一种基于多源异构数据的风力发电机故障预测方法技术

本发明专利技术公开了一种基于多源异构数据的风力发电机故障预测方法，方法包括：获取目标风力发电机的历史数据，目标风力发电机的历史数据至少包括目标风力发电机在预设时段内的各个叶片的形变数据以及目标风力发电机的振动数据，预设时段为当前时刻前预设时长的时段；将目标风力发电机的历史数据输入至已训练的神经网络，获取神经网络输出的目标风力发电机的故障预测结果；其中，神经网络是基于训练数据集训练完成的，训练数据集中包括样本历史数据和样本扩充数据，样本历史数据为真实采集的风力发电机的历史数据，样本扩充数据为对样本历史数据进行样本扩充处理生成的数据。本发明专利技术可以提升风力发电机的故障检测效率。可以提升风力发电机的故障检测效率。可以提升风力发电机的故障检测效率。

【技术实现步骤摘要】
一种基于多源异构数据的风力发电机故障预测方法


[0001]本专利技术涉及新能源
，特别涉及一种基于多源异构数据的风力发电机故障预测方法。

技术介绍

[0002]现有的风力发电机需要人工定期检查来排查风力发电机的故障，但是人工检查需要风力发电机停机进行检修，不仅不方便还会浪费清洁能源。
[0003]因此，现有技术还有待改进和提高。

技术实现思路

[0004]针对现有技术的上述缺陷，本专利技术提供一种基于多源异构数据的风力发电机故障预测方法，旨在解决现有技术中需要人工检查风力发电机进行故障检测效率低的问题。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案如下：本专利技术的第一方面，提供一种基于多源异构数据的风力发电机故障预测方法，所述方法包括：获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段；将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果；其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据。
[0006]所述的基于多源异构数据的风力发电机故障预测方法，其中，所述获取目标风力发电机的历史数据，包括：获取所述目标风力发电机的机头位置，根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据。
[0007]所述的基于多源异构数据的风力发电机故障预测方法，其中，所述根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据，包括：获取所述目标风力发电机的机头基准位置以及所述机头基准位置对应的基准反射信号数据；根据所述机头位置和所述机头基准位置之间的差异、以及向所述目标风力发电机发出的光信号的反射信号与所述基准反射信号数据获取所述目标风力发电机的各个叶片的形变数据。
[0008]所述的基于多源异构数据的风力发电机故障预测方法，其中，根据所述机头位置
和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据之后，包括：根据所述目标风力发电机当前的叶片形变数据，基于所述目标风力发电机当前的叶片形变数据更新所述目标风力发电机的数字孪生模型中的三维模型；所述获取所述神经网络输出的所述目标风力发电机的故障预测结果之后，包括：将所述目标风力发电机的故障预测结果更新至所述目标风力发电机的数字孪生模型中。
[0009]所述的基于多源异构数据的风力发电机故障预测方法，其中，所述神经网络包括特征提取模块和预测模块，所述神经网络的训练过程为：在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次，对于所述目标训练批次中的目标样本历史数据，执行如下步骤：将所述目标样本历史数据输入至样本扩充模块，生成目标样本扩充数据；通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征；将所述第一特征和所述第二特征分别输入至所述预测模块，获取所述预测模块输出的第一预测结果和第二预测结果；根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失；根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预测模块的参数，并重新执行所述在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次的步骤，直至参数收敛。
[0010]所述的基于多源异构数据的风力发电机故障预测方法，其中，所述根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失，包括：根据所述目标样本历史数据对应的故障标注标签和所述第一预测结果得到第一损失；将所述第一特征和所述第二特征分别输入至判别器，获取所述判别器输出的判别结果，根据所述判别结果得到第二损失；根据所述第一损失和所述第二损失得到所述目标样本历史数据对应的样本损失；获取所述训练批次中每个样本历史数据对应的所述第一预测结果的概率分布作为第一概率分布，获取所述训练批次中每个样本历史数据对应的所述第二预测结果的概率分布作为第二概率分布；根据所述第一概率分布和所述第二概率分布得到第一批次分损失；对所述训练批次中的每个样本历史数据分别对应的样本损失进行求和，得到第二批次分损失；根据所述第一批次分损失和所述第二批次分损失得到所述批次训练损失；所述根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预
测模块的参数，包括：根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块、所述预测模块和所述判别器的参数。
[0011]所述的基于多源异构数据的风力发电机故障预测方法，其中，所述通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征，包括：分别对所述目标样本历史数据和所述目标样本扩充数据进行降维处理，得到第一降维数据和第二降维数据；分别将所述第一降维数据和所述第二降维数据输入至所述特征提取模块，获取所述特征提取模块输出的所述第一特征和所述第二特征。
[0012]本专利技术的第二方面，提供一种基于多源异构数据的风力发电机故障预测装置，包括：数据获取模块，所述数据获取模块用于获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段；预测模块，所述预测模块用于将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果；其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据。
[0013]本专利技术的第三方面，提供一种终端，所述终端包括处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述任一项所述的基于多源异构数据的风力发电机故障预测方法的步骤。
[0014]本专利技术的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的基于多源异构数据的风力发电机故障预测方法的步骤。
[0015]与现有技术相比，本专利技术提供了一种基于多源异构数据的风力发电机故障预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源异构数据的风力发电机故障预测方法，其特征在于，所述方法包括：获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段；将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果；其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据。2.根据权利要求1所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，所述获取目标风力发电机的历史数据，包括：获取所述目标风力发电机的机头位置，根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据。3.根据权利要求2所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，所述根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据，包括：获取所述目标风力发电机的机头基准位置以及所述机头基准位置对应的基准反射信号数据；根据所述机头位置和所述机头基准位置之间的差异、以及向所述目标风力发电机发出的光信号的反射信号与所述基准反射信号数据获取所述目标风力发电机的各个叶片的形变数据。4.根据权利要求2所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据之后，包括：根据所述目标风力发电机当前的叶片形变数据，基于所述目标风力发电机当前的叶片形变数据更新所述目标风力发电机的数字孪生模型中的三维模型；所述获取所述神经网络输出的所述目标风力发电机的故障预测结果之后，包括：将所述目标风力发电机的故障预测结果更新至所述目标风力发电机的数字孪生模型中。5.根据权利要求1所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，所述神经网络包括特征提取模块和预测模块，所述神经网络的训练过程为：在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次，对于所述目标训练批次中的目标样本历史数据，执行如下步骤：将所述目标样本历史数据输入至样本扩充模块，生成目标样本扩充数据；通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征；将所述第一特征和所述第二特征分别输入至所述预测模块，获取所述预测模块输出的第一预测结果和第二预测结果；根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、
所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失；根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预测模块的参数，并重新执行所述在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次的步骤，直至参数收敛。6.根据权利要...

【专利技术属性】
技术研发人员：杨之乐，安钊，郭媛君，胡天宇，吴承科，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：