CN111396265B - 一种风力发电机组的故障预测方法及装置 - Google Patents
一种风力发电机组的故障预测方法及装置 Download PDFInfo
- Publication number
- CN111396265B CN111396265B CN201910004963.1A CN201910004963A CN111396265B CN 111396265 B CN111396265 B CN 111396265B CN 201910004963 A CN201910004963 A CN 201910004963A CN 111396265 B CN111396265 B CN 111396265B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- generating set
- derived variable
- wind power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000007477 logistic regression Methods 0.000 claims abstract description 89
- 238000013461 design Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 description 17
- 238000005192 partition Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 101100155200 Dictyostelium discoideum ubl5 gene Proteins 0.000 description 4
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
公开了一种风力发电机组的故障预测方法及装置，所述方法包括：获取多台风力发电机组在预定周期内的历史风速数据；针对每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；利用极端阵风参量，建立极端阵风模型；根据每台风力发电机组的历史风速数据和极端阵风模型，生成每台风力发电机组在预定周期内的第一风速衍生变量；获取每台风力发电机组的与第一风速衍生变量对应的状态信息；所述状态信息用于表征每台风力发电机组是否发生故障；根据每台风力发电机组的第一风速衍生变量和状态信息，建立逻辑回归模型；基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量，预测待预测风力发电机组的故障概率。
Description
技术领域
本发明涉及风力发电技术领域，尤其涉及一种风力发电机组的故障预测方法及装置。
背景技术
随着对环境问题的关注和新能源技术的发展，风力发电越来越得到重视。风力发电是将风能转换成电能，其出力很大程度上受到风速的影响，风速的波动会导致风机出力的波动，进而影响电网，对于风电场而言，一个地区的风速是该地区风能资源状况的最主要的指标之一，直接关系到风电场的经济性和开发价值。
目前，风速的表示方法通常有两种，第一种采用风速频率表示风速，多应用在风资源评估和风电场的设计中，即表征各风速区间内风速出现的频率，其计算公式为：
其中，n为统计观测时段内风速序列个数，i为风速区间内风速序列个数。
风速的第二种表示方法可以为通过威布尔分布函数模拟一个地区的风速，威布尔分布也是目前描述风速概率分布比较常用的模型，其表达式如下：
其中，x是随机变量，λ为比例参数，k为形状参数，并且λ和k都大于0。
现有的风速的表示方法存在如下问题：当采用风速频率表示风速时，仅可以表征各风速区间内风速出现的频率，不能综合反映风速在预定周期内的数值变化特征，并且通过风速频率表示风速的方式过于单一化；而通过威布尔分布虽然能够表现风速的概率分布特征，但是对于风速的表示仅通过概率密度分布进行分析，具有一定的局限性，无法衡量风速在预定周期内的分布情况和波动情况，进而也无法得知风速对风力发电机组的故障有何影响，因此，目前亟需一种能够反映风速在预定周期内的分布情况和波动情况的衡量指标。
发明内容
本发明提供了一种风力发电机组的故障预测方法及装置，可以根据生成的反应风速在预定周期内分布和波动情况的指标，建立风力发电机组故障与风速指标相关的预测模型，进行风力发电机组的故障预测。
第一方面，本发明提供了一种风力发电机组的故障预测方法，所述方法包括：
获取多台风力发电机组在预定周期内的历史风速数据；
针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；
利用所述极端阵风参量，建立极端阵风模型；
根据所述每台风力发电机组的历史风速数据和所述极端阵风模型，生成所述每台风力发电机组在所述预定周期内的第一风速衍生变量；
获取每台风力发电机组的与第一风速衍生变量对应的状态信息；所述状态信息用于表征所述每台风力发电机组是否发生故障；
根据每台风力发电机组的第一风速衍生变量和状态信息，建立逻辑回归模型；
基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量，预测所述待预测风力发电机组的故障概率。
第二方面，本发明提供了一种风力发电机组的故障预测方法，所述方法包括：
获取多台风力发电机组在预定周期内的历史风速数据；
针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；
利用所述极端阵风参量，建立极端阵风模型；
根据所述每台风力发电机组的历史风速数据和所述极端阵风模型，生成所述每台风力发电机组在所述预定周期内的第一风速衍生变量；
根据所述每台风力发电机组的历史风速数据计算每台风力发电机组在所述预定周期内的第二风速衍生变量；
获取每台风力发电机组的与第一风速衍生变量和第二风速衍生变量对应的状态信息；所述状态信息用于表征所述每台风力发电机组是否发生故障；
根据每台风力发电机组的第一风速衍生变量、第二风速衍生变量和状态信息，建立逻辑回归模型；
基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量和第二风速衍生变量，预测所述待预测风力发电机组的故障概率。
第三方面，本发明提供了一种风力发电机组的故障预测装置，所述装置包括：
第一指标生成模块，用于获取多台风力发电机组在预定周期内的历史风速数据；针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；利用所述极端阵风参量，建立极端阵风模型；根据所述每台风力发电机组的历史风速数据和所述极端阵风模型，生成所述每台风力发电机组在所述预定周期内的第一风速衍生变量；
第一状态信息获取模块，用于获取每台风力发电机组的与第一风速衍生变量对应的状态信息；所述状态信息用于表征所述每台风力发电机组是否发生故障；
第一逻辑回归模型建立模块，用于根据每台风力发电机组的第一风速衍生变量和状态信息，建立逻辑回归模型；
第四方面，本发明提供了一种风力发电机组的故障预测装置，所述装置包括：
第二指标生成模块，用于获取多台风力发电机组在预定周期内的历史风速数据；针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；利用所述极端阵风参量，建立极端阵风模型；根据所述每台风力发电机组的历史风速数据和所述极端阵风模型，生成所述每台风力发电机组在所述预定周期内的第一风速衍生变量；
第三指标生成模块，用于根据所述每台风力发电机组的历史风速数据计算每台风力发电机组在所述预定周期内的第二风速衍生变量；
