[发明专利]一种风机齿轮箱状态预测方法及系统

说明书

本发明公开了一种风机齿轮箱状态预测方法及系统，涉及风电机组领域，其中，所述方法包括：从风电场监控与数据采集系统获得风电机组多组运行参量的原始数据集；利用预设算法对所述原始数据集进行预处理，用以降低原始数据集特征向量维度得到降维数据；利用卷积长短记忆神经网络模型对所述降维数据进行卷积操作，以对数据集特征向量完成重构；通过对重构后的数据进行深度神经网络训练，建立多个目标预测模型；从所述多个目标预测模型中确定最优模型为预测网络模型，利用所述预测网络模型对风机齿轮箱状态进行预测。

技术领域

本发明涉及风电机组领域，具体地，涉及一种风机齿轮箱状态预测方法及系统。

背景技术

风电是新型电力系统的最重要电源，已成为我国第三大能源。风电机组运行环境恶劣，极易造成齿轮箱损伤。齿轮箱损伤到一定程度会引起故障及安全事故。因此，根据风机齿轮箱当前运行数据和损伤态势预测未来健康状态，对安排检修、预防事故、保障风电机组安全运行具有重要意义。

现有技术中，存在针对风机齿轮箱的状态预测模型无法进行多时段连续时间预测的技术问题。

发明内容

本申请提供了一种风机齿轮箱状态预测方法及系统，解决了现有技术中针对风机齿轮箱的状态预测模型无法进行多时段连续时间预测的技术问题。

鉴于上述问题，本申请提供了一种风机齿轮箱状态预测方法及系统。

一方面，本申请提供了一种风机齿轮箱状态预测方法，其中，所述方法应用于一种风机齿轮箱状态预测系统，所述方法包括：从风电场监控与数据采集系统获得风电机组多组运行参量的原始数据集；利用预设算法对所述原始数据集进行预处理，用以降低原始数据集特征向量维度得到降维数据；利用卷积长短记忆神经网络模型对所述降维数据进行卷积操作，以对数据集特征向量完成重构；通过对重构后的数据进行深度神经网络训练，建立多个目标预测模型；从所述多个目标预测模型中确定最优模型为预测网络模型，利用所述预测网络模型对风机齿轮箱状态进行预测。

另一方面，本申请还提供了一种风机齿轮箱状态预测系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于从风电场监控与数据采集系统获得风电机组多组运行参量的原始数据集；第一执行单元，所述第一执行单元用于利用预设算法对所述原始数据集进行预处理，用以降低原始数据集特征向量维度得到降维数据；第二执行单元，所述第二执行单元用于利用卷积长短记忆神经网络模型对所述降维数据进行卷积操作，以对数据集特征向量完成重构；第三执行单元，所述第三执行单元用于通过对重构后的数据进行深度神经网络训练，建立多个目标预测模型；第四执行单元，所述第四执行单元用于从所述多个目标预测模型中确定最优模型为预测网络模型，利用所述预测网络模型对风机齿轮箱状态进行预测。

第三方面，本申请提供了一种基于账户与合约关系的综合查询与解约设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

从风电场监控与数据采集系统获得风电机组多组运行参量的原始数据集；利用预设算法对所述原始数据集进行预处理，用以降低原始数据集特征向量维度得到降维数据；利用卷积长短记忆神经网络模型对所述降维数据进行卷积操作，以对数据集特征向量完成重构；通过对重构后的数据进行深度神经网络训练，建立多个目标预测模型；从所述多个目标预测模型中确定最优模型为预测网络模型，利用所述预测网络模型对风机齿轮箱状态进行预测。达到了适合风电机组的带时序特性类型的数据预测任务，具备精确度高、耗时可控和效率高的优点，进一步准确预测其未来健康状态，保障风电机组安全运行的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明