一种风电机组塔筒姿态预测方法及系统技术方案

本发明专利技术公开了一种风电机组塔筒姿态预测方法及系统。该方法包括：获取风机塔筒姿态多元时间序列数据；利用改进C

【技术实现步骤摘要】
一种风电机组塔筒姿态预测方法及系统


[0001]本专利技术涉及风电机组故障预测领域，特别是涉及一种风电机组塔筒姿态预测预测方法及系统。

技术介绍

[0002]随着科学技术的迅猛发展，现代工程系统变得越来越复杂，承担的角色也越来越重要。复杂系统一般工作在环境比较恶劣的情况下，由于该系统在提高性能的同时也增加了影响系统正常工作的不确定因素，因此系统发生故障或失效的潜在可能性大大增加。某一部件的微小故障常常会引起整个系统的性能逐渐下降，关键部件的故障甚至会导致系统不能正常运行乃至瘫痪。很多灾难性事故都是由微小故障引发的，并且造成了巨大的财产损失、人员伤亡和社会影响。为保证复杂系统在运行过程中不出现致命性故障，对各分系统、子系统的可靠性、安全性要求极高。单靠提高元器件、组部件的可靠性来提高整个系统的可靠性已难以满足复杂系统对可靠性的要求，因此故障诊断与容错控制技术成为提高复杂系统可靠性、安全性的重要技术。
[0003]风电机组装转台在线监测系统是一类具有复杂特性的闭环系统，通常存在数据匮乏、预测模型难以建立、不确定性严重等问题，因此，对此类系统进行故障预测也存在很多困难，如怎样建立预测模型、如何制定预测机制、怎样保证预测精确性和实时性等，这些都需要经过长期深入的分析和探讨。总而言之，对故障预测理论与方法的研究是必行之路，具有普遍意义，其理论研究和实际应用的成果会给对可靠性、安全性要求极高的复杂系统带来无穷受益，也可将其研究成果推广应用到各个国民经济领域中，比如运载火箭、空间站、卫星、载人飞船和其他复杂工业系统等，具有广阔的应用前景。