第二状态信息获取模块，用于获取每台风力发电机组的与第一风速衍生变量和第二风速衍生变量对应的状态信息；所述状态信息用于表征所述每台风力发电机组是否发生故障；
第二逻辑回归模型建立模块，用于根据每台风力发电机组的第一风速衍生变量、第二风速衍生变量和状态信息，建立逻辑回归模型；
第二预测模块，用于基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量和第二风速衍生变量，预测所述待预测风力发电机组的故障概率。
第五方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如第一方面或第二方面所述的风力发电机组的故障预测方法。
第六方面，本发明提供了一种计算机装置，所述装置包括：
至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，
当所述计算机程序指令被所述处理器执行时实现如第一方面或如第二方面所述的风力发电机组的故障预测方法。
根据本发明的风力发电机组的故障预测方法及装置，获取多台风力发电机组的第一风速衍生变量；获取多台风力发电机组中，与每台风力发电机组的第一风速衍生变量对应的状态信息；状态信息用于表征所述多台风力发电机组是否发生故障；根据每台风力发电机组的第一风速衍生变量和相应的风力发电机组的状态信息，建立逻辑回归模型；基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量，预测待预测风力发电机组的故障概率。本发明实施例提供的方法可以通过反映风速在预定周期内的分布情况和波动情况的风速的相关指标，预测风力发电机组的故障概率，更有效的反映了风速对于风力发电机组发生故障的影响。
附图说明
通过下面结合附图进行的详细描述，本发明的上述和其它目的、特点和优点将会变得更加清楚，其中：
图1是本发明一实施例提供的风速指标的生成方法的流程图；
图2是本发明另一实施例提供的风速指标的生成方法的流程图；
图3是本发明又一实施例提供的风速指标的生成方法的流程图；
图4是本发明再一实施例提供的风速指标的生成方法的流程图；
图5是本发明一实施例提供的风力发电机组的故障预测方法的流程图；
图6是本发明又一实施例提供的风力发电机组的故障预测方法的流程图；
图7是本发明一实施例提供的风速指标的生成装置的结构示意图；
图8是本发明又一实施例提供的风力发电机组的故障预测装置的结构示意图；
图9是本发明再一实施例提供的风力发电机组的故障预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
第一实施例
图1是本发明实施例的一种风速指标的生成方法的流程示意图。如图1所示，该风速指标的生成方法包括如下步骤：
S101，获取风力发电机组在预定周期内的历史风速数据。
在S101中，风力发电机组在运行过程中会生成大量的秒级瞬时风速数据和分钟级风速数据。获取风力发电机组在预定周期内生成的历史风速数据，其中，预定周期可以为一年或者两年的时间长度范围，也可以根据实际的需求进行预定周期的设定，比如6个月等。风力发电机组的历史风速数据可以包括：秒级瞬时风速数据、分钟级平均风速数据、分钟级最大风速数据中的至少一种。作为一个举例，秒级瞬时风速数据可以为7秒风速数据、分钟级平均风速数据为10分钟平均风速数据，其中，10分钟算术平均风速数据可以作为优选的分钟级平均风速数据，分钟级最大风速数据可以为10分钟最大风速数据，本发明实施例不对此做限定。
S102，基于历史风速数据和风力发电机组的设计参数计算极端阵风参量。
在一个示例性实施例中，下面以采用的秒级瞬时风速数据为7秒瞬时风速数据为例，步骤102可以包括如下步骤：
S1021，将秒级瞬时风速数据按照第一预定时间进行分段处理，得到多个秒级瞬时风速数据区间；
将历史风速数据中的秒级瞬时风速数据，按照第一预定时间t1进行分段处理，例如将7秒瞬时风速数据按照第一预定时间t1进行分段，例如t1可以为10分钟，即600秒，从第一个7秒瞬时风速数据开始，将所有的7秒瞬时风速数据划分成以10分钟为间隔的多个7秒瞬时风速数据区间，需要说明的是，本步骤中的第一预定时间t1可以根据实际获取得到的秒级瞬时风速数据的数量或者实际的计算量进行设定，在此不做限定。
S1022，针对每个秒级瞬时风速数据区间，计算每个秒级瞬时风速数据区间的风速均值；
在得到多个秒级瞬时风速数据区间，例如多个7秒瞬时风速数据区间后，计算每个7秒瞬时风速数据区间内的风速均值，具体可以为每个区间内的所有7秒瞬时风速数据的算术平均值，将得到的风速均值分别记为Vhub1、Vhub2、Vhub3…Vhubn，n表示总的区间个数。
S1023，根据每个风速均值、秒级瞬时风速数据和风力发电机组的设计参数计算极端阵风参量。
得到多个风速均值后，利用每个风速均值、秒级瞬时风速数据和风力发电机组的设计参数可以计算极端阵风参量。其中，风力发电机组的设计参数可以包括如下中的至少一个：叶轮直径、轮毂高度、设计湍流值。
在一个示例性实施例中，计算极端阵风参量的方法可以为：根据计算得到的第一个7秒瞬时风速数据区间内的风速均值Vhub1计算该台风力发电机组在轮毂高度处风速的湍流标准偏差σ1，计算公式如下：
σ1＝Iref*(0.75Vhub1+b) 公式(3)
其中，b＝5.6m/s，Iref为风力发电机组的设计湍流值。
计算得到第一个7秒瞬时风速数据区间内的湍流标准偏差σ1后，根据得到的湍流标准偏差可以计算极端阵风参量，计算公式如下：
A1＝1.35×(ve1-vhub1) 公式(4)
其中，A1和B1为阵风系数，在公式(4)中，ve1为预定周期内的7秒最大风速数据，在公式(5)中，D为叶轮直径，Λ1表示湍流尺度参数，湍流尺度参数是指湍流气团翻滚脉动一个周期所扫过的距离，当轮毂高度z大于60米时，Λ1＝42m；当轮毂高度z小于等于60米时，Λ1＝0.7*z，计算公式如下：
其中，阵风系数A1和B1都为极端阵风参量。
依次类推，根据得到的n个风速均值，分别按照公式(3)计算每个7秒瞬时风速数据区间内的湍流标准偏差。根据得到的n个湍流标准偏差可以计算每个区间内的阵风系数，得到极端阵风参量。
S103，利用历史风速数据和极端阵风参量，建立极端阵风模型。
可以利用历史风速数据和极端阵风参量，将历史风速数据和计算得到的极端阵风参量建立关系，建立极端阵风模型，其中，极端阵风模型用于表征风力发电机组的风速在预定周期内的分布和波动情况。
以S1023中得到的极端阵风参量为例，建立极端阵风模型的方法可以为根据得到的第一个7秒瞬时风速数据区间内的极端阵风参量，阵风系数A1和阵风系数B1建立极端阵风模型，通过建立阵风系数A1和阵风系数B1之间的关系建立极端阵风模型，该极端阵风模型可以用Vgust表示，一种具体的根据阵风系数A1和阵风系数B1之间的关系建立的阵风模型的表达式如下：
Vgust1＝min{A1；B1} 公式(7)
公式(7)表示极端阵风模型的输出为阵风系数A1和阵风系数B1中的最小值。
S104，根据历史风速数据和极端阵风模型，生成风力发电机组在预定周期内的第一风速衍生变量，将第一风速衍生变量作为表示风速的指标。
在一个示例性实施例中，的生成方法如下所述；
S1041，针对每个秒级瞬时风速数据区间，将秒级瞬时风速数据区间以第二预定时间为间隔，划分成多个秒级瞬时风速数据子区间；
