基于貝葉斯推理方式對風機狀態進行預測的方法和系統技術方案

本申請公開基于貝葉斯推理方式對風機狀態進行預測的方法和系統，該方法包括：獲取風力機在一定時間內的運行數據進行歸類；對各時間段內的風力機運行狀態類型進行概率統計處理，生成概率值并確定出各時間段內的總體運行狀態類型；對總體運行狀態類型進行貝葉斯網絡建模，生成總體運行狀態類型發生的先驗條件概率；對各時間段的先驗條件概率以及總體運行狀態類型的概率值利用貝葉斯推理方式進行概率處理，生成聯合概率值并建立風機的狀態分布曲線，根據狀態分布曲線對風機進行故障狀態的預測。本申請解決了難以對風力發電機故障運行狀態的發生進行預測的問題。

【技術實現步驟摘要】
基于貝葉斯推理方式對風機狀態進行預測的方法和系統
本申請涉及風力機的狀態監測領域，更具體地涉及一種基于貝葉斯推理方式對風機狀態進行預測的方法和系統。
技術介紹
風力發電機在自然風的帶動下運行并產生電能，在風力發電機的運行過程中，將受到外界環境因素和自身工作狀態的影響，如：由于自然風的實時變化，有時風速小于風力發電機的切入風速，使風力發電機難以啟動；有時風速又大于風力發電機可承受的極限風速，對風力發電機造成破壞，使風力發電機出現故障甚至停機；又如：風力發電機長時間運行，使風力發電機出現運行故障。對于風力發電機的運行故障而言，通常情況下，并不是突然停機，而是導致風力發電機的性能逐漸下降，在不進行檢修維護的情況下，終將導致風力發電機停機，風力機一旦停機，再進行維修的成本是非常巨大的，并且風力機停機也會造成發電量的巨大損失。所以，需要對風場上的風力發電機進行預測式維護。如果故障在發生的早期階段被發現，則可以將由該故障帶來的影響降低至最小，進一步縮短風力發電機的停機時間同時減小發電量的損失。并且，也可以只在需要時進行維護，從而降低成本。但在現有技術中，風力發電機的運行狀態類型眾多，尤其是一些故障運行狀態，如：齒輪箱軸承故障、葉輪故障、變槳角故障等的發生較為突然，難以預測，在故障發生后，只能根據風力發電機數據報警數據，對其進行相應的檢修維護。從故障發生到檢修維護的過程需要較長時間，風力機的故障已經對其運行造成一定影響，導致發電量的巨大損失。綜上所述，如何解決難以對風力發電機故障運行狀態的發生進行預測，便成為亟待解決的技術問題。
技術實現思路
有鑒于此，本申請所要解決的技術問題是提供了一種基于貝葉斯推理(BayesianInference)方式對風機故障狀態進行預測的方法和系統，以解決難以對風力發電機故障運行狀態的發生進行預測的問題。為了解決上述技術問題，本申請公開了一種基于貝葉斯推理方式對風機故障狀態進行預測的方法，包括：獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，并在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型；對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型；其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值；對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率；對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由于所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。其中，優選地，對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率，進一步為：以故障導致停機的時間點為時間起始點，依次對一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模處理，然后，使用任何風機發生所述故障的所有該類事件進行參數訓練，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。其中，優選地，對所述一定時間內的每一時間段內各所述風力機所對應的所述運行狀態類型進行概率統計處理，進一步為：將所述一定時間內的每一時間段內，所述風力機所對應的同一所述運行狀態類型與在該時間段內出現的所有所述運行狀態類型的比例進行概率統計處理。其中，優選地，獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，進一步為：對風場內所有風力機在指定的時間點之前一定時間內的風速數據與該風力機的發電功率、葉片轉速、變槳轉角和/或該風力機的運行參數進行相關性測試，獲取由該相關性測試所生成的運行數據。其中，優選地，所述一定時間，進一步為：以25天為固定值的時間期限；所述相同時長的時間段，進一步為：在所述25天內以1天作為固定值的時間段。為了解決上述技術問題，本申請還公開了一種基于貝葉斯推理方式對風機狀態進行預測的系統，包括：數據獲取單元、統計處理單元、建模訓練單元以及狀態預測單元，其中，所述數據獲取單元，用于獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，并在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型；所述統計處理單元，用于對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型，其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值；所述建模訓練單元，用于對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率；所述狀態預測單元，用于對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由于所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。其中，優選地，所述建模訓練單元，進一步用于：以故障導致停機的時間點為時間起始點，依次對一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模處理，然后，使用任何風機發生所述故障的所有該類事件進行參數訓練，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。其中，優選地，所述統計處理單元，進一步用于：將所述一定時間內的每一時間段內，所述風力機所對應的同一所述運行狀態類型與在該時間段內出現的所有所述運行狀態類型的比例進行概率統計處理。其中，優選地，數據獲取單元，進一步用于：對風場內所有風力機在指定的時間點之前一定時間內的風速數據與該風力機的發電功率、葉片轉速、變槳轉角和/或該風力機的運行參數進行相關性測試，獲取由該相關性測試所生成的運行數據。其中，優選地，所述一定時間，進一步為：以25天為固定值的時間期限；所述相同時長的時間段，進一步為：在所述25天內以1天作為固定值的時間段。本申請所述的一種基于貝葉斯推理方式對風機故障狀態進行預測的方法和系統，能夠對風力機的不同運行數據精確劃分為多個運行特征項，并建立運行特征項與風力機運行狀態類型的對應關系，即實現了兩次數據融合，采用貝葉斯推理方式建立模型，并以故障導致停機的時間點之前的一定時間內的數據對該模型進行訓練，通過訓練后的模型可以對風力機的故障運行狀態進行發展趨勢的預測，從而有效解決了難以對風力發電機故障運行狀態的發生進行預測的問題。當然，實施本申請本文檔來自技高網...

