System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及风力机组件状态预测领域,尤其涉及一种风力机组件运行状态预测方法、装置、设备及存储介质。
技术介绍
1、目前,为监测风力发电机组件的运行状态,以及预测风力发电机组件的故障,主要是利用对多种传感器的数据融合分析的方式,对风力发电机组件的运行状态进行监测以及预测故障。
2、但是,利用对多种传感器的数据融合分析的方式,对风力发电机组件的运行状态进行监测以及预测故障,并没有考虑不同传感器数据之间的内在关联系和差异性,而是将各传感器数据进行简单的叠加或者拼接处理,导致特征选择和模型训练过程中无法充分挖掘多远数据之间的潜在相关信息,从而无法准确预测风力机组件的运行状态。
技术实现思路
1、本申请的主要目的在于提供一种风力机组件运行状态预测方法、装置、设备及存储介质,旨在解决无法准确预测风力机组件的运行状态的技术问题。
2、为实现上述目的,本申请提供一种风力机组件运行状态预测方法,包括:
3、获取多种传感器数据;多种所述传感器数据包括振动传感器数据、声音传感器数据、电信号传感器数据、温度传感器数据以及湿度传感器数据中至少两者;
4、对多种所述传感器数据进行聚类,获得至少一个特征子集;
5、从至少一个所述特征子集中确定出不同所述传感器数据之间的相关度满足预设条件的目标特征子集;
6、利用所述目标特征子集,得到各所述传感器数据的数据融合权重;
7、利用所述数据融合权重,对多种所述传感器数据进行融合,得到机组综
8、将所述机组综合状态特征向量输入状态预测模型,得到机组的预测状态。
9、可选地,所述利用所述数据融合权重,对多种所述传感器数据进行融合,得到机组综合状态特征向量之后,所述方法还包括:
10、若监测到所述多种传感器数据中任一传感器数据发生变化,则获取变化后的多种第一传感器数据;
11、对多种所述第一传感器数据进行聚类,得到至少一个第一特征子集;
12、从至少一个所述第一特征子集中确定出不同所述第一传感器数据之间的相关度满足预设条件的第一目标特征子集;
13、利用所述第一目标特征子集,得到各所述第一传感器数据的第一数据融合权重;
14、利用所述第一数据融合权重更新所述数据融合权重,得到更新后的数据融合权重;
15、利用所述更新后的数据融合权重对所述第一传感器数据进行融合,得到新的机组综合状态特征向量。
16、可选地,所述利用所述目标特征子集,得到各所述传感器数据的数据融合权重,包括:
17、获取训练特征子集;
18、利用所述训练特征子集分别对与各传感器数据相对应的监督学习模型进行训练,得到至少两个目标监督学习模型;
19、将所述目标特征子集输入所有所述目标监督学习模型,得到至少两个预测结果;
20、基于各所述预测结果以及所述目标特征子集,从各所述传感器数据中,确定出与各所述预测结果相对应的实际结果;
21、针对每一预测结果,基于所述预测结果和对应的所述实际结果,获得对应的目标监督学习模型的拟合度;
22、将各拟合度,分别作为对应的传感器数据的数据融合权重。
23、可选地,所述将所述机组综合状态特征向量输入状态预测模型,得到机组的预测状态之后,所述方法还包括:
24、将所述预测状态输入优化维修算法模型,得到维修方案;
25、输出所述维修方案,以使工作人员基于所述维修方案对风力机组件进行维修。
26、可选地,所述输出所述维修方案,以使工作人员基于所述维修方案对风力机组件进行维修之后,所述方法还包括:
27、获取维修后的风力机组件的多种第二传感器数据;
28、对多种所述第二传感器数据进行聚类分析,得到至少一个第二特征子集;
29、从至少一个所述第二特征子集中确定出不同所述第二传感器数据之间的相关度满足预设条件的第二目标特征子集;
30、将所述第二目标特征子集输入所有所述目标监督学习模型中进行训练,得到微调后的目标监督学习模型。
31、可选地,所述将所述第二目标特征子集输入所有所述目标监督学习模型中进行训练,得到微调后的目标监督学习模型,包括:
32、获取风力机组件的实际输出功率;
33、将所述第二目标特征子集输入风力机组件输出功率预测模型中,得到风力机组件的预测输出功率;
34、获得所述预测输出功率以及所述实际输出功率之间的均方根误差;
35、若所述均方根误差大于预设阈值,则将所述第二目标特征子集输入所有所述目标监督学习模型中进行训练,得到微调后的目标监督学习模型。
36、可选地,所述监督学习模型为transformer模型。
37、第二方面,本申请提供一种风力机组件运行状态预测装置,所述风力机组件运行状态预测装置包括:
38、获取模块,用于获取多种传感器数据;多种所述传感器数据包括振动传感器数据、声音传感器数据、电信号传感器数据、温度传感器数据以及湿度传感器数据中至少两者;