针对每个以第一预定时间t1为间隔的秒级瞬时风速数据区间，将每个秒级瞬时风速数据区间以第二预定时间为间隔，划分成多个秒级瞬时风速数据子区间，例如，针对第一个7秒瞬时风速数据区间，从该区间内的第一个7秒瞬时风速数据开始，将该时刻记为t，则第一个7秒瞬时风速数据记为vt，则以第二预定时间t2为间隔划分后的下一个7秒瞬时风速数据为v(t+t2)，得到该秒级瞬时风速数据区间下的以第二预定时间t2为间隔的多个子区间，例如(vt，v(t+t2))、(v(t+t2)，v(t+2*t2))、(v(t+2*t2)，v(t+3*t2))…，这里的第二预定时间可以根据每个秒级瞬时风速数据区间内的秒级瞬时风速数据量进行设定，还可以根据计算精度的需要进行划分。比如，在一个区间内的数据量过大时，可以将第二预定时间设定的大一点。
S1042，计算每个子区间内的秒级瞬时风速数据以第二预定时间为间隔的差值。
根据S1041中的秒级瞬时风速数据划分结果，计算每个子区间内的7秒瞬时风速数据的差值。计算的方法可以为计算第一个子区间内的起止7秒瞬时风速数据的差值，计算公式如下：
Diff_V1＝V(t+t2)-Vt 公式(8)
依次类推，第二子区间内的差值计算公式为Diff_V2＝V(t+2*t2)-V(t+t2)，该秒级瞬时风速数据区间里的每个子区间都可以按照上述公式进行计算。
S1043，基于极端阵风模型，判断差值是否满足预设条件。
根据建立的极端阵风模型，判断步骤S1042中的差值是否满足预设条件，预设条件可以为，例如根据差值与极端阵风模型输出的数值关系、差值与极端阵风模型输出的数值是否满足设定的公式关系等来判断该差值是否满足预设条件。
S1044，将满足预设条件的差值的个数记为风力发电机组在预定周期内的经历的阵风次数；将阵风次数作为第一风速衍生变量。
以判断差值是否大于极端阵风模型的输出为例，以得到的第一个7秒瞬时风速数据区间内的Vgust1为例，当Diff_V1>Vgust1时，则表示经历1次阵风，将风力发电机组在预定周期内的经历的阵风次数记为1，当Diff_V1>Vgust1，则表示经历1次阵风，将风力发电机组在预定周期内的经历的阵风次数记为2，依次类推，将第一个7秒瞬时风速数据区间内的所有子区间都做如上计算，计算第一个7秒瞬时风速数据区间内的阵风次数。
同理，利用步骤S102中的方法计算得到的Vhub2，根据公式(4)和公式(5)计算阵风系数A2和阵风系数B2，根据公式(7)的方法计算Vgust2，
按照步骤S104中的方法分别计算第二个区间内的所有7秒瞬时风速数据子区间内的差值，将得到的差值与Vgust2进行比较，当差值大于Vgust2时，则表示经历1次阵风。
将根据S102中得到的多个7秒瞬时风速数据区间都进行如上所述的计算，统计预定周期内的所有秒级瞬时风速数据区间的阵风次数的数据量，该数据量表示在预定周期内该台风力发电机组经历的阵风次数，将阵风次数作为第一风速衍生变量。
本发明的实施例还提供了一种计算第二风速衍生变量的方法，具体可以参照图4，包括如下步骤中的一种：
步骤1051，根据历史风速数据中的分钟级平均风速数据拟合威布尔分布参数，得到威布尔分布函数，将威布尔分布参数或威布尔分布函数中的概率密度最大值对应的平均风速值作为第二风速衍生变量；
具体的，可以将获取得到的n个10分钟平均风速数据拟合威布尔分布函数，得到威布尔分布参数，得到的威布尔分布参数为比例参数λ和形状参数k，将威布尔分布参数作为第二风速衍生变量；也可以将威布尔分布函数中的概率密度最大值对应的平均风速值作为第二风速衍生变量。
在拟合威布尔分布函数，得到威布尔分布参数后，为了验证拟合得出的威布尔分布的准确性，在一个示例性实施例中，可以将得到的威布尔概率分布函数进行KS检验(Kolmogorov-Smirnov test，简称KS检验)，KS检验是一种基于累计分布函数的、用于检验某个分布是否符合某种理论分布或比较两个经验分布是否有显著差异的检验方法，本发明的实施例中可以通过KS检验n个10分钟平均风速是否符合威布尔分布，当符合威布尔分布的时候，证明通过将n个10分钟平均风速拟合得到的威布尔分布系数λ和k，以及得到的威布尔概率分布函数是有效的，该威布尔概率分布函数可以用来描述该台风力发电机组在预定周期内的风速分布的概率分布情况。
当得到的威布尔概率分布函数有效时，威布尔分布函数中的概率密度最大值对应的平均风速值可以作为第二风速衍生变量。
具体的，还可以通过计算分钟级平均风速数据与威布尔分布函数中的概率密度最大值对应的平均风速值之间的差值，将差值作为第二风速衍生变量。
步骤1052，根据历史风速数据中的分钟级平均风速数据，计算风力发电机组在预定周期内的分钟级平均风速值，将预定周期内的分钟级平均风速值作为第二风速衍生变量。
在一个示例性实施例中，根据历史风速数据中的10分钟平均风速数据，计算风力发电机组在预定周期内的10分钟平均风速值；将预定周期内的10分钟平均风速值作为第二风速衍生变量。具体的方法可以为：根据10分钟平均风速计算在预定周期内的平均风速，计算公式如下：
其中vi表示第i个10分钟平均风速，以预定周期为1年时举例，n表示1年内获取的10分钟平均风速的数量；通过公式(9)可以计算得到该台风力发电机组在1年内的平均风速。
步骤1053，根据历史风速数据中的分钟级最大风速数据，计算风力发电机组在预定周期内的分钟级最大风速值，将预定周期内的分钟级最大风速值作为第二风速衍生变量。
在一个示例性实施例中，可以根据历史风速数据中的10分钟最大风速数据计算预定周期内的最大风速，将10分钟最大风速值作为第一风速衍生变量。具体的计算公式如下：
V_max＝max(v_max1,v_max2,v_max3……v_maxn) (公式10)
其中，v_max1表示第1个10分钟最大风速，v_max2表示第2个10分钟最大风速，依次类推，v_maxn表示第n个10分钟最大风速，V_max为计算得到的预定周期内的最大风速。
步骤1054，将历史风速数据中的分钟级平均风速数据进行分区，计算每个分区内的风速数量；根据每个分区内的风速数量计算预定周期内的风力发电机组的单位风数量，将所述单位风数量作为第二风速衍生变量。
在一个示例性实施例中，还可以将历史风速数据中的10分钟平均风速数据进行分区，计算每个分区内的风速数量；根据每个分区内的风速数量计算预定周期内的所述风力发电机组的单位风数量；将单位风数量作为第二风速衍生变量。具体的分区方法可以为选取预定周期内的历史风速数据中的10分钟平均风速中的最大值和最小值，将最大值和最小值以1为单位进行划分，计算每个区间内的风速数量，将每个区间内的区间中值与该区间内的风速数量进行乘法计算，得到该区间内的该台风力发电机组的经历的单位风数量。
具体的根据每个分区内的风速数量计算预定周期内的风力发电机组的单位风数量的方法可以为：计算每个分区内的10分钟平均风速数据的中值；根据区间中值和每个分区内的风速数量，计算每个分区内的单位风数量；根据每个分区内的单位风数量计算预定周期内的风力发电机组的单位风数量。
表1示出了某台风力发电机组在每个区间内的单位风数量。
表1
| 风速区间(m/s) | 区间中值 | 风速数量 | 区间内单位风数量 |
| (0.5～1.5] | 1 | 2076 | 2076 |
| (1.5～2.5] | 2 | 3648 | 7296 |
| (2.5～3.5] | 3 | 4104 | 12312 |
| (3.5～4.5] | 4 | 5268 | 21072 |
| (4.5～5.5] | 5 | 6036 | 30180 |
| (5.5～6.5] | 6 | 6804 | 40824 |
| (6.5～7.5] | 7 | 6600 | 46200 |
| (7.5～8.5] | 8 | 5652 | 45216 |
| (8.5～9.5] | 9 | 4572 | 41148 |
| (9.5～10.5] | 10 | 3360 | 33600 |
| (10.5～11.5] | 11 | 2892 | 31812 |
| (11.5～12.5] | 12 | 1548 | 18576 |
