【技术实现步骤摘要】
本专利技术具体涉及风电机组故障预警，具体是一种基于风电系统的故障预警装置及系统。
技术介绍
1、风能作为可持续的绿色能源符合目前国内，世界的能源发展趋势，且随着风电技术的完善，风电装机量在逐年增加。对于风机组而言，其大多部件的成本较高，如果未及时发现故障对其维修，引发连锁故障时造成的经济损失可能涉及几十，甚至上百万。
2、为了保证风力发电机组的正常运行，目前，由工作人员在风力发电机组现场，利用故障数据，结合故障现象等，依靠经验对故障进行排查。但往往现场工作人员故障处理经验不足，不能将故障数据特征与解决方案很好的结合在一起，造成工作人员对风力发电机组的故障进行排查所花费的时间较长，从而导致风力发电机组的故障诊断的效率较低。
技术实现思路
1、本专利技术的目的在于提供一种基于风电系统的故障预警装置及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于风电系统的故障预警装置，包括：
4、数据采集模块，用于获取风电机组信息和风电机组叶片信息，所述风电机组信息包括机组整体信息和机组元件检测信息，所述风电机组叶片信息包括风电机组叶片的热分布图像；
5、模型构建模块，用于构建深度学习模型，基于深度学习模型对风电机组叶片的热分布图像进行识别，得到风电机组叶片的故障识别结果，所述故障识别结果包括风电机组叶片的故障名称和故障种类；
6、故障判断模块，所述故障判断模块包括第一故障判断
7、作为本专利技术进一步的方案：所述机组整体信息包括风轮、发电机、控制器、逆变器、卸荷器、并网控制器、蓄电池组的运行数据检测值；所述风电机组叶片信息还包括有风电机组叶片的名称、型号、厂家和故障维修记录。
8、作为本专利技术再进一步的方案：所述模型构建模块包括：
9、数据采集单元，用于获取训练数据，所述训练数据为风电机组叶片的热分布图像库，风电机组叶片的热分布图像库包括标注过故障名称和故障种类的风电机组叶片热分布图像和风电机组叶片热分布图像图标，将训练数据分为训练集、验证集和测试集；
10、模型构建单元，用于构建深度学习模型，所述深度学习模型包括卷积模块，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、relu激活层和池化层；
11、模型训练单元，用于使用训练集的数据对构建的深度学习模型进行训练，即将训练集数据输入深度学习模型进行迭代；
12、验证单元，用于使用验证集的数据对训练好的深度学习模型进行验证；
13、故障识别单元，用于将测试集数据输入到训练好的深度学习模型，得到故障识别结果，所述故障识别结果为风电机组叶片的故障名称和故障种类；
14、检验单元，用于判断故障识别结果是否符合预期，结果不符合时，继续进行训练直至结果符合，深度学习模型构建完成。
15、作为本专利技术再进一步的方案：数据采集单元将训练数据分为训练集、验证集和测试集的方法为：随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，10％作为测试集。
16、作为本专利技术再进一步的方案：所述深度学习模型还包括有输入层、全连接层和输出层，所述输入层与卷积模块连接，所述卷积模块与全连接层连接，所述全连接层与输出层连接，最后一段卷积完成特征提取后与全连接层连接，整合卷积模块提取得到的特征，得到故障识别结果。
17、作为本专利技术再进一步的方案：所述第一故障判断模块，用于基于故障识别结果判断风电机组叶片是否发生故障，若是，生成一类预警信息；所述第二故障判断模块用于基于机组元件检测信息判定机组元件是否处于故障运行状态，若是，则生成三类预警信息。
18、作为本专利技术再进一步的方案：第一故障判断模块基于故障识别结果判断风电机组叶片是否发生故障的方法，包括以下步骤：
19、s101、建立风电机组叶片数据库，所述风电机组叶片数据库包括发生故障的风电机组叶片的故障名称和故障分类；
20、s102、提取故障识别结果的关键词，基于所述关键词对风电机组叶片数据库进行检索，得到检索结果；
21、s103、检索结果为风电机组叶片数据库存在具有所述关键词的风电机组叶片时，判定故障识别结果对应的风电机组叶片为发生故障的风电机组叶片。
22、一种基于风电系统的故障预警系统，包括基于风电系统的故障预警装置，还包括预警平台和预评估模块，所述预评估模块与预警平台连接，其中：
