[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

说明书

本发明属于风电叶片故障预警的技术领域，公开了一种基于人工智能平台的风电叶片故障预警方法及系统，包括数据采集模块、特征选择模块、数据处理模块、特征筛选模块、计算分析模块和告警模块；本发明通过对风电机组运行过程中叶片状态进行实时预测，引入了监测指标与计算指标多维数据融合分析，并且采用了经验规则预警与算法预警相结合的方式，克服已有的风电叶片预警精度不高，易受人为因素影响的不足，有效增强了风电叶片预警系统的稳定性和鲁棒性。

技术领域

本发明涉及风电叶片故障预警的技术领域，尤其涉及一种基于人工智能平台的风电叶片故障预警方法及系统。

背景技术

叶片作为风电机组的主要大部件之一，其健康状态直接影响着整个风电机组的稳定可靠运行。但是，由于风机长期运行在露天环境中，随着服役时间的增长，叶片常常容易发生腐蚀、开裂和结冰等故障，如果故障无法及时排除，将会对风机的正常运行造成严重的影响，甚至危害人身生命财产安全，因此实现对叶片故障的提前预警，及时排除故障具有重要的意义。

实现风电机组叶片的故障预警通常包括特征提取和故障模式识别两个部分，特征提取是根据故障机理或者专家经验从监测运行数据中提取出能够表达叶片故障的潜在特征，这些特征是故障模式识别的基础。故障模式识别是指基于提取的故障特征，采用有效的智能算法或者经验阈值规则，实现对叶片状态的判断。

目前，风电叶片状态的检修通常是发生故障后进行维修，检修人员难以实时掌握风电叶片的状态情况。通过故障预警技术可以帮助检修人员提前预判风电叶片状态异常情况，然而目前现有的故障预警方法大多依赖单维度数据根据阈值规则分析，预测覆盖面欠缺，准确率较低，无法有效统筹，预测风机叶片的潜在故障，且模型的可移植性较差，尚缺乏一种有效的，具有普适性的风电叶片状态故障预警方法。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术中风电叶片故障预警方法中特征数据的维度选择单一，覆盖面不全，且通过单一的预警算法导致预警系统普适性较差、预警准确率低、鲁棒性较差的问题。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明实施例提供了一种基于人工智能平台的风电叶片故障预警方法，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。

作为本发明所述的基于人工智能平台的风电叶片故障预警方法的一种优选方案，其中：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