| (12.5～13.5] | 13 | 600 | 7800 |
| (13.5～14.5] | 14 | 252 | 3528 |
| (14.5～15.5] | 15 | 48 | 720 |
| (15.5～16.5] | 16 | 24 | 384 |
从表1中可以看出，当预定周期内的10分钟平均风速最小值为0.7m/s，最大值为15.7m/s时，区间内单位风数量＝区间中值*风速数量，在预定周期内的单位风数量是由所有区间单位风数量的和相加得到，例如当预定周期为1年时，那么1年内的单位风数量即为所有区间内的单位风数量相加得到。
在进行了如上所述的计算后，可以将威布尔分布比例参数λ和形状参数k、预定周期内的最大风速数据、预定周期内的平均风速、威布尔概率分布函数中的概率密度最大值对应的平均风速值、10min平均风速与威布尔概率分布函数中的概率密度最大值对应的平均风速值之间的差值Δwspd、预定周期内的单位风数量、阵风次数作为风速的多指标化表示结果，可以表征该台风力发电机组在预定周期的风速分布情况和波动情况。
以表2为例，表2中示出了将10台风力发电机组进行风速多指标化计算的结果：
表2
表2中为10台风力发电机组的根据历史风速数据计算的表示风速的多个指标的数据结果，可以从8个维度综合反映风速的数字特征，可以为后期建立基于风速的多个指标的风力发电机组故障预警模型提供支撑。
第二方面，本发明实施例提供了一种风力发电机组的故障预测方法，包括如下步骤，如图5所示：
步骤201，获取多台风力发电机组的如上述方法生成的第一风速衍生变量。
获取多台风力发电机组的第一风速衍生变量，其中，第一风速衍生变量的生成方法如上面所述的风速指标的生成方法。
步骤202，获取多台风力发电机组中，与每台风力发电机组的第一风速衍生变量对应的状态信息；状态信息用于表征多台风力发电机组是否发生故障。
获取得到每台风力发电机组的第一风速衍生变量后，对应获取每台风力发电机组的状态信息，每台风力发电机组的第一风速衍生变量和状态信息一一对应，其中，每台风力发电机组的状态信息为该台风力发电机组是否发生故障的信息，故障信息可以包括风力发电机组的各个部件的是否发生故障或者损坏的信息。
步骤203，根据每台风力发电机组的第一风速衍生变量和相应的风力发电机组的状态信息，建立逻辑回归模型。
根据每台风力发电机组的第一风速衍生变量和相应的状态信息，以是否发生故障或者损坏的信息为因变量，以第一风速衍生变量为自变量，建立逻辑回归模型。
在一个示例性实施例中，建立逻辑回归模型的方法可以为将所有风力发电机组的第一风速衍生变量和相应的风力发电机组的状态信息进行拟合计算，得到逻辑回归模型的建模参数；其中，建模参数可以包括斜率参数和截距参数，斜率参数为第一风速衍生变量的系数，截距参数为拟合计算后得到的逻辑回归模型中的常量。
基于建模参数，建立第一风速衍生变量与风力发电机组的故障概率之间的对应关系，生成逻辑回归模型。
根据得到的建模参数，即斜率参数和截距参数，建立第一风速衍生变量与风力风电机组的故障概率之间的对应关系，基于该对应关系，生成逻辑回归模型。
步骤204，基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量，预测待预测风力发电机组的故障概率。
具体的，预测待预测风力发电机组的故障概率的方法可以为：获取待预测风力发电机组的第一风速衍生变量，将待预测风力发电机组的第一风速衍生变量输入逻辑回归模型，根据建立的第一风速衍生变量与风力发电机组的故障概率之间的对应关系，得到待预测风力发电机组的故障概率。
在一个示例性实施例中，可以针对上述10台风力发电机组的风速多指标化计算结果进行上述的故障预测分析，10台风力发电机组的8个指标和状态信息如下所示，结果如表3所示：
表3
本实施例得到的风速多个指标可以为风力发电机组的故障预警建立数字化模型提供支持。
下面针对表3中给出的8个指标，以阵风次数为例建立逻辑回归模型，以阵风次数和是否损坏的状态信息为变量，其中，表3中“是否损坏”为0，表示风力发电机组未发生损坏；“是否损坏”为1，表示风力发电机组发生损坏。将阵风次数和是否损坏作为变量，建立逻辑回归模型，得到的参数如表4所示：
表4
通过表4可以看出，依据阵风次数建立的逻辑回归模型的显著性检验值P远小于0.05，证明该模型具有有效性，其回归模型参数为：斜率参数为0.00038，截距参数为-3.34800，逻辑回归方程为：
ln(p/(1-p))＝0.00038*阵风次数-3.348 公式(11)
依据原始的逻辑回归方程：
ln(p/(1-p))＝a*x+b 公式(12)
其中，公式(12)中的p为某一事件的预测概率值，在本实施例中表示风力发电机组的故障概率，a为斜率参数，b为截距参数，x为变量，在本发明实施例中表示第一风速衍生变量，可以为表3中的任意一个指标。
在本逻辑回归模型中，当x的数值增加时，例如当增加1时，变量增加1后的逻辑回归方程与原逻辑回归方程的比较结果为：
将公式(13)进行变形计算得到公式(14)：
根据公式(14)，阵风次数每增加100个，风力发电机组的部件失效概率将变为原来的1.038倍，失效的概率增加3.8％，由此可以反映阵风次数对风力发电机组的部件失效影响。
同理，本实施例还可以通过针对其他指标建立逻辑回归模型，如对单位风数量建立逻辑回归模型，以单位风数量和是否损坏的状态信息为变量，建立逻辑回归模型得到的参数表如下表5所示：
表5
模型检验p值远小于0.05，证明该模型的有效性，逻辑回归方程为：
ln(p/(1-p))＝0.000008*单位风数量-5.141669 公式(15)
根据公式(15)、公式(14)、公式(13)可知，单位风数量每增加1000个，大部件损坏概率变为原来的1.0080倍，即增加0.80％，由此可以反映单位风数量对风力发电机组的部件失效影响。
第三方面，本发明实施例还提供了一种风力发电机组的故障预测方法，包括如下步骤，如图6所示：
步骤301，获取多台风力发电机组的如上所述的方法生成的第一风速衍生变量；
获取多台风力发电机组的第一风速衍生变量，其中，第一风速衍生变量的生成方法如上面所述的风速指标的生成方法。
步骤302，获取多台风力发电机组的如上所述的方法生成的第二风速衍生变量；
获取多台风力发电机组的第二风速衍生变量，其中，第二风速衍生变量的生成方法如上面所述的风速指标的生成方法。
步骤303，获取多台风力发电机组中，与每台风力发电机组的第一风速衍生变量和第二风速衍生变量对应的状态信息；状态信息用于表征多台风力发电机组是否发生故障；
获取得到每台风力发电机组的第一风速衍生变量和第二风速衍生变量后，对应获取每台风力发电机组的状态信息，每台风力发电机组的第一风速衍生变量、第二风速衍生变量和状态信息一一对应，其中，每台风力发电机组的状态信息为该台风力发电机组是否发生故障的信息，故障信息可以包括风力发电机组的各个部件的是否发生故障或者损坏的信息。
步骤304，根据第一风速衍生变量、第二风速衍生变量、风力发电机组的状态信息，建立逻辑回归模型；
在本步骤中，建立逻辑回归模型的方法可以为：将每台风力发电机组的第一风速衍生变量、第二风速衍生变量以及状态信息进行拟合计算，得到逻辑回归模型的建模参数；其中，建模参数可以包括斜率参数和截距参数，斜率参数为第一风速衍生变量和第二风速衍生变量前的系数，截距参数为拟合计算后得到的逻辑回归模型中的常量。
基于建模参数，建立以第一风速衍生变量和第二风速衍生变量为自变量，以风力发电机组的故障概率为因变量的对应关系，生成逻辑回归模型。
步骤305，基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量和第二风速衍生变量，预测待预测风力发电机组的故障概率。
