[發明專利]一種風電機組故障自診斷方法和系統

在審

• 申請號: 202111248577.0
• 申請日: 2021-10-26
• 公開（公告）號: CN114065842A
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 王青天;劉艷貴;沈偉文;張燧;李小翔;曾誰飛;李家山;梁弘;楊永前;馮帆;任鑫
• 申請（專利權）人: 華能（浙江）能源開發有限公司清潔能源分公司;中國華能集團清潔能源技術研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;F03D17/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 趙迪

1.一種風電機組故障自診斷方法，其特征在于，包括：

獲取風電機組的狀態參數數據和第一預設時長內的運行參數數據；其中，所述運行參數數據包括至少一個待預測參數的真實測量值；

根據所述狀態參數數據和所述運行參數數據，確定所述風電機組所在的第一風電機組群；

根據所述運行參數數據和所述第一風電機組群，確定所述風電機組的第一工況類別；

根據所述第一風電機組群和所述第一工況類別，確定所述第一風電機組群中所述第一工況類別對應的訓練好的故障診斷模型；

將所述運行參數數據輸入至訓練好的故障診斷模型，得到所述待預測參數的模型預測值；

根據所述待預測參數的所述模型預測值和所述真實測量值，生成故障診斷結果。

2.根據權利要求1所述的方法，其特征在于，所述根據所述狀態參數數據和所述運行參數數據，確定所述風電機組所在的第一風電機組群，包括：

獲取多個樣本風電機組的狀態參數樣本數據和第二預設時長內的運行參數樣本數據；

根據所述狀態參數樣本數據和所述運行參數樣本數據，對多個所述樣本風電機組進行聚類分析，劃分為多個樣本風電機組群；

通過對比所述狀態參數數據和所述運行參數數據與不同所述樣本風電機組群的所述狀態參數樣本數據和所述運行參數樣本數據，確定所述風電機組所在的第一風電機組群。

3.根據權利要求2所述的方法，其特征在于，所述根據所述狀態參數樣本數據和所述運行參數樣本數據，對多個所述樣本風電機組進行聚類分析，劃分為多個樣本風電機組群，包括：

對所述狀態參數樣本數據和所述運行參數樣本數據進行特征量化處理，生成量化狀態參數樣本數據和量化運行參數樣本數據；

根據所述量化狀態參數樣本數據和所述量化運行參數樣本數據，基于聚類分析算法，進行聚類分析，得到分類結果；

根據所述分類結果，將多個所述樣本風電機組劃分為多個所述樣本風電機組群。

4.根據權利要求3所述的方法，其特征在于，所述根據所述運行參數數據和所述第一風電機組群，確定所述風電機組的第一工況類別，包括：

將所述樣本風電機組群中的至少一個所述樣本風電機組的所述運行參數樣本數據，劃分為不同工況下的樣本工況數據；

通過對比所述運行參數數據與所述第一風電機組群中不同工況下的樣本工況數據，確定所述風電機組的第一工況類別。

5.根據權利要求4所述的方法，其特征在于，所述將所述樣本風電機組群中的至少一個所述樣本風電機組的所述運行參數樣本數據，劃分為不同工況下的樣本工況數據，包括：

從所述運行參數樣本數據中提取工況數據；

采用K-折等概率的方法對每一個所述工況數據進行劃分，得到多個不同工況組；其中，K為大于1的整數；

將所述運行參數樣本數據，根據所述工況組進行劃分，得到不同工況下的樣本工況數據。

6.根據權利要求5所述的方法，其特征在于，所述根據所述第一風電機組群和所述第一工況類別，確定所述第一風電機組群中所述第一工況類別對應的訓練好的第一故障診斷模型，包括：

根據不同工況下的樣本工況數據，確定每個工況適用的至少一個故障診斷模型；

將每個工況下的所述樣本數據輸入至該工況所適用的至少一個故障診斷模型，對故障診斷模型進行訓練，得到訓練好的故障診斷模型；

根據所述第一風電機組群和所述第一工況類別，確定所述第一風電機組群中所述第一工況類別對應的至少一個訓練好的故障診斷模型。

7.根據權利要求6所述的方法，其特征在于，所述故障診斷模型為隨機森林模型和/或極度梯度提升樹Xgboost模型和/或神經網絡模型。

8.根據權利要求1所述的方法，其特征在于，所述方法，還包括：

根據所述狀態參數數據中第一狀態參數和第一預設模型更新參數，判斷是否觸發模型更新；

在所述第一狀態參數為所述第一預設模型更新參數的情況下，觸發模型更新，對訓練好的所述第一故障模型進行更新。