一種基于機器學習算法平臺的風電機組故障預測系統技術方案

一種基于機器學習算法平臺的風電機組故障預測系統。該系統包括數據采集模塊，數據存儲及處理模塊，機器學習算法平臺，故障診斷、分析及預測模塊。本發明專利技術解決風電場風電機組故障發生的不可預測性，利用機器學習算法平臺實現風電機組的故障診斷、故障分析、故障預測，從而實現故障的提前預測，把重大障消除在萌芽狀態，從而有效減少風電機組故障的發生頻率和程度。

【技術實現步驟摘要】
一種基于機器學習算法平臺的風電機組故障預測系統
本專利技術涉及互聯網大數據技術及能源風力發電領域，具體涉及一種基于機器學習算法平臺的風電機組故障預測系統。
技術介紹
由于風電場所處環境惡劣及風電機組負荷不穩定，導致對風電機組的安全性、經濟性都產生了極大影響。傳統風電機組故障與告警靠工作經驗的積累診斷判斷排查，設備檢修優先級識別率低，往往浪費了故障處理的最有效時間，錯過了設備檢修的最佳時間，造成故障發生率高；同時每天上千條的重復無用的故障告警，導致真實的設備缺陷未能及時發現；沒有針對性的檢修計劃編排、投入人力物力成本，造成資產浪費。目前大部分故障預測系統利用的是例如決策樹、線性方程等科學計算的方式，科學計算會使用歷史數據來擬合這些方程式，但是科學計算也有一定的弊端和局限性，主要存在兩個問題：1）解決復雜問題的能力有限，只能擬合一些簡單的數據，遇到特別數據和業務情況會進行舍棄；2）結果不夠精確，對于一些決策類的問題，經常會由于樣本量少等原因產出偏頗的解果。
技術實現思路
本專利技術的目的是針對目前風電機組故障預測存在的不足之處，提出一種基于機器學習算法平臺的風電機組故障預測系統，實現風電機組故障的精準預測。本專利技術總體構思在于在故障預測系統中引入了機器學習算法平臺，機器學習是專門研究計算機怎樣模擬或實現人類學習行為，以獲取新的知識或者技能，可以重新組織已有的知識來不斷改善自身性能的一種方法，機器學習算法平臺具備了解決復雜問題的能力及能夠實現千機千面，它可以通過不斷的迭代，給出綜合評判，可以進行海量數據與特征維度的計算，能夠根據每一臺風電機組的特性給出故障診斷、故障預測的具體化的建議。本專利技術的技術方案是這樣的：一種基于機器學習算法平臺的風電機組故障預測系統。該系統包括數據采集模塊，數據存儲及處理模塊，機器學習算法平臺，故障診斷、分析及預測模塊。各部分的功能如下：（1）數據采集模塊：數據采集模塊采集風電機組SCADA運行數據、機組大部件傳感器監測數據、OA系統管理數據、互聯網數據、天氣數據、專家知識庫數據等作為數據來源。（2）數據存儲及處理模塊：數據存儲及處理主要采用Hadoop云計算平臺，利用HDFS高容錯率和吞吐量，可以很好滿足海量，多樣化數據低成本的存儲要求，適合Storm等基于流數據訪問處理模式；并根據不同的計算需求分別運用Storm流計算，Spark內存計算和MR批計算。（3）機器學習算法平臺：在數據計算的基礎上提取新的經驗類、自學習類故障知識，存入專家知識庫。使用各種數據挖掘算法，根據挖掘出來的知識，結合專家知識庫，對風電機組設備進行在線故障診斷和報警，并提取故障特征，不斷完善或擴展各類故障診斷、報警算法。（4）故障診斷、分析及預測模塊：選取GBDT（梯度迭代決策樹）算法和LSTM（長短期記憶網絡）算法進行模型訓練，輸出訓練好的機器學習模型用于診斷、分析及預測計算。故障診斷、預測實現包括了如下步驟：（1）數據挖掘。傳統的數據分析方式已經無能處理那么多大量的看似不相關的數據的處理，因此需要數據挖掘技術去提取各種數據和變量之間的相互關系，從而精煉數據。數據挖掘是從風電機組所有的數據信息（包含SCADA數據、氣象數據、管理數據）中提取數據的模式和模型，實現數據的篩選及分類，即精選出最重要的信息，選擇只保留那些與故障有強關聯性的測點信號和有已知閾值的測點信號作為關鍵特征，然后以組合形式將所有的特征點作為一個組合進行數據輸入，以用于后續機器學習算法平臺數據使用。