发电机温度预警方法及系统技术方案

本公开提供一种发电机温度预警方法及系统，该方法包括：获取发电机的运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据；利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值；在所述发电机的温度大于所述预警阈值时，生成告警信号。告警信号。告警信号。

【技术实现步骤摘要】
发电机温度预警方法及系统


[0001]本公开涉及发电机检测领域，更具体地讲，涉及一种发电机温度预警方法及系统。

技术介绍

[0002]发电机是风力发电机组的核心部件之一。发电机故障可导致整个风力发电机组停机，严重影响电网的安全稳定运行。
[0003]对于发电机的过温预警，目前通常采用固定的温度阈值监测和报警方式监测发电机的运行状态，在温度超过固定的上限阈值时报警，超过固定的极限阈值时紧急停机。然而，固定的上限阈值或者极限阈值会导致很多误报警，从而损失发电量。
[0004]因此，如何有效识别真正的过温故障进而进行发电机控制，是亟待解决的技术问题。

技术实现思路

[0005]本公开的实施例的目的在于提供一种发电机温度预警方法及系统，以提高发电机过温故障识别精度，进而最大化避免因过温度故障识别错误导致损失发电量。
[0006]第一方面，本专利技术提供一种发电机温度预警方法，包括：获取发电机的运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据；
[0007]利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值；
[0008]在所述发电机的温度大于所述预警阈值时，生成告警信号。
[0009]进一步地，所述发电机包括风力发电机，所述运行状态数据包括功率控制数据、发电机转速数据、发电机温度数据、以及发电机轴电压数据；
[0010]所述环境数据包括发电机所处环境的温度数据、湿度数据；
[0011]所述风资源数据包括风速数据、风向数据以及湍流数据。
[0012]进一步地，所述利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值的步骤包括：
[0013]利用预设的神经网络学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值。
[0014]进一步地，所述利用预设的神经网络学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值的步骤包括：
[0015]确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重；
[0016]利用预设的神经网络学习模型，利用所述对应的权重分别对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据加权后学习得到所述发电机温度的预警阈值。
[0017]进一步地，所述确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重的步骤包括：
[0018]利用遗传算法确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重；其中，所述遗传算法在利用所述对应的权重分别对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据加权后学习得到所述发电机温度的预警阈值产生的误告警次数最小时收敛。
[0019]第二方面，本专利技术提供一种发电机温度预警系统包括：数据获取模块，用于获取发电机的运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据；
[0020]深度学习模块，用于利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值；
[0021]温度预警模块，用于在所述发电机的温度大于所述预警阈值时，生成告警信号。
[0022]进一步地，所述发电机包括风力发电机，所述运行状态数据包括功率控制数据、发电机转速数据、发电机温度数据、以及发电机轴电压数据；
[0023]所述环境数据包括发电机所处环境的温度数据、湿度数据；
[0024]所述风资源数据包括风速数据、风向数据以及湍流数据。
[0025]进一步地，所述深度学习模块具体用于：利用预设的神经网络学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值。
[0026]进一步地，所述的发电机温度预警系统还包括：
[0027]权重确定模块，用于：确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重；
[0028]所述深度学习模块进一步具体用于：利用预设的神经网络学习模型，利用所述对应的权重分别对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据加权后学习得到所述发电机温度的预警阈值。
[0029]进一步地，所述权重确定模块具体用于：利用遗传算法确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重；其中，所述遗传算法在利用所述对应的权重分别对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据加权后学习得到所述发电机温度的预警阈值产生的误告警次数最小时收敛。
[0030]本专利技术的发电机温度预警方法及系统，可以利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值，该预警阈值是动态的，且根据发电机的运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据多种关联数据深度学习得到，能有效提高发电机过温故障识别精度，进而最大化避免因过温度故障识别错误导致损失发电量。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1是根据本公开的实施例的发电机温度预警方法的流程图。
[0033]图2是根据本公开的实施例的发电机温度预警系统的结构示意图。
具体实施方式
[0034]下面结合附图对本专利技术实施例进行详细描述。
[0035]需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，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，都属于本公开保护的范围。
[0036]需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0037]图1是根据本公开的实施例的发电机温度预警方法的流程图。如图1所示，该发电机温度预警方法包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发电机温度预警方法，其特征在于，包括：获取发电机的运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据；利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值；在所述发电机的温度大于所述预警阈值时，生成告警信号。2.根据权利要求1所述的发电机温度预警方法，其特征在于，所述发电机包括风力发电机，所述运行状态数据包括功率控制数据、发电机转速数据、发电机温度数据、以及发电机轴电压数据；所述环境数据包括发电机所处环境的温度数据、湿度数据；所述风资源数据包括风速数据、风向数据以及湍流数据。3.根据权利要求2所述的发电机温度预警方法，其特征在于，所述利用预设的深度学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值的步骤包括：利用预设的神经网络学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值。4.根据权利要求3所述的发电机温度预警方法，其特征在于，所述利用预设的神经网络学习模型，对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据学习得到所述发电机温度的预警阈值的步骤包括：确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重；利用预设的神经网络学习模型，利用所述对应的权重分别对所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据加权后学习得到所述发电机温度的预警阈值。5.根据权利要求4所述的发电机温度预警方法，其特征在于，所述确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重的步骤包括：利用遗传算法确定所述运行状态数据、环境数据、风资源数据、气隙数据以及气隙变化数据的对应的权重；其中，所述遗传算法在利用所述对应的权重分别对所述运行状态数据、环境数据、风资源数据、...

【专利技术属性】
技术研发人员：童小春，
申请(专利权)人：溧阳市宏达电机有限公司，
类型：发明
国别省市：