[发明专利]一种基于人工智能平台的风电叶片故障预警方法及系统

权利要求书

1.一种基于人工智能平台的风电叶片故障预警方法，其特征在于，包括：

判断风机叶片运行状态，选取风电机组叶片运行特征参数，并采集特征参数的监测数据；

通过监测数据计算间接指标，组合成备选特征库，并对特征数据进行预处理；

对特征进行筛选，通过经验分析及算法预警实现对风机叶片的运行故障告警。

2.如权利要求1所述的基于人工智能平台的风电叶片故障预警系统，其特征在于：所述对特征进行筛选采用基于集成学习的思想进行建模特征的筛选，筛选模型采用随机森林算法，包括：

根据随机森林中决策树的数量将数据预处理模块处理后的叶片特征的袋外数据划分为n组用来计算随机森林所有决策树的袋外误差值，结果分别表示为：

err_OOB1,err_OOB2,…err_OOBn

将n组袋外数据中的第i个特征值加入噪声干扰，保证其他特征不变，重新计算样本袋外数据误差值，结果分别表示为：

err_i1,err_i2,…,err_in

基于所述误差结果计算特征重要性，所述特征重要性公式表示为：

对所述备选特征采用10折交叉验证方法进行迭代计算，在经过迭代后取数据特征的特征重要性得分平均值完成特征重要性排序工作，以重要性得分等于0.09为阈值选择出冗余信息含量最少，分类准确率较高的指数特征集作为最终的特征筛选结果。

3.一种基于人工智能平台的风电叶片故障预警系统，其特征在于，包括：

数据采集模块(100)、特征选择模块(200)、数据处理模块(300)、特征筛选模块(400)、计算分析模块(500)和告警模块(600)；

所述数据采集模块(100)通过风机传感器采集风机叶片运行数据，由所述特征选择模块(200)进行监测指标以及计算指标的特征选择，然后将其作为备选特征变量输入所述数据预处理模块(300)对异常数据进行预处理；所述特征筛选模块(400)对经过预处理的备选特征进行筛选，选出有效特征作为特征序列输入所述计算分析模块(500)，输出得到风机状态；所述计算分析模块(500)将所述风机状态通过经验规则模型以及机器学习模型训练，得到风机叶片预警模型，所述告警模块(600)将待预警风机数据时间序列输入所述叶片预警模型，输出与待预警风机时间序列相对应的叶片状态，基于输出结果实时进行告警。

4.如权利要求3所述的基于人工智能平台的风电叶片故障预警系统，其特征在于：所述数据采集模块(100)采集的风机叶片运行数据包括风电机组SCADA数据、主控数据、CMS振动数据以及对应时间序列的叶片状态数据；

所述数据采集模块(100)还包括测点编码单元(101)，所述测点编码单元(101)对所述采集的时间序列标签点进行编码。

5.如权利要求4所述的基于人工智能平台的风电叶片故障预警系统，其特征在于：所述特征选择模块(200)包括监测指标单元(201)和计算指标单元(202)；

所述监测指标单元(201)通过反应风机实际运行情况的SCADA数据、主控数据和CMS数据，利用风电机组的运行原理，选取能够反映叶片状态的直接监测指标特征；

所述计算指标单元(202)用于计算指标特征；所述指标特征包括，对采集的数据进行清洗处理，并基于数据库计算分析出能够反映叶片运行状态的潜在间接指标特征。