏航角以及发电功率，构架数据矩阵；
S2.根据所述数据矩阵标记得到静态偏航误差；
S3.基于神经网络，训练关于所述风速、偏航角、发电功率以及静态偏航误差的神经网络学习模型；
S4.获取目标风机的当前风速、偏航角以及发电功率数据，输入至训练好的所述神经网络学习模型，预测所述目标风机的偏差角进行输出。


2.根据权利要求1所述的风机SCADA数据的偏航静态偏差角预测方法，其特征在于，步骤S2.根据所述数据矩阵标记得到静态偏航误差，包括：
采用PCA主成分分析法，对以风机风速、发电功率、偏航角为相关特征的数据矩阵进行数据降维，得到相应的不同数据情况下的偏差角。


3.根据权利要求2所述的风机SCADA数据的偏航静态偏差角预测方法，其特征在于，步骤S3.包括：
所述神经网络为对抗神经网络和/或深度神经网络，其特征工程提取出的特征向量具有预设的形状和维度，以提取的结果为素材，设定算法模型训练参数，得到神经网络训练学习模型。


4.根据权利要求3所述的风机SCADA数据的偏航静态偏差角预测方法，其特征在于，所述特征向量的形状和维度即数据矩阵进行降维处理的结果，不同风机的风速、偏航角、发电功率及标记得到对应的偏差角，构成数据样本集，作为训练参数，采用k折交叉验证的方式，训练学习模型并验证模型的准确率。


5.根据权利要求4所述的风机SCADA数据的偏航静态偏差角预测方法，其特征在于：
获得的数据样本集划分为运行正常的数据样本和出现故...

【专利技术属性】
技术研发人员：江魁，何鑫，曹辉，杨家伟，
申请(专利权)人：武汉展盛科技有限公司，
类型：发明
国别省市：湖北;42