數據挖掘的核心目的是找到數據變量之間存在的隱形關系。（2）故障診斷。故障診斷是以數據為驅動，通過對于風機運行狀態的觀測，實時判斷風機各大系統是否發生故障，故障診斷結果應該與故障的遙信信號一致。利用風電機組現有數據，將風電機組故障分為幾大類，例如發電機系統故障，齒輪箱系統故障，和變槳系統故障等。1）形成一定數量的數據訓練集，構建機器學習算法平臺，形成來自過往經驗的“知識”儲備；2）機器學習結束后，如果有一個新的數據集x，需要診斷其故障，機器學習算法會根據這個新數據與學習后的“知識”相匹配(實際上，知識指的是學習后的模型)，然后將這個數據集x進行診斷。（3）故障診斷分類及流程。故障診斷分為離線診斷和在線診斷兩種模式，離線診斷是通過對歷史數據的學習提升自身參數，而在線診斷指使用訓練好的神經網絡根據在線采集的風機運行狀態進行實時故障診斷。（4）診斷評價。故障診斷評價使用漏警率，虛警率，和總精確度進行評測。它們公式如下：漏警率=FN/(TP+FN)虛警率=FP/(TN+FP)總精確度=(FP+FN)/(TP+TN+FP+FN)其中，有TP個類別為1(有故障)的案例被系統正確判定為類別1，FN個類別為1(有故障)的案例被系統誤判定為類別0；有FP個類別為0(無故障)的案例被系統誤判定為類別1，TN個類別為0(無故障)的案例被系統正確判定為類別0。漏警率評測的是有故障時未報警的比例，而虛警率測評的是在無故障時誤報警的比例。在故障診斷中，漏警率和虛警率需要盡量平衡以避免雖然總精確度很高但卻沒有實現故障診斷功能的情況。（5）故障預測。故障預測是通過對當前風機運行狀態的觀測，預測未來10分鐘至1小時內風機各大系統發生故障的概率。在風機運行中，現場工作人員可以根據預測的概率值及概率走向了解未來故障發生的位置，時間，以及可信度，為提前采取檢修和維護措施提供了線索。本專利技術優點在于：1）解決風電場風電機組故障發生的不可預測性，利用機器學習算法平臺實現風電機組的故障診斷、故障分析、故障預測，從而實現故障的提前預測，把重大障消除在萌芽狀態，從而有效減少風電機組故障的發生頻率和程度；2）在風電機組剩余壽命區間內，及時對風電機組存在的潛在隱患和故障進行針對性檢修維護，有效延長了設備的使用壽命，增加了設備運行的可靠性；3)使風機運維人員有效掌握風機故障并提前干預，提高了運維人員工作效率,提高了風電機組運行績效，增加了風電機組的發電量。附圖說明圖1為本專利技術各組成部分系統架構示意圖。圖2為本專利技術故障診斷分類及流程圖。具體實施方式一種基于機器學習算法平臺的風電機組故障預測系統。該系統包括數據采集模塊，數據存儲及處理模塊，機器學習算法平臺，故障診斷、分析及預測模塊。該系統首先預測風力發電機在未來一段時間內發生故障停機的概率，并對即將發生的故障，通過分析模型的預測依據，實現對風力發電機的故障預測：①選取樣本：100臺UP82型號風機2015-2017年秒測點數據、故障導致風電機組停機記錄數據、風電場氣象數據；②構造特征：最終選取上線與溫度、轉速、風速等當前及歷史測量值有關系的數據構造特征，并生產組合特征、時序特征；③模型訓練：最終選用GBDT模型和LSTM模型，進行優化調參。GBDT模型是一個由很多棵回歸樹組成的決策森林，預測結果是所有決策樹的預測結果加權之和。GBDT模型共包含6個可調參數，分別為：學習率、單棵樹的最大深度、樹的棵數、最小葉子權重、最小劃分閾值、L2正則；LSTM（LongShort-TermMemory）是長短期記憶網絡，是一種時間遞歸神經網絡，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件。它在算法中加入了一個判斷信息有用與否的“處理器”，這個處理器作用的結構被稱為c本文檔來自技高網...