39、聚类模块,用于对多种所述传感器数据进行聚类,获得至少一个特征子集;
40、确定模块,用于从至少一个所述特征子集中确定出不同所述传感器数据之间的相关度满足预设条件的目标特征子集;
41、得到模块,用于利用所述目标特征子集,得到各所述传感器数据的数据融合权重;
42、数据融合模块,用于利用所述数据融合权重,对多种所述传感器数据进行融合,得到机组综合状态特征向量;
43、输入模块,用于将所述机组综合状态特征向量输入状态预测模型,得到机组的预测状态。
44、第三方面,本申请提供一种风力机组件运行状态预测设备,包括:处理器,存储器以及存储在所述存储器中的风力机组件运行状态预测程序,所述风力机组件运行状态预测程序被所述处理器运行时实现如上任一项所述风力机组件运行状态预测方法的步骤。
45、第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质上存储有风力机组件运行状态预测程序,所述风力机组件运行状态预测程序被处理器执行时实现如上任一项所述的风力机组件运行状态预测方法。
46、本申请实施例提出的一种风力机组件运行状态预测方法,本申请通过获取多种传感器数据;多种所述传感器数据包括振动传感器数据、声音传感器数据、电信号传感器数据、温度传感器数据以及湿度传感器数据中至少两者;对多种所述传感器数据进行聚类,获得至少一个特征子集;从至少一个所述特征子集中确定出不同所述传感器数据之间的相关度满足预设条件的目标特征子集;利用所述目标特征子集,得到各所述传感器数据的数据融合权重;利用所述数据融合权重,对多种所述传感器数据进行融合,得到机组综合状态特征向量;将所述机组综合状态特征向量输入状态预测模型,得到本文档来自技高网...
【技术保护点】
1.一种风力机组件运行状态预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的风力机组件运行状态预测方法,其特征在于,所述利用所述数据融合权重,对多种所述传感器数据进行融合,得到机组综合状态特征向量之后,所述方法还包括:
3.根据权利要求1所述的风力机组件运行状态预测方法,其特征在于,所述利用所述目标特征子集,得到各所述传感器数据的数据融合权重,包括:
4.根据权利要求3所述的风力机组件运行状态预测方法,其特征在于,所述将所述机组综合状态特征向量输入状态预测模型,得到机组的预测状态之后,所述方法还包括:
5.根据权利要求4所述的风力机组件运行状态预测方法,其特征在于,所述输出所述维修方案,以使工作人员基于所述维修方案对风力机组件进行维修之后,所述方法还包括:
6.根据权利要求5所述的风力机组件运行状态预测方法,其特征在于,所述将所述第二目标特征子集输入所有所述目标监督学习模型中进行训练,得到微调后的目标监督学习模型,包括:
7.根据权利要求3所述的风力机组件运行状态预测方法,其特征在于,所述监督学习
8.一种风力机组件运行状态预测装置,其特征在于,所述风力机组件运行状态预测装置包括:
9.一种风力机组件运行状态预测设备,其特征在于,包括:处理器,存储器以及存储在所述存储器中的风力机组件运行状态预测程序,所述风力机组件运行状态预测程序被所述处理器运行时实现如权利要求1至7中任一项所述风力机组件运行状态预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有风力机组件运行状态预测程序,所述风力机组件运行状态预测程序被处理器执行时实现如权利要求1至7任一项所述的风力机组件运行状态预测方法。
...【技术特征摘要】
1.一种风力机组件运行状态预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的风力机组件运行状态预测方法,其特征在于,所述利用所述数据融合权重,对多种所述传感器数据进行融合,得到机组综合状态特征向量之后,所述方法还包括:
3.根据权利要求1所述的风力机组件运行状态预测方法,其特征在于,所述利用所述目标特征子集,得到各所述传感器数据的数据融合权重,包括:
4.根据权利要求3所述的风力机组件运行状态预测方法,其特征在于,所述将所述机组综合状态特征向量输入状态预测模型,得到机组的预测状态之后,所述方法还包括:
5.根据权利要求4所述的风力机组件运行状态预测方法,其特征在于,所述输出所述维修方案,以使工作人员基于所述维修方案对风力机组件进行维修之后,所述方法还包括:
6.根据权利要求5所述的风力机组件运行状态预测方法,其特征...
【专利技术属性】
技术研发人员:苏明辉,楚俊昌,李瑞平,孔瑞霞,王艳琴,
申请(专利权)人:深圳航天科创泛在电气有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。