具体的，预测待预测风力发电机组的故障概率的方法可以为：获取待预测风力发电机组的第一风速衍生变量和第二风速衍生变量；
将待预测风力发电机组的第一风速衍生变量和第二风速衍生变量输入逻辑回归模型，根据建立的以第一风速衍生变量和第二风速衍生变量为自变量，以风力发电机组的故障概率为因变量的对应关系，得到待预测风力发电机组的故障概率。
在一个示例性实施例中，以表3中的λ和k两个指标为例，建立逻辑回归模型，建立逻辑回归模型得到的参数表如表6所示：
表6
模型检验p值远小于0.05，证明该模型的有效性，逻辑回归方程为：
ln(p/(1-p))＝0.00566*λ+0.01011*k-2.03094公式(16)
根据公式(16)、公式(14)、公式(13)可知，λ每增加1个，大部件损坏概率变为原来的1.0057倍，即增加0.57％，k每增加1个，大部件损坏概率变为原来的1.0102倍，即增加1.02％。
由此可以反映λ和k对风力发电机组故障概率的影响。
在一个示例性实施例中，还可以以表3中的λ和阵风次数两个指标为例，建立逻辑回归模型，建立逻辑回归模型得到的参数表如下表7所示：
表7
模型检验p值远小于0.05，证明该模型的有效性，逻辑回归方程为：
ln(p/(1-p))＝0.00566*λ+0.00017*阵风次数-2.03094 公式(17)
根据公式(17)、公式(14)、公式(13)可知，λ每增加1个，风力发电机组的故障概率变为原来的1.0057倍，即增加0.57％；阵风次数每增加100个，故障概率变为原来的1.0274倍，即增加2.74％。
由此可以反映λ和阵风次数对风力发电机组故障概率的影响。
本发明实施例还提供了一种风速指标的生成装置400，结构示意图如图7所示，包括：
获取模块401，用于获取风力发电机组在预定周期内的历史风速数据；
计算模块402，用于基于历史风速数据和风力发电机组的设计参数计算极端阵风参量；
模型建立模块403，用于利用极端阵风参量，建立极端阵风模型；
第一指标生成模块404，用于根据历史风速数据和极端阵风模型，生成风力发电机组在预定周期内的第一风速衍生变量，将第一风速衍生变量作为表示风速的指标。
在一个示例性实施例中，计算模块402包括：
分段子模块，用于将秒级瞬时风速数据按照第一预定时间进行分段处理，得到多个秒级瞬时风速数据区间；
第一计算子模块，用于针对每个秒级瞬时风速数据区间，计算每个秒级瞬时风速数据区间的风速均值；
第二计算子模块，用于根据每个风速均值、秒级瞬时风速数据和风力发电机组的设计参数计算极端阵风参量；
其中，风力发电机组的设计参数可以包括如下中的至少一个：叶轮直径、轮毂高度、设计湍流值。
在一个示例性实施例中，第二计算子模块具体用于根据每个风速均值和设计参数中的设计湍流值，计算风力发电机组在每个秒级瞬时风速数据区间内的湍流标准偏差；
根据湍流标准偏差、叶轮直径和轮毂高度计算极端阵风参量。
在一个示例性实施例中，第一指标生成模块404具体用于针对每个秒级瞬时风速数据区间，将秒级瞬时风速数据区间以第二预定时间为间隔，划分成多个秒级瞬时风速数据子区间；
计算每个子区间内的秒级瞬时风速数据以第二预定时间为间隔的差值；基于极端阵风模型，判断差值是否满足预设条件；
将满足所述预设条件的差值的个数记为风力发电机组在预定周期内的经历的阵风次数；
将阵风次数作为第一风速衍生变量。
在一个示例性实施例中，该装置还包括：
第二指标生成模块405，用于根据历史风速数据计算第二风速衍生变量；将第二风速衍生变量作为表示风速的指标。
在一个示例性实施例中，第二指标生成模块405用于执行如下步骤中的至少一个：
根据历史风速数据中的分钟级平均风速数据拟合威布尔分布参数，得到威布尔分布函数，将威布尔分布参数或威布尔分布函数中的概率密度最大值对应的平均风速值作为第二风速衍生变量；
根据历史风速数据中的分钟级平均风速数据，计算风力发电机组在预定周期内的分钟级平均风速值，将预定周期内的分钟级平均风速值作为第二风速衍生变量；
根据历史风速数据中的分钟级最大风速数据，计算风力发电机组在预定周期内的分钟级最大风速值，将预定周期内的分钟级最大风速值作为第二风速衍生变量；
将所述历史风速数据中的分钟级平均风速数据进行分区，计算每个分区内的风速数量；根据每个分区内的风速数量计算预定周期内的风力发电机组的单位风数量，将单位风数量作为第二风速衍生变量。
在一个示例性实施例中，第二指标生成模块具体用于计算所述每个分区内的分钟级平均风速数据的中值；
根据中值和每个分区内的风速数量，计算每个分区内的单位风数量；
根据所述每个分区内的单位风数量计算预定周期内的风力发电机组的单位风数量。
本发明还提供了一种风力发电机组的故障预测装置500，该装置的结构示意图如图8所示，包括：
第一指标生成模块501，用于获取多台风力发电机组在预定周期内的历史风速数据；针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；利用极端阵风参量，建立极端阵风模型；根据每台风力发电机组的历史风速数据和极端阵风模型，生成每台风力发电机组在预定周期内的第一风速衍生变量；
第一状态信息获取模块502，用于每台风力发电机组的与第一风速衍生变量对应的状态信息；状态信息用于每台风力发电机组是否发生故障；
第一逻辑回归模型建立模块503，用于根据每台风力发电机组的第一风速衍生变量和状态信息，建立逻辑回归模型；
第一预测模块504，用于基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量，预测待预测风力发电机组的故障概率。
在一个示例性实施例中，第一逻辑回归模型建立模块503包括：
第一拟合计算子模块，用于将每台风力发电机组的第一风速衍生变量和状态信息进行拟合计算，得到逻辑回归模型的建模参数；
第一模型生成子模块，用于基于建模参数，建立第一风速衍生变量与风力发电机组的故障概率之间的对应关系，生成逻辑回归模型。
在一个示例性实施例中，第一预测模块504具体用于获取待预测风力发电机组的第一风速衍生变量；将待预测风力发电机组的第一风速衍生变量输入逻辑回归模型，根据建立的第一风速衍生变量与风力发电机组的故障概率之间的对应关系，得到待预测风力发电机组的故障概率。
本发明还提供了一种风力发电机组的故障预测装置600，该装置的结构示意图如图9所示，包括：
第二指标生成模块601，用于获取多台风力发电机组在预定周期内的历史风速数据；针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；利用极端阵风参量，建立极端阵风模型；根据每台风力发电机组的历史风速数据和极端阵风模型，生成每台风力发电机组在预定周期内的第一风速衍生变量；
第三指标生成模块602，用于根据每台风力发电机组的历史风速数据计算每台风力发电机组在预定周期内的第二风速衍生变量；
第二状态信息获取模块603，用于获取每台风力发电机组的与第一风速衍生变量和第二风速衍生变量对应的状态信息；状态信息用于表征多台风力发电机组是否发生故障；
第二逻辑回归模型建立模块604，用于根据每台风力发电机组的第一风速衍生变量、第二风速衍生变量和状态信息，建立逻辑回归模型；
第二预测模块605，用于基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量和第二风速衍生变量，预测待预测风力发电机组的故障概率。
在一个示例性实施例中，第二逻辑回归模型建立模块604包括：
第二拟合计算子模块，用于将每台风力发电机组的第一风速衍生变量、第二风速衍生变量以及状态信息进行拟合计算，得到逻辑回归模型的建模参数；
第二模型生成子模块，用于基于建模参数，建立以第一风速衍生变量和第二风速衍生变量为自变量，以风力发电机组的故障概率为因变量的对应关系，生成逻辑回归模型。
