【技术实现步骤摘要】
本专利技术涉及风力发电，特别是涉及一种风速风向仪故障预警方法、系统、电子设备及存储介质。
技术介绍
1、风速风向仪作为精密的测量仪器，也作为机组各部件中少数置于机舱外部的部件，其运行环境极为恶劣，导致风速风向仪故障率频发，引起机组对来流风速、风向测量失准，对风电机组经济、安全运行带来很大挑战。无论是从风电机组运行的安全性，还是风电场的经济效益出发，对风速风向仪进行有效的故障识别，都具有极其重要的意义。
技术实现思路
1、本专利技术的目的是提供一种风速风向仪故障预警方法、系统、电子设备及存储介质，以实现对风电场的风速风向仪进行有效的故障识别。
2、为实现上述目的，本专利技术提供了如下方案：
3、本专利技术提供一种风速风向仪故障预警方法，所述方法包括如下步骤：
4、获取风电场所有风电机组的不同历史时期的运行数据；所述运行数据包括风速、风向矢量平均值和叶轮转速；
5、根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群；所述待测风电机组为风电场中待检测风速风向仪所在位置的风电机组，所述风速风向共享机群包括风电场中与待测风电机组相关系数较大的预设个数的风电机组；
6、基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；所述样本集合包括i个样本，第i个样本的输入为风速风向共享机群中的每个风电机组的第i个历史时期的运行数据，第i个样本
7、基于所述样本集合训练xgboost回归模型，获得训练好的xgboost回归模型；
8、将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的xgboost回归模型，对待测风电机组的当前时期的运行数据进行预测；
9、将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。
10、可选的，获取风电场所有风电机组的不同历史时期的运行数据，具体包括：
11、获取风电场中所有风电机组的每个历史时期的风速、风向和叶轮转速；
12、分别对每个风电机组的每个历史时期的风速和风向进行风向矢量平均计算，获得每个风电机组的每个历史时期的风向矢量平均值。
13、可选的，风向矢量平均计算的公式为：
14、
15、其中，d'ave为一个历史时期的风向矢量平均值，j为一个历史时期内数据采集的次数，vj为一个时期内获取的第j个风速，dj为一个时期内获取的第j个风向。
16、可选的，根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群，具体包括：
17、分别根据每个风电机组的不同历史时期的运行数据，构建每个风电机组的运行数据矩阵；
18、分别计算每个目标风电机组的运行数据矩阵与待测风电机组的运行数据矩阵的相关性系数；所述目标风电机组为风电场中除了待测风电机组之外的风电机组；
19、按照相关性系数从大到小的顺序对目标风电机组进行排序，获得目标风电机组序列；
20、选取目标风电机组序列中前预设个数的目标风电机组组成所述风速风向共享机群。
21、可选的，训练xgboost回归模型的损失函数为：
22、
23、
24、其中，l(φ)为损失函数，表示第i个样本的预测误差，ω(fk)表示第k个树的复杂度的函数，φ为xgboost回归模型的参数，fk代表xgboost回归模型中的第k个树，tk为xgboost回归模型中的第k个树里面叶子节点的个数，wm为第m个叶子节点的权重，λ和γ均是超参数。
25、可选的，将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障，具体包括：
26、计算实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据的差值，得到偏差；
27、当所述偏差不在预设范围内时，确定待测风速风向仪发生故障。
28、可选的，所述预设范围的上限阈值和下限阈值分别为：
29、
30、其中，ucl为上限阈值，lcl为下限阈值，μ为每个样本的预测误差的均值，σ为每个样本的预测误差的标准差，λ是预测误差分布估计的权重，k为常数，是样本集合中最大预测误差的1.25倍。
31、一种风速风向仪故障预警系统，所述系统应用于上述的方法，所述系统包括：
32、历史运行数据获取模块，用于获取风电场所有风电机组的不同历史时期的运行数据；所述运行数据包括风速、风向矢量平均值和叶轮转速；
33、风速风向共享机群确定模块，用于根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群；所述待测风电机组为风电场中待检测风速风向仪所在位置的风电机组，所述风速风向共享机群包括风电场中与待测风电机组相关系数较大的预设个数的风电机组；
34、样本构建模块，用于基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时期的运行数据，构建样本集合；所述样本集合包括i个样本，第i个样本的输入为风速风向共享机群中的每个风电机组的第i个历史时期的运行数据，第i个样本的标签为待测风电机组的第i个历史时期的运行数据，i＝1，2，...，i；
35、训练模块，用于基于所述样本集合训练xgboost回归模型，获得训练好的xgboost回归模型；
36、预测模块，用于将风速风向共享机群中的每个风电机组的当前时期的运行数据输入训练好的xgboost回归模型，对待测风电机组的当前时期的运行数据进行预测；
37、故障判断模块，用于将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障。
38、一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
39、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的方法。
40、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：
41、本专利技术实施例提供一种风速风向仪故障预警方法、系统、电子设备及存储介质，所述方法包括：获取风电场所有风电机组的不同历史时期的运行数据；采用相关性分析法确定待测风电机组的风速风向共享机群；基于风速风向共享机群中的每个风电机组的不同历史时期的运行数据和待测风电机组的不同历史时本文档来自技高网...
【技术保护点】
1.一种风速风向仪故障预警方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，获取风电场所有风电机组的不同历史时期的运行数据，具体包括：
3.根据权利要求2所述的风速风向仪故障预警方法，其特征在于，风向矢量平均计算的公式为：
4.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群，具体包括：
5.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，训练XGBoost回归模型的损失函数为：
6.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，将使用待测风速风向仪实测得到的待测风电机组的当前时期的运行数据与预测得到的待测风电机组的当前时期的运行数据进行对比，确定待测风速风向仪是否发生故障，具体包括：
7.根据权利要求6所述的风速风向仪故障预警方法，其特征在于，所述预设范围的上限阈值和下限阈值分别为：
8.一种风速风向仪故障预警系统，其特征在于，
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种风速风向仪故障预警方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，获取风电场所有风电机组的不同历史时期的运行数据，具体包括：
3.根据权利要求2所述的风速风向仪故障预警方法，其特征在于，风向矢量平均计算的公式为：
4.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，根据每个风电机组的不同历史时期的运行数据，采用相关性分析法确定待测风电机组的风速风向共享机群，具体包括：
5.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，训练xgboost回归模型的损失函数为：
6.根据权利要求1所述的风速风向仪故障预警方法，其特征在于，将使用待测风速风向仪实测得到...
【专利技术属性】
技术研发人员：刘潇波，沙德生，刘兴伟，张庆，高连达，李芊，李德永，邹歆，徐海涛，刘勇，马天野，
申请(专利权)人：华能陈巴尔虎旗风力发电有限公司，
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。