技术实现思路

[0004]本专利技术的目的是提供一种风电机组塔筒姿态预测方法及系统，用以对风机塔筒的姿态进行准确性和实时性的预测，从而实现故障的预测。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种风电机组塔筒姿态预测方法，包括：
[0007]获取风机塔筒姿态多元时间序列数据；
[0008]利用改进C
‑
C方法对所述多元时间序列数据进行相空间重构；
[0009]对于相空间重构后的多元时间序列数据，构建多个对应的初始预测模型；所述初始预测模型为支持向量回归机模型；
[0010]采用序贯最小方法优化各所述初始预测模型；
[0011]基于相空间重构后的多元时间序列数据对各优化后的预测模型进行训练；
[0012]通过各训练后的预测模型对风机塔筒姿态进行预测。
[0013]进一步地，所述多元时间序列数据包括风机塔筒沿x轴、y轴、z轴的角速率以及风机塔筒沿x轴、y轴、z轴的倾斜角。
[0014]进一步地，在利用改进C
‑
C方法对所述多元时间序列数据进行相空间重构，之前还包括：
[0015]对多元时间序列数据进行归一化处理。
[0016]进一步地，所述支持向量回归机模型的核函数为径向基函数。
[0017]进一步地，所述基于相空间重构后的多元时间序列数据对各优化后的预测模型进行训练，具体包括：
[0018]将相空间重构后的多元时间序列数据输入至各优化后的预测模型，得到输出数据；
[0019]基于所述输出数据对各优化后的预测模型中的惩罚因子和核参数进行优化，完成训练过程。
[0020]进一步地，所述利用改进C
‑
C方法对所述多元时间序列数据进行相空间重构，具体包括：
[0021]确定所述多元时间序列数据中各变量的延迟时间；
[0022]计算嵌入维数；
[0023]基于所述延迟时间和所述嵌入维数对所述多元时间序列数据进行相空间重构。
[0024]本专利技术还提供了一种风电机组塔筒姿态预测系统，包括：
[0025]多元时间序列数据获取模块，用于获取风机塔筒姿态多元时间序列数据；
[0026]相空间重构模块，用于利用改进C
‑
C方法对所述多元时间序列数据进行相空间重构；
[0027]模型构建模块，用于对于相空间重构后的多元时间序列数据，构建多个对应的初始预测模型；所述初始预测模型为支持向量回归机模型；
[0028]优化模块，用于采用序贯最小方法优化各所述初始预测模型；
[0029]训练模块，用于基于相空间重构后的多元时间序列数据对各优化后的预测模型进行训练；
[0030]预测模块，用于通过各训练后的预测模型对风机塔筒姿态进行预测。
[0031]进一步地，所述训练模块具体包括：
[0032]输入单元，用于将相空间重构后的多元时间序列数据输入至各优化后的预测模型，得到输出数据；
[0033]优化单元，用于基于所述输出数据对各优化后的预测模型中的惩罚因子和核参数进行优化，完成训练过程。
[0034]进一步地，所述相空间重构模块具体包括：
[0035]延迟时间确定单元，用于确定所述多元时间序列数据中各变量的延迟时间；
[0036]嵌入维数计算单元，用于计算嵌入维数；
[0037]相空间重构单元，用于基于所述延迟时间和所述嵌入维数对所述多元时间序列数据进行相空间重构。
[0038]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0039]本专利技术利用相空间重构方法对时间序列进行了处理，并建立了加权SVR预测模型，即采用序贯最小方法优化各支持向量回归机模型，同时对其停机准则和模型参数进行了优化；从而使其能够更加准确的预测风机塔筒的姿态，实现故障的预测。
附图说明
[0040]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0041]图1为本专利技术实施例风电机组塔筒姿态预测方法的流程图；
[0042]图2为本专利技术实施例采用序贯最小方法优化各所述初始预测模型的原理；图；
[0043]图3为第一组变量的最优参数适应度曲线；
[0044]图4为第二组变量的最优参数适应度曲线；
[0045]图5为第三组变量的最优参数适应度曲线；
[0046]图6为第四组变量的最优参数适应度曲线；
[0047]图7为第五组变量的最优参数适应度曲线；
[0048]图8为第六组变量的最优参数适应度曲线；
[0049]图9为故障开始的22s到32s角速度p的一步预测结果；
[0050]图10为故障开始的22s到32s后角速度q的一步预测结果；
[0051]图11为故障开始的22s到32s角速度r0的一步预测结果；
[0052]图12为故障开始的22s到32s角φ的一步预测结果；
[0053]图13为故障开始的22s到32s角θ的一步预测结果图；
[0054]图14为故障开始的22s到32s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组塔筒姿态预测方法，其特征在于，包括：获取风机塔筒姿态多元时间序列数据；利用改进C
‑
C方法对所述多元时间序列数据进行相空间重构；对于相空间重构后的多元时间序列数据，构建多个对应的初始预测模型；所述初始预测模型为支持向量回归机模型；采用序贯最小方法优化各所述初始预测模型；基于相空间重构后的多元时间序列数据对各优化后的预测模型进行训练；通过各训练后的预测模型对风机塔筒姿态进行预测。2.根据权利要求1所述的风电机组塔筒姿态预测方法，其特征在于，所述多元时间序列数据包括风机塔筒沿x轴、y轴、z轴的角速率以及风机塔筒沿x轴、y轴、z轴的倾斜角。3.根据权利要求1所述的风电机组塔筒姿态预测方法，其特征在于，在利用改进C
‑
C方法对所述多元时间序列数据进行相空间重构，之前还包括：对多元时间序列数据进行归一化处理。4.根据权利要求1所述的风电机组塔筒姿态预测方法，其特征在于，所述支持向量回归机模型的核函数为径向基函数。5.根据权利要求1所述的风电机组塔筒姿态预测方法，其特征在于，所述基于相空间重构后的多元时间序列数据对各优化后的预测模型进行训练，具体包括：将相空间重构后的多元时间序列数据输入至各优化后的预测模型，得到输出数据；基于所述输出数据对各优化后的预测模型中的惩罚因子和核参数进行优化，完成训练过程。6.根据权利要求1所述的风电机组塔筒姿态预测方法，其特征在于，所述利用改进C
‑
C...

【专利技术属性】
技术研发人员：徐进，丁显，刘亦石，
申请(专利权)人：都城伟业集团有限公司，
类型：发明
国别省市：