在一个示例性实施例中，第二预测模块605，具体用于获取待预测风力发电机组的第一风速衍生变量和第二风速衍生变量；
将待预测风力发电机组的第一风速衍生变量和第二风速衍生变量输入逻辑回归模型，根据建立的以第一风速衍生变量和第二风速衍生变量为自变量，以风力发电机组的故障概率为因变量的对应关系，得到待预测风力发电机组的故障概率。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述的风速的指标生成方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上第二方面所述的风力发电机组的故障预测方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上第三方面所述的风力发电机组的故障预测方法。
本发明实施例还提供了一种计算机装置，该装置包括：
至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，
当计算机程序指令被处理器执行时实现如上述的风速的指标生成方法。
本发明实施例还提供了一种计算机装置，该装置包括：
至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，
当计算机程序指令被处理器执行时实现如第二方面所述的风力发电机组的故障预测方法。
本发明实施例还提供了一种计算机装置，该装置包括：
至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，
当计算机程序指令被处理器执行时实现如第三方面所述的风力发电机组的故障预测方法。
需要说明的是，上述各实施例的装置可作为上述各实施例的用于各实施例的方法中的执行主体，可以实现各个方法中的相应流程，实现相同的技术效果，为了简洁，此方面内容不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种风力发电机组的故障预测方法，其特征在于，所述方法包括：
获取多台风力发电机组在预定周期内的历史风速数据；
针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；
利用所述极端阵风参量，建立极端阵风模型；
根据所述每台风力发电机组的历史风速数据和所述极端阵风模型，生成所述每台风力发电机组在所述预定周期内的第一风速衍生变量，其中，所述第一风速衍生变量是反映风速在预定周期内的分布和波动情况的指标；
获取每台风力发电机组的与第一风速衍生变量对应的状态信息；所述状态信息用于表征所述每台风力发电机组是否发生故障；
根据每台风力发电机组的第一风速衍生变量和状态信息，建立逻辑回归模型；
基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量，预测所述待预测风力发电机组的故障概率。
2.根据权利要求1所述的方法，其特征在于，所述根据每台风力发电机组的第一风速衍生变量和状态信息，建立逻辑回归模型的步骤包括：
将每台风力发电机组的第一风速衍生变量和状态信息进行拟合计算，得到所述逻辑回归模型的建模参数；
基于所述建模参数，建立第一风速衍生变量与风力发电机组的故障概率之间的对应关系，生成所述逻辑回归模型。
3.根据权利要求2所述的方法，其特征在于，所述基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量，预测所述待预测风力发电机组的故障概率的步骤包括：
获取待预测风力发电机组的第一风速衍生变量；
将所述待预测风力发电机组的第一风速衍生变量输入所述逻辑回归模型，根据建立的第一风速衍生变量与风力发电机组的故障概率之间的对应关系，得到所述待预测风力发电机组的故障概率。
4.一种风力发电机组的故障预测方法，其特征在于，所述方法包括：
获取多台风力发电机组在预定周期内的历史风速数据；
针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；
利用所述极端阵风参量，建立极端阵风模型；
根据所述每台风力发电机组的历史风速数据和所述极端阵风模型，生成所述每台风力发电机组在所述预定周期内的第一风速衍生变量，其中，所述第一风速衍生变量是反映风速在预定周期内的分布和波动情况的指标；
根据所述每台风力发电机组的历史风速数据计算每台风力发电机组在所述预定周期内的第二风速衍生变量；
获取每台风力发电机组的与第一风速衍生变量和第二风速衍生变量对应的状态信息；所述状态信息用于表征所述每台风力发电机组是否发生故障；
根据每台风力发电机组的第一风速衍生变量、第二风速衍生变量和状态信息，建立逻辑回归模型；
基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量和第二风速衍生变量，预测所述待预测风力发电机组的故障概率。
5.根据权利要求4所述的方法，其特征在于，所述根据每台风力发电机组的第一风速衍生变量、第二风速衍生变量和状态信息，建立逻辑回归模型的步骤包括：
将每台风力发电机组的第一风速衍生变量、第二风速衍生变量以及状态信息进行拟合计算，得到所述逻辑回归模型的建模参数；
基于所述建模参数，建立以第一风速衍生变量和第二风速衍生变量为自变量，以风力发电机组的故障概率为因变量的对应关系，生成所述逻辑回归模型。
6.根据权利要求5所述的方法，其特征在于，所述基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量和第二风速衍生变量，预测所述待预测风力发电机组的故障概率的步骤包括：
获取待预测风力发电机组的第一风速衍生变量和第二风速衍生变量；
将所述待预测风力发电机组的第一风速衍生变量和第二风速衍生变量输入所述逻辑回归模型，根据建立的以第一风速衍生变量和第二风速衍生变量为自变量，以风力发电机组的故障概率为因变量的对应关系，得到所述待预测风力发电机组的故障概率。
7.一种风力发电机组的故障预测装置，其特征在于，所述装置包括：
第一指标生成模块，用于获取多台风力发电机组在预定周期内的历史风速数据；针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；利用所述极端阵风参量，建立极端阵风模型；根据所述每台风力发电机组的历史风速数据和所述极端阵风模型，生成所述每台风力发电机组在所述预定周期内的第一风速衍生变量，其中，所述第一风速衍生变量是反映风速在预定周期内的分布和波动情况的指标；
第一状态信息获取模块，用于获取每台风力发电机组的与第一风速衍生变量对应的状态信息；所述状态信息用于表征所述每台风力发电机组是否发生故障；
第一逻辑回归模型建立模块，用于根据每台风力发电机组的第一风速衍生变量和状态信息，建立逻辑回归模型；
第一预测模块，用于基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量，预测所述待预测风力发电机组的故障概率。
8.根据权利要求7所述的装置，其特征在于，所述第一逻辑回归模型建立模块具体用于将每台风力发电机组的第一风速衍生变量和状态信息进行拟合计算，得到所述逻辑回归模型的建模参数；
基于所述建模参数，建立第一风速衍生变量与风力发电机组的故障概率之间的对应关系，生成所述逻辑回归模型。
9.根据权利要求8所述的装置，其特征在于，所述第一预测模块具体用于获取待预测风力发电机组的第一风速衍生变量；将所述待预测风力发电机组的第一风速衍生变量输入所述逻辑回归模型，根据建立的第一风速衍生变量与风力发电机组的故障概率之间的对应关系，得到所述待预测风力发电机组的故障概率。
10.一种风力发电机组的故障预测装置，其特征在于，所述装置包括：