【技術保護點】
1.一種基于機器學習算法平臺的風電機組故障預測系統，其特征在于，該系統該系統包括數據采集模塊，數據存儲及處理模塊，機器學習算法平臺，故障診斷、分析及預測模塊，各部分的功能如下：（1）數據采集模塊：數據采集模塊采集風電機組SCADA運行數據、機組大部件傳感器監測數據、OA系統管理數據、互聯網數據、天氣數據、專家知識庫數據等作為數據來源；（2）數據存儲及處理模塊：數據存儲及處理主要采用?Hadoop?云計算平臺，利用?HDFS?高容錯率和吞吐量，可以很好滿足海量，多樣化數據低成本的存儲要求，適合?Storm?等基于流數據訪問處理模式；并根據不同的計算需求分別運用?Storm?流計算，Spark?內存計算和?MR?批計算；（3）機器學習算法平臺：在數據計算的基礎上提取新的經驗類、自學習類故障知識，存入專家知識庫。使用各種數據挖掘算法，根據挖掘出來的知識，結合專家知識庫，對風電機組設備進行在線故障診斷和報警，并提取故障特征，不斷完善或擴展各類故障診斷、報警算法；（4）故障診斷、分析及預測模塊：選取GBDT（梯度迭代決策樹）算法和LSTM（長短期記憶網絡）算法進行模型訓練，輸出訓練好的機器學習模型用于診斷、分析及預測計算。...

【技術特征摘要】
1.一種基于機器學習算法平臺的風電機組故障預測系統，其特征在于，該系統該系統包括數據采集模塊，數據存儲及處理模塊，機器學習算法平臺，故障診斷、分析及預測模塊，各部分的功能如下：（1）數據采集模塊：數據采集模塊采集風電機組SCADA運行數據、機組大部件傳感器監測數據、OA系統管理數據、互聯網數據、天氣數據、專家知識庫數據等作為數據來源；（2）數據存儲及處理模塊：數據存儲及處理主要采用Hadoop云計算平臺，利用HDFS高容錯率和吞吐量，可以很好滿足海量，多樣化數據低成本的存儲要求，適合Storm等基于流數據訪問處理模式；并根據不同的計算需求分別運用Storm流計算，Spark內存計算和MR批計算；（3）機器學習算法平臺：在數據計算的基礎上提取新的經驗類、自學習類故障知識，存入專家知識庫。使用各種數據挖掘算法，根據挖掘出來的知識，結合專家知識庫，對風電機組設備進行在線故障診斷和報警，并提取故障特征，不斷完善或擴展各類故障診斷、報警算法；（4）故障診斷、分析及預測模塊：選取GBDT（梯度迭代決策樹）算法和LSTM（長短期記憶網絡）算法進行模型訓練，輸出訓練好的機器學習模型用于診斷、分析及預測計算。2.根據權利要求1所述的故障預測系統，其特征在于，故障診斷、預測實現包括了如下步驟：（1）數據挖掘：數據挖掘是從風電機組所有的數據信息（包含SCADA數據、氣象數據、管理數據）中提取數據的模式和模型，實現數據的篩選及分類，即精選出最重要的信息，選擇只保留那些與故障有強關聯性的測點信號和有已知閾值的測點信號作為關鍵特征，然后以組合形式將所有的特征點...

【專利技術屬性】
技術研發人員：李剛，馮元，李驥，郝益波，方超，渠葉君，
申請(專利權)人：國電電力寧夏新能源開發有限公司，
類型：發明
國別省市：寧夏,64