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】
本专利技术属于海上风电,尤其涉及一种基于数字孪生的海上风电机组故障预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、由于海上风电设备部署于海洋,其环境相对陆地更为复杂,外部环境更加恶劣,导致海上风电机组运维成本高,难度大。海上风电机组能否正常运行不仅影响到发电的稳定性,还影响着风电机组的运行成本。
3、现有技术中,提出了许多风电机组故障预测模型,主要采用机器学习算法进行历史数据挖掘,分析处理大量风机历史运行数据,通过建立故障预测模型对风机故障进行预测。传统机器学习算法构建的故障预测模型数据样本完全来源于历史数据,数据集存在正负样本不平衡的问题,并且历史数据样本具有局限性,历史故障类型及故障样本工况单一,无法满足海上风电机组运行全生命周期内的故障预测,传统机器学习算法建模故障检测能力不足,模型应用场景有限,导致海上风电状态监控可视化程度低、运维实时性不足、故障预测类型单一等问题。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题,本专利技术提供一种基于数字孪生的海上风电机组故障预测方法及系统,其可解决传统机器学习算法的不足,实现海上风电机组运行全生命周期故障预测预警。
2、为了实现上述目的,本专利技术采用如下技术方案:
3、本专利技术的第一个方面提供一种基于数字孪生的海上风电机组故障预测方法。
4、一种基于数字孪生的海上风电机组故障预测方法,其包括:
>5、将海上风电机组的实时运行数据及仿真数据,存储至孪生数据库中;其中,仿真数据由海上风电机组的孪生机理模型仿真模拟生成;
6、利用孪生数据库中的运行数据及仿真数据,训练孪生数据模型;
7、基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据,得到当前孪生数据模型所对应的故障类型概率;
8、基于当前故障类型概率的置信度,判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
9、作为一种实施方式,若当前孪生数据模型输出的故障类型概率达到设定置信度,则直接输出故障类型。
10、作为一种实施方式,若当前孪生数据模型输出的故障类型概率均未达到设定置信度,则判定出现新故障类型;
11、基于海上风电机组的当前运行数据及孪生机理模型,生成新的仿真数据并连同海上风电机组的当前运行数据存储至孪生数据库;
12、利用更新后的孪生数据库中的海上风电机组运行数据及仿真数据,继续训练当前孪生数据模型或重新训练新的机器学习模型来预测新故障类型。
13、作为一种实施方式,在训练所述孪生数据模型的过程中,特征选择依次按照重要程度从初始特征集合中不断选择特征子集,训练学习器,根据学习器的性能对子集进行评价,直到选择出最佳子集;使用随机策略进行子集搜索,通过向前搜索的方法在最优子集上逐步增加特征,直到孪生数据模型的性能最优。
14、本专利技术的第二个方面提供一种基于数字孪生的海上风电机组故障预测系统。
15、一种基于数字孪生的海上风电机组故障预测系统,其包括:
16、孪生数据库构建模块,其用于将海上风电机组的实时运行数据及仿真数据,存储至孪生数据库中;其中,仿真数据由海上风电机组的孪生机理模型仿真模拟生成;
17、孪生数据模型训练模块,其用于利用孪生数据库中的运行数据及仿真数据,训练孪生数据模型;
18、故障类型概率计算模块,其用于基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据,得到当前孪生数据模型所对应的故障类型概率;
19、故障类型最终确定模块,其用于基于当前故障类型概率的置信度,判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
20、作为一种实施方式,在所述故障类型最终确定模块中,若当前孪生数据模型输出的故障类型概率达到设定置信度,则直接输出故障类型。
21、作为一种实施方式,在所述故障类型最终确定模块中,若当前孪生数据模型输出的故障类型概率均未达到设定置信度,则判定出现新故障类型;
22、基于海上风电机组的当前运行数据及孪生机理模型,生成新的仿真数据并连同海上风电机组的当前运行数据存储至孪生数据库;
23、利用更新后的孪生数据库中的运行数据及仿真数据,继续训练当前孪生数据模型或重新训练新的机器学习模型来预测新故障类型。
24、作为一种实施方式,在所述孪生数据模型训练模块中,在训练所述孪生数据模型的过程中,特征选择依次按照重要程度从初始特征集合中不断选择特征子集,训练学习器,根据学习器的性能对子集进行评价,直到选择出最佳子集;使用随机策略进行子集搜索,通过向前搜索的方法在最优子集上逐步增加特征,直到孪生数据模型的性能最优。
25、本专利技术的第三个方面提供一种计算机可读存储介质。
26、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
