[發明專利]一種風電機組健康狀態評估模型、方法及系統

有效

• 申請號: 202111174761.5
• 申請日: 2021-10-09
• 公開（公告）號: CN113807027B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 趙文清;王繼發;昝向藝;賈夢穎;陳帥領
• 申請（專利權）人: 華北電力大學（保定）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0442;G06N3/048;G06N3/08;G06F113/06
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 李興林

本說明書實施例公開了一種風電機組健康狀態評估模型、方法及系統。所述方法包括：將輸入的風電機組健康狀態評估數據均分為等大小的子數據集；采用融合多頭注意力機制對每個所述子數據集中的數據進行高維度數據的特征提取，得到特征數據；通過遞歸神經元特征匹配網絡對所述特征數據進行風電機組健康狀態的特征匹配，得到匹配結果；基于所述匹配結果得到所述風電機組的健康評估結果。本發明用于對風電機組健康狀態進行準確有效地評估，有效提高其運行效率，降低運維成本。

技術領域

本申請涉及計算機技術領域，尤其涉及一種風電機組健康狀態評估模型、方法及系統。

背景技術

風電機組佇立在野外，頻繁地遭受大風、雷擊等惡劣環境的影響和沖擊，機組的運行與維護(運維)需求十分突出。相較傳統行業的大部分設備，風電機組在壽命周期之內基本受到長期不間斷隨機載荷作用的影響。這一方面使得來自傳統行業的評估相關經驗與數據不能完全照搬應用于風電機組狀態評估中；另一方面，復雜多變的環境條件也為風電機組狀態評估帶來了更大的阻礙。此外，風電機組由于其整體不可移動，使得大部分維護工作必須在野外就地進行，而高聳的風電機組維護又需要專門的維護工具與專業的運維人員才能開展。因此，亟需對風電機組健康狀態進行準確有效地評估，有效提高其運行效率，降低運維成本。

發明內容

有鑒于此，本申請實施例提供了一種風電機組健康狀態評估模型、方法及系統，用于對風電機組健康狀態進行準確有效地評估，有效提高其運行效率，降低運維成本。

為解決上述技術問題，本說明書實施例是這樣實現的：

第一方面，本說明書實施例提供了一種風電機組健康狀態評估模型，包括：融合多頭注意力機制的多特征提取網絡和遞歸神經元多層特征匹配網絡，所述多特征提取網絡的輸出為所述遞歸神經元多層特征匹配網絡的輸入；其中，所述多特征提取網絡包括多個特征提取模塊，每個特征提取模塊由多個改進后的長短期記憶塊連接組成，即上一個長短期記憶塊的輸出作為下一個長短期記憶塊的輸入。

可選的，每個長短期記憶塊相對應的注意力機制不同，最后通過將多個不同注意力融合，形成新的特征序列，作為下一個特征提取模塊的輸入。

可選的，所述遞歸神經元多層特征匹配網絡的輸出數據為5維數據。

第二方面，本說明書實施例提供了一種風電機組健康狀態評估方法，其特征在于，包括：

將輸入的風電機組健康狀態評估數據均分為等大小的子數據集；

采用融合多頭注意力機制對每個所述子數據集中的數據進行高維度數據的特征提取，得到特征數據；

通過遞歸神經元特征匹配網絡對所述特征數據進行風電機組健康狀態的特征匹配，得到匹配結果；

基于所述匹配結果得到所述風電機組的健康評估結果。

可選的，對于每個所述子數據集，使用由多個特征提取模塊所構建的結構遞歸神經網絡，實現輸入高維度數據的特征提取。

可選的，一個特征提取模塊由多個改進后的長短期記憶塊連接組成，即上一個長短期記憶塊的輸出作為下一個長短期記憶塊的輸入。

可選的，每個長短期記憶塊相對應的注意力機制不同，最后通過將多個不同注意力融合，形成新的特征序列，作為下一個特征提取模塊的輸入。

可選的，所述匹配結果包括5維數據，對應不同的風電機組健康狀態。

可選的，所述遞歸神經元特征匹配網絡為多層特征匹配網絡。

第三方面，本說明書實施例提供了一種風電機組健康狀態評估系統，包括：

數據輸入模塊，用于將輸入的風電機組健康狀態評估數據均分為等大小的子數據集；