【技術保護點】
一種基于貝葉斯推理方式對風機狀態進行預測的方法，其特征在于，包括：獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，并在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型；對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型；其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值；對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率；對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由于所述故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。

【技術特征摘要】
1.一種基于貝葉斯推理方式對風機狀態進行預測的方法，其特征在于，包括：獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，按照預置的所述風力機的運行狀態類型對所述運行數據進行歸類，并在所述一定時間內按相同時長的時間段獲取各所述風力機在每一時間段對應的運行狀態類型；對每一所述時間段內的各所述風力機所對應的所述運行狀態類型進行概率統計處理，生成各所述風力機運行狀態類型的概率值，確定出每一所述時間段內的所述概率值最大的所述運行狀態類型作為該時間段的總體運行狀態類型；其中，所述總體運行狀態類型的概率值為該時間段內所述風力機運行狀態類型的最大概率值；對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率；對各所述時間段的所述先驗條件概率以及總體運行狀態類型的概率值，利用貝葉斯推理方式進行概率處理，生成所述相鄰兩個時間段的任意一對所述總體運行狀態類型發生的聯合概率值，由所述聯合概率值建立此類風機由于故障引起性能衰退直至停機的狀態分布曲線，根據該狀態分布曲線對所述風機進行故障狀態的預測。2.如權利要求1所述的基于貝葉斯推理方式對風機狀態進行預測的方法，其特征在于，對所述一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率，進一步為：以故障導致停機的時間點為時間起始點，依次對一定時間內的每一所述時間段的所述總體運行狀態類型進行貝葉斯網絡建模處理，然后，使用任何風機發生所述故障的所有事件進行參數訓練，生成相鄰兩個時間段的任意一對所述總體運行狀態類型發生的先驗條件概率。3.如權利要求1所述的基于貝葉斯推理方式對風機狀態進行預測的方法，其特征在于，對所述一定時間內的每一時間段內各所述風力機所對應的所述運行狀態類型進行概率統計處理，進一步為：將所述一定時間內的每一時間段內，所述風力機所對應的同一所述運行狀態類型與在該時間段內出現的所有所述運行狀態類型的比例進行概率統計處理。4.如權利要求1所述的基于貝葉斯推理方式對風機狀態進行預測的方法，其特征在于，獲取風場內所有風力機在指定的時間點之前一定時間內的運行數據，進一步為：對風場內所有風力機在指定的時間點之前一定時間內的風速數據與該風力機的發電功率、葉片轉速、變槳轉角和/或該風力機的運行參數進行相關性測試，獲取由該相關性測試所生成的運行數據。5.如權利要求1所述的基于貝葉斯推理方式對風機狀態進行預測的方法，其特征在于，所述一定時間，進一步為：以25天為固定值的時間期限；所述相同時長的時間段，進一步為：在...

【專利技術屬性】
技術研發人員：葉翔，
申請(專利權)人：葉翔，
類型：發明
國別省市：北京;11