27、本专利技术的第四个方面提供一种电子设备。
28、一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
29、与现有技术相比,本专利技术的有益效果是:
30、(1)本专利技术利用数字孪生技术,基于海上风电机组传感器现场监测的数据,结合机器学习、仿真模拟等手段,实现海上风电物理空间与虚拟空间多维度、多尺度的关联映射,在虚拟空间内能够对海上风电机组运行状态进行全生命周期监测,针对风机故障等问题进行实时预测预警,为真实海上风电运维提供全方位指导。
31、(2)本专利技术通过建立海上风电发电机数字孪生机理模型,仿真模拟不同环境条件下导致的风机故障类型及工况,生成仿真数据,结合海上风电工程实际运行数据,辅助了故障检测算法进行训练,增强了算法的泛化能力,提高了故障预测精度及适用广度,构建的故障预测模型能够满足海上风电机组全生命周期运维的需求。
32、(3)本专利技术通过构建海上风电数字孪生系统,结合海上风电实际运行情况,能够不断更新校准虚拟空间内的数字孪生体模型,在物理实体与虚拟空间之间不断进行迭代、更新、优化,可实现全生命周期内对海上风电工程的实时监测、预报预警、控制管理。
33、本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于数字孪生的海上风电机组故障预测方法,其特征在于,包括:
2.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法,其特征在于,若当前孪生数据模型输出的故障类型概率达到设定置信度,则直接输出故障类型。
3.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法,其特征在于,若当前孪生数据模型输出的故障类型概率均未达到设定置信度,则判定出现新故障类型;
4.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法,其特征在于,在训练所述孪生数据模型的过程中,特征选择依次按照重要程度从初始特征集合中不断选择特征子集,训练学习器,根据学习器的性能对子集进行评价,直到选择出最佳子集;使用随机策略进行子集搜索,通过向前搜索的方法在最优子集上逐步增加特征,直到孪生数据模型的性能最优。
5.一种基于数字孪生的海上风电机组故障预测系统,其特征在于,包括:
6.如权利要求5所述的基于数字孪生的海上风电机组故障预测系统,其特征在于,在所述故障类型最终确定模块中,若当前孪生数据模型输出的故障类型概率达到设定置信度,则直接输出故
7.如权利要求5所述的基于数字孪生的海上风电机组故障预测系统,其特征在于,在所述故障类型最终确定模块中,若当前孪生数据模型输出的故障类型概率均未达到设定置信度,则判定出现新故障类型;
8.如权利要求5所述的基于数字孪生的海上风电机组故障预测系统,其特征在于,在所述孪生数据模型训练模块中,在训练所述孪生数据模型的过程中,特征选择依次按照重要程度从初始特征集合中不断选择特征子集,训练学习器,根据学习器的性能对子集进行评价,直到选择出最佳子集;使用随机策略进行子集搜索,通过向前搜索的方法在最优子集上逐步增加特征,直到孪生数据模型的性能最优。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
...【技术特征摘要】
1.一种基于数字孪生的海上风电机组故障预测方法,其特征在于,包括:
2.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法,其特征在于,若当前孪生数据模型输出的故障类型概率达到设定置信度,则直接输出故障类型。
3.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法,其特征在于,若当前孪生数据模型输出的故障类型概率均未达到设定置信度,则判定出现新故障类型;
4.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法,其特征在于,在训练所述孪生数据模型的过程中,特征选择依次按照重要程度从初始特征集合中不断选择特征子集,训练学习器,根据学习器的性能对子集进行评价,直到选择出最佳子集;使用随机策略进行子集搜索,通过向前搜索的方法在最优子集上逐步增加特征,直到孪生数据模型的性能最优。
5.一种基于数字孪生的海上风电机组故障预测系统,其特征在于,包括:
6.如权利要求5所述的基于数字孪生的海上风电机组故障预测系统,其特征在于,在所述故障类型最终确定模块中,若当前孪生数据模型输出的故障类型概率达到设定置信度,...
【专利技术属性】
技术研发人员:李天昊,王勇,王宇,孟庆飞,王大忠,张积乐,侯新,
申请(专利权)人:山东电力工程咨询院有限公司,
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。