23、预评估模块，用于对风电机组叶片进行故障概率评估，得到风电机组叶片的故障评估结果；
24、预警平台，用于获取一类、二类和三类预警信息以及故障评估结果，预警信息进行风电机组维修以及基于故障评估结果进行风电机组叶片的故障预处理，以提高风电系统运行的稳定性。
25、作为本专利技术再进一步的方案：预评估模块对风电机组叶片进行故障概率评估，得到风电机组叶片的故障评估结果的方法，包括以下步骤：
26、s201、构建预评估模型，所述预评估模型为：
27、b＝a·r
28、其中，b表示故障风险，a表示风险因素权重向量矩阵，r表示等级模糊综合评价矩阵，rij表示因素集u关于评判等级v的隶属程度，u＝{u1，u2，...，um}，v＝{v1，v2，...，vn}，对u中每一因素根据评判等级v中的等级指标进行评判，得到等级模糊综合评价矩阵r；
29、s202、基于风电机组叶片信息建立因素集，所述风电机组叶片信息包括叶片的生产厂家、使用年限和故障维修次数，对因素集中各因素进行评级，建立评判等级，将因素集和评判等级输入预评估模型，得到评价结果；
30、s203、基于评价结果估算风电机组叶片在运行时发生故障的概率。
31、与现有技术相比，本专利技术的有益效果是：本专利技术将风电机组中的叶片作为主要部件进行故障检测和故障判断分析，结合对风电机组整体和其他部件的次要故障分析，并且对风电机组叶片进行故障概率评估，有效提高风电机组的故障预警效率，增加风电系统的运行稳定性。
本文档来自技高网...【技术保护点】
1.一种基于风电系统的故障预警装置，其特征在于，包括：
2.根据权利要求1所述的基于风电系统的故障预警装置，其特征在于，所述机组整体信息包括风轮、发电机、控制器、逆变器、卸荷器、并网控制器、蓄电池组的运行数据检测值；所述风电机组叶片信息还包括有风电机组叶片的名称、型号、厂家和故障维修记录。
3.根据权利要求1所述的基于风电系统的故障预警装置，其特征在于，所述模型构建模块包括：
4.根据权利要求3所述的基于风电系统的故障预警装置，其特征在于，数据采集单元将训练数据分为训练集、验证集和测试集的方法为：随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，10％作为测试集。
5.根据权利要求3所述的基于风电系统的故障预警装置，其特征在于，所述深度学习模型还包括有输入层、全连接层和输出层，所述输入层与卷积模块连接，所述卷积模块与全连接层连接，所述全连接层与输出层连接，最后一段卷积完成特征提取后与全连接层连接，整合卷积模块提取得到的特征，得到故障识别结果。
6.根据权利要求1所述的基于风电系统的故障预警装置
7.根据权利要求6所述的基于风电系统的故障预警装置，其特征在于，第一故障判断模块基于故障识别结果判断风电机组叶片是否发生故障的方法，包括以下步骤：
8.一种基于风电系统的故障预警系统，包括如权利要求1-7任一所述的基于风电系统的故障预警装置，其特征在于，还包括预警平台和预评估模块，所述预评估模块与预警平台连接。
9.根据权利要求8所述的基于风电系统的故障预警系统，其特征在于，
10.根据权利要求9所述的基于风电系统的故障预警系统，其特征在于，
...【技术特征摘要】
1.一种基于风电系统的故障预警装置，其特征在于，包括：
2.根据权利要求1所述的基于风电系统的故障预警装置，其特征在于，所述机组整体信息包括风轮、发电机、控制器、逆变器、卸荷器、并网控制器、蓄电池组的运行数据检测值；所述风电机组叶片信息还包括有风电机组叶片的名称、型号、厂家和故障维修记录。
3.根据权利要求1所述的基于风电系统的故障预警装置，其特征在于，所述模型构建模块包括：
4.根据权利要求3所述的基于风电系统的故障预警装置，其特征在于，数据采集单元将训练数据分为训练集、验证集和测试集的方法为：随机选取处理好的训练数据，将训练数据中80％数据作为训练集，10％作为验证集，10％作为测试集。
5.根据权利要求3所述的基于风电系统的故障预警装置，其特征在于，所述深度学习模型还包括有输入层、全连接层和输出层，所述输入层与卷积模块连接，所述卷积模块与全连接层连接，所述全连接层与输出层连接，最后一段卷...
【专利技术属性】
技术研发人员：米大斌，曹欣，李琨，谭建鑫，沙济通，郭艳旬，马涛，秦晓亮，段树纯，
申请(专利权)人：河北建投新能源有限公司，
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。