第二指标生成模块，用于获取多台风力发电机组在预定周期内的历史风速数据；针对多台风力发电机组中的每台风力发电机组，基于每台风力发电机组的历史风速数据和设计参数计算极端阵风参量；利用所述极端阵风参量，建立极端阵风模型；根据所述每台风力发电机组的历史风速数据和所述极端阵风模型，生成所述每台风力发电机组在所述预定周期内的第一风速衍生变量，其中，所述第一风速衍生变量是反映风速在预定周期内的分布和波动情况的指标；
第三指标生成模块，用于根据所述每台风力发电机组的历史风速数据计算每台风力发电机组在所述预定周期内的第二风速衍生变量；
第二状态信息获取模块，用于获取每台风力发电机组的与第一风速衍生变量和第二风速衍生变量对应的状态信息；所述状态信息用于表征所述每台风力发电机组是否发生故障；
第二逻辑回归模型建立模块，用于根据每台风力发电机组的第一风速衍生变量、第二风速衍生变量和状态信息，建立逻辑回归模型；
第二预测模块，用于基于建立的逻辑回归模型和待预测风力发电机组的第一风速衍生变量和第二风速衍生变量，预测所述待预测风力发电机组的故障概率。
11.根据权利要求10所述的装置，其特征在于，所述第二逻辑回归模型建立模块具体用于将每台风力发电机组的第一风速衍生变量、第二风速衍生变量以及状态信息进行拟合计算，得到所述逻辑回归模型的建模参数；
基于所述建模参数，建立以第一风速衍生变量和第二风速衍生变量为自变量，以风力发电机组的故障概率为因变量的对应关系，生成所述逻辑回归模型。
12.根据权利要求11所述的装置，其特征在于，所述第二预测模块具体用于获取待预测风力发电机组的第一风速衍生变量和第二风速衍生变量；
将所述待预测风力发电机组的第一风速衍生变量和第二风速衍生变量输入所述逻辑回归模型，根据建立的以第一风速衍生变量和第二风速衍生变量为自变量，以风力发电机组的故障概率为因变量的对应关系，得到所述待预测风力发电机组的故障概率。
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的方法。
14.一种计算机装置，其特征在于，所述装置包括：
至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，
当所述计算机程序指令被所述处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910004963.1A CN111396265B (zh) | 2019-01-03 | 2019-01-03 | 一种风力发电机组的故障预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910004963.1A CN111396265B (zh) | 2019-01-03 | 2019-01-03 | 一种风力发电机组的故障预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111396265A CN111396265A (zh) | 2020-07-10 |
| CN111396265B true CN111396265B (zh) | 2023-02-03 |
Family
ID=71435835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910004963.1A Active CN111396265B (zh) | 2019-01-03 | 2019-01-03 | 一种风力发电机组的故障预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111396265B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149903B (zh) * | 2020-09-22 | 2022-04-08 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于bp神经网络算法的火电机组一次调频分析与优化方法 |
| CN115455368B (zh) * | 2022-11-09 | 2023-02-03 | 中国人民解放军国防科技大学 | 一种基于湍流强度和平均风速的对流层低层阵风计算方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006001613A1 (de) * | 2006-01-11 | 2007-07-12 | Repower Systems Ag | Verfahren zum Betreiben einer Windenergieanlage und Windenergieanlage |
| KR20100069045A (ko) * | 2008-12-16 | 2010-06-24 | 노영규 | 풍력발전용 가변발전장치 |
| CN101852172A (zh) * | 2010-03-09 | 2010-10-06 | 山东科技大学 | 一种考虑风电场内尾流影响的风电机组输入风速计算方法 |
| CN103026266A (zh) * | 2010-06-21 | 2013-04-03 | 维斯塔斯风力系统集团公司 | 风力涡轮机处的风况评估 |
| CN103174590A (zh) * | 2013-04-03 | 2013-06-26 | 无锡韦伯风能技术有限公司 | 中型风力机组功率调节器的调节方法 |
| CN103400302A (zh) * | 2013-07-01 | 2013-11-20 | 国家电网公司 | 一种风电基地连锁故障风险感知预警方法及其系统 |
| WO2015108154A1 (ja) * | 2014-01-17 | 2015-07-23 | 国立大学法人京都大学 | 最大瞬間風速予測システム、コンピュータプログラム、及び、突風警報情報発令システム |
| CN106529700A (zh) * | 2016-10-20 | 2017-03-22 | 华北电力大学（保定） | 一种基于时空相关的风电场预测模型构建方法和系统 |
| WO2018008571A1 (ja) * | 2016-07-04 | 2018-01-11 | 株式会社日本製鋼所 | 風車の監視装置、風車の監視方法、風車の監視プログラムおよび記憶媒体 |
| CN107781105A (zh) * | 2016-08-31 | 2018-03-09 | 北京天诚同创电气有限公司 | 风力发电机的变桨控制方法及装置 |
| CN108223268A (zh) * | 2016-12-14 | 2018-06-29 | 北京金风科创风电设备有限公司 | 风力发电机组的转速控制方法和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2251543B1 (en) * | 2009-05-14 | 2016-12-07 | ALSTOM Renewable Technologies | Method and system for predicting the occurrence of a wind gust at a wind turbine |
| US9822763B2 (en) * | 2011-05-06 | 2017-11-21 | Vestas Wind Systems A/S | Method and apparatus for protecting wind turbines from extreme events |
| CN104533713B (zh) * | 2014-11-03 | 2017-05-17 | 新疆金风科技股份有限公司 | 控制风力发电机组停机的方法和装置 |
| CN108223269B (zh) * | 2016-12-14 | 2019-07-23 | 北京金风科创风电设备有限公司 | 风力发电机组过速故障的穿越方法和装置 |
| CN106972549B (zh) * | 2017-05-12 | 2019-11-12 | 北京金风科创风电设备有限公司 | 用于风电场的能量管理的方法和设备 |
-
2019
- 2019-01-03 CN CN201910004963.1A patent/CN111396265B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006001613A1 (de) * | 2006-01-11 | 2007-07-12 | Repower Systems Ag | Verfahren zum Betreiben einer Windenergieanlage und Windenergieanlage |
| KR20100069045A (ko) * | 2008-12-16 | 2010-06-24 | 노영규 | 풍력발전용 가변발전장치 |
| CN101852172A (zh) * | 2010-03-09 | 2010-10-06 | 山东科技大学 | 一种考虑风电场内尾流影响的风电机组输入风速计算方法 |
| CN103026266A (zh) * | 2010-06-21 | 2013-04-03 | 维斯塔斯风力系统集团公司 | 风力涡轮机处的风况评估 |
| CN103174590A (zh) * | 2013-04-03 | 2013-06-26 | 无锡韦伯风能技术有限公司 | 中型风力机组功率调节器的调节方法 |
| CN103400302A (zh) * | 2013-07-01 | 2013-11-20 | 国家电网公司 | 一种风电基地连锁故障风险感知预警方法及其系统 |
| WO2015108154A1 (ja) * | 2014-01-17 | 2015-07-23 | 国立大学法人京都大学 | 最大瞬間風速予測システム、コンピュータプログラム、及び、突風警報情報発令システム |
| WO2018008571A1 (ja) * | 2016-07-04 | 2018-01-11 | 株式会社日本製鋼所 | 風車の監視装置、風車の監視方法、風車の監視プログラムおよび記憶媒体 |
| CN107781105A (zh) * | 2016-08-31 | 2018-03-09 | 北京天诚同创电气有限公司 | 风力发电机的变桨控制方法及装置 |
| CN106529700A (zh) * | 2016-10-20 | 2017-03-22 | 华北电力大学（保定） | 一种基于时空相关的风电场预测模型构建方法和系统 |
| CN108223268A (zh) * | 2016-12-14 | 2018-06-29 | 北京金风科创风电设备有限公司 | 风力发电机组的转速控制方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 台风环境下考虑地理高程信息的输电通道结构失效故障概率评估方法;陈莹等;《电网技术》;20170929(第07期);全文 * |
| 针对金风750kW系列风力发电机组频繁起停问题的分析与讨论;陈锋;《电气制造》;20110525(第05期);全文 * |
| 风力发电机组载荷计算中的极端风况分析;李媛等;《沈阳工业大学学报》;20080815;第30卷(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111396265A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7194868B1 (ja) | 風に対するヨーの異常を検出するための方法および装置、並びにそれらのデバイスおよび記憶媒体 | |
| CN110365059B (zh) | 一种光功率预测方法及装置 | |
| WO2017092297A1 (zh) | 风电机组功率特性评价方法及装置、存储介质 | |
| CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
| CN104915747A (zh) | 一种发电机组的发电性能评估方法及设备 | |
| CN110119570A (zh) | 一种实测数据驱动的风电场模型参数校核方法 | |
| CN116629120A (zh) | 一种干式电力变压器的散热评价方法及系统 | |
| DK2981711T3 (en) | PROCEDURE FOR EFFICIENCY MONITORING OF A WINDOW ENERGY PARK | |
| CN112131753B (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
| Paiva et al. | Determining wind turbine power curves based on operating conditions | |
| CN111396265B (zh) | 一种风力发电机组的故障预测方法及装置 | |
| CN107305651B (zh) | 一种输电系统可靠性评估方法和系统 | |
| CN105279384A (zh) | 一种基于风力机机舱风速的来流风速计算方法及装置 | |
| CN111950131A (zh) | 一种考虑限电因素的风电场出力等值聚合模型构建方法 | |
| CN117217045A (zh) | 基于XGBoost算法的风机叶片螺栓疲劳损伤的评估方法 | |
| CN111401596B (zh) | 一种风速指标的生成方法及装置 | |
| CN111062516A (zh) | 一种基于gmdh多变量处理的风机出力预测的方法 | |
| CN119154388B (zh) | 基于逐差法的电力系统惯量评估方法、装置、设备及介质 | |
| CN108536877A (zh) | 风力发电机组振动程度的评估方法与系统 | |
| CN113723821A (zh) | 一种基于潮流介数的电网故障预警方法及装置 | |
| Zhang et al. | A data-driven method to characterize turbulence-caused uncertainty in wind power generation | |
| CN116433073B (zh) | 风电场运营效能评价方法、装置、设备及介质 | |
| Ge et al. | Wind turbine power output estimation with probabilistic power curves | |
| CN110717623A (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
| Dai et al. | Study on obtaining real power curve of wind turbines using SCADA data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee after: Jinfeng Technology Co.